MOTS-C 1627580-64-6

1. Giới thiệu

Các nghiên cứu của Mỹ đã phát hiện ra rằng hormone mots-c có tác dụng giảm cân tương tự như tập thể dục

(Mysterious Earth report) cách trực tiếp nhất để giảm cân và kiểm soát lượng đường trong máu là tập thể dục. Tuy nhiên, các nghiên cứu gần đây ở Hoa Kỳ đã phát hiện ra rằng một loại hormone có thể bắt chước tác dụng của việc tập thể dục, giúp mọi người giảm cân và kiểm soát lượng đường trong máu.

Các nhà nghiên cứu tại Đại học Nam California đã phát hiện ra loại hormone mots-c. Các nhà nghiên cứu chỉ ra rằng vai trò chính của mots-c là khóa mô cơ, có thể cải thiện độ nhạy insulin của cơ thể và xử lý glucose hiệu quả hơn. Nó đã hoạt động ở chuột và dự kiến ​​sẽ bắt đầu thử nghiệm lâm sàng ở người trong vòng ba năm.

2. Chức năng chính

Kể từ khi báo cáo này được công bố, nghiên cứu về peptide ngắn này đã rất nóng. Để hỗ trợ công việc nghiên cứu trong lĩnh vực này, công ty chúng tôi đã thiết kế và phát triển một bộ sản phẩm nghiên cứu hoàn chỉnh cho mots-c.

3.Ứng dụng

Trước hết, chúng tôi đã tổng hợp peptide mots-c (cpx132hu01) với trình tự axit amin là mrwqemgyif yprklr. Do trình tự và cấu trúc đơn lẻ của peptide, nó có thể được sử dụng trong các thí nghiệm trên động vật để nghiên cứu chức năng của mots-c.

Sau đó, dựa trên công nghệ ghép nối phân tử nhỏ, peptit tổng hợp được liên kết với chất mang ghép nối để thu được kháng nguyên đầy đủ bsa-mots-c (cpx132hu11) và ova-mots-c (cpx132hu21) và kháng thể đặc hiệu (pax132hu01) là thu được sau khi gây miễn dịch cho động vật với đầy đủ kháng nguyên. Những kháng thể này có thể được sử dụng trong nhiều thí nghiệm phân tử và miễn dịch, chẳng hạn như Western blot, IHC, v.v. để phát hiện định tính hàm lượng mots-c trong các mẫu.

Trên cơ sở các peptide tổng hợp và kháng thể đặc hiệu, chúng tôi đã phát triển một bộ phát hiện định lượng cho mots-c (cex132hu) bằng phương pháp ức chế cạnh tranh, có thể được sử dụng để phát hiện định lượng mots-c trong các mẫu sinh học khác nhau.

4. Tiêu chuẩn chất lượng

Chứng nhận phân tích

5.Phương pháp phân tích

Để xác định các con đường mà MOTS-C điều biến, sự phong phú của chất chuyển hóa tương đối được so sánh giữa chuột được xử lý bằng MOTS-c và chuột được xử lý bằng nước bằng cách sử dụng phân tích đa biến bằng Metabolon. Dữ liệu được phân tích phân cụm theo cấp bậc và hiệu trưởng

phân tích thành phần (PCA), theo đó dữ liệu được chuyển đổi thông qua phép biến đổi tuyến tính trực giao thành các thành phần chính để trực quan hóa các cụm riêng biệt giữa các nhóm. Mức độ chất chuyển hóa khác nhau được định lượng bằng sự phong phú tương đối và trung bình được chia tỷ lệ thành một.

Sự khác biệt về mức độ phong phú tương đối được đánh giá bằng các thử nghiệm t cặp phù hợp, với ngưỡng phát hiện sai q < 0.10 để hiệu chỉnh cho nhiều phép so sánh có trong các nghiên cứu chuyển hóa. Sự khác biệt về số lần được xác định bằng cách chia sự phong phú của chất chuyển hóa tương đối trong

MOTS-C bởi sự phong phú tương đối trong nhóm nước. Kết quả đầu ra có thể được hiểu là sự thay đổi gấp bội trong xử lý MOTS-C so với xử lý nước. Điểm ít hơn một cho thấy sự khác biệt về chất chuyển hóa MOTS-C thấp hơn đáng kể so với nhóm đối chứng,

trong khi điểm số lớn hơn một cho thấy sự khác biệt về chất chuyển hóa MOTS-C cao hơn đáng kể. Dữ liệu được coi là đáng kể tại P < 0.05 với q giá trị bên dướiq<0.1.

Chúng tôi cũng thực hiện phân tích thống kê của riêng mình trong ba giai đoạn. Đầu tiên, chúng tôi đã tiến hành PCA và phân tích phân cụm theo cấp bậc cho toàn bộ 550 chất chuyển hóa được đo. Thứ hai, để tiếp tục giảm kích thước của dữ liệu và cung cấp khả năng diễn giải tốt hơn, chúng tôi

đã thực hiện một cách tiếp cận thông tin sinh học và tiến hành phân tích con đường bằng Metabolon. Điều này cho phép chúng tôi chọn 52 chất chuyển hóa đã cho thấy chức năng phù hợp với các con đường giả thuyết có liên quan. Thứ ba, chúng tôi đã tiến hành PCA và phân cụm theo thứ bậc trên

tập hợp con của 52 chất chuyển hóa được xác định thông qua phân tích con đường.

PCA là một phương pháp thống kê để giảm kích thước của tập dữ liệu trong khi vẫn duy trì sự thay đổi quan trọng trong dữ liệu. Đối với PCA, chúng tôi đã sử dụng R v3.5.0 và gói Factoextra. PCA được tiến hành sau khi chuẩn hóa dữ liệu để đảm bảo sự đóng góp bình đẳng của mỗi

chất chuyển hóa để phân tích. Sau đó, chúng tôi đã trích xuất các giá trị riêng để xây dựng các biểu đồ màn hình và để tính toán lượng biến thể được biểu thị bởi mỗi PC. Sử dụng tất cả 550 chất chuyển hóa, ba PC đầu tiên giải thích lần lượt là 27,3%, 18,8% và 14,6 hoặc 60,6% tích lũy. Kế tiếp,

chúng tôi đã đánh giá các lô cá nhân và biến PCA. Biểu đồ PCA riêng lẻ cho thấy sự phân bố của từng con chuột điều trị và kiểm soát khi vẽ hai PC đầu tiên. Biểu đồ biến PC biểu thị mối quan hệ giữa tất cả các biến, theo đó những biến nào có tương quan thuận

được nhóm lại với nhau. Ngược lại, các biến có tương quan nghịch được định vị ở các phía đối diện của trung tâm cốt truyện. Khoảng cách giữa các biến và trọng tâm cho biết chất lượng của các biến trên bản đồ nhân tố. Iitally, biểu đồ biến là

không thể giải thích được do số lượng lớn các biến được sử dụng trong PCA. Do đó, để sử dụng phương pháp tiếp cận dựa trên kinh nghiệm nhằm giảm số lượng biến, chúng tôi đã sử dụng ba con đường hàng đầu được xác định bởi phân tích thống kê của Metabolon. Các đường dẫn được xác định cho phép chúng tôi cô lập 52

Để xác định các con đường mà MOTS-C điều biến, sự phong phú của chất chuyển hóa tương đối được so sánh giữa chuột được xử lý bằng MOTS-c và chuột được xử lý bằng nước bằng cách sử dụng phân tích đa biến bằng Metabolon. Dữ liệu được phân tích phân cụm theo cấp bậc và hiệu trưởng

phân tích thành phần (PCA), theo đó dữ liệu được chuyển đổi thông qua phép biến đổi tuyến tính trực giao thành các thành phần chính để trực quan hóa các cụm riêng biệt giữa các nhóm. Mức độ chất chuyển hóa khác nhau được định lượng bằng sự phong phú tương đối và trung bình được chia tỷ lệ thành một.

Sự khác biệt về mức độ phong phú tương đối được đánh giá bằng các thử nghiệm t cặp phù hợp, với ngưỡng phát hiện sai q < 0.10 để hiệu chỉnh cho nhiều phép so sánh có trong các nghiên cứu chuyển hóa. Sự khác biệt về số lần được xác định bằng cách chia sự phong phú của chất chuyển hóa tương đối trong

MOTS-C bởi sự phong phú tương đối trong nhóm nước. Kết quả đầu ra có thể được hiểu là sự thay đổi gấp bội trong xử lý MOTS-C so với xử lý nước. Điểm ít hơn một cho thấy sự khác biệt về chất chuyển hóa MOTS-C thấp hơn đáng kể so với nhóm đối chứng,

trong khi điểm số lớn hơn một cho thấy sự khác biệt về chất chuyển hóa MOTS-C cao hơn đáng kể. Dữ liệu được coi là đáng kể tại P < 0.05 với q giá trị bên dướiq<0.1.

Chúng tôi cũng thực hiện phân tích thống kê của riêng mình trong ba giai đoạn. Đầu tiên, chúng tôi đã tiến hành PCA và phân tích phân cụm theo cấp bậc cho toàn bộ 550 chất chuyển hóa được đo. Thứ hai, để tiếp tục giảm kích thước của dữ liệu và cung cấp khả năng diễn giải tốt hơn, chúng tôi

đã thực hiện một cách tiếp cận thông tin sinh học và tiến hành phân tích con đường bằng Metabolon. Điều này cho phép chúng tôi chọn 52 chất chuyển hóa đã cho thấy chức năng phù hợp với các con đường giả thuyết có liên quan. Thứ ba, chúng tôi đã tiến hành PCA và phân cụm theo thứ bậc trên

tập hợp con của 52 chất chuyển hóa được xác định thông qua phân tích con đường.

PCA là một phương pháp thống kê để giảm kích thước của tập dữ liệu trong khi vẫn duy trì sự thay đổi quan trọng trong dữ liệu. Đối với PCA, chúng tôi đã sử dụng R v3.5.0 và gói Factoextra. PCA được tiến hành sau khi chuẩn hóa dữ liệu để đảm bảo sự đóng góp bình đẳng của mỗi

chất chuyển hóa để phân tích. Sau đó, chúng tôi đã trích xuất các giá trị riêng để xây dựng các biểu đồ màn hình và để tính toán lượng biến thể được biểu thị bởi mỗi PC. Sử dụng tất cả 550 chất chuyển hóa, ba PC đầu tiên giải thích lần lượt là 27,3%, 18,8% và 14,6 hoặc 60,6% tích lũy. Kế tiếp,

chúng tôi đã đánh giá các lô cá nhân và biến PCA. Biểu đồ PCA riêng lẻ cho thấy sự phân bố của từng con chuột điều trị và kiểm soát khi vẽ hai PC đầu tiên. Biểu đồ biến PC biểu thị mối quan hệ giữa tất cả các biến, theo đó những biến nào có tương quan thuận

được nhóm lại với nhau. Ngược lại, các biến có tương quan nghịch được định vị ở các phía đối diện của trung tâm cốt truyện. Khoảng cách giữa các biến và trọng tâm cho biết chất lượng của các biến trên bản đồ nhân tố. Iitally, biểu đồ biến là

không thể giải thích được do số lượng lớn các biến được sử dụng trong PCA. Do đó, để sử dụng phương pháp tiếp cận dựa trên kinh nghiệm nhằm giảm số lượng biến, chúng tôi đã sử dụng ba con đường hàng đầu được xác định bởi phân tích thống kê của Metabolon. Các đường dẫn được xác định cho phép chúng tôi cô lập 52

6.PCA

7. Tính ổn định và an toàn

Sự ổn định:

Ổn định trong điều kiện thích hợp (nhiệt độ phòng). Bảng dữ liệu ổn định có sẵn theo yêu cầu của bạn.
Sự an toàn:

Theo Thông báo của GARS (Được công nhận chung là an toàn) của Hoa Kỳ, nó an toàn cho người tiêu dùng.

8. Lưu đồ

9. Nhận xét của khách hàng

Chúng tôi có các cửa hàng trên Alibaba, Chemicalbook và LookChem, thông qua các sản phẩm chất lượng cao và dịch vụ không hạn chế, chúng tôi đã nhận được rất nhiều nhận xét tích cực.

10. Giấy chứng nhận của chúng tôi

Trong những năm qua, chúng tôi đã cam kết tối ưu hóa sản xuất sản phẩm và thiết lập hệ thống chất lượng. Chúng tôi đã thiết lập hệ thống quản lý chất lượng và đạt được các chứng chỉ về hệ thống đó.

11. Khách hàng của chúng tôi

Chúng tôi đã thiết lập mối quan hệ kinh doanh với Abbott, Unilever, Shiseido, KANS và SIMM, v.v.

12. Triển lãm

Chúng tôi thường tham dự các triển lãm quốc tế, bao gồm CPhI, FIC, API, Vitafoods, SupplesideWest.

Chú phổ biến: mots-c 1627580-64-6, nhà sản xuất, nhà cung cấp, nhà máy, bán buôn, mua, giá, tốt nhất, số lượng lớn, để bán