Autoimmune Efficacy Studies အတွက် အုပ်စုအရွယ်အစားများကို ရွေးချယ်ခြင်း။
သင်သည် ဤနေရာတွင် ရှိနေသည်- အိမ် » သတင်း » 02. Preclinical Research & Model ရွေးချယ်မှု » Autoimmune Efficacy Studies အတွက် အုပ်စုအရွယ်အစားများကို ရွေးချယ်ခြင်း။

Autoimmune Efficacy Studies အတွက် အုပ်စုအရွယ်အစားများကို ရွေးချယ်ခြင်း။

ကြည့်ရှုမှုများ- 0     စာရေးသူ- Site Editor ထုတ်ဝေချိန်- 2026-11-16 မူရင်း- ဆိုက်

မေးမြန်းပါ။

wechat မျှဝေခြင်းခလုတ်
လိုင်းမျှဝေခြင်းခလုတ်
twitter မျှဝေခြင်းခလုတ်
facebook share ခလုတ်
linkedin sharing ကိုနှိပ်ပါ။
pinterest မျှဝေခြင်းခလုတ်
whatsapp မျှဝေခြင်းခလုတ်
ဤမျှဝေမှုအား မျှဝေရန် ခလုတ်ကိုနှိပ်ပါ။

HKeyBio စက်မှုသုံးသပ်ချက်

Autoimmune Efficacy Studies အတွက် အုပ်စုအရွယ်အစားများကို ရွေးချယ်ခြင်း။

HKeyBio အမေးအဖြေ စီးရီး ၄၄

မူလက ၂၀၂၆ ခုနှစ် ဇွန်လ ၁၈ ရက်နေ့တွင် တရုတ်ဘာသာဖြင့် ထုတ်ဝေခဲ့သည်။

HKeyBio ရဲ့ ခံယူချက်။ အုပ်စုတစ်ခုလျှင် တိရစ္ဆာန်ဘယ်နှစ်ကောင်သည် ဖွံ့ဖြိုးတိုးတက်မှုဆိုင်ရာ ဆုံးဖြတ်ချက်ကို ပံ့ပိုးရန် လုံလောက်သောတိကျမှုလေ့လာမှုကို ပေးစွမ်းနိုင်သနည်း။ လေ့လာမှုမှဖြေရန် လိုအပ်သည့်မေးခွန်း၊ အရေးပါမည့် အသေးငယ်ဆုံးအကျိုးသက်ရောက်မှုနှင့် ထိုပုံစံတွင် မူလအဆုံးမှတ်သည် မည်မျှပြောင်းလဲနိုင်သည်ကို စတင်ပါ။ တူညီသောအုပ်စုအရွယ်အစားသည် အဆုံးမှတ်တစ်ခုအတွက် လုံလောက်နိုင်ပြီး အခြားတစ်ခုအတွက် အလွန်သေးငယ်ပါသည်။

Q1 လေ့လာမှု သီးခြားနမူနာအရွယ်အစားကို ဘာကြောင့် အသုံးပြုတာလဲ။

အုပ်စုတစ်ခုလျှင် တိရစ္ဆာန်ခြောက်ကောင် သို့မဟုတ် ဆယ်ကောင်သည် ရင်းနှီးသောစမှတ်များဖြစ်သည်။ ပေးထားသည့် လေ့လာမှုအတွက် လိုအပ်သော အရေအတွက်သည် အချက်ငါးချက် [1,2] ပေါ်တွင် မူတည်သည်။

·  ရောဂါပုံစံတွင် ပြောင်းလဲနိုင်မှု

·  မျှော်လင့်ထားသောကုသမှုအကျိုးသက်ရောက်မှု

·  သိသာထင်ရှားမှုအဆင့် (α)

·  ပစ်မှတ်စာရင်းအင်းစွမ်းအား

·  အဆုံးမှတ်အမျိုးအစား

ရောဂါရမှတ်များ ကျယ်ပြန့်စွာ ပြောင်းလဲသောအခါတွင် တိရစ္ဆာန်မှ တိရိစ္ဆာန် ကွဲလွဲမှု အကျိုးသက်ရောက်မှုကို ဖုံးကွယ်နိုင်သည်။ မျိုးပွားနိုင်သော ပုံစံနှင့် ကြီးမားသော ကုသမှုအကျိုးသက်ရောက်မှုသည် သေးငယ်သောအုပ်စုကို ပံ့ပိုးပေးနိုင်သည်။ မူလအဆုံးမှတ်နှင့် ကိန်းဂဏန်းခွဲခြမ်းစိတ်ဖြာမှုသည် လေ့လာမှုအား ပံ့ပိုးရန် ဒီဇိုင်းထုတ်ထားသည့် ဆုံးဖြတ်ချက်ကို ထင်ဟပ်စေသင့်သည်။

Q2 တွင် မည်သည့် Statistical Factors များသည် နမူနာအရွယ်အစားကို မောင်းနှင်သည်

အထူးသဖြင့် အဆုံးမှတ်၏ ကွဲပြားမှုနှင့် ဆက်စပ်၍ အကျိုးသက်ရောက်မှု အရွယ်အစားသည် အဓိက မောင်းနှင်အား ဖြစ်သည်။ မော်ဒယ်အုပ်စုက 8.0 ± 2.0 ရမှတ်နဲ့ ကုသရေးအဖွဲ့က ရမှတ် 4.0 ± 2.0 ရှိတဲ့ အဆစ်နာပုံစံကို သုံးသပ်ကြည့်ပါ။ ကုသသောအုပ်စုဆိုလိုသည်မှာ 50% နိမ့်သည်။ ပျမ်းမျှ 8.0 မှ 6.8 သို့ ကျဆင်းပါက 15% နိမ့်ပါသည်။ တူညီသောကွဲပြားမှု၊ အရေးပါမှုအဆင့်နှင့် ပစ်မှတ်စွမ်းအားတို့နှင့်အတူ၊ သေးငယ်သောခြားနားချက်ကို ရှာဖွေတွေ့ရှိခြင်းသည် ယေဘုယျအားဖြင့် တိရစ္ဆာန်များပိုမိုကြာပါသည်။ ရာခိုင်နှုန်းများ နှိုင်းယှဥ်ဆိုလိုသည်။ နမူနာအရွယ်အစား စီစဉ်ခြင်းအတွက်၊ '±' ဖြင့် ကိုယ်စားပြုသော ပျံ့နှံ့မှုအတိုင်းအတာကို သတ်မှတ်ရပါမည်။

လေယာဉ်မှူးတစ်ဦးသည် အုပ်စုနည်းလမ်းများ၊ စံသွေဖည်မှုများနှင့် တုံ့ပြန်မှု၏ ဖြစ်နိုင်ခြေပမာဏကို ခန့်မှန်းနိုင်သည်။ လေယာဉ်မှူးငယ်များသည် တိကျသော ခန့်မှန်းချက်များကို ထုတ်ပေးသည်၊ ထို့ကြောင့် ရရှိနိုင်သော နှိုင်းယှဉ်နိုင်သော သမိုင်းအချက်အလက်များကို အသုံးပြုပြီး ဖြစ်နိုင်ခြေရှိသော တန်ဖိုးများတစ်လျှောက် လိုအပ်သော N အပြောင်းအလဲများကို စစ်ဆေးပါ။ ပင်မလေ့လာမှုအတွက်၊ ဇီဝဗေဒအရ အရေးကြီးသော သို့မဟုတ် ဖွံ့ဖြိုးတိုးတက်မှုဆိုင်ရာ ဆုံးဖြတ်ချက်ကို ပြောင်းလဲရန် လုံလောက်သော ကြီးမားသောအကျိုးသက်ရောက်မှုကို သတ်မှတ်ပါ။

Q3 အဘယ်ကြောင့်ဆိုသော် အုပ်စုအရွယ်အစားများသည် ရောဂါပုံစံများပေါ်တွင် ကွဲပြားနေပါသည်။

မော်ဒယ်များနှင့် တိရိစ္ဆာန်များကြားတွင် အသွင်အပြင်နှင့် တိုးတက်မှု ကွဲပြားသည်။ Dextran sulfate sodium (DSS) colitis၊ imiquimod (IMQ)-induced psoriasis နှင့် ovalbumin (OVA)-based allergy model များသည် သတ်မှတ်ထားသော အခြေအနေများအောက်တွင် အတော်လေး တသမတ်တည်း induction ပြနိုင်သည်။ ဤမော်ဒယ်များအတွက် အုပ်စုတစ်ခုလျှင် တိရစ္ဆာန်ခြောက်ကောင်မှ ရှစ်ကောင်သည် အတွေ့အကြုံအခြေခံသည့် စတင်သည့်အပိုင်းဖြစ်သည်။

Collagen-induced arthritis (CIA)၊ systemic lupus erythematosus (SLE) model နှင့် humanized immune-system model များသည် တူညီသောအုပ်စုအတွင်း၌ပင် စတင်ခြင်းနှင့် ပြင်းထန်မှုတွင် ပိုမိုကျယ်ပြန့်သော ကွဲပြားမှုကို ပြသနိုင်သည်။ ဤဆက်တင်များရှိ လေ့လာမှုအချို့သည် အုပ်စုတစ်ခုလျှင် တိရစ္ဆာန်ရှစ်ကောင်မှ ဆယ့်နှစ်ကောင်အထိ အသုံးပြုသည်။ ဤကိန်းဂဏန်းများသည် သီးခြားအခြေအနေများအောက်တွင် အတွေ့အကြုံကို ထင်ဟပ်စေသည်။ နမူနာအရွယ်အစား လိုအပ်ချက်များကို နှိုင်းယှဉ်သောအခါ၊ ရွေးချယ်ထားသော အဆုံးမှတ်၏ ကွဲပြားမှုနှင့် မျှော်လင့်ထားသည့် ကုသမှုအကျိုးသက်ရောက်မှု၏ အရွယ်အစားတို့ကို အကဲဖြတ်ပါ။

Q4 အဘယ်ကြောင့် NHP လေ့လာမှုအချို့သည် အဖွဲ့တစ်ဖွဲ့လျှင် တိရစ္ဆာန်သုံးကောင်မှ ခြောက်ကောင်ကို အသုံးပြုသနည်း။

သေးငယ်သော လူသားမဟုတ်သော primate (NHP) လေ့လာမှုများက အလေးထားသော ဘာသာပြန်မေးခွန်းများကို ဖြေရှင်းပေးနိုင်ပါသည်။ ဆေးဝါးဗေဒအရ သက်ဆိုင်သောမျိုးစိတ်တစ်ခုအတွက်၊ ခုခံအားဆဲလ်လူဦးရေတွင်ရှိသော လူသားများနှင့် ဆင်တူမှုများ၊ Fc receptor အသွင်အပြင်နှင့် ကိုယ်ခံစွမ်းအား၏ အခြားရှုထောင့်များက တုံ့ပြန်ချက်များကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် ကူညီပေးနိုင်ပါသည်။ သေးငယ်သော စူးစမ်းလေ့လာမှုအဖွဲ့တစ်ခုသည် တုံ့ပြန်မှုတစ်ခု၏ ဦးတည်ချက်၊ ပြင်းအားနှင့် လိုက်လျောညီထွေရှိမှုကို ဖော်ပြနိုင်ပြီး နောက်ဆက်တွဲလေ့လာမှုတစ်ခုအား အသိပေးနိုင်သည်။ အတည်ပြုနိုင်သော ထိရောက်မှု အရေးဆိုမှုတစ်ခုအတွက် လိုအပ်သော တိကျမှုသည် ၎င်း၏ကိုယ်ပိုင် မျှတမှု [1,2] လိုအပ်သည်။

3Rs ကိုသုံးပါ။ တိရစ္ဆာန်များကို အစားထိုးခြင်း၊ လျှော့ချခြင်းနှင့် သန့်စင်ခြင်းတို့ကို လမ်းညွှန်သည်။ တွဲချိတ်ခြင်း သို့မဟုတ် လိုက်ဖက်ခြင်း၊ ထပ်ခါတလဲလဲ တိုင်းတာမှုများနှင့် အခြေခံလိုင်း-ချိန်ညှိထားသော ခွဲခြမ်းစိတ်ဖြာမှုတို့သည် ဒီဇိုင်းနှင့် အဆုံးအမှတ်တို့ကို ပံ့ပိုးပေးသောအခါ တိကျမှုကို တိုးတက်စေနိုင်သည်။ တိရစ္ဆာန်တစ်ကောင်မှ ထပ်ခါထပ်ခါနမူနာများ [2,3] တိရစ္ဆာန်ကို ကုသရန် သီးခြားသတ်မှတ်ထားလျှင် စမ်းသပ်ဆဲယူနစ်တစ်ခုကို ကိုယ်စားပြုနေသေးသည်။

သီးခြားနောက်ဆက်တွဲ အစုအဝေးတစ်ခုကို စီစဉ်ရန် အစောပိုင်းဒေတာကို အသုံးပြုပါ သို့မဟုတ် တိရိစ္ဆာန်များထည့်ခြင်းဆိုင်ရာ စည်းမျဉ်းနှင့် မည်ကဲ့သို့ ထိန်းသိမ်းထားမည်နည်းအပါအဝင် တူညီသောလေ့လာမှုအတွင်း နမူနာအရွယ်အစား ပြန်လည်အကဲဖြတ်မှုကို ကြိုတင်သတ်မှတ်ပါ။ အစီအစဉ်ခွဲခြမ်းစိတ်ဖြာမှုမပါဘဲ ကြားဖြတ် p-value ကို တုံ့ပြန်ရာတွင် စာရင်းသွင်းမှု တိုးချဲ့ခြင်းကို ရှောင်ကြဉ်ပါ။

Q5 အဘယ်ကြောင့် Statistical Power အရေးကြီးသနည်း။

ပါဝါသည် လေ့လာမှုအား ဒီဇိုင်းရေးဆွဲရန် အသုံးပြုသည့် ယူဆချက်များအောက်တွင် သတ်မှတ်ထားသော အကျိုးသက်ရောက်မှုများ အမှန်တကယ်ဖြစ်သည့်အခါ ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော ခြားနားချက်ကို ရှာဖွေတွေ့ရှိသည့် ဖြစ်နိုင်ခြေဖြစ်သည်။ 80% ပစ်မှတ်ဆိုသည်မှာ စီစဉ်ထားသောအကျိုးသက်ရောက်မှုအရွယ်အစားနှင့် ကွဲပြားမှုမှန်ကန်ပါက၊ ထိုဒီဇိုင်းအောက်ရှိ ထပ်ခါတလဲလဲလေ့လာမှုများ၏ 80% ခန့်သည် ရွေးချယ်ထားသော အရေးပါမှုအဆင့် [1,2] တွင် ထိုအကျိုးသက်ရောက်မှုကို တွေ့ရှိမည်ဖြစ်သည်။

အဓိပ္ပါယ်ရှိသောအကျိုးသက်ရောက်မှုအတွက် ပါဝါနည်းပါးသောအခါ၊ တကယ့်အကျိုးသက်ရောက်မှုသည် အရေးမပါသောရလဒ်ကို ထုတ်ပေးနိုင်သည်။ ၎င်းသည် ယူဆရသည့် အခြေအနေအောက်တွင် မှားယွင်းသော အနုတ်လက္ခဏာဖြစ်သည်။ မူးယစ်ဆေးဝါး ဖွံ့ဖြိုးတိုးတက်မှုတွင် အကျိုးသက်ရောက်မှု မရှိသည့် အထောက်အထားများအဖြစ် သိသိသာသာ ရလဒ်ထွက်ပေါ်ခြင်းကို ကုသခြင်းသည် အလားအလာရှိသော ကိုယ်စားလှယ်လောင်းကို ရာထူးမှ ထုတ်ပယ်ရန် အဖွဲ့ကို ဦးဆောင်နိုင်သည်။ ရည်ရွယ်ချက်မှာ တိရိစ္ဆာန်အသုံးပြုမှုနှင့် လေ့လာမှုကုန်ကျစရိတ်တို့နှင့်အတူ အထောက်အထားများ၏ ခိုင်ခံ့မှုကို ချိန်ညှိရန်ဖြစ်သည်။

Q6 မည်သည့်အဖွဲ့အရွယ်အစားများသည် ကနဦးစီမံကိန်းကို လမ်းညွှန်နိုင်သနည်း။

မူရင်းဆောင်းပါးသည် ဆွေးနွေးမှုအတွက် အောက်ပါ အတွေ့အကြုံကို အခြေခံသည့် အပိုင်းများကို ပေးပါသည်။ နောက်ဆုံးအုပ်စုအရွယ်အစားသည် လေ့လာမှုရည်ရွယ်ချက်၊ သက်ဆိုင်ရာသမိုင်းအချက်အလက်၊ ရှေ့ပြေးရလဒ်များနှင့် အဆုံးအမှတ်နှင့် သင့်လျော်သော ခွဲခြမ်းစိတ်ဖြာမှုတို့ကို ထင်ဟပ်စေသင့်သည်။ ရည်ညွှန်းခြင်းမဟုတ်သော သို့မဟုတ် ရည်မှန်းထားသော ကိန်းဂဏန်းများ နှင့် ခွဲခြမ်းစိတ်ဖြာထားသော နံပါတ်များ နှစ်ခုလုံးကို အစီရင်ခံပြီး သက်ဆိုင်ရာ နေရာတွင် ခွင့်ပြုပါ။

ဇယား ၁။ မူရင်းဆောင်းပါးမှ အုပ်စုတစ်ခုစီအလိုက် တိရိစ္ဆာန်အရေအတွက်ပုံဥပမာ။ ကနဦး အစီအစဉ် ဆွေးနွေးမှုများ အတွက် ဤအပိုင်းများကို အသုံးပြုပါ။

image.png

 Q7 ကိန်းဂဏန်းဆိုင်ရာ လိုအပ်ချက်များနှင့် ကုန်ကျစရိတ်များကို ထိန်းချုပ်နည်း

ပထမဆုံး လေယာဉ်မှူးငယ်တစ်ဦးကို ပြေးပါ။ ရည်ရွယ်ထားသည့် ဖီနိုအမျိုးအစား၊ ရောဂါရမှတ်များ၊ ကွဲပြားမှုနှင့် ပဏာမကုသမှုတုံ့ပြန်မှုတို့ကို ဖွံ့ဖြိုးစေသည့် တိရစ္ဆာန်များ၏ အချိုးအစားကို ခန့်မှန်းပါ။ အဆုံးမှတ်၏စကေးအတွက် သင့်လျော်သော ကွဲလွဲမှု၏ကိန်းဂဏန်းကို အစီရင်ခံပါ။

ဒုတိယ၊ ပါဝါခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ပါ။ ပင်မအဆုံးမှတ်နှင့် အနိမ့်ဆုံး အဓိပ္ပါယ်ရှိသော အကျိုးသက်ရောက်မှုကို သတ်မှတ်ပါ။ α၊ ပစ်မှတ်ပါဝါနှင့် ကွဲလွဲမှုယူဆချက်များကို သတ်မှတ်ပါ။ လိုအပ်သော N ကို ခန့်မှန်းရန် စီစဉ်ထားသော ခွဲခြမ်းစိတ်ဖြာမှုနှင့် ကိုက်ညီသော စာရင်းအင်းနည်းလမ်းကို အသုံးပြုကာ ယူဆချက်များ မသေချာပါက အခြေအနေများကို နှိုင်းယှဉ်ပါ။

တတိယ၊ ဒီဇိုင်းကို အကောင်းဆုံးဖြစ်အောင်လုပ်ပါ။ မော်ဒယ်၏ လိုက်လျောညီထွေရှိမှုကို မြှင့်တင်ပါ၊ သက်ဆိုင်သည့်အခါ အခြေခံမျဥ်းပုံ-အစီအစဥ်ဖြင့် ကျပန်းပြုလုပ်ခြင်းကို အသုံးပြုပါ၊ တိကျမှုပိုကောင်းလာပါက ထပ်ခါတလဲလဲ တိုင်းတာမှုများကို အသုံးပြုကာ လေ့လာမှုမေးခွန်းကို မဖြေသည့်အုပ်စုများကို ဖယ်ရှားပါ။ ပိုမိုကောင်းမွန်သော ဒီဇိုင်းသည် အုပ်စုအရွယ်အစား တစ်ခုတည်းကို တိုးမြှင့်ခြင်းထက် စွမ်းဆောင်ရည်ကို ပိုမိုတိုးတက်စေပါသည်။

ခုခံကာကွယ်နိုင်သော အဖွဲ့အရွယ်အစားသည် ရည်ရွယ်ထားသော ဘာသာပြန်ဆုံးဖြတ်ချက်အတွက် အဓိပ္ပာယ်ပြည့်ဝသောအကျိုးသက်ရောက်မှုကို ရှာဖွေတွေ့ရှိရန် သို့မဟုတ် ခန့်မှန်းရန် လုံလောက်သောအချက်အလက်ကို အဖွဲ့အား ပေးပါသည်။ မျှော်လင့်ထားသည့်အကျိုးသက်ရောက်မှု၊ မော်ဒယ်ကွဲပြားမှု၊ လိုအပ်သောစွမ်းအားနှင့် လေ့လာမှုရည်မှန်းချက်တို့ကို ပတ်၀န်းကျင်စီစဉ်ပါ။ ၎င်းသည် ပိုမိုယုံကြည်စိတ်ချရသော ကောက်ချက်များအား ပံ့ပိုးပေးပြီး ထပ်ခါထပ်ခါ စမ်းသပ်မှုများနှင့် ရှောင်ရှားနိုင်သော ကုန်ကျစရိတ်များကို လျှော့ချနိုင်သည်။

စာရေးသူနှင့် ဝေဖန်သုံးသပ်သူ။ HKeyBio စျေးကွက်ရှာဖွေရေးဌာန

တည်းဖြတ်သည်။ Jing Yan

HKeyBio အကြောင်း

HKeyBio သည် autoimmune နှင့် မတည့်သောရောဂါများအတွက် vivo ထိရောက်မှုဝန်ဆောင်မှုများကို အဆုံးမှအစအဆုံး ပံ့ပိုးပေးသည့် preclinical contract research အဖွဲ့အစည်းတစ်ခုဖြစ်သည်။ ၎င်း၏အဓိကနည်းပညာအဖွဲ့သည် autoimmune ဆေးဝါးဖွံ့ဖြိုးတိုးတက်ရေးတွင်နှစ်ပေါင်း 20 ကျော်အတွေ့အကြုံရှိသည်။ ကုမ္ပဏီသည် ISO 9001 အသိအမှတ်ပြုလက်မှတ်ရှိပြီး Suzhou နှင့် Guangxi ရှိ လူသားမဟုတ်သော primate လေ့လာရေးအဆောက်အအုံများနှင့်အတူ Suzhou စက်မှုဥယျာဉ်ရှိ မော်လီကျူလာ၊ ဆယ်လူလာ၊ ရောဂါဗေဒ၊ တိရစ္ဆာန်ငယ်နှင့် ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ အဆောက်အအုံများကို လုပ်ဆောင်ပါသည်။ မူရင်းဆောင်းပါးတွင် ဝန်ထမ်း ၈၀ ခန့်ရှိပြီး မဟာဘွဲ့ သို့မဟုတ် ပါရဂူဘွဲ့များဖြင့် ပရောဂျက်ကို ဦးဆောင်နေကြောင်း ဖော်ပြခဲ့သည်။ အဖွဲ့သည် ကြိုတင်လက်တွေ့ သုတေသနနှင့် စုံစမ်းစစ်ဆေးရေး ဆေးဝါးအသစ် (IND) တင်ပြမှုများကို ပံ့ပိုးပေးသည်။

·  autoimmune နှင့် ဓာတ်မတည့်သောရောဂါများ၏ လူသားမဟုတ်သော primate မော်ဒယ် 50+

·  autoimmune နှင့် မတည့်သောရောဂါများ၏ 500+ တိရစ္ဆာန်မော်ဒယ်များ

·  autoimmune ရောဂါအတွက် 500+ IND တင်ပြမှုများကို ပံ့ပိုးပေးသည့် အတွေ့အကြုံ

ကိုးကား

[1] Percie du Sert N, Hurst V, Ahluwalia A, et al. ARRIVE လမ်းညွှန်ချက်များ 2.0- တိရစ္ဆာန်သုတေသနအစီရင်ခံခြင်းအတွက် အပ်ဒိတ်လမ်းညွှန်ချက်များ။ PLoS Biol 2020;18:e3000410။ အရင်းအမြစ်

[2] Percie du Sert N, Ahluwalia A, Alam S, et al. တိရစ္ဆာန်သုတေသနအစီရင်ခံခြင်း- ARRIVE လမ်းညွှန်ချက် 2.0 အတွက် ရှင်းလင်းချက်နှင့် အသေးစိတ်ဖော်ပြချက်။ PLoS Biol 2020;18:e3000411။ အရင်းအမြစ်

[3] NC3Rs စမ်းသပ်ဒီဇိုင်းလက်ထောက်။ စမ်းသပ်ဆဲယူနစ်။ အရင်းအမြစ်

ဆက်စပ် သတင်း

HkeyBio သည် အာရှ၊ အမေရိက၊ ဥရောပနှင့် ဩစတေးလျတို့ရှိ ပေါင်းစည်းထားသော ဝန်ဆောင်မှုကွန်ရက်ဖြင့် autoimmune နှင့် ဓါတ်မတည့်သောရောဂါများအတွက် သီးသန့်ရည်ရွယ်ထားသော တရုတ်အခြေစိုက်၊ တစ်ကမ္ဘာလုံးအာရုံစိုက်ထားသော preclinical CRO ဖြစ်သည်။

ကြှနျုပျတို့ကိုဆကျသှယျရနျ

ဖုန်း : +1 2396821165 / +86-512-67485716
အီးမေးလ်- tech@hkeybio.com 
Suzhou HQ: 388 Xinping လမ်း၊ Suzhou စက်မှုပန်းခြံ၊ Jiangsu၊ တရုတ်နိုင်ငံ 
ရှန်ဟိုင်း- 489 Yunchuan လမ်း၊ Baoshan၊ ရှန်ဟိုင်း၊ တရုတ် 
နန်နင်း- Fazhan Avenue၊ Xixiangtang၊ Nanning၊ Guangxi၊ China 
Boston: 134 Coolidge Ave၊ Suite 2၊ Watertown၊ MA 02472၊ USA Melbourne: 432 St Kilda Rd၊ Melbourne၊ VIC 3004၊ Australia

အမြန်လင့်ခ်များ

ကျွန်ုပ်တို့၏သတင်းလွှာအတွက် စာရင်းသွင်းပါ။

မူပိုင်ခွင့် © 2026 HkeyBio။ မူပိုင်ခွင့်ကိုလက်ဝယ်ထားသည်။  ဆိုက်မြေပုံ | ကိုယ်ရေးအချက်အလက်မူဝါဒ