亚洲美女国产精品久久久久久久久-国模三级-av成人在线免费观看-亚洲www-国产精品午夜无码av体验区-中文字幕乱码无码人妻系列蜜桃-好爽又高潮了毛片-欧美性受xxxx白人性爽-久久国产精品成人片免费-亚洲成a人片在线播放-亚洲 欧美 动漫 少妇 自拍-国产精品jk白丝在线播放-国产三级一区二区-国产精品爽爽久久-男女草逼视频-亚洲热在线观看-蜜桃日本免费观看mv-国产精品一级二级三级-日本一二三区不卡-日本xxx在线观看

Your Good Partner in Biology Research

資源|腫瘤數據庫匯總(收藏級)

日期:2019-08-22 09:44:20


\

 

現如今,隨著人們生活方式和環境的改變,惡性腫瘤已經成為疾病死亡病因之一。 腫瘤在全球呈現發病率增高,以及發病年齡年輕化的趨勢。 2019年 A Cancer Journal For Clinicians 雜志發布了最新的數據。 該報告估計, 2019年美國將有1,762,450例新的癌癥病例和606,888例與癌癥相關的死亡。

 

傳統化療是對抗癌癥的常見方法,但它會攻擊全身,造成不必要的副作用,如脫發,惡心和疲勞。 靶向治療選擇性地殺死癌細胞而不影響健康組織。 靶向藥物開發將成為治療癌癥的重要手段。

 

 

 

 

 

高通量檢測技術迅速發展,使得與腫瘤相關的組學數據迅速積累。 這些數據對于研究腫瘤的發生發展機制具有重要意義。 對數據的挖掘能夠確定許多與疾病有關的基因,為治療和發病機制的研究提供新的思路。 如何有效利用和存儲這些信息就顯得尤為重要。 腫瘤的生物信息學數據庫 的建立提供了有效的解決方案,對腫瘤基礎研究的發展、臨床治療水平的提高具有極大的推動作用。

 

\

 

 


以下是小編為大家整理的一些腫瘤相關的數據庫分類和大致信息:
1.綜合性腫瘤數據庫
2.腫瘤基因組數據庫
3.腫瘤DNA甲基化數據庫
4.腫瘤轉錄組數據庫
5.腫瘤蛋白組數據庫
6.腫瘤相關基因的數據庫
7.腫瘤與藥物數據庫

 

 

 

 

綜合性腫瘤數據庫

 \

 

 

1.1 canEvolve [1]
canEvolve存儲的信息包括: 基因、microRNA (miRNA)和蛋白質表達譜、多種癌癥類型的拷貝數變化(CNAs)以及蛋白質-蛋白質相互作用信息。

1.2 cBioPortal for Cancer Genomics(cBioPortal) [2]
cBioPortal for Cancer Genomics是一個癌癥基因組數據探索、可視化及分析平臺,可用于多個癌癥基因組學數據集的交互式探索。
該數據庫可提供CNA、基因突變信息。 針對每個基因,它可給出多個信息,主要包括: 基因的CAN信息、基因突變在樣本中的分布、突變位點和頻率、共表達基因以及生存曲線等。 對于用戶提供的基因列表,還可生成互作網絡并提供已知的相互作用的藥物。
cBioPortal 在發現腫瘤相關突變、分析基因的生物學功能以及藥物選擇等方面的研究中具有重要推進作用。
\
△ cBioPortal數據庫的主頁

1.3 Cancer Genome Anatomy Project(CGAP) [3]
CGAP網站 主要提供了cDNA克隆、文庫、基因表達、SNP以及基因組變異等信息。 CGAP收集的數據包括正常組織、前癌組織以及癌細胞的基因表達水平。

1.4 Cancer Genomics Hub (CGHub) [4]
CGHub 是美國國家癌癥研究所(NCI)測序項目的在線存儲庫,其數據來源包括癌癥基因組圖譜(TCGA)、癌癥細胞系百科全書(CCLE)和產生有效治療(目標)項目的治療應用研究(TARGET)3個國家癌癥協會項目,數據來自25種不同類型的癌癥。

1.5 Cancer Genome Work Bench (CGWB) [5]
CGWB 提供了一系列工具來挖掘、整合以及可視化TCGA等數據庫中的基因組和臨床數據,它是第一個將臨床腫瘤突變譜與參考人類基因組整合在一起的計算平臺。 用戶可快速地比較患者臨床信息與基因組的變異及甲基化等。

1.6 Catalogue of Somatic Mutations inCancer (COSMIC) [6]
COSMIC 是世界上最大最全面的有關腫瘤的體細胞突變以及其影響的資源庫。 它主要提供多種腫瘤細胞基因組中的CNA、甲基化、基因融合、SNP及基因表達等信息。 這些突變信息是從科學文獻中手工整理的。
\

1.7 InternationalCancer Genome Consortium (ICGC) [7]
ICGC 的目標是獲取包括膽道癌、膀胱癌、血癌等多達50種腫瘤及其亞型的基因組、轉錄組和表觀遺傳的全部信息。 這些數據可促進癌癥的機理和治療研究。

1.8 The Cancer Genome Atlas (TCGA) [8]
TCGA 是由美國國立癌癥研究所(NCI)和國家人類基因組研究所資助,關注與癌癥的發生和發展相關的分子突變圖譜。
該數據庫主要對樣本進行外顯子組和基因組測序分析,所提供的數據包括: 基因組拷貝數變化、表觀遺傳、基因表達譜、miRNA等。
\

1.9 UCSC Cancer Genomics Browser [9]
UCSCCancer Genomics Browser 是一個可以對癌癥基因組學和臨床數據進行整合、可視化、分析的網絡分析工具。 它保存癌癥基因組及臨床數據并收集了樣本的多種信息,包括基因表達水平、CNA、通路信息等。 在UCSC的癌癥基因組瀏覽器中,可實現不同樣本以及癌癥類型之間的比較,分析基因組變異與表型之間的相關性。

 

 

 

 

腫瘤基因組數據庫

 

腫瘤細胞的基因組中都存在著大量的變異,主要包括染色體結構的變異、CNA、基因融合以及SNP等。 拷貝數改變(CNAs)在很大程度上有助于癌癥發病機制和進展。 腫瘤基因組數據庫匯總如表2所示。

 

 

\

2.1 ArrayMap [10]
ArrayMap 提供預處理過的腫瘤基因組芯片數據以及CNA圖譜。 在ArrayMap數據庫中,用戶可搜索自己感興趣的樣本,并在此基礎上分析感興趣的基因或基因組片段上的CNA; 用戶還可以比較兩個樣本之間的CNA的差異。

2.2 BioMuta [11]
BioMuta 數據庫存儲了癌癥細胞中基因的非同義單核苷酸變異,這些突變會影響基因的正常功能。 BioMuta中的數據來源于COSMIC、ClinVar、UniProtKB以及一些文獻中。 用戶可搜索感興趣的基因,獲得該基因在癌細胞中的突變位點及其分布頻率。
\

2.3 Cancer GEnome Mine (CanGEM) [12]
CanGEM 是一個公共的數據庫,用于存儲定量微陣列數據和臨床腫瘤樣本數據。 它主要利用ArrayCGH芯片來發掘基因的拷貝數變異。

2.4 Cancer Genome Project (CGP) [13]
CGP提供了腫瘤中的CNA及基因型信息,該數據庫的主要目標是利用人類基因組序列和高通量的突變檢測技術識別體細胞突變,進而發現人類腫瘤發生過程中重要的基因。 該數據庫還提供了一些識別突變、CNA的軟件,如BioView、GRAFT等。
\

 

腫瘤DNA甲基化數據庫

 

 

DNA甲基化修飾是表觀遺傳學的一種重要形式,它調節基因的轉錄水平,對維持細胞的正常功能起著重要作用。 DNA甲基化模式的改變可能導致癌癥。 腫瘤DNA甲基化數據庫匯總如表3所示。

 

 

\

3.1 DiseaseMeth [15]  
DiseaseMeth 是一個人類疾病甲基化數據庫,其重點是對各種疾病的DNA甲基化數據集進行有效的存儲和統計分析。 它涉及的疾病包括癌癥、神經發育和退行性疾病、自身免疫疾病等。 在DiseaseMeth中可以比較疾病與疾病之間、基因與基因之間以及疾病與基因之間的甲基化關系。
\


3.2 MENT [16]
MENT 數據庫收集和整合了來自GeneExpression Omnibus(GEO)和TCGA的DNA甲基化、基因表達水平數據,同時將DNA甲基化和基因表達水平關聯起來。

3.3 MethHC[17]  
MethHC 是一個集成數據庫,包含大量DNA甲基化數據和mRNA/microRNA在人類癌癥中的表達譜。 這些數據可以幫助研究人員確定表觀遺傳模式。

3.4 MethyCancer [18]  
該數據庫擁有來自公共資源的高度整合的DNA甲基化數據、癌癥相關基因、突變和癌癥信息,以及我們大規模測序得到的CpGIsland (CGI)克隆。 MethyCancer可用于研究DNA甲基化、基因表達與癌癥的相互作用。

 


除了上述針對癌癥基因組甲基化的數據庫外,還有一些數據庫搜集和整理更為廣泛的甲基化數據,如MethDBNGSmethDB

MethDB 是較早的DNA甲基化數據庫,主要集中于環境因子對甲基化的影響;

NGSmethDB 基于高通量測序數據,最近更新中還包含了SNP信息,以便后續分析。

 

腫瘤轉錄組數據庫

 

 

腫瘤細胞具有較強的生長和繁殖能力,生命活動旺盛,因此與正常細胞相比,基因的轉錄水平和模式也存在較大的差異。

 

 

\

4.1 ArrayExpress [19]
ArrayExpress 是基于微陣列和高通量測序(HTS)的功能基因組實驗的主要知識庫之一。 ArrayExpress中的所有數據都以MAGE-TAB格式提供。

4.2 ChiTaRS [20]
ChiTaRS 數據庫包含嵌合轉錄本和RNA-Seq數據。 ChiTaRS嵌合轉錄本和RNA-Seq數據數據庫是由GenBank、ChimerDB、dbCRID、TICdb和其他用于人類、小鼠和蒼蠅的數據庫的表達序列標記(ESTs)和mRNA識別的嵌合轉錄本集合。

4.3 Gene Expression Omnibus (GEO) [21]
GEO 是由美國國家生物技術信息中心(NCBI)建立的,其最初的目標是作為一個公共存儲庫,存儲主要由微陣列技術生成的高通量基因表達數據。 此外,該數據庫還包括比較基因組分析、描述基因組蛋白相互作用的染色質免疫沉淀分析、非編碼RNA分析、SNP基因分型和基因組甲基化狀態分析。

4.4 miRCancer [22]
miRCancer 基于從文獻中提取的結果,提供了較為全面的miRNA集合以及它們在多種腫瘤中的表達情況。 所有miRNA的癌變關聯都是在自動提取后手動確認的。

4.5 Oncomine [23]
Oncomine 主要提供癌癥轉錄組數據。 它可提供基因在腫瘤樣本和正常樣本間、腫瘤樣本和腫瘤樣本間、正常樣本和正常樣本間的差異表達、基因表達譜、共表達基因等信息。

4.6 OncomiRDB [24]
OncomiRDB 主要收集和注釋通過實驗驗證的對癌癥具有促進或抑制作用的miRNA信息。 該數據庫的所有數據是通過人工收集和整理。

4.7 SomamiR [25]
SomamiR 數據庫集成了多種類型的數據,用于研究體細胞和種系突變對癌癥中miRNA功能的影響。 該數據庫主要收集miRNA及其靶序列上的突變。 另外,數據庫還提供了存在miRNA靶序列體細胞突變與腫瘤相關的基因及其參與的通路。
\

 

 

 

 

腫瘤蛋白組數據庫

 

 

蛋白是生命活動的主要承擔者,蛋白結構變異、蛋白修飾的改變以及蛋白含量的變化等導致細胞的生長和代謝變化是腫瘤發生的重要因素。

 

\

5.1 Cancer3D [26]
Cancer3D 數據庫整合了來自TCGA和CCLE的體細胞錯義突變信息,在蛋白結構水平上分析其對蛋白功能的影響。 該數據庫通過e-Driver和e-Drug兩種算法,幫助用戶分析突變的分布模式及其與藥物活性變化的關系。

5.2 CancerPPD [27]
CancerPPD 是一個抗癌肽(ACPs)和抗癌蛋白的儲存庫,在設計基于肽的抗癌療法中非常有用。 在CancerPPD中,針對每個條目,都有其詳細的注釋信息,如肽的來源、肽的性質、抗癌活性、N-和C-末端修飾、構象等。 除了天然肽,CancerPPD還含有非天然的、經過化學修飾的殘基肽和D-氨基酸。 CancerPPD還整合了一些基于web的工具,包括關鍵字搜索、數據瀏覽、序列和結構相似性搜索。

5.3 Cancer Proteome Variation Database(CanProVar) [28]
CanProVar 數據庫整合了來自各種公共資源的蛋白質序列變異信息,重點是癌癥相關的變異,CanProVar中的數據主要來源于TCGA、COSMIC、OMIM、HPI等數據庫以及一些文獻研究。 在該數據庫中,用戶可在網站中搜索特定蛋白或者某種腫瘤,獲取蛋白的突變情況,在結果頁面會給出蛋白的基本信息、GO注釋以及相關的研究文獻。

5.4 ClinicalProteomic Tumor Analysis Consortium (CPTAC) [29]  
CPTAC 整合了基因組和蛋白組的數據,旨在識別和描述腫瘤組織和正常組織中的全部蛋白,發掘可作為腫瘤生物標記的候選蛋白。

5.5 DbDEPC [30]
DbDEPC 是一個專門收集腫瘤樣本中出現的差異表達蛋白的數據庫。 在該數據庫中,你可以了解你所感興趣的蛋白質是否在某些癌癥中發生了變化。

 

 

 

腫瘤相關基因數據庫

 

 

 

\

 

 

 

6.1 DriverDB
DriverDB 收集了來自TCGA、ICGC、TARGET等數據庫的大量exome-seq數據,并根據不同方面提供突變信息的可視化。 這些可視化結果將有助于用戶快速了解驅動基因之間的關系。
\

6.2 Networkof Cancer Genes (NCG) [31]  
癌癥基因網絡(NCG )致力于收集關于人工篩選的已知和候選癌癥基因的信息。 針對每個基因,用戶可獲得與該基因相關的功能和疾病注釋信息、突變信息、表達譜、miRNA及蛋白互作關系等,還可以可視化miRNA調控關系和蛋白互作網絡。

6.3 TP53MULTLoad [32]
TP53MULTLoad 是一個人工收集的有關TP53突變和突變體資源中心,包含了 UMDTP53 數據庫以及與 TP53 有關的信息。 它既可以作為一個容易操作的平面文件,也可以作為一個新的多平臺分析軟件,用于分析TP53突變的各個方面。

 

 

 

腫瘤與藥物數據庫

 

 

 

\

7.1 CancerDR[33]
耐藥性是腫瘤治療的一大障礙,藥物靶點突變是產生獲得性耐藥的主要原因之一。 對這些藥物靶點突變的充分了解將有助于設計有效的個性化治療。 CancerDR是一種針對癌癥治療的個性化藥物的嘗試。 CancerDR 收集了148種抗癌藥物以及它們在952種細胞系中的藥理狀況。

7.2 CancerResource [34]
CancerResource 通過文獻挖掘以及整合多種數據源的方式收集并發現了大量化合物及其靶點的信息。 通過CancerResource數據庫,你可以得到包含化合物與靶標的詳細信息、表達圖譜及相關數據來源鏈接等。
\

7.3 canSAR [35] 
canSAR 整合ArrayExpress、UniProt、COSMIC等11種數據源的數據。 它是一個支持癌癥轉化研究和藥物發現的公共癌癥綜合知識庫。 該數據庫包含了包括生物學、藥理學、化學、結構生物學和蛋白質相互作用網絡等多種類型的數據。

 

 

 

7.4 Genomics of Drug Sensitivity inCancer (GDSC) [36]
GDSC 是關于癌癥細胞藥物敏感性和藥物反應分子標記的數據庫,GDSC提供了一個獨特的資源,結合了大的藥物敏感性和基因組數據集,以促進發現新的治療生物標志物的癌癥治療。 該數據庫中的癌基因組突變信息包括癌基因點突變、基因擴增與丟失、組織類型以及表達譜等。

7.5 Platinum [37]  
Platinum 是一個廣泛收集耐藥性信息的數據庫,是為了研究和理解錯義突變對配體與蛋白質組相互作用的影響而開發的。 該數據庫包含超過1000種蛋白配體復合物的三維結構突變,以及這些突變對其親和力的影響。 Platinum數據庫將蛋白質結構突變與配體的親和力關聯起來,有助于研究由突變引起的疾病耐藥性。

 

 

 

參考文獻

[1] Samur M K, Yan Z, Wang X, et al. canEvolve: A Web Portal for Integrative Oncogenomics [J]. PLOS ONE, 2013, 8.

[2] Gao J, Aksoy B A, Dogrusoz U, et al. Integrative Analysis of Complex Cancer Genomics and Clinical Profiles Using the cBioPortal [J]. Science Signaling, 2013, 6(269): pl1-pl1.

[3] Strausberg R L, Buetow K H, Emmert-Buck M R, et al. The Cancer Genome Anatomy Project: building an annotated gene index [J]. Trends in Genetics Tig, 2000, 16(3): 103-106.

[4] Wilks C, Cline M S, Weiler E, et al. The Cancer Genomics Hub (CGHub): overcoming cancer through the power of torrential data [J]. Database, 2014.

[5] Zhang J, Finney R P, Rowe W, et al. Systematic analysis of genetic alterations in tumors using Cancer Genome WorkBench (CGWB) [J]. Genome Research, 2007, 17(7): 1111-1117.

[6] Forbes S A, Beare D, Gunasekaran P, et al. COSMIC: exploring the world’s knowledge of somatic mutations in human cancer [J]. Nucleic Acids Research, 2015, 43(D1): D805-D811.

[7] Banks R, LopezOtín, Carlos. International network of cancer genome projects [J]. Nature, 2010, 464(7291): 993-998.

[8] Chang K, Creighton C J, Davis C, et al. The Cancer Genome Atlas Pan-Cancer analysis project [J]. Nature Genetics, 2013, 45(10): 1113-1120.

[9] Benz S C, Craft B, Szeto C, et al. The UCSC Cancer Genomics Browser: update 2011 [J]. Nucleic Acids Research, 2013, 43(Database issue): 812-7.

[10] Cai H, Gupta S, Rath P, et al. ArrayMap 2014: An updated cancer genome resource [J]. Nucleic Acids Research, 2014, 43(D1).

[11] Wu T J, Shamsaddini A, Pan Y, et al. A framework for organizing cancer-related variations from existing databases, publications and NGS data using a High-performance Integrated Virtual Environment (HIVE) [J]. Database, 2014, 2014: bau022-bau022.

[12] Scheinin I, Myllykangas S, Borze I, et al. CanGEM: mining gene copy number changes in cancer [J]. Nucleic Acids Research, 2007, 36(Database): D830-D835.

[13] Cao Q, Zhou M, Wang X, et al. CaSNP: a database for interrogating copy number alterations of cancer genome from SNP array data [J]. Nucleic Acids Research, 2011, 39(Database issue): D968.

[14] Timms B. Cancer genome project to start [J]. European Journal of Cancer, 2000, 36(6): 687.

[15] Lv J, Liu H, Su J, et al. DiseaseMeth: a human disease methylation database [J]. Nucleic Acids Research, 2012, 40(Databaseissue): 1030-5.

[16] Baek S J, Yang S, Kang T W, et al. MENT: Methylation and expression database of normal and tumor tissues [J]. Gene, 2013, 518(1): 194-200.

[17] Huang W Y, Hsu S D, Huang H Y, et al. MethHC: a database of DNA methylation and gene expression in human cancer [J]. Nucleic Acids Research, 2015, 43(D1): D856-D861.

[18] He X, Chang S, Zhang J, et al. MethyCancer: the database of human DNA methylation and cancer [J]. Nucleic Acids Research, 2008, 36(Database issue): D836-841.

[19] Kolesnikov N, Hastings E, Keays M, et al. ArrayExpress update--simplifying data submissions [J]. Nucleic Acids Research, 2015, 43(D1): D1113-D1116.

[20] Frenkel-Morgenstern M, Gorohovski A, Vucenovic D, et al. ChiTaRS 2.1--an improved database of the chimeric transcripts and RNA-seq data with novel sense-antisense chimeric RNA transcripts [J]. Nucleic Acids Research, 2015, 43(D1): D68-D75.

[21] Barrett T, Troup D B, Wilhite S E, et al. NCBI GEO: archive for functional genomics data sets - 10years on [J]. Nucleic Acids Research, 2012, 39(D1).

[22] Xie B, Ding Q, Han H, et al. miRCancer: a microRNA-cancer association database constructed by text mining on literature [J]. Bioinformatics, 2013, 29(5): 638-644.

[23] Rhodes D R, Kalyana-Sundaram S, Mahavisno V, et al. Oncomine 3.0: Genes, Pathways, and Networks in a Collection of 18,000 Cancer Gene Expression Profiles [J]. Neoplasia, 2007, 9(2): 166-180.

[24] Wang D, Gu J, Wang T, et al. OncomiRDB: a database for the experimentally verified oncogenic and tumor-suppressive microRNAs [J]. Bioinformatics, 2014, 30(15): 2237-2238.

[25] Bhattacharya A, Ziebarth J D, Cui Y. SomamiR: A database for somatic mutations impacting microRNA function in cancer [J]. Nucleic Acids Research, 2012, 41(Database issue).

[26] Porta-Pardo E, Hrabe T, Godzik A. Cancer3D: understanding cancer mutations through protein structures [J]. Nucleic Acids Research, 2015, 43(D1): D968-D973.

[27] Tyagi A, Tuknait A, Anand P, et al. CancerPPD: a database of anticancer peptides and proteins [J]. Nucleic Acids Research, 2015, 43(D1): D837-D843.

[28] Li J, Duncan D T, Zhang B. CanProVar: a human cancer proteome variation database [J]. Human Mutation, 2010, 31(3): 219-228.

[29] Ellis M J, Gillette M, Carr S A, et al. Connecting genomic alterations to cancer biology with proteomics: The NCI clinical proteomic tumor analysis consortium [J]. Cancer Discovery, 2013, 3(10): 1108-1112.

[30] He Y, Zhang M, Ju Y, et al. dbDEPC 2.0: updated database of differentially expressed proteins in human cancers [J]. Nucleic Acids Research, 2012, 40(D1): D964-D971.

[31] An O, Pendino V, D’Antonio M, et al. NCG 4.0: the network of cancer genes in the era of massive mutational screenings of cancer genomes [J]. Database, 2014, 2014: bau015-bau015.

[32] Leroy B, Fournier J L, Ishioka C, et al. The TP53 website: an integrative resource centre for the TP53 mutation database and TP53 mutant analysis [J]. Nucleic Acids Research, 2013, 41(Database issue): D962.

[33] Kumar R, Chaudhary K, Gupta S, et al. CancerDR: Cancer Drug Resistance Database [J]. Scientific Reports, 2013, 3: 1445.

[34] Ahmed J, Meinel T, Dunkel M, et al. CancerResource: a comprehensive database of cancer-relevant proteins and compound interactions supported by experimental knowledge [J]. Nucleic Acids Research, 2011, 39(Database issue): 960-7.

[35] Bulusu K C, Tym J E, Coker E A, et al. canSAR: updated cancer research and drug discovery knowledgebase [J]. Nucleic Acids Research, 2014, 42(D1): D1040-D1047.

[36] Yang W, Soares J, Greninger P, et al. Genomics of Drug Sensitivity in Cancer (GDSC): a resource for therapeutic biomarker discovery in cancer cells [J]. Nucleic Acids Research, 2013, 41(Database issue): D955.

[37] Pires D E V, Blundell T L, Ascher D B. Platinum: A database of experimentally measured effects of mutations on structurally defined protein-ligand complexes [J]. Nucleic Acids Research, 2014, 43(D1).

 

 

腫瘤數據庫合輯(附網址)EXCEL免費下載,

關注“武漢華美生物”官方微信,后臺回復: “腫瘤數據庫”

  

—END—

——華美生物·讓科研變得有溫度! ——

 

●●●
收藏|高分SCI論文必備指南
收藏|15個論文必備網站匯總
資源|這幾個下載文獻資料的網站,非常強大!
工具|科研人都pick的小工具,計算3秒搞定!
Nature重磅: 獵殺癌細胞基因名單發布! 揭秘628個抗癌藥物靶點

必讀|神刊CA(IF=244.59)再次發文-2019美國癌癥數據速讀

必讀|影響因子排名第一(IF244.59)神刊CA-2018全球癌癥最新統計數據

必讀|WHO發布最新預防癡呆癥指南-如何早預防?

央視報道|華中地區首個膜蛋白諾貝爾獎工作站落戶武漢華美生物

新品推介|高活性EGFR重組蛋白

新品推介|新興治療靶點BCMA