- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
Science | SARS-CoV-2和SARS-CoV受体结合域中高度神秘保守的抗原表位
77%，如此高的序列相似性增加了SARS-CoV-2和SARS-CoV之间的引起交叉反应（两种来源不同的抗原，彼此之间可以有相同的抗原决定簇，由此决定簇产生的抗体不仅可分别与其自身表明的相应抗原表位结合 ，而且还能与另一种抗原的相同表位结合发生反应）的抗原表位存在的可能性。 2和SARS-CoV中都保留了，表位位点的高保守性解释了CR3022的交叉反应，尽管如此，CR3022结合SARS-CoV RBD的能力高于其结合SARS-CoV-2的RBD，这种差异可能是由于两者抗原表位上的非保守的氨基酸位点 SARS-CoV-2与SARS-CoV具有相同的宿主受体ACE2，CR3022的抗原表位与ACE2结合位点不重叠（图3），这意味着CR3022中和SARS-CoV的机制不依赖于直接阻断受体结合；事实上， ，已经报道的就有流感病毒、疱疹病毒、登革热病毒等，故CR3022抗原表位有可能在生物体内具有辅助效果；抗原表位的可用性不仅可以用于SARS-CoV-2的疫苗设计，还可以用于应对未来冠状病毒流行病和传染病对应的交叉保护抗体的设计
79870发布于 2021-02-01 - 来自专栏DrugOne
arXiv | 预测抗体抗原结合位点的神经消息传递模型
抗体-抗原相互作用中的结合位点分别称为互补位和表位，本文认为互补位和表位的预测器需要不对称处理，因为互补位是高度连续的，可以很好地单独预测，而表位本质上是结构性的，并且固有地受互补位的制约。 由此提出了不同的神经信息传递架构Para-EPMP和Epi-EPMP，分别针对互补位和表位特定方面的预测。本文在这两个任务上的都得到了显著的提升效果，并进行了covid-19相关的抗原的定性预测。 本文将抗体的互补位和相应抗原的表位预测转化为一个二元分类问题：对于抗体和抗原中的每个氨基酸残基，它们分别参与了结合吗？ 图2 Epi-EPMP多任务体系结构 表位模型 表位模型结构图如图2所示，是一个只利用结构信息的模型。 这个表位模型可以同时预测抗原和抗体的结合氨基酸。 ? 表1表位预测为基准的模型 结果 多任务不对称预测器的结果如表1所示，明显优于目前其他的先进技术。
1.6K60发布于 2021-07-05 - 来自专栏生信修炼手册
HLA Epitope Registry-HLA抗原表位数据库
抗原表位指的是抗原分子中决定抗原特异性的特殊化学基因，抗原通过抗原表位与对应的抗原受体想结合，从而引起免疫应答反应。 一个抗原分子可以含有多个抗原表位，抗原表位的性质，数目和空间结构决定了抗原的特异性。 多种抗原分子之间会存在共有的抗原表位，由这些共同的抗原表位刺激机体而产生的抗体可以与多种抗原分子相结合，这种想象叫做交叉反应。 HLA Epitope Registry 是一个在线的数据库，存储了HLA Allel 对应的抗原表位信息。 ,其他则为provisional; 第六列表示抗原表位的结构，第七列表示Luminex 芯片中对应的HLA Allel; 第八列表示抗原表位对应的所有的Allel。
1.3K50发布于 2020-05-11 位逻辑计算真值表
1变成0，0变成1 ---- 异或：^ : (相同的就为0，不同的为1) 真值表; 1 ^ 0 1 1 ^ 1 0 0 ^ 0 0 0 ^ 1 1 ---- 很久之前的知识，最近使用居然忘了
94720发布于 2020-12-30- 来自专栏DrugOne
. | 宋江宁团队合作开发CD8+ T细胞受体识别抗原表位的预测新方法
准确、高通量地识别与特定抗原表位结合的TCR能够帮助理解 T细胞免疫反应的机制，并支持开发基于TCR的免疫疗法。 然而，现有方法大多仅关注TCRβ链上的互补决定区3（CDR3），并且在预测新生抗原（neoantigen）或不常见的抗原表位时效果并不理想。 EPACT模型整合了成对的αβ T细胞受体、抗原表位和人类白细胞抗原（HLA）的输入，输出TCR和抗原表位-MHC的结合特异性以及CDR区域和表位间氨基酸残基水平的相互作用。 在TCR-pMHC复合物的三维结构数据上进行微调后，EPACT通过CDR和抗原表位氨基酸水平特征的外积和二维卷积层预测了两者间的距离矩阵和接触位点，不仅更准确地识别了TCRβ链上CDR3区域和抗原表位的结合热点 图 1 CD8+ T细胞受体识别抗原表位预测方法EPACT的模型框架和应用场景。
58610编辑于 2024-11-23 - 来自专栏从零开始的Code生活
LeetCode 找不同(位运算)(哈希表)
思路 方法1：位运算 ^运算符：0与任何数ch做^运算都是ch 相同字符异或为0 因为t中的字符是s + ch，所以s与t做异或剩下的就是ch class Solution { public: 0; for(char c : s + t) { res ^= c; } return res; } }; 方法2：哈希表 把s中所有元素存到一个哈希表mpS里，t中所有元素存到一个哈希表mpT里 然后比较两个哈希表每个元素个数，不一样的就是题目所求 char findTheDifference(string s, string
40410编辑于 2022-01-13 - 来自专栏逆向技术
64位内核开发第四讲,查看SSDT表与showSSDT表
SSDt表与ShadowSSDT表的查看. 一丶SSDT表 1.什么是SSDT表 SSDT表示系统服务表,我们ring3调用的很多函数都会调用这个SSDT表 2.查看步骤 1.使用 x命令 前提需要加载好符号. x nt! 首先可以看选中的位置.这个是SSDT表的起始地址. 后面*0x11C 是这个表的个数 我们可以使用dds命令来查看这个表. 二丶ShadowSSDT表 1.什么是ShadowSSDT表 ring3的所有GUI会调用的到这个表格中. 2.如何查看. 不管是SSDT还是shodowSSDT表.都是有这个表的大小. 在32位下.函数地址是4个字节. 所以用表的大小 / 4 = 函数个数. ? 这个表中的函数都是做绘图用的.
2.5K30发布于 2019-06-14 - 来自专栏DrugOne
Sci. Adv. | AbEpiTope-1.0：结合AlphaFold与反向折叠提升抗体靶点预测精度
抗体药物的功能依赖于其识别抗原表位的能力。传统表位预测软件在面对天然结构未知或无抗体共晶结构的新抗原时，表现仍不理想。 抗体作为治疗性药物的核心工具，其特异性和亲和力主要由其结合抗原的“表位”所决定。因此，准确预测抗体识别的抗原表位，是疫苗设计、抗体药物开发与免疫应答机制研究中的关键任务。 预测抗体特异性需求：许多工具侧重于泛化表位预测，而非具体抗体–抗原对之间的个性化识别。 输出每个抗原残基作为表位的概率。 这一部分结果证明：AbEpiTope-1.0 具有良好的泛化能力，可拓展至尚无实验结构的新型抗原上进行表位预测与抗体筛选。
26721编辑于 2025-07-16 - 来自专栏智药邦
Nature npj｜机器学习在疫苗靶标选择中的开发和应用
图1 合理设计疫苗流程示意图(a)； 机器学习在疫苗靶标选择的任务中的应用：B和T细胞表位的发现[B细胞表位发现，抗原呈递的预测]和免疫原设计[抗原免疫原预测](b、d)；通过epitope-paratope B细胞表位识别 基于只有少数序列和结构属性可以确定某个残基是否可以为抗体结合位点的假设，很多B细胞表位发现的方法，主要应用基于特征的机器学习方法。 抗原免疫原性预测 免疫原性预测方法的最大AUROC为0.7，低于B细胞表位预测。主要缺点对机器学习模型中的特征的科学共识不清楚，比如与HLA的高亲和力和稳定性是否与高免疫相关，不太清楚。 图2 用于预测B细胞和T细胞表位-抗体相互作用的ML方法方案，仅使用TCR/抗体信息(a、b) vs TCR/抗体-抗原对；序列(a,c) vs 基于结构(b、d)。 基于序列的TCR表位特异性预测方法揭示了一些趋势： 数据集比特定的模型架构更能决定性能，不同方法的泛化能力在各种抗原之间是一致的。 基于TCR序列相似性预测抗原特异性提供了良好的基线。
54811编辑于 2024-06-12 - 来自专栏DrugOne
. | 腾讯 AI Lab 推出结构驱动计算流程，实现表位特异性抗体的全新设计
DRUGONE 精准预测抗体–抗原复合物结构对于抗体治疗开发至关重要，但传统抗体发现仍依赖动物免疫或库筛选，效率低且难以针对特定表位。 研究人员构建 tFold System，整合抗体结构预测（tFold-Ab）、抗体–抗原复合物预测（tFold-Ag）、结构引导的虚拟筛选，以及表位特异性抗体的 de novo 设计。 图2：tFold System 展示了按预期靶向抗原表位的多样化抗体设计能力。 Flu A：设计抗体与已知广谱抗体 FluA-20 在表位上呈竞争关系，说明成功捕获其关键抗原决定簇。 结构叠合进一步显示设计抗体的结合面位置与靶向表位高度一致。 仍需提升的方面包括： 对“真结合–不结合”区分度有限； 对序列微变与抗原突变的敏感度不足； 对纳米抗体与复杂抗原体系预测尚不够稳健； 对训练数据中未出现过的特殊表位预测存在困难。
34210编辑于 2025-12-17 单细胞空间--抗原呈递癌症相关成纤维细胞生态位的单细胞分辨率空间分析
apCAFs以表达人类白细胞抗原II类（HLA-II，人源）或主要组织相容性复合体II类（MHC-II，鼠源）分子为特征，能有效呈递抗原并调控T细胞反应。 结果4、F-抗原呈递癌症相关成纤维细胞生态位的空间分析为在单细胞分辨率下解析apCAFs的空间分布及相关生态位，采用Xenium原位高通量空间成像平台，基于已构建的单细胞RNA测序图谱定制了包含480个基因的探针 结果5、M-抗原呈递癌症相关成纤维细胞生态位的空间分析与F-apCAFs相比，M-apCAFs呈现更强的环境依赖性空间分布特征。 ，以及基质富集、血管富集和肿瘤富集生态位。 结果6、M-抗原呈递癌症相关成纤维细胞在胰腺导管腺癌中与SPP1阳性生态位相关研究通过整合单细胞RNA测序与高分辨率空间成像技术，系统解析了抗原呈递癌症相关成纤维细胞（apCAFs）的异质性起源与空间分布特征
38821编辑于 2025-10-05- 来自专栏机器之心
能不受约束地生成抗体-抗原结构，指导用于抗体特异性预测的机器学习方法
抗体通过三维 (3D) 结合界面以高特异性结合外来分子（抗原），该界面由抗体侧的互补位和抗原侧的表位决定。抗体 CDRH3（重链的互补决定区三）区域主要对互补位有贡献。 特别是，预测抗体-抗原对的 3D（构象）互补位或表位对于解决计算抗体和疫苗设计中长期存在的问题至关重要。 此类 ML 方法包括基于序列的互补位预测和互补位-表位链接预测，但结构信息的包含程度各不相同。如果有足够大的抗原（表位）特异性抗体数据集可用，则基于结构或序列的结合预测可能是可行的。 -抗原结合的高预测准确性：结合的二元和多类分类，以及互补位-表位预测。 图：参与抗体-抗原结合的互补位-表位对的 ML 预测。
73321编辑于 2023-03-29 - 来自专栏HyperAI超神经
疫苗研发新突破：北航团队提出病毒抗原免疫原性预测新方法 VirusImmu
结果显示，4 篇文献涉及的共 15 个表位中，有 14 个被 VirusImmu 预测为抗原，验证了 VirusImmu 对于病毒蛋白免疫原性预测的良好性能。 为了鉴定抗原表位，科研人员使用 17 种最流行的方法，包括 BCPred、免疫表位数据库 (IEDB) 服务器，从 pp220 蛋白中预测了 1,376 个 B 细胞线性表位候选。 科研人员采用严格的标准过滤出具有抗原性的表位，根据 VaxiJen≤1.3 的预测结果，剩下 29 个表位，其中 12 个表位被归类为非过敏原和非毒素。 VirusImmu 预测 12 个表位中的 8 个具有抗原性。 抗原 B 细胞表位与抗体结合的测量 为了确认 8 个表位与 ASFV 血清 IgG 抗体的结合，科研人员分别收集了 5 头 ASFV 感染猪和 5 头健康猪的混合血清。
1K10编辑于 2024-02-26 - 来自专栏全栈程序员必看
16位汇编指令_汇编语言指令表
AL/AX/EAX ) XADD 先交换再累加.( 结果在第一个操作数里 ) XLAT 字节查表转换. ── BX 指向一张 256 字节的表的起点, AL 为表的索引值 PUSHD 32位标志入栈. POPD 32位标志出栈. JS 符号位为 “1” 时转移. 3>循环控制指令(短转移) LOOP CX不为零时循环. STC 置进位标志位. CLC 清进位标志位. CMC 进位标志取反. STD 置方向标志位. CLD 清方向标志位. STI 置中断允许位. CLI 清中断允许位.
1.6K30编辑于 2022-11-01 抗原设计与合成服务｜定制抗原技术｜高效多肽合成
利用生物信息学工具，结合分子生物学数据，对目标蛋白进行线性和构象表位预测。 常用的抗原设计标准包括以下几个方面：免疫原性预测通过算法评估氨基酸序列中可能引发免疫应答的表位，重点考虑抗原决定簇的暴露性和疏水性，以确保其能被免疫系统有效识别。 结构信息结合结合蛋白的三维结构数据，识别表面暴露且稳定的表位，提高抗原在免疫系统中的可识别性。完成预测后，结合实验需求确定抗原的长度和修饰形式，如是否需要偶联载体或标签等。 SPPS利用树脂固定氨基酸，逐步合成目标序列，具备以下优势：高纯度与高效率合成周期短，适合20-50个氨基酸的短肽或表位片段。 A: 多肽抗原合成基于固相肽合成技术，适合短肽和表位设计，合成周期短，纯度高；重组抗原表达通过哺乳动物细胞或大肠杆菌表达系统，适合结构复杂、需正确折叠和修饰的蛋白。
18100编辑于 2025-07-29- 来自专栏纳米药物前沿
李亚平/王当歌Sci Adv：工程化自体肿瘤细胞疫苗在手术部位局部激活抗肿瘤免疫
与需要花费数月时间准备的基于新抗原的疫苗或过继细胞疗法不同，P-ATV可以在几天内轻松制造，并有效增强新表位特异性CD8 + T细胞，从而激活个性化免疫疗法。 在这项研究中，经过工程改造的ATV具有可行的生产程序和原位疫苗接种的肿瘤特异性胶凝特性，可以利用NIR激光有效地产生ROS，成熟的BMDC可以呈递多种肿瘤抗原，动员新表位特异性CTL ，可显着抑制残留肿瘤的复发 如先前报道，用合成肽或mRNA疫苗接种后可增强新表位特异性T细胞，从而在部分患者中实现持久的治疗。已经开发了多功能的纳米平台和支架来递送多种肿瘤特异性抗原，例如用于癌症免疫治疗的新抗原混合物。 自体肿瘤细胞不仅可以提供多种抗原来扩增多个T细胞，而且还可以引发新表位特异性T细胞用于个性化免疫治疗。 作为治疗个体患者的个性化方法的迫切需求，我们在目标部位动员新表位特异性CTL的疫苗接种策略通常可用于各种实体瘤的术后治疗。
1.3K20发布于 2021-02-04 - 来自专栏黄腾霄的博客
2018-9-17-64位和32位程序的注册表有什么不同
我们都知道对于windows应用来说，注册表是很重要的部分。所有的com组件和部分应用程序的运行都会依赖于注册表。 ---- 那么问题来了。我们的软件进程有x86和x64两个互不兼容的版本。 而软件的注册表位置（比如com组件的clsid）是固定的。那么对于这种情况该怎么确保找到对应版本的软件或dll路径呢？ 不同版本的注册表处理 对于这种情况，windows提供了在64位系统提供了对32位软件的注册表项目支持。 里面涵盖了同名软件的32位版本的相同注册表路径。只是区别在于对应的dll或者exe的物理路径换成了32位版本的路径。 ? 多版本软件注册表注意点 确认软件或者dll版本是否是64位和32位不兼容的 安装的电脑是否是64位电脑 在64位电脑下需要同时写64位（不带Wow6432Node节点）和32位版本(带Wow6432Node
93830发布于 2020-06-10 - 来自专栏纳米药物前沿
张良方AM：工程化细胞膜包裹纳米粒直接呈递肿瘤抗原促进抗肿瘤免疫
当缺乏这种特异性时，为免疫系统提供用于加工和呈递肿瘤抗原是刺激抗原特异性T细胞的一种常见策略。但经验表明，抗原呈递过程可能非常复杂，许多策略过于复杂无法实现临床转化。 与膜表面自然呈现的多肽表位结合，包含了促进肿瘤抗原特异性免疫反应所需的信号，启动了抑制肿瘤生长的T细胞。这一策略可用于开发多抗原、个性化的癌症免疫疗法。 作者基于肿瘤细胞上发现的抗原表位的直接呈递，构建了能够直接激活T细胞对抗肿瘤抗原的纳米级仿生平台。这是通过改造癌细胞来表达共刺激标记，以便利用其内源性抗原呈递机制来实现的。 一方面，仿生抗原呈递纳米颗粒的无生命性质消除了与患者来源细胞的衍生、操作和给药相关的担忧，这应该会简化制造和质量控制。另一方面，生物膜组件容易实现多种肿瘤抗原的呈递，而不需要相关表位的特定鉴定。 此外，已经有证据表明，脂质膜结构提供的流动性可以提高抗原呈递效率。
2.4K20发布于 2021-02-04 呼吸道合胞病毒（HRSVBRSV）核心抗原深度解析：Fusion蛋白、G蛋白及PreF3蛋白的科研试剂应用
2.生物学功能与抗原表位：激活后的F蛋白通过其融合肽插入宿主细胞膜，随后HR1和HR2发生构象重排，形成稳定的六螺旋束（6-HB）结构，这一过程像“拉链”一样将病毒膜与细胞膜拉近，驱动膜融合。 F蛋白表面存在多个重要的中和性抗原表位，特别是Ø位点（Site Ø，又称抗原位点II）和V位点（Site V），是绝大多数高效中和抗体（如帕利珠单抗）靶向的区域。 研究表明，最重要的中和表位（如Ø位点和V位点）在PreF构象中暴露最完整，免疫原性最强。因此，稳定F蛋白于PreF构象成为研发高效疫苗和抗体的关键。 技术特点与优势：PreF3蛋白作为科研试剂，其最大优势在于保持了天然PreF构象的抗原表位完整性。 疫苗免疫原性评估基准：作为阳性对照抗原，用于准确评估各种候选疫苗（如mRNA疫苗、病毒载体疫苗）所引发抗体对PreF表位的识别能力。
23110编辑于 2025-12-15【辰辉创聚生物】单抗免疫原选型指南|抗体制备方案设计——常用抗原类型及制备方法
抗原的特征在于其独特的表位（即免疫系统识别的特定结构区域），能够刺激机体产生抗体或免疫细胞反应，从而保护机体免受病原侵害。 根据抗原的类型、制备难度及应用目的，常见的抗原制备方法包括天然提纯、重组蛋白表达、多肽合成、小分子偶联等。一、天然提纯抗原天然蛋白质通常保留了其原有的生物学结构与功能，是一种极为理想的抗原。 三、多肽抗原对于一些难以通过天然提取或重组表达获得的抗原，多肽抗原的制备成为一种有效的选择。多肽抗原通常通过化学合成实现，这一技术相对成熟且广泛应用。 多肽抗原具有较高的特异性，能够富集抗原表位，从而更好地激活免疫反应。然而，多肽抗原的设计难度较高，主要体现在抗原表位的选择上。 五、金属离子抗原金属离子抗原的制备方法比较独特，通常依靠螯合剂将金属离子与蛋白载体结合，形成抗原。常用的金属离子包括汞、镉、铅等，这些离子可以作为环境污染监测的靶标。
37910编辑于 2025-08-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号