- 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 - 来自专栏kayden
64位 & Windows 内核6
---- 64位 & Windows 内核6 前言 继续学习《逆向工程核心原理》，本篇笔记是第五部分：64位 & Windows 内核6 一、x64 1、x64处理器中的变化 含有VA的指令大小增加了 个，如下 函数调用统一为fastcall，可以传递4个参数，如下 栈不用PUSH/POP命令了，通过MOV操作寄存器和指定的栈 栈帧不用RBP，改用RSP 2、PE32+ PE32+是64位PE 大小从4个字节变为8个字节 （3）IMAGE_TLS_DIRECTORY 部分成员是VA值，扩展为8个字节 3、WinDbg 基本指令 二、内核6 kernel 6 是vista之后的系统 Win10 是kernel 10 1、会话 会话：登录后的用户环境，kernel 6引入 系统会话是0，与用户会话隔离（即第一个登录的用户是会话1，而之前是会话0） 但是会话1中的进程可以强行终止会话 \n"); return 0; } 结语 主要是本书编写的时候刚好是32位进入64位的时代 故有此章进行一些区别的介绍 ---- 红客突击队于2019年由队长k龙牵头，联合国内多位顶尖高校研究生成立
91510编辑于 2022-09-29 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。 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。 EPACT预测的接触分值还能指示强直性脊柱炎（一种自身免疫疾病）病人的T细胞交叉反应现象中保守的TCR识别模式和对应多种不同来源的抗原表位共享的结构motif（P4位置与CDR1α和P6, P8位置与CDR3β
58510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iSharkFly
Confluence 6 重构 ancestor 表
偶尔 ancestor 表格中的数据可能被损坏，这就要求你需要对 ancestor 表进行重构了。 如何对 ancestor 表进行重构： 备份你的数据库。 <your-site>/admin/permissions/pagepermsadmin.action 选择 重构 ancestor 表（Rebuild ancestor table）。
48140发布于 2019-01-30 - 来自专栏用户7627119的专栏
RNA m6A位点预测
首先我们需要确定m6A究竟发生在mRNA上的什么位置，接下来才能确定究竟应该在哪里放特异性引物。 下图是一个m6A位点在mRNA上的分布图，可以看出m6A修饰倾向于富集在终止密码子附近。 以上只是一个大规模的统计结果，那么针对于不同的mRNA，m6A位点究竟存在于什么位置呢？今天就给大家介绍一个免费在线预测哺乳动物m6A修饰位点的网站SRAMP。 位点。 我们用网站默认的test1(TROVE2)序列演示一下，后面的选项都是默认的，点击“Submit”就可以预测序列的m6A结合位点了。 3. SRAMP网站还提供了RNA二级结构m6A位点结合预测功能，写材料，发文章，有个图不是更加美观？
1.2K10编辑于 2022-09-21 - 来自专栏以终为始
顺序表应用6：有序顺序表查询（SDUT 3330）
Problem Description 顺序表内按照由小到大的次序存放着n个互不相同的整数，任意输入一个整数，判断该整数在顺序表中是否存在。 如果在顺序表中存在该整数，输出其在表中的序号；否则输出“No Found!"。 Input 第一行输入整数n (1 <= n <= 100000)，表示顺序表的元素个数； 第二行依次输入n个各不相同的有序非负整数，代表表里的元素； 第三行输入整数t (1 <= t <= 100000 Output 输出t行，代表t次查询的结果，如果找到在本行输出该元素在表中的位置，否则本行输出No Found! 10 题解：二分+顺序表 #include <bits/stdc++.h> using namespace std; const int maxn = 1000005; struct node
54510编辑于 2023-03-09 - 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。 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。 图6：基于 tFold-Ag 的抗体结构预测与序列联合恢复 讨论 tFold System 通过计算生成 + 结构筛选 + 实验验证的组合，实现了表位特异性抗体的全新设计，并在多类关键靶点上获得可进入药物开发阶段的候选分子 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 - 来自专栏golang从入门到进阶
Go 生成6位唯一邀请码
这些6位字母+数字的短码，比UUID（36位）友好太多——但怎么生成才靠谱？ 实战：生成6位邀请码展开代码语言：GoAI代码解释//invite.gopackagemainimport("crypto/rand""fmt""math/big")constcharset="ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789 6位×62字符=62⁶≈568亿种组合。根据生日悖论，当生成100万个邀请码时，碰撞概率仅约0.000088%（不到万分之一）！ 生成数量碰撞概率10,000~0.00000009%100,000~0.000009%1,000,000~0.00088%10,000,000~0.088%✅对于绝大多数应用（用户量<百万级），纯随机6位码完全够用 =nil{//handleerror}✅总结：邀请码生成使用crypto/rand保证随机性字符集包含62个字符（A-Za-z0-9）长度6位，平衡可读性与空间生成后查库确保唯一（按需）封装成独立函数，
15610编辑于 2026-01-24 - 来自专栏全栈开发那些事
6-3 求链式表的表长 (10分)
LNode { ElementType Data; PtrToLNode Next; }; typedef PtrToLNode List; L是给定单链表，函数Length要返回链式表的长度 LNode { ElementType Data; PtrToLNode Next; }; typedef PtrToLNode List; List Read(); /* 细节在此不表
30230编辑于 2023-02-27 - 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. 6.查看shodowSSDT ? shodowSSDT 跟SSDT挨着.上面查看SSDT的时候 shodowSSDT没有加载 所以没有.所以现在看一看下.如上图. 有起始地址.跟大小. 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 - 来自专栏软件设计
6.S0816.828: xv6源码分析--页表
在实现6.S081 Lab3过程中，需要对xv6页表有一定的掌握，因此写了这份源码分析。 一、基本原理1 页表介绍1.1 地址范围xv6系统是64位的，但是地址只用到了39位：9+9+9+12，地址空间512G，三级页表，页表项占8B，每一页存放512项。 每一个页表项(Page Table Entry)占8B，包含44位物理页号(Phsical Page Number)和10位flag，剩余10位未用，物理地址共44+12=56位。 satp寄存器每个CPU都有一个图片2 内核页表xv6为每个进程提供了一个用户页表，还有一个全局内核页表。内核页表只会维护内核区域的映射关系，用户页表也只会维护用户区域的映射关系，两者相互独立。 define PX(level, va) ((((uint64) (va)) >> PXSHIFT(level)) & PXMASK)//先左移掉10位标志位，再右移流出页內偏移#define PTE2PA
1.3K40编辑于 2022-11-26 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。 为了便于抗原的纯化，重组蛋白通常在其序列中添加标签，如GST、6xHis、Myc、MBP、Flag等，这些标签有助于后续的亲和纯化并可提高蛋白的溶解性。 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。
37910编辑于 2025-08-20- 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。
54711编辑于 2024-06-12 【辰辉创聚生物】多克隆抗体定制｜高效抗体制备｜定制抗体服务
其核心在于通过动物免疫系统产生具有高亲和力和多表位识别能力的免疫球蛋白（IgG），用于后续科研、检测、验证等场景。1. 抗原设计与合成策略成功的抗体制备始于高质量的抗原。 抗原设计是整个多克隆抗体定制流程的技术核心，主要包括抗原选择、表位预测、结构稳定性评估和免疫原性分析。 标准流程为6–8周，加急流程最快3周内可获得初代抗体。3. 抗体提取与纯化工艺血清采集后，需通过高效分离手段提取并纯化抗体，以提升实验性能与一致性。 A：由于其制备周期短、成本较低且识别多个表位，适用于高通量筛查与信号放大实验，特别适合科研初期探索性阶段。Q2：如何选择免疫动物物种？A：应结合抗原种属、抗体应用平台及预期产量综合判断。 A：多克隆抗体来源于多个B细胞群体，识别多表位，信号强；而单抗来源于单个细胞克隆，特异性高，但制备周期长、成本高。
32500编辑于 2025-07-23
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