- 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
79070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 - 来自专栏生信修炼手册
肿瘤新抗原简介
肿瘤免疫治疗是一个近年来研究得非常火热的领域，取得了多项突破性的进展，免疫检查点抑制剂PD-1/PD-L1抗体在晚期实体瘤患者的治疗中取得了明显收益，嵌合抗原受体T细胞疗法CAR-T在血液肿瘤的治疗上也疗效显著 肿瘤疫苗是通过机体识别肿瘤特异性抗原（tumor specific antigen,TAS)或者肿瘤相关抗原（tumor associated TAA）来激活抗原呈递细胞，引起特异免疫应答反应来杀伤肿瘤细胞 TSA也称之为肿瘤新抗原neoantigen, 是由肿瘤细胞的体细胞变异产生的一种异常蛋白。 新抗原通过MHC分子结合，从而被T细胞受体T-cell receptor(TCR)识别，引发免疫应答反应。 结合NGS和生信分析，可以快速预测肿瘤新抗原。 在进一步结合体外实验验证，筛选阳性的新抗原。 随着肿瘤新抗原检测和预测技术的不断发展，基于新抗原的免疫治疗也取得了突破性进展，在后续文章中会详细介绍相关软件的使用。
1.3K20发布于 2019-12-19 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
94620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。
56310编辑于 2024-11-23 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。
17300编辑于 2025-07-29- 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
40110编辑于 2022-01-13 - 来自专栏用户7627119的专栏
肿瘤新抗原突变负荷分析
根据不同的免疫状态选取60%和80%的新抗原负荷区间，获得163个样本的新抗原负荷高（NAL-H）组，161个样本的新抗原负荷中（NAL-M）组，488个样本的新抗原负荷低（NAL-L）组。 不同亚组的差异表达基因功能分析 二、新抗原负荷亚组的体细胞突变景观 在严格的q < 0.05阈值下，MutSigCV在所有Pan-Gyn样本中识别出30个显著突变基因（SMGs），包括18个有意义的新抗原基因位点 突变频率前5位基因[TP53 （48%）、PIK3CA （33%）、PTEN（22%）、ARID1A（15%）和PIK3R1（12%）]，描述了它们在NAL亚组中的分布（图2A）。 新抗原负荷亚组的体细胞突变特征 三、新抗原负荷亚组与临床结果的关系 相比于NAL-M 和 NAL-L，NAL-H的生存最好（图3A）。比较了亚组之间的临床协变量的差异（表1）。 图3.新抗原负荷亚组的生存分析及风险因素分析 表1.根据临床参数进行样本比较 ?
3.5K41发布于 2020-08-05 - 来自专栏生信修炼手册
人类白细胞抗原-HLA简介
HLA 全称human leukocyte antigen, 表示人类白细胞抗原，是编码主要组织相容性复合体(MHC)的基因，位于6p21.31的区域，包含了一系列紧密连锁的基因座。 根据基因产物的结构，功能，细胞分布等因素，将HLA基因分成了3大类：HLA-I型基因，包括了HLA-A, HLA-B，HLA-C等经典的抗原基因，还有一些假基因；HLA-II 型基因，其编码产物都是双链蛋白质 HLA是固定前缀，A代表基因名称，前缀和基因名称之间用短横线连接；*星号作为分隔符，分隔符之后是同一个基因的不同allel, 由冒号分隔的多个部分构成，最多包含4个部分，第一组02代表不同的血清学类型， 根据血清学鉴定的结果对不同抗原进行分类；第二组101代表一种特定类型的蛋白；第三组的01代表发生在编码区的同义突变；第四组的02代表发生在非编码区的基因突变；N为后缀，代表了蛋白的表达水平。
1.9K10发布于 2020-05-11 - 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。
25421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。
51411编辑于 2024-06-12 - 来自专栏生信修炼手册
TSNAdb:肿瘤新抗原数据库
TSNAdb是一个肿瘤特异性新抗原的数据库，从TCGA和TCIA数据库中收集了16种肿瘤共7748个肿瘤样本的体细胞突变和HLA alleles信息，然后分别使用NetMHCpan v2.8和NetMHCpan Browser 通过基因名称来查看相关的肿瘤新抗原，可以指定分析的软件和肿瘤类型，检索框示意如下 ? 结果示意如下 ? 2. Search 通过基因名称进行检索，检索框示意如下 ? 热图中的每个格子代表突变的肽段与HLA alleles之前的结合亲和性，亲和性从低到高，颜色从黄色过渡到红色，有颜色的单元格代表一个肿瘤新抗原，鼠标悬浮到对应的单元格上可以显示突变，HLA Allel, 通过TSNAdb可以快速检索肿瘤新抗原，分析查找多种肿瘤中共享的新抗原，有助于寻找新的免疫治疗靶点。
3.1K40发布于 2019-12-19 - 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。
28510编辑于 2025-12-17 - 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。
71221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 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
37021编辑于 2025-10-05- 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 - 来自专栏生信修炼手册
使用NetMHCpan进行肿瘤新抗原预测分析
第二步选择切割肽段的方式，抗原通过抗原表位与MHC分子结合，MHC I型分子可以结合的抗原表位长度为8到11个氨基酸，对应这里的8-11mer，先将蛋白质序列切分成短的肽段之后在进行MHC分子亲和性的预测 通过该软件可以从突变之后的氨基酸序列中预测到与MHC I型分子亲和力较强的肽段，作为候选的肿瘤新抗原。 通过上述的数据分析，可以快速定位出候选的新抗原，然而其中的假阳性率还是非常高的，后续还需要结合体外实验来进一步筛选和过滤。
9.8K30发布于 2019-12-19
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