反向PCR扩增问号赖型钩体重组质粒pDJH2插入片段

钩端螺旋体赖型赖株（Ｌ．ｉｎｔｅｒｒｏｇａｎｓＳｅｒｏｖａｒｌａｉ）ＤＮＡ分别经ＢａｍＨＩ,ＨｉｎｄⅢ和ＰｓｔⅠ３种内切酶酶切完全消化,通过设计１对引物,反向ＰＣＲ扩增问号赖型钩体重组质粒ｐＤＪＨ２插入片段两端的未知序列．结果显示不同酶切环化连接,经反向ＰＣＲ扩增均可得２条大小相等的扩增带．结果提示反向ＰＣＲ技术可以用于问号赖型钩体重组质粒插入片段两端的未知序列的研究,为获得钩体完整基因序列提供新的途径．     

小鼠B7-1cDNA克隆、测序、表达及其抗瘤效应的初步探讨

用反转录ＰＣＲ的方法,从ＢＡＬＢ／ｃ小鼠脾细胞中扩增出Ｂ７－１ｃＤＮＡ后,插入ｐｃＤＮＡ３质粒中构建成小鼠Ｂ７－１ｃＤＮＡ的真核表达载体ｐＣＤ－ｍＢ７．１,经酶切鉴定和序列分析证实此表达载体中插入的Ｂ７－１ｃＤＮＡ的序列与文献报道一致．通过脂质体介导将ｐＣＤ－ｍＢ７．１导入Ｂ７－１的小鼠黑色素瘤细胞系Ｂ１６（Ｆ０）中,经ＲＴ－ＰＣＲ和ＲＮＡ斑点杂交初步证实Ｂ７－１在肿瘤细胞中获得了稳定有效的表达．同源小鼠脾淋巴细胞与肿瘤细胞混合培养后采用ＬＤＨ释放改良法测定淋巴细胞特异杀伤活性,结果显示,与野生型和模拟转染的Ｂ１６细胞相比,Ｂ７－１基因转染的Ｂ１６细胞能较有效诱导淋巴细胞产生针对野生型Ｂ１６细胞的特异杀伤活性（ｐ＜０．０２）．这说明,将Ｂ７－１基因导入肿瘤细胞表达能提高其免疫原性,诱导有效的抗肿瘤免疫反应     

有限孔径相位共轭谐振腔(PCR)中各阶横模特性的研究——Ⅱ.PCR中横模的基本性质

本文在前文(Ⅰ)的基础上进一步揭示了轴对称PCR的“准等价关系”和“非对称性质”,并进行了初步的系列计算(计算了约66个轴对称PCR中的数百个横模),将所得结果与普通激光腔中的相应结果作了比较,在上述讨论与比较的基础上,本文总结了PCR中横模的基本性质,据此,人们可以对前文所讨论的这类简单PCR,包括各种几何结构不同的腔中各阶横模的性质,作一些粗略的估计。     

PPAR激动剂的定向设计、虚拟筛选及合成

过氧化物酶体增殖因子活化受体(PPAR)是核受体超家族的一员.基于受体结构的药物分子设计与组合化学策略相结合,构建了过氧化物酶体增殖因子活化受体(PPAR)激动剂的虚拟化合物库.将已知小分子配体(GW409544)与PPAR晶体复合物进行剥离,得到受体的活性构象,并利用此活性受体分子与虚拟库中小分子进行对接和虚拟筛选,得到理论上结合较强的化合物,并对这些化合物进行合成,共合成9个新化合物.活性筛选结果显示化合物对PPAR具有一定的亲和力,其中有三个化合物显示出对PPARα,PPARγ的双重激动作用,从而指导新活性化合物的设计和合成.     

基于主成分分析的多重定量PCR荧光串扰校正

聚合酶链式反应(PCR)是分子生物学常用的检测手段,主要用于对生物的DNA或RNA进行检测。由于荧光光谱重叠和滤光片过滤带宽限制,检测时所获得的荧光数据通常会包含荧光通道之间的串扰,串扰的存在使PCR结果分析变得复杂,并可能影响最终的检测结果。选择合适的光学元件,并确定通道间的补偿矩阵,可以降低甚至消除荧光串扰。目前荧光补偿矩阵大多通过迭代计算获得,还没有一种简单的方法可以从混合的多通道荧光数据中找到荧光补偿矩阵。为了快速获得荧光补偿矩阵,减小计算量,采用主成分分析法(PCA)中确定主成分的方式,基于搭建的测试平台进行单一染料实验,获得染料的荧光信号在各个检测通道的分布情况,计算得到荧光补偿矩阵。通过分析补偿矩阵,发现对于搭建的硬件系统,Cy5染料对Cy5.5通道串扰较大,串扰比例为8.76%,同时Cy5.5染料对Cy5通道串扰影响也相对较大,比例约为6.2%;其次是ROX染料对HEX通道串扰,比例约为2.68%; HEX染料对FAM通道串扰,比例约为1.58%; FAM染料对HEX通道串扰相对较小,比例约为0.25%,其余通道无明显串扰,与荧光光谱反映的结果一致。采用得到的荧光补偿矩...     

整合药效团及共价对接用于虚拟筛选JAK3抑制剂

大量研究表明JAK3与炎症疾病的发生、发展具有密切的关系,使得JAK3成为一个极具潜力的药物靶点。其中,JAK3共价抑制剂因其选择性高、活性强的特点受到广泛关注。但是,JAK3与其家族的其他成员同源性高,使得开发JAK3选择性抑制剂充满挑战。计算机虚拟筛选方法可以在分子水平对JAK3的结构特征进行针对性筛选,但是传统的共价对接方法效率较低、准确度欠佳,因此本文提出了一种结合药效团和共价对接的虚拟筛选策略。该联用方法从DrugBank数据库成功地筛选出已报道的JAK3临床抑制剂,表明了这种虚拟筛选不仅具有较高的效率,同时具备了较强的筛选准确性,为JAK3共价抑制剂的虚拟筛选提供一定的指导作用。     

基于片段的核磁共振筛选方法识别NSD1 SET结构域的全新苗头化合物

包含SET结构域的核受体结合蛋白1（NSD1）是一种组蛋白甲基转移酶,它能够特异性的甲基化组蛋白H3赖氨酸第36位（H3K36）.异常表达的NSD1主要发现于Sotos综合症患者体内,但它同样也能导致其他多种人类疾病的发生.目前已有靶向组蛋白甲基转移酶DOT1L和EZH2的小分子抑制剂报道,然而,靶向NSD1的化学探针分子尚未被发现.本文使用基于片段的核磁共振（NMR）筛选方法寻找到3个以NSD1蛋白作为靶点的苗头化合物,利用化学位移扰动分析技术测定了这些化合物与NSD1的结合亲和力.另外,利用分子对接方法选择获得苗头化合物与NSD1蛋白的最可能的结合模型.结果显示苗头化合物1结合于NSD1天然底物S-腺苷酸甲硫氨酸（SAM）的结合口袋中.我们的研究成果为进一步以结构为指导的从苗头化合物到先导化合物的衍化奠定了基础.     

Ensemble-SISPLS近红外光谱变量选择方法

近红外光谱具有高维小样本的特点,变量选择是提高定量分析模型稳健性和可解释性的一种有效方法。确定独立筛选（SIS）是一种基于边际相关性的超高维数据变量选择方法,广泛用于基因微阵列数据的变量选择。SIS具有将数据维度降低至样本大小规模的能力,其降维能力与LASSO相当,在相当宽泛的近似条件下,由于具有安全筛选性质,所有重要变量被保留的概率趋于1。基于确定独立筛选偏最小二乘（SIS-SPLS）的变量选择是一种迭代式的SIS变量选择方法,首先利用SIS方法完成光谱重要变量的初选;然后根据重要变量的边际相关性大小进行逐步前向选择：建立偏最小二乘回归模型,依据贝叶斯信息准则（BIC）确定最终的变量选择结果。SIS-SPLS以逐步前向选择的方式实现对重要变量的增量式筛选,随着潜变量个数的增加及因变量残差的逐步减小,SIS-SPLS方法选择的变量个数将趋于稳定。然而仅以边际相关性对变量重要性进行评价,当光谱变量个数远大于样本数时,该方法也存在选择的变量过多、变量选择结果不够稳健等问题。为进一步提高小样本情况下变量选择的稳健性,将集成学习引入SIS-SPLS方法之中,提出了一种集成SIS-SPLS变量选择方法（Ensemble-SISPLS）。该方法首先对校正集样本进行自助重采样,对采样得到的每一个校正子集分别使用SIS-SPLS方法进行变量筛选,通过投票机制并设置频次阈值对所有校正子集的变量选择结果进行集成,选择出现频次大于给定阈值的变量并建立偏最小二乘回归模型,计算5折交叉验证均方根误差。对频次阈值和潜变量个数两个关键参数使用网格搜索法进行优选,根据子模型的交叉验证均方根误差和变量个数对子模型性能进行综合评价,以最优子模型包含的变量作为最终的变量选择结果。分别在Corn数据集和当归数据集上进行变量选择实验,比较Ensemble-SISPLS,SIS-SPLS和UVE-PLS三种变量选择方法的性能。其中当归数据集共77个样本,样本采自甘肃岷县和渭源县,使用Nicolet-6700型近红外光谱仪扫描得到所有样本的近红外光谱并对当归中的阿魏酸含量进行预测。Ensemble-SISPLS方法在Corn数据集上选择的变量个数、RMSEP和决定系数分别为22,0.000 8和0.999 8;SIS-SPLS方法在Corn数据集上选择的变量个数、RMSEP和决定系数分别为97,0.007 3和0.998 8。Ensemble-SISPLS方法在当归数据集上选择的变量个数、RMSEP和决定系数分别为24,0.018 1和0.996 3;SIS-SPLS方法在当归数据集上选择的变量个数、RMSEP和决定系数分别为38,0.022 6和0.994 3。结果表明,该方法进一步提高了变量选择结果的稳健性和预测能力。Ensemble-SISPLS变量选择方法有效结合了SIS-SPLS较强的变量选择能力和集成学习良好的泛化能力,提高了变量选择的稳健性。此外,由于在子模型的预测能力和变量个数之间进行了折中,一定程度上减少了选择变量的个数,提高了模型的可解释性。     

基于Bi PLS结合Si PLS的组合权值COD浓度预测模型

水体中过高浓度的有机物含量危害巨大,不仅会造成严重的环境污染,而且危害人类身体健康,传统化学法检测水体化学需氧量(COD)的步骤繁琐且时效性差,不利于水体中COD的快速定量检测。针对这些问题,提出了一种将紫外光谱与组合权值模型相结合的快速定量检测COD方法,该组合权值模型是基于反向区间偏最小二乘法(BiPLS)结合组合区间偏最小二乘法(SiPLS)算法对紫外光谱的特征子区间筛选组合,然后依据特征子区间的权值建立的预测模型。首先按照一定的浓度梯度配制45份COD标准液样本,通过实验获取标准液的紫外光谱数据;对获取到的COD紫外光谱数据做一阶导数和S-G滤波(Savitzky-Golay)的预处理,消除基线漂移和环境干扰噪声;应用SPXY(Sample set partitioning based on jiont X-Y)算法将实验样本数据组划分成校正集和预测集。然后基于BiPLS算法对全光谱区间进行波长筛选,在BiPLS筛选过程中,目标区间的划分数量会对建模产生较大影响,于是对子区间划分数量进行优化,把子区间分成15~25个,在不同区间数下都进行偏最小二乘(PLS)建模,通过交互验证均方根误差(RMSECV)来筛选最优子区间数,得到区间数为18时,模型效果最佳。从18个波长区间筛选出了6个特征波长子区间,入选的子区间为2,1,3,11,7和6,对应波长为234~240,262~268,269~275,290~296,297~303和304~310 nm,这6个特征波长区间涵盖了大量的光谱信息,对最终预测模型的贡献度大;接下来通过SiPLS算法对这6个初选区间进行进一步的筛选组合,采用不同的组合数构建不同特征区间上的PLS模型,在相同组合数下,筛选出一个区间组合数最优的结果,对比不同组合数下预测模型的误差与相关性,将6个区间筛选组合为3个特征波长区间,分别为234~240,262~275和290~310 nm,这三个特征区间最佳因子数分别为4,4和3。对传统SiPLS的特征区间组合方法进行改进,基于权值的大小来对这3个特征区间进行线性组合,代替过去特征区间直接组合的方法。通过权值公式计算出这3个特征区间的权重大小分别为0.509,0.318和0.173,最终建立线性组合权值COD浓度预测模型。为了验证组合权重预测模型的精度,另外建立了全波长范围内的PLS预测模型、单个特征波长区间的PLS预测模型、直接组合特征波长区间的PLS模型,并使用评价参数相关系数的平方(R2)、预测值与真实浓度值的均方根误差(RMSEP)和预测回收率(T)来对模型评价。验证结果表明,相比其他预测模型,组合权值模型相关系数的平方达到了0.999 7,明显优于直接组合特征区间建模的0.968 0,预测均方根误差为0.532,比直接组合特征区间的预测模型误差降低了29.3%,预测回收率为96.4%~103.1%,显著地提高了预测精度。该方法简单可行,不会产生二次污染,可为在线监测水体中COD浓度提供一定的技术支持。     

应用CARS和SPA算法对草莓SSC含量NIR光谱预测模型中变量及样本筛选

采用光谱技术对水果进行定量或定性分析,如何获得一个简单、有效的校正模型对后续模型的应用和维护都非常关键。以草莓内部品质近红外光谱预测为例,从关键变量和特征样本优选两方面进行研究。采用竞争性自适应重加权CARS算法对光谱变量进行初次选择,随后采用连续投影算法SPA对校正集样本进行优选,获得98个特征样本,针对优选后的变量/样本子集利用SPA算法作二次关键变量提取,获得25个关键变量。为了验证CARS算法的性能,蒙特卡罗无信息变量消除MC-UVE和连续投影算法SPA用于比较研究。CARS算法在消除无信息变量的同时可以对共线性信息进行去除。同样,为了评估SPA算法在特征样本选择中的性能,经典的Kennard-Stone算法也用于比较分析。SPA算法能够用于校正集特征样本的优选。针对最终优选后的变量/样本(25/98)子集建立PLS和MLR模型对草莓内部可溶性固形物含量SSC含量进行定量预测。结果表明,两个模型利用原始变量/样本的0.59%/65.33%的信息均能够获得比基于原始变量/样本所建模型更好的性能,且MLR模型比PLS模型性能略优,r2_pre,RMSEP和RPD分别为0.909 7,0.348 4和3.327 8。