基于AdaBoost算法的药物—靶向蛋白作用预测算法

对靶向蛋白的药物作用进行预测可以促进药物新作用的发现。新近的研究更倾向于单独将特定的矩阵填补算法应用在靶向蛋白和药物的相互作用预测中。单模型的矩阵填补算法准确度较低,因此应用在药物—靶向蛋白作用预测方面也难以获得满意的结果。AdaBoost算法是一种由多分类器组合生成强分类器的算法框架,其在分类应用领域的实用性和有效性已被证明。靶向蛋白的药物作用预测是一个矩阵填补问题,即是一种评分预测过程,因此本文在使用AdaBoost算法对药物—靶向蛋白作用进行预测前,将药物—靶向蛋白作用预测的矩阵填补问题转化为分类问题,将AdaBoost算法应用在靶向蛋白的药物作用预测评分上,充分利用AdaBoost算法框架对多个弱分类器进行融合从而提升性能,得以进行准确的药物—靶向蛋白作用预测。基于公测数据集的实验结果表明,本文提出的算法在预测准确度方面超过了大多数经典算法和新近算法,较好地克服了新近基于机器学习方法单算法的局限性,更好地挖掘隐含因素,有效提升了预测准确度。     

大黄素-BSA包被膜片人工抗原制备及其免疫原性与特异性检测

目的:通过大黄素-BSA包被膜片的免疫原性及特异性研究,探讨半抗原-载体包被膜片人工抗原制备法的可行性。方法:先将BSA包被于PVDF膜片,再与大黄素-偶联剂衍生物偶联,制备大黄素-BSA包被膜片,经膜片皮下包埋法免疫大鼠,用大黄素或大黄酚、大黄素甲醚包被CA膜片免疫分析法检测免疫原性和特异性。结果:大黄素-BSA包被膜片的免疫原性高于或等于液相抗原;其抗血清对三种蒽醌类化合物反应的特异性基本一致(P0.05)。结论:大黄素-BSA包被膜片抗原,具有良好免疫原性和特异性,提示用半抗原-载体包被膜片法制备人工抗原可行。