乙型肝炎病毒X蛋白与ECSIT蛋白相互作用促进白介素1诱导的NF-kB信号通路的激活，陈婉南，刘玲玲，乙型肝炎病毒X蛋白（HBx蛋白）可反式激活多种转录因子，其中包括可以调节多种炎症相关基因的核因子κB（NF-κB）。然而HBx蛋白在NF-κB�

Does FcγRIII (CD16) mediate modified C-reactive protein-induced endothelial cells dysfunction?，吉尚戎，，Atherosclerosis and its complications, in particular acute coronary heart disease (ACHD) is the single leading cause of morbidity and mortality world wide. Among the clinically use

不同物种酪氨酸酶相关蛋白1（TYRP1）基因的生物信息学分析，郑会芹，李祥龙，酪氨酸酶相关蛋白1（TYRP1）是酪氨酸酶家族的一个成员，不仅参与黑素生成，并且可以抑制黑素细胞的死亡，稳定酪氨酸酶活性和有助于

蛋白质定位位点的分析是生物信息学中的重要任务。在具有多个指标/特征的基于酵母蛋白质测量数据的众多研究方法中，预测酵母蛋白质定位位点是一个有前途的领域。为了反映这些特征对预测任务的不同贡献，提出了一种基于加权特征集合（WFE）的聚类算法，以基于收集的酵母蛋白质定位数据预测酵母蛋白质定位位点。 WFE过程首先为特征分配不同的权重，然后对结果进行计算和呈现以获得最佳结果。对基于WFE的算法和其他几种基于加权特征思想的聚类算法的实验结果表明，我们的新算法在准确性和稳定性方面均优于其他特征加权类型算法。

DeepAccNet.py 描述的 DeepAccNet 的 Python-PyTorch 实现 此方法将使用称为 l-DDT（局部距离差异测试）的度量来估计您的蛋白质模型的效果。 usage: DeepAccNet.py [-h] [--modelpath MODELPATH] [--pdb] [--csv] [--leaveTempFile] [--process PROCESS] [--featurize] [--reprocess] [--verbose] [--bert] [--ensemble] input ... Error predictor network positional arguments: input path to input fold

Alphafold2-Pytorch（WIP） 要最终成为一个非官方的工作Pytorch实施 ，令人叹为观止的注意网络解决CASP14。 随着体系结构的更多细节发布，将逐步实施。 复制完成后，我打算将所有可用的氨基酸序列在计算机上折叠起来，并作为学术洪流发布，以供进一步科学使用。 如果您对复制工作感兴趣，请在此#alphafold 安装 $ pip install alphafold2-pytorch 用法 像Alphafold-1一样预测分布图，但要注意 import torch from alphafold2_pytorch import Alphafold2 from alphafold2_pytorch . utils import MDScaling , center_distogram_torch model = Alphafold2 ( dim = 256 ,

蛋白质接触矩阵是3D蛋白质结构中氨基酸残基之间距离的2D表示。 蛋白质接触图生成器（PCMGen）是一种命令行工具，它将蛋白质3D结构（PDB格式的文件）作为输入，并计算两条链（来自单个或两个不同的蛋白质）之间的接触距离。 这些矩阵文件可以使用其他可视化工具/程序（如R-heatmaps）进一步可视化为Contact Maps。 接触图可用于理解蛋白质：1.二级结构2.构象排列3.表面相互作用

9个水稻热激蛋白基因的表达模式，邹杰，刘爱玲，热休克蛋白（HSPs）广泛存在与生物有机体中。在水稻中，至少存在70个编码 HSPs 的基因，它们中的绝大多数尚未明确功能。本研究利用半

rgb转lab代码matlab 蛋白质聚集体，GFAP和IBA1的TITLE共聚焦图像分析 描述该代码设计用于分析共聚焦显微镜图像中的细胞和聚集体。 它是为单个实验而设计的，该实验分析了鼠运动皮层拍摄的免疫荧光图像。 这些实验的方法将在以下位置找到（出版时将添加）。 该程序可很好地用于分析二肽重复聚集体，GFAP（星形细胞）和IBA1（小胶质细胞），但可以轻松地用于分析任何类似的染色。 安装此程序需要安装了图像处理工具箱的MATLAB 2018a或更高版本。 使用情况所使用的图像必须为三通道RGB，并根据处理方式分成多个文件夹。 该代码表示​​为本文中所使用的代码（出版物名称和链接将在此处添加），并且未针对通用目的进行优化。 由于没有图形界面，因此用户必须手动调整文件路径，保存文件名和参数。 第一组代码的注释中包含用于调整参数的指令。 必须根据免疫荧光图像中存在的自然噪声来调整参数（簇大小等），并且应将其保持在定义的范围内以实现数学相关性。 贡献和信用这段代码的主要贡献者是凯蒂·萨维奇（Kitty Savage）。 对实验设计和执行有重大贡献的个人包括（但不限于）Ricardos Ta

高通量实验技术继续改变当前系统生物学的研究。可以理解，研究人员渴望利用这些新技术的力量。然而，在这些平台上的蛋白质-蛋白质相互作用提出了许多生产和生物信息学挑战。在蛋白质-蛋白质相互作用位点的预测中，诸如特征提取，特征表示，预测算法和结果分析之类的问题变得越来越成问题。开发强大，有效的基于蛋白质一级序列或/和3D结构推断蛋白质界面残基的预测方法，对于研究界加快研究和出版工作至关重要。当前，基于机器学习的方法在预测蛋白质相互作用位点方面引起了最大的关注。这篇综述旨在描述当机器学习策略被用于推断蛋白质相互作用位点时整个流水线的状态。