大鼠中性氨基酸转运蛋白SNAT1-HA融合蛋白的构建和表达(英文)

Na+偶联的中性氨基酸转运蛋白SNAT1是一种膜蛋白,属于转运蛋白第38家族(SLC38),在中枢神经系统(CNS)中起到重要的生理学作用.为了更容易地检测SNAT1在细胞膜上的表达,以pBK-CMVΔ-SNAT1为模板,用PCR,双酶切和T4连接酶连接的方法在SNAT1的C端加上了一个HA标签蛋白,构建了一个新质粒pBK-CMVΔ-SNAT1-HA.用该质粒瞬时转染人胚胎肾细胞(HEK293T),转染36 h以后,融合蛋白SNAT1-HA可以用HA抗体检测.Western blot结果显示在约54 kDa处有一条特异性条带,与预期分子量大小一致.利用重组质粒pBK-CMVΔ-SNAT1-HA可以更方便地检测到SNAT1在细胞膜上的表达与定位,为进一步研究SNAT1结构与功能奠定了基础.     

社会化标签系统的结构、演化和功能

从复杂性科学角度总结了社会化标签系统的结构、演化和功能问题.包括多类异质性节点和超图模型的网络结构;基于标注行为的网络演化模型;基于标签的个性化推荐系统.系统地总结和比较了当前几种代表性的模型和推荐算法,并指出各方法的优缺点和适用范围.有助于更深层次理解和解决社会化标签系统中的理论和应用问题.     

RFID技术的发展及应用

RFID射频识别技术,又称电子标签、无线射频识别。RFID技术的应用十分广泛,不同工作频率的射频标签有不同的特性和用途。RFID技术国内外的发展状况,RFID系统组成。     

用于金属物体的宽带超高频RFID标签天线

用于金属物体的标签天线一直是RFID标签天线研究的热点和难点,提出了一种新的低剖面用于金属物体的宽带超高频(ultta high frequency,UHF)射频识别(radio frequency identification,RFID)标签天线.采用增加2个耦合的寄生贴片来激发新的谐振波模,极大地改善了RFID标签...     

一种改进的标签传播快速社区发现方法

标签传播社区发现方法LPA(Label Propagation Algorithm,简称LPA)和已有的一些算法相比具有算法复杂度低、思想简单、不需要指定社区数量等优点,但相比于传统社区发现方法(如GN)也有准确率较低的缺点。文章提出了一种改进的、基于节点局部相似性的标签传播算法LPALS(Label Propagation Algo-rithm based on Local Similarity,简称LPALS)。实验结果表明,LPALS算法在提高准确率的同时也保证了算法具有较低的时间复杂度。     

多目标监督聚类GA研究

提出了多目标监督聚类GA算法,即:根据样本的类标签有监督地将样本聚类,在每个类中根据样本属性的相似性有监督地聚成类簇.如果分属不同类标签的类簇出现相交,则相交类簇再次聚类,直到所有类簇均不相交.适应度矢量函数由类簇数和类内距离2个目标确定,类簇数和类簇中心由目标函数自动确定,从而类簇数和中心就不受主观因素的影响,并且保证了这2个关键要素的优化性质.预测分类时,删去单点类簇,并根据类簇号和离某个类簇中心距离的最近邻法则以及该类簇的类标签进行分类.算法模型采用C#实现,采用3个UCI数据集进行实例分析,实验结果表明,本算法优于著名的Native Bayes、Boost C4.5和KNN算法.     

JSP中自定义标签的实现与部署

JSP采用java作为脚本语言,实现了动态页面与静态页面的分离,摆脱了硬件平台的束缚,从而可以在各种平台上广泛应用。目前,采用EJB＋SERVLET＋JSP正逐渐成为电子商务的开发标准;JSP标签库是JSP技术的重要组成部分,它提供了一种在JSP中使用的,封装复杂功能的机制,充分体现了软件复用的思想,也为分离页面设计和代码开发提供了可行的技术支持。     

基于相关性分析的多标签特征选择方法

针对现有大多数多标签特征选择算法未能有效去除特征空间冗余特征,同时也忽略了标签差异性的现状,提出一种基于相关性分析的多标签特征选择方法,利用特征之间的相关度对特征进行分组,解决了特征之间的相关性问题.根据样本所对应的标签属性对样本做一个正负类的聚类,对于正样本和负样本所构成的正类簇和负类簇单独确定其聚类个数,并计算原特征到正负类簇中各个类中心的距离,如此便产生了标签特定特征空间;将标签共享的特征空间和标签特定特征空间融合,考虑到多个标签之间的个性和关联性,解决了标签的差异性问题.实验测试表明,相较于现有的多标签特征选择算法,提出的基于相关性分析的多标签特征选择方法在各个分类指标上均有较优的表现,充分证明了该方法的有效性.     

基于回归模型的网络排序算法预测药物靶点关系

计算方法预测新的药物靶点关系是新药研发的主要途径,基于相似药物较容易与相似靶蛋白绑定的假定和标签传播的框架,提出一种基于脊回归模型的网络排序计算方法挖掘潜在的药物靶点作用关系;并对四个数据集分别进行30次10—CV预测分析。结果表明,与现有网络算法DBSI、TBSI和NBI相比,该预测算法能得到较高的ROC曲线面积,具有较好的应用前景。     

结合类属特征及因果发现的序列优化分类器链

分类器链是利用标签间相关性实现挖掘特定对象多维标记信息的重要多标签分类方法.面向现有分类器链算法，针对各标签的基学习器均在完整特征空间中训练导致学习特征冗余，以及因标签学习顺序随机且分类器链训练过程单向无反馈导致的标签间相关信息利用不充分等问题，本文提出一种结合类属特征及因果发现的序列优化分类器链.该方法采用类内仿射传播聚类为每个基学习器构建高级结构化特征，减少冗余信息；利用条件熵准则挖掘标签间因果关系，优化学习序列提高对标签间相关信息的利用程度.在多个公开数据集的实验结果表明，序列优化分类器链有效增强了单节点学习效果以及对多标签间关联信息的利用，有效提升了多标签分类效果，实用价值高.