说说蛋白质

乔乔,多吃点鱼肉,它含有丰富的蛋白质。我不爱吃鱼肉!我也不需要蛋白质!宝贝,人体需要蛋白质,你该知道蛋白质对于我们而言是多么重要。     

播期推迟对冀东地区强筋小麦产量构成和籽粒蛋白质质量分数的影响

为研究强筋小麦在冀东地区对不同播期反应差异,2016～2017年在大田条件下,以强筋小麦津农7号和中麦1062为材料,设置3个处理播期,分别是10月10日(SD1),10月15日(SD2)和10月20日(SD3),以10月5日为对照播期(CK),研究了不同播期对强筋小麦产量和籽粒蛋白质质量分数的影响。结果表明:(1)随着播期的推迟,小麦干物质积累量显著降低;(2)产量最高值出现在10月10日这一播期,早播或晚播均会造成不同程度的减产;(3)籽粒蛋白质质量分数随播期的推迟而提高,播期推迟有利于提高籽粒蛋白质质量分数。     

活血止痛胶囊的三维荧光指纹图谱研究

本实验采用荧光光谱法对活血止痛胶囊的荧光性质进行了研究,优化了荧光图谱测定的实验条件,在最佳实验条件下,测定了不同厂家不同批号的活血止痛胶囊的三维荧光图谱,采用聚类分析法对活血止痛胶囊的三维荧光图谱的一致性进行分析,结果表明2个厂家7个批号的21个活血止痛胶囊样本的三维荧光图谱一致性良好。采用平均值法建立了活血止痛胶囊的三维荧光指纹图谱。     

基于科学知识图谱分析的我国科技创新发展脉络研究

为更加全面地了解我国科技创新的研究状况,整理了1998—2018年CNKI数据库中篇名含有科技创新的相关文献,利用Citespace和Vosviewer绘制了相关文献的知识图谱,包括关键词时区图谱、突变词检测图谱、关键词网络可视化图谱、关键词密度图谱。在此基础上,通过对图谱分析得出我国科技创新的三个阶段和四大未来研究热点。     

疏水色谱法及其在生物大分子分离纯化中的应用

综合评述了疏水相互作用色谱法（hydrophobic interaction chromatography,HIC)的理论及其在生物大分子分离纯化方面的研究进展。     

蛋白质凝聚结晶和致病的动力学机制

这本书涉及了蛋白质在溶液中的相转变、自组装和聚集行为等问题。其主要目的是向跨学科的读者介绍这一领域的研究现状。书中主要讨论了蛋白质优质结晶的问题，指出其瓶颈在于晶体的成核。由于蛋白质的结构决定了它的功能，因此非常有必要培养出优质的晶体来确定其结构，其中遇到的主要挑战是确定具备最佳成核条件的溶液初始状态。     

Finding finer functions for partially characterized proteins by protein-protein interaction networks

Based on high-throughput data, numerous algorithms have been designed to find functions of novel proteins. However, the effectiveness of such algorithms is currently limited by some fundamental factors, including (1) the low a-priori probability of novel proteins participating in a detailed function; (2) the huge false data present in high-throughput datasets; (3) the incomplete data coverage of functional classes; (4) the abundant but heterogeneous negative samples for training the algorithms; and (5) the lack of detailed functional knowledge for training algorithms. Here, for partially characterized proteins, we suggest an approach to finding their finer functions based on protein interaction sub-networks or gene expression patterns, defined in function-specific subspaces. The proposed approach can lessen the above-mentioned problems by properly defining the prediction range and functionally filtering the noisy data, and thus can efficiently find proteins’ novel functions. For thousands of yeast and human proteins partially characterized, it is able to reliably find their finer functions (e.g., the translational functions) with more than 90% precision. The predicted finer functions are highly valuable both for guiding the follow-up wet-lab validation and for providing the necessary data for training algorithms to learn other proteins.