XiaoMi-AI文件搜索系统
World File Search System亲和力
高亲和力 CD16 整合到 CRISPR/Cas9 编辑的 CD38 基因座中可增强原代人类自然杀伤细胞的 CD38 定向抗肿瘤活性
摘要 背景 过继转移具有增强的抗体依赖性细胞毒作用 (ADCC) 能力和对 CD38 靶向性抗性的自然杀伤 (NK) 细胞有可能增强达雷木单抗 (DARA) 的临床抗骨髓瘤活性。因此，我们试图开发一种有效的基于 CRISPR/Cas9 的基因编辑平台，以破坏离体扩增的 NK 细胞中的 CD38 表达 (CD38 敲除 (KO))，并同时为 CD38 KO NK 细胞配备高亲和力 CD16 (CD16-158V) 受体。方法 使用 Cas9 核糖核蛋白复合物生成 CD38 KO 人 NK 细胞。通过结合信使 RNA (mRNA) 转染 CD38 KO NK 细胞和在 CD38 位点插入靶向基因以介导基因敲入 (KI)，扩展了该平台。在体外和 MM.1S 异种移植小鼠模型中测试了这些基因编辑的 NK 细胞在 DARA 存在下持续存在和介导 ADCC 的能力。结果在体外扩增的 NK 细胞中实现了高效的 CD38 基因破坏，而不会影响其增殖或功能能力。CD38 KO 赋予了对 DARA 诱导的 NK 细胞自相残杀的抗性，在体外和 MM.1S 异种移植小鼠模型中，在 DARA 存在下，能够持续存在并增强对骨髓瘤细胞系的 ADCC。CD38 KO NK 细胞可以通过转染编码 CD16-158V 受体的 mRNA 进一步修饰，从而增强 DARA 介导的 ADCC。最后，我们观察到针对 CD38 基因座的同源定向修复模板促进了有效的 2 合 1 CD38 KO 与截短 CD34 报告基因和 CD16-158V 受体的 KI 结合，CD38 KO /CD16 KI NK 细胞在体外和体内均表现出 DARA 介导的 ADCC 的进一步增强。结论使用体外扩增的 CD38 KO /CD16 KI NK 细胞进行过继免疫治疗有可能提高 DARA 的临床疗效。通过将互补的基因工程策略整合到 CD38 KO 制造平台中，我们生成了具有显著增强的 CD38 定向抗肿瘤活性的 NK 细胞，为在临床上探索这种免疫治疗策略奠定了坚实的基础。
使用 Transformer 进行药物靶标结合亲和力预测
摘要 — 药物发现通常很困难、昂贵且成功率低。药物发现和药物再利用的早期阶段的重要步骤之一是确定药物-靶标相互作用。结合亲和力表示药物-靶标对相互作用的强度。在这方面，已经开发了几种计算方法来预测药物-靶标结合亲和力，并且这些模型的输入表示已被证明在提高准确性方面非常有效。虽然最近的模型比第一个模型更准确地预测结合亲和力，但它们需要靶蛋白的结构。尽管人们对蛋白质结构有浓厚的兴趣，但已知序列和实验确定的结构之间存在巨大差距。因此，找到合适的药物和蛋白质序列表示对于药物-靶标结合亲和力预测至关重要。在本文中，我们的主要目标是评估药物和蛋白质序列表示以改进药物-靶标结合亲和力预测。
综合和表征溶液可加工，高电子亲和力分子掺杂剂
作者的完整列表：萨斯加，1月；加州大学戴维斯分校，尼古拉的化学Shevchenko；加州大学戴维斯（UC Davis），化学Gonel，Goktug；加州大学戴维斯分校，Zaira化学工程贝德拉·瓦尔迪斯（Bedolla Valdez）；加州大学戴维斯分校，雷切尔化学工程系；加州大学戴维斯分校，化学工程与材料科学Moule，亚当；加州大学戴维斯分校，化学工程和材料科学马斯卡，马克； UC Davis，化学
文章 - SARS COV-2主要蛋白酶中的生物学和应用科学突变降低了Boceprevir亲和力
摘要：严重急性呼吸综合症冠状病毒2（SARS-COV-2）引起的冠状病毒疾病2019年（COVID-19）是全球健康紧急情况。主要蛋白酶（M Pro）对于冠状病毒的生命周期至关重要。boceprevir是SARS-COV-2 M Pro的潜在抑制剂和药物候选者。在这项研究中，研究了M PRO的蛋白质结构的变化，这是由于SARS-COV-2突变以及这些变化对Boceprevir亲和力的影响（重要的潜在治疗剂）。用RDP4和Megax分析了突变。通过Promod3产生了突变M Pro的三维模型。定性模型能量分析，下原和或而者是用于野生型和突变体M蛋白的结构验证和建模。使用I-Tasser TM得分计算野生型和突变体M Pro的拓扑差异。使用Autodock 4.2进行分子对接。使用Dynomics创建了功能动态结构模型。在SARS-COV-2的M Pro中检测到了七个突变（L89F，K90R，P108，A191V，T224A，A234V和S254F）。突变导致潜在的蛋白酶抑制剂Boceprevir的亲和力降低。Boceprevir停靠到M Pro的活性位点，对于野生型和突变体而言，结合能分别为-10.34和-9.41 kcal.mol -1。通过弹性网络模型分析计算的Debye – Waller因子分别为0.58和0.64Å2，野生型M Pro和Mutant M Pro分别为0.58。是SARS-COV-2的重要药物靶标的结构中的突变可能会使现有的治疗疗法无效。
基于柔软且灵活材料的亲和力传感器
本期刊文章的自存档后印本版本可在林雪平大学机构知识库 (DiVA) 上找到：http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-169862 注意：引用本研究时，请引用原始出版物。Meng, L., Turner, AP, Mak, WC, (2020), 基于软性和柔性材料的亲和力传感器, Biotechnology Advances, 39, 107398. https://doi.org/10.1016/j.biotechadv.2019.05.004
无需仪器的蛋白质微阵列制造，实现准确的亲和力测量
摘要：蛋白质微阵列已成为药物和生物标志物开发以及诊断等各个领域的一种有吸引力的工具。因此，以微阵列形式进行多重结合亲和力测量变得至关重要。基于微阵列的蛋白质测定的制备依赖于探针溶液的精确分配，以有效固定在活性表面上。微阵列制造所需的设备成本过高，并且需要经过培训的人员来操作高复杂性的机器人点样器，这对研究人员来说是重大的不利因素，尤其是对于资源有限的小型实验室而言。在这里，我们提出了一种低成本、无需仪器的分配技术，通过该技术，熟悉微量移液的用户可以手动创建多重蛋白质测定，与机器人点样测定相比，该测定的捕获效率和噪音水平有所提高。在本研究中，我们使用干涉反射成像传感器平台，通过分析与抗 α -乳清蛋白抗体相互作用获得的结合动力学，比较了手动和机器人分配 α -乳清蛋白探针点的效率。我们表明，通过微量移液器手动点样制备的蛋白质阵列达到并超过了通过最先进的机器人点样器制备的蛋白质阵列的性能。与通过平均 75 个机器人点（对应于相同有效传感器表面积）获得的数据相比，这些无需仪器的蛋白质测定具有更高的结合信号（改善了约 4 倍）和结合曲线中的信噪比 (SNR) 提高了约 3 倍。我们展示了以 24 多路复用芯片格式确定抗原-抗体结合系数的潜力，测量误差小于 5%。
使用图神经网络和接触图预测药物-靶标亲和力
计算机的高性能使得它们可以为药物设计中的实验室实验提供帮助。1因此计算机辅助药物设计在过去的几十年里得到了发展，充分利用高性能计算机，可以快速模拟药物设计中的诸多步骤，各种应用也逐渐发展起来。例如，NAMD (NAnoscale Molecular Dynamics)2、GROMACS3和Amber4提供了相对精确的分子动力学模拟手段，可以模拟分子体系在特定条件下的自然运动。分子对接可以探索不同分子之间的结合构象空间，帮助研究人员找到最佳的对接构象。许多专注于分子对接的方法包括DOCK、5AutoDock、6GOLD7等。随着深度学习在各个领域的卓越成就，基于深度学习的药物设计应用和模型不断涌现。Preuer等人。构建了一个前馈神经网络，并提出了一个名为 DeepSynergy 8 的模型来预测抗癌药物的协同作用。DeepTox 9 由一个深度神经网络组成，被提出用于毒性预测，并在 Tox21 挑战数据集中表现良好。10 BSite-pro 11 使用随机森林分类器仅基于序列来预测蛋白质结合位点。Lenselink 等人证明深度神经网络的表现优于生物活性基准集。12 Ciriano 等人总结了最近基于机器翻译的蛋白质化学计量建模
DeepGS：用于药物靶标结合亲和力预测的图形和序列的深度表示学习
摘要：准确预测药物-靶标结合亲和力 (DTA) 是药物发现中的一项关键任务。大多数传统的 DTA 预测方法都是基于模拟的，这严重依赖于领域知识或具有靶标的 3D 结构的假设，而这些知识通常很难获得。同时，传统的基于机器学习的方法应用各种特征和描述符，并且仅仅依赖于药物-靶标对之间的相似性。最近，随着可用的亲和力数据的增加和深度表示学习模型在各个领域的成功，深度学习技术已应用于 DTA 预测。然而，这些方法考虑了标签/独热编码或分子的拓扑结构，而没有考虑氨基酸和 SMILES 序列的局部化学背景。基于此，我们提出了一种新颖的端到端学习框架 DeepGS，该框架使用深度神经网络从氨基酸和 SMILES 序列中提取局部化学背景，以及从药物中提取分子结构。为了协助对符号数据的操作，我们建议使用先进的嵌入技术（即 Smi2Vec 和 Prot2Vec）将氨基酸和 SMILES 序列编码为分布式表示。同时，我们提出了一种在我们的框架下运行良好的新分子结构建模方法。我们进行了大量的实验，将我们提出的方法与最先进的模型（包括 KronRLS、SimBoost、DeepDTA 和 DeepCPI）进行了比较。大量的实验结果证明了 DeepGS 的优越性和竞争力。
使用 GAN 预测药物-靶标结合亲和力
药物与靶标之间相互作用的计算预测是药物发现领域的长期挑战。最先进的药物-靶标相互作用预测方法主要基于具有已知标签信息的监督机器学习。然而，在生物医学中，获取标记的训练数据是一个昂贵且费力的过程。本文提出了一种基于半监督生成对抗网络 (GAN) 的方法来预测结合亲和力。我们的方法包括两部分，两个用于特征提取的 GAN 和一个用于预测的回归网络。半监督机制使我们的模型能够学习标记和未标记数据的蛋白质药物特征。我们使用多个公共数据集评估我们方法的性能。实验结果表明，我们的方法在利用免费提供的未标记数据时实现了具有竞争力的性能。我们的结果表明，利用这种未标记数据可以大大帮助提高各种生物医学关系提取过程的性能，例如药物-靶标相互作用和蛋白质-蛋白质相互作用，特别是在这些任务中只有有限的标记数据可用时。据我们所知，这是第一个基于半监督 GAN 的预测结合亲和力的方法。
面对人造：理解亲和力、可信度和对更现实的偏好
近年来，各公司一直在为由人工智能 (AI) 控制的数字虚拟代理开发更逼真的人脸。但用户对与此类虚拟代理互动有何感受？我们使用了一项受控实验室实验来检查用户对通过视频（即 Skype）以及非常逼真的虚拟形象出现的真实人类旅行代理的感知可信度、亲和力和偏好；一半的参与者（被误导性地）被告知虚拟形象是由人工智能控制的虚拟代理，而另一半则被告知虚拟形象由同一个人类旅行代理控制。结果表明，参与者认为视频人类代理更值得信赖，对他更有亲和力，并且比两个虚拟形象版本都更喜欢他。相信虚拟形象是由人工智能控制的虚拟代理的用户对代理的亲和力、可信度和偏好程度与相信虚拟形象由人类控制的用户相同。因此，使用逼真的数字化身会降低亲和力、可信度和偏好，但虚拟形象如何控制（由人还是机器）则没有影响。结论是，仅提高视觉保真度就能带来显著的积极变化，用户并不反对先进的人工智能模拟人类的存在，有些人甚至可能期待这样先进的技术。1. 简介