目的目前国内尚未有针对猫主要过敏原(Fel d 1)的商品化定量检测试剂盒,为建立Fel d 1快速检测方法,本研究制备了Fel d 1蛋白的单克隆抗体。方法本研究利用大肠杆菌密码子偏好性,对Fel d 1基因进行优化与合成,构建原核表达质粒pET-28a-F...目的目前国内尚未有针对猫主要过敏原(Fel d 1)的商品化定量检测试剂盒,为建立Fel d 1快速检测方法,本研究制备了Fel d 1蛋白的单克隆抗体。方法本研究利用大肠杆菌密码子偏好性,对Fel d 1基因进行优化与合成,构建原核表达质粒pET-28a-Fel d 1,随后表达并纯化Fel d 1重组蛋白;对BALB/c小鼠进行免疫,制备单克隆抗体。以重组Fel d 1作为包被蛋白建立间接ELISA方法,筛选杂交瘤细胞株;利用Western blot法验证单克隆抗体的特异性并鉴定其抗原表位。将筛选出的杂交瘤细胞株接种BALB/c小鼠腹腔,大量制备单克隆抗体。结果成功构建了重组质粒pET-28a-Fel d 1,对表达条件进行优化后获得了可溶性表达的Fel d 1蛋白。Western blot法及抗体效价测定结果显示,获得了2株稳定分泌抗Fel d 1特异性抗体的杂交瘤细胞株,分别命名为7D11和5H4;抗体鉴定结果显示,5H4抗体亚型为IgG2a,可识别Fel d 1第105-163位氨基酸区域;7D11抗体亚型为IgG1,可识别Fel d 1第1-59位氨基酸区域。结论本研究获得的高纯度重组Fel d 1蛋白将为临床免疫治疗猫毛过敏提供一种备选方案;此外,制备的单克隆抗体将为深入研究Fel d 1的生物学功能及ELISA检测方法的研发奠定物质基础。展开更多
文摘目的目前国内尚未有针对猫主要过敏原(Fel d 1)的商品化定量检测试剂盒,为建立Fel d 1快速检测方法,本研究制备了Fel d 1蛋白的单克隆抗体。方法本研究利用大肠杆菌密码子偏好性,对Fel d 1基因进行优化与合成,构建原核表达质粒pET-28a-Fel d 1,随后表达并纯化Fel d 1重组蛋白;对BALB/c小鼠进行免疫,制备单克隆抗体。以重组Fel d 1作为包被蛋白建立间接ELISA方法,筛选杂交瘤细胞株;利用Western blot法验证单克隆抗体的特异性并鉴定其抗原表位。将筛选出的杂交瘤细胞株接种BALB/c小鼠腹腔,大量制备单克隆抗体。结果成功构建了重组质粒pET-28a-Fel d 1,对表达条件进行优化后获得了可溶性表达的Fel d 1蛋白。Western blot法及抗体效价测定结果显示,获得了2株稳定分泌抗Fel d 1特异性抗体的杂交瘤细胞株,分别命名为7D11和5H4;抗体鉴定结果显示,5H4抗体亚型为IgG2a,可识别Fel d 1第105-163位氨基酸区域;7D11抗体亚型为IgG1,可识别Fel d 1第1-59位氨基酸区域。结论本研究获得的高纯度重组Fel d 1蛋白将为临床免疫治疗猫毛过敏提供一种备选方案;此外,制备的单克隆抗体将为深入研究Fel d 1的生物学功能及ELISA检测方法的研发奠定物质基础。
文摘目的建立基于海马MRI影像组学的预测模型,以评估2型糖尿病(type 2 diabetes mellitus,T2DM)患者的认知功能水平属于认知正常(cognitive normal,CN)、轻度认知障碍(mildly cognitively impaired,MCI)还是痴呆(dementia,Dem)。材料与方法回顾性纳入140例T2DM患者的临床资料和MRI影像资料,根据蒙特利尔认知评估量表北京版(Montreal Cognitive Assessment Beijing version,MoCA-B)评分分为CN组、MCI组及Dem组,按照7∶3的比例随机分配至训练集(n=98)和测试集(n=42)以验证模型性能。使用联影智能平台(u AI Research Portal,uRP)勾画左右海马体感兴趣区(region of interest,ROI),提取影像组学特征,用方差阈值法和特征权重评估算法(Relief)进行特征降维,将其MRI影像组学特征使用十二个分类器构建机器学习(machine learning,ML)模型,并采用混淆矩阵评估分类模型性能。在训练数据中探讨最优截止点和调整参数,并在试验数据中对模型进行进一步评价。通过比较各分类器曲线下面积(area under the curve,AUC)确定最佳算法。结果从海马MRI的2313个原始组学特征中通过K-best选择方法确定了10个关键特征,进一步应用Select KBest,最终识别出2个最优特征。在CN组、MCI组、Dem组中使用十二个分类器进行训练时,二次判别分析(quadratic discriminant analysis,QDA)算法在分类器中表现最佳,训练集各组的AUC分别为0.869、0.854和0.893;测试集各组的AUC分别为0.819、0.779和0.811。结论基于海马MRI的QDA模型对T2DM患者认知功能障碍及其严重程度具有预测价值。
