大型综合性医院风险矩阵量化评估与分析

任何风险最后都需要用数字或精确的文字描述来表述，才能被大多数人正确认识。运用矩阵的方法和原理，采用专家咨询法对大型综合性医院的风险进行量化评估，并提出对应的对策分析。     

Nuclear localization of Sindbis virus nonstructural protein nsP2

In early infection, approximately 10% of nonstructural protein nsP2 of Sindbis virus was transported into the nuclei of virus-infected BHK-21 cells. Nuclear asP2 was dominantly associated with nuclear matrix. During the course of infection, increasing amounts of nsP2 accumulated in the nuclear fraction. A prominent accumulation of nuclear nsP2 occurred early in infection, from 1 h to 3 h postinfection. Meanwhile. a weak NTPase activity was found to be associated with the immunocomplexed nsP2. Nuclear localization of nsP2 and its possible role were diseussed in relation to the inhibition of host macromolecular synthesis.     

基于核范数正则化的抗癌药物组合协同作用预测

目的 抗癌药物联合疗法是一种很有前途的治疗策略。针对特定癌症类型，选择高度协同的药物组合，对提高癌症疗效至关重要。然而，确定具有协同作用的药物组合是一项复杂而困难的工作。本研究旨在完全以数据驱动、计算建模的方式优化抗癌药物组合高通量虚拟筛选，为“旧药重新定位新组合”提供理论参考。方法 借鉴矩阵填充思想，构建了基于核范数正则化的计算模型NNRM，用于预测抗癌药物组合的协同得分和协同状态。针对固定细胞系构造对称的协同得分观测矩阵；采用分折技巧将观测矩阵稀疏化；借助“交替方向乘子法”和“软阈值估计”求解模型。结果 将NNRM应用于O’Neil团队发布的数据集，预测的协同得分与观测值之间的均方根误差为14.78，预测的协同状态准确率为0.94，优于随机森林（RF）和支持向量机（SVM），完全可以与深度学习模型相媲美。此外，NNRM预测的部分缺失值结果与已有研究或临床实践相吻合。结论 NNRM可实现大规模、批量预测抗癌药物组合的协同作用，极大地降低了已有模型对数据的要求和计算成本，缩短了高通量虚拟筛选的测试时间，可以作为抗癌药物组合高通量虚拟筛选的可选择工具。