Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Diverse crystal size effects in covalent organic frameworks.

Nature communications·2020
Same author

Retroreflection and diffraction of a Bose-Einstein condensate by evanescent standing wave potential.

Scientific reports·2020
Same author

MEX3A is upregulated in esophageal squamous cell carcinoma (ESCC) and promotes development and progression of ESCC through targeting CDK6.

Aging·2020
Same author

Preparation of Programmed Cell Death-Ligand 1 Antibody Nanoparticles Based on Nude Mouse Model and Its Therapeutic Effect on Lung Cancer.

Journal of nanoscience and nanotechnology·2020
Same author

Controlling and optimizing the morphology and microstructure of 3D interconnected activated carbons for high performance supercapacitors.

Nanotechnology·2020
Same author

Clinical outcomes of dialysis patients with COVID-19 in the initial phase of the COVID-19 outbreak in Wuhan, China.

International urology and nephrology·2020
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Jan 8, 2026

A High Throughput MHC II Binding Assay for Quantitative Analysis of Peptide Epitopes
07:59

A High Throughput MHC II Binding Assay for Quantitative Analysis of Peptide Epitopes

Published on: March 25, 2014

15.5K

NeoGuider: predicción de neoepítopos mediante ingeniería avanzada de características

Xiaofei Zhao1, Lei Wei2, Zhen Xie1

  • 1MOE Key Lab of Bioinformatics, Bioinformatics Division of BNRIST, Center for Synthetic and Systems Biology and Department of Automation, Tsinghua University, Beijing, China.

Genome medicine
|December 24, 2025
PubMed
Resumen

NeoGuider, un modelo de aprendizaje automático, predice con precisión los neoepítopos de la inmunoterapia contra el cáncer. Esta herramienta bioinformática mejora el descubrimiento y la priorización de neoepítopos a partir de datos de secuenciación, optimizando el diseño del tratamiento.

Palabras clave:
Inmunoterapia contra el cáncerDesequilibrio de clasesIngeniería de característicasNeoantígenoNeoepítopoSecuenciación de próxima generaciónNo linealidad

Más Videos Relacionados

A Protocol for Computer-Based Protein Structure and Function Prediction
16:41

A Protocol for Computer-Based Protein Structure and Function Prediction

Published on: November 3, 2011

69.6K
Peptide Scanning-assisted Identification of a Monoclonal Antibody-recognized Linear B-cell Epitope
08:09

Peptide Scanning-assisted Identification of a Monoclonal Antibody-recognized Linear B-cell Epitope

Published on: March 24, 2017

9.9K

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

A High Throughput MHC II Binding Assay for Quantitative Analysis of Peptide Epitopes
07:59

A High Throughput MHC II Binding Assay for Quantitative Analysis of Peptide Epitopes

Published on: March 25, 2014

15.5K
A Protocol for Computer-Based Protein Structure and Function Prediction
16:41

A Protocol for Computer-Based Protein Structure and Function Prediction

Published on: November 3, 2011

69.6K
Peptide Scanning-assisted Identification of a Monoclonal Antibody-recognized Linear B-cell Epitope
08:09

Peptide Scanning-assisted Identification of a Monoclonal Antibody-recognized Linear B-cell Epitope

Published on: March 24, 2017

9.9K

Área de la Ciencia:

  • Biología computacional
  • Inmunología
  • Bioinformática

Sus antecedentes:

  • La predicción de la inmunogenicidad de los neoepítopos es crucial para el desarrollo de inmunoterapias eficaces contra el cáncer.
  • Los métodos de predicción existentes tienen dificultades con la no linealidad y el desequilibrio de clases en los datos de inmunogenicidad.

Objetivo del estudio:

  • Desarrollar un modelo de aprendizaje automático, NeoGuider, para la predicción precisa de la inmunogenicidad de los neoepítopos.
  • Crear un pipeline bioinformático para la detección y priorización de candidatos a neoepítopos.

Principales métodos:

  • Se desarrolló NeoGuider, un modelo de aprendizaje automático supervisado.
  • Se utilizó la estimación de densidad de kernel personalizada y la regresión isótona centrada para la transformación supervisada de características.
  • Se implementó NeoGuider como un pipeline bioinformático que integra la detección y priorización de neoepítopos.

Principales resultados:

  • NeoGuider demostró un rendimiento superior en la predicción de neoepítopos en comparación con los métodos existentes.
  • Se realizó una evaluación comparativa en 7 cohortes, 113 pacientes y 635 candidatos inmunogénicos.
  • El modelo aborda eficazmente la no linealidad y el desequilibrio de clases en la predicción de la inmunogenicidad.

Conclusiones:

  • NeoGuider ofrece un enfoque robusto y preciso para predecir la inmunogenicidad de los neoepítopos.
  • El pipeline bioinformático facilita la mejora del descubrimiento de neoepítopos para la inmunoterapia contra el cáncer.
  • NeoGuider es una herramienta de código abierto disponible para una aplicación más amplia en la investigación.