生物信息学的优势范文
时间：2023-12-21 17:36:32
导语：如何才能写好一篇生物信息学的优势，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
关键词：信息技术；生物数学；教学整合
现在，信息技术在我们生活中被广泛应用，它改变了我们的生活和工作方式，教育和学习的方式也随之改变。由于生物学是研究生命现象和生命活动规律的学科，所以，信息技术在中学生物教学中广泛应用，促进了信息技术与生物教学的整合，成为生物课程改革和研究的重要组成部分。
一、信息技术与中学生物教学整合的优势
1.信息技术能形象地研究生命现象和生物的活动规律
信息技术在中学教学中的应用，使教学内容呈现出更多样的方式，在教学过程中实行视觉和听觉的有效结合，突破了古板的教学方式，例如，我们可以把心脏制造成跳动的动态节奏；“动脉血”用鲜红色表示，“静脉血”用暗红色表示，“血液”的流动方向用“红细胞”的运动代表；毛细血管制作成动画来响应机体循环中各种物质的交换过程，和血液颜色在与气体交换后的变化形式。这样，我们会更好地向学生展示“心脏”跳动的频率，“血液”流动的方向，“动脉血”和“静脉血”的转变过程，学生会在他们的头脑中留下深刻的烙印，加上学生的仔细观察和认真思考，学生一定会更快地体会到血液循环的途径和重要意义，一定可以收获到意想不到的结果。
2.信息技术教学能实现生物教学中微观向宏观的转变
微观性在中学生物学中是一个重要的特性。如，细胞是生命中最基本的单位，这节就讲述了细胞的结构和功能；细胞的繁衍和分化；癌变和衰老等一切关于微观生物学的实质，但其微观性较强，学生在学习过程中会有很大的阻碍，也让初学者很难迈出这第一步门槛，造成很多学生对生物学失去了兴趣。传统的教学是以老师的语言叙述、板书的描写、模型的展示来对学生进行教学，逼迫学生重复记忆学习，使学生产生了厌烦的情绪。我们运用信息技术就可以解决这方面的问题。
例如，利用多媒体讲述“细胞器――系统内的分工与合作”这节内容效果会大大不同，通过色彩形象的细胞亚显微结构整体演示，在学生的脑海中形成了整体的印象，之后演示细胞质基质部分闪动方式和颜色的体现，这样可以使学生对细胞质基质和细胞器更好地区分开。接着逐一对细胞器进行逐一的扩大和特写，通过学生的仔细观察、认真的感知和自主探究的过程掌握了各个细胞器的结构和功能。
3.对生物实验进行模拟，从而达到教学质量的提高
生物学中离不开生物实验，在实验中，学生可以亲身经历科学研究的基本过程，这对学生理解和掌握所学知识起到了重要的作用。通过实验还可以提高学生的动手能力、创新能力、互相交流的能力等。但是实际的教学中，实验经常会被许多方面的条件制约导致无法实施。这样教师只能借助教材空讲实验，学生也只能勉强地熟记实验的过程，学生的学习质量可想而知。现在信息技术走进教学，为中学生物实验提供了宽阔的空间，也解决了技术条件不足的问题。
二、信息技术教学在中学生物教学中存在的缺点与不足
现在，培养学生的动手能力是当今素质教育和创新教育的必抓内容，要勤于动手，不应一味地依靠现在的教育科技，这样会对我们的动手能力和创新意识形成阻碍。课中教师注视电脑屏幕的时间多于与学生交流的时间，再加上教室的灰暗光线导致学生不能清楚地辨别教师的表情、眼神、手势等，影响了教学的质量。另外一些抽象、微观的语言很难叙述问题，信息技术不能很好地表示清楚，毕竟计算机只是创造环境让人们交流、分享隐形知识。因此信息技术与传统教学相结合，相互补充，选优取之，才能获得更好的结果。
总体而言，现在教育化的今天，信息技术在中学教学中的应用，不但对生活现象和有关知识表现得更加直观和形象，实现生物学教学由微观向宏观的转化，更可以很好地对生物实验进行改良，可以帮助学生自己探索学习，从而提高教学效率等。可同时也要了解现代教育技术与传统教育方式是相互依靠、互相补充的，把两种教育方式相互结合在一起，取之长，去其短，这样的教学才能达到理想的效果。
篇2
关键词：探究性实验教学；教学模式；教学内容；高中生物
在高中生物教学中，利用探究性实验对学生进行引导，协助学生运用基础生物知识和基本生物实验原则、方法等进行实验方案设计、讨论和分析不仅可以激发学生的学习兴趣，拓展学生的综合思维能力，还能够增强教学的针对性，提升学生对生物知识的了解和掌握。在高中生物实验教学中采用探究式教学也是新教学环境下实现素质教育的必然要求。
一、探究性实验教学概述
随着学生综合素质的提高和教学环境的改善，传统的教学方式已经无法继续适应以素质教育为目标的教学需求，这就要求必须进行教学改革。具体到生物实验教学中体现为：增强学生的动手能力和实验仪器的控制能力；训练学生独立操作能力；培养学生对实验数据和实验结果的分析能力；协助学生对误差等进行合理阐释等。
探究性生物实验教学以小组为单位，可以在轻松、自主、沟通的环境下对生物学习中的未知理论知识进行探索，对已有理论知识进行验证。这样不仅可以增强学生的动手能力，还能够活跃课堂氛围，提高学生分析问题、解决问题的能力。
实施探究性实验教学可分为以下几个环节：创设情境，揭示课题；讨论分析，制定方案；沟通交流，优化设计；实践操作，分析结果。其中最为重要的环节为方案的设计与优化。适当的实验方案可以帮助学生有效组织知识结构，制定与预期结果相符或相近的实验结果，充分体现学生对学习内容的掌握程度和理解深度。
探究性实验的常用步骤为：（1）根据实验方案选取实验材料。实验材料的选取应该尽量保持一致性，以便消除变量因素以外的干扰因素。（2）对每组材料分别进行处理。探究性实验的关键在于对照组的设置和处理，通过对比才能够获得更加科学和更加缜密的实验现象和实验结果；（3）观察比较，分析并得出结论。通过观察比较可以对实验现象进行整理和归纳，进而获得预期的实验结果。
二、优化教学模式，提升学生的实验兴趣
旧教材中的实验大多是验证性实验和观察性实验，学生不需要知道实验设计的原因和内在关系，只需要根据实验内容进行相应的操作即可。这种生物实验教学虽然可以提高学生实验操作步骤和实验结果的准确性，但是极大地限制了学生创新能力的发挥，不利于培养学生的综合素质能力。而探究性生物实验则可以改变这种传统教学模式中存在的局限性，将学生作为教学主体，调动学生的学习积极性，鼓励学生参与到实验的整个过程中，提倡让学生利用现有知识根据实验要求自主设计和制定实验方案，总体提升学生的个人能力。
如在进行“温度对酶活性的影响”的教学实验时，学生会根据已有知识选择利用斐林试剂验证酶的催化效率作为酶活性的体现指标。学生根据菲林试剂与酶的关系通常会设计出两种方案。
第一种方案：在三只试管中分别加入等量的新鲜淀粉酶溶液，分别将三只试管放入不同温度中一段时间，如分别将三只试管放入冰水、60度热水、沸水环境中5分钟，然后取出三只试管放入相同环境下，向其中加入等量可溶性淀粉和碘盐进行实验验证。
第二种方案：同样在三只试管中分别加入等量的新鲜淀粉酶溶液，之后分别又加入等量可溶性淀粉，然后将三只试管分别置入第一种方案的环境下，经过一段时间后取出加入等量碘盐溶液进行实验验证。
由于是学生设计的实验，故学生均会认为自己的实验方案是正确的，但是实验结果表明实验方案并不理想。如方案一中后加入的淀粉溶液会影响实验温度，而方案二中淀粉与淀粉酶的同时加入会影响实验结果。此时教师可与学生进行讨论，对现有实验方案进行优化设计，获得最佳的实验效果。
优化实验内容为：分别取两组试管，每组试管由三根试管组成。其中一组试管添加等量淀粉溶液，另一组试管添加等量淀粉酶溶液，然后将两组试管分别浸入不同温度的水中一段时间后取出，将两组试管依次对应混合摇匀后重新置入对应温度环境中，分别加入等量碘盐溶液观察实验现象。
三、拓展实验教学内容，提升学生对探究实验的认识深度和广度
高中生物教学除了依靠教学资源的支撑之外，还应该充分挖掘教学内容，结合实际生活对教学内容进行拓展和延伸，增强课内探究性实验教学和课外自主实验探索的结合度，真正提高学生学习知识、应用知识的能力。
首先，可以对实验内容和实验资源进行开发。对于一些实验材料和实验方法较为容易实现的教学内容，可以让学生发挥个人的主观能动性进行自主创新和修改。
其次，可以借助常规实验的原理、方法等进行实验拓展，帮助学生创设新的、与实际联系密切的，可提高学生对生物认知深度和广度的实验。
再次，可以结合教学要求针对性地选择教材中的重点知识让学生去自主设计探究实验，并对实验内容和实验结果进行相互交流，分析各方案的优缺点，对现有实验方案进行总结和优化，最终通过一系列实验过程掌握和理解重点教学内容。
参考文献：
[1]宋军山.定位实验教学，引领学生探究实验[J].教学与仪器，2011，（11）.
篇3
关键词：竞争-合作式学习 新课程 初中生物
生物课程理念在提高学生生物科学素养（即参加社会生活、经济活动、生产实践和个人决策所需的生物科学概念和科学探究能力，包括理解科学、技术与社会的相互关系，理解科学的本质以及形成科学的态度和价值观）的同时，倡导探究性学习的过程中培养学生分析和解决问题的能力以及交流与合作等方面的能力，并指出教学要着眼于学生全面发展和终身发展的需要，要为学生步入社会做准备[1]。
1、初中生物学科的特点
作为自然科学，生物学与物理学、化学、自然地理学等一样，都是以自然界为研究对象的，但生物学研究的又主要是自然界中有生命的部分，所以初中生物学科不同于其他科目，它有其独有的特点。生物是以实验为基础的理科课程，十分强调具体经验在学习中的重要性，在教材中充分重视为学生创造观察自然、互相讨论的机会，为合作竞争教学提供了很好的实施环境，特别是实验教学中，实验小组成员间的合作是客观存在不可缺少的，组间竞赛是小组有效合作的动力源泉，因此，竞争－合作学习是适合于本课程教学的一种较好的策略[2]。
2、初中生物竞争－合作式学习中教学主体间相互作用的方式
教学主体主要包括教师和学生，竞争－合作学习中教学主体相互作用主要是指教师与教师之间、教师与学生之间以及学生与学生之间相互作用的方式。
2.1竞争－合作式学习中教师的角色
教师正确定位自己在竞争－合作学习过程中的角色，将对于竞争－合作学习的顺利展开具有十分重要的意义。作为教师，应在教学之前就做出许多决定，确定教学目标、解释教学任务、组织实施课程、进行课程评价和反思等，具体包括：
进行教学前的决策。决定小组的大小，学生分配到小组的原则，小组成员的分工，进行教室的空间布置。
解释学习任务和竞争－合作的结构。向学生解释教学任务，告知学生成功的标准，帮助小组成员明确自己的责任，阐述自己所期望看到的一些具有合作与竞争特征的行为。
监控和干预。对教学秩序的监控，对小组进行竞争－合作学习的监控，指导学生胜利完成竞争－合作学习。
评价和审查。对学生竞争－合作学习效果的质量和数量给予评定。
2.2竞争－合作式学习中生生相互作用的方式
学生在竞争－合作学习过程中主要存在两种作用方式，一是竞争，主要是指小组之间的竞争，也就是一个小组的成员与另外一个小组的所有成员之间的竞争；二是合作，主要是小组内成员之间的合作。在竞争的情况下，学生之间有所保留，不愿将自己的与他人分享，并且有敌对的感情存在。在合作的情况下，小组之间为了在最终的竞争中取胜，可以毫无保留，尤其是优等生可以自觉指导该组中成绩不好的学生进行学习，以增加小组竞争优势。
3、指导初中生物竞争－合作式学习的技术
3.1指导竞争的技术
学生之间一直都存在竞争，但是很多学生不知道怎么去竞争，才能取得最佳的效果。竞争的盲目性带来了许多害处，如学生竞争的手段过激，学生对竞争过程的看法扭曲，以及不能正确看待竞争的结果。竞争之道并非坦途和捷径，为了取胜，必须掌握竞争的技能和技巧。教师在实施竞争学习之前就应先教会学生这些技能和技巧：
(1)扬长避短，趋利避害。所谓竞争，就是对手之间力的较量。与此相应的对策，就是认识己方与对方的长处和短处，克服心理定势的消极影响，进而充分发挥自身的优势，尽量缩小自身的缺点。教师应该帮助学生了解到自身的不足，同时引导他们改善自身不足和学习他人的长处。帮助学生在竞争－合作学习过程中，知道如何发挥自己的优势，克服自身的缺点。
(2)逆境不馁，处变不惊。人生不如意事十之八九。在竞争过程中，由于主观、客观的原因，自己难免处于逆境、绝境。当自己处于劣势之时，对策原则就是逆境不馁，处变不惊，冷静沉着，力挽狂澜。在竞争－合作学习过程中，必然会出现胜利者和失败者，失败的一方，往往会出现两种极端，一是对接下来的竞争－合作学习活动失去兴趣，二是能够从失败中寻找自身不足，努力改正，争取在下一次活动中战胜对手。
(3)协调关系，良性竞争。在竞争－合作学习过程中，强调的是组内合作和组间竞争，但是并不排斥组与组之间建立适当的合作。学生可以根据活动的需要，结合自身情况进行适当的组间合作，协调好自己组和其他组的关系，达到共赢的目的。
3.2指导合作的技术
(1)促进小组成员和睦相处
由于在分组时，要遵循异质分组的原则，小组成员大多在能力与个性上存在差异，那么小组成员在相处过程中必然会产生一些摩擦。这一问题，并不难解决，随着小组合作学习次数的增多，教师的有效引导，情况会有所好转。教师可以经常告诫学生，在小组中与同伴合作是学生在小组活动中应当表现的行为。还要使学生明白，藐视合作，取笑他人，拒绝帮助他人是不可取的，也不是有效的学习方法。教师可以将小组合作的状态作为附加分，以促使小组成员和睦相处，相互合作。
(2)噪音的有效控制
在小组合作学习过程中，由于小组成员之间要进行交流讨论，班级会变得较为嘈杂，这是一种自然趋向。在评价过程中，如果能将小组的秩序混乱与产生嘈杂的相关因素也作为评价的一个标准，相对而言，可以比较好的控制噪音和嘈杂程度。
(3)小组表扬
在活动中给予表现比较好的小组奖励，可以让其他小组成员明白什么样的行为是有价值的，被表扬的小组就起到了模范带头作用。在合作学习过程中，教师要能够对表现好的小组给予及时奖励。
4、结论
总之，竞争－合作式学习使教学活动呈现出师生之间、同学之间以及学生自身的多向反馈结构。强烈的竞争机制充分调动了学生的主动性并激活了思维。竞争－合作式学习同时培养了学生的集体意识，使他们深刻意识到团结协作的重要性，要想“泰山移”，必须“人心齐”。
参考文献：
篇4
【关键词】生物信息学；医药基因；应用
中图分类号：R9
文献标识码：A
文章编号：1006-0278（2015）02-119-01
当前，生物信息学是自然科学以及生命科学等前沿领域，集合了多种学科，是21世纪研究自然科学的核心和基础。
一、药物设计与发展
（一）传统药物研发
药物研究和开发的传统方法就是从动物器官、组织或者细胞中筛选出符合要求的药理模型，或者从植物、动物以及天然矿物质入手，又或者在确定候选药物的过程中以化学合成为基本形式，并进一步优化先导物，一切工作准备就绪以后即可将候选药物推入临床使用，观测其使用效果，合格以后投入市场。这种方法简单有效，但是费用和时间都相对花费较多。据不完全统计，在未诞生生物信息学以前新药的研究开发需要历经十年时间，其所花费的费用总额约为5-10亿美元；此外，传统的新药研究方法存在一定的缺陷和不足，筛选合成物的过程较为繁琐，新药开发效率极低。
（二）计算机辅助药物设计
白上世界70年代开始，美国麻省理工学院霍恩贝尔教授率先提出了分子设计，白此之后，药物分子设计逐渐被应用到新药研究中；而随着计算机技术的进一步普及和推广，药物分子设计的基础就是计算机辅助药物设计方法，即CADD。计算机辅助药物设计的一般原理就是：第一步，在X单晶衍射等技术的支撑下获取完整的大分子结构，并在相关软件的支持下分析具体的化学性质；第二步，充分发挥全新药物分子设计技术以及数据库搜寻的优势，寻找理化性质与分子形状与受体作用位点相一致的分子，测试并合成分子生物活性，在循环几次以后，就能顺利得到新的先导化合物。当前，主要有二种计算机辅助药物设计方法：其一，药效基团模型方法、定量构效方法等基于小分子的药物分子设计方法；其二，计算组合方法；其二，分子对接法等基于受体结构的药物分子设计方法。
二、生物信息学在药物设计中的应用
1.生物信息学的研究领域较广，涉及的内容较多，主要包括非编码区功能研究、蛋白质谱技术和蛋白质组研究、基于完整基因组数据的生物进化研究、生物大分子结构模拟和药物设计、基因表达调控网络的研究、大规模基因组测序中的信息分析、生物信息的收集、存储、管理与提供以及启动子、外显子、内含子的识别等。近年来，新的高效实验技术不断发展，这就要求生物信息学不断扩展研究领域。生物信息学的出现和推广，为药物设计和开发提供了新的路径和方法，推动着药物设计向理性化和专业化的方向发展，这大大减少了新药的研究费用和开发时间。蛋白质序列和核酸序列的功能和结构信息是生物信息学的主要研究对象，这为药物设计提供了坚实的理论支撑，大大缩短了药物开发使用的时间。当前，大量的生物大分子二维结构已经被成功测定，依据大分子和药物分子相互作用的原理，可以在研究受体结构的基础上科学设计药物分子。所以，药物设计的一种重要手段就是充分发挥生物信息学的优势，寻找出合适的先导化合物。全新药物分子设计、分子对接以及二维结构搜索是目前较为普遍的几种方法。
2.物信息学的发展切实改变了药物研究和开发的模式。传统的药物研发模式就是筛选并选择出合适的药理模型先导物，并将先导物进行优化，评价合格以后投入市场使用。在基因组计划大力实施的今天，DNA自动测序大规模完成，序列数据急剧增加，生物信息学在对数据进行加工、整理的过程中会发现药物的新靶点，然后对其进行计算和建模，确保药物设计的顺利进行，这在一定意义上开创了药物研究和开发的新模式，有利于增强新药研发的有效性和针对性，大大缩减了药物设计和研发的时间，节省了人力、物力、财力投入。
3.生物信息学参与新药推向市场。在研制新药并临床适用通过以后，就要将其推广到市场，这时，首要的就是收集和整理该药所治疗的疾病患者的地区分布、市场需求以及年龄结构等情况，从而制定出市场价格、专利申请保护等切实可行的市场开发战略，为新药注入持续不断的发展活力。但是这些信息较为分散，收集难度较大，这时就要充分发挥生物信息学的优势，对网络数据库中的信息进行分析和整理，减少开发过程中的盲目性，大大提升新药的开发效率，减少物力、财力等资源消耗。
三、结语
当前，生物信息学逐渐成为现代药物开发和研究的重要工具，而且药物设计与生物信息学有着更加紧密的联系；与此同时，药物设计的不断发展也要求生物信息学进一步拓宽研究领域和范围，生物信息学的发展会在一定程度上推动药物设计的发展和进步。
参考文献：
[1]张建华，张士金生物信息学能否推动现代中医药研究的发展[J]医学争鸣，2012（5）.
篇5
关键词：个性化习题；生物信息学；QQ群
中图分类号：G811.4 文献标志码：A 文章编号：1674-9324（2016）48-0171-02
生物信息学是生物学、计算机科学和信息技术等支持的，包括存储、组织和生物数据检索的一个现代交叉学科。随着分子生物学和信息技术的不断突破，各种生物数据的获得变得非常容易，但是如何对这些数据进行组织、分析和处理，并从中发掘出能用于解决生物科学问题的信息，成为目前生命科学的难点和热点。生物信息学因此应运而生，其本身不仅是研究现代生物学，也是研究其对工业、医疗等重要领域影响的一门实践性学科（Bloom，2001）。
一般认为，生物信息学主要渗透到统计数学、计算机和生命科学，尤其是生命科学的组学领域（郭丽等，2014），因此在教学中，生物信息学的教学内容往往因学生背景不同而会有不同的侧重。这就需要教师根据学生的背景及知识结构的需求来合理安排教学。本文根据近年来对生物信息学教学的经验，从教学方法、个性化练习题对学生上机的促进及QQ群投票功能在教学中的应用等方面进行了总结，对如何能够提高生命科学学院的学生学习此门课程的兴趣进行了探讨。
一、现代教学方法的利与弊
随着计算机科技的不断进步，教学已经从传统的板书模式进入到现代多媒体教学模式中。多媒体技术应用的初衷是提高学生的参与度，满足教学手段更民主、多元化及个性化的教学目标，其优点为表现力丰富，可以通过动画、视频、图像、音频等效果将抽象难懂的问题直观化。其次，节省了大量的板书时间，同时教师可将教学的重点、难点链接，以益于学生直观地了解并进行思维拓展（张林，2011）。多媒体最明显的一个特点就是教学容量加大，但正是这些优势也伴随相应的问题：（1）重形式而忽视教学内容。很多学校在进行教学管理及评价时，过分关注多媒体课件的形式以及学生的感受，导致有些教师过分注重多媒体的表现形式而忽视了教学的主要内容。（2）教学容量和学生的吸收量之间反差较大。由于教学内容和容量的增大，教师并没有根据授课对象的具体情况合理安排和讲授学科内容，而被动的成了多媒体的播放员和解说员。总之，多媒体教学利大于弊，因而成为教学改革和发展的必然产物，虽有缺点，但不能因噎废食，需通过其他方法来克服弊端才能达到完美的教学效果。
二、个性化习题是学生实践提高的强力推动器
生物信息学是一门实践性非常强的学科，为了加强学生的实践能力，教师要综合应用启发式、运用式及讨论式等多种教学方法来激发学生的兴趣。笔者在课堂实践中，充分发挥个性化习题的作用，将教师的科研渗入到课堂，注重理论与实践相结合，努力提高学生解决实际问题的综合能力。比如，在讲授第五章内容电子克隆部分，此章节目的是通过一段表达序列标签（EST），综合应用Blast、序列比对、步查法等方法查找各种数据库，通过软件的应用进行拼接、预测、去除内含子等方法，最终获得可能的全长cDNA序列并加以注释。在以往的教学练习中，全班同学的任务一样，难以知道学生是否真正掌握所教授的内容，为此，笔者将学生分组，每组自行通过阅读文献获得一条其感兴趣的EST序列，或者利用他们的毕业论文中涉及的EST序列去进行电子克隆练习，通过这种个性化习题的随堂练习，能显著强化学生的计算机应用能力和实践能力，同时也能提高学生在教学中的积极性、主动性和创新性。
三、发挥QQ群的投票功能在教学练习中的作用
生物信息学是一门交叉学科，对于非生物信息学专业的生命学院的学生而言，虽然教学大纲只要求学生掌握一些基本软件的原理及数据库的熟练使用。但是，这需要学生具有扎实的生物化学、遗传学、细胞学及分子生物学的基础知识。比如，在讲授第三章“核酸序列的分析”时，会要求学生利用已知的EST序列去Blast查找与之有同源性的基因组序列，进行序列比对，预测并利用Bioedit软件找出此基因的启动子、终止子和剪接点。这首先要求学生必须明确这些分子生物学的概念，否则在有限的生物信息学课堂上，会变成分子生物学或遗传学的复习课。而课外QQ群就起到了非常重要的交流促进作用。笔者在将QQ群的功能应用到课外教学辅助平台的基础上，充分发掘QQ群的投票及评论功能为教学所用，例如教授第三章前，将课件放到QQ群的文件中，让学生去预习。为激发学生预习的主动性，要求学生在评论中列出对本章的主要知识点或难点，并对课件中涉及的名词进行解释。为进一步加强理解，对投票功能进行设置，相应的对投票选项1、2、3、4分别设置成A、B、C、D，这样教师可根据需要将知识点转化成练习题，以加强学生的学习。同时，也可鼓励学生将一些新的感兴趣的话题或问题置于QQ群。总之，QQ群的投票功能可以成为教师与学生课下交流的一扇窗口，成为生物信息学的一种及时且重要的学习工具。
四、建议与展望
生物信息学是一门新兴学科，但我国无论是在对学科的重视还是发展程度上，与国外都存在一定的差距。在美国，计算生物学国际协会教育委员会一直致力于将生物信息学整合到高中生物教材中，学生在高中即接触生物信息学，而且高校对高中生物信息学的教学提供相应的培训课程和网上资源，生物信息学和其他分子生物学、植物学等一样较早的深入到学生的知识体系中。而我国由于该学科产生的历史较短，课程的开设集中在“985”、“211”重点院校的生物信息学专业，尽管近十年来，各大高校也意识到此学科的重要性，且课程也在逐步在开设，但由于学时短，很多教学仅限于学生掌握基本的数据库的查询。为使生物信息学能在普通院校的生命科学学院能很好的开展，各个高校应建立合适的课程教学内容。虽然近年“生物信息学”课程在各高校纷纷开设，但由于生物信息学是一门发展中的学科，它的理论及内容尚在不断完善与更新中（郭丽等，2014）。因此，对于教材的选择，不能只追逐信息量充足、内容新颖、知识选材前瞻性好的教材（杨娥等，2014）。作为普通院校的非生物信息学专业的本科生，想在较短的时间内（36课时）很好掌握如此大信息量的知识较为困难（刘宏生等，2010）。因此，需要依据学生基础及院校的人才培养目标和现今生物信息学发展的现状建立合理的课程内容体系。另外，由于缺乏合适的专业人才，生物专业的生物信息学的师资力量薄弱，无法建成高水平的教学队伍。因此，加大生物信息学教师的培养力度，建成一支专业的、年龄和知识结构合理的师资队伍，是提高本科院校生物信息学教学的关键问题之一。
参考文献：
[1]Bloom，M. Biology in silico：The bioinformatics revolution[J]. The American Biology Teacher，2001，63（6）：397-403.
[2]郭丽，赵杨，娄冬华，等.生物信息学实践课教学改革探索[J].南京医科大学学报（社会科学版），2014，（2）：165-167.
[3]张林，柴惠.现代教学手段在生物信息学教学中的应用[J].新课程研究，2011，（219）：156-157.
篇6
关键词生物信息学移动设备互联网选修课信息化
生物信息学是一门新兴的交叉学科，它综合了生命科学、计算机、统计、化学等多个学科，是目前生命科学最具活力的前沿领域之一。我国首个生物信息学专业课程于2000年在北京大学开设。[1]至今，伴随该领域越来越受关注，在科研领域及社会上的普及应用，为培育专业人才和满足在校大学生的研究兴趣，各大院校陆续在农林、生命、医学专业内设置生物信息学专业必修课。同时，为满足校园内广大爱好者的学习兴趣，大学内部也增设了生物信息学专业校选课。因此，生物信息学作为当前教学及科研领域关注的热点专业，其教学内容及教学效果也备受师生瞩目。
随着信息化时代的到来，移动通讯设备已经融入每个人的日常生活中，随着智能手机的普及和推广，移动媒体不仅在社会中普及推广，智能手机、iPad、便携笔记本电脑也在校园内使用普遍，几乎人手一机。而4G网络的全面覆盖及校园互联网的推广，更促进移动设备融入了学生的日常生活中。
1移动设备的优势及用途
目前中国的移动设备尤其是手机的增长速度十分迅速，移动设备的普及率已经远远超过计算机的使用率（截至2015年1月PC机访问互联网率为80.9%，移动设备访问互联网率为85.8%[2]）。在大学校园中，移动设备访问互联网的使用率更高。
1.1移动设备引入教学的优势
移动设备引入课堂教学中有以下几个优势：第一，携带方便，操作便捷。移动设备往往体积较迷你，且在校园大学生中普遍使用，而且随着各项APP资源的开发与拓展，操作步骤简单，过程简洁。易于熟练掌握。第二，互联网接入不受限。随着移动4G网络和校园WIFI热点的覆盖，可隨时随地使用移动设备访问互联网，即便是在教室课堂上也不受地域和时间的限制，只要点击移动设备即可轻松访问互联网，做到数据访问与交换。第三，APP内部访问形式的多元性，因为iPad，智能手机等多媒体、通讯设备工具的普及情况，[3]许多分子数据库维护机构推出了移动设备可访问的网站浏览形式，节约数据交换量，可用简洁的操作页面进行不同条目阅览或实现数据接收发送，极大提高了网站的访问与信息传输效率。第四，结果反馈的多样性。通过移动设备访问各大网站或者APP内访问，移动设备上直接呈现可视化字符、图形、影响、图像等多元素材。该特点易于对分子生物数据类型网站的结果查询和分析。
1.2移动设备在高校大学生信息化教学中的用途
在现代信息化教学及改革过程中，包括移动智能手机，平板电脑等微型移动设备可随时随地被使用。而且随着数据通讯的技术变革，互联网的访问也不受时间和地域限制。而相对传统教学模式而言，现代化的教和学的过程中，如果可以任何时间和地点内，都可以对当下教学实践信息利用移动设备和互联网进行实时访问，可以加强学习效果。目前现代的移动设备已经成功应用在大学英语、大学电子商务的课堂教学过程中。[4]即可以利用课堂中的碎片化时间尝试一种交互的学习方式。使得教学应用中出现新颖的形式。
2生物信息专业校选课面临的教学改革问题
传统的大学专业选修课教学模式一直遵循以教师为主体，遵照“传道、授业、解惑”的流程，教师在课堂中将知识内容贯穿为一定的体系，在内容讲述的同时，传播自己在这一领域掌握的知识、经验及相关技巧。而学生在接受知识内容的过程中往往是被动接受，而不能马上实际运用。生物信息学这一门专业选修课又有别于以往传统的专业型选修课，整个过程更加注重学生的实际动手能力，毕竟该专业课是以实际运用为导向，即便是引入多媒体教学或者是网络课程模式，依然不能有效加强学生的实践技能。学生在被动学习的环境下，不宜熟练理解生物信息学专业所涉及的工具、软件或者操作方法。如果一味地将该课程以是单纯传授知识与技术的教学形式进行，忽略学生的个体化学习和操作过程，那么在该课程设置的专业选修课上，面对抽象的数学算法或者模型概念，不利于收获良好的教学效果。而在课程讲授过程中注重实地操作的普及则势在必行。
3使用移动设备的生物信息学专业选修课教学设计研究
生物信息学的研究是以生物学、医学的数据研究为核心的科学领域。生物信息学的研究对象是大规模的生物学及医学大分子数据。生物信息学领域的数据库和网络平台工具种类众多，功能特点各异。对于学习者要求具备一定的生物学及计算机学基础知识，并且注重对数据库查询和网络工具软件使用技能的掌握。学生在学习的过程中，普遍反映学习过程抽象，教学内容在单纯的讲授模式下不易消化掌握。
生物信息学专业选修课的课程特点和教学目的不同于专业课要求，该课程更加重视学生对现有在线工具的使用，对兴趣信息的检索。以上教学内容和实地操作都可以借助微型移动设备实地练习。如果在选修课上利用微型移动设备进行学习，对操作者或学习者都会有一定的帮助。
在课堂内部，采用以接入互联网的移动设备为主的教学方式，能够对数据库、基于Web服务器的远程在线分析工具进行实地操作演练。课堂内部确保知识内容的消化吸收。并在移动设备内部的Web浏览器上直接进行BLAST或者核酸数据库、蛋白序列数据库、蛋白结构数据库等的在线搜索与查询。并通过教师的指导和同步交互，针对学生对使用网络在线工具软件出现的问题进行一一指导和点评。通过学生实地反馈，做到以学生为主体，以实际操作为导向的教与学模式。促进知识点的内化和开展应用，这也符合生物信息学专业的知识特点，注重实际动手操作技能的完备。
4使用移动设备改革生物信息学专业选修课考核方式的探讨
在引用移动设备并接入互联网的教学课堂上，学生由被动的知识接受者转变成主动的学习者，并结合学习目的转换为在线软件、工具的操作者。在实地教学课堂上，学生需要紧跟教师设置的操作流程，并预留出足够的时间完成必须的软件运用或者具体的数据条目检索。自主完成教学过程，并将出现的问题在课堂上实时和教师反馈。通过实际动手消化吸收课程知识点，在便携移动设备的帮助下，可通过互联网访问远程信息中心在线网站，并通过网络互动、师生讨论等方式吸收生物信息专业涉猎的知识内容。虽然自由允许学生在课堂内部接入互联网存在一定的课堂纪律管理不确定性，但是在教学实践环节中加强学生的动手能力，鼓励学生参与学习讨论互动，并且注意提高学生的自律性和自主操作能力，通过提问、答疑、在线汇报的方式考查学生的掌握情况。
移动设备的普及为大学生校园内公共选修课的教学提供了实际操作演练的可行性，依靠了互联网接入的便利和浏览形式的多样性，实现了在移动设备中访问生物分子数据库，查询核酸、蛋白序列、结构信息，查询文献数据的课堂演练过程。大大提高了学生的实际使用能力。在教学过程中应该注意课堂互动和实践考核过程，重视学生的实地查询效果，让现代科技和传统教学模式相结合，从而提高专业选修课的教学效果，调动学生的积极性，提高大学生的学习兴趣，并夯实课堂教学内容。
参考文献
[1] 王兰萍.生物信息学课程教学的初步探讨[J].生物信息学，2007.5（3）：143-144.
[2] 杨艳春.“互联网+”时代移动微型学习在大学英语教学中的应用[J].高教学刊，2016（6）：117-118.
[3] 孙艺.基于iPad的移动课程的交互研究[J].广州广播电视大学学报，2013.13（3）：8-13.
篇7
关键词:Java教学;案例驱动;生物信息学专业;医科院校
中图分类号:G642 文献标识码:B
1引言
随着生物信息学研究的飞速发展,带来了对开源、可重复利用和面向对象的程序包和软件的迫切需求。Java作为面向对象编程语言工具,在生物信息学的研究中具有广泛的应用。目前,学界已经针对生物信息学中的各种问题,开发了很多基于Java的软件工具,比如BioJava、Cytoscape等等。BioJava是用于分析和表示生物序列(如DNA、RNA和蛋白质)的基础库;Cytoscape是用于绘制和分析各种生物学网络,基于Cytoscape的插件已达数百种,针对各种类型的网络给出更有针对性的分析。此外,美国国立生物技术信息中心NCBI[4]作为生物信息学领域最权威和广泛使用的平台也提供了相应的Java API。这些都说明Java是从事生物信息学研究的强有力的工具。
在医科院校生物信息专业开设Java课程,特别是在完成生物信息相关专业基础课程后,学生通过学习Java课程,会使学生掌握从事生物信息研究的平台工具,从而更好的完成理论学习到实践环节的跨越。为了讲授好Java语言这门课程,我们对医科院校生物信息专业本科生的特点进行了深入的分析,并在我们的教学实践中注重与科研实践相结合,注重课程之间相衔接,注重课内课外相促进,寓学于做,以练带学,取得了较好的教学效果。
2由浅入深,注重课程联系,增强学生学习兴趣
作为一名医科院校生物信息专业的学生,要求既要有良好的数理基础与计算机应用知识,又要有较为系统扎实的生物信息学理论基础,学习广泛的课程,涉及数学、物理、计算机、生物等多个学科。计算机只是作为生物信息学学习和研究的应用工具,医科生不可能进行计算机专业的系统学习。因此,医科生普遍对自己的编程能力缺乏信心。针对这样的情况,我们在教学实践时会用一些生动有趣,并且几句简单的代码就能实现的功能,先把复杂的问题简单化,随着课程的不断推进,学生慢慢入门,再把简单的问题逐渐复杂化,让学生认识到编程语言不仅精妙深刻,而且博大精深,程序也可以编写的很美妙,这的确是可以终其一生去不断研究和探索的深刻学问。这样就使学生产生自己继续钻研下去的兴趣。
要增强学生学习的兴趣和动力,提升本课程在整个课程体系中的地位和作用也是十分重要的,因此在授课过程中我们非常注重与其他课程的衔接和联系,结合其他课程,设计案例。比如,此门Java课程与计算机图形学在同一学期开课,用applet实现分形几何中的绘图算法,即增强了Java的教学效果,又加深学生对图形学理论的理解。此外,之前开设过的数据库原理,如果在Java的教学中引入数据库的连接和数据库操作,岂不知新而温故。
3案例驱动,结合科研实际,提升课堂教学效果
在教学中,我们采用案例驱动的教学方法,每一部分的理论知识,都要配以相应的案例讲解来帮助学生消化和理解理论知识。教师讲解的案例都是代码级别的,定义规范,流程清楚,可读性强,具备参考价值,这样可以促使学生养成良好的编程习惯。另外,教师以多媒体手段演示代码的编制调试过程,使学生对编程环境更加熟悉,能够灵活运用跟踪、断点等调试手段,使学生能够置身于程序开发的氛围中,而不是被动的接受。
为了让学生更深刻的了解Java在生物信息领域研究中的实际应用,我们在教学中所使用的实例大部分来源于生物信息学科研实践中遇到的具体问题,把对这些实际的生物信息学问题的解决方案转化为课堂教学的生动案例,让学生看得到这些编程技术的实际作用,在学习中慢慢渗透和培养学生的科研能力。生物信息学是现代的前沿学科,很多毕业生将来可能会继续从事相关的科研工作,因此这方面的培养是非常必要的。如表1所示,我们列举了部分具体的教学内容及相应采用的实例。
表1教学内容与教学案例
教学内容 典型案例
Java基础知识 基因类和蛋白类的定义;实现基因DNA序列向蛋白氨基酸序列的转化算法。
Java与文件操作 实现多种分析软件的输入、输出数据格式的转换,主要用到BufferedReader、BufferedWriter、FileReader、FileWriter等类。
Java Applet 根据用户提供的转录因子集合,动态绘制这些转录因子所参与的基因转录调控网络图;用applet实现分形集合中的绘图算法。
Java与Servlet 简单实现多物种的转录因子和靶基因注释系统,即根据用户输入的转录因子或靶基因列表和选择的物种信息,以表单形式返回相对应的靶基因或转录因子信息。
Java与数据库 通过连接数据库,查询得到转录因子与靶基因间的对应关系,以及添加、修改和删除数据库中的转录因子与靶基因间的对应关系数据。
Java与网络 现有的基于Web的转录因子结合位点预测工具Match只支持单个序列的输入,不支持批量预测,通过网络编程利用Match工具实现转录因子结合位点的批量预测。
4以练带学,鼓励自主学习,培养实践创新能力
师傅领进门,修行靠个人。授课的目的是为了让学生牢牢掌握Java这门工具,要熟练掌握语言工具,动手联系往往比单纯的理论学习来得更重要。在课堂上教师通过对典型案例的讲授,教给了学生解决某些具体问题的方法,激发了学生渴望亲自动手实践的热情,他们愿意通过自己的努力来制作一份丰富的“大餐”。通过布置课程大作业,使其作为课程考试的一部分,这样就可以培养学生学以致用的能力。
课外大作业涉及了较为完整的软件开发过程,包括前期的系统设计,到后期的程序归档,以及帮助文档的编写和制作,通过这个流程让学生了解Java软件开发的全过程,积累了一定的软件开发经验。为激发大家的积极性,我们不限制题目内容,大家可以根据自己的兴趣,自己选题,以下列举学生的一些课程大作业的题目:分形树,Koch雪花,Flamboyent皇冠等计算图形学中分形几何图形的实现;读心术、拼写练习、围棋对弈等游戏的制作;计算器、日常事务管理器等工具软件的实现;还有分析基因序列特征、绘制蛋白互作网络图、批量预测转录调控关系等等的生物信息学软件。其中基本涵盖了上课时所讲授的大部分相关技术,我们对用到每种技术的使用频率进行了统计。如图1所示。
教为不教是我们教学的一个重要目的,培养学生自主学习的能力是学生培养创新实践能力的基本要求。在进行课程大作业的实践中,我们鼓励学生运用各种信息资源(如网络、书籍)来解决问题,利用搜索工具求解,通过专业论坛向其他编程爱好者请教,共同探讨来解决困难等等;我们提倡学生使用JDK帮助文档来查阅各种Java类的用法,而不是死记硬背,允许学习和利用他人已经编好的程序,
就像搭积木一样,逐渐累积起自己的知识体系,通过消化吸收他人的解题思想,通过查阅资料来解决自己的课程设计问题,培养学生举一反三的能力。
图1学生在课程实践中应用到的Java技术
5小结
为了提升Java课程的教学效果,在授课过程中我们对教学方法做了很多的探索和实践,紧紧围绕学生学习兴趣、课堂教学效果、创新实践能力培养这几个环节开展教学研究与教学实践,同时也很好的把握住了Java这门工具性语言实践性强以及在医科院校生物信息学专业应用目标明确的特点,从科研实践中提取大量案例融入课堂教学,并通过课外大作业进一步巩固学生所学理论,培养学生学以致用能力,取得了较好的教学效果,可以为同行提供一些借鉴。
参考文献:
[1]唐焕文,靳利霞. 生物信息学的产生、发展及应用前景[J]. 洛阳师范学院学报,2001(2).
[2]Holland, R.C., et al. BioJava: an open-source framework for bioinformatics[J]. Bioinformatics,2008,24(18):2096-7.
[3]Shannon, P., et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks[J]. Genome Res,2003,13(11):2498-504.
[4]Jenuth, J.P. The NCBI. Publicly available tools and resources on the Web[J]. Methods Mol Biol,2000,132: 301-12.
[5]朱小英. 以项目方式驱动Java实验课程教学的创新[J]. 成都大学学报:教育科学版, 2008,22(08).
[6]曹旭. VFP程序设计教学中案例驱动教学法的优势[J]. 长春中医药大学学报,2009,25(2).
篇8
【关键词】 蛋白质组学；中医证候；中医诊疗；中医药现代化
随着人类基因组序列的完成，人类已经由基因组时代进入后基因组时代。基因数量的有限性和基因结构的相对稳定性使基因组学研究成功迈入到功能基因组学研究。蛋白质组学遂成为后基因时代的研究前沿和热点领域。将蛋白质组学引入中医证候学研究，必将进一步为证候分类、辩证标准的选择和个体化等提供可靠的依据，对于发展中医药学，走中医药现代化之路具有深远的影响。本文综述了蛋白质组学研究的主要关键技术及其与中医证候学研究的相关性。
1蛋白质组及蛋白质组学
1994年澳大利亚的Wilkin和Williams等第一次提出了蛋白质组（Proteome）概念[1、2]，指由一个基因组，或一个细胞、组织所表达的全部蛋白质。蛋白质组学（Proteomics）以蛋白质组为研究对象，分析细胞内动态变化的蛋白质组组成成分、表达水平与修饰状态，了解蛋白质间相互作用与联系，在整体水平上研究蛋白质的组成与调控的活动规律[3]。蛋白质组研究是为了识别及鉴定一个细胞或组织所表达的全部蛋白质以及它们的表达模式，是对基因组研究的重要补充，是生物体在蛋白质水平上定量、动态、整体性的研究[4]。蛋白质组研究数据与基因组数据的整合，将在后基因组研究中发挥重要作用。
2蛋白质组学研究技术
2.1双向凝胶电泳技术
1975年，意大利生化学家O’Farrell在对大肠杆菌、老鼠及几尼猪的蛋白质研究中，发明了双向电泳技术[5]（ISO-DLAT），具有高分辨率、快速、简便等优点。双向电泳技术是蛋白质组学研究的核心技术之一，其原理是在相互垂直的方向上，它利用蛋白质等电点和分子量的不同运用等电聚焦和聚丙烯酰胺凝胶电泳把复杂的蛋白质混合物在二维平面上分离。
2.2生物质谱技术
1906年，Thomson发明了质谱，在随后的几十年里，质谱技术逐渐发展成为研究、分析和鉴定生物大分子的前沿方法[6]。质谱技术的原理是先将样品离子化，再根据不同离子间的荷质比（m/z）差异来分离蛋白质，并确定其分子量[7]。到20世纪80年代，因两项软电离质谱技术―基质辅助激光解析电离质谱技术（MALDI）和电喷雾质谱技术（ESI）的发明，使得质谱技术取得了突破性进展。这两种质谱技术具有高灵敏度、高通量和高质量的检测范围等特点，使得在pmol（10-12）乃至fmol（10-15）的水平上准确分析分子量高达几万到几十万的生物大分子成为可能[8]。
2.3 蛋白质芯片
蛋白质芯片是用于研究蛋白质功能模式的一种鉴定方法[9]，是指在固相支持物（载体）表面固定大量蛋白探针（抗原、抗体,受体、配体、酶、底物等），形成高密度排列的蛋白质点阵[10]，可以高通量地测定各种微量纯化的蛋白质的生物活性，以及蛋白质与生物大分子之间的相互作用[18]。蛋白质芯片具有快速、高效、微型化、自动化、高通量的特点。
2.4生物信息学
生物信息学是在生命科学、计算机科学和应用数学的基础上逐步发展形成的一门新兴交叉学科，运用数学和计算机手段进行巨量生物信息资源的收集、存储、处理、搜索、利用、共享、分析与解析的科学[11]，它由数据库、计算机网络和应用软件3部分组成[12、13]。蛋白质组信息学研究方法主要包括蛋白质序列比较分析，蛋白质结构-功能的研究，点突变的设计及家族鉴定，蛋白质空间结构预测，建模和分子设计以及分析蛋白质与蛋白质相互作用的数据库[14、15]。
3中医证候学与蛋白质组学
中医证候是指疾病发生和演变过程中某阶段以及患者个体当时所处特定内、外环境本质的反映，它以相应的症、舌、脉、形、色、神表现出来，能够不同程度地揭示病因、病位、病性、邪正盛衰、病势等病机内容，为辨证论治提供依据。中医的“证”是指疾病在演变过程中各种病理因素在体质、自然环境、社会心理等因素和多种矛盾综合作用于机体的整体反应，是诊察和思辨所得。而蛋白质组学摒弃了经典分子生物学研究个别基因的习惯，从蛋白质组整体水平上阐述“一种基因组所表达的全套蛋白质”，以建立对生命现象的整体认识。这与中医学的“整体观”具有高度的一致性，且蛋白质组学研究方法的整体性和系统性与中医基础理论的整体观和系统性又极为相似[16]。因而，将蛋白质组学应用于中医证候学研究，不仅能反映一系列症状的物质背景，而且能进一步了解不同蛋白组分的在证表现差异和激烈程度[17]，将是揭示证实质的最有效手段[18]。
在证候理论指导下，运用功能蛋白质组学的方法，通过探讨证候，特别是同病异证或异病同证的蛋白质差异表达及翻译后的修饰情况，揭示与某一证候形成相关的所有蛋白质及其特征，在整体蛋白质表达的水平上阐明证候的本质，则可称为证候蛋白质组学[19]。这种将蛋白质组学应用于“证”的研究，能够沟通“实体结构”和“功能模拟”的桥梁，整体上比较不同疾病、同病异证之间的蛋白质图谱差异，探索蛋白质表达图谱与中医分型的系统的、有规律的联系。
4展望
运用蛋白质组学技术对中医证候进行研究，为寻找“证侯”的标志蛋白质，揭示中医“证”理论中蕴藏的科学内涵，阐明中医诊疗的分子机理，最终在分子生物学水平上解释生理和病理奠定了基础[20、21]。中医证候是辨证论治的基础和核心，依据蛋白质组学的理论和技术来探索中医学理论的基本内涵、中医证候蛋白质组学以及从蛋白质组学水平探索中药药效的机理，都可能成为中医药理论和治疗研究的突破口。中医学的发展与现代科学蛋白质组学的交叉，一方面可使中医学吸取新的思想，取得进一步发展的动力，另一方面又因其独特的理论与视角，也可为蛋白质组学乃至现代科学的研究与发展提供新的思路[19]。
参考文献
[1]Wilkins M R, Sanchez J C, Gooley A A, et al. Progress with proteome projects: why all proteins expressed by a genome should be identified and how to do it[J]. Biotechnology and genetic engineering reviews, 1996, 13: 19 - 50.
[2]Wilkins,M.R.Government backs proteome proposal. Nature. 1995, 378:653.
[3]张树军，狄建军，张国文，魏永春.蛋白质组学研究方法.内蒙古民族大学学报，2008，23（6）：647-649.
[4]熊伟.蛋白质组双向技术在生物医学研究中的应用进展. 生命科学仪器. 2010, 8(2): 7-10.
[5]O’ Farrell P H. High resolution two-dimensional gel electrophoresis of proteins [J]. Biol Chem, 1975, 250 (10):4007-4021.
[6]Domon B, Aebersold R. Mass spectrometry and protein analysis[J]. Science, 2006, 312 （5771）: 212.
[7]Guo Y M, Shen S H, Jing Y X , et al. Plant proteomics in the post-genomics era. Acta Botanical Sinca. 2002, 44(6):631-641.
[8]阮松林，马华升，王世恒等．植物蛋白质组学研究进展Ⅰ．蛋白质组关键技术.遗传，2006，28（11）：1472-1486.
[9]Boguski M S, Mcintosh M W. Biomedical information for proteomics[J]. Nature, 2003, 422 (6928) : 233-237.
[10] 刘康栋，赵建龙. 蛋白质芯片技术进展. 中国生物工程. 2004, 24(12): 48-57.
[11]Baldi P, Brunak S. Bioinformatics: The Machine Learning Approach [M]. Cambridge, Mass. : MIT Press, 2001.
[12]Goodman N. Biological data becomes computer literate: new advances inbioinformatics.Curr Opin Biotechnol . 2002, 13(1): 68-71.
[13]陈铭.后基因组时代的生物信息学[J]. 生物信息学，2004,2（2）:29.
[14]陈永对. 生物信息学在基因组和蛋白质研究中的应用. 中国临床康复. 2006, 10(41): 136-139.
[15]贺光，孙开来. 生物信息学在蛋白质研究中的应用. 国外医学遗传学分册. 2002, 25(3): 156-158.
[16] 张焱，张庆荣. 蛋白质组学与中医证候研究的思考. 长春中医药大学学报. 2007, 23(5): 3-5.
[17] 孙晓伟，周苏宁. 蛋白质组学与中医药研究. 中西医结合心脑血管病杂志. 2005, 3(11): 987-989.
[18] 余宗阳，杜建. 蛋白质组学与中医证候实质研究[J]. 中国中西医结合杂志. 2004, 24(9): 844-846.
[19] 申定珠，李家邦，蒋荣鑫，凌江红. 证候蛋白质组学与中医证候学相关性探讨. 中国中西医结合杂志. 2006, 26(4): 366-368.
篇9
[关键词]生物交叉学科 复合式教学体系 理论 实践
[中图分类号]G633.91 [文献标识码]A [文章编号]1009-5349（2012）10-0227-01
20世纪末与21世纪初，人们发现，当代科学的发展和重大科学技术成就的取得，越来越依赖于不同学科之间的交叉与融合，许多有影响的科技成果，都是在学科的交互和交叉点上取得的。典型的例子是2003诺贝尔医学奖，它们的获得者是物理学科（曼斯菲尔德）和化学学科（劳特布尔）的研究背景，他们的研究与医学研究的交叉结合产生了对人类发展具有极大影响的杰出成果——核磁共振图像技术在临床诊断和医学研究上的突破。
一、交叉学科内涵和生物学实例
1.交叉学科内涵。交叉学科指的是两个或多个学科相互合作，在同一个目标下进行的学术活动。
2.生物科学领域中的交叉学科实例。
（1）生物化学；（2）生物医学工程；（3）生物信息学；（4）生物物理学；（5）生物数学。
二、交叉学科复合式教学体系内涵及生物交叉学科优势
（一）交叉学科复合式教学体系内涵
交叉学科复合式教学体系是指以交叉学科为基础，以培养复合型人才为目标，遵循系统原则，采用复合式设计方法，对教学要素（教学目标、教学理念、教学主体、教学方法、教学内容、教学管理、教学原则、教学手段、教学评价等）进行交叉复合，达到优化匹配，形成高效的人才生成复杂系统，具有开放性、复杂性、实践性、实用性、创新性及综合性等特征的教学体系。[1]
（二）生物交叉学科优势
1.交叉学科的范式是：A领域的研究问题，用B领域的方法。而这种研究方法和研究问题的重新组合，往往能产生很多新的发现，从而使得交叉学科能够得以蓬勃发展。这也是最大优势。
2.生物交叉学科优势。（1）它融合了不同学科的范式，推动了以往被专业学科所忽视的领域的研究，打破了专业化的垄断现象；（2）增加了各学科之间的交流，形成了许多新的学科；（3）创造了以“问题解决”（problem-soving）研究为中心的研究模式，推动了许多重要实践问题的解决。[2]
3.生物交叉学科实例包括：（1）生物化学；（2）化学生物学；（3）生物医学工程；（4）生物信息学；（5）生物物理学；（6）生物数学。
三、佳木斯大学生物交叉学科创新人才培养模式的实践
1.本科生导师制。导师制是一种教育制度，与学分制、班建制同为三大教育模式。导师制由来已久，早在19世纪，牛津大学就实行了导师制，其最大特点是师生关系密切。[3]
2.佳木斯大学生物交叉学科本科生创新能力训练体系模式。（1）佳木斯大学生物交叉学科本科生研究性学习的训练模式；（2）佳木斯大学生物交叉学科本科生研究型讨论的训练模式；（3）佳木斯大学生物交叉学科本科生研究课题文献资料查询和综述、成果总结发表和研究论文写作的训练模式。
3.佳木斯大学生物交叉学科本科研究型毕业设计模式。佳木斯大学生命科学学院教学指导委员会按照教育部的有关规定和人才培养目标的要求，根据生物交叉学科专业人才培养的规律、特点和实际，制定符合生物交叉学科特点的《本科毕业论文（设计）工作管理办法》。
4.佳木斯大学生物交叉学科本科生职业技能鉴定培养模式。佳木斯大学职业技能鉴定所面向佳木斯大学生物交叉学科本科生及社会需求，开展职业技能鉴定。在大学生中开展“双证书”制度，提高学生的职业技能水平和就业竞争力。
5.佳木斯大学生物交叉学科本科生攻读第二学位培养模式。
6.佳木斯大学生物交叉学科本科生课外自主科研与合作科研培养模式。（1）自主科研：佳木斯大学生命科学学院生物交叉学科本科生课外早期探索自己感兴趣的研究方向；结合毕业设计（论文），继续从事和完成他们自己的研究课题。（2）合作科研：佳木斯大学生命科学学院生物交叉学科本科生课外早期经过探索和初步训练以后，参加教师的高层次科研项目的研究，结合毕业设计（论文），继续从事和完成他们自己的研究课题。[4]
【参考文献】
[1]胡树华，兰飞，范文芳.交叉学科的复合式教学体系设计研究[J].江苏高教，2007.7：69-71.
[2]http：///view/67024.htm.
篇10
【摘要】理论免疫学用数学的方法来研究和解决免疫学问题，以及对免疫学相关的数学方法进行理论研究的一门科学。随着高通量方法和基因组数据的出现，理论免疫学从受体交联和免疫原理、Jerne的相互作用网络和自我选择等经典建模方法开始向信息学、空间扩展模型、免疫遗传学和免疫信息学、进化免疫学、分子生物信息学和表遗传学、高通量研究方法和免疫组学等方面转变。
【关键词】免疫学, 理论；数学模型；生物数学
Advances of theoretical immunology
JIN Yan
（Basic medical college, Liaoning Universtity of Traditional Chinese Medicine, LIAONING Shenyang, 110032,）
【Abstracts】Theoretical immunology is to develop mathematical methods that help to investigate the immunological problems, and to study the mathematical theory on immunology. With the advent of high-throughput methods and genomic data, immunological modeling of theoretical immunology shifted from receptor cross linking, Jerne interaction networks and self-non self selection, toward the informatics, spatially extended models, immunogenetics and immunoinformatics, evolutionary immunology, innate immunity and epigenetics, high-throughput research methods and Immunomics. Immunology, Theoretical; Mathematical Models; biomathematics
理论免疫学[1]（Theoretical Immunology）是指用数学的方法来研究和解决免疫学问题，以及对免疫学相关的数学方法进行理论研究的一门科学。理论免疫学是免疫学与数学交叉的边缘学科，也称数学免疫学（Mathematical Immunology），是生物数学的一个分支。由于免疫现象复杂，从免疫学中提出的数学问题往往也十分复杂，需要进行大量计算工作，因此从近年兴起的复杂系统研究的角度来讲[2]，理论免疫学也称复杂免疫学（Complex Immunology）。理论免疫学的任务就是揭示免疫系统运行的规律和机制，及其病理机制。数学模型（Mathematical Models）和数据分析是理论免疫学的主要方法，计算机是研究和解决理论免疫学问题的重要工具。
虽然从上个世纪中期，数学模型已经开始应用于免疫学，但传统的模型大部分是基于微分方程[3]、差分模型和元胞自动机（Cellular Automata）[4]。这些传统模型以少数成份（一种受体和一种抗原，或两个T细胞群之间等）参与的简单动力学为主要研究内容。直到2000年，人们才开始对免疫学的复杂性进行数学建模。随着高通量方法（High Throughput Methods）和基因组数据（Genomic Data）的出现，理论免疫学开始转向信息学（Informatics）方面[5]。与分子免疫学的生物信息学（Bioinformatics）分析一样，当前免疫学研究中与复杂性有关的主要研究目标大多集中在高通量测量计划和系统免疫学（System Immunology）或免疫组学（Immunomics）计划。在数学模型水平上，分析方法也从以微分方程为主的简单系统转向广泛应用Monte Carlo模拟（Monte Carlo simulations）。这种向更多分子和更多计算的转变态势与复杂系统涉及的所有研究领域出现的转变极为相似。同时，理论免疫学中另一个重要转变是，人们关注焦点从对外源性的适应性免疫系统的转向更多考虑固有免疫系统的平衡。
1理论免疫学经典模型
免疫学是生物学的一个领域，很早就认识到了数学建模和数学分析方法的作用。早在上个世纪60年代和70年代，数学模型已经应用于免疫学的不同领域，例如：抗原-受体的相互作用、T和B细胞群动力学、疫苗接种、生发中心动力学、病毒动力学和免疫系统对病毒的清除[6]等。现在的许多免疫学原理和观点都是数学模型的结果。
1.1 受体交联和免疫原理
受体交联[7-9]（Receptor Cross Linking）和免疫原理（Immunon Theory）是由Alan Perelson提出、Carla Wofsy作了进一步分析。这个原理根据的事实是，低价抗原不能激活B细胞，而高价抗原（即抗原拥有多个重复基序）即使在抗原密度非常低（3-4目）的情况下也能够激活B细胞。Sulzer和Perelson[10-13]据此发展了这个理论和数学模型并提出，抗原能够聚集B细胞受体，从而激活B细胞。这个结论是B细胞免疫的基础之一。
尽管数学模型对免疫学发展的贡献的例子还有很多，但是免疫网络（Immunological Networks）的概念和自我选择（Self-Non Self Selection）问题占有相当重要的地位。
1.2 Jerne的相互作用网络
假设受体库（Receptor Repertoire）是满的，即受体库中每一个分子都有其相对应的受体，并且这些受体可以特异性地与其它受体相互作用。Jerne据此提出免疫调节网络[14]（Regulatory Immune Networks）的存在。抗原激活的淋巴细胞可产生新受体，这些受体对于其它淋巴细胞来说是抗原，等等，以此类推。这个网络的概念对理论学家来说很有吸引力，特别是在提出神经网络（Neural Networks）中的认知行为（Cognitive Behavior）概念之后，提出了更多的免疫网络模型[15][16]。有人用元胞自动机和布尔网络（Boolean networks）建立大尺度行为（Large Scale Behavior）模型，有人用常微分方程（ODEs）来建立自身调节网络模型（Local Regulatory Networks）。随着时间的推移，人们对Jerne网络学说逐渐失去了兴趣，其主要原因是Jerne网络学说的理论模型和实际的实验证据没有很好的相关性。
1.3 自我选择
调节性网络实际上是理论免疫学中自我选择这个大课题的一部分。假设表达自身反应性受体的淋巴细胞被机体清除（阴性选择）。大多数阴性选择可能是由于中枢性耐受（Central Tolerance）所导致的（T细胞在胸腺，人和小鼠的B细胞在骨髓）。阴性选择机制失败可导致自身免疫性疾病。人们通过多种途径对自我选择展开研究。有人从分子的角度和基于特殊的选择机制来研究，而有人则建立了更为复杂的模型，例如Polly Matzinger的危险模型[17][18]（Danger Model）和Irun Cohen的侏儒模型[19-27]（Homunculus Model）。这些模型都是想反映真实的复杂系统，尽管仅通过检测免疫系统的成分，人们是无法接近问题的实质，但是他们的尝试拓宽了我们的视野。直到今天，关于获得和打破（自身免疫性疾病）耐受的途径，也没有一个公认的解释。
2理论免疫学的现代模型
理论免疫学的模型和问题现在正逐渐向分子理论免疫学方向发展。这种理论方向的演变与大量基因组全序列的检测、分子生物学工具的巨大进展、高通量测量技术的发展、空间分布（Spatial Distribution）作用的测量和建模能力的发展等实验技术的发展是分不开的。同时，计算机处理能力和建模技术的发展也是影响现论免疫学的重要因素。
2.1 Immsim、Simmune和其它复杂模型
免疫学中，最大胆的尝试可能就是建立一个免疫系统的系统模型。第一个建立这样模型的尝试是上世纪80年代由IBM公司Philip Seiden开发的IMMSIM模型[28-31]。其设计的主要目的是为了在计算机上进行免疫应答试验。IMMSIM采用了克隆选择原理的基本观点，认为免疫细胞和免疫分子独立地识别抗原，免疫细胞被竞争地选择，以产生更好的识别抗原的克隆种类。IMMSIM模型的基础是空间扩展的元胞自动机，它用位串（或比特流，Bitstrings）代表受体、抗原和MHC分子的可变性。到目前为止，抗原和受体多样性的位串表示方法已被许多其他研究者[32,33,34]所采用。IMMSIM包括了适应性免疫系统的所有主要成份：CD4和CD8 T细胞、B细胞及其相应的受体，MHC Ⅰ类和Ⅱ类分子和一些细胞因子。但是IMMSIM模型仍然是对免疫系统的粗略描述。因此，人们在此基础上又进行了其它的开发。
第一个较有影响的是由Martin. Meier-Schellersheim开发的Simmune[35-36]。这个系统尝试建立一个足够宽广和复杂的平台，从而能够对免疫学的任意实际过程进行模拟。它不仅是一个特殊模型，更是一个建模技术或语言。
还有应用了Monte Carlo模拟[37-38]或称免疫模拟（Immunosi m）、状态图[39]（State-Charts）等多种数学模型，试图涵盖免疫系统所有可能细节并建立动力学模型。在这个方向上，最有影响的是Sol Eforni的模型。此模型尝试提供胸腺空间扩展动力学的完全模拟，并以此来研究细胞选择[40]。这些综合模拟的优势在于他们涵盖了当前免疫学的所有细节。但是这些模型也有缺点，他们过于复杂，因此对于所观察到的动力学变化，我们无法充分理解其原因及模型对参数变化的敏感性。
2.2 空间扩展模型
从分子水平上讲，免疫学复杂系统分析的最大进展是细胞内分子定位[41]（Molecule Localization）测量技术。免疫突触（Synapses）的发现就是利用了该技术。人们建立了多个细胞膜动力学模型，用来解释突触的形成以及突触的分子动力学。细胞膜动力学模型也应用于B细胞。这些模型中，有的是假设一个固定的细胞膜在二维晶格上（2D Lattice），有的假设一个自由漂浮的细胞膜[42-44]。另一个研究方向的是受体动力学，以及受体与其它细胞膜成份，比如Src家族激酶和脂筏[45]（Lipid Rafts），之间的相互作用。目前此领域的所有模型都是以广泛的数值模拟（Numerical Simulation）为基础的。
空间扩展模拟的另一个领域是生发中心动力学的模拟。经典模型主要采用ODEs来描述一或两个总体的均匀动力学[46]（Homogenous Dynamics），而现代模拟主要应用Monte Carlo模拟[47-49]来研究多空间扩展或者均匀总体之间的相互作用，但是也有一些是采用ODEs。
2.3 免疫遗传学和免疫信息学
不同基因组的排列和不同等位基因的序列使免疫遗传（Immunogenetic）数据库得到了全面的发展[50-51]。免疫遗传数据库IMGT储存了多个物种的T和B细胞受体基因序列（B细胞H链和T细胞β/δ链的V、D和J基因，L链/α链/γ链的V和J基因）。该库也包括了最新的MHC分子的基因序列（包括经典和非经典的）。另外，IMGT数据库还包括了大量的淋巴细胞受体重排序列。
这样庞大的数据库是伴随着免疫信息学（Immunoinfor matics）工具的大量发展而建立的。其中包括用于junction分析[52]、免疫基因对准（Immunogene Alignment）以及系统发育的工具[53-55]。所有这些工具的基础都是将生物信息学理念应用于免疫学。免疫遗传数据库日渐显现的重要性表明，免疫学建模逐渐向基因化方向转变。
2.4 进化免疫学
与B细胞重排受体多重序列的测量一样，多细胞生物中免疫基因的不断积累，使免疫系统发育学（Immuno-Phylogenetics）得以快速发展。目前研究的主要焦点是适应性免疫系统的起源。适应性免疫是免疫系统的一部分，通过随机基因重组以适应新病原体。很明显，在软骨鱼类（Cartilaginous Fish）分化之前，适应性免疫最早出现于有腭脊椎动物（Jawed Vertebrates）。然而，这样一个复杂系统起源的来源还不清楚。T细胞受体结构域（Receptor Domain）和B细胞受体结构域之间的相似性、RAG1和RAG2分子（RAG1和RAG2可起到随机连接基因的作用，又称重组激活基因）在重排过程中的关键作用及其物理性相邻（Physical Proximity），使许多研究者认为，淋巴细胞受体重排的起源是转座子（Transposon）横向转移到原始免疫受体（Primeval Immune Receptor）中。这个领域中使用的主要工具是系统发育分析（Phylogeny Analysis）及其相关的所有数学模型[56]。
另一个系统发育概念和方法的应用是B细胞的体超变异[57]（Somatic Hyper Mutations，SHM）分析。在生发中心反应过程中，通过活化诱导胞嘧啶脱氨酶（Activation-Induced Cytidine Deaminase，AID），B细胞的受体基因发生超变异。随着克隆性增殖，B细胞受体基因平均每分裂一次就发生一次超变异，导致突变克隆的产生。这些克隆表现为微进化（Micro-Evolution），可以很容易地在实验室中研究。对B细胞系统发育树（Phylogenetic）以及它们与其它因素关系的分析，比如老化和自身免疫疾病，也已开始研究[58]。
2.5分子生物信息学和表遗传学
在分子生物信息学（Molecular Bioinformatics）和表遗传学（Epigenetics）的研究过程中[59]，随着分子信息研究水平不断提高，在免疫学中应用模型水平的精细程度也不断提高。免疫学的一个特殊方面是需要将信号转导（Signal Transduction）与基因重排结合起来建模。现已建立了不同条件下的B和T细胞内的基因重排过程和淋巴细胞信息转导的模型[60-61]。从分子角度来讲，另一个重要的分子建模是在抗原提呈给T细胞之前，对抗原处理过程的分析。
2.6高通量研究方法
免疫学是典型的、以免疫假说和免疫原理为基础的研究领域。免疫学是最晚转向以数据为基础的、目前已在其它生物学领域中应用的高通量方法。近5年，在这一领域已取得了很大的进展。这些进展是依靠来自生物学其它领域的经典基因表达的自适应和定位技术[62][63]，以及针对免疫学的新技术的发展取得的。免疫学领域主要依靠实验手段，但实验所取得的结果却是应当属于理论免疫学的范畴，并且与复杂科学密切相关。
在基因重排过程中应用荧光原位杂交技术[64]（FISH techniques）来定位基因是一个令人兴奋的、对免疫学来说更具有针对性的研究进展。这些测量手段使我们在研究基因重排过程中，能够确定受体不同部分之间的相互作用。
另一个对免疫系统来说具有针对性的工具是抗原芯片（Antigen Chips）的发展。这些芯片可同时测量B细胞对成百上千种抗原的应答，并提供整个免疫系统的系统表达[65]。在这类分析中使用的主要数学工具是聚类方法（Clustering Methods）。
2.7 免疫组学
目前，在理论免疫学中，最璀璨的研究领域可能就是新产生的免疫组学。这个年轻的学科已经拥有了自己的杂志《immunomic research》(省略)。免疫组学的主要目标是全方位地研究免疫系统[66][67]。这个领域采用实验与理论相结合的工具。免疫组学目前正在研究的项目有：全部T细胞抗原决定基检测；全B细胞抗体库的定义及其在不同情况下的变化方式；自身免疫性疾病相关的所有基因位点的检测。这个新生领域的成果还有限，但是在不到10年内，免疫学建模将会从基于预定假设（Predefined Hypotheses）的理论问题研究转向对免疫系统受体和靶目标充分认识的、具有针对性的建模。
当前，理论免疫尚处于探索和发展阶段，许多方法和理论还很不完善，它的应用虽然取得某些成功，但仍是低水平、粗略，甚至是勉强的。许多更复杂的免疫学问题至今未能找到相应的数学方法进行研究，还有一些免疫核心问题还存在争议。这就需要未来的医学工作者具备更多的数学知识，对免疫学和数学都有更深入的了解，这样才有可能让免疫学研究更多地借助数学的威力，进入更高的境界。
参考文献
[1] 漆安慎, 杜婵英. 免疫的非线性模型. 上海: 上海科技教育出版社, 1998:iv.
[2] Raina S. Robeva, James R. Kirkwood, Robin L. Davies, et. al. An Invitation to Biomathematics. 北京: 科学出版社, 53-129.
[3] 马知恩. 种群生态学的数学建模与研究. 安徽: 安徽教育出版社, 1996: 5-40.
[4] 陈兰荪, 孟新柱, 焦建军. 生物动力学. 北京: 科学出版社, 2009: 77-177.
[5] 李涛. 计算机免疫学. 北京: 电子工业出版社, 2004: 147-203.
[6] 陆征一, 周义仓. 北京: 科学出版社, 2004: 58-73.
[7] A. S. Perelson and C. DeLisi. Receptor clustering on a cell surface. I. Theory of receptor cross-linking by ligands bearing two chemically identical functional groups. Math. Biosci. 1980, 48:71.
[8] A. S. Peielson. Receptor clustering on a cell surface. II. Theory of receptor cross-linking by ligands heaiing two chemically distinct functional groups. Math. Biosci. 1980, 49:87.
[9] A. S. Perelsoii. Receptor clustering on a cell surface. III. Theory of receptor cross-linking by multivalent ligands: descriptioii by ligand states. Math. Biosci. 1981, 53:1.
[10] Perelson, A. S., and C. DeLisi. Receptor clustering on a cell surface. I. Theory of receptor cross-linking by ligands bearing two chemically identical functional groups. Math. Biosci. 1980, 48:71110.
[11] Perelson, A. S. Receptor clustering on a cell surface. II. Theory of receptor cross-linking by ligands bearing two chemically distinct functional groups. Math. Biosci. 1980, 49:87110.
[12] Perelson, A. S. Receptor clustering on a cell surface. III. Theory of receptor cross-linking by multivalent ligands: description by ligand states. Math. Biosci. 1981, 53:139.
[13] Perelson, A. S. Some mathematical models of receptor clustering by multivalent ligands. In Cell Surface Dynamics: Concepts and Models. A. S. Perelson, C. DeLisi, and F. W. Wiegel, editors. Marcel Dekker, New York. 1984, 223276.
[14] N. K. Jerne. Towards a network theory of the immune system. Ann. Immunol. (Inst. Pasteur), 1974(125C), 373-389.
[15] Coutinho A. "The network theory: 21 years later". Scand. J. Immunol. 1995, 42 (1): 38.
[16] Campelo F, Guimares FG, Igarashi H, Ramírez JA, Noguchi S. "A Modified Immune Network Algorithm for Multimodal Electromagnetic Problems". IEEE Trans. Magnetics2006,42 (4): 11111114.
[17] Polly Matzinger and Galadriel Mirkwood. In a fully H-2 incompatible chimera, T cells of donor origin can respond to minor histocompatibility antigens in association with either donor or host H-2 type. Journal of Experimental Medicine, 1978(148): 84-92. [18] Matzinger P. The danger model: a renewed sense of self. Science 2002; 296: 3015.
[19] Cohen IR, Young DB. "Autoimmunity, microbial immunity and the immunological homunculus." Immunol Today 1991; 12(4):105-10.
[20] Cohen IR. "The immunological homunculus and autoimmune disease," in Molecular Autoimmunity, ed. Talal N., Academic Press, USA 1991, pp.438-453.
[21] Cohen IR. "The cognitive paradigm and the immunological homunculus." Immunol Today 1992; 13(12):490-4.
[22] Cohen IR. "The meaning of the immunological homunculus." Isr J Med Sci 1993; 29(2-3):173-4.
[23] Cohen IR. "Kadishman’s Tree, Escher’s Angels, and the Immunological Homunculus," in Autoimmunity: Physiology and Disease, eds. Coutinho A, Kazatchkine MD. Wiley-Liss, Inc.1994 pp.7-18.
[24] Cohen IR. "Peptide therapy for Type I diabetes: the immunological homunculus and the rationale for vaccination." Diabetologia 2002 Oct;45(10):1468-74.
[25] Gonzalez G, Montero E, Leon K, Cohen IR, Lage A. "Autoimmunization to epidermal growth factor, a component of the immunological homunculus." Autoimmun Rev. 2002 Feb;1(1-2):89-95.
[26] Cohen IR. "Immune system computation and the immunological homunculus." MoDELS 2006, in O. Niestrasz et al. (Eds). Springer-Verlag, Berlin, pp. 499-512, 2006.
[27] Cohen IR. (2007) "Biomarkers, self-antigens and the immunological homunculus." J. Autoimmun., 2007 Dec;29(4):246-9.
[28] Roberto Puzone, B. Kohler, P. Seiden, Franco Celada: A Discrete Models of Cellular/Humoral Responses. ACRI 2000: 117-125.
[29] Roberto Puzone, B. Kohler, P. Seiden, Franco Celada: IMMSIM, a flexible model for in machina experiments on immune system responses. Future Generation Comp. Syst. 2002, 18(7): 961-972
[30] Stefania Bandini, Franco Celada, Sara Manzoni, Roberto Puzone, Giuseppe Vizzari: Modelling the Immune System with Situated Agents. WIRN/NAIS 2005: 231-243.
[31] Stefania Bandini, Franco Celada, Sara Manzoni, Giuseppe Vizzari: Modelling the immune system: the case of situated cellular agents. Natural Computing 2007, 6(1): 19-32.
[32] De Boer, R.J. and A.S. Perelson (1994) T cell repertoires and competitive exclusion. J. theor. Biol. 169, 375-390.
[33] Perelson, A. S.1989. Immune network theory. Immunological Reviews 110, 5-36.
[34] Sulzer, B., De Boer, R.J. and A.S. Perelson (1996) Crosslinking reconsidered. I Binding and crosslinking fields and the cellular response. Biophys. J. 70, 1154-1168.
[35] Meier-Schellersheim M, et al. Key role of local regulation in chemosensing revealed by a new molecular interaction-based modeling method. PLoS Comput Biol. 2006;2(7):e82.
[36] M. Meier-Schellersheim, G. Mack. SIMMUNE, a tool for simulating and analyzing immune system behavior. 1999 cs.MA/9903017.
[37] Meyer-Hermann M. A mathematical model for the germinal center morphology and affinity maturation. J Theor Biol 2002;216:273300.
[38] Kleinstein SH, Singh JP. Why are there so few key mutant clones? The influence of stochastic selection and blocking on affinity maturation in the germinal center. Int Immunol 2003;15:871884.
[39] Efroni S, Harel D, Cohen IR. Toward rigorous comprehension of biological complexity: modeling, execution, and visualization of thymic T-cell maturation. Genome Res 2003;13:24852497.
[40] Efroni, E., Harel, D. & Cohen, I. R. 2003 Towards rigorous comprehension of biological complexity: modelling, execution and visualization of Thymic T cell maturation. Genome Res. 13, 24852497.
[41] Alexandros Pertsinidis, Yunxiang Zhang, Steven Chu. Subnanometre single-molecule localization, registration and distance measurements. Nature, 2010 466(7), 647651
[42] Nudelman G, Louzoun Y. The role of lipid rafts in cell surface BCR antigen binding dynamics. EMBC 2004. Conference Proceedings, 26th Annual International Conference of the Engineering in Medicine and Biology Society.
[43] Nudelman G, Louzoun Y. Cell surface dynamics: the balance between diffusion, aggregation and endocytosis. Syst Biol (Stevenage) 2006;153:3442.
[44] Chakraborty A. How and why does the immunological synapse form? Physical chemistry meets cell biology. Sci STKE 2002;2002:PE10.
[45] Li QJ, et al. CD4 enhances T cell sensitivity to antigen by coordinating Lck accumulation at the immunological synapse. Nat Immunol 2004;5:791799.
[46] Kesmir C, De Boer RJ. A mathematical model on germinal center kinetics and termination. J Immunol 1999;163:24632469.
[47] Kleinstein SH, Singh JP. Toward quantitative simulation of germinal center dynamics: biological and modeling insights from experimental validation. J Theor Biol 2001;211:253275.
[48] Meyer-Hermann M, Beyer T. Conclusions from two model concepts on germinal center dynamics and morphology. Dev Immunol 2002;9:203214.
[49] Meyer-Hermann ME, Maini PK. Cutting edge: back to ‘‘one-way’’ germinal centers. J Immunol 2005;174:24892493.
[50] Lefranc MP. Nomenclature of the human immunoglobulin kappa (IGK) genes. Exp Clin Immunogenet 2001;18:161174.
[51] Bromley SK, et al. The immunological synapse. Annu Rev Immunol 2001;19: 375396.
[52] Monod MY, Giudicelli V, Chaume D, Lefranc MP. IMGT/JunctionAnalysis: the first tool for the analysis of the immunoglobulin and T cell receptor complex V-J and V-D-J JUNCTIONs. Bioinformatics 2004; 20(Suppl.):I379I385.
[53] Ruiz M, Pallares N, Contet V, Barbi V, Lefranc MP. The human immunoglobulin heavy diversity (IGHD) and joining (IGHJ) segments. Exp Clin Immunogenet 1999;16:173184.
[54] Ruiz M, et al. IMGT, the international ImMunoGeneTics database. Nucleic Acids Res 2000;28:219221.
[55] Lefranc MP, et al. IMGT, the international ImMunoGeneTics database. Nucleic Acids Res 1999;27:209212.
[56] Mehr AJ, Ardakani MJ, Hedayati M, Shahraz S, Mehr EJ, Zali MR. Age-specific seroprevalence of hepatitis A infection among children visited in pediatric hospitals of Tehran, Iran. Eur J Epidemiol 2004;19:275278.
[57] Kleinstein SH, Louzoun Y, Shlomchik MJ. Estimating hypermutation rates from clonal tree data. J Immunol 2003;171:46394649.
[58] Eason DD, Cannon JP, Haire RN, Rast JP, Ostrovd DA, Litman GW. Mechanisms of antigen receptor evolution. Semin Immunol 2004;16:215226.
[59] Gay NJ, Gangloff M, Weber AN. Toll-like receptors as molecular switches. Nat Rev Immunol 2006;6:693698.
[60] Mehr R. Modeling the meta-dynamics of lymphocyte repertoires. Arch Immunol Ther Exp (Warsz) 2001;49:111120.
[61] Mehr R, Edelman H, Sehgal D, Mage R. Analysis of mutational lineage trees from sites of primary and secondary Ig gene diversification in rabbits and chickens. J Immunol 2004;172:47904796.
[62] Argyropoulos C, et al. Mining microarray data to identify transcription factors expressed in naive resting but not activated T lymphocytes. Genes Immun 2004;5: 1625.
[63] Choi YL, et al. DNA microarray analysis of natural killer cell-type lymphoproliferative disease of granular lymphocytes with purified CD3-CD56? fractions. Leukemia 2004;18:556565.
[64] Singh N, Bergman Y, Cedar H, Chess A. Biallelic germline transcription at the kappa immunoglobulin locus. J Exp Med 2003; 197:743750.
[65] Quintana FJ, Hagedorn PH, Elizur G, Merbl Y, Domany E, Cohen IR. Functional immunomics: microarray analysis of IgG autoantibody repertoires predicts the future response of mice to induced diabetes. Proc Natl Acad Sci USA 2004;101(Suppl.): 1461514621.
[66] Lauwerys BR, Wakeland EK. Genetics of lupus nephritis. Lupus 2005;14:212.
