刘德培

医药分子生物学专家，1950年5月4日出生，安徽省阜南市人。1986年毕业于中国协和医科大学，获医学博士学位。中国工程院副院长，中国协和医科大学基础医学院研究员。从事分子生物学教学和基因表达调控与基因治疗研究，发现马利兰可显著增加贫血恒河猴与地贫患者胎儿型珠蛋白基因表达。发现HS2是自基因的红系增强子；建立正常与多种突变的α与P珠蛋白基因簇转基因鼠模型，发现P—LCR与α—PCE的基因簇特异性作用及α—PCE中HS的协同作用；[第一段]     

密码子优化的牛精蛋白基因在大肠杆菌中的表达

以PCR的方法得到牛精蛋白基因的基因，去其内含子，得到牛精蛋白cDNA，克隆入原核表达载体pGEX-2T中，组装成表达载体pGEX-2T-PE，利用大肠杆菌偏好的编码精氨酸的密码子CGT将野生型牛精蛋白基因中编码精氨酸的稀有密码子（AGA或AGG）替换掉，通过基因合成得到密码子优化的牛精蛋白的基因，将其克隆入原核表达载体pGEX-2T中，组装成表达载体pGEX-2T-PS。将这两个表达载体分别转化入大肠杆菌表达菌株BL21中，经IPTG诱导，同样条件下，野生型牛精蛋白基因无法得到表达，密码子优化的牛精蛋白基因能够得到良好的表达，表达产物约占细菌总蛋白的18％，将表达蛋白纯化，进行DNA－蛋白结合实验，发现其能与DNA发生非特异性的结合。     

一种高效挖掘冠心病医案关联规则的仿真研究

研究中医冠心病医案,高效挖掘有益信息规则问题,由于中医医案数据量大、关联性强,针对传统的关联规则挖掘算法处理中医医案数据时存在效率低、收敛速度慢及漏报规则等问题,提出一种小生境技术和基因表达式编程相结合的挖掘关联规则的方法。通过惩罚函数设置支持度阈值,利用小生境技术执行小生境演化、融合算法,结合基因表达式编程算法操作简单、鲁棒性强的优势搜索强关联规则,有效避免了算法早熟,解决了规则冗余。针对治疗冠心病的中医医案进行了验证性实验,实验结果表明,改进算法在提取有效信息的效率上有较大的提高,挖掘结果对冠心病中医临床诊治具有一定的参考价值。     

原发性高血压病靶器官损害的预测仿真研究

研究原发性高血压病靶器官损害准确预测问题,由于原发性高血压病靶器官损害的影响因子之间存在着高度冗余和非线性,导致传统方法预测准确率低,为提高预测精度,构建了一种改进的基因表达式编程算法的原发性高血压病靶器官损害预测模型,首先设计了适合靶器官损害预测的适应度函数,然后为克服早熟现象提出了以平均适应度形式自适应的改变重组算子概率和变异算子概率,通过数据训练得到靶器官损害的2年预测模型。采用对山东中医药大学第二附属医院原发性高血压病历史数据进行验证性仿真,结果表明,方法的预测精度更高,在原发性高血压病靶器官损害的预测中有着广泛的应用前景。     

多样性制导分段进化的基因表达式编程

为了解决基于传统基因表达式编程（GEP）的函数挖掘及其改进算法仍然存在局部优化的缺陷这一问题,提出了以基因组多样性制导的分阶段进化挖掘算法DGGEP。给出了GEP 进化阶段和基因组多样性评估模式的定义;提出了描述进化阶段的进化因子概念和分阶段进化策略;采用动态遗传算子设计和群体规模控制方法,使进化更快速跳出局部最优。实验表明了新算法的有效性,能减少进化停滞代数65％以上,使群体的平均适应度提高12%以上。     

链霉亲和素-蛋白A融合蛋白基因在大肠杆菌中的表达

将合链霉亲和亲-蛋白A（Streptavidin－proteinA）融合蛋白基因的表达质粒pTSAPA导入大肠杆菌BL21（DE3），成功地表达了该融合蛋白，经SIJS－PAGE及免疫印迹等方法证实该蛋白既具有IgG的结合活性，又具生物素结合活性。     

一种基因数据分析的半监督学习算法

基于对无标记数据算法的研究,讨论了基因数据分析的半监督学习算法。基因数据的典型特征是小样本、高維数,处理起来非常困难。在安全的半监督学习基础上,提出了一种降维和半监督学习相结合的方法,以提高分类效果的精确度及鲁棒性。实验证明,该方法通过结合降维和半监督学习的优点,具有很好的应用价值。     

免疫聚类算法在基因表达数据分析中的应用

提出了基于免疫聚类算法的基因表达数据分析方法. 根据基因表达数据矩阵的特点,设计了改进的Consine系数来度量基因相似度;借鉴生物免疫学的有关免疫理论,利用基因表达数据分析的先验知识自适应地改变抗体本身及其与抗原亲合度的关系,构造了基于免疫优势克隆的聚类算法. 与K均值算法和遗传算法的对比实验表明,该算法能够获得较大的类内紧制度、较小的类间分离度,具有较好的工程应用价值.     

基于多样化进化策略的基因表达式编程算法

针对传统GEP（Gene Expression Programming）算法的未成熟收敛以及陷入局部最优问题,提出一种基于多样化进化策略的基因表达式编程算法（DS-GEP：Gene Expression Programming based on diversified develop-ment strategy）。该算法通过基因空间均匀分布策略,自适应地交叉和变异算子以及淘汰算子等方法,对种群给予不同的进化策略,以保持种群的多样性,从而增强算法的寻优能力。通过对函数挖掘的实验证明,多样化进化策略各个部分均对改善挖掘效率发挥了作用,提高了DS-GEP函数挖掘算法的成功率。与传统GEP算法相比较,该算法的平均成功进化代数缩短了11%,成功进化时间缩短了8%,进化成功率提高了20%。     

基于自主学习与SCAD-Net正则化的回归模型

众多基因生物标志物选择方法常因研究样本较少而不能直接用于临床诊断.于是有学者提出整合不同基因表达数据同时保留生物信息完整性的方法.然而,由于存在批量效应,导致直接整合不同基因表达数据可能会增加新的系统误差.针对上述问题,提出一个融合自主学习与SCAD-Net正则化的分析框架.一方面,自主学习方法能够先从低噪声样本中学习出基础模型,然后再通过高噪声样本学习使得模型更加稳健,从而避免批量效应;另一方面,SCAD-Net正则化融合了基因表达数据与基因间的交互信息,可以实现更好的特征选择效果.不同情形下的模拟数据以及在乳腺癌细胞系数据集上的结果表明,基于自主学习与SCAD-Net正则化的回归模型在处理高维复杂网络数据集时具有更好的预测效果.