抗菌肽CysHHC10,1408311-03-4,CKRWWKWIRW-NH2

30191bee009789db7e1d1e41e4b72ed4.jpeg

CysHHC10 是一种合成的抗菌肽,对革兰氏阳性和革兰氏阴性细菌均显示出强大的抗菌特性。CysHHC10 对大肠杆菌,铜绿假单胞菌,金黄色葡萄球菌和表皮葡萄球菌的 MIC 值 分别为 10.1 mM, 20.2 mM, 2.5 mM 和 1.3 mM。

编号: 200763
中文名称: 抗菌肽CysHHC10
英文名: Antimicrobial Peptide CysHHC10
CAS号: 1408311-03-4
单字母: H2N-CKRWWKWIRW-NH2
三字母: H2N-Cys-Lys-Arg-Trp-Trp-Lys-Trp-Ile-Arg-Trp-NH2
氨基酸个数: 10
分子式: C77H107N23O10S1
平均分子量: 1546.89
精确分子量: 1545.83
等电点(PI): -
pH=7.0时的净电荷数: 5.94
平均亲水性: -0.44
疏水性值: -1.34
来源: 人工化学合成,仅限科学研究使用,不得用于人体。
储存条件: 负80℃至负20℃
标签: 抗菌肽(Antimicrobial Peptides)

ea788766c25e7ea0083b12a3864193e5.jpeg   

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
抱歉,作为AI语言模型,我无法为您提供完整的深度学习代码。但是,我可以提供一个简单的伪代码框架,来实现抗菌肽二分类的深度学习模型。 1. 数据准备:将数据集分成训练集和测试集,对数据进行预处理(如归一化),并将其转化为模型可以接受的格式。 2. 构建模型:使用深度学习框架(如TensorFlow或PyTorch)构建卷积神经网络模型,包括输入层、卷积层、池化层、全连接层和输出层。可以选择不同的激活函数、优化器和损失函数。 3. 训练模型:使用训练集对模型进行训练,并在每个epoch(迭代轮数)结束后使用测试集进行模型评估。可以使用交叉验证等技术来提高模型性能。 4. 模型优化:根据模型评估结果,调整模型参数、网络结构等,优化模型性能。 5. 预测结果:使用训练好的模型对新数据进行预测,得到抗菌肽的分类结果。 伪代码示例: ``` # 数据准备 train_data, train_labels, test_data, test_labels = prepare_data() # 构建模型 model = Sequential() model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Flatten()) model.add(Dense(units=128, activation='relu')) model.add(Dense(units=1, activation='sigmoid')) # 训练模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) model.fit(train_data, train_labels, epochs=10, validation_data=(test_data, test_labels)) # 模型优化 # ... # 预测结果 predictions = model.predict(new_data) ``` 请注意,这只是一个简单的伪代码示例,并不代表实际的深度学习模型实现。在实际开发中,需要使用更复杂的模型和技术,并进行更详细的参数调整和优化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值