Hlavní stránka > Výsledky hledání: keywords:"predikce retence"
Hledej:
Tipy pro vyhledávaní :: Rozšířené hledání
Hledej ve sbírkách:
Seřadit podle: Zobrazit výsledky: Výstupní formát:
Národní úložiště šedé literatury Nalezeno 2 záznamů.  Hledání trvalo 0.01 vteřin. 
Chemická modifikace glykopeptidů a predikce jejich retenčního chování při hydrofilní kapalinové chromatografii
 Pála, Anastasie ; Ječmen, Tomáš (vedoucí práce) ; Křížek, Tomáš (oponent)
4 Abstrakt Glykoproteiny jsou nedílnou součástí mnoha buněčných dějů, bez kterých by komplexní život vyšších organismů nebyl možný. Glykoproteiny mají význam také pro klinické účely, neboť změny fyziologického stavu způsobené nemocemi vyvolávají změny v proteinové glykosylaci. Změny v hojnosti glykosylace či strukturách syntetizovaných glykanů jsou asociované s mnoha nemocemi jako Alzheimerova choroba či rakovina, a mohou proto sloužit jako diagnostické biomarkery. Pro studium glykoproteinů se užívá několika analytických postupů. Jedním z nich je analýza glykopeptidů proteolyticky štěpených glykoproteinů. Tento postup umožňuje analýzu glykoproteinů i v komplexních směsí, jako jsou biologické vzorky, neboť glykanové zbytky jsou stále připojené na svá glykosylační místa. Je tedy možné identifikovat glykoproteiny včetně jejich glykanových struktur, což v případě jiných analytických postupů není vždy možné. Pro analýzu glykopeptidů se hojně využívá kapalinová chromatografie spojená s hmotnostní spektrometrií. Jako separační mód je v glykoproteomice pro schopnost rozdělovat glykopeptidy s odlišnými glykanovými strukturami hojně užívaná hydrofilní interakční chromatografie. V této práci byl separační mód využit pro separaci glykopeptidů modelových glykoproteinů imunoglobulinu G1 a G1. Peptidová páteř glykopeptidů...
Úplný záznam
Rozšíření umělé inteligence DeepReI a její aplikace v praxi
 Hurychová, Nikola ; Sobotníková, Jana (vedoucí práce) ; Křížek, Tomáš (oponent)
Diplomová práce se zabývá rozšířením umělé inteligence DeepReI o predikci retenčních indexů látek v plynové chromatografii pro standardní nepolární a polární stacionární fázi. V teoretické části je obecně popsána umělá inteligence, konvoluční neuronové sítě a princip učení neuronových sítí. Je zde i stručný přehled aplikací neuronových sítí v analytické chemii. V experimentální části byl původní model DeepReI rozšířen o predikci retenčních indexů látek pro standardní nepolární a polární stacionární fáze. Dále bylo dosaženo přesnější predikce retenčních indexů látek pro semistandardní nepolární stacionární fázi oproti dostupným modelům. Aplikovatelnost modelu při identifikaci neznámých látek byla ověřena necílenou analýzou nealkoholických piv pomocí plynové chromatografie s hmotnostní detekcí.
Úplný záznam

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.
Digitální repozitář :: Hledej :: Nový záznam :: Personalizace :: Nápověda
Powered by Invenio v1.1.2
Spravuje admin.invenio@techlib.cz
Tato stránka je dostupná také v následujících jazycích:
Česky  English