免疫学与遗传学
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇免疫学与遗传学范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
免疫学与遗传学范文第1篇
【关键词】传统教学；PBL；结合；应用
【中图分类号】G652
1.引言
由于受到应试教育思想的侵蚀，我国传统医学教学往往具有一定的知识本位色彩。一般而言，传统医学教学仅仅是相对知识的系统化积累而言。一方面，传统医学的学习是独立于其他学科而单独存在，缺少学科之间知识的融合。另一方面，在整个教与学的过程中，教师片面的注重知识的教授，而忽略了与学生之间的交流互动及其主观创造性的发挥。这与我国现阶段社会对医学人才的需求是完全背离的。而PBL教学法的提出是基于问题的产生，以一定情境的创设鼓励学生进行独立自主的学习及探究。因此，传统医学与PBL教学法的结合既满足我国医学免疫学在医学知识领域的发展，又在很大程度上缓解了我国医学免疫学过于保守与固化的现状，通过对其教学的创新性探讨，实现了医学免疫学教学的可持续发展。
2.我国传统教学与PBL结合对医学免疫学教学发展的必要性
2.1医学免疫学自身学科特点的要求
作为一门有关人体免疫体系研究与疾病防治的科学，医学免疫学不仅是基础医学、临床医学等学科的核心组成部分，同时也是一个职业的医师必须具备的基本从业资格。可想而言，医学免疫学必然集结了各个学科的理论知识，其内容繁杂与宽泛可见一斑。随着改革开放以来我国对外贸易的加深及科学技术的重大变革，医学知识的更新也呈现出跨越式进步。那么对于免疫学这种知识交叉融合且复杂多变的学科其学习的难易程度也就不言而喻了。此外，一些免疫学学生普遍反映对于免疫学知识的学习处于艰难摸索阶段，教师在课堂中只进行简单的知识要点解析和知识结构体系的构建，学生追赶教师教学进程的同时仍处于朦胧的学习状态，晦涩难懂的知识依然不能得到完全克服，这就是PBL提出的时代背景。
2.2免疫医学探究的需要
首先，医学的发展是一个逐步探索完善的过程。单纯的理论知识掌握不能做到对新知识与未知领域的探索，这种教学模式下的人才培养策略也远远低于实际需求水平，我国免疫医学的发展已处于停滞阶段。在全球化及互联网高度应用的时代背景下，传统免疫学教学模式受到了普遍的质疑。社会的需求，时代的号召，使人们迫切希望进行一定的教学制度变革，从而彻底的解决我国免疫学教学前进中的问题，由此产生了PBL教学法。但纵观历史发展，每一次社会的变革都会与原有制度产生一定的摩擦与碰撞，但其本质又是传统与现代的完美融合，这种融合本身就意味着新思维、新发展的产生。因此PBL的提出并不是对传统教学模式的直接否定，而是将传统与现展的优势进行了良好的融合与创新，做到传统教学扬弃的同时实现PBL教学模式的创新性发展，全面促进免疫医学研究的前进步伐。
3.传统教学与PBL结合在医学免疫学教学中的探索及应用
3.1实验探索过程
下面我们以我校在医学免疫学教学中的教学改革为例进行探究。我们将实验分为三个主要组成部分，分别为实验准备阶段，实验实施阶段与实验效果测试阶段。首先，为了更鲜明的看到实验结果的明显区别，我们设置了实验组与对照组两个实验单位，每组10人，且这两组学生都缺乏一定医学免疫知识，以便对学生实验后知识的考核，同时教材统一使用世界图书出版公司出版的《医学免疫学》第一版作为参考。其次，接下来就要开始对这两组学生进行实验教学了。在对实验组进行课程教授之初先对其使用传统教学方法进行知识的灌输与积累，通过教学学生们对免疫知识有了确切的了解并熟悉了一些基础且核心概念与理论。而后针对实验组的学生教师需要创设相对真实的医学临床诊疗环境，向学生们提出疑问的同时进行边讲解医学免疫知识边实践的模拟诊疗，从而激发学生们的课堂积极性，引发其创新思维的产生，并鼓励其进行自主实践的探索，或者通过合作的方式实现对知识的掌握与运用。另外一个实验组教学的实施主要是以课堂的理论教学为主，教师的讲解更加偏重于对知识的讲解与单纯的知识体系创建。最后，实验效果的检测是以学生考试成绩的高低和自我测评为主要评价标准的。其中学生考试成绩的高低不仅仅指的是试卷类型的考核，还要将临床试验的具体实践分析加之其中。
3.2实验结果分析
实验结果主要包括三部分。第一，学生试卷成绩。从两组学习小组的试卷成绩来看，实验组与对照组的得分表明其对知识的掌握情况基本处于同一水平。第二，临床实践能力。我们可以明显得感觉到实验组在面对实际的医学分析时比较从容镇定，能够在一段时间的思考后进行合理的分析与治疗。但对照组的同学虽然有着同样的知识储备，却没有做到将脑海中的知识及时运用到实践中，其自主能力也相对较差。第三，学生自测。通过两个小组的学生反映，实验组的同学掌握的探究能力已完全超越了对照组，其基本临床探究及分析能力也高于对照组。究其原因在于，经过传统教学与PBL结合的教学的实验组，针对教师提出的问题进行了深入的思考，在教师进行实验演示的同时已对临床中的理论知识运用与实验教学进行了相对完整的独立探究。而对照组只是在观看教师实践的同时进行了知识脉络的调整及梳理，使其更加清晰化与系统化。
4.结束语
综上所述，传统教学与PBL结合在免疫学教学中的应用已成为医学教育发展的主流趋势。这不仅是医学探究的基本需求，同时也是我国免疫医学进步的重要里程碑。我们要在传统免疫教学的基础上，做到对学生创新实践能力的培养，增强其医学探究能力。
参考文献
[1]李蕴，何秀娟.传统教学结合PBL或结合文献汇报在医学免疫学理论教学中的应用体会[J].中国高等医学教育，2010（8）
[2]杨婧.LBL结合PBL在医学免疫学教学中的应用[J].中国高等医学教育，2012（12）
免疫学与遗传学范文第2篇
人类遗传学的主要研究方法是：
系谱分析。用于研究决定人类性状或疾病的基因的传递规律。数理统计。通过群体的调查和系谱分析并将获得的资料经过数学处理，可以测定人类某些性状或疾病基因的分布频率。细胞遗传学方法。医学细胞遗传学的研究为人类遗传学积累了大量的资料。体细胞遗传学方法。在人类基因定位中得到广泛的应用，也常应用于肿瘤遗传学的研究。生物化学方法。层析、电泳、色谱分析 、同位素示踪等被广泛应用于先天性代谢缺陷、血红蛋白异常和各种综合征的研究。免疫学方法。人类体细胞免疫学特性的研究是人类遗传学的重要内容。它为同种异体脏器的移植提供了理论基础，同时也可揭示它与某些遗传性疾病发生的关联。并为阐明免疫球蛋白的多样性来源问题开辟了新的途径。双生儿法。通过双生儿之间的异同对比研究遗传和环境对个体表型的相对效应的方法，它是人类遗传学研究中的经典方法。
（来源：文章屋网 ）
免疫学与遗传学范文第3篇
【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.
免疫学与遗传学范文第4篇
医学遗传学是基础医学与临床医学之间的桥梁，在现代医学在有着重要的地位[1]。随着医学的快速发展，医学遗传学也不断地进步。对于将来从事医疗事业的学生来说，遗传学是一门重要的学科。医学院的学生是医疗建设的后备力量，对学生的需求逐渐增加，不仅需要专业的医学知识，还需接受现代医学的最新成果。因此，对医学遗传学的教学方法十分重要。本文主要分析医学遗传学的教学存在的问题，并提出有效的教学建议，从而保障遗传学的教学质量。
1.中医院校医学遗传学教学现状
在当前医学遗传学教学中，发现课程内容与其他学科出现重复的现象，不仅影响了教学质量，对学生的学习兴趣也具有一定的影响。运用传统的教学方法，学生一般处于接收知识的被动者，没有发挥学生的主观能动性。另外，在实践教学中，一般都是操作验证性的实验，不利于培养学生独立思考的能力以及创新能力；传统的教学测验，难以体现学生的真实水平。对于这些问题，对医学遗传学的教学内容、教学方法进行有效的改革。
2.提高医学遗传学教学质量方法
2.1 优化教学内容。医学遗传学作为基础与临床之间重要的一门学科，与细胞生物学、生物化学、分子生物学、医学免疫学等学科紧密相连[2]。随着其它医学学科的日益完善，原来只在医学遗传学中讲授的内容已部分被其他各相关课程接纳，这使得教材内容出现重复的现象。因此，在教学中，要根据实际情况出发，调整教学内容。比如，针对单基因遗传复并发风险的估计， 在高中阶段已讲过，因此在讲解过程中应重点介绍bayes法，应用一些病例进行讲解。这样才能将时间应用到遗传学的重点知识上，也可以避免学生对重复内容的发生厌烦的情绪。
2.2 改进教学方法。
2.2.1 合理的利用多媒体教学。多媒体辅助教学是一种有效的教学方式，其具有信息量大、生动、直观的优点，有效弥补了传统教学带来的不足，有利于培养学生的思维能力，对教学课堂的质量有着重要作用[3]。由于医学遗传学教学中存在着大量的抽象内容，很多学生难以理解。应用多媒体辅助教学，将动画、图形和视频等形式引入课堂中，有利于提高教学质量。例如：教师在染色体病关于"猫叫综合征"的讲解时，在显示患儿体貌特征图片的同时，配以猫的叫声和患儿的哭声，有利于学生更好的理解和掌握相关的知识内容，激发学生的学习兴趣。利用多媒体辅助教学，使教学课堂生动有趣，从而提高教学质量。
2.2.2 联系实际，引发学生兴趣。病例具有真实、直观的效果，有利于学生更加理解与掌握相关的医学知识。而医学遗传学涉及多种遗传病，因此在教学中可以从临床医学病例入手。如白化病、红绿色盲、血友病等单基因病，通过实际了解这些病例，使学生与教材内容相结合，有助于提高学生的兴趣，有利于学生理解与掌握这些知识，使理论知识在实践中更好的体现出来。
2.3 重视实验环节。实践课是遗传学的重要部分，同时也是学生感兴趣的部分。主要目的是验证学生是否掌握了理论知识，使学生学习到实验操作中技术方法，为今后走向医疗行业奠定良好的基础。在实验教学方面，应结合实验室应有的条件，选择符合教学内容的实验，让学生自主展开实践，实验结束后，写一份实验报告，然后针对出现的问题进行分析与探讨。感兴趣的学生可以一起讨论其可行性，不仅有利于巩固教材知识，而且掌握了实践操作的要领，使学生的创新能力与独立思考能力得到培养。
2.4 改进考核方法。改善学生评价考核体系，不能采取一张试卷定成绩的方式评价学生[4]。增加对学生学习操作的考核制度，如：实验的科研活动，在学生完成实验操作后，教师经过对学生操作能力、综述水平、平时的考勤等方面进行综合评判，确定学生的成绩，做到公正又标准的评价。
免疫学与遗传学范文第5篇
1、生物技术专业培养具备生命科学的基本理论和较系统的生物技术的基本理论、基本知识、基本技能，能在科研机构或高等学校从事科学研究或教学工作，能在工业、医药、食品、农、林、牧、渔、环保、园林等行业的企业、事业和行政管理部门从事与生物技术有关的应用研究、技术开发、生产管理和行政管理等工作的高级专门人才。
2、无机化学、有机化学、分析化学、植物学、动物学、生物化学、微生物学、药理学、药物分析学、遗传学、分子生物学、细胞生物学、免疫学、植物组织培养、生化分离技术、基因工程、细胞工程、酶工程、发酵工程等。
3、主干学科：生物学、医学、农学。
4、核心知识领域：生命的化学分子基础，细胞的结构、功能与重大生命活动，生物体的结构与功 能及生物多样性，微生物的特征与代谢，生物的遗传与进化，生物与环境，生物技术的原理与应用。
（来源：文章屋网 ）
