1
實驗 glycoprofile
30 株 glycoengineered CHO（17 個 glycosyltransferase 敲除/嵌入組合）表現 10 種重組蛋白，HILIC-UPLC 得到 309 張 N-glycan 剖面、68 種結構。
技術原理：為什麼 lectin 不能直接等於完整 glycoprofile
Lectin 只辨識 epitope（局部醣結構特徵），例如核心岩藻糖、α2,6-唾液酸化 LacNAc、雙分枝或 bisecting GlcNAc。 文獻 Figure 1 用 2,912 組隨機 glycoprofile 模擬 lectin 訊號，發現 Pearson R > 0.95 的 lectin profile 可以對應至少七群完全不同的 N-glycan 組成。 也就是說：相同的 lectin 圖案，理論上對應無限多種完整結構組合。
LeGenD（Lectin to Glycoprofile ENhanced with Data-driven methods）的解法不是再多測幾種 lectin， 而是把「細胞實際會做出來的 glycoprofile 約束」學進模型。CHO 細胞的酵素庫、單糖供應與蛋白質立體障礙會大幅縮小可能結構空間， 因此可用類神經網路把 8 維 lectin 向量映射到 68 種 N-glycan 的相對豐度。
Lectin array
把多種 lectin 固定在晶片上，以螢光標定的醣蛋白或細胞溶菌液結合，得到高通量 RFU 圖譜。文獻指出此格式也可套用 LeGenD，但需獨立訓練集。
ELLA / ELISA
文獻主實驗是 enzyme-linked lectin assay：蛋白質包覆 96 孔盤，加 biotin-lectin → ABC-HRP → TMB，450 nm 讀值。訊號扣背景後正規化為總和 = 1。
FACS
螢光 lectin 標記細胞表面醣衣，以 MFI 作為結合強度。原理與 ELLA 相同（相對 lectin 向量），但細胞表面還有 O-glycan 與糖脂，解釋時需更謹慎。
原始模型：8 個 lectin 輸入 → 4 層全連接隱藏層（每層 20 節點）→ softmax 輸出 68 種 N-glycan 豐度。 最佳驗證 RMSE 約 3.60×10−2。解讀用 SHAP；IgG 上 LCA 與 MAL-I 貢獻最大。 本教學頁無法重現作者未公開的權重，因此以文獻 Equation 1–2 的「醣特徵矩陣 × 結合規則矩陣」做可解釋重建，並採用論文相同的 0.02 閾值去噪。
資料庫如何依據這篇文獻建立
文獻面對的核心困難是：幾乎沒有「同一批樣本同時有完整 UPLC glycoprofile + 實驗 lectin profile」的公開大數據。 作者因此用 實驗 glycoprofile 當真相、以結合規則模擬 lectin 訊號當訓練輸入，再用 IgG 與 Fetuin B 的真實 ELLA 校正。
2
特徵分解
每個 glycan 依 LinearCode 拆成特徵計數：核心 Fuc、末端 Manα1,2、α2,3/α2,6 Sia、bisecting GlcNAc、β1,6 分枝、末端 type-2 LacNAc 等。
3
結合規則
8 種 lectin 對 10 類 N-glycan 特徵的專一性取自 Bojar et al. 2022（57 種 lectin 的機器學習註解）。p 值轉 z-score，構成結合規則矩陣（Table S3）。
4
模擬 lectin profile
LP = GP ×（特徵矩陣 × 結合規則）。再用 IgG / Fetuin B 的實驗 ELLA 做線性迴歸校正。IgG RMSE = 2.63×10−3，Fetuin B = 3.85×10−3。
5
訓練與擴充
ANN 學習「模擬 lectin → 真實 glycoprofile」。另用 Dirichlet 分布合成 30 張 Fetuin 型剖面（約 10% 訓練集），降低未見結構的假陽性。
驗證蛋白質（本頁示範也使用這兩種）
- 人類血清 IgG：以核心岩藻糖化雙分枝為主（G0F / G1F / G2F），少量 bisecting 與 α2,6-唾液酸化。LCA 高、MAL-I 低、PHA-L 低。同一套 IgG lectin ELISA 也可用來估計 Glycan Age（醣齡）。
- 牛 Fetuin B：高度唾液酸化的三／四分枝複雜型，幾乎無核心 Fuc。MAL-I、SNA、PHA-L 高，LCA 低。模型無法分辨三唾液酸化與 polysialic acid（SNA / MAL-I 都不辨 α2,8）。
文獻來源： Li H, Peralta AG, Schoffelen S, et al. LeGenD: determining N-glycoprofiles using an explainable AI-leveraged model with lectin profiling （bioRxiv 2024；PMC10996628）。結合規則依據 Bojar et al., ACS Chem. Biol. 2022。
下拉選擇已分析的 Lectin，列出對應醣結構
此表對應文獻 Table S1：8 種 lectin 共同覆蓋約 10 類常見 N-glycan 特徵。點選 lectin 卡片或使用下拉選單。
輸入 Lectin array / ELISA / FACS 資料，重建 glycan profile
輸入相對強度即可；程式會扣背景（若提供）並把 lectin 向量正規化為總和 1，與文獻 ELLA 處理一致。未填的 lectin 不參與重建。
或貼上 CSV / TSV
欄位名稱可為 lectin, signal / intensity / MFI / OD / RFU，以及選填 background。
示範例子（依文獻與常見 N-glycome）
示範 lectin 訊號是用本頁與文獻相同的正向模型，由「文獻式參考 glycoprofile」模擬而來，因此重建結果可對照參考組成。這也重現 LeGenD 用模擬 lectin profile 訓練的邏輯。