首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

原子间的最小距离

是指两个相邻原子之间的最短距离。在固体材料中,原子通过化学键或者范德华力相互结合形成晶体结构。原子间的最小距离取决于晶体结构和原子半径。

不同晶体结构具有不同的原子排列方式,因此原子间的最小距离也会有所不同。常见的晶体结构包括立方晶体、六方晶体、四方晶体、正交晶体等。在每种晶体结构中,原子间的最小距离是固定的,并且可以通过晶体学的方法进行测量和计算。

原子间的最小距离在材料科学和化学领域具有重要意义。它决定了材料的物理性质和化学性质,例如材料的密度、硬度、热膨胀系数等。此外,原子间的最小距离还影响着材料的电子结构和能带结构,对材料的导电性、光学性质等也有一定影响。

在云计算领域,原子间的最小距离并不直接涉及。云计算是一种基于互联网的计算模式,通过将计算资源、存储资源和服务资源提供给用户,实现按需使用和灵活扩展的目的。云计算的关键技术包括虚拟化、分布式计算、自动化管理等。

腾讯云作为一家领先的云计算服务提供商,提供了丰富的云计算产品和解决方案。其中包括云服务器、云数据库、云存储、人工智能服务等。如果您对腾讯云的产品感兴趣,可以访问腾讯云官方网站(https://cloud.tencent.com/)了解更多信息。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • NeurIPS 2021 | 通过动态图评分匹配预测分子构象

    从 2D 分子图中预测稳定的 3D 构象一直是计算化学中的一个长期挑战。而最近,机器学习方法取得了相比传统的实验和基于物理的模拟方法更优异的成绩。这些方法主要侧重于模拟分子图上相邻原子之间的局部相互作用,而忽略了非键合原子之间的长程相互作用。然而,这些未成键的原子在 3D 空间中可能彼此接近,模拟它们的相互作用对于准确确定分子构象至关重要,尤其是对于大分子和多分子复合物。在本文中,作者提出了一种称为动态图评分匹配 (DGSM) 的分子构象预测新方法,该方法通过在训练和推理过程中根据原子之间的空间接近度动态构建原子之间的图结构来对局部和远程相互作用进行建模。具体来说,DGSM根据动态构建的图,使用评分匹配方法直接估计原子坐标对数密度的梯度场。可以以端到端的方式有效地训练整个框架。多项实验表明,DGSM 的表现远超该领域一流水平,并且能够为更广泛的化学系统生成构象,例如蛋白质和多分子复合物。

    02

    ICML2022 | EQUIBIND:用于药物结合结构预测的几何深度学习方法

    本文介绍一篇来自于麻省理工学院的Hannes Stärk、Octavian Ganea等人发表在ICML上的分子结构预测工作——《EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction》。预测类药物分子如何和特定靶蛋白结合是药物发现中的一个核心问题。已有方法依赖于评分、排序和微调等步骤对大量候选分子进行采样,计算非常昂贵。针对该问题,作者提出一种SE(3)等变的几何深度学习模型——EQUIBIND。该模型能直接快速地预测出受体结合位置以及配体的结合姿势和朝向。此外,作者将该模型同已有的微调技巧结合取得额外突破。最后,作者提出一种新型且快速的微调模型,它对于给定的输入原子点云基于冯·米塞斯角距离全局最小值的近似形式来调整配体可旋转键的扭转角,避免以前昂贵的差分进化能源最小化策略。

    02

    【机器学习】--层次聚类从初识到应用

    聚类就是对大量未知标注的数据集,按数据的内在相似性将数据集划分为多个类别,使类别内的数据相似度较大而类别间的数据相似度较小. 数据聚类算法可以分为结构性或者分散性,许多聚类算法在执行之前,需要指定从输入数据集中产生的分类个数。 1.分散式聚类算法,是一次性确定要产生的类别,这种算法也已应用于从下至上聚类算法。 2.结构性算法利用以前成功使用过的聚类器进行分类,而分散型算法则是一次确定所有分类。 结构性算法可以从上至下或者从下至上双向进行计算。从下至上算法从每个对象作为单独分类开始,不断融合其中相近的对象。而从上至下算法则是把所有对象作为一个整体分类,然后逐渐分小。 3.基于密度的聚类算法,是为了挖掘有任意形状特性的类别而发明的。此算法把一个类别视为数据集中大于某阈值的一个区域。DBSCAN和OPTICS是两个典型的算法。

    03

    Chemical Science | SDEGen:基于随机微分方程的构象生成模型

    本文介绍一篇来自浙江大学侯廷军教授、康玉副教授和碳硅智慧联合发表在Chemical Science的论文《SDEGen: Learning to Evolve Molecular Conformations from Thermodynamic Noise for Conformation Generation》。该论文提出了一种将分子力学当中的随机动力学系统和深度学习当中的概率模型相结合的小分子三维构象生成模型:SDEGen。作者采用随机微分方程(Stochastic Differential Equation, SDE)模拟分子构象从热噪声分布到热平衡分布的过程,联合概率深度学习的最新DDIM(Denoising Diffusion Implicit Models)模型,不仅提高了模型生成构象的效率,并且在多项评测任务(包括构象生成质量、原子间距离分布和构象簇的热力学性质)上实现了精度的提升。如在构象生成质量上,其多样性指标优于传统方法22%,准确性指标优于传统方法40%;在热力学性质预测方面,将传统方法的精度提升了一个数量级,与量化计算的结果误差缩小至~2kJ/mol。除此之外,这篇文章还引入了晶体构象的比对实验和势能面分布实验,为构象生成任务的评测提供了更多维及更物理的视角。大量的实验表明,SDEGen不仅可以搜索到小分子晶体构象所在的势能面的势阱当中,还可以搜索到完整势能面上多个局域优势构象。同时,SDEGen模型计算效率极高,在分子对接、药效团识别、定量构效关系等药物设计任务中具有广泛的应用前景。

    03

    J. Med. Chem. | 用图形注意机制推进药物发现分子表征的边界

    今天给大家介绍的是上海科技大学免疫化学研究所蒋华良院士团队在Journal of Medicinal Chemistry上发表了一篇名为“Pushing the Boundaries of Molecular Representation for Drug Discovery with the Graph Attention Mechanism”的文章。寻找具有良好药理、毒理学和药代动力学特性的化学物质对药物发现来说仍然是一个巨大的挑战。深度学习为药物发现领域提供了强大的工具来建立适合不断增长的数据量的预测模型,但这些神经网络学习的内容与人类能够理解的内容之间的差距正在扩大。此外,这种差距可能会引发不信任,限制深度学习在实践中的应用。在此,作者在文章中介绍了一种新的使用图注意力机制来学习药物发现相关数据集的图神经网络结构——Attentive FP来进行分子表示。通过实验证明,Attentive FP模型不仅在各种数据集上达到了最高水准的预测性能,而且它学习到的是可解释的。通过特征可视化表明,Attentive FP通过从特定任务中学习非局部分子内的交互帮助研究人员发现超出人们预期的潜在的化学信息。

    02

    AAAI Spring Symposium 2019|CrystalGan:使用生成对抗网络发现晶体结构

    今天给大家介绍巴黎东大和索邦大学的Asma Nouira等人在AAAI Spring Symposium 2019上分享的文章“CrystalGAN: Learning to Discover Crystallographic Structures with Generative Adversarial Networks”。作者在文章中提出使用生成对抗网络(generative adversarial networks,GAN)可以高效地生成新的数据,因此可以应用于生成新的晶体结构数据。但在材料科学领域,需要生成相对于样本复杂度更高阶的数据,一般的生成对抗网络难以满足这一要求。本文提出的CrystalGan可以生成更高复杂度的新的稳定的晶体结构。本文提出的这一种高效的方法在新型氢化物发现等实际问题中可能会有比较深入的应用。

    01

    ICLR 2022 under review|化学反应感知的分子表征学习

    今天给大家介绍一篇关于分子表征学习的文章。分子表征学习(MRL)旨在将分子嵌入到实向量空间中。然而,现有的基于SMILES(简化分子线性输入系统)或GNN(图神经网络)的MRL方法要么以SMILES字符串作为输入,难以编码分子的结构信息,要么过度强调GNN结构的重要性,而忽视了其泛化能力。因此,作者提出使用化学反应来协助学习分子表征,其核心思想在于保持分子在嵌入空间中的化学反应的等价性,即强制让每个化学方程式的反应物嵌入和生成物嵌入的总和相等,该限制在保持嵌入空间的有序性和提高分子嵌入的泛化能力中被证明是有效的。此外,该模型可以使用任何GNN作为分子编码器,与GNN结构无关。实验结果表明,这种方法在各种下游任务中都达到了最佳性能,超过了最佳基线方法。

    02

    一种用Gaussian 16中的GIC功能实现同时扫描多个坐标的方法

    势能面扫描是我们用Gaussian常做的计算,一般可以分为刚性扫描和柔性扫描。如果在柔性扫描中给定两个坐标,那么我们将会得到二维势能面。但是有时候我们只希望两个坐标同时变化得到一条势能曲线,这可以通过使用Gaussian中的GIC(广义内坐标)实现。本公众号之前也给出了一个可行的解决方案,见《在Gaussian16中同时扫描两个反应坐标》。但是之前方案的缺点是使用了Link1,在用GaussView打开输出文件时不能很方便地显示能量的变化趋势,这在找能量极大,极小点时会带来困难。因此这里给出了一个新的方案,不使用Link1,让势能曲线可以直观地显示出来。

    03

    四种聚类方法之比较

    聚类分析是一种重要的人类行为,早在孩提时代,一个人就通过不断改进下意识中的聚类模式来学会如何区分猫狗、动物植物。目前在许多领域都得到了广泛的研究和成功的应用,如用于模式识别、数据分析、图像处理、市场研究、客户分割、Web文档分类等[1]。  聚类就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇,使得同一个簇内的数据对象的相似性尽可能大,同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起,不同数据尽量分离。  聚类技术[2]正在蓬勃发展,对此有贡献的研究领域包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等。各种聚类方法也被不断提出和改进,而不同的方法适合于不同类型的数据,因此对各种聚类方法、聚类效果的比较成为值得研究的课题。 1 聚类算法的分类  目前,有大量的聚类算法[3]。而对于具体应用,聚类算法的选择取决于数据的类型、聚类的目的。如果聚类分析被用作描述或探查的工具,可以对同样的数据尝试多种算法,以发现数据可能揭示的结果。  主要的聚类算法可以划分为如下几类:划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法[4-6]。  每一类中都存在着得到广泛应用的算法,例如:划分方法中的k-means[7]聚类算法、层次方法中的凝聚型层次聚类算法[8]、基于模型方法中的神经网络[9]聚类算法等。  目前,聚类问题的研究不仅仅局限于上述的硬聚类,即每一个数据只能被归为一类,模糊聚类[10]也是聚类分析中研究较为广泛的一个分支。模糊聚类通过隶 属函数来确定每个数据隶属于各个簇的程度,而不是将一个数据对象硬性地归类到某一簇中。目前已有很多关于模糊聚类的算法被提出,如著名的FCM算法等。  本文主要对k-means聚类算法、凝聚型层次聚类算法、神经网络聚类算法之SOM,以及模糊聚类的FCM算法通过通用测试数据集进行聚类效果的比较和分析。 2 四种常用聚类算法研究 2.1 k-means聚类算法  k-means是划分方法中较经典的聚类算法之一。由于该算法的效率高,所以在对大规模数据进行聚类时被广泛应用。目前,许多算法均围绕着该算法进行扩展和改进。  k-means算法以k为参数,把n个对象分成k个簇,使簇内具有较高的相似度,而簇间的相似度较低。k-means算法的处理过程如下:首先,随机地 选择k个对象,每个对象初始地代表了一个簇的平均值或中心;对剩余的每个对象,根据其与各簇中心的距离,将它赋给最近的簇;然后重新计算每个簇的平均值。 这个过程不断重复,直到准则函数收敛。通常,采用平方误差准则,其定义如下:

    01

    基于可解释的异质相互作用图神经网络的蛋白质-配体亲和力预测

    今天为大家介绍的是来自北京大学信息工程学院、AI4S平台中心主任陈语谦教授团队发表在人工智能旗舰期刊IEEE Transactions on Pattern Analysis and Machine Intelligence(IF=23.6)的论文,博士生杨梓铎为第一作者。该论文从归纳偏好的角度探讨了深度学习模型在蛋白质-配体亲和力(Protein-Ligand Binding Affinity, PLA)预测任务中的泛化能力和可解释性。归纳偏好是指在深度学习模型中为了更好地进行学习和泛化而引入的假设或偏好。归纳偏好通过限制模型的假设空间,使其在有限的数据上更容易找到合适的模式,从而提高模型的泛化性能。模型的泛化能力及可解释性,往往取决于所使用的归纳偏好在多大程度上能够准确描述待解决的任务。因此,在PLA预测任务中,所采用的归纳偏好应符合物理化学规则,以更好地描述蛋白质-配体间的相互作用,从而提高模型的泛化能力和可解释性。

    01

    Nat. Comput. Sci.|KarmaDock:针对超大规模虚拟筛选的基于深度学习的分子对接方法

    本文介绍一篇来自浙江大学侯廷军教授、谢昌谕教授、潘培辰研究员和之江实验室陈广勇研究员团队联合发表的关于分子对接方法的论文。该文章提出了一种基于深度学习的分子对接模型,KarmaDock,可以快速且准确的预测蛋白配体结合构象及其结合强度。该方法通过混合密度函数学习蛋白配体间最优距离分布用于结合强度打分,并将其作为归纳偏置,利用融合自注意力机制的EGNN模型来迭代更新分子坐标从而预测蛋白配体间结合构象。KarmaDock跳过了传统分子对接软件的构象搜索阶段,极大提升了分子对接的速度(0.017 s/complex),适用于超大规模的虚拟筛选。

    04

    ICLR 2022 under review | 从零开始生成三维分子几何结构的自回归流模型

    今天给大家介绍的是ICLR2022上underreview的文章《An autoregressive flow model for 3d molecular geometry generation from scratch》。虽然目前已经开发了多种方法来生成分子图,但从零开始生成分子的三维几何结构问题并没有得到充分的探索。在这项工作中,作者提出了G-SphreNet,一种生成三维分子几何的自回归流模型。G-SphereNet采用了一种一步步将原子放置在三维空间上灵活的顺序生成方案,它并不直接生成三维坐标,而是通过生成距离、角度和扭转角来确定原子的三维位置,从而确保不变性和等变性。此外,作者建议使用球形信息传递和注意力机制进行条件信息提取。实验结果表明,G-SphreNet在随机分子几何结构生成和目标分子发现任务方面优于以往的方法。

    02

    arXiv | 操作符自编码器:学习编码分子图上的物理操作

    今天给大家介绍的是发表在arXiv上一项有关分子动力学内容的工作,文章标题为Operator Autoencoders: Learning Physical Operations on Encoded Molecular Graphs,作者分别是来自波特兰州立大学的Willis Hoke, 华盛顿大学的Daniel Shea以及美国兰利研究中心的Stephen Casey. 在这项工作中,作者开发了一个用于建立分子动力学模拟的时间序列体积数据图结构表示的流程。随后,作者训练了一个自编码器,以找到一个潜在空间的非线性映射。在该空间中,通过应用与自编码器串联训练的线性算子,可以预测未来的时间步长。同时,作者指出增加自编码器输出的维数可以提高物理时间步算子的精度。

    05

    Nucleic Acids Res. | GPSFun:使用语言模型的几何感知蛋白序列功能预测

    今天为大家介绍的是来自中山大学杨跃东团队的一篇论文。了解蛋白质功能对于阐明疾病机制和发现新药靶点至关重要。然而,蛋白质序列的指数增长与其有限的功能注释之间的差距正在扩大。在之前的研究中,作者开发了一系列方法,包括GraphPPIS、GraphSite、LMetalSite和SPROF-GO,用于蛋白质残基或蛋白质水平的功能注释。为了进一步提高这些方法的适用性和性能,作者现推出GPSFun,这是一款用于几何感知蛋白质序列功能注释的多功能网络服务器,结合了语言模型和几何深度学习以提升以往工具的性能。具体而言,GPSFun利用大型语言模型高效预测输入蛋白质序列的3D构象,并提取有用的序列嵌入。随后,几何图神经网络被用来捕捉蛋白质图中的序列和结构模式,从而促进各种下游预测,包括蛋白质-配体结合位点、基因本体论(gene ontologies)、亚细胞位置(subcellular locations)和蛋白质溶解度(protein solubility)。值得注意的是,GPSFun在各种任务中均表现优于最新的前沿方法,不需要多序列比对或实验蛋白质结构。GPSFun对所有用户免费开放,并提供用户友好的界面和丰富的可视化功能,网址为https://bio-web1.nscc-gz.cn/app/GPSFun。

    01

    突破 | IBM创造出世界最小存储介质,在一个原子上读写一比特数据

    授权转载自IBM中国 在IBM圣何塞研究院工作的一个国际研究团队近日宣布,他们成功地创造了目前世界上尺寸最小的磁体-这个磁体仅由单个原子组成。同时,他们还成功地实现了利用这一微小的磁体来存储一个比特的数据。 近日,IBM宣布,它已使用单个原子创造出世界上尺寸最小的磁体 – 并在该磁体上存储了一比特数据。 自从硬盘被发明以来,科学家一直努力试图开发新型制造工艺,让磁存储介质尺寸更小,同时排列更密集,从而可以存储更多的信息。目前保存一个比特信息需要大约10万个原子。而IBM科学家的研究为我们带来了全新的可能性,

    07

    NeurIPS 2021|分子的三维构象集的扭转几何生成

    今天给大家介绍的是NeurIPS 2021上一篇来自MIT的论文。在化学信息学和药物发现领域中,从分子图中预测分子的三维构象集具有关键的作用,但现有的生成模型存在严重的问题,这包括缺乏对重要分子几何元素的建模,优化阶段容易出现累积误差,需要基于经典力场或计算代价昂贵的方法进行结构微调。作者团队提出GEOMOL模型,一种端到端、非自回归和SE(3)不变的机器学习方法来生成低能分子三维构象的分布。利用消息传递神经网络(MPNN)捕捉局部和全局信息的能力,我们能预测局部原子的3D结构和扭转角,这样的局部预测即可用于计算训练损失,也可用于测试时的完整构象。作者团队设计了一个非对抗性的基于损失函数的最优传输来促进多样的构象生成。GEOMOL优于流行的开源、商业或最先进的ML模型,同时速度得到了显著提升。我们希望这种可微的三维结构生成器能对分子建模和相关应用产生重大影响。

    02

    J. Chem. Inf. Model. | 基于物理信息的类药物分子构象生成模型

    今天为大家介绍的是来自David C. Williams团队的一篇论文。作者提出了一种基于扩散的构象生成器模型。该模型侧重于化学键结构的再现,并从传统的经典力场中选取相关术语进行构建,以确保物理相关的表征。作者利用深度学习技术从训练集中推断原子类型和几何参数,通过利用基于扩散的生成技术的最新进展,实现构象采样。通过在大规模、多样化的类药分子合成数据集上进行训练,这些分子使用半经验的GFN2-xTB方法进行优化,达到了较高的键合参数精度,超过了传统的基于知识的方法。结果也与蛋白质数据库和剑桥结构数据库中的实验结构进行了比较。

    01

    黑科技 | 全球最小线宽激光器诞生于德国,仅0.01 Hz

    因为过于先进,研究人员不得不研发出两个一样的激光器让他们互相比较。 激光器,简单来说就是可以发射激光的装置。按工作介质分,激光器可分为气体激光器、固体激光器、半导体激光器和染料激光器4大类。近来还发展了自由电子激光器,大功率激光器通常都是脉冲式输出。 通常来说,衡量一个激光器是否属于顶尖装置的标准,就是看它的线宽是多少,最好的激光器可以具有窄到几kHz的线宽,但是对于特别精确的仪器,如光学原子钟,就需要将之进一步收窄。而另一种衡量激光束质量的方式是光频率的稳定性,也就是在过了一段时间之后,光波的震荡会出现不

    03
    领券