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
您找到你想要的搜索结果了吗?
是的
没有找到

Git Tips

Git 推送和删除远程标签 推送:git push origin 标签名 删除:git push origin :refs/tags/标签名 推送所有标签:git push --tags 给旧记录补标签:git tag -a v1.0 Git 远程分支的创建与删除 创建:git push origin 本地分支:远程分支 创建:git push origin 分支名称(将本地“分支名称”推送至远端“分支名称”) 删除:git push origin :远程分支 Git 删除远程标签 git push origin :refs/tags/标签名 将当前版本打包 git archive --format=tar --prefix=platinum-1.1.1/ HEAD|bzip2 -9 > platinum-1.1.1.tar.bz2 分支设计 主要分支 master 主程序(除非重大 bug,否则使用 hotfix) develop 开发分支(用来分支出 Release 和 Feature) 次要分支(临时分支) Hotfixes(由主 master 分出,马上修正 bug) Features(由 develop 分出,开发新功能) Release(由 develop 分出,开发下一版 release) 重大 issue 处理流程 git checkout -b hotfix-1.3.1 master fix bugs... git commit -a -m "Hotfix: release 1.3.1 by platinum" git checkout master git merge --no-ff hotfix-1.3.1 git tag -a v1.3.1 -m "Hotfix v1.3.1 Tag" git checkout develop git merge --no-ff hotfix-1.3.1 git branch -d hotfix-1.3.1 git push (push develop) git push origin v1.3.1 查看分支结构 git log --graph --pretty=format:"%Cred%h%Creset -%C(yellow)%d%Creset %s %Cgreen(%cr) %C(bold blue)<%an>%Creset" --abbrev-commit -- 查看某 commitid 属于哪个 tag 的方法 git describe $commitid

02

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
领券