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

[ASP.NET Core 3框架揭秘] 配置[1]:读取配置数据[上篇]

提到“配置”二字,我想绝大部分.NET开发人员脑海中会立即浮现出两个特殊文件的身影,那就是我们再熟悉不过的app.config和web.config,多年以来我们已经习惯了将结构化的配置定义在这两个XML格式的文件之中。到了.NET Core的时代,很多我们习以为常的东西都发生了改变,其中就包括定义配置的方式。总的来说,新的配置系统显得更加轻量级,并且具有更好的扩展性,其最大的特点就是支持多样化的数据源。我们可以采用内存的变量作为配置的数据源,也可以将配置定义在持久化的文件甚至数据库中。在对配置系统进行系统介绍之前,我们先从编程的角度来体验一下全新的配置读取方式。

06
您找到你想要的搜索结果了吗?
是的
没有找到

JMC | 通过基于深度学习的设计、合成和生物学评价发现吡唑并[3,4-d]哒嗪酮衍生物作为选择性DDR1抑制物

本文介绍的是来自中国科学院上海药物研究所药物研究国家重点实验室的Sulin Zhang, Hong Liu和Mingyue Zheng共同通讯发表在Journal of Medicinal Chemistry上的研究成果。由于盘状结构域受体1(DDR1)的改变可能导致炎症细胞因子的增加,使DDR1成为治疗炎症性肠病(IBD)的一个靶点。作者通过整合深度生成模型、激酶选择性筛选和分子对接,建立了基于骨架的分子设计流程,产生了一种新型的DDR1抑制剂化合物2,该化合物显示出有效的 DDR1 抑制特性(IC50 = 10.6±1.9 nM) 和对一组 430 种激酶的出色选择性(S(10) = 0.002,0.1μM)。化合物2能有效地抑制细胞中促炎症细胞因子的表达和DDR1的自磷酸化,而且在葡聚糖硫酸钠(DSS)诱导的小鼠结肠炎模型中也显示出较好的口服治疗效果。

01

想了解概率图模型?你要先理解图论的基本定义与形式

图论一直是数学里十分重要的学科,其以图为研究对象,通常用来描述某些事物之间的某种特定关系。而在机器学习的世界里,我们希望从数据中挖掘出隐含信息或模型。因此,如果我们将图中的结点作为随机变量,连接作为相关性关系,那么我们就能构造出图模型,并期望解决这一问题。本文将为构造该模型提供最基础的概念。 我们都知道机器学习里的决策树,其可以表示为给定特征条件下类的条件概率分布。并且我们知道决策树由结点和有向边组成,结点又由表示特征的内部结点和表示类的叶结点构成。而通常决策树的学习又包括了特征的选择、决策树的生成和决策

08
领券