所谓cpu绑定，其实就是对进程或线程设置相应的cpu亲和力（affinity），确保进程或线程只会在设置了相应标志位的cpu上运行，进而提高应用对cpu的使用效率。如果应用可以在多个cpu上运行，操作系统会在cpu之间频繁切换应用，引起cpu缓存失效，降低缓存的命中率，导致cpu的使用效率下降。所以，如果使用cpu绑定技术，在一定程度上会避免上述问题，提升系统性能，类似技术还有gpu绑定、mic绑定等等。 There are only two hard things in Computer Science
我所渴求的，無非是將心中脫穎語出的本性付諸生活，為何竟如此艱難呢 -----赫尔曼·黑塞《德米安》
Linux 内核源码 linux-5.6.18\kernel\sched\sched.h 中 , 定义的 struct sched_class 调度类结构体 , 就是 " 调度器 " 对应的类 ;
超线程技术(Hyper-Threading)： 就是利用特殊的硬件指令，把两个逻辑内核(CPU core)模拟成两个物理芯片，（一个核模拟出两个核？）
用 Gearman 搭建 Map/Reduce ，GearmanManager 来管理所有的 workers。启动多个 gearman-manager daemon，为了充分利用服务器资源，使其运行于不同的 CPU 内核上。 假设启动 10 个gearman-manager daemon，CPU 是 4核。 [root@www ~]# ps aux | grep gearman-manager | awk {'print $2;'} | sort -k1,1 | head -3 | xargs -n 1
本文将介绍大连理工大学都健教授团队近期在AIChE期刊上发表的论文“De novo drug design framework based on mathematical programming method and deep learning model”,其团队开发了一个深度学习模型用于识别具有高结合亲和力的靶标-配体复合物，并将其与数学规划模型进行集成，实现了高通量反向优化设计小分子药物目标，进一步以治疗心血管疾病的利伐沙班替代药设计和治疗肿瘤疾病的阿昔替尼替代药设计为例，证明了本文所提出的从头药物设计框架的通用性和有效性。
超线程技术(Hyper-Threading)：就是利用特殊的硬件指令，把两个逻辑内核(CPU core)模拟成两个物理芯片， 让单个处理器都能使用线程级并行计算，进而兼容多线程操作系统和软件，减少了CPU的闲置时间，提高的CPU的运行效率。 我们常听到的双核四线程/四核八线程指的就是支持超线程技术的CPU.
对服务器来说主要的角色就是应用服务器或数据库服务器，CPU作为关键资源经常成为性能瓶颈的根源。CPU使用率高并不总是意味着CPU工作繁忙，它有可能是正在等待其他子系统。在进行性能分析时，将所有子系统当做一个整体来看是非常重要的，因为在子系统中可能会出现瀑布效应。 注释：有种常见的错误观念认为CPU是服务器中最重要的。情况不总是这样，服务器经常是CPU的配置高，硬盘、内存和网络子系统是低配置。只有一些特定对CPU要求高的应用程序才能真正充分利用当今的高端处理器。 3.2.1 发现CPU瓶颈 有多种方法可以来确
现在大家使用的基本上都是多核cpu，一般是4核的。平时应用程序在运行时都是由操作系统管理的。操作系统对应用进程进行调度，使其在不同的核上轮番运行。
今天我们介绍由北京邮电大学网络与交换技术国家重点实验室的王光宇等学者发表在Nature Medicine上的工作。该工作介绍了一个基于人工智能框架UniBind，该框架利用深度学习和蛋白质结构分析来预测SARS-CoV-2的刺突蛋白突变的影响。该工作强调了在病毒宿主相互作用和新的SARS-CoV-2变体出现中理解蛋白质相互作用的重要性。UniBind整合了蛋白质三维结构和结合亲和力数据，预测了刺突蛋白突变如何影响其与人类ACE2受体和中和抗体的结合亲和力。该框架在基准数据集上进行了测试，并通过实验证实了其有效性。UniBind还能够有效预测刺突蛋白变体对结合亲和力的影响，并可以应用于预测宿主对SARS-CoV-2变体的易感性和未来病毒变体的进化趋势。该工作强调了UniBind作为问题变体的预警系统的潜力，以及其促进蛋白质相互作用研究的能力。总体而言，UniBind使用异质数据集提供了全面且高容量的蛋白质相互作用分析，有助于人类理解SARS-CoV-2的感染性和变体进化。
这次为大家分享的是来自nature communications上的一篇题为《Co-optimization of therapeutic antibody affinity and specificity using machine learning models that generalize to novel mutational space》的文章，来自密歇根大学生物界面研究所、生物医学工程系、化学工程系项目组的Peter M.Tessier团队。
阻遏物是由低亲和力结合位点转移到操纵基因上，而不是根据平衡移动原理从胞质溶胶中转移到操纵基因上的。
今天为大家介绍的是来自Jürgen Bajorath团队的一篇论文。图神经网络（GNNs）通过分析蛋白质与配体相互作用的图表示结构来预测配体的亲和力。虽然有一些研究表明GNNs能够详细了解蛋白质与配体的相互作用，但这种预测方法也存在争议。比如，有证据显示GNNs可能并不是真正学习蛋白质与配体的相互作用，而是仅仅记住了训练数据中的配体和蛋白质信息。为此作者对六种不同的GNN架构进行了亲和力预测实验，并使用可解释的人工智能技术对结果进行了分析。
作者：chriszyyang 腾讯CSIG基础研究工程师 |导语 在本篇文章中，我们首先向大家简单介绍耐药性的概念，以及展示耐药现象会对我们人类未来生存带来的巨大威胁。在临床实践中，耐药性通常是由直接影响药物结合的靶向蛋白质的突变所引发的。如果我们能够通过计算方法提前预测引起耐药性的蛋白质突变，这将会对精准医疗有着重要意义。因此，我们随后会简单介绍目前三种用于估计由靶点蛋白质突变引起耐药性的基于物理和数据驱动的计算方法，以及分析各自方法的优点和缺点。最后，我们会带领大家解析如火如荼的机器学习方法在耐药
现有的高通量筛选实验用于确定药物和靶标之间的生物活性是一个昂贵费时的步骤。因此，基于已经在临床实验中测量的相互作用，使用统计学和机器学习模型来估计新的药物-靶标的相互作用的强度是重要的替代方案。澳大利亚Deakin大学的Svetha Venkatesh课题组提出了GraphDTA，一种基于图神经网络的药物-靶标结合亲和力的预测方法。
今天为大家介绍的是来自斯坦福大学研究团队的一篇利用语言模型模拟人类抗体自然演化的论文。自然进化必须探索广阔的可能序列空间，以寻找稀有但理想的突变，这表明从自然进化策略中学习可以指导人工进化。在这里，作者报告了一种利用通用蛋白质语言模型能够高效演化人类抗体的方法，该方法通过提出在进化上是合理的突变来改进抗体，尽管该模型没有提供关于目标抗原、结合特异性或蛋白质结构的任何信息。作者进行了七种抗体的语言模型引导提高亲和力实验，每种抗体仅经历两轮实验进化，筛选了每种抗体的20个或更少的变种。结果显示，作者成功将四种临床相关、高度成熟的抗体的结合亲和力提高了多达七倍，将三种未成熟抗体的结合亲和力提高了多达160倍。此外，许多设计还展示出良好的热稳定性和对埃博拉病毒和严重急性呼吸综合征冠状病毒2（SARS-CoV-2）假病毒的中和活性。改善抗体结合的相同模型还可以指导不同蛋白质家族和选择压力下的高效进化，包括抗生素抗性和酶活性，这表明这些结果适用于许多情境。
CLIP是OpenAI在2021年提出的一个里程碑式的视觉语言预训练模型。CLIP的独特之处在于它从海量的图像-文本配对数据中联合学习图像和文本表示,而不需要人工标注。但是,CLIP通常依赖较大的模型容量,存在计算效率不高的限制,这成为其实际应用和部署的主要障碍。综上,CLIP是具有里程碑意义的视觉语言预训练模型,但是还存在可以改进的空间。
今天给大家介绍的是来自华为诺亚方舟实验室发表在 arxiv 上的预印本《AntBO: Towards Real-World Automated Antibody Design with Combinatorial Bayesian Optimisation》。作者设计了一种组合贝叶斯优化框架 AntBO ，可实现抗体 CDRH3 区域的高效计算设计。并使用 Absolut! 软件套件对 AntBO 进行基准测试与评分。对 188 种抗原设计抗体的结果证明了 AntBO 在设计具有不同生物物理特性的 CDRH3 区域方面的优势。只需要不到 200 种蛋白质设计，AntBO 推荐的序列就可以优于从 690 万个CDRH3的实验数据库和常用遗传算法提取的最佳序列。
今天为大家介绍的是来自Degui Zhi团队的一篇论文。准确预测蛋白质-配体结合亲和力在药物发现中至关重要。现有方法主要是不涉及对接的，当无法获得结晶的蛋白质-配体结合构象时，这些方法并未明确考虑蛋白质与配体之间在原子级别的相互作用。作者引入了一个框架——折叠-对接-亲和力（FDA）。该框架折叠蛋白质，确定蛋白质-配体的结合构象，并从三维蛋白质-配体结合结构预测结合亲和力。实验表明，FDA在DAVIS数据集中的表现超越了现有的最先进的无对接模型，展示了明确模拟三维结合构象对提高结合亲和力预测准确性的潜力。
配体与蛋白质的结合很少像上述表达式所暗示的那样简单。这种相互作用受蛋白质结构的影响很大，而且往往伴随着构象的改变。例如，当血红素是肌红蛋白的组成部分时，血红素与各种配体结合的特异性就会发生变化。对于游离血红素分子，一氧化碳的结合力比O2强2万倍以上（即一氧化碳与游离血红素结合的Kd或P50比O2低2万倍以上），但当血红素与肌红蛋白结合时，一氧化碳的结合力只比O2强40倍左右。对于游离血红素来说，CO的紧密结合反映了CO和O2与Fe2+相互作用的轨道结构不同。这些相同的轨道结构导致CO和O2与血红素结合时具有不同的结合几何形状（图 5-5a、b）。当血红素与球蛋白结合时，CO和O2对血红素的相对亲和力的变化是由球蛋白结构介导的。
今天给大家介绍来自美国加州大学团队发表在ICML2022上的文章。该论文提出了一种能够加快分子生成速度的LIMO模型。LIMO采用了变异自动编码器生成分子的的潜在表示，并且通过网络进行分子的属性预测，以实现更快的基于梯度的分子属性反向优化。综合实验表明，LIMO在基准任务上表现出竞争性，在生成具有高结合力的类药化合物的新任务上明显优于当前最先进的技术，并对两个蛋白质目标的结合力达到纳摩尔范围。作者利用更精确的基于分子动力学的绝对结合自由能计算，展示了生成的分子基于对接的结果，并表明模型生成的一个类药物化合物对人类雌激素受体的预测K D值（结合亲和力的度量值）远超过了早期的典型候选药物和大多数FDA批准的药物对其各自目标的亲和力。
今天为大家介绍的是来自Lin Li研究团队的一篇关于抗体优化的论文。治疗性抗体是一种重要且迅速增长的药物模式。然而，早期抗体治疗的设计和发现仍然是一项耗时且成本高昂的工作。在这里，作者提出了一种全流程贝叶斯、基于语言模型的方法，用于设计大规模且多样化的高亲和力单链变量片段（scFv）抗体库，然后通过实验进行验证。与定向进化方法进行对比后，作者的方法所生成的最佳scFv与定向进化方法生成的最佳scFv相比，结合能力提高了28.7倍。此外，在最成功的抗体库中，有99%的设计scFv相比最初的候选scFv有所改进。
广东省小分子新药创新中心与新樾生物合作最近在Frontiers in Pharmacology（IF：5.98）发表题为《3CLpro inhibitors: DEL-based molecular generation》的最新论文， 该论文利用DNA编码化合物库（DEL）技术筛选出3CLpro（一个病毒复制所必需的蛋白酶）的活性化合物，再基于DEL筛选数据建立RNN,VAE,AAE, MCMG等预训练分子生成模型，利用DEL中具有高亲和力的分子对该模型进行微调，生成一系列全新结构的化合物，从而同时实现了基于DEL的药物发现与化合物结构优化，据悉这是国际上利用DEL数据进行分子生成实现结构优化的首篇论文。
2022年5月5日，Astex Pharmaceuticals的科学家们在J Med Chem杂志上对静电势计算在药物设计中的应用进行了综述，并且利用6个具体的例子阐明了ESP计算对于基于结构的药物设计的改善和指导意义。还推荐了该公司研发的一款基于AI的快速ESP计算工具：GC-DNN，该工具在精度上可以媲美DFT方法计算的ESP结果。
今天给大家介绍的是由来自Absci公司的Vancouver (WA)团队发表在bioRxiv上的预印文章《Antibody optimization enabled by artificial intelligence predictions of binding affinity and naturalness》。这篇文章提出利用人工智能对抗体进行优化的基于高通量亲和数据训练的深层语境语言模型（deep contextual language models trained on high-throughput affinity data），并运用名为ACE和SPR的方法，用于生成抗体结合亲和力的相对传统方法而言更优的测量，然后基于两种不同的抗体证明了可以定量预测未知抗体序列变体的结合。
免疫算法的基本步骤： 抗原识别。输入目标函数和各种约束作为免疫算法的抗原。 初始抗体生成。随机生成初始抗体种群。 亲和力计算。计算抗体的适应值。 免疫处理。免疫处理包括免疫选择、克隆、变异和抑制。 免疫选择：根据抗体的亲和力选出亲和度较高的抗体。 克隆：对选出的亲和力较高的抗体进行复制。 变异：对克隆得到的个体进行交叉、变异操作，使其亲和力发生改变。 抑制：对变异的抗体进行选择，保留亲和度较高的抗体。 群体刷新。将免疫选择的抗体和免疫抑制后的抗体组成一个集合，保留其中亲和度较高的抗体，使这些抗体进入新的
本文介绍由中国科学技术大学和百度商业智能实验室等机构的研究人员合作发表于KDD 2021的研究成果：作者提出了一个基于图神经网络的模型SIGN（structure-aware interactive graph neural network），通过利用原子间的细粒度结构和相互作用信息来学习蛋白质-配体复合物的表征，从而更好地进行结合亲和力预测。SIGN由两部分组成：极坐标启发的图注意力层（PGAL）和成对相互作用池化（PiPool）。PGAL用来整合原子之间的距离和角度信息，进行三维空间结构建模。PiPool用来将蛋白质和配体之间的远程相互作用纳入模型中。在两个基准上的实验结果验证了SIGN的优越性。
这次给大家介绍清华大学交叉信息研究院的曾坚阳教授课题组在Cell Systems上发表的论文“MONN: A Multi-objective Neural Network for Predicting Compound-Protein Interactions and Affinities”。分析化合物与蛋白质的相互作用 (Compound-Protein Interactions ,CPIs)在药物研发过程中起着至关重要的作用，迅速准确地预测作用位点和其间的亲和力有利于高效的药物研发。基于此问题，曾坚阳教授课题组引入深度学习，提出了一种预测化合物-蛋白相互作用和亲和力的多目标神经网络-MONN。作者在方法中引入了(i)捕获全局特征的超级节点、(ii)预测亲和力的GRU模块(Gate Recurrent Unit,门循环单元模型)、(iii)预测化合物-蛋白结合位点和判断其间的亲和力指标的多目标共享特征结构，使得其模型具有比现有模型更好的特征可解释性，有效捕捉了化合物与蛋白质的内在特征与联系，实现精确判断分子间的相互作用和亲和力。
本次分享的是PLOS Computational Biology于2021年8月4日刊登的文章《Deep geometric representations for modeling effects of mutations on protein-protein binding affinity》，作者是来自分别来自清华大学的Xianggen Liu，Pengyong Li, Sen Song和伊利诺伊大学厄巴纳-香槟分校的Yunan Luo以及彭健。在这次的研究中，作者团队开发了一个名为GeoPPI的深度学习框架。基于蛋白质的三维结构，GeoPPI首先通过自监督学习方案学习编码蛋白质结构拓扑特征的几何表示，然后将这些表示用作训练梯度增强树的特征，以预测突变后蛋白质-蛋白质结合亲和力的变化。
今天给大家带来的是发表在BIBM上的文章“AttentionDTA: prediction of drug–target binding affinity using attention model”。在本文中，作者提出了一种基于深度学习的端到端模型AttentionDTA，该模型将注意力机制与DTI的绑定亲和力相关联，以预测DTI的绑定亲和力。这项工作的新颖之处在于，在预测蛋白质的亲和力时，使用注意机制来考虑蛋白质中的哪些子序列对药物更重要，以及药物中的哪些子序列对蛋白质更重要。从而使模型的表现力更强。该模型利用一维卷积神经网络(1D-CNNs)提取药物和蛋白质的抽象信息，通过注意机制使药物和蛋白质的表征相互适应。
今天为大家介绍的是一篇由美国华盛顿大学生物化学系和蛋白质设计研究所及杨百翰大学化学与生物化学系的研究人员共同完成的一篇论文，发表在bioRxiv上。这篇文章描述了一种计算设计超稳定的含RGD（一种合成肽，对应于整合素的细胞粘附序列，一些癌症、纤维化的靶标）的小蛋白的方法，设计的小蛋白对单个RGD整合素（αvβ6和αvβ8）异二聚体和构象状态具有具有皮摩尔亲和力，相对于其他RGD整联蛋白具有>1000倍的选择性。在博来霉素诱导的肺纤维化小鼠模型中，通过模拟吸入的口咽给药递送时，αvβ6抑制剂有效地降低了纤维化负荷并改善了总体肺力学，证明了从头设计的整合素结合蛋白具有高选择性的治疗潜力。
阿片类物质使用障碍（OUD）已成为一个重要的全球公共卫生问题。针对OUD的主要治疗方法通常包括药物和行为干预的综合应用，旨在解决成瘾的生理和心理方面，促进康复，并防止复发。美国食品药品监督管理局（FDA）已批准了三种药物，包括美沙酮、布比洛芬和纳曲酮，用于OUD的治疗。这些药物通过与大脑中的阿片受体结合发挥作用，即μ阿片受体（MOR）、kappa阿片受体（KOR）和delta阿片受体（DOR）。美沙酮是一种长效阿片受体激动剂，主要作用于MOR。它有助于减轻戒断症状和渴望。布比洛芬则作为部分性阿片受体激动剂，主要针对MOR。它缓解戒断症状和渴望，同时产生较少的欣快感，并且与美沙酮相比，呼吸抑制的风险较低。纳曲酮被归类为阿片受体拮抗剂，它阻止了阿片类药物的作用，并减少了愉悦效应。它的作用机制主要涉及MOR，但它也对KOR具有一定的亲和力。在这项研究中，作者提出了一个深度生成模型，将基于随机微分方程（SDE）的扩散模型与预训练的自编码器相结合。分子生成器能够高效地生成针对多种阿片受体的分子。
2022年10月6日，德睿智药与西湖大学、厦门大学科研团队共同开发的首个基于蛋白质动态信息的预训练模型ProtMD，发表于顶级期刊Advanced Science（Impact Factor=17.5）。
2023年12月1日，上海交通大学徐雷教授、涂仕奎老师团队在Briefings in Bioinformatics上发表文章KGDiff: towards explainable target-aware molecule generation with knowledge guidance。
大数据文摘授权转载自AI科技评论 作者 | 李梅、黄楠 编辑 | 陈彩娴 2018 年，Deepmind 首次发布基于深度神经网络的蛋白质结构预测数据库 AlphaFold，在蛋白质预测中实现了最先进的性能；去年，AlphaFold 2 获得了 98.5% 的蛋白质预测率；前段时间，Deepmind 又重磅发布了数据集更新，称目前的 AlphaFold 已经预测了几乎所有已知的蛋白质。 如何有效识别药物作用机制在今天仍然是一个巨大挑战，计算对接的方法已被广泛用于预测药物结合靶点。有了大规模蛋白质结构预测技术
顺式调控密码的最小单位——类似于遗传密码的密码子——是转录因子结合位点（TFBS）。转录因子通常包含结构化和进化保守的DNA结合域（DBD），它们识别并结合一个6-12个碱基对的DNA序列，称为转录因子的“基序”。转录因子基序通常用序列标志或位置权重矩阵（PWM）描述，以表示转录因子结合特异性的退化性。DBD的保守性和高通量测量转录因子序列特异性的方法使得约有1600个已编目的转录因子在人类中被识别，并确定了这些已知转录因子的结合基序。然而，转录因子结合基序无法完全预测大多数转录因子在体内的DNA结合。虽然大多数TFBS至少包含对其首选基序的部分匹配，但大多数转录因子仅在基因组的一小部分基序上发生结合。尽管可以通过包括核苷酸围绕核心基序或使用更复杂的序列偏好表示（如二核苷酸基序和DNA形状），来提高对某些转录因子基因组结合的预测，但对于大多数转录因子来说，对体内结合的最佳预测因子是染色质的可访问性，可以通过DNase-seq或ATAC-seq等高通量测序方法来测量。这种观察结果主要归因于DNA上核小体的存在，这些核小体必须被称为“先驱”因子或共结合转录因子组合所取代或排除。
Etsy的用户喜爱这个市集，货品丰富且数量繁多。不过对于那些自己也不清楚要找什么的用户来说，东西太多太杂反而更让人困扰。7月份，我们更新了UI界面，将搜索的热门品类放在顶级分类中。针对类似“礼物”这样的查询，用户都能获得相关的搜索结果了。会进行这样宽泛搜索的用户通常并不确定自己具体要找什么东西，所以很有可能空手而归。我们的团队主管Gio上个月发布了一篇博文，描述了我们修改UI的动机与过程，对了解这个项目的背景会有所帮助。本文着重于描述在对“泛类”进行分类查询的启发式搜索上，我们是如何进行开发与迭代的。 下图
2022年7月14日，韩国全北国立大学电子与信息工程系的Kil To Chong研究团队和美国得克萨斯大学达拉斯分校生物科学系的Zhenyu Xuan研究团队在期刊International Journal of Molecular Sciences上合作发表一篇论文《CSatDTA: Prediction of Drug–Target Binding Affinity Using Convolution Model with Self-Attention》。本论文仅使用药物的SMILES和蛋白质的序列信息、借助注意力机制增强的卷积网络来预测药物-靶标亲和力，得到了较好的效果。作者还提供了一个Web服务器供研究者使用。
2,3-二磷酸甘油酸（BPG）与血红蛋白分子的相互作用进一步完善了血红蛋白的功能，并提供了一个异向变构调节的例子。
血红蛋白必须在肺中有效地结合氧气，其中pO2约为13.3kPa，并且它必须在组织中释放氧气，其中pO2约为4kPa。肌红蛋白，或任何以双曲线结合氧的蛋白质，都不适合这种功能，原因如图5-12所示。以高亲和力结合O2的蛋白质将在肺部有效地结合O2，但不会在组织中释放太多。如果蛋白质以足够低的亲和力结合氧气，将其释放到组织中，它将不会在肺部吸收太多氧气。
今天为大家介绍的是来自Grzegorz M. Popowicz团队的一篇论文。LLM极大地增强了人们理解生物学和化学的能力，但基于结构的药物发现、量子化学和结构生物学的健全方法仍然稀缺。对于大型语言模型来说，精确的生物分子-配体相互作用数据集是迫切需要的。为了解决这个问题，作者提出了MISATO，一个结合了小分子的量子力学性质和大约20,000个实验蛋白质-配体复合物的分子动力学模拟的数据集，并对实验数据进行了广泛验证。从现有的实验结构出发，使用半经验量子力学系统地优化这些结构。数据集中包含了大量蛋白质-配体复合物在显式水中的分子动力学轨迹，累计超过170微秒。作者提供了机器学习基线模型的示例，证明了使用作者的数据可以提高准确性。数据集可通过https://github.com/t7morgen/misato-dataset获得。
目前的药物发现工作既昂贵又耗时。如何创造出种类繁多的新型化合物，使其不仅具有理想的药理特性，而且低收入人群也能廉价获得，仍然是一项具有挑战性的任务。这项工作中，研究人员开发了一种生成式网络复合体(GNC)，通过自动编码器在潜在空间中的梯度下降，基于多性质优化生成新的类药分子。研究人员的GNC中，多化学性质和相似度分数都被优化，以生成具有所需化学性质的类药分子。为了进一步验证预测的可靠性，这些分子被独立的基于分子指纹的预测器重新评估和筛选，得出几百个新的候选药物。
今天给大家介绍的是麻省理工学院林肯实验室、电子研究实验室等机构发表在arxiv上的预印文章《Antibody Representation Learning for Drug Discovery》。作者开发了一个抗体序列特定的预训练语言模型。发现在通用蛋白质序列数据集上对模型进行预训练可以更好的支持特征细化和学习抗体结合预测。证明语言模型能够在抗体结合预测方面学习到比传统抗体序列特征或CNN模型学习的特征都更有效的特征。分析了训练数据大小对预训练模型性能的敏感性。
Scheduler delay：应用程序是可运行状态（Runable），但在相当长的时间内不会运行。Scheduler delay 可能会引起Jank。不同性质的线程对Scheduler delay 要求不同，
传统上，药物-靶点复合物形成和解离的速度，不被认为是影响药物在体内作用或持续时间的主要因素。2006 年引入了药物-靶点停留时间的概念后，这种传统的观点受到了挑战。
配体与蛋白质之间的生物分子识别在药物发现和开发中起着至关重要的作用。然而，通过实验来确定蛋白与配体的结合亲和力是非常耗时耗力的。目前，已经提出了许多预测结合亲和度的计算方法，其中大多数通常需要蛋白质的三维结构，而这种结构并不常用。因此，需要新的方法充分利用序列水平的特征来预测蛋白质与配体的结合亲和力，加快药物发现过程。作者开发了一种新的深度学习方法DeepDTAF，来预测蛋白质与配体的结合亲和力。DeepDTAF是结合局部和全局上下文特征构建的。更具体地说，蛋白质口袋具有一些特殊的特性，可以直接与配体结合，这种特性首次被用作预测蛋白质与配体结合亲和力的局部输入特征。此外，空洞卷积被用来捕获多尺度的长程相互作用。作者将DeepDTAF与最新的方法进行了比较，实验结果表明DeepDTAF是一个可靠的预测工具。
今天给大家介绍哈佛大学David R. Liu课题组在国际期刊nature communications上发表的核酸序列生成的文章《Generating experimentally unrelated target molecule-binding highly functionalized nucleic-acid polymers using machine learning》。虽然体外筛选是探索大范围序列空间的有效方法，但由于选择引起的序列收敛，以及有限的测序深度，使得序列的搜索空间仅局限在少数区域。为了解决该问题，作者提出结合湿实验和机器学习方式去探索未被湿实验检索的序列空间。该论文通过体外筛选，发现了与柔红霉素具有高亲和力（KD=5-65 nM）的高度侧链功能化的核酸聚合物（HFNAP）。然后利用该数据训练条件变分自编码器(CVAE)模型，生成了与柔红霉素（daunomycin）高度亲和（KD=9-26nM）且独特多样的HFNAP序列。该论文将体外筛选与机器学习模型耦合，直接生成活性变体，是一种新的发现功能性生物聚合物的方法。
今天给大家介绍的是卡内基梅隆大学的研究团队近期的一篇分子优化工作。识别蛋白质抑制剂通常需要预测配体结合自由能(Binding Free Energy, BFE)。热力学积分(Thermodynamics integration , TI)是一种能够准确预测BFE的方法，但其计算成本高、时间长。在这项工作中，作者利用自动机器学习(Automated machine learning, AutoML)和主动学习(Active Learning, AL)的技术开发了一个高效的自动化工作流程，只需要数百次TI计算能在数千个同源配体中识别BFE最低的化合物。实验结果表明，该框架预测的化合物的结合亲和度显著提高。
今天我们介绍由魏茨曼科学研究所生物分子科学系的Ariel Tennenhouse发表在《Nature Biomedical Engineering》上的工作。该工作提出了一种新的计算方法CUMAb，它可以在成千上万个人源框架上系统地嫁接动物源抗体的互补确定区，从而产生人源化抗体。该方法利用Rosetta进行原子模拟，根据能量和结构完整性选择设计。用该方法人源化的5个抗体与亲本动物抗体具有类似的亲和力，有些设计的稳定性还有明显提高。结果表明，与同源性最高的框架相比，非同源框架常常是首选，此外，许多仅在几十个突变位点不同、使用不同人源框架的CUMAb设计具有等效的功能。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
云直播
对象存储
