XQ6748-PKT是广州星嵌电子科技有限公司基于C6000系列TMS320C6748/OMAPL138器件推出的一款便携式DSP口袋板。
MT管理器是一款强大的文件管理工具和APK逆向修改神器。如果你喜欢它的双窗口操作风格,可以单纯地把它当成文件管理器使用。如果你对修改APK有深厚的兴趣,那么你可以用它做许许多多的事,例如汉化应用、替换资源、修改布局、修改逻辑代码、资源混淆、去除签名校验等,主要取决于你如何使用。
截止目前开源中国收录了 44478 款开源项目,囊括了最热门的各类开源项目,而软件的评分在一定程度上代表了软件的质量和热度,而 Python 语言近年来发展势头一路攀升,因此本文整理了 Python 语言中评分超过 8.0 分的几款项目管理工具,并附上评分和收藏量,以供开发者选择和交流,排名如下:
扫描二维码上苹果店直接下载免费的 Wolfram Player: Wolfram Player App 让您可以随时随地把玩 Wolfram 笔记本和可计算格式文档(CDF)。使用触屏和响应界面在 iPhone 或 iPad 上阅读笔记本文件并在本地可视化模型。 该应用可以从 Wolfram Cloud、邮件、Dropbox、文件、iTunes 等不同途径加载笔记本。Wolfram 笔记本是计算驱动的知识容器,可以是日常使用的文档,也可以是交互式 App。现在您可随时随地和世界分享您的灵感。 口袋中的 W
今天给大家带来的是洛桑联邦理工学院(EPFL)联合微软研究院Max Welling课题组、牛津、剑桥、康奈尔等团队于2022年10月发表在arxiv上的预印本《Structure-based Drug Design with Equivariant Diffusion Models》。在本文中作者将基于结构的药物设计(SBDD)表述为一个3D条件生成问题,并提出了DiffSBDD,一个 E(3)等变的3D条件扩散模型,它关于平移、旋转、反射和排列等变,并可以根据蛋白质口袋的条件生成新的配体。
大家都知道有安卓上有一个QPython,可以写Python,但是QPython已经好久没有更新了,官方也貌似没有更新的打算了。今天,给大家推荐另一款安卓工具。
Linux中Swap(即:交换分区),类似于Windows的虚拟内存,就是当内存不足的时候,把一部分硬盘空间虚拟成内存使用,从而解决内存容量不足的情况。它的功能就是在内存不够的情况下,操作系统先把内存中暂时不用的数据,存到硬盘的交换空间,腾出内存来让别的程序运行.
今天为大家分享一篇研究,当ChatGPT穿越到口袋妖怪世界,是否会理解并应用这个虚构世界的知识呢?
我们是「墨加口袋」团队的工匠,每天都在马不停蹄地迭代、测试、优化产品,虽然很累,但越来越多的用户通过「墨加口袋」提高了他们收藏、整理和分享好文章的效率,这令我们感到很欣慰。
2024年3月26日,香港城市大学黄家骏老师团队,联合腾讯人工智能实验室和上海锐格医药,在Nature Communications上发表文章A dual diffusion model enables 3D molecule generation and lead optimization based on target pockets。
你需要刷哪些技能? -- Shawn Powers 本文导航 -1、 安全17% -2、 DevOps34% -3、 开发49% -4、 软技能64% 编译自: https://opensource.com/article/17/1/yearbook-4-hot-skills-linux-pros-2017 作者: Shawn Powers 译者: geekpi 你在新的一年里需要刷哪些技能? 成为 Linux 专家的一个问题是“专家”的定义在不断变化。当我进入 Linux 世界的时候,那时认为成为一个
本文介绍由xingang peng等人发表于ICML上的文章:Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein Pockets。作者提出了一种新的可以满足口袋施加的多个几何约束的采样方法:Pocket2Mol,这是一个由两个模块组成的 E(3)-等变生成网络,它不仅可以捕获结合口袋原子之间的空间和键合关系,还可以在不依赖 马尔科夫链蒙特卡洛方法(MCMC)的情况下从易于处理的分布中以口袋表示为条件对新候选药物进行采样。实验结果表明,从 Pocket2Mol 中取样的分子具有明显更好的结合亲和力和其他药物特性,例如药物相似性和合成可及性。
制作 Kali 可启动 USB 驱动器 (Linux) 我们最喜欢的方式,也是最快的方法,启动和运行 Kali Linux 是从 USB 驱动器“实时”运行它。这种方法有几个优点:
从19世纪中叶人工智能的萌芽时期,到现今人工智能的重生,从马文·明斯基到AlphaGo,历史上发生了哪些激动人心的故事?本文以此铺展人工智能发展近70年来背后发生的故事。 前不久,在人工智能领域发生了
软件无线电平台最通俗的语言来说,即通信系统中的功能采用软件实现,且可反复使用。比如简单的发射和接收信号。可以通过软件设置。信号的编码解码,可以通过软件设置。甚至你可以自己定义一种协议,用你自己的协议来实现一套通信系统。而在这个过程中,硬件是不需要更换的。
今天为大家介绍的是来自微软研究团队的一篇关于分子构象的论文。深度学习的进步极大地改善了分子的结构预测。然而,对于真实世界的应用而言,许多重要的宏观观察并不是单一分子结构的函数,而是由结构的平衡分布确定的。传统的获取这些分布的方法,如分子动力学模拟,计算代价高昂且常常难以处理。在本文中,作者引入了一种新颖的深度学习框架,称为分布图变换器(DiG),旨在预测分子系统的平衡分布。通过展示DiG在几个分子任务上的性能,包括蛋白质构象采样、配体结构采样、催化剂吸附采样和基于性质的结构生成,DiG在统计理解分子系统的方法学方面具有重大进展,为分子科学开辟了新的研究机会。
今天为大家介绍的是来自Frank Noe团队的一篇论文。蛋白质-配体对接是药物发现和开发中的常用工具,可以筛选出潜在的治疗物进行实验测试。然而,这需要高质量的蛋白质结构,通常蛋白质会被处理成完全或部分刚性的。作者开发了一种AI系统,可以直接从序列信息预测蛋白质-配体复合物的全原子灵活结构。作者发现传统的对接方法仍然更优越,但依赖于目标蛋白质的晶体结构。除了预测灵活的全原子结构外,预测的置信度指标(plDDT)还可以用于选择准确的预测结果以及区分强和弱结合物。Umol工具可在:https://github.com/patrickbryant1/Umol 获取。
随着多种药物的上市,激酶的变构抑制已与正构抑制具有相当的药理作用和临床效益。然而,尽管经过20多年的努力,FDA批准的变构药物相关的激酶靶点数量仍然十分有限,这表明识别和验证变构抑制剂面临巨大挑战。2022年3月发表在 J Med Chem 的一篇文章回顾了变构抑制剂的原理,并用MEK1/2和BCR-ABL1变构抑制剂的发现作为实际案例,讨论了筛选变构抑制剂的方法。
小程序体验师:陈丹阳 现在,各种内容资源越来越丰富,比如阅读类 app 中的精美文章、公众号推送的独特见解……
限时60min,4个概率和数理统计题、一个编程题,实则可以看为两个编程题。如果这些题是第一次做的话,还是比较难或者难以下手的,尤其是编程题考了动态规划,难度为力扣hard级别,对标互联网大厂笔试。但是做多了,就会发现基本都是经典题型,所以笔试前要好好准备,多刷绿宝书、红宝书,多刷LeeCode!
大数据文摘作品,未经授权禁止转载,转载具体要求见文末。 导读 在你去学校的路上,一个野生的小火龙出现,而你只要扔几个妖精球,它就可以是你的了!你会停下来抓它吗? 任天堂猜你一定会。不止如此,他们还打赌
今天为大家介绍的是来自Hailong Li,Ka-Chun Wong和Hengtong Zhang团队的一篇论文。基于结构的生成方法在计算机辅助药物发现中至关重要,它通过探索广阔的化学空间来设计与靶点高亲和力结合的配体。然而,传统的计算机模拟方法受限于计算效率低下,而机器学习方法则因自回归采样面临瓶颈。为了解决这些问题,作者开发了一种条件深度生成模型PMDM,用于生成符合特定靶标的三维分子。
课程围绕机器人操作系统(ROS2)的应用展开,包括机器人学的基础理论和常用工具。借助立体多样的示例,课程可以为使用ROS2进行机器人开发设计的学员提供一个扎实的基础和相关应用全貌。课程将学习如何创建软件包、包括仿真、连接传感器和执行器以及集成控制算法,通过一套指导教程,掌握应用ROS2从零开始设置环境,连接各个传感器和执行器并实现机器人控制系统(导航)。
今天给大家介绍广州再生医学与健康实验室发表在Journal of Chemical Information and Modeling上的一篇关于利用分子生成模型进行从头分子设计的文章。该文提出了一种新的生成模型,该模型通过将蛋白质结合口袋的3D结构信息整合到条件RNN(cRNN)模型中,以控制类药分子的生成。在该模型中,通过粗粒度策略有效表征蛋白质结合口袋,其中口袋的3D信息可以由组成结合口袋原子的的粗粒度库仑矩阵(EGCM)的排序特征值表示。该文使用EGCM方法以及DeeplyTough方法来训练cRNN模型并评估其性能。实验结果表明,基于蛋白质结合口袋信息约束下训练的模型与正常RNN模型相比,生成的化合物与原始X射线结合配体具有更高相似性且对接分数更好。本文的结果证明了受控分子生成模型在靶向分子生成和类药化学空间引导探索方面的潜在应用。
今天给大家介绍BenevolentAI团队2020年2月5日发表在Journal of Chemical Information and Modeling上的文章:DeeplyTough: Learning Structural Comparison of Protein Binding Sites. 这篇文章将3D CNN 与距离度量学习算法相结合,构建了一个DeeplyTough网络,用于蛋白质结合位点的结构比较学习。
今天给大家介绍的是来洛桑联邦理工学院、MIT等团队2022年10月发表在Arxiv上的预印本《Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design》。
如今智能手机的摄像功能已经完备到多数人认为可以代替传统摄影了。虽然这在傻瓜相机的市场中是个事实,但是对于许多摄影爱好者和专业摄影师看来,一个高端单反相机所能带来的照片景深、清晰度以及真实质感是口袋中的智能手机无法与之相比的。
几乎所有软性饮料瓶子,不管是玻璃瓶还是铝罐子,都是圆柱形的。可牛奶盒子却似乎都是方的。方形容器能比圆柱形容器更经济地利用货架空间。那么,为什么软性饮料生产商坚持使用圆柱形容器呢?
本周,三星开发者大会在旧金山落下帷幕,本次大会主要围绕智能家居、VR和可穿戴设备展开。三星公布了新款360 Round全景相机,其全球移动B2B团队执行副总裁suk-jea Hahnvia表示,推出全景相机的目的是为了证明三星在VR市场的领导地位。另外,三星还宣布将推出第二代虚拟语音助手Bixby 2.0,试图在语音助手方面赶超苹果Siri和Google Assistant。 另一大厂微软也有好消息传来,在周四的常规交易中,微软股价报收于77.91美元,较前一个交易日上涨0.4%,而在盘后交易中又上涨了不
直入主题,在PPT设计中,动效展示一直是大家争议最大的一个部分。虽然每一个人都喜欢 “动 ”的,“文不如图,图不如动”,但是每个人对于动画又都处于“纠结”的状态,“不敢用+用不好”的矛盾存在,甚至最后是“ 干脆不用“”。
目前java开发web系统一般有3层,controller、service、dao,请求到达controller,controller调用service,service调用dao,然后进行处理。
今天为大家介绍的是来自Prescient Design, Genentech团队的一篇论文。作者提出了VoxBind,这是一种基于评分的3D分子生成模型,该模型以蛋白质结构为条件。作者的方法将分子表示为3D原子密度网格,并利用3D体素去噪网络进行学习和生成。作者将神经经验贝叶斯的形式扩展到条件设置,并通过两步程序生成基于结构的分子:(i) 使用学习到的评分函数,通过欠阻尼的Langevin MCMC从高斯平滑的条件分布中采样噪声分子,(ii) 通过单步去噪从噪声样本中估计出干净的分子。与当前的最先进技术相比,作者的模型更易于训练,采样速度显著更快,并且在大量的计算基准测试中取得了更好的结果——生成的分子更加多样化,表现出更少的空间碰撞,并且与蛋白质口袋结合的亲和力更高。
在靶点口袋内直接进行3D分子生成,对于快速精准发现活性分子有重要意义。望石智慧在ACS会议披露的基于电子云密度的AI分子生成模型,能够精准描述靶点口袋,形成与口袋契合的电子云填充物,进而生成分子,并展示了靶向HPK1的实例。该技术为业界首次实现。
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。
说起口袋精灵、以太猫、MLB Crypto Baseball等游戏,你也许不陌生,这些宠物收藏及交易类游戏曾风靡一时。
基于结构的虚拟筛选(SBVS)能够从大规模化合物库中快速识别潜在的活性分子。分子对接是SBVS中最常用的技术之一,它可以用于预测配体的结合姿态,描述蛋白质-配体的结合强度,并识别关键的相互作用。传统的分子对接方法一般使用刚性的蛋白质口袋作为对接的受体,即当蛋白-配体晶体结构已知时,移除配体分子再重新对接配体回到已知蛋白质的Holo态结合口袋。然而,在现实应用场景下的分子对接任务中,如果事先不知道受体的结合构象,由配体诱导的口袋构象的变动会使得刚性对接方法给出错误的预测。尽管AlphaFold2能够较准确地预测目标蛋白质的结构,但预测的靶标蛋白结构与结合态有一定差别,导致未考虑蛋白质柔性的刚性分子对接方法无法利用预测的结构给出正确的复合物结构。而现有的柔性分子对接方法,受限于计算复杂度,仅能考虑少量的侧链构象变化。一些基于深度学习的分子对接方法,对蛋白质进行粗粒化的主链编码在一定程度上可以克服局部的侧链构象变化,但由于口袋残基侧链原子信息的缺失以及缺乏基于物理模型的配体分子建模,所生成的对接构象经常出现配体构象不合理及配体与蛋白间的碰撞等问题,也不能提供对于配体进行优化所需要的受体与配体的相互作用细节。
今天为大家介绍的是来自侯廷军教授团队的一篇论文。计算机辅助药物发现的一个重大挑战是高效地从头设计药物。虽然近年来已经开始有一些针对特定结构的三维分子生成方法,但多数方法并没有完全学习到决定分子形态和结合复合物稳定性的原子间互动细节。因此,很多模型难以为各种治疗目标生成合理的分子。为了解决这个问题,作者提出了一个名为SurfGen的模型。这个模型设计分子的方式就像锁和钥匙原理一样。SurfGen由两个等变神经网络组成,它们分别捕捉口袋表面的拓扑互动和配体原子与表面节点之间的空间互动。SurfGen在多个基准测试中的表现优于其他方法,并且对口袋结构的高敏感性为解决由突变引起的药物耐受性问题提供了有效的解决方案。
下面这台诺基亚 Linux 手机只是套了诺基亚手机的外壳,里面是作者全新设计的 PCB 主板,其尺寸与诺基亚的原始 PCB 完全相同,所以称其为 "Notkia"。
完美幻境被深圳南山法院查封 完美幻境前员工发朋友圈表示,经南山劳动局核实,南山法院批准,所有完美幻境固定资产被依法查封,公司CEO赵博目前处于失联状态。据悉,完美幻境被深圳南山法院查封,或许与拖欠员工
本文介绍一篇由浙江大学侯廷军教授、谢昌谕教授和之江实验室陈广勇研究员团队联合发表的关于分子生成方法的论文。受凝聚态物质和统计物理学多尺度建模研究的启发,作者提出了一种以蛋白质口袋为条件的三维分子生成模型ResGen。该模型采用并行多尺度建模策略,可以捕捉到蛋白靶点与配体间更高层次的相互作用,并实现更好的计算效率。与目前最优(SOTA)方法相比,ResGen生成的分子具有更合理的化学结构,并拥有更好的靶点亲和能力。
时光荏苒,岁月如梭,宝可梦宝陪伴了我们大多数90后的童年,小编也是比较喜欢宝可梦的,一直到现在出到了第八世代,各种各样的宝可梦让我们大饱眼福。
谷歌新专利暴露下一代 Daydream View 日前,美国专利及商标局公布了谷歌的一项新专利,专利表明谷歌下一代的 Daydream VR 新系统包括内置的耳机,可以把用户沉浸在游戏世界或 VR 体
2023年11月29日,上海交通大学沈红斌教授、联合交大教授、数因智科创始人袁野、潘小勇,联合上海交通大学严骏驰教授,在Nature Communications上发表文章ZeroBind:a protein-specific zero-shot predictor with subgraph matching for drug-target interactions。
基于结构的大型化合物库对接筛选已经成为早期药物的常见方法。随着计算资源的增加和化合物库的扩大,对数亿甚至数十亿化合物进行筛选已经成为中小规模计算机集群的可行选择。在这里,作者概述了大规模对接之前进行靶点对接参数的评估策略,以及给予了一个基于褪黑素受体筛选的实例,获得的化合物活性在subnanomolar范围。并且提供了一些额外的参考因素用于确保hits的特异活性。虽然本文使用DOCK3.7进行对接,但是提供的策略和建议对于其余的对接软件也是适用的。
本文介绍由浙江大学智能创新药物研究院侯廷军教授/潘培辰研究员团队和中南大学曹东升团队联合在综合期刊Research上发表的一篇文章。该文章提出一种新型的基于图表示的深度学习方法DeepCoSI用于共价药物结合位点(半胱氨酸)的预测。DeepCoSI网络由两个模块构成,分别是PocketGNNLayer和CysInteractLayer,前者用于对半胱氨酸所在口袋的环境进行表征,后者用于表征半胱氨酸与周围原子之间的非键相互作用,二者结合实现了半胱氨酸共价可靶性的预测。作者在两个外部测试集上验证了该模型区分共价可靶半胱氨酸与其他半胱氨酸的能力,均表现出较好的预测效果。
了解我们体内的生物分子世界以及复杂的分子网络如何在细胞内相互作用,是通过合理药物设计了解和治疗疾病的重要起点。
一年一度的游戏玩家狂欢盛宴E3 2017,于今日正式开幕。而任天堂的发布会一经召开,可以说几乎承包了今日展会的全部亮点,涵盖了其各个领域的新旧IP。而众多新游戏的推出,也为当前稍显单薄的 Ninten
2022年7月16日,来自弗吉尼亚大学数据科学学院和生物医学工程系的Philip E.Bourne和Zheng Zhao等人在Drug Discovery Today上发表文章,作者回顾了系统的蛋白质-配体相互作用指纹(IFP)方法在药物开发方面的最新进展和成功应用。
基于AlphaFold2的静态蛋白结构预测方法已经接近实验精度,为结构生物领域带来了巨大的影响。然而,在药物开发中,靶蛋白的功能性运动非常关键,它会对药物的活性产生影响,而目前的算法模型无法捕捉到大分子的功能构象动态变化过程。近日,上海交通大学郑双佳课题组与星药科技研究团队,美国莱斯大学Peter G. Wolynes联合团队在《Nature Communications》发表题为“DynamicBind: predicting ligand-specific protein-ligand complex structure with a deep equivariant generative model”的研究论文。该论文提出的新方法DynamicBind可基于AF2预测的初始非结合构象,生成与对应输入药物分子相匹配的蛋白结合构象及转化过程,并在计算过程中自动寻找口袋位置,让对接中发现隐藏口袋成为可能。该研究对于蛋白质功能机制的理解以及难成药靶点的药物筛选具有重要意义,为后AlphaFold时代的药物研发提供了一种基于深度学习的,考虑蛋白动态变化的新范式。
Tuple类型像一个口袋,在出门前可以把所需的任何东西一股脑地放在里面。您可以将钥匙、驾驶证、便笺簿和钢笔放在口袋里,您的口袋是存放各种东西的收集箱。C# 4.0引入的一个新特性 Tuple类型与口袋类似,它可以存放不同类型的对象。CodeProject上有篇文章《C# 4 - Tuples》 全面的介绍了Tuple。 在C# 4.0之前我们函数有多个返回值,通常是使用ref,out 。到了c# 4.0 应当使用元组Tuple而不是使用输出参数,在任何时候都应避免使用ref/out传递参数,尤其对引用类型(
领取专属 10元无门槛券
手把手带您无忧上云