efficient evolution 抗体进化模型笔记 通过不同的模型（例如：'esm1b', 'esm1v1', 'esm1v2' 等）进行重构，并比较每个模型生成的突变。此外，还包含了使用 eval_sapiens函数 评价人源相似度。，则返回包含突变计数和模型名称的元组。函数的作用是针对给定的野生型序列。否则，仅返回突变计数。
不同领域环境中的“组分分析” 在统计学和机器学习领域，主成分分析是一种降维技术，它通过线性变换将数据转换到一个新的坐标系统中，使得这个新坐标系统的第一坐标轴上的方差最大（即第一主成分），第二坐标轴上的方差次之（即第二主成分），依此类推。组分分析在不同的学术领域和应用场景中可能有不同的含义，但通常它指的是一种分析方法，用于识别和量化一个复杂系统、样本或信号中的各个组成部分。在工程和科学研究中，组分分离技术如蒸馏、萃取、过滤等，都是用于将混合物中的不同组分分开，以便于进一步的分析或使用。
用于药物发现的知识图谱 本教程全面概述了长期存在的药物发现原理，提供了图结构数据和知识数据库的基本概念和前沿技术，并正式总结了用于药物发现的知识增强图机器学习 (KaGML)。一个项目是 **KDD2023_KaGML_DrugDiscovery_Tutorial**，它是一个关于药物发现的教程，介绍了如何使用知识增强的图机器学习（KaGML）来进行药物发现¹。另一个项目是 **integrating_knowledge_data**，它是一个将基因表达和生物知识整合到药物发现和再利用中的项目²。
DeepPurpose深度学习工具包 DeepPurpose是一个基于深度学习的工具包，可用于药物靶点识别、药物属性预测、蛋白质-蛋白质相互作用预测等¹。它支持多种分子编码任务，包括药物-靶标相互作用预测、化合物属性预测、蛋白质-蛋白质相互作用预测和蛋白质功能预测¹。DeepPurpose通过实现15个化合物和蛋白质编码器以及50多种神经架构，以及提供许多其他有用的功能来支持定制DTI预测模型的训练⁴。它使用PyTorch框架进行深度学习，促进生命科学研究¹。(3) DeepPurpose：药物虚拟筛选、构效关系及更多用途的深度 ....
np.concatenate np.concatenate函数是numpy库中用来连接两个或多个数组的函数。运行这段代码，你会得到：`[1 2 3 4 5 6]`，两个数组在一个维度上进行了连接。希望这个例子可以帮助你理解np.concatenate的基本功能。# 在第一个维度上（axis=0，行方向）拼接。# 在第二个维度上（axis=1，列方向）拼接。# 使用np.concatenate进行连接。# 创建两个一维数组。# 创建两个二维数组。
【代码示例】将label转为np数组，并存为pkl文件 首先读取训练集和测试集的复合物的文件地址，去除训练集中与测试集重叠的样本，再打乱顺序。接下来通过活性数据表‘INDEX_general_PL_data.2019’依次对读取。需要说明这里的训练集由于会多旋转9次进行数据增强，所以label会乘以10.最终使用ectend和append添加成数组，保存为np.array。就是训练用的复合物的 pdb id。就是测试用的复合物的 pdb id。接着就可以存为pkl文件。
【蛋白-蛋白】Rosetta InterfaceAnalyzer 学习笔记 这里以(PDB:3R2X)为例，介绍如何利用Rosetta中InterfaceAnalyzer来快速分析蛋白-蛋白相互作用，并提取有价值的信息。注意: InterfaceAnalyzer不可用于蛋白质-小分子相互作用界面分析。使用Rosetta score_jd2 app对输入的PDB文件进行打分可以快速修复结构的方法，确保输入文件能够正确地被Rosetta读取。（提示: 3r2x中存在残基插入码，如A链的264A Gly，因此需要对整个PDB结构进行重编号，否则packsat计算异常。-out:pdb。
如果我的VMware虚拟机的Ubuntu22.04系统没有英伟达驱动，该怎么办？ 需要注意的是，由于你使用的是VMware虚拟机，可能无法直接安装英伟达官方驱动。因此，即使安装了英伟达驱动，也可能无法实际使用英伟达显卡功能。2. 安装Nouveau驱动：Nouveau是一个开源的英伟达显卡驱动，可以在一些英伟达显卡中提供基本的图形功能。- 禁用Nouveau驱动：在安装英伟达官方驱动之前，需要禁用Nouveau驱动。- 安装依赖项：确保你的系统已安装必要的依赖项，例如`gcc`、`make`和`kernel headers`。如果没有英伟达显卡，那么安装英伟达驱动是没有意义的。
scikit-plot 使用笔记 PCA的目标是将高维数据转换为一组低维的主成分，这些主成分将数据中的方差解释得尽可能好。第一个主成分解释了最大的方差，第二个主成分解释了次大的方差，以此类推。每个主成分都是关于原始特征的线性组合，并且它们之间是正交的（相互之间不相关）。主成分类似于原始数据的投影，但是它们的排序是如此安排，以便第一个主成分解释了最大的方差，第二个主成分解释了次大的方差，以此类推。主成分是原始数据的线性组合，通过这种方式，它们能够捕捉到数据中的最大方差。
在python中训练Gnina的Caffe模型 Required- Optional* Samplelayer {top: "out"The `BNLL` (binomial normal log likelihood) layer computes the output as log(1 + exp(x)) for each input element x.“BNLL”（二项式正态对数似然）层将每个输入元素 x 的输出计算为 log(1 + exp(x))。## Sample。
Gnina split_caffe_proto.py 脚本尝试创建`../docs/_includes/`和`../docs/_includes/proto/`两个目录，若目录已存在则忽略，若创建失败则抛出异常。6. 使用正则表达式匹配`caffe.proto`文件中的参数定义信息。将参数定义写入以参数名称命名的文本文件，保存在`../docs/_includes/proto/`目录下。4. 构建`caffe.proto`文件的完整路径`caffe_proto_fn`。
使用Py2neo构建知识图谱（概念与实现） 知识图谱的构建方法有很多种，其中比较常见的包括自顶向下和自底向上两种方法。自顶向下构建方法是指从高质量数据中提取本体和模式信息，加入到知识库中；而自底向上构建方法则是从公开采集的数据中提取出资源模式，选择其中置信度较高的新模式，经人工审核之后，加入到知识库中。自顶向下和自底向上是两种不同的构建方法。自顶向下构建方法是指从高质量数据中提取本体和模式信息，加入到知识库中；而自底向上构建方法则是从公开采集的数据中提取出资源模式，选择其中置信度较高的新模式，经人工审核之后，加入到知识库中。
深度学习时，对数据归一化的作用？ 例如 如果你的一个特征是10000，一个特征是0.2，当这两个输入到任何学习模型中时，学习速度都会很慢。如果两个特征之一为0.1，另一个为0.3，学习速度就会加快。这也是为了避免梯度消失，使每一层更加独立，不受前一层的影响。对于数据本身来说，没有强制要求必须满足正态分布的条件，除非是非正常分布。事实上，我们正在谈论数据标准化。这是一种特征处理方法，使所有标准化特征满足N(0, 1)的标准正态分布。当我们进行深度学习训练时，往往希望数据越接近正态分布越好，这样训练效果就会明显提升。
官网方法，conda环境安装tensorflow，可使用多个GPU 如果您想要在多台机器上进行分布式训练，您可以使用其他分布式策略，例如 tf.distribute.experimental.MultiWorkerMirroredStrategy 或 tf.distribute.experimental.TPUStrategy。在 TensorFlow 2.4 版本中，可以使用 tf.distribute.MirroredStrategy 来在一台机器的多个 GPU 上进行同步分布式训练。在一台或多台机器上，要顺利地在多个 GPU 上运行，最简单的方法是使用。
关注
