<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[药研猿的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/monkeny</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; monkeny]]></copyright><item><title><![CDATA[CellHit 网页服务器：一键预测癌症患者药物反应，覆盖686+种细胞系、286+种化疗与靶向药物]]></title><link>https://blog.csdn.net/monkeny/article/details/159322038</link><guid>https://blog.csdn.net/monkeny/article/details/159322038</guid><author>monkeny</author><pubDate>Sat, 21 Mar 2026 19:39:14 +0800</pubDate><description><![CDATA[摘要：CellHit是一款基于转录组数据的抗癌药物反应预测网页工具，无需编程基础即可使用。该工具整合GDSC、PRISM等权威数据库，覆盖686+种细胞系和286+种药物，通过创新算法优化样本对齐，提供可视化药物敏感性预测结果。主要特点包括：全自动化分析流程、参数化UMAP降维展示、SHAP值基因重要性解释、以及TCGA样本预计算结果查询。CellHit为肿瘤精准治疗研究提供了高效、可解释的解决方案，相关成果发表于《Nucleic Acids Research》。访问地址：https://cellhit.b]]></description><category></category></item><item><title><![CDATA[plotXVG：分子模拟数据顶刊级可视化工具 安装与实用教程]]></title><link>https://blog.csdn.net/monkeny/article/details/159078437</link><guid>https://blog.csdn.net/monkeny/article/details/159078437</guid><author>monkeny</author><pubDate>Sun, 15 Mar 2026 10:12:20 +0800</pubDate><description><![CDATA[plotXVG是一款基于Matplotlib的轻量级Python绘图工具，专为分子模拟数据可视化设计。它支持命令行和Python API两种调用方式，可处理GROMACS输出的xvg文件及其他1D/2D数据，生成刊级质量的折线图、散点图、热图和等高线图。工具提供一键安装（pip install plotxvg），基础功能包括单文件绘图、线型设置和图表保存；进阶功能支持多文件子图布局、字体定制、相关性分析（RMSD/R²）以及2D密度可视化（热图、等高线图和吉布斯自由能景观计算）。此外，工具还支持批量处理和自]]></description><category></category></item><item><title><![CDATA[PolyPhen-2：预测氨基酸突变对“蛋白功能“影响的利器]]></title><link>https://blog.csdn.net/monkeny/article/details/152844682</link><guid>https://blog.csdn.net/monkeny/article/details/152844682</guid><author>monkeny</author><pubDate>Thu, 09 Oct 2025 23:07:58 +0800</pubDate><description><![CDATA[PolyPhen-2是一款用于预测人类基因错义突变有害性的工具，通过分析序列保守性等特征评估突变对蛋白功能的影响。用户可在线提交fasta格式蛋白序列及突变信息，或下载本地版本使用。工具提供HumDiv和HumVar两种预测模型，分别适用于复杂疾病和遗传病研究。结果包含有害性概率评分（0-1）、分类标签及注释信息，帮助判断突变潜在危害。该工具在基因组学和生物信息学研究中具有重要应用价值。]]></description><category></category></item><item><title><![CDATA[让水分子“导航”，突破蛋白–糖类分子对接难题]]></title><link>https://blog.csdn.net/monkeny/article/details/152844597</link><guid>https://blog.csdn.net/monkeny/article/details/152844597</guid><author>monkeny</author><pubDate>Thu, 09 Oct 2025 23:06:06 +0800</pubDate><description><![CDATA[蛋白质-糖类相互作用的结构预测是结构糖生物学的难题。阿根廷研究团队在ChemRxiv发表研究，提出&quot;引导式对接&quot;新方法，通过引入晶体水位点信息，显著提升了预测准确性。该方法在基准测试中成功率最高达83.33%，适用于糖类及类似物的药物设计。研究创新性地将溶剂信息从背景转变为主动引导因素，为糖靶向药物开发提供了新工具。]]></description><category></category></item><item><title><![CDATA[B3clf: 最新的精准预测药物血脑屏障透过能力的开源app]]></title><link>https://blog.csdn.net/monkeny/article/details/151871997</link><guid>https://blog.csdn.net/monkeny/article/details/151871997</guid><author>monkeny</author><pubDate>Fri, 19 Sep 2025 18:23:22 +0800</pubDate><description><![CDATA[B3clf是一款专为预测小分子血脑屏障渗透性设计的机器学习框架。该工具通过集成重采样技术，有效解决了药物研发中实验成本高和数据类别不平衡问题。基于XGBoost的模型在7407个分子数据集上表现优异，对可穿透和不可穿透分子的识别率分别达92.75%和82.33%。B3clf提供本地部署代码和Hugging Face在线平台，支持sdf和SMILE格式输入，可快速预测分子穿透BBB的概率（0-1表示不能/能穿透），为CNS药物筛选提供高效计算工具。]]></description><category></category></item><item><title><![CDATA[scTenifoldKnk：“虚拟敲除基因”，查看转录组其他基因的变化幅度（升高or降低）]]></title><link>https://blog.csdn.net/monkeny/article/details/151871886</link><guid>https://blog.csdn.net/monkeny/article/details/151871886</guid><author>monkeny</author><pubDate>Fri, 19 Sep 2025 18:21:20 +0800</pubDate><description><![CDATA[摘要：scTenifoldKnk是一款强大的生物信息学工具，可对转录组数据进行基因虚拟敲除分析，预测指定基因敲除后其他基因的表达变化。该工具支持单基因或多基因敲除，通过构建基因互作网络计算扰动程度。分析结果包含Z值、p值等统计指标，并可通过可视化展示显著上调/下调基因。安装简单(pip install scTenifoldpy)，适用于科研预实验或辅助验证实验设计。使用过程中需注意数据格式要求(基因×细胞矩阵)和耗时的计算过程。]]></description><category></category></item><item><title><![CDATA[Nat. Commun. | 薛定谔团队开发自由能计算框架，成功发现了高选择性的 Wee1 激酶抑制剂]]></title><link>https://blog.csdn.net/monkeny/article/details/151371402</link><guid>https://blog.csdn.net/monkeny/article/details/151371402</guid><author>monkeny</author><pubDate>Tue, 09 Sep 2025 20:54:37 +0800</pubDate><description><![CDATA[在药物研发中，优化小分子抑制剂的靶向效力和脱靶选择性至关重要。对于靶向激酶 ATP 结合口袋的抑制剂而言，实现激酶组范围内的选择性极具挑战，因为 ATP 结合位点高度保守，易导致脱靶抑制，带来安全隐患。现有计算方法如定量构效关系（QSAR）、机器学习模型等受限于训练数据的稀疏性和化学多样性，难以可靠预测未探索化学空间的激酶选择性，亟需更高效的物理基于策略。]]></description><category></category></item><item><title><![CDATA[Biomedical HPC+AI Platform：48款计算生物学工具集成的一站式高性能在线平台，赋能药物发现]]></title><link>https://blog.csdn.net/monkeny/article/details/151371357</link><guid>https://blog.csdn.net/monkeny/article/details/151371357</guid><author>monkeny</author><pubDate>Tue, 09 Sep 2025 20:53:24 +0800</pubDate><description><![CDATA[摘要： 广州超算中心推出的BiomedicalHPC+AIPlatform整合48款AI驱动的计算生物学工具，覆盖蛋白质预测、药物设计、单细胞分析等方向。平台通过HPC与AI技术结合，提供蛋白相互作用预测（如GraphPPIS、GPSite）、药物分子生成（如Reinvent、Diffleop）、单细胞组学分析（如SCHAP-classic）等一站式解决方案，加速生物医药研究。所有工具均可在线访问：https://bio-web1.nscc-gz.cn/。]]></description><category></category></item><item><title><![CDATA[实测告诉你：GROMACS 的最佳 CPU 核数是多少？]]></title><link>https://blog.csdn.net/monkeny/article/details/151043600</link><guid>https://blog.csdn.net/monkeny/article/details/151043600</guid><author>monkeny</author><pubDate>Sun, 31 Aug 2025 11:44:39 +0800</pubDate><description><![CDATA[摘要：文章探讨了GROMACS线程数与GPU调用效率的关系，指出过多线程会导致GPU效率下降甚至失效，并提供了实测数据佐证。结果显示中等核数（8-16核）能较好平衡性能，而超48核后性能显著下降，128核时GPU利用率归零。作者强调测试结果仅供参考，实际效果因软硬件差异而异，并推测反对意见可能源于未测试高核数场景的局限性。]]></description><category></category></item><item><title><![CDATA[明明我有高端显卡，为什么 GROMACS 就是不在 GPU 上跑？]]></title><link>https://blog.csdn.net/monkeny/article/details/151043485</link><guid>https://blog.csdn.net/monkeny/article/details/151043485</guid><author>monkeny</author><pubDate>Sun, 31 Aug 2025 11:43:31 +0800</pubDate><description><![CDATA[GROMACS使用中常见GPU利用率低的问题，根源在于未正确设置-ntomp参数。当CPU线程数过多（超过96）时，CPU会占用过多资源，导致GPU无法有效工作。解决方法是指定适当的OpenMP线程数（通常16-32之间，建议偶数），如：gmx mdrun -ntomp 16。需要注意的是，线程数不宜过大，且避免使用奇数设置。正确配置后可使GPU发挥应有性能。]]></description><category></category></item><item><title><![CDATA[盘点6个PyMoL实用技巧，加速分析绘图]]></title><link>https://blog.csdn.net/monkeny/article/details/150445394</link><guid>https://blog.csdn.net/monkeny/article/details/150445394</guid><author>monkeny</author><pubDate>Sat, 16 Aug 2025 13:21:05 +0800</pubDate><description><![CDATA[文章摘要：本文介绍了PyMOL软件中6个实用技巧：1）隐藏蛋白结构中的虚线区域(setcartoon_gap_cutoff)；2）基于Kyte-Doolittle指数高亮亲疏水残基；3）提取配体5Å范围内的残基；4）生成并设置活性口袋电势面透明度；5）推荐使用PLIP工具进行氢键等相互作用分析；6）利用B因子为蛋白着色并添加颜色条。这些技巧可提升蛋白结构可视化的专业性和美观度，适用于科研绘图和结构分析。]]></description><category></category></item><item><title><![CDATA[揭开药物“停留时间”的秘密：模拟预测GPCR配体动力学的新方法]]></title><link>https://blog.csdn.net/monkeny/article/details/150445343</link><guid>https://blog.csdn.net/monkeny/article/details/150445343</guid><author>monkeny</author><pubDate>Sat, 16 Aug 2025 13:17:15 +0800</pubDate><description><![CDATA[伯明翰大学团队开发出PCV-ABMD新方法，显著缩短药物-受体解离过程模拟时间（从400天降至182天）。该方法成功预测了噻托溴铵与M3受体突变体的解离速率差异，揭示受体亚型选择性的分子机制（K523-E220盐桥稳定作用）。研究强调药物设计中除结合亲和力外，驻留时间同样关键，为开发更安全有效的药物提供新工具和思路。该成果发表于JCIM期刊。]]></description><category></category></item><item><title><![CDATA[帝国理工学院团队研发：Missense3D-PTMdb—— 解析遗传变异与翻译后修饰的交互式工具]]></title><link>https://blog.csdn.net/monkeny/article/details/150224401</link><guid>https://blog.csdn.net/monkeny/article/details/150224401</guid><author>monkeny</author><pubDate>Mon, 11 Aug 2025 20:20:31 +0800</pubDate><description><![CDATA[摘要：Missense3D-PTMdb是一个基于AlphaFold3D模型的交互式数据库，整合了20,235种人类蛋白质的错义变异（1,154万）和PTM位点（20.4万）数据。该平台提供3D结构可视化（JSmol）、序列-结构关联分析及数据下载功能，支持5-30Å距离内变异与PTM位点的空间关系研究。数据显示：1.7%变异位于PTM残基（磷酸化占66%），1.8%临床注释变异影响PTM位点。该资源为研究遗传变异对蛋白质功能的潜在影响提供了便捷工具，网址：https://missense3d.bc.ic.a]]></description><category></category></item><item><title><![CDATA[剑桥大学最新研究：基于大语言模型(LLM)的分子动力学模拟框架，是MD的GPT时刻还是概念包装？]]></title><link>https://blog.csdn.net/monkeny/article/details/150224358</link><guid>https://blog.csdn.net/monkeny/article/details/150224358</guid><author>monkeny</author><pubDate>Mon, 11 Aug 2025 20:17:33 +0800</pubDate><description><![CDATA[剑桥大学团队提出MD-LLM框架，利用大语言模型从单一蛋白质构象预测其他可能状态。该技术通过编码蛋白质结构为token并在Mistral7B模型上微调，成功生成了T4溶菌酶和Mad2蛋白的激发态结构。虽然突破了传统分子动力学模拟的时间限制，但存在缺乏普适性、构象真实性难以验证等问题。研究者指出，由于大语言模型依赖模式匹配而非物理规律，其生成结果需要大量验证，目前更适合作为辅助工具而非替代传统方法。该研究展现了AI在结构生物学中的潜力，但也凸显了当前AI&quot;炼金术式&quot;发展模式的局限性。]]></description><category></category></item><item><title><![CDATA[在线计算“蛋白-蛋白复合物”的MM/GBSA]]></title><link>https://blog.csdn.net/monkeny/article/details/149964720</link><guid>https://blog.csdn.net/monkeny/article/details/149964720</guid><author>monkeny</author><pubDate>Wed, 06 Aug 2025 11:55:40 +0800</pubDate><description><![CDATA[摘要：HawkDock2平台集成VD-MM/GBSA方法，用于精确预测蛋白质-蛋白质复合物的结合自由能，通过改进传统MM/GBSA方法（包括力场计算、GBOBC1溶剂化模型）并引入变介电常数处理（VD-MM/GBSA）提升精度。平台支持用户上传蛋白复合物PDB文件，进行结合能计算及残基突变分析，提供可视化界面和能量贡献排序。计算过程仅需5000步能量最小化，无需分子动力学模拟。网址：http://cadd.zju.edu.cn/hawkdock/。该方法已发表于Nucleic Acids Res（2025）]]></description><category></category></item><item><title><![CDATA[收藏！对含有“非标准氨基酸残基”的蛋白体系进行分子模拟前的拓扑构建教程]]></title><link>https://blog.csdn.net/monkeny/article/details/149964629</link><guid>https://blog.csdn.net/monkeny/article/details/149964629</guid><author>monkeny</author><pubDate>Wed, 06 Aug 2025 11:53:45 +0800</pubDate><description><![CDATA[本文介绍了在AMBER中处理非标准氨基酸残基的简化流程。以乙酰化修饰赖氨酸(K32)为例，通过PyMOL插件生成修饰后的ALY残基，使用antechamber获取参数文件，并修正原子类型。重点演示了如何准备连接信息文件(aly.mc)和tleap输入文件，最终生成包含溶剂化离子的拓扑文件。相比GROMACS，AMBER处理非标准残基更为简便，适合快速引入特殊修饰。文中所有示例文件可通过公众号获取。]]></description><category></category></item><item><title><![CDATA[MMGBSA和MMPBSA对比，孰优孰劣？]]></title><link>https://blog.csdn.net/monkeny/article/details/149152618</link><guid>https://blog.csdn.net/monkeny/article/details/149152618</guid><author>monkeny</author><pubDate>Sun, 06 Jul 2025 14:12:30 +0800</pubDate><description><![CDATA[MM/PBSA和MM/GBSA是计算配体-受体结合自由能的常用方法，通过分子力学能量结合连续溶剂化模型（PBSA用泊松-玻尔兹曼方程，GBSA用广义玻恩模型）估算结合能。二者存在共性局限：极性溶剂化项精度差异大、非极性项简化疏水效应、熵项计算复杂常被忽略。改进尝试（如引入QM电荷、显式水分子）效果不稳定。这些方法因忽略结合构象变化、溶剂效应等，需结合大量MD模拟提高精度，适用于亲和力趋势分析，但不推荐用于药物设计后期的精确预测。其性能高度依赖体系特性，需结合具体案例评估。]]></description><category></category></item><item><title><![CDATA[分子动力学模拟揭示肾上腺素抑制tau蛋白聚集的分子机制]]></title><link>https://blog.csdn.net/monkeny/article/details/149152600</link><guid>https://blog.csdn.net/monkeny/article/details/149152600</guid><author>monkeny</author><pubDate>Sun, 06 Jul 2025 14:10:58 +0800</pubDate><description><![CDATA[研究表明，肾上腺素（EP）可显著破坏阿尔茨海默病（AD）相关tau蛋白原纤维和纤维结构。分子动力学模拟显示，EP通过降低tau蛋白稳定性（Ca-RMSD增加0.06nm）、减少β-折叠概率（5.19%）、破坏关键盐桥（如K353-D358），并增强蛋白灵活性。EP与tau蛋白的芳香族/带正电残基结合，作用模式在原纤维和纤维中存在差异。这些发现为AD的tau靶向治疗和运动疗法提供了新思路，揭示内源性分子可能通过调节tau蛋白聚集发挥神经保护作用。]]></description><category></category></item><item><title><![CDATA[epitope3D: 精准预测蛋白表面的“抗原决定簇”]]></title><link>https://blog.csdn.net/monkeny/article/details/148981743</link><guid>https://blog.csdn.net/monkeny/article/details/148981743</guid><author>monkeny</author><pubDate>Sat, 28 Jun 2025 20:54:06 +0800</pubDate><description><![CDATA[构象型B细胞表位是由空间相邻但序列不连续的氨基酸残基组成的抗原决定簇，其预测具有挑战性。epitope3D提出基于图结构特征的机器学习方法，将蛋白质表位建模为图并提取空间距离模式，提升识别准确性。该工具支持PDB文件上传或ID输入，提供三维交互式结果展示。研究发表于《Briefings in Bioinformatics》（2022），doi:10.1093/bib/bbab423。访问地址：https://biosig.lab.uq.edu.au/epitope3d/prediction。]]></description><category></category></item><item><title><![CDATA[Moldina: 多配体分子对接新工具，兼具精准度与运行速度的双重突破]]></title><link>https://blog.csdn.net/monkeny/article/details/148981711</link><guid>https://blog.csdn.net/monkeny/article/details/148981711</guid><author>monkeny</author><pubDate>Sat, 28 Jun 2025 20:51:55 +0800</pubDate><description><![CDATA[奥斯特拉瓦技术大学开发的新型分子对接算法Moldina解决了多配体同时对接的难题。该算法将粒子群优化集成到AutoDockVina框架中，在保持预测精度的同时，计算速度提升数百倍（单CPU比16CPU并行快100倍）。研究发现，Moldina在多配体对接时优于传统顺序方法，单配体对接表现同样出色，为药物发现和酶学研究提供了高效工具。开源地址：https://github.com/It4innovations/moldina-multiple-ligand-molecular-docking-over-]]></description><category></category></item></channel></rss>