<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[DrugOne]]></title><description><![CDATA[Fight Disease With Code !                          Fight Disease With DT !]]></description><link>https://blog.csdn.net/u012325865</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; u012325865]]></copyright><item><title><![CDATA[Mychem在Ubuntu 24.04 平台上的编译与配置 ]]></title><link>https://blog.csdn.net/u012325865/article/details/153737938</link><guid>https://blog.csdn.net/u012325865/article/details/153737938</guid><author>u012325865</author><pubDate>Wed, 22 Oct 2025 16:46:51 +0800</pubDate><description><![CDATA[Mychem是一个面向MySQL和MariaDB数据库的开源化学信息学扩展模块，基于GNU GPL许可发布。该扩展通过在数据库中提供一系列化学信息学函数，使用户能够在 SQL 查询环境中直接操作和分析化学数据。Mychem 构建于Open Babel工具包之上，支持在数据库中执行分子搜索、结构分析以及格式转换等操作，从而实现对分子信息的高效管理与检索。研究人员可以利用 SQL 语句直接进行子结构匹配、相似性搜索以及分子格式（如 SMILES、InChI）的互相转换，而无需借助外部程序。]]></description><category></category></item><item><title><![CDATA[OpenMM 8 安装与上手指南]]></title><link>https://blog.csdn.net/u012325865/article/details/153077026</link><guid>https://blog.csdn.net/u012325865/article/details/153077026</guid><author>u012325865</author><pubDate>Sat, 11 Oct 2025 22:21:40 +0800</pubDate><description><![CDATA[OpenMM 支持多种主流力场（如等），并可通过 Python 脚本方便地定义体系、设定模拟参数、执行能量最小化与分子动力学计算。它同时提供可定制的积分器（Integrator）与力场插件（Force Plugins），允许研究人员轻松实现新算法或自定义势能函数。OpenMM 8在前一版本的基础上进行了显著优化：增强了CUDA、OpenCL 与 ROCm的 GPU 后端性能；引入了新的分子约束与虚拟位点算法，提升了大型体系的稳定性与能量守恒；改进了。]]></description><category></category></item><item><title><![CDATA[GAMESS 在 Ubuntu 24.04 平台上的编译与配置]]></title><link>https://blog.csdn.net/u012325865/article/details/153076578</link><guid>https://blog.csdn.net/u012325865/article/details/153076578</guid><author>u012325865</author><pubDate>Sat, 11 Oct 2025 21:55:43 +0800</pubDate><description><![CDATA[是一款用于从头算（ab initio）分子量子化学计算的程序包。简而言之，GAMESS 可用于计算多种自洽场（SCF）波函数类型，包括RHF、ROHF、UHF、GVB 和 MCSCF等。针对这些 SCF 波函数的电子相关修正，GAMESS 提供了多种方法，如组态相互作用（CI）二阶微扰理论（MP2）耦合簇方法（CC），以及密度泛函理论（DFT）近似。激发态计算可通过CI、EOM或TD-DFT方法实现。程序支持计算核梯度，从而实现自动几何优化、过渡态搜索与反应路径追踪。]]></description><category></category></item><item><title><![CDATA[RDKit | 深入探讨用于捕获立体化学特征的分子指纹]]></title><link>https://blog.csdn.net/u012325865/article/details/153066754</link><guid>https://blog.csdn.net/u012325865/article/details/153066754</guid><author>u012325865</author><pubDate>Sat, 11 Oct 2025 19:24:35 +0800</pubDate><description><![CDATA[在分子描述符中捕获立体化学特征并非易事。传统的 QSAR 描述符通常基于二维结构，可能完全忽略立体化学差异，从而导致模型无法区分对映体。完全三维的方法（如 CoMFA 或 CoMSIA）虽然能够考虑立体化学信息，但依赖于可靠的构象生成与分子对齐，这一过程计算开销大，不适合规模庞大且结构多样的数据集。一种更为实用且具可扩展性的方案是使用能够编码立体化学信息的二维分子指纹。不同类型的指纹对立体化学差异的敏感度各不相同，因此，选择合适的指纹类型对于构建稳健且可解释的建模体系至关重要。]]></description><category></category></item><item><title><![CDATA[nvMolKit：一套基于GPU加速的RDKit核心函数集]]></title><link>https://blog.csdn.net/u012325865/article/details/152731931</link><guid>https://blog.csdn.net/u012325865/article/details/152731931</guid><author>u012325865</author><pubDate>Wed, 08 Oct 2025 19:54:31 +0800</pubDate><description><![CDATA[摘要： 随着化学信息学需求增长，传统工具如RDKit在高通量计算中面临性能瓶颈。为此，NVIDIA团队开发了nvMolKit，通过将RDKit核心功能迁移至GPU平台，显著提升计算效率。该库支持Morgan指纹生成、Tanimoto/余弦相似度计算、MMFF几何优化及ETKDG构象生成等任务，在单GPU或多GPU环境下实现1-4个数量级的加速，同时保持与RDKit的API兼容性。测试显示，Tanimoto相似度计算速度提升高达4000倍，MMFF优化加速约25倍。nvMolKit需NVIDIA GPU（V1]]></description><category></category></item><item><title><![CDATA[2025 诺贝尔医学奖：揭秘免疫“自律”之路，抗击自身免疫病的科学先锋]]></title><link>https://blog.csdn.net/u012325865/article/details/152646143</link><guid>https://blog.csdn.net/u012325865/article/details/152646143</guid><author>u012325865</author><pubDate>Tue, 07 Oct 2025 06:59:33 +0800</pubDate><description><![CDATA[经过多年的追踪与实验，Sakaguchi于1995年在《Journal of Immunology》上发表重磅论文：他发现一类表达 CD4 和 CD25 的T细胞能抑制免疫反应，并首次将其命名为——调节性T细胞（Regulatory T cells，Tregs）。他推测：一定存在一种特殊的T细胞群体，能够“约束”其他免疫细胞的攻击行为。2025年的诺贝尔医学奖，不仅颂扬了三位科学家的卓越发现，更提醒人类——健康的关键，不仅在于免疫的强大，更在于免疫的自律。免疫系统的平衡，是一场“知进退”的智慧游戏。]]></description><category></category></item><item><title><![CDATA[AmberTools25 发布]]></title><link>https://blog.csdn.net/u012325865/article/details/152514864</link><guid>https://blog.csdn.net/u012325865/article/details/152514864</guid><author>u012325865</author><pubDate>Sat, 04 Oct 2025 16:33:45 +0800</pubDate><description><![CDATA[AmberTools25]]></description><category></category></item><item><title><![CDATA[Amber24 安装指南：Ubuntu 22.04 + CUDA 12.4 环境]]></title><link>https://blog.csdn.net/u012325865/article/details/152514694</link><guid>https://blog.csdn.net/u012325865/article/details/152514694</guid><author>u012325865</author><pubDate>Sat, 04 Oct 2025 16:25:00 +0800</pubDate><description><![CDATA[Amber24 安装指南：Ubuntu 22.04 + CUDA 12.4 环境]]></description><category></category></item><item><title><![CDATA[Cell Systems | 深度学习开启蛋白质设计新时代]]></title><link>https://blog.csdn.net/u012325865/article/details/135027711</link><guid>https://blog.csdn.net/u012325865/article/details/135027711</guid><author>u012325865</author><pubDate>Fri, 15 Dec 2023 13:49:59 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Bruno Correia团队的一篇综述。深度学习领域的迅速进步对蛋白质设计产生了显著影响。最近，深度学习方法在蛋白质结构预测方面取得了重大突破，使我们能够得到数百万种蛋白质的高质量模型。结合用于生成建模和序列分析的新型架构，这些方法在过去几年里显著地革新了蛋白质设计领域，提高了识别新蛋白质序列和结构的准确性和能力。深度神经网络现在能够学习和提取蛋白质结构的基本特征，预测它们...]]></description><category></category></item><item><title><![CDATA[Nat. Mach. Intell. | 通过深度神经网络联合建模多个切片来构建一个三维全生物体空间图谱]]></title><link>https://blog.csdn.net/u012325865/article/details/135007840</link><guid>https://blog.csdn.net/u012325865/article/details/135007840</guid><author>u012325865</author><pubDate>Thu, 14 Dec 2023 11:06:24 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Angela Ruohao Wu 和Can Yang团队的一篇论文。空间转录组学（ST）技术正在革新探索组织空间结构的方式。目前，ST数据分析通常局限于单个二维（2D）组织切片，这限制了我们理解在三维（3D）空间中发生的生物过程的能力。在这里，作者介绍了STitch3D，这是一个统一的框架，它整合多个ST切片以重建3D细胞结构。通过联合建模多个切片并将其与单细胞RNA测序数据整合，STitch3D同时识别出具有一致基因表达水平的3D空间区域，并揭示了3D细胞类型分布。​。]]></description><category></category></item><item><title><![CDATA[引导扩散模型实现抗体序列与结构共同设计]]></title><link>https://blog.csdn.net/u012325865/article/details/134985622</link><guid>https://blog.csdn.net/u012325865/article/details/134985622</guid><author>u012325865</author><pubDate>Wed, 13 Dec 2023 00:02:23 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Amelia Villegas-Morcillo团队的一篇论文。近期，在深度生成方法方面的进展使得抗体序列和结构的共同设计成为可能。该研究致力于解决一个挑战：定制抗体中高度变异的互补性决定区（CDRs），以满足开发性要求。作者将属性指导整合到使用扩散概率模型的抗体设计过程中。这种方法允许在考虑溶解度和折叠稳定性等关键属性的同时，根据抗原结构条件化地设计CDRs。抗体是免疫系统对抗病原体时产生的Y形蛋白质。]]></description><category></category></item><item><title><![CDATA[Nat. Methods | RoseTTAFoldNA准确预测蛋白质-核酸复合体]]></title><link>https://blog.csdn.net/u012325865/article/details/134984053</link><guid>https://blog.csdn.net/u012325865/article/details/134984053</guid><author>u012325865</author><pubDate>Tue, 12 Dec 2023 08:36:15 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Frank DiMaio团队的一篇论文。蛋白质-核糖核酸（RNA）和蛋白质-脱氧核糖核酸（DNA）复合体在生物学中扮演着至关重要的角色。尽管近年来在蛋白质结构预测方面取得了显著进展，但预测没有同源已知复合体的蛋白质-核酸复合体的结构仍是一个基本未解决的问题。在这里，作者将RoseTTAFold机器学习蛋白结构预测方法扩展应用，以预测核酸和蛋白质-核酸复合体。]]></description><category></category></item><item><title><![CDATA[Sci. Rep. | 一个对任意分子体系实现准确且高效几何深度学习的通用框架]]></title><link>https://blog.csdn.net/u012325865/article/details/134979103</link><guid>https://blog.csdn.net/u012325865/article/details/134979103</guid><author>u012325865</author><pubDate>Tue, 12 Dec 2023 08:36:15 +0800</pubDate><description><![CDATA[这篇工作是来自纽约城市大学/康奈尔医学院谢磊团队的一篇论文。作者提出了一个通用框架，PAMNet，可以对任意分子体系实现准确且高效的几何深度学习。在小分子性质、RNA三维结构以及蛋白质-配体结合亲和力的预测任务上，PAMNet在准确性和效率方面都优于最先进的基线模型。这些成果不仅展示了PAMNet在模拟分子体系的通用性，而且强调了其在实际分子科学应用中的潜力。背景分子类型和大小的多样性给药物发现、...]]></description><category></category></item><item><title><![CDATA[Nature | 化学领域的ChatGPT：人工智能与机器人联合打造新材料]]></title><link>https://blog.csdn.net/u012325865/article/details/134983587</link><guid>https://blog.csdn.net/u012325865/article/details/134983587</guid><author>u012325865</author><pubDate>Mon, 11 Dec 2023 00:02:00 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Mark Peplow的一篇文章。目前来自DeepMind的工具预测出近40万种稳定物质，一个自主系统学会了如何在实验室制造这些物质。一个结合机器人技术和人工智能（AI）的自主系统成功创造了全新材料，并公布了其首批发现。这个名为A-Lab的系统，能够设计出各种材料的配方，其中一些可能用于电池或太阳能电池。它能自行完成材料合成并分析产物，整个过程无需人类干预。与此同时，另一个AI系统预测出数十万稳定物质的存在，为A-Lab未来的研究提供了众多候选目标。]]></description><category></category></item><item><title><![CDATA[Nature | 深度学习解锁细胞显微图像]]></title><link>https://blog.csdn.net/u012325865/article/details/134980054</link><guid>https://blog.csdn.net/u012325865/article/details/134980054</guid><author>u012325865</author><pubDate>Mon, 11 Dec 2023 00:02:00 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Michael Eisenstein的一篇报道。深度学习正推动算法的发展，使其能够理解来自各种显微镜技术的图像。大约14年前，计算生物学家Jan Funke在霍华德·休斯医学研究所的贾内利亚研究中心尝试编写算法来从图片中识别神经元，他最初以为这不太难，但结果大大出乎他的预料。计算科学家Anna Kreshuk指出，人类很早就学会了如何“分割”视觉信息，即使在物体相互堆叠或重叠的情况下也能区分出单独的物体。]]></description><category></category></item><item><title><![CDATA[Cell Systems | 填充式语言建模用于抗体序列设计]]></title><link>https://blog.csdn.net/u012325865/article/details/134917936</link><guid>https://blog.csdn.net/u012325865/article/details/134917936</guid><author>u012325865</author><pubDate>Sun, 10 Dec 2023 19:10:30 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Jeffrey J. Gray团队的一篇论文。用于治疗应用的单克隆抗体的发现和优化依赖于大型序列库，但是由于可开发性问题而受到阻碍。基于数百万蛋白质序列训练的生成式语言模型，是按需生成现实且多样化序列的强大工具。作者提出了免疫球蛋白语言模型（IgLM），这是一种用于创建合成抗体库的深度生成式语言模型。与之前利用单向上下文进行序列生成的方法相比，IgLM基于自然语言中的文本填充来构建抗体设计，允许它使用双向上下文重新设计抗体序列中的可变长度区域。]]></description><category></category></item><item><title><![CDATA[Commun. Chem. | 基于变分自编码器的化学潜在空间设计复杂天然产物类似物]]></title><link>https://blog.csdn.net/u012325865/article/details/134910193</link><guid>https://blog.csdn.net/u012325865/article/details/134910193</guid><author>u012325865</author><pubDate>Sat, 09 Dec 2023 00:02:47 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Yasubumi Sakakibara团队的一篇论文。化学库是系统性收集的化合物集合。通过化学潜在空间，可以表示这些化学库的结构多样性。化学潜在空间是基于多种分子特征，将化合物结构投射到数学空间的一种方法。这样可以在化合物库内表现出结构多样性，以探索更广泛的化学空间，生成新的药物候选化合物结构。在这项研究中，研究团队开发了一种基于变分自编码器的深度学习方法——NP-VAE。]]></description><category></category></item><item><title><![CDATA[Brief. Bioinform. | FormulationAI：人工智能驱动的新一代药物制剂计算平台]]></title><link>https://blog.csdn.net/u012325865/article/details/134847584</link><guid>https://blog.csdn.net/u012325865/article/details/134847584</guid><author>u012325865</author><pubDate>Thu, 07 Dec 2023 00:01:40 +0800</pubDate><description><![CDATA[药物制剂设计是药物开发过程中的一个关键环节，涉及到药物的物理、化学特性和最终的释放方式。传统的制剂设计依赖于大量的实验和经验判断，这不仅耗时而且成本高昂。随着人工智能技术的兴起，这个领域面临着一次革新的机遇。FormulationAI平台应运而生，它结合了丰富的药物制剂数据和先进的AI算法，旨在优化药物设计流程，提高效率和准确性，减少对实验的依赖。]]></description><category></category></item><item><title><![CDATA[用于分子发现的语言模型]]></title><link>https://blog.csdn.net/u012325865/article/details/134875488</link><guid>https://blog.csdn.net/u012325865/article/details/134875488</guid><author>u012325865</author><pubDate>Wed, 06 Dec 2023 10:24:05 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Jannis Born团队的一篇综述论文。语言模型，尤其是自然语言处理中的Transformers模型，在科学领域的成功应用催生了“科学语言模型”的概念。这些模型专注于小分子、蛋白质或聚合物。在化学领域，语言模型已经开始加速分子发现周期，早期药物发现的有希望的最新发现就是一个证据。在这篇综述中，作者回顾了语言模型在分子发现中的作用，强调了它们的优势，并讨论了它们在从头药物设计、属性预测和反应化学中的弱点。图灵测试于1950年提出，是衡量机器模拟人类行为能力的标准。]]></description><category></category></item><item><title><![CDATA[Cell Systems | 探索蛋白质语言模型的边界]]></title><link>https://blog.csdn.net/u012325865/article/details/134820450</link><guid>https://blog.csdn.net/u012325865/article/details/134820450</guid><author>u012325865</author><pubDate>Tue, 05 Dec 2023 19:39:11 +0800</pubDate><description><![CDATA[今天为大家介绍的是来自Ali Madani团队的一篇论文。基于注意力机制的模型在蛋白质序列的分类和生成任务中展现出了惊人的成功，这些任务对于人工智能驱动的蛋白质设计至关重要。然而，我们对于大规模模型和数据在有效蛋白质模型开发中所扮演角色的理解仍然不足。作者引入了一套名为ProGen2的蛋白质语言模型，模型的规模扩大到了64亿参数，并且在从基因组、宏基因组和免疫库数据库中提取的超过十亿蛋白质的不同序列数据集上训练。]]></description><category></category></item></channel></rss>