![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
2021SC@SDUSC
文章平均质量分 92
小旁友~
这个作者很懒,什么都没留下…
展开
-
2021SC@SDUSC基于人工智能的多肽药物分析问题(十四)
# 基于人工智能的多肽药物分析问题(十四)2021SC@SDUSC## 1. 前言在上篇博客中,我们已经将该项目的代码基本上全部分析完毕了,但在Refine_module方法中,还有一个比较有意思的模块,Regen_Network,现在奉上对其的分析## 2. 代码分析### 2.1 Regen_Network模型```pythonclass Regen_Network(nn.Module):原创 2021-12-25 20:26:24 · 1081 阅读 · 0 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(十三)
2021SC@SDUSC## 1. 前言代码分析已临近尾声了,目前还剩下e2e模式的预测代码,由于两种模式的代码存在部分重叠,所以接下来的代码可能会略过一些重复代码,特此声明原创 2021-12-19 11:28:09 · 1295 阅读 · 0 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(十二)
基于人工智能的多肽药物分析问题(十二)2021SC@SDUSC1. 前言上周预测模型已经分析到了IterBlock_w_Str这个层,并且已经详细解释了该层中的 str2str模型,以下图片是局部代码总览,本周,我们将继续分析余下部分内容2. 代码分析2.1 Str2MSA模型class Str2MSA(nn.Module): def __init__(self, d_msa=64, d_state=32, inner_dim=32, r_ff=4,原创 2021-12-12 11:31:40 · 1201 阅读 · 0 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(十一)
2021SC@SDUSC## 1. 前言上一篇代码分析博客讲到了深拷贝IterBlock模型,下面是该部分的上下文,便于联系起之前的部分```pythonclass IterativeFeatureExtractor(nn.Module): def __init__(self, n_module=4, n_module_str=4, n_layer=4, d_msa=256, d_pair=128, d_hidden=64, n_head_msa=8,原创 2021-12-04 21:17:11 · 368 阅读 · 0 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(十)
基于人工智能的多肽药物分析问题(知识点补充二)2021SC@SDUSC1. Dropout层作用1.1 定义大规模的神经网络有两个缺点:费时容易过拟合dropout是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃。注意是暂时,对于随机梯度下降来说,由于是随机丢弃,故而每一个mini-batch都在训练不同的网络。Dropout的出现很好的可以解决费时这个问题,每次做完dropout,相当于从原始的网络中找到一个更瘦的网络;它强迫一个神经单元,和随机挑选原创 2021-11-30 21:41:42 · 642 阅读 · 0 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(九)
基于人工智能的多肽药物分析问题(九)2021SC@SDUSC1. 前言在调用模型时根据传入的参数选择构建适当的模型if use_templ: self.templ_emb = Templ_emb(d_templ=d_templ, n_att_head=n_head_templ, r_ff=r_ff, performer_opts=performer_L_opts, p_drop=0.0) self.pair_emb =原创 2021-11-27 21:51:36 · 252 阅读 · 0 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(八)
## 1. pyrosetta模式预测过程代码分析-接上篇### 1.1 template Embedding层该层的主要作为用定义基于像素的注意力嵌入层原创 2021-11-20 13:25:15 · 921 阅读 · 2 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(七)
基于人工智能的多肽药物分析问题(七)2021SC@SDUSC前言:下文所需两种模式预测,预计可以在几篇文章之内结束分析1. 两种预测模式原程序提供了pyrosetta/e2e两种预测模式,根据Baek等的报道pyrosetta方法要比e2e更精确一些。 运行e2e的“主攻”是pytorch,需要RoseTTAFold 环境;pyrosetta的“主攻”包括pytorch、tensorflow、pyRosetta,需要RoseTTAFold和folding环境,而且pyRosetta需要在foldi原创 2021-11-13 21:53:22 · 1274 阅读 · 0 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(六)
基于人工智能的多肽药物分析问题(六)2021SC@SDUSC1. 卷积神经网络1.1 卷积神经网络优势在学习卷积神经网络之前,使用的是全连接神经网络,但是根据查阅的资料来看:如果用全连接神经网络处理大尺寸图像具有三个明显的缺点:(1)首先将图像展开为向量会丢失空间信息;(2)其次参数过多效率低下,训练困难;(3)同时大量的参数也很快会导致网络过拟合。而使用卷积神经网络可以很好地解决上面的三个问题。与常规神经网络不同,卷积神经网络的各层中的神经元是3维排列的:宽度、高度和深度。其中的宽度和原创 2021-11-07 15:44:28 · 936 阅读 · 0 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(五)
2021SC@SDUSC## 1. 前言 前面代码已经完成了1T+蛋白质数据的预处理,之后准备构建模型部分术语:> 残基: 在蛋白质的序列中,氨基酸之间的氨基和羧基脱水成键,氨基酸由于其部分基团参与了肽键的形成,剩余的结构部分则称氨基酸残基。原创 2021-10-30 21:37:51 · 395 阅读 · 3 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(四)
基于人工智能的多肽药物分析问题(四)2021SC@SDUSC1. 前言由于之前未接触过深度学习领域,所以基本所有的代码都得查文档,查api,现在也是一边学习神经网络,一边研究源码。。。而且前两篇直接上手了源码分析,发现漏讲了该方法的具体思路,这周补上。2. 方法思路2.1 来自AlphaFold2方法学进展PS : AlphaFold2目前是小组内另外一名同学的分析内容从多序列比对(MSA)开始,而不是从更多处理的序列开始特征用一种更好地表示沿序列相距遥远的残基之间相互作用的注意机制替原创 2021-10-22 19:49:34 · 1541 阅读 · 0 评论 -
基于人工智能的多肽药物分析问题(三)
基于人工智能的多肽药物分析问题(二)2021SC@SDUSC1. Importing larger libraries os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3' os.environ["CUDA_VISIBLE_DEVICES"] = str(args.gpu) script_dir = os.path.dirname(__file__) sys.path.insert(0, script_dir) import pyErr原创 2021-10-16 20:09:58 · 546 阅读 · 0 评论 -
基于人工智能的多肽药物分析问题(二)
2021SC@SDUSC1、本周工作分析rosettaFold的源码中前期准备部分2、源码分析2.1 Parsing arguments利用python的argparse模块编写与程序运行相关的命令行选项、参数和子命令解析器。argparse 模块可以让使用者轻松编写用户友好的命令行接口。程序定义它需要的参数,然后 argparse 将弄清如何从 sys.argv 解析出那些参数。 argparse 模块还会自动生成帮助和使用手册,并在用户给程序传入无效参数时报出错误信息。 parser =原创 2021-10-07 21:59:46 · 335 阅读 · 0 评论 -
2021SC@SDUSC基于人工智能的多肽药物分析问题(一)-综述
2021SC@SDUSC基于人工智能的多肽药物分析问题整个项目大致分为四大部分,分别是肽与HLA分子结合预测研究,药物分子与蛋白质靶标的亲和力预测,蛋白质的三级结构预测,多肽的三级结构预测。1 项目分工在基于人工智能的药物分析问题下,笔者分析的方向为多肽的三级结构预测。2 项目背景近年来,人们对肽疗法的兴趣显著增长,部分原因是肽与传统小分子化学药物相比具有许多优势。肽疗法比小分子药物具有更高的选择性、特异性和有效性,可降解为氨基酸,而氨基酸不太可能表现出不良的药物-药物相互作用。此外,肽由于半衰原创 2021-09-30 13:53:32 · 606 阅读 · 3 评论