![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
rdkit
文章平均质量分 81
wufeil
这个作者很懒,什么都没留下…
展开
-
应用于蛋白-小分子动态对接的等变几何扩散模型-DynamicBind 评测
DynamicBind是上海交通大学郑双佳研究员和星药科技Lu wei等人于2024年2月5日发表在nature communication上的工作,题目为:DynamicBind: predicting ligand-specific protein-ligand complex structure with a deep equivariant generative model。本文对Dynamicbind进行了评测,分析了ABL1的底物位点和变构位点的对接结果,以及隐蔽口袋的案例TEM1。原创 2024-02-20 21:28:14 · 1417 阅读 · 2 评论 -
基于SE3等变网络与Diffusion模型的分子生成工具 TargetDiff 评测
TargetDiff是来源于ICLR2023文章:3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction。该文章基于 SE(3)-equivariant network,开发了非自回归的,具有旋转和平移不变性的,口袋为条件的分子扩散生成模型TargetDiff。原创 2023-06-09 08:03:05 · 1221 阅读 · 10 评论 -
分子骨架跃迁工具DiffLinker评测
DiffLinker是一个用于分子骨架跃迁的E3等变3D条件扩散模型。。与之前介绍的Delinker, 3DLinker等不同,DiffLinker可以连接任意的分子片段,而3Dlinker等仅仅可以链接一对(2个)分子片段。同时,DiffLinker也不需要指定链接处和需要添加的原子数量,这些都可以自动生成。此外,可以使用口袋作为条件,进行骨架跃迁任务,并且提供了详细的使用文档。原创 2023-02-05 15:44:42 · 1373 阅读 · 4 评论 -
分子骨架跃迁工具3DLinker 评测
与之前介绍的骨架跃迁工具不同,3DLinker是变分自动编码器模型,可以在分子linker 设计同时生成分子和分子的坐标。文章引入了空间归纳偏差:equivariance E(3) transformations (等方差E3变换)。3DLinker以两个分子片段作为输入,输出中间的Linker部分,在输出分子结构的同时还输出linker的坐标。原创 2022-10-24 21:48:22 · 2329 阅读 · 1 评论 -
分子骨架跃迁工具-DeLinker介绍
DeLinker是一个既可以实现分子骨架跃迁又可以实现分子连接的AI方法。这里对该方法,进行实应用测检验,顺便做了DeLinker在分子骨架跃迁中应用部分的代码分析。原创 2022-07-24 08:58:39 · 1756 阅读 · 0 评论 -
图神经网络预训练 (5) - 总结
到目前为止,Conetext prediction 和 Attribute Prediction 两种节点和边层面的预训练方法,及其之后的图层面的分子性质监督学习预测,都已经介绍完毕。基本上,Strategies for Pre-training Graph Neural Networks 简介已经结束,并且提供了可以直接运行的代码及其环境。代码见之前文章的链接。现在来总结一下,其中包含的有用的内容:1. 分子由SMILES生成pyg图;2. 分子pyg图组成批次的datal...原创 2022-05-28 18:26:21 · 574 阅读 · 4 评论 -
图神经网络预训练 (4) - 节点属性预测 Attribute Prediction + 监督学习 代码
继续剖析Strategies for Pre-training Graph Neural Networks,介绍另一种节点层面的预训练方法,节点属性预测的预训练方法(Attribute Prediction)及其随后的监督学习用于分子性质预测部分。 可运行版本的代码下载,请见文末。原创 2022-05-28 17:13:56 · 3971 阅读 · 6 评论 -
图神经网络预训练 (3) - Context Prediction + 监督学习 代码
前两篇内容概述了Weihua Hu*, Bowen Liu*图神经网络预训练的方法,以及context prediction进行预训练的实施代码。context prediction 学习的图内的原子/边信息的表征,并没有包括图层面的信息。这一部分的监督学习,是图层次的监督学习,目的是把图层面的信息增加到图的表征向量G(h)中。经过图层次的监督学习,得到的模型就可以直接用于下游的任务。文章方法:在节点层面预训练的模型后加上一个简单的线性模型,用于图层面的监督训练网络结构如下图:..原创 2022-05-26 12:44:50 · 2250 阅读 · 3 评论 -
Gromacs 2021.5安装教程
GROMACS安装教程原创 2022-03-14 13:49:41 · 6401 阅读 · 0 评论 -
利用 AWS pcluster + Vina 进行百万级分子库虚拟筛选
利用AWS 的pcluster工具 + Vina 进行百万级的分子虚拟筛选原创 2021-12-21 00:36:51 · 2452 阅读 · 0 评论 -
一起学 RDKit Cookbook(2)
这部分内容来自于RDKIT的简单教程:https://www.rdkit.org/docs/Cookbook.htmlRDKIT算是化学生物的神器了,以前每一次都是即时查接口,现在按照这个简易教程走一遍,增加感觉。 最好的办法就是全程过一遍。当然啦,在这些过程中,也有我自己对RDKit的一些理解吧。如果有不对的地方,请多多指正!##三、标记分子手型...原创 2021-05-12 21:21:15 · 649 阅读 · 0 评论