全面挖掘天然药物的药效成分,中南大学刘韶教授团队构建 IMN4NPD 平台

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

1806 年,23 岁的德国药剂师 Sertürner 从罂粟中首次分离出单体吗啡,现代天然药物化学研究自此起步。在此基础上,德国化学家 Friedrich Wǒhler 在 1828 年成功实现了尿素的人工合成,这也标志着有机化学学科的正式诞生。可以说,正是人类对生物活性天然产物 (natural product, NPs) 的持续研究促成了有机化学学科的建立。

所谓生物活性天然产物 (NPs) ,其实是自然界长期进化的物质实体,是生物活性物质和实用药物研发的重要源泉。在药物研发进程中,NPs 对于癌症和传染病治疗药物的创新有着巨大贡献。但时至今日,NPs 仍在筛选、分离、表征、优化等各方面存在技术障碍。其中,从复杂混合物中分离 NPs 可谓是最为严峻的挑战之一,这也成为了药物研究的一大瓶颈。

为了解决这一瓶颈, 中南大学湘雅医院药学部刘韶教授团队,创新性地建立了一种可全面挖掘天然药物药效成分的整合分子网络框架 (integrated molecular networking workflow for NP dereplication, IMN4NPD), 不仅加快了分子网络中广泛集群的去复制 (dereplication),而且对现有研究方法中经常被忽略的自循环与成对节点提供标注。相关研究成果日前被发表于美国化学会 (ACS) 期刊 Analytical Chemistry。

图片

论文地址:
https://doi.org/10.1021/acs.analchem.3c04746
关注公众号,后台回复「天然药物」获取完整 PDF

IMN4NPD:集成多种计算工具,由光谱相似度驱动的分子网络

IMN4NPD 的核心工作原理是由光谱相似度驱动的分子网络。 它通过集成并协同 NPClassifier, molDiscovery 和 t-SNE 网络等多种计算工具,从而帮助研究人员快速识别特定类别的化合物,同时还能简化分子网络节点中的标注。

  • NPClassifier:一种基于深度神经网络的天然产物结构分类工具
  • molDiscovery:一种质谱数据库搜索方法

一般而言,IMN4NPD 的工作流程可分为 3 步:

第一步, 对原始 LC-MS 数据进行预处理,以生成分子网络或基于特征的分子网络。随后,基于深度神经网络的 NP 分类工具 SIRIUS,通过 NPClassifier 对复合类进行系统分类。

第二步, 该研究通过 GNPS (Global Natural Product Social Molecular Networking),进行了基于 MS/MS 光谱数据库的去复制实验,然后通过 molDiscovery 进行基于计算机数据库的去复制。

第三步, 研究人员利用 MS/MS 光谱特征的相似度生成 t-SNE 网络,并对每个节点的化合物进行化学分类,以精确定位、并去复制分布在自循环网络中的特定化合物类别。

图片
IMN4NPD 工作流程示意图

可用性评估:探索异喹啉类似物,在分子网络中迅速识别特定化合物簇

为了评估 IMN4NPD 工作流程的性能和优势,该研究重新分析了莲子心的乙醇提取物。莲子心是莲蓬中的胚芽部分,是一种富含双苄基异喹啉、单苄基异喹啉和阿朴啡等多种生物碱的中药植物,可用于治疗失眠、遗精、心率失调、高血压等症状。

基于实验性 MS/MS 光谱数据库,该研究最初对分子网络中的单个节点进行化学分类,从而在分子网络中迅速识别出特定的化合物簇,以探索新的异喹啉类似物。在查看了分子网络中每个特征映射的化学分类结果后,研究人员发现,很容易就能找到与异喹啉类似物相对应的某些化合物簇,同时,异喹啉类化合物主要分布在分子网络中的四个簇中。

图片

异喹啉类化合物分布图

该研究还发现,通过实验性 MS/MS 光谱数据库(如 GNPS 数据库)只能成功地去复制大型簇中数量有限的特征。因此,该研究采用了最先进的硅学片段算法 molDiscovery 进行结构数据库匹配。 这种基于实验和硅学 MS/MS 图谱数据库的去复制方法,增强了在分子网络中、尤其是在大型集群中,及时、方便地标注物质结构的能力。

以单苄基异喹啉生物碱中的集群 A 为例,该集群由 36 个节点组成,其中 MS 数据库只标注了 7 个节点,Structure 数据库标注了 35 个节点,MS 和 Structure 数据库同时标注了 8 个节点。值得注意的是,这其中有一个 m/z 344.1855 节点 (tR=7.6329) 被 MS 结构数据库完全标注,这表明候选结构为 3′-O-methyl-4′-methoxy-N-methylcoclaurine(如上图所示)。

通过进一步分析,该节点连续损失了 NH3CH3、CH3OH 和 H2O,随后发生了环裂解、α 裂解和 β 裂解,分别在 m/z 107.0496、137.0597、151.0757、175.0750、205.1098、235.0752、267.1017、299.1271 和 312.1590 处产生碎片离子。

经 Structure 数据库鉴定,m/z 448.1963(tR = 1.6287)的结点为 N-methylnorcoclaurine 7-O-glucoside。另一个 m/z 312.1593 (tR = 7.3621) 节点则显示了包含 1 个单苄基异喹啉在内的四个候选结构。与 m/z 344.1855 节点 (tR=7.6329) 相比,该节点在 m/z 190.0862 (C11H12NO2) 处存在碎片离子,表明这是一个亚甲基二氧基。

研究结果:基于深度神经网络,从 t-SNE 网络的角度对比三大研究算法

与 MolNetEnhancer 相比,IMN4NPD 采用基于深度神经网络的 NP 分类工具 NPClassifier,来单独分类分子网络中的每个特征, 而不是整个簇或分子家族。该研究使用了改进过的余弦相似度计算相似矩阵,并以此生成 t-SNE 网络。同时,该研究还通过 NPClassifier 基于每个节点的 MS/MS 光谱数据对其进行分类,并将这些分类映射到 t-SNE 网络中。

在传统的分子网络观点中,异喹啉一般由三个大簇 (簇 A-C) 和一个小簇 (簇 D) 共同组成。从 t-SNE 网络的角度来看,很明显,异喹啉的四个集群节点被紧密分组,形成了不同的集群区域。但值得注意的是,从 t-SNE 网络的角度来看,分子网络中的簇 A 可以进一步分为两个更小的簇。此外,t-SNE 可以有效定位异喹啉类节点,从而大大减轻了相关节点的结构解析工作。

图片

异喹啉在 t-SNE 图谱中的四个聚类区域

修正余弦相似度方法面对多种学修饰的化合物光谱存在局限性,该研究还选择了 Spec2Vec 和 MS2DeepScore 等相似度算法,并以此生成 t-SNE 网络。基于 Spec2Vec,异喹啉依然在分子网络中形成四大簇区。

但基于 MS2DeepScore,异喹啉的大簇 A 和 B 的节点间隔很近,形成了几个聚类区域,但大簇 C 中的节点分散在了整张图中,这为后续分析带来了挑战。

图片

多种光谱相似度算法生成的 t-SNE 图谱比较

一个有趣的现象是,m/z 296.1646节点 (tR = 11.54) 在修正余弦相似度和 MS2DeepScore 相似度的 t-SNE 图中,均远离异喹啉相关的节点聚类区域,但在基于 Spec2Vec 光谱相似度的 t-SNE 图中,该节点与大簇 A 的聚类区域相邻。这类自换节点可能代表了一类异喹啉化合物,在进一步比较后可确认该节点是阿朴啡类生物碱。

因此,化合物化学分类和 t-SNE 网络,可分别提供关于特征的不同信息,一定程度上减少了假阴性的出现。

此外,基于 Spec2Vec 光谱相似度的 t-SNE 网络,大簇 A 附近存在 m/z 298.1438 (tR = 7.02) 和 m/z 298.1438 (tR = 7.60) 两个节点,这两个节点是分子网络中的自换节点和对节点。尽管没有被归类为异喹啉化合物,但它们与异喹啉大簇 A 结构相似。进一步分析可知,m/z 298.1438 (tR = 7.02) 是一种已知的阿朴啡类生物碱——nornuciferidine,m/z 298.1438 (tR = 7.60) 也显示出与 nuciferine 和 nornuciferidine 相类似的阿朴啡类生物碱。

通过对以上三个节点的研究发现,它们都属于阿朴啡类生物碱,这与单苄基异喹啉类生物碱不同。在利用修正余弦相似度和 MS2DeepScore 相似度时,这三个节点远离单苄基异喹啉类生物碱相关节点的聚类区域大簇 A,但基于 Spec2Vec,这三个节点却可在大簇 A 附近被发现。

这种差异表明 Spec2Vec 光谱相似性在准确捕捉异喹啉类化合物相似结构方面的卓越能力。

人工智能在天然产物研究中的应用加速

近年来,受益于各种现代技术的迅猛发展,在天然生物活性分子的研究中涌现出了一大批基于 LC-MS/MS 和 NMR 技术,并集成生物信息学、代谢组学、计算机科学等多学科技术手段的新策略和新方法。尤其是,随着人工智能和机器学习算法开始融入天然产物研究工作,进一步为研究人员带来了新一轮的生产力革命。

最初,人工智能的应用集中在有机分子的数字化,以及使用降维技术绘制 NP 化学空间图。后来,研究者通过开发机器学习二元分类器来预测 NP 的生物功能。如今,神经网络架构开始被用于基因组挖掘和分子设计,深度学习算法在药物发现和分子信息学领域越来越受欢迎。

所以,我们可以看到,产学研各界近年来均加快了相关研究的步伐。2022 年,国家超级计算广州中心就联合中山大学、星药科技、美国麻省理工学院和佐治亚理工学院,基于「天河二号」的强大计算和存储能力,提出了一种深度学习驱动的生物逆合成路径导航工具 BioNavi-NP。

而在企业界,天然产物的研究也在不断加速。2023 年,天士力医药集团与华为云达成合作,双方将结合天然产物现代化研究数据等,共建中医药领域垂直大模型。

然而,天然产物数据库仍然是科研进程中的一大挑战。当前,全世界主流的天然产物数据存储库,包括生物合成基因簇的最小信息 (MIBiG)、天然产物图谱 (NP 图谱)、全球天然产物分子网络 (GNPS)、天然产品磁共振数据库 (NP-MRD) 等,但这些数据库的覆盖率较低,并且存在较为常见的数据错误问题,这些都阻碍了人工智能在天然产物药物发现方面的进展。

近年来,中国科学家屠呦呦、日本科学家大村智和爱尔兰科学家 William C. Campbell 等多位研究者因在天然产物全合成方面的成就获得了诺贝尔化学奖提名。毫无疑问,随着天然产物的重要性不断凸显,人工智能在天然产物研究方面的融合也即将按下加速键。

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

颜色分类leetcode-pyMolNetEnhancer:pyMolNet增强器

颜色分类leetcode pyMolNet增强器 pyMolNetEnhancer 是一个 Python 模块,它集成了通过该平台创建的质谱分子网络中的化学类别和子结构信息。 一个类似的 R 包可在 。 目录 安装 安装 pyMolNetEnhancer: pip install pyMolNetEnhancer 将 MS2LDA 子结构信息映射到质谱分子网络(经典) 为了将亚结构信息映射到质谱分子网络,您需要: 通过全球天然产物社会分子网络(GNPS)平台 使用从 GNPS 下载的 MGF 聚类光谱创建 LDA 实验: 然后一行一行地执行代码。 您唯一需要指定的是: 您的 GNPS 工作 ID 您的 MS2LDA 作业 ID注意:根据此文件的大小,可能会发生服务器连接超时。 或者,您可以在以下位置手动下载文件: 用于将 Mass2Motif 映射到网络prob 的用户定义参数:包含 Mass2Motif 的最小概率分数。 默认值为 0.01。 重叠:要包含的 Mass2Motif 的最小重叠分数。 默认值为 0.3。 重要提示:概率和重叠阈值可以在 ms2lda.org 应用程序中以

【亲测免费】 EnhanceNet: 图像超分辨率开源项目介绍

EnhanceNet: 图像超分辨率开源项目介绍 1. 项目基础介绍与主要编程语言 EnhanceNet是一个开源的图像超分辨率项目,基于深度学习技术实现高质量图像的放大。该项目由msmsajjadi在GitHub上维护,主要使用Python编程语言开发,结合了TensorFlow框架。EnhanceNet致力于通过自动纹理合成技术,将低分辨率图像转换成高分辨率版本,恢复图像细节。 2. 项目的核...

gitblog_00302的博客 592

Palantir的本体论建模跟数仓建模的异同

Palantir的Foundry Ontology通过构建组织的数字孪生体,将数据集和模型映射为对象类型、属性、链接和操作类型,形成完整的语义知识网络。与传统数仓建模相比,本体建模以业务问题为驱动,强调细粒度语义和实时决策能力,采用图语义技术实现灵活的映射关系。

轩哥的个人研究和成长记录 1602

图像增强——MIRNet网络测试(详细图文教程)

论文《Learning Enriched Features for Real Image Restoration and Enhancement》提出了一种方法来提升真实世界图像的修复与增强效果。该研究的重点在于解决实际图像修复过程中遇到的挑战,例如图像模糊、噪声、压缩伪影等问题,尤其是在面对复杂退化模式时。

qq_40280673的博客 2717

DaVinci Configurator实战:从DBC导入到通信栈配置全解析

本文详细解析了如何使用Vector DaVinci Configurator工具,从导入行业标准DBC文件开始,高效完成AutoSAR通信栈(包括COM、PduR、CanIf等模块)的自动化与精细化配置。文章通过实战步骤,重点阐述了DBC导入、与EB MCAL协同、核心模块参数调整及诊断标定服务集成等关键环节,旨在帮助汽车电子工程师快速掌握这一核心工具,提升开发效率与准确性。

weixin_29159127的博客 598

PDF.js实现分片加载问题

PDF.js实现分片加载问题。

qq_32822693的博客 4980

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 341

从传统扫描到SSN:Tessent数据包技术如何减少90%测试时间

本文深入探讨了Tessent流式扫描网络(SSN)如何通过其核心的数据包技术,彻底改变芯片测试范式。该技术将测试数据封装成标准化数据包,在共享总线上进行智能路由与分发,实现了动态带宽分配与核心独立测试,从而将复杂SoC(如AI芯片)的总体测试时间大幅削减90%,并显著提升测试灵活性与可扩展性。

meat5的博客 493

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 280

Codex登录要手机验证码?Cockpit Tools跳过验证保姆级教程

摘要:OpenAI升级风控后,Codex登录需手机验证,增加批量账号使用成本。CockpitTools(GitHub 8.3k star)可绕过验证,支持多AI编程平台账号管理。操作步骤:1) 获取ChatGPT网页Session数据;2) 通过转换工具生成CPA格式JSON;3) 导入工具启动Codex。注意:仅适用于未绑定手机号的账号,Session会过期,且需防范数据泄露风险。商业账号通常直接提供认证文件。(150字)

5893

JS+H5打字练习器

实现功能 1.导入.TXT文件到打字练习内容(部分浏览器可能出于安全问题限制了这一步操作) 2.输入文本到打字练习内(弹出输入框,将要练习的内容输入至输入框) 3. 开始练习,并根据正误在打字练习内容文本上修改颜色(某个字正确显示绿色,某个字错误,显示红色,某个字没有打显示灰色) 4.开始练习、结束练习,全部输入完成后自动结束练习,也可提前手动结束练习,结束练习后弹窗用显示时和正确率。(区别在于一个全部输入完成且全部正确,一个提前结束无其他条件) 效果图 分析 HTML 结构解析 根元素:<!DO

w11111xxxl的博客 1418

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 616

[VCS]VCS dump fsdb的精细化控制

本文介绍了VCS FSDB波形dump的精细化控制方法。主要内容包括:1)基本dump方式;2)通过$fsdbDumpoff排除特定层次;3)使用$fsdbDumpvars选择性dump指定模块;4)运行时动态控制dump开关;5)通过文件管理排除列表($fsdbDumpoffFile或自定义读取);6)层次控制策略(剪除整棵树或仅当前层)。这些方法可有效控制波形文件大小,提高仿真效率。

元直的博客 1036

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 209

基于 Simulink 的双向 DC/AC 逆变器中 IGBT/MOSFET 寄生参数影响分析实战教程

摘要:本教程详细解析了Simulink中IGBT/MOSFET寄生参数对双向DC/AC逆变器的影响。通过对比理想模型与含寄生参数(如20nH内部电感、50nH回路电感)的仿真,揭示了电压尖峰、高频振荡等实际问题。建模步骤包括搭建基准电路、引入寄生参数、配置高精度求解器(步长10ns),并给出抑制措施:添加RC缓冲电路、调整驱动电阻。关键发现:寄生参数会显著增加开关损耗和EMI噪声,需通过参数扫描优化设计。教程还提供了代数环报错、仿真速度优化等实战技巧,帮助工程师从理想仿真过渡到高保真分析。

xiaoheshang_123的博客 70

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 87

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 163

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 514

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 619

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

408

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 402

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5167

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 573
上一篇: 每周编辑精选|在线运行 Deepmoney 金融大模型、AI 偏好等多个优质数据集上线
下一篇: 老药新用,中南大学团队发布 AdaDR,基于自适应图卷积网络进行药物重定位
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值