- 博客(60)
- 收藏
- 关注
RSS订阅原创 第二周——酶工程学习进展
通过蛋白质片段-环境比对实现自我监督口袋预训练这个文章提出一个方法叫ProFSA 主要是用来解决 药物研发中，蛋白质和小分子结合数据太少的问题。主要通过从蛋白质切下一块片段当做假药物，构造了500万组假药物-蛋白质口袋的数据，训练出一个ai模型，去判断口袋能不能放得下药物，或者能不能结合的牢靠。就类似蛋白质口袋是 “钥匙孔”，小分子是 “钥匙”，只有形状、材质匹配的钥匙，才能插进钥匙孔并发挥作用。
2026-03-17 19:28:44
218
原创 论文学习——深度对比学习支持全基因组虚拟筛选
摘要 本文提出DrugCLIP，一种基于深度对比学习的虚拟筛选框架，显著提升全基因组药物发现效率。该方法通过将蛋白质口袋和小分子编码到统一特征空间，实现超快速匹配（速度达对接的1000万倍），并在DUD-E和LIT-PCBA基准测试中优于传统方法。实验验证中，DrugCLIP对去甲肾上腺素转运蛋白和甲状腺激素受体相互作用体12号分别实现15%和17.5%的命中率。研究还发布了GenomeScreenDB数据库，涵盖1万种人类蛋白质与5亿化合物的预筛选结果，为后AlphaFold时代的药物发现提供新范式。技术
2026-03-12 21:58:01
429
原创 论文学习——通过蛋白质片段-环境比对实现自我监督口袋预训练
本文提出ProFSA方法，通过蛋白质片段-环境比对解决药物研发中蛋白质-配体数据稀缺问题。该方法从蛋白质结构中切割1-8个氨基酸片段作为伪配体，构建超过500万组伪配体-口袋配对数据，并通过对比学习训练口袋编码器与预训练分子编码器对齐。实验表明，ProFSA在口袋可药性预测、匹配和配体亲和力预测等任务中达到先进水平，为利用丰富蛋白质结构数据开辟新途径。代码和数据已开源。
2026-03-12 21:21:35
466
原创 论文学习——主动学习辅助定向进化
本文提出了一种主动学习辅助定向进化（ALDE）方法，用于优化具有上位效应的蛋白质工程问题。ALDE结合机器学习模型和定向进化技术，通过迭代训练模型预测序列适应度，并利用不确定性量化指导实验设计。研究将ALDE应用于原血红蛋白活性位点的五个上位突变优化，仅经过三轮实验就将目标反应产率从12%提升至93%。计算模拟表明ALDE比传统定向进化方法更高效。该方法特别适用于存在负上位效应的蛋白质优化场景，为解决复杂蛋白质工程问题提供了新思路。研究还分析了不同机器学习模型在蛋白质适应度预测中的表现，为相关领域提供了实用
2026-01-25 16:56:40
687
原创 论文学习——人类抗体从通用蛋白质语言模型的高效进化
本文提出了一种基于通用蛋白质语言模型（PLM）的高效抗体进化方法。研究者利用ESM-1b和ESM-1v等6个预训练PLM，通过共识筛选机制从野生型抗体序列中推荐进化合理的单点突变（仅需提供序列，无需结构或抗原信息）。该方法在两轮实验验证中（首轮筛选单突变，次轮组合优质突变）成功提升了7种抗体的结合亲和力：4种临床抗体提升达7倍，3种未成熟抗体提升达160倍。实验显示该方法具有快速（仅需筛选20个左右变异体）、通用（适用于不同蛋白家族）等优势，且多数设计保持了良好的热稳定性和中和活性。研究证实PLM能有效捕捉
2026-01-25 15:05:51
625
原创 论文学习——机器学习引导的蛋白质工程
机器学习在蛋白质工程中的应用与挑战 近年来，机器学习（ML）在蛋白质工程领域取得了显著进展，为生物催化剂的设计和优化提供了新方法。本文综述了ML在蛋白质功能注释、突变效应预测和蛋白质设计等方面的应用，并探讨了当前面临的挑战。 ML方法能够利用实验和模拟数据预测蛋白质结构与功能、稳定性、溶解度等性质。监督学习用于预测突变对蛋白质特性的影响，而无监督学习则从序列数据中挖掘进化信息。蛋白质语言模型（如ESM）和基于结构的表示方法（如图神经网络）展现了强大的预测能力。然而，该领域仍存在数据质量、模型可解释性和计算效
2026-01-24 15:01:08
790
原创 论文学习——酶动力学参数预测的机器学习模型研究进展
摘要：本文综述了机器学习在酶动力学参数预测中的研究进展，重点讨论了kcat、Km、kcat/Km和Ki等关键参数的预测方法。传统实验测定方法成本高、耗时长，而机器学习模型通过整合酶序列、结构和底物信息，显著提高了预测效率。现有模型可分为全局模型（适用于多种酶类）和局部模型（针对特定酶家族），但仍面临数据稀缺、泛化能力不足等挑战。研究提出了结合高通量数据生成、半监督学习和物理约束等改进方向。这些模型已成功应用于突变效应预测、酶工程挖掘和代谢模型构建等领域，为酶功能研究和工业应用提供了新思路。
2026-01-22 16:51:51
1305
原创 论文学习——DpEA：动态约束多目标优化的双种群进化算法
摘要：本文提出了一种用于动态约束多目标优化问题(DCMOPs)的双种群进化算法DpEA。针对现有方法忽视静态优化器搜索能力的问题，该算法通过维护两个种群（无约束种群UP和约束种群CP）分别进行探索与开发。UP采用分层变异策略(SMS)和支配解修复策略(DSR)增强探索能力，同时通过自适应子代比例调整策略平衡种群搜索强度。实验表明，该算法能有效追踪动态环境下的Pareto前沿，在约束与动态特性并存的问题中表现出优越性能。（149字）
2025-07-11 15:04:51
832
原创 论文学习——基于双种群进化的不连续和不规则可行域动态约束多目标优化
动态约束多目标优化问题包括不规则和不连续的可行域、分割的真实Pareto前沿和动态环境。针对这些问题，我们设计了一种基于双种群进化的动态约束多目标优化算法。该算法根据解的可行性分为P1和P2两个种群。它利用不可行解中的有价值信息，驱动种群向可行域和真实的Pareto前沿移动。（比较普遍）同时，我们提出了一种交配选择算子，以促进种群之间的信息交换，并产生有希望的后代解决方案。为了应对环境变化，我们设计了一种策略，将通过采样-选择-重采样方法。
2025-06-18 15:43:12
913
原创 论文学习——动态约束多目标优化的历史辅助两状态辅助任务协作方法
来想一下这篇文章主要内容为什么提出他的算法：1辅助任务是解决约束问题的方案之一，DCMOPs由于其环境变化的原因可以从历史信息中预测出CDF的位置，所以使用辅助任务策略2.因为有约束的存在DMOPs中的环境相似度识别方法变得不有效了所以提出了新的环境相似度识别方法。HATC算法主要过程在动态响应环节，使用基于预测的方法预测出POPt 随机分为两个种群和CFPt 并通过CFPt找到与之最相似的历史环境。在静态优化中针对POP1，POP2，为考虑约束和不考虑约束的种群。
2025-02-23 13:28:57
1326
3
原创 寒假组会报告3
问题3:当环境变化频率降低时，首次环境能够接近于收敛到pareto前沿，但是在环境变化以后，环境响应并不能很好的应对环境的变化。同时在无约束的动态问题上也没有很好的表现。问题1:文章中写到分别从POP1，POP2，POP3产生不同数量的后代，但是后代产生的方法没有描述，在这里我才用NSGAII中的交叉变异算法产生后代。它不仅加快了静态优化中最优区域的搜索速度，而且为动态优化提供了额外的有用历史信息。，只专注于优化目标函数，旨在协助第一个种群找到更好的可行域。，辅助第1种群更全面地探索可行区域。
2025-02-10 10:20:28
393
3
原创 论文学习——动态演化多目标优化中时变约束和目标的处理
提出一种新的自适应惩罚函数和行的可行性驱动策略，嵌入NSGA-II中。。可行性驱动策略能够根据环境的变化引导搜索向新的可行方向进行。
2025-01-07 14:49:41
926
原创 动态约束多目标相关组会
可能接近新的POF，提出每个修改后的解应该包含这些吸引解的信息。对于第i个保留的前一个解，利用式( 19 )为其每个变量定位一个新的位置。DCP1函数整体上来看比DCF在可行域上进行了更多的限制，并且有更多的变化种类，但是整体上也都是2目标。种群选择时，优先选择可行解，如果可行解数量不够 就使用归一化的约束值进行筛选出足够数量的不可行解。现在感觉不知道怎么展示不可行区域，只能在结尾的最后展示这个可行的pareto前沿和结果。对于以前的解，需要全部重新评估，并修正目标函数的值，再通过非支配排序选择出解。
2025-01-05 13:44:16
370
原创 论文学习——动态约束多目标优化问题的一种新的进化算法
提出了一个未命名的DCMOPs问题设计了一个具有非支配解选择算子、配对选择策略、种群选择算子、变化监测办法和变化响应策略的动态约束多目标优化算法交配选择策略和种群选择算子能够自适应地处理不可行解。如果检测到变化，所提出的变化响应策略结合随机生成的解重用部分旧解来重新初始化种群，并设计了一种稳态更新方法来改进保留的先前解。
2025-01-04 15:45:56
1376
原创 动态约束多目标优化DCF和DCNSGA-II
写的代码在运行过程中一直都没有违反约束 需要再看看代码。使用DNSGA-II和DCNSGA-II结果没多大区别。代码在整体上采用了DNSGA-II的框架。增加了一个自适应惩罚函数来适应约束的变化。
2024-12-29 14:20:48
736
3
原创 论文学习——多种变化环境下基于多种群进化的动态约束多目标优化
2022年出的一篇文章和上次看的swarm的那边协同进化的分类有点像，将种群划分为可行，不可行分为非支配不可行和支配不可行。动态约束多目标优化涉及真实Pareto最优前沿分布的不规则变化，约束引起的可行域的剧烈变化，以及由于不同变化环境导致的最优距离变量的移动方向和大小。提出了一种基于多种群进化的动态约束多目标优化算法。在该算法中，我们设计了一个部落分类算子，根据可行性检验和目标值将种群划分为不同的部落，这有利于驱动种群向可行域和帕累托最优前沿移动。同时，提出一种种群选择策略。
2024-12-12 20:08:00
1025
原创 论文学习——进化动态约束多目标优化：测试集和算法
以往的测试集没有充分考虑真实世界场景的一些特性，如可行域的大小、位置和形状的时变性，可控的变化剧烈程度，以及较小的可行域。针对这些问题，提出了一种具有两阶段多样性补偿策略的动态约束多目标进化算法( DCMOEA )。在第一阶段随机产生一些初始个体来代替历史个体，提高了全局多样性。在第二阶段，计算过去两个环境中Pareto解集中心点之间的增量，并将其用于自适应扰动解，形成对新环境具有良好多样性的初始种群。
2024-11-28 21:05:22
1485
原创 论文学习——基于协同进化和多样性增强的动态约束多目标优化算法
很牛逼的工作量 湘潭大学确实牛逼。提出的算法非常简单暴力有效提出了一种基于协同进化和多样性增强的动态约束多目标优化算法（CEDE），针对静态优化和动态响应部分进行了改进。另外使用存档集来存储和更新不可行解。针对种群多样性提出了多样性维护策略和基于中心点的探索策略。
2024-11-20 14:44:08
1223
原创 论文学习——一种基于决策变量分类的动态约束多目标进化算法
挺牛逼的想法尽管适当利用决策变量的特征可以促进算法在动态环境中更好地跟踪帕累托最优值，但它们对约束的敏感性被忽视了。因此，提出了一种基于决策变量分类的动态约束多目标进化算法 （DC-MOEA-DVC）。在每种环境中，决策变量根据其对收敛性、分布和约束违例的影响分为四种类型。基于它们，开发了一种新的后代生成方法，将不同特征的决策变量合理组合以产生后代，以加速种群的收敛。一旦环境变化出现，就会为相应类型的决策变量引入由四种变化响应技术组成的混合策略，从而产生新的初始群体。
2024-11-14 20:50:03
1542
1
原创 论文学习——基于自适应选择的动态多目标进化优化有效响应策略
基于预测的算法是求解 DMOP 的最常见方法。然而，单一的复杂预测因子并不总是适合提取不同DMOPs的变化模式，更不用说具有不可预测变化的DMOPs了。为了克服这些局限性，该文提出了一种简单而有效的算法，即基于自适应选择的响应策略（RSAS）。当发生变化时，RSAS通过不同的建议策略提供多样化的解决方案，即中心引导的自校正预测、基于个体的预测和精确可控的突变。根据他们生成的解集的质量，自适应选择机制可以调整这三种策略的选择概率。
2024-07-17 15:27:52
1599
4
原创 论文学习——基于世代和环境响应策略的动态多目标优化框架
基于中心点的预测+一部分记忆最优解+随机产生并且在静态环境中也使用中心点预测预测出下一代的个体 优化使用RM-MEDA由于动态多目标优化问题( Dynamic Multiobjective Optimization Problems，DMOPs )的动态性和不确定性，算法很难在下一次环境变化之前找到满意解集，特别是对于一些复杂环境。一个原因可能是环境静态阶段的信息在传统框架中不能得到很好的利用。
2024-07-17 14:20:38
1217
原创 论文学习——基于双重变异的动态多目标优化进化算法，具有不可检测的变化
每次环境变化时,根据非支配解的数量选择出需要变异的解的数量,如果解是支配的则采用多项式变异,如果解是非支配的则采用高斯变异.目前关于动态多目标优化问题( DMOPs )的研究大多假设环境变化是可检测的然而，在实际应用中经常会遇到不可检测的变化，这对现有的方法提出了严峻的挑战。由于无法检测到的变化会导致变化检测技术失效，从而使大多数算法难以适应环境变化。因此，为了有效地处理不可检测变化的DMOPs，本文提出了一种基于双变异的动态多目标进化算法( DMDMOEA )。
2024-07-10 14:03:26
1209
原创 论文学习——动态多目标优化的一种新的分位数引导的对偶预测策略
这篇的NQDPEA和前几天看的RMDIF算法两个几乎是相似的,RMDIF发表于2024年修改了一下分位点以后的预测策略,和最后的预测个体自适应选择功能在NQDPEA中，种群的进化由分位数引导，即通过历史分位数信息来预测新环境中分位数的位置。然后，根据新分位数的位置扩展一个新的解集。此外，它的预测策略不仅在决策空间中通过分位数预测Pareto最优集( PS )，而且在目标空间中通过分位数预测PF，然后映射回决策空间。通过自适应组合策略，每个预测策略产生的新解的比例自适应变化。
2024-07-05 16:00:29
881
原创 论文学习——基于小生境预测策略的动态多目标进化算法
通过小生境思想把种群分成3份,每一份独立进行中心点预测,并在区域内随机生成一些种群保持多样性,简单有效在众多动态多目标优化算法的策略中,基于预测的响应机制是一种常用的应对环境变化的方法，通常被称为基于中心点的预测。但是，如果中心点的预测方向不准确，则预测的人口数量会偏向一侧。在本文中，我们提出了一种基于中心和边界点的小生境预测策略( PCPB )来解决动态多目标优化问题检测到环境变化后，第一步进行生态位划分，将PS中的不同个体划分为不同的生态位种群。第二步是独立预测不同的小生境。
2024-07-05 13:45:00
1046
原创 论文学习——基于类型检测的动态自适应多目标优化算法
本文提出了一种自适应动态多目标进化类型检测算法( TDA-DMOEA )。首先，设计动态检测算子，识别动态问题的类型。采用Wilcoxon符号秩检验和超体积( Hyper Volume，HV )分别检测两个相邻环境下POS和POF的差异。针对DMOP的不同变化类型，设计了不同的响应策略。特别地，当面临POS和POF同时变化时，提出了一种基于闭核函数的多角度迁移学习方法( MA-TL )。
2024-07-04 20:11:16
1404
原创 论文学习——基于区域多向信息融合的动态多目标优化引导预测策略
找到非支配解的25%,50%,75%,分成3个子区域得到他们的边界点,每一个子区域通过边界点和中心点来综合预测下个区域的个体然后采用NQDPEA的逆线性模型从目标空间预测个体提出的多阶段自适应性调整策略,根据非支配解的个体动态调整 从目标空间映射的解和决策空间预测解的比例区域划分对于求解动态多目标优化问题 （DMOP） 非常有效。但是，大多数区域划分方法仅使用特定的单个信息来预测每个区域内的方向。当个体分布不规则时，它们的效率会降低，并且使用多种方法来获取高质量区域会产生高昂的计算成本。
2024-07-04 15:41:07
1575
7
原创 论文学习——使用基于多项式拟合的预测算法求解动态多目标问题
静态RM-MEDA动态发生时,基于中心点预测步长为0.3和1,根据前两个时刻的种群曲线移动方向预测出新时刻的种群曲线并在周围生成个体,PBDMO的随机采样提出一种基于多项式拟合的预测算法（PFPA），并将其纳入基于模型的多目标分布估计算法（RM-MEDA）中，用于求解动态多目标优化问题。首先，利用过去环境中获得的非支配解，基于多步运动策略预测高质量解;其次，设计了一种基于多项式拟合的策略，根据得到的搜索总体拟合变量的分布，并捕获了新搜索环境下变量之间的关系;
2024-07-02 17:36:14
942
原创 论文学习——一种自适应提升的动态多目标优化进化算法
很新奇的静态优化方法选择策略,在第一次静态优化时,分3个种群试验他的性能来选择合适的静态优化器,具体效果可能还是需要写出来再看看.环境变化以后如果非支配占总体少于70%就采用移动支配解向非支配解靠近并进行交叉变异正常环境响应就是随机把种群分成3分分别采用1.中心点预测(+一点高斯扰动)和2.使用记忆方法判断环境的相似程度以后采用预测方法3.使用遗传算子、多项式突变和高斯突变来保证种群的多样性.再根据静态优化时个体移动的距离来更新3个方法的使用的权重.很牛逼的创新点,因为方法都不难,为什么我脑袋空空.
2024-06-29 15:39:50
2496
原创 第四周组会——动态多目标优化算法
在许多实际的和基准的DMOPs中，变化不仅可能发生在决策空间，也可能发生在目标空间或决策和目标空间都发生的情况。先阶段仅可能无法处理具有其他动态特征的DMOPs对目标空间中POF的影响。作者提出的想法：动态检测时只采用5%的个体进行检测。
2024-03-17 20:38:53
1137
1
原创 论文学习——动态多目标优化的多视图预测进化搜索
在许多实际的和基准的DMOPs中，变化不仅可能发生在决策空间，也可能发生在目标空间或决策和目标空间都发生的情况。仅从决策空间角度进行预测的DMOEAs可能无法处理具有其他动态特征的DMOPs对目标空间中POF的影响。还有一些少的算法虽然考虑到了在目标空间中进行预测但也忽略了在决策空间里的变化。
2024-03-13 13:56:27
1294
原创 论文学习——基于枢轴点预测和多样性策略混合的动态多目标优化
挺简单明了又高效的算法三个部分双重预测+多种群:预测一:在目标空间根据找到每个目标轴的极值点作为参考点然后找到枢轴线不断扩充点,在环境变化时,根据前时刻的情况对下一个时刻的枢轴点进行预测预测二:根据种群前两个时刻的中心点进行预测,在监测到环境变化不相似时,中心点的移动长度乘一个随机数L.(好像文章中没有讲到怎么判断环境变化是否相似)多种群:根据前面时刻的种群确定每个决策变量的最大值最小值在进行随机产生解,相比直接产生随机解增加了一点点收敛性(如果ps值的的变化趋势时变大的情况这个策略可靠吗?).
2024-03-13 13:56:12
1362
原创 第三周组会——动态多目标优化算法
DF4 pf:DF5测试函数PFDF6遇到的问题,在算法问题的参数taut(变化频率)默认是10数字变小时就算是9,算法会跟不上收敛。
2024-03-10 16:59:53
2186
1
原创 论文学习——基于注意力预测策略的动态多目标优化合作差分进化论
DE算法使用一个种群通过多代来寻找最优解。记种群规模为S，优化函数为f ( X )。种群中的每个个体i都有一个位置Xi = [ Xi , 1 , ... , Xi , d , ... , Xi , D]，其中d为维度指标，D为决策空间的维度。每一代每个个体执行变异和交叉算子来更新自己。
2024-03-10 15:49:01
1158
原创 论文学习——基于距离的随机变化动态多目标优化的马氏诺比斯方法
马氏距离（MD）是从欧几里得距离扩展而来的，可以有效地处理不同维度或变量之间的非独立和相同分布问题，并考虑样本集的所有变量特征,MD可以检测来自不同进化环境的样本集之间的相似性.看了一半看不太懂,就是用这个MD对i-t时刻进行环境评估,如果相同的话就不保存当前的信息?我基础太差了看这个有点吃力。
2024-03-09 15:28:08
672
原创 论文学习——一种新的具有分层响应系统的动态多目标优化算法
Introduction 写的挺好的.提出了一个CD参数代表环境变化程度,如果环境变化不低于最小值就简单的从之前的非支配解中进行优化为下一代.如果环境变化在设置的阈值之间就使用TL模型对PT-1的种群进行知识迁移.如果环境变化超过了阈值的最大值就保留一定的上一时刻的非支配借,并对种群进行初始化.
2024-03-09 14:11:08
1275
原创 动态多目标优化算法基准测试问题JY
在学习动态多目标优化算法的过程中,发现platemo上关于DMOPs的相关测试基准问题就只有一个FDA,而FDA问题当中的pareto前沿的变化都是同形状的迁移,基于此看了此文章基准测试问题为(JY)JY基准测试函数.
2024-02-15 22:50:39
2688
2
原创 多目标优化算法中的性能指标
多目标优化问题一般有D个决策变量,N个目标函数,所以他会有两个空间,一个是决策变量空间(D维度,代表决策变量的分布情况),一个是目标空间(N维度,表示每个目标值的分布情况,pareto前沿就在这上面)
2024-02-02 09:39:26
4792
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人