- 博客(437)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 scTenifoldKnk Python实现 - 使用指南
这是scTenifoldKnk的Python实现版本，用于单细胞数据的虚拟基因敲除分析。更丰富的可视化（包括UMAP、热图、网络图等）更快的计算速度与Python单细胞生态系统(scanpy)的无缝集成更灵活的自定义分析选项# 加载数据# 过滤肿瘤样本# 初始化分析# 预处理# 运行虚拟敲除# 生成可视化# 保存结果# 自定义颜色和样式# 调整UMAP参数vko.compute_umap() # 使用默认参数# 或者手动调整。
2025-12-23 14:38:30
383
原创 macOS（Sequoia 15.x）+ MacTeX 2025 + TeXShop + 期刊模板-python+macOS版本
..在里面写摘要（英文期刊写英文）。
2025-12-23 14:33:07
333
原创 基于Python的单细胞虚拟基因敲除分析及高级可视化：从数据预处理到UMAP分析
本研究提出了一种基于Python的单细胞虚拟基因敲除分析方法，结合了虚拟基因敲除（Virtual Knockout, VKO）技术、差异表达分析、网络分析和UMAP降维，可有效评估目标基因敲除对细胞基因调控网络的影响。该方法主要包括数据预处理、虚拟敲除分析、差异基因分析以及多种高级可视化（如柱状图、火山图、饼图、UMAP图、热图和基因网络图）的生成。
2025-12-23 14:14:45
646
原创 AIDD-人工智能药物设计-AI虚拟基因敲除分析
本研究通过构建并应用“终极版虚拟基因敲除”分析方法，结合高效的算法和可视化工具，全面评估目标基因敲除对基因表达调控网络、细胞通讯及其生物学效应的影响。该方法集成了多种先进的分析技术，包括张量分解、多尺度网络分析、图拉普拉斯正则化、动态扰动模拟等，旨在全面挖掘细胞在基因敲除前后的变化，并提供多个维度的可视化结果。数据预处理是分析过程的基础步骤。首先，使用 对单细胞RNA-seq数据进行质量控制（QC），并过滤掉基因数少于1000的细胞。随后，通过归一化处理，使得每个细胞的总表达量为固定值（1e4），并对数据
2025-12-23 13:56:27
607
原创 AIDD-人工智能药物设计-单细胞分析火山图（jjVolcano）和基因聚类富集热图的
火山图部分和：差异表达基因的火山图。：差异基因的详细数据。：火山图的统计摘要，包含每个细胞类型的总基因数、上调基因、下调基因数量等信息。基因聚类热图部分：完整的基因聚类富集热图。：简版聚类热图。：基因聚类结果。：基因表达矩阵。：GO富集分析结果。：显著差异基因汇总。
2025-12-23 13:55:02
617
原创 AIDD-人工智能药物设计-AI 药物重定位：GraphRAG 让黑箱模型说人话
在药物研发领域，我们总是在信息的海洋里捞针。数据很多，从基因到疾病再到化合物，关系错综复杂。药物重定位（Drug Repurposing），也就是老药新用，是条捷径，但挑战在于如何高效地发现药物和新适应症之间的潜在联系。传统的计算方法常常像个黑箱，给你一个「可能有效」的答案，但你问它为什么，它就沉默了。这对于需要严谨验证的科学家来说，是完全不够的。这项研究拿出的方案，就像是给这个黑箱装上了一个透明的观察窗。它的工作原理是这样的：第一步，打好地基。研究者使用了药物重定位知识图谱（DRKG），这个图谱就像一张巨
2025-12-19 12:23:08
696
原创 AIDD-人工智能药物设计- AI 预测分子毒性：不仅更准，还能看懂
 实验的专用数据集，并对其进行严格清洗和分割，确保训练集和测试集之间没有重叠。这样训练出的模型，才真正具备对未知蛋白质的泛化能力。
2025-12-14 11:03:49
244
原创 AIDD-人工智能药物设计-扩散模型热力学：从 AI 提取物理能量
扩散模型的核心是加噪与去噪。这对业界的启示是，要实现精准医疗，特别是针对耐药突变的药物设计，不能仅依赖大语言模型（Large Language Model, LLM）处理序列。他们从文献和数据库中挖掘了过去被忽略的细节：氨基酸的替换、插入、缺失，以及关键的磷酸化修饰，最终整理出 4032 对新的激酶 - 配体数据。GeneGPT 曾展示了大语言模型（LLM）在生物医药领域的潜力，而 OpenBioLLM 提出了不同于 GeneGPT 单体（Monolithic）架构的方案：组建由「专家」构成的团队。
2025-12-14 11:01:10
1229
原创 AIDD-人工智能药物设计-StoL：像搭乐高一样用扩散模型构建大分子 3D 构象
主流的 k-mer 或字节对编码（BPE）难以应对基因组极不均匀的信息密度：高密度编码区哪怕一个碱基的变动都至关重要，而大段重复序列则包含极低信息量。但在药物化学家眼中，苯环上的碳（sp2 杂化）与连着四个单键的碳（sp3 杂化）天壤之别：它们的空间占据、电子云分布及反应活性截然不同。在数据丰富靶点上学到的规律，可辅助预测数据稀缺靶点，这对仅有少量活性数据的孤儿受体极具实用价值。但这依然是计算化学领域的一次巧妙尝试，它展示了解决复杂问题的有效路径：将其拆解为我们已经能解决的简单问题。
2025-12-03 10:41:01
448
原创 AIDD-人工智能药物设计-QSAR 数据清洗利器：MEHC-Curation 开源框架
SHAP 分析表明，模型捕捉到了强碱性残基隔离（sequestering）质子的现象，预测碎片强度分布随之偏移，并区分了电荷导向（charge-directed）和电荷远程（charge-remote）碎裂途径的细微差别。GRASP 的做法是，在提问时，给这个专家递上一张高度定制化的「小抄」，也就是「适应性软提示 (adaptive soft prompt)」。因此，GRASP 不仅能预测未知关系，还能审视和修正现有知识库，成为一个科学发现的引擎，帮助我们从海量数据中找到新的生物学联系。
2025-12-03 10:38:37
480
原创 在 GitHub 上生成和配置个人访问令牌（PAT），并将其用于 R 环境中的凭证管理和包安装。
通过生成 GitHub 的个人访问令牌（PAT）并配置到 R 环境中，你能够在 R 中安全地使用 GitHub 凭证进行包安装、推送和拉取操作。生成 GitHub PAT。使用gitcreds包将 PAT 配置到 R 中。使用remotes包进行 GitHub 包安装。如果按照这些步骤操作，应该能够避免遇到 401 错误并顺利安装所需的 GitHub 包。
2025-12-02 16:45:58
827
原创 AIDD-人工智能药物设计-Peptide2Mol：AI 直接生成模拟多肽的小分子，用于靶向蛋白质结合
这说明，要让模型理解气味，仅有通用的化学知识是不够的，还需要针对嗅觉进行专门训练。研究者还发现，通过「局部精修」策略（部分掩蔽的自回归步骤）优化生成结果后，这些分子在对接打分和结构合理性评估（如 PoseBusters 测试）上的表现得到提升，证明模型能够进行精细的结构优化。这三个模型通过一个「形状 - 框架匹配网络」 (Shape-Frame Matching Network) 紧密协作，确保从表面信息到骨架结构，再到氨基酸序列的每一步都相互对齐兼容，保证最终生成的蛋白质分子在几何与化学上高度自洽。
2025-11-27 09:13:23
374
原创 AIDD-人工智能药物设计-ChemOrch：用合成数据训练大模型的化学能力
但分值最高的分子，结构可能高度相似。只要输入稀有骨架，模型就能保持核心结构不变，为其「装饰」上各种合理的侧链，生成一批拥有该骨架的全新分子。这样，SCM 既保留了 GNN 捕捉到的局部互动信息，又维持了分子的整体结构，避免了关键特征被「磨平」。对于药物研发领域的化学家，解析未知化合物，特别是复杂天然产物的结构，是一项精细的挑战。同时，它在处理真实的实验核磁数据时也表现出良好的「零样本泛化」（zero-shot generalization）能力，即无需预先学习特定分子的实验数据，即可做出可靠预测。
2025-11-27 09:11:05
350
原创 AIDD-人工智能药物设计-SIGMADOCK：用片段扩散模型革新分子对接
理论上，只要在这张地图上找到「宝藏」的位置，再解码回具体的肽序列，就完成了分子设计。在经典的 BioSNAP DTI 测试中，当面对训练中未见过的蛋白质时，BioCG 的 AUC 指标达到 89.31%，比之前的最优方法高出 14.3%。结合 PCA 这类经典统计工具对 AI 生成的表征空间进行预处理，并利用基本的化学知识（如物理化学性质），可以用更少的实验数据高效解决问题。但这个方法要求路面是连续平滑的「山坡」，而由离散碱基组成的 mRNA 序列则像一级级的「台阶」，无法直接计算梯度。
2025-11-27 09:08:11
474
原创 AIDD-人工智能药物设计-AI 智能体 IMMUNIA：发掘免疫治疗新靶点
为精确模拟 DNA 双螺旋中 GC/AT 碱基对的质子转移，研究者在一个基础模型上，仅增加 2300 个 MP2 级别的计算数据点，就将关键能垒的精度提升到昂贵的 CCSD(T) 级别。论文强调，不存在「一招鲜」的模型。一篇预印本论文介绍了一种名为 IMMUNIA 的新方法，它组织多个不同的大语言模型协同工作，像一个专家委员会，专门寻找新的免疫治疗靶点。他们使用 AlphaFold3 这类能精准预测蛋白质结构的 AI，在蛋白质的关键位置引入盐桥和金属配位等化学键，增加了分子内部的连接点，提升了整体稳定性。
2025-11-24 10:32:17
57
原创 AIDD-人工智能药物设计-eptide2Mol：AI 直接生成模拟多肽的小分子，用于靶向蛋白质结合
这说明，要让模型理解气味，仅有通用的化学知识是不够的，还需要针对嗅觉进行专门训练。研究者还发现，通过「局部精修」策略（部分掩蔽的自回归步骤）优化生成结果后，这些分子在对接打分和结构合理性评估（如 PoseBusters 测试）上的表现得到提升，证明模型能够进行精细的结构优化。这三个模型通过一个「形状 - 框架匹配网络」 (Shape-Frame Matching Network) 紧密协作，确保从表面信息到骨架结构，再到氨基酸序列的每一步都相互对齐兼容，保证最终生成的蛋白质分子在几何与化学上高度自洽。
2025-11-24 10:30:43
240
原创 为什么 Jupyter 修改了 Python 文件后不生效？——你必须知道的 Restart / Reload 机制
改了 20 行代码运行依然是旧结果以为自己没保存以为路径不对以为 import 什么地方错了花 30 分钟 debug……从此世界清静了。问题原因解决方式修改模块后 Notebook 不生效Notebook 缓存了旧版本Restart kernel（最推荐）想不重启就更新模块手动 reload输出仍旧是中文Notebook 仍在运行旧版本模块查看路径 + Restart。
2025-11-24 10:27:57
930
原创 安装tensorflow出错
确保你的网络连接稳定。如果你的网络速度较慢或者不稳定，可能会导致文件下载超时。尝试使用一个更快或者更稳定的网络连接。你可以手动下载 TensorFlow 的。源可能会受限，可以切换到国内的镜像源来加速下载。**，通常发生在网络连接不稳定或者下载速度慢的情况下。如果以上方法不行，你也可以尝试重新安装所有依赖项，特别是在虚拟环境中安装。这将把超时时间设置为120秒，给下载更多时间。如果你在下载文件时遇到断网问题，使用。下载文件时发生的，导致连接超时。，通过更快速的国内镜像进行下载。下载时的超时时间，使用。
2025-11-18 12:58:52
244
原创 AIDD-人工智能药物设计-DeepVul：用 Transformer 预测药物反应
它在分子特性分布的 KL 散度（Kullback-Leibler divergence）上，比 DiGress 低近一半，比 JTVAE 低九成以上，表明其生成的分子特性更接近真实分子。专家评估发现，它生成的无环或脂肪族分子与真实分子的分布几乎没有区别，证明了模型探索不同化学结构空间的能力。例如，如果细胞系 A 的基因表达谱，与敲除基因 X 后的细胞系 B 相似，模型就会推断基因 X 可能是细胞系 A 的「阿喀琉斯之踵」。两者结合，让模型既能看到「树木」，也能看到「森林」，对药物分子的理解更加立体。
2025-11-10 13:23:29
645
原创 AIDD-人工智能药物设计-AI 生成双靶点分子，还保证能合成
最终，算法会提供一组位于「帕累托前沿」的分子，它们代表了不同目标间的最佳权衡（trade-off），供研发团队选择。因此，CombiMOTS 拼接出的每个分子，其合成路线从设计之初就基本明确，连接了计算设计与实验室合成，避免了「纸上谈兵」的困境。这证明，蛋白质能否结合细胞膜，主要取决于其表面形状是否匹配，就像钥匙的形状必须先对上锁孔，材质是次要的。这项工作针对计算药物化学的核心难题——溶剂化效应，结合了精确的物理模型（AMOEBA）和高效的采样算法（Lambda-ABF-OPES），提供了一个可靠的工具。
2025-11-10 13:22:37
674
原创 AIDD-人工智能药物设计-M-GLC: 用化学基元破解少样本预测难题
它将抗体 - 抗原复合物视为一个由氨基酸（节点）和相互作用（弹簧）组成的弹性网络模型（Elastic Network Models），再用一个卷积神经网络（Convolutional Neural Network, CNN）学习该网络的动态特性，理解复合物结合时的动态变化。化学家看到新分子时，会将其拆解成熟悉的片段（基元，motifs），并根据这些片段的已知性质来推断整个分子的性质。该工具开源，每个模块都封装在独立的 Conda 环境中，保证了研究结果的可复现性，为探索微生物肽库提供了新的可能。
2025-11-10 13:20:46
724
原创 TriDS：AI 原生分子对接，统一高效
这种目标导向的搜索方式，大幅提升了构象采样的效率。传统的分子对接（Molecular Docking）流程繁琐，需要分步进行：先用一个程序预测蛋白上的结合口袋，再用另一个程序尝试放入小分子的各种构象（构象采样），最后可能还要换个打分函数重新评估最佳构象。在这一任务上的显著进步，说明 MuMo 的融合策略抓住了关键，让模型对分子结构的理解更深刻、更鲁棒。如果缺少目标蛋白与配体的复合物结构，但拥有该蛋白与类似配体的结构，或同源蛋白的结构，Pearl 可以将这些信息作为模板，提高预测的准确性。
2025-11-10 13:19:48
670
原创 AI 赋能蛋白质设计：免费交互式教程 DL4Proteins
在 MIMIC III 和 IV 大型医疗数据集上的测试表明，SubRec 推荐的药物与医生处方高度一致，且引发潜在药物相互作用（drug-drug interaction）的风险更低，提升了用药安全性。此举减少了模型训练的计算量，并增强了推荐过程的可控性。它能在没有明确结构输入的情况下，准确圈定蛋白质上的多肽结合区域，这对设计新的多肽药物或抑制剂具有潜力。SubRec 为个性化用药推荐提供了新思路：将药物的化学本质与患者的临床数据结合，才能实现智能且负责任的推荐，推动精准医疗的发展。
2025-11-10 13:19:02
1089
原创 ProAffinity++：用图神经网络预测蛋白质结合亲和力
结果显示，其在 Davis 数据集上的一致性指数（CI，评估预测排序准确度的指标）首次超过 0.9，达到 0.9026，证明了其预测能力的提升。在实际测试中，无论是在常规的结合亲和力预测，还是在抗原 - 抗体识别、错义突变等挑战性场景下，ProAffinity++ 的表现都全面超越了现有的顶尖方法。结果证实，全局 - 局部特征提取和多尺度特征融合，都是模型取得优异性能的关键。它是一个经验丰富的「评审专家」，接收现有对接软件（如 rDock）生成的构象，然后用机器学习模型重新排序，筛选出最可信的结果。
2025-11-10 13:18:16
617
原创 AI 设计抗菌肽：WAE 模型脱颖而出
在处理与训练集序列差异巨大的新蛋白质时，PLMDA-PPI 的表现远超 D-SCRIPT 和 Topsy-Turvy 等依赖序列信息的方法。传统上，发现和优化这些肽链的过程耗时费力，而深度学习，特别是生成模型，正在加速这一进程。研究者还进行了一项微调 (fine-tuning) 实验，用人类的 PPI 数据训练模型后，发现其预测其他物种（如酵母、果蝇）PPI 的准确率也随之提高。然后，再让它「创作」全新的肽序列，以期找到比现有药物更好的候选分子。它能筛选可能相互作用的蛋白质靶点，并直接指出潜在的结合界面。
2025-11-10 13:17:14
965
原创 pymol ‘utf-8‘ codec can‘t decode byte Oxb7 in position 44: invalid start byte
摘要：使用iconv命令转换文件编码时遇到invalid option -- o错误，这是因为某些版本不支持-o选项。解决方案是改用标准重定向操作符>来保存转换后的文件。正确命令格式为iconv -f [原编码] -t utf-8 输入文件 > 输出文件。转换后需验证新文件是否能正确显示，再导入PyMOL使用。该问题源于特定iconv版本功能限制及文件编码与UTF-8标准不兼容。
2025-11-07 13:14:44
398
原创 AIDD- Artificial Intelligence Drug Design
摘要：人工智能药物设计（AIDD）Python基础入门 本文介绍了AIDD（人工智能药物设计）中Python编程的基础知识，包括环境配置、基本语法、数据类型、输入输出和条件语句。主要内容： 环境搭建：推荐使用Anaconda安装Python，配置虚拟环境并安装NumPy、Pandas等科学计算库。 基础语法：通过"Hello World"示例展示Python的print函数和代码结构。 变量与数据类型：涵盖整数、浮点数、字符串和布尔型变量在药物数据（如化合物名称、分子量）中的使用。 输入
2025-06-24 13:23:01
1022
原创 AIDD-人工智能药物设计-结构感知配体生成模型
T5ProtChem 为统一的生物医学语言模型奠定了基础，减少了对多个预训练模型的依赖，简化了流程，并实现了跨分子生物学和化学的更丰富的表征学习。化学计量预测是 CASP16 的一项新挑战，AlphaFold3 在排名靠前的模型中正确预测了 34% 的化学计量，在五个提交中正确预测了 54%，这表明仍有改进空间，尤其是在异聚体组装方面。此外，该方法的泛化能力强，超越了 mGPfusion 等仅限于热稳定性的预测，支持更广泛的蛋白质功能预测，并在六种基准蛋白质的酶活性和配体结合突变效应估计中展现出最佳性能。
2025-04-22 03:07:36
1231
原创 AI 驱动抗生素发现：从靶点到化合物测试
选择的靶点包括已验证的抗生素靶点 MurC、新型酶靶点 CdsA 和推定的二聚化界面靶点 CohE，它们与已知数据集的结构相似性各不相同，以便严格评估模型的泛化能力。此外，RetroGFN 生成的反应包含更多样化的分子骨架，尤其是在较大的 k 值下，这满足了合成规划中对结构多样性的关键需求。TamGen 探索了最广泛的化学空间，但也表现出较高的骨架冗余，经常在不同靶点上生成相同的分子，这表明其具有较强的先验性，但结构特异性较低。需要注意的是，这些结果特定于本研究中使用的 ML 方法和 AutoML 库。
2025-04-19 17:40:43
908
原创 AIDD-人工智能药物设计-融合多源知识，精准预测蛋白质功能
结果表明，基于全基因组表征学习（WGRL）的表征在几乎所有表型和 k 值上都表现出比标准 Pfam 结构域存在/缺失向量更高的预测性能，尤其在系统发育信号较低的表型（例如 pH 和盐度偏好）上表现出色，表明该模型捕获了超出系统发育相关性的机制。这些组件协同工作，简化了结核病抗生素的发现过程。DeepCryoRNA 利用一种特制的 U-Net 神经网络，能够预测 RNA 分子中的 18 种原子类型，从而提高了原子预测精度，并改进了从冷冻电镜数据构建完整 RNA 序列的过程，其中全局序列比对发挥了关键作用。
2025-04-13 17:31:32
1089
原创 AIDD-人工智能药物设计-基于多智能体的药物靶点相互作用预测
例如，它在基于脂质的网络中检测到与哮喘相关的钠通道，在基于离子的网络中检测到与白血病相关的锌指结构。从 QM9 训练的教师模型到实验数据集（如 ESOL（logS）和 FreeSolv（ΔGhyd））的跨领域迁移表明，KD 有助于弥合理论数据和经验数据之间的分布差距，SchNet 在溶解度预测上实现了约 65% 的 R² 增益。该方法使精简的学生模型（最高可缩小 2 倍）在量子数据集（QM9）和实验基准（ESOL、FreeSolv）上达到或超过复杂教师模型的性能，证明了其在特定领域和跨领域设置中的有效性。
2025-04-13 17:14:36
684
原创 AIDD-人工智能药物设计-大语言模型在医学领域的革命性应用
近年来，通用大语言模型（LLMs）如 PaLM、LLaMA、GPT 系列与 ChatGLM，在文本生成、摘要、问答等自然语言处理任务中取得了显著进展，并逐步拓展至医学领域。基于开源LLMs（如LLaMA），研究人员构建了多种医学专用模型，如 ChatDoctor、MedAlpaca、PMC-LLaMA、BenTsao 和 Clinical Camel，以支持临床诊疗和患者管理。例如，大多数模型集中于医学对话与问答场景，实际临床应用中的任务（如电子病历分析、出院小结生成、健康教育与照护计划）尚未被充分挖掘。
2025-04-12 17:16:26
1516
原创 AIDD-人工智能药物设计-提升分子预测反事实解释可靠性
同时，模型采用基于 k-mer 的 word2vec 表示法进行子序列嵌入，为模型提供了有效的上下文输入，进一步增强了从具有生物学意义的模式中学习的能力。因此，本研究引入投资组合优化中的度量标准，例如条件风险价值（CVaR）和冷启动性能，为评估蛋白质优化算法提供了新的维度，旨在不仅关注平均性能，更要最小化优化过程中的失败风险。研究表明，I-INF 为 RNA-蛋白质对接预测提供了可靠且一致的评分，并且是对现有评估方法（如 DockQv2）的有益补充，为界面质量评估带来了新的视角。
2025-04-12 17:15:08
1325
原创 AIDD-人工智能药物设计-AI 精准预测蛋白质变构位点
值得注意的是，研究者识别出 26 个 MAGs 编码了五种不同的植物生长促进性状，而这些 MAGs 大多数缺乏已培养的代表菌株，这为未来的分离培养工作指明了潜在目标。不仅如此，ICMA 的鲁棒性也得到了验证，例如在分子生成任务（Cap2Mol，即从文本描述生成分子结构）中，ICMA 同样取得了当前最佳（state-of-the-art）的结果。结果表明，与先前的方法（包括经过领域预训练的模型和使用传统上下文学习的 LLMs）相比，ICMA 在 BLEU 和 METEOR 等评价指标上均取得了更优异的成绩。
2025-04-12 17:13:42
1364
原创 AIDD-人工智能药物设计-面向AI驱动的生物医学研究的大规模综合知识图谱
虽然已有许多关于COVID-19药物再定位的研究，但据研究人员所知，尚无其他研究对如此大规模的候选药物进行过系统验证，这体现了iKraph在实时识别潜在治疗药物方面的独特优势。研究人员进一步为关系添加方向信息，训练模型预测因果方向，构建了可进行间接因果推理的图谱，并整合了40个公共数据库及高通量组学数据，极大提升了KG的覆盖度和质量。对前50个候选药物与前250个适应症进行评估，发现大多数情况下，PubMed抽取的结果具有更高的F1分数，显示文献中的信息密度与质量远超公共数据库，为药物再定位提供更强支撑。
2025-04-12 17:08:59
938
原创 GEO, TCGA 等将被禁用？！这40个公开数据库可能要小心使用了
你认为研究者上传到 GEO 数据库上的数据会被禁用吗？不会，不是所有数据都是老美的。没关系，反正有一些平替数据库。会，毕竟占用存储资源。
2025-04-09 00:15:38
594
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人