- 博客(82)
- 资源 (9)
- 收藏
- 关注
RSS订阅原创 第9期：玩转分子运动的“黑匣子”：MDAnalysis与轨迹分析实战
分子动力学模拟（MD）就像一场原子级别的“电影”，但问题来了：这场电影动辄几十 GB，上千万帧，靠肉眼根本看不过来。于是，我们需要一把 显微放大镜 + 数据统计工具，来理解分子在模拟中的运动模式。通过 MDAnalysis 和 MDTraj，我们把“原子级大片”浓缩成 关键指标 和 统计结论。这些分析可以帮助我们理解模拟是否可信、蛋白构象变化路径，以及配体结合口袋是否稳定。假设你有 protein.pdb（拓扑文件）和 traj.dcd（轨迹文件）。哪些残基稳定、哪些灵活？谁在和谁“暧昧不清”？
2025-10-23 10:40:30
309
原创 从代码看结构：用Biopython和可视化工具探索分子世界！
本期你学到了：✅ 如何用Biopython读取和操作PDB结构✅ 如何用对结构进行三维可视化✅ 如何将编程与结构生物学结合，观察“生命的拼图”如果你觉得这篇文章对你有帮助，欢迎，也别忘了关注我们，获取更多AIDD干货！
2025-08-29 10:35:46
157
原创 序列数据处理：蛋白质序列的数值化表示方法全解
本篇文章将全面介绍蛋白质序列的数据处理流程和主流的数值化表示方法，包括从原始FASTA数据处理开始，到多种主流的编码技术如 one-hot、k-mer、ProtVec，再到近年来大热的 transformer embedding 表示方法。ProtVec 是受 Word2Vec 启发的一种蛋白质嵌入表示方法，将 3-mer 看作“单词”，再用 skip-gram 模型训练得到 100 维向量。为例，其在数百万蛋白质序列上预训练模型，可输出每个氨基酸的上下文嵌入向量（1280维或更高）。
2025-08-27 11:14:51
1033
原创 书籍推荐|《Bioinformatics with Python Cookbook》360页
本书以Python生态中的现代库为核心，结合真实案例，系统讲解如何解决基因组学、测序数据分析、蛋白质组学等领域的复杂问题。第三版更新了最新工具与技术，适合具备中级Python编程能力及基础生物学知识的读者。：具备Python基础的生物信息学研究者、希望拓展生物领域的数据科学家，以及需要构建高效分析管道的开发者。《Bioinformatics with Python Cookbook》第三版由。撰写，Packt Publishing出版，是生物信息学领域的一本。本人会在24小时内回复您获取资料。
2025-08-24 17:21:10
283
原创 使用Pandas进行缺失值处理和异常值检测——实战指南
异常值通常是指与其他数据相比显著偏离的数据点。它们可能由测量错误、数据录入错误或真实的罕见现象引起。检测并处理异常值对于避免模型误判十分关键。在数据预处理中，去除缺失值和检测异常值是确保数据质量的关键步骤。通过Pandas提供的方法，我们可以快速识别并处理缺失数据；利用IQR和Z-score方法，我们可以检测并剔除明显偏离的数据点，从而为后续分析和建模打下坚实的基础。掌握这些技巧不仅能提高数据分析的准确性，也有助于构建更加稳健的分析流程。
2025-08-23 17:38:54
1431
原创 数据集划分与采样策略：构建更稳健的药物预测模型
例如，有活性分子可能只占数据集的5%，而其余95%为非活性分子。✅ 建议：在药物建模任务中，优先采用 Scaffold-based split，尤其是在论文或项目报告中，需要对模型的泛化能力有明确评估时。科学合理地处理训练、验证、测试数据，能够有效提升模型的泛化能力，并避免过拟合或评估偏差。📌 示例：你训练的模型可能在测试集上达到95% AUC，但换一个数据集，AUC 直接掉到70%，因为它只是“记住了”结构而已。可能会造成“信息泄露”，单纯的随机划分可能会让测试集与训练集之间高度相似，导致模型测试性能。
2025-08-23 17:34:59
1063
原创 数据融合与清洗的核心要义：标签对齐与特征过滤
常见的情况是我们从两个来源分别获得了结构信息（如 SMILES 字符串）和活性数据（如某药物对特定靶标的 IC50 值）。在完成分子特征提取与活性数据标准化之后，我们就进入了数据融合与清洗的关键环节：对齐标签与特征，并过滤缺失或无效的样本。的数据条目，才能被作为模型输入。最终的结果应为一个干净的数据框（DataFrame），每一行是一个可训练样本。缺失 IC50/logIC50 等活性数据（说明无法进行监督建模）已标准化的活性标签（如 logIC50 值、活/非活分类）1 数据合并：结构与活性信息的连接。
2025-08-22 10:39:50
355
原创 活性数据处理与标准化
由于这些数据常来源于不同实验条件与测定平台，其数值范围、单位、尺度不尽相同，若不进行标准化处理，将严重影响后续的机器学习模型训练效果与预测可靠性。本章将介绍如何对这些数据进行转换、归一化，并完成建模所需的标签划分。通过对 IC50 等数据进行单位归一化、对数转换与标签化处理，可以将异构实验结果整合为统一建模格式，为机器学习与深度学习打下坚实基础。注意： 由于 IC50 值的尺度差异较大，直接使用原始数值会造成模型训练偏差，因此需要将其转换为对数尺度（如 pIC50 = -log10(IC50 [M])）。
2025-08-21 18:15:58
484
原创 书籍推荐|《Computational Methods for Rational Drug Design》574页
Computational Methods for Rational Drug Design》涵盖药物设计的工具和技术，并将其应用于小分子疗法的发现，详细介绍方法论和实际应用，并探讨人工智能/机器学习等技术以及未知受体结构的药物设计所面临的挑战。Nisha Kumari Singh、Nigam Jyoti Maiti、Manshi Mishra、Shantanu Raj、Gourav Rakshit、Rahul Ghosh 和 Sharanya Roy。
2025-08-20 16:16:14
718
原创 核心技能篇：从分子到模型的完整数据链路
分子数据清洗是 AIDD 流程中最容易被忽视、但最具价值的环节之一。通过格式转换、SMILES 标准化、缺失与异常值处理，我们可以显著提升模型的稳定性和泛化能力。牢记：干净、规范、可解释的数据，是科学建模的第一步。
2025-08-19 15:24:28
929
原创 AI 药物发现：化学分子到机器学习数值特征的转化——打通“化学空间”与“模型空间”关键路径
AI药物发现中的关键环节是将化学分子转化为机器学习可处理的数值特征。文章介绍了三种核心方法：1）通过RDKit计算分子描述符（如LogP、分子量等）；2）生成分子指纹（Morgan、MACCS等）进行结构特征编码；3）构建分子图结构（原子特征矩阵和邻接矩阵）为图神经网络建模做准备。每种方法均提供Python代码示例和应用建议，包括批量处理技巧和模型适配方案，帮助打通"化学空间"与"模型空间"的转化路径，为AI药物发现奠定数据基础。
2025-08-19 14:41:22
364
原创 标题： [特殊字符] 趣味MLP初体验：用深度神经网络「秒」预测分子水溶性！
多层感知机由“输入层 → 多个隐藏层 → 输出层”组成，层间全连接，使用非线性激活函数捕捉复杂映射。
2025-06-08 10:23:11
322
原创 AIDD研究者必看：Python环境与工具大揭秘，RDKit、DeepChem等库安装与介绍！
在药物化学/生物信息领域，常用Anaconda（或Miniconda）管理Python开发环境和安装相关库。Anaconda集成了Conda包管理器，安装后可以创建隔离的Python环境。（创建名为aidd的环境），然后执行激活环境。注意：Windows旧版Conda环境激活命令为，新版Anaconda使用即可。完成环境创建后，即可使用或安装所需Python包。
2025-04-28 19:37:13
1164
原创 Python--跟着Nature学绘图--散点图与气泡图
Figure1 本系列部分图【限时抢位！生物信息学绘图王者班，199元解锁Nature级可视化秘籍】🔥 独家福利！扫码即入「生信精英可视化特训营」🔥⚠️ 警告：本社群仅限前200名！🎁 【转发立减攻略】1️⃣ 转发本文章→发朋友圈配文："发现个宝藏课程！Python生信绘图全集+Nature模板库+终身答疑，原价199元，转发助力只需149！扫码抢位↓"2️⃣ 截图发送至客服微信→立减50元！（悄悄说：集满10赞再减10元，149元直降至139元！
2025-04-14 22:31:38
138
原创 基于RDKit的分子描述符分析与特征选择：以溶解度预测为例
然而，要建立有效的QSAR模型，首先需要通过合适的分子描述符（如分子指纹、拓扑特征、电子特征等）来表征分子结构。我们首先加载一个包含溶解度数据的CSV文件，并通过RDKit的SMILES标准化功能确保每个分子都有唯一的、标准化的SMILES表示。除了相关性高的描述符，某些特征的方差可能非常低，这意味着这些特征对数据的区分度较差，因此没有什么用处。这些冗余的描述符不会为模型提供新的信息，反而可能影响模型的性能。在本例中，我们使用了。会尝试不同的回归算法，如线性回归、随机森林回归等，并输出每个模型的性能指标。
2024-11-26 20:36:58
1869
1
原创 RDKit|虚拟筛选与分子对接
通过 RDKit 的分子预处理、指纹计算、与 AutoDock Vina 等对接软件集成，研究人员可以高效地进行虚拟筛选与分子对接分析，从而加速新药发现进程，降低实验成本。虚拟筛选和分子对接是药物发现过程中至关重要的计算方法，用于预测小分子与生物靶点之间的相互作用。这些方法可以有效缩小候选化合物的范围，从而提高实验筛选的效率。分子对接是通过模拟小分子（如药物分子）与蛋白质靶点的结合方式，预测其结合位点和结合模式。在药物发现过程中，虚拟筛选和分子对接常用于缩小化合物库的筛选范围，并预测候选分子的生物活性。
2024-11-06 18:07:39
712
1
原创 使用Conda环境为Jupyter添加内核
在Jupyter Notebook中添加新的内核可以让你在不同的Python环境（如不同的Conda环境或virtualenv环境）中运行代码。
2024-11-03 14:19:39
875
原创 RDKit|特征提取与机器学习模型的构建
在化学信息学和药物设计中，特征提取和机器学习模型的构建是预测分子性质、筛选活性化合物、以及优化化学结构的关键步骤。在药物设计中，机器学习模型可以用于预测候选分子的药效、毒性或其他性质，从而筛选出具有潜力的化合物。在提取特征后，可以使用这些特征构建机器学习模型，以预测分子性质、活性或其他感兴趣的指标。Scikit-learn 是一个流行的机器学习库，提供了多种回归和分类算法，可以与 RDKit 提取的特征结合使用。拓扑指数是用于描述分子结构的拓扑性质的数值指标，常用于反映分子的形状、大小和复杂性。
2024-10-30 19:38:18
789
原创 RDKit|分子数据的聚类分析
分子数据的聚类分析是化学信息学中的重要工具，能够帮助研究人员对大规模分子库进行结构分组、识别多样性、选择代表性化合物并优化先导化合物。结合 RDKit 的分子特征提取工具和 Scikit-learn 的聚类算法，研究人员可以高效地对分子数据进行聚类分析，在药物设计、材料科学和化学研究中发挥关键作用。聚类分析可以帮助研究人员识别分子库中的结构相似性，进行分子多样性分析，并筛选出具有代表性的化合物。通过聚类分析，可以在分子库中寻找与先导化合物相似的分子，帮助优化先导化合物的结构。
2024-10-30 19:31:31
534
原创 RDKit|化学信息学基础操作——子结构搜索与匹配
本节介绍了 RDKit 中子结构搜索与匹配的基本原理和高级应用，包括如何定义子结构、执行匹配、获取匹配的位置信息，以及在实际化学和药物设计中的应用。在子结构搜索中，我们通常定义一个子结构模板（例如一个分子片段），然后在数据库中的分子上搜索是否存在与该模板匹配的部分。RDKit 支持更复杂的子结构匹配，包括环结构的匹配、官能团的搜索、以及SMARTS模式中的逻辑运算和原子属性限定。在实际应用中，子结构搜索可以用于化合物库的筛选、药物分子设计中的先导化合物识别、以及化学反应中的反应物或产物的识别。
2024-10-18 09:02:45
634
原创 RDKit|分子可视化，定制你的分子图
在化学信息学和分子设计中，能够以定制化的方式展示分子结构图对于科学研究和数据呈现至关重要。RDKit 提供了多种方法来调整分子图的样式和标签，使得用户可以根据具体需求对分子图进行美化和标注。本节将介绍如何使用 RDKit 自定义分子图的外观，包括修改原子和键的样式、添加注释、调整颜色以及设置其他视觉元素。1 自定义原子和键的颜色通过自定义原子和键的颜色，可以突出显示分子中特定的结构特征或化学性质，这在分析分子结构或展示关键化学基团时特别有用。1.1 自定义原子颜色可以通过。
2024-09-21 23:59:08
902
原创 什么时候用render_template,什么时候用Ajax?
选择使用还是Ajax主要取决于你的应用需求和用户体验目标。如果你的应用需要用户频繁地在不同页面之间跳转，或者页面内容需要完全重新加载，那么使用可能更合适。而如果你的应用需要实现更丰富的交互效果，或者需要在不重新加载页面的情况下更新页面内容，那么Ajax可能是一个更好的选择。在实际开发中，这两种方法经常结合使用，以提供最佳的用户体验。
2024-08-22 22:59:44
671
原创 RDKit在数据科学中的应用|药物筛选中的数据清理与标准化
在化学信息学和药物研发的过程中，分子数据的质量至关重要。数据清理与标准化是确保分子库数据一致性、可靠性和可比较性的关键步骤。RDKit 提供了丰富的工具，帮助用户清理和标准化分子数据，从而提高下游分析和建模的准确性。
2024-08-19 22:48:05
347
原创 Python进阶之3D图形
3D图形能够提供额外的维度和视角，帮助更全面地理解数据。在Python中，Matplotlib和Plotly提供了丰富的工具来创建和展示3D图形。希望本文的示例和技巧能够帮助你在数据可视化中更好地利用3D图形。如果你有更多的3D图形需求或问题，欢迎在评论区交流和讨论！试着使用上述方法创建自己的3D图形，并分享你的成果和心得。你也可以尝试将不同的3D图形结合起来，探索它们在数据分析中的应用。完成后，欢迎在评论区留言，我们可以一起讨论如何进一步优化和改进！
2024-08-15 20:51:06
1037
原创 RDKit|分子基本信息的提取（原子、键、环、芳香性等）
本节详细介绍了如何使用 RDKit 提取分子的基本信息，包括原子、键、环和芳香性等。RDKit 提供了丰富的工具，用于从分子对象中提取原子、键、环、芳香性等各种信息。芳香性是分子的一种特殊性质，具有芳香性的分子通常具有稳定的电子结构。在 RDKit 中，可以轻松提取分子中的原子信息，如原子数量、原子类型、原子序号等。在 RDKit 中，可以提取分子中的键信息，如键的数量、类型、键的键级等。可以遍历分子中的每个键，提取其类型（单键、双键等）和键级（1、2、3）。方法获取分子中的环信息，并计算环的数量。
2024-08-15 17:43:41
623
原创 RDKit|分子输入输出格式解析（如 SMILES、Mol、SDF）
本节介绍了 RDKit 中常用的分子输入输出格式及其解析方法，包括 SMILES、Mol 文件和 SDF 文件的创建与操作。通过这些示例，你可以掌握如何在 RDKit 中处理不同格式的分子数据，为化学信息学的进一步研究和应用奠定坚实基础。在化学信息学中，分子的表示方式有很多种，常见的包括 SMILES、Mol 文件、SDF 文件等。SMILES 用字符串来描述分子的结构，能够简单、直观地表示分子信息。RDKit 提供了读取 Mol 文件的功能，可以轻松将文件中的分子结构读取为 RDKit 的分子对象。
2024-08-15 17:40:56
1291
原创 墙推！斯坦福大学中文版的机器学习速查表！
斯坦福大学的机器学习课程近日在GitHub上发布了一系列中文版的机器学习速查表，这些速查表涵盖了监督学习、无监督学习、深度学习等多个主题，为学习者提供了一站式的学习资源。这些速查表的发布，无疑为广大机器学习学习者提供了极大的便利。无论你是初学者，还是已经有一定基础的学习者，都可以从这些速查表中找到适合自己的学习资料。
2024-08-14 18:53:41
198
原创 Python 绘图进阶之小提琴图：探索数据分布与多样性
在数据分析和可视化中，了解数据的分布是至关重要的。除了常用的箱线图外，小提琴图（Violin Plot）提供了一种更具信息量的可视化方法，它结合了箱线图和核密度估计图的优点，能够展示数据分布的形状、集中趋势以及数据的多样性。本文将带你深入探索如何使用 Python 绘制小提琴图，并通过实例理解它在数据分析中的独特价值。
2024-08-13 14:00:00
2811
原创 Python 绘图进阶之箱线图：揭示数据的分布和异常值
箱线图是数据分析中强大的工具，能够帮助我们快速理解数据的分布特征和识别异常值。在 Python 中，使用 Matplotlib 和 Seaborn 绘制箱线图非常简单，且可以通过多种方式进行定制。通过本文的介绍，你现在应该能够熟练地创建和定制箱线图，以更好地呈现和解释你的数据。箱线图不仅仅是简单的图表，它为数据科学家提供了深入理解数据的重要工具。在数据分析项目中，掌握并应用箱线图，将使你的分析工作更加全面和准确。如果你有数据集，并希望更深入地分析数据分布，欢迎在评论区分享你的数据和问题。
2024-08-12 19:40:39
2254
原创 Python 数据可视化，怎么选出合适数据的图表
掌握数据可视化的最佳实践有助于创建既美观又有效的图表。通过选择合适的图表类型，遵循简洁明了的设计原则，并避免常见错误，你可以显著提高数据可视化的质量。希望本文提供的建议和示例能帮助你在数据可视化的过程中做出更好的决策，提升图表的表现力和清晰度。如果你对数据可视化有更多的兴趣，欢迎持续关注我们的 Python 绘图专栏。1. 使用Matplotlib绘制柱状图2. 使用 Matplotlib 绘制折线图3. Python 绘图入门4. Python绘图入门：使用Matplotlib绘制饼状图。
2024-08-12 16:17:21
1121
原创 Python 绘图入门：使用Matplotlib绘制气泡图
通过适当的设计和优化，气泡图不仅能够有效传达复杂的信息，还能让数据分析的结果更加直观和生动。在实际应用中，我们可以结合具体的业务场景，利用气泡图来展示和分析数据，从而做出更好的决策。气泡图是散点图的一种扩展，通过气泡的大小来表示第三个维度的数据。每个气泡的 x 轴和 y 轴位置表示两个维度的数据，气泡的大小则表示第三个维度。我们可以使用气泡图来可视化这些数据，分析产品的表现。绘制气泡图时，除了基本的 x、y 轴和气泡大小之外，还可以通过调整颜色、标签和注释等，使图表更加美观和信息丰富。可以通过调整透明度（
2024-08-12 14:22:27
1551
原创 RDKit|广义子结构搜索
在这篇文章中，我将展示如何将所有这些结合起来使用 RDKit 进行“广义子结构搜索”。在文章的底部，有几个 Python 函数可以在其他脚本中使用，以使这个过程更容易。我还将尝试找出一种将其纳入未来 RDKit 版本的好方法。3. 链接节点 + 变量附件 + 互变异构体枚举查询。3. 链接节点 + 变量附件 + 互变异构体枚举查询。1. 导入相应包和数据。1. 导入相应包和数据。2. 定义查询目标。
2024-08-12 10:42:04
214
原创 RDKit的基本数据结构：分子对象
RDKit 是一个强大的化学信息学库，其中的核心数据结构是分子对象。分子对象在 RDKit 中用于表示化学分子结构，是所有分子操作和分析的基础。下面我们将详细介绍分子对象的创建、操作和应用。
2024-08-11 16:41:23
316
原创 Python绘图入门：使用Matplotlib绘制热力图
热力图的自定义选项非常丰富，你可以调整颜色映射表、添加刻度标签、以及设置插值方式等。# 自定义颜色映射表和插值方式# 添加刻度标签# 添加颜色条plt.colorbar(label='分数')# 添加标题plt.title('学生考试成绩热力图')# 显示图表plt.show()在这个示例中，我们使用了来指定颜色映射表，并通过设置了插值方式，使得图像过渡更加平滑。此外，和函数用于添加刻度标签，使得图表更加清晰和易读。
2024-08-11 14:40:38
3160
原创 Python绘图入门：使用Matplotlib绘制雷达图
雷达图的自定义功能非常强大。我们可以调整颜色、线条样式、填充透明度等，以更好地展示数据。# 绘制雷达图# 设置标签# 设置雷达图的圆形网格# 显示图表plt.title('择偶标准雷达图')plt.show()在这个示例中，我们自定义了雷达图的颜色、线条样式和填充透明度，还调整了标签的字体颜色和大小。通过这样的调整，你可以让图表更符合你的需求或审美标准。通过这篇博客，你已经学习了如何使用Matplotlib绘制雷达图，并对其进行自定义。
2024-08-11 09:46:50
1938
原创 Python绘图入门：使用Matplotlib绘制饼状图
为了让饼状图更加美观和信息丰富，我们可以对图表进行一些自定义。例如，添加阴影、突出显示某个部分、改变颜色等。# 数据explode = (0.1, 0, 0, 0, 0) # 突出显示第一个部分# 自定义饼状图# 绘制饼图plt.pie(x = edu, # 绘图数据labels=labels, # 添加教育水平标签autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数startangle=140,#起始角度从140开始逆时针转# 添加图标题。
2024-08-10 21:18:56
1612
原创 Python绘图入门：使用Matplotlib绘制柱状图
为了让图表更加美观和信息丰富，我们可以对柱状图进行自定义。例如，可以改变柱子的颜色、添加网格、显示数值标签等。# 自定义颜色和网格# 显示数值标签plt.show()在这个例子中，我们将柱子颜色设为浅蓝色，并在y轴方向添加虚线网格。同时，使用plt.text()函数在每个柱子上方显示具体数值。这里需要注意的是，添加无指向型注释文本有两种，text()和figtext()方法。x, y:表示注释文本的位置。s:表示注释文本的内容。
2024-08-10 15:43:58
1767
原创 Python绘图入门：使用 Matplotlib 绘制折线图
为了让图表更具可读性和美观性，我们可以对图表进行一些自定义设置，比如改变线条的颜色、样式以及添加数据点标记。
2024-08-09 17:18:33
1360
CentOS-6.5-i386-bin-DVD1.iso
2019-06-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人