itwangyang520-CSDN博客

itwangyang520

码龄10年

IP 属地：马来西亚

加入CSDN时间： 2015-12-24

个人简介：AIDD - 人工智能药物设计 - QQ群： 928809512

查看详细资料

个人成就

获得3,765次点赞
内容获得179次评论
获得4,189次收藏
代码片获得5,623次分享
原力等级

原力等级

6

原力分

2,850

本月获得

97

TA的专栏

TA关注的专栏 0

TA关注的收藏夹 0

TA关注的社区 3

TA参与的活动 2

兴趣领域设置

前端

javascriptcssvue.jsreact.jses6webpackxhtml前端框架
后端

node.js
移动开发

flutter
网络与通信

https
微软技术

typescript
学习和成长

面试

创作活动更多

AI 镜像开发实战征文活动

随着人工智能技术的飞速发展，AI 镜像开发逐渐成为技术领域的热点之一。Stable Diffusion 3.5 FP8 作为强大的文生图模型，为开发者提供了更高效的图像生成解决方案。为了推动 AI 镜像开发技术的交流与创新，我们特此发起本次征文活动，诚邀广大开发者分享在 Stable Diffusion 3.5 FP8 文生图方向的实战经验和创新应用本次征文活动鼓励开发者围绕 Stable Diffusion 3.5 FP8 文生图方向，分享以下方面的内容： 1. 技术实践与优化 - Stable Diffusion 3.5 FP8 模型架构解析与优化技巧 - 文生图生成效果的提升方法与技巧 - 模型部署与加速策略，例如使用 Hugging Face、Diffusers 等工具 - 针对特定场景（例如二次元、写实风）的模型微调与定制化开发 2. 应用场景探索 - Stable Diffusion 3.5 FP8 在不同领域的应用案例分享，例如游戏设计、广告创意、艺术创作等 - 利用 Stable Diffusion 3.5 FP8 实现图像编辑、图像修复、图像增强等功能的探索 - 结合其他 AI 技术（例如 NLP、语音识别）构建更强大的应用 3. 创新应用与思考 - 基于 Stable Diffusion 3.5 FP8 的创新应用场景设计 - AI 镜像开发的未来发展方向的思考与展望 - 对 AI 镜像开发伦理、安全等问题的探讨

32人参与去参加

更多

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

博文更新于 22 小时前 ·

AIDD-人工智能药物设计- AI 预测分子毒性：不仅更准，还能看懂

![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images/20230724024159.png?origin_url=data%3Aimage%2Fsvg%2Bxml%2C%253C%253Fxml%20version%3D’1.0’%20encoding%3D’UTF-8’%253F%253E%253Csvg%20width%3D’1px’%20height%3D’1px’%20viewBox%3D’0%200%201%

博文更新于 22 小时前 ·

AIDD-人工智能药物设计-AI 选对接算法，准确率提升 15%，但有个前提

MIT 的一项新研究提供了一个新视角，直接探究这些模型的内部运作，好比掀开它们的「头盖骨」一探究竟。更重要的是，它提供了一种诊断思路：它用数据证明，计算辅助药物发现的瓶颈，或许在于底层模拟方法的稳健性和可重复性，而非 AI 模型本身。MolAS 如同一个项目主管，它不直接执行对接，而是先分析蛋白质和配体的分子特征，然后为其匹配最合适的对接算法，例如为某个任务选择 Vina，为另一个选择 Glide。这些模型的输入五花八门：有的读取 SMILES 字符串，有的将分子看作图，还有的直接处理分子的三维结构。

博文更新于 2025.12.15 ·

AIDD-人工智能药物设计-StructGuy：破解蛋白变异预测的数据泄漏难题

基于 AI 的蛋白质变异效应预测存在一个普遍问题：数据泄漏。许多模型在测试集上表现优异，是因为训练时接触过相似的序列或同源蛋白。一旦面对训练集中未出现过的全新蛋白质，这些模型的表现就会急剧下降，这在创新靶点药物研发中难以接受。。研究者将重点放在了数据的「纯净度」上。他们构建了一个基于 MAVE (多重变异效应分析) 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。

博文更新于 2025.12.14 ·

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。

博文更新于 2025.12.14 ·

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。

博文更新于 2025.12.03 ·

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。

博文更新于 2025.12.03 ·

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。

博文更新于 2025.12.02 ·

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。

博文更新于 2025.11.27 ·

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。

博文更新于 2025.11.27 ·

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。

博文更新于 2025.11.27 ·

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。

博文更新于 2025.11.24 ·

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。

博文更新于 2025.11.24 ·

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。

博文更新于 2025.11.24 ·

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。

博文更新于 2025.11.18 ·

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。

博文更新于 2025.11.10 ·

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。

博文更新于 2025.11.10 ·

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。

博文更新于 2025.11.10 ·

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。

博文更新于 2025.11.10 ·

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。

博文更新于 2025.11.10 ·