- 综合排序
- 最热优先
- 最新优先
- 来自专栏量子化学
用EzReson进行化学键共振分析（6）：实例：吡咯的共振结构
为了得到合理的结构，需要首先用Gaussian对吡咯做几何结构优化，输入文件如下所示： %chk=pyrrole-opt.chk %nprocshared=1 %mem=1GB #p opt freq b3lyp/6- 用Gaussian做单点NBO分析的输入文件如下所示： %chk=pyrrole-sgp.chk %nprocshared=1 %mem=1GB #p b3lyp/6-31g(d) pop=nboread LMO-6~9、11是N/C间的σ键轨道。LMO-10、12~15是N/C-H键的σ键轨道。LMO-16是N原子的孤对电子轨道，LMO-17/18是C-C键的π轨道。
4.2K30发布于 2021-04-07 - 来自专栏WOLFRAM
交互式查询化学键信息
█ 本文译自 Wolfram|Alpha 化学组开发人员 Jason.Biggs 在 Wolfram 社区发表的文章：Interactively query bond information 最近在S
92630发布于 2018-05-31 - 来自专栏DrugOne
Nat. Commun. | 通过多任务图表征学习解决单步逆合成预测
实验结果 研究团队将新开发的 Retro-MTGR 系统与16种最先进的化学反应预测方法进行了比较（4种基于模板的方法、6种无模板的方法以及6种基于半模板的方法）。 研究还发现，即使是看似简单的化学键能量信息也能显著提升系统性能，因为高能量的化学键往往更容易参与反应。 图6A显示，参与同一反应的合成子在空间中的距离明显大于不参与同一反应的合成子，这进一步证实了它们的互补性。 图6B展示了这种关系：同一反应物中的合成子与离去基团距离明显小于来自不同反应物的配对。 第三，关于离去基团的规律特别有趣。 图6C显示，经常一起出现的离去基团对在空间中的距离明显大于不常一起出现的配对。
42200编辑于 2025-04-19 - 来自专栏智药邦
百度研究成果登《Nature》子刊：利用几何构象提升化合物分子建模效果
图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
67140编辑于 2022-03-04 NeurIPS 2025 | UAE-3D：统一潜空间破解3D分子生成的效率困境
3D分子生成需要同时处理原子类型、化学键和三维坐标等多模态信息，但现有方法将等变和不变模态分别编码到独立的潜空间，导致模型复杂、效率低下。 这种设计确保了：化学键信息不会在编码过程中丢失，解码时能准确重建分子的键连接。 相比之下，之前的工作往往在重构时丢失部分化学键信息或产生较大的坐标偏差。 6. 局限与未来 6.1 当前局限 任务迁移性未知：UAE-3D 在 QM9 和 GEOM-Drugs 上表现出色，但在更复杂的任务（如基于蛋白质结构的配体设计）中的表现尚未验证。 Q6：统一潜空间能否扩展到蛋白质？ 这是一个激动人心的方向。蛋白质也包含多模态信息：氨基酸序列、骨架坐标、侧链构象、二级结构等。UAE-3D 的思想可以推广：将所有模态编码到统一的等变潜空间中。
33010编辑于 2026-01-22- 来自专栏DrugOne
Nat. Mach. Intell. | 利用几何构象提升化合物分子建模效果
图1: GEM的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。GEM提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。 每个化合物由两个图组成：原子－化学键的图G和化学键－键角的图H。类似于过往的工作，原子－化学键的图G以原子作为图的节点，化学键作为连接原子的边。 而化学键－键角的图H则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。图神经网络包含多轮迭代，而化学键作为每一轮迭代中图G和图H的桥梁进行信息互通。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
71210编辑于 2022-03-25 - 来自专栏机器之心
“几何构象增强AI算法”，百度生物计算最新研究成果登上《Nature》子刊
图 1: GEM 的整体框架 基于空间结构的图神经网络 由于化合物的集合结构可以完全被原子－化学键键长－键角确定。 GEM 提出了一种基于空间结构的图网络，同时对原子－化学键－键角的关系建模空间结构信息。每个化合物由两个图组成：原子－化学键的图 G 和化学键－键角的图 H。 类似于过往的工作，原子－化学键的图 G 以原子作为图的节点，化学键作为连接原子的边。而化学键－键角的图 H 则为首次引入，以化学键作为图的节点，两个化学键所形成的键角为图的边。 基于空间结构的自监督学习 为了使模型更好学习到化学空间知识，GEM 不单单只是将几何信息作为输入，更进一步地设计了基于几何信息的学习任务（目标）：预测化学键的长度；预测化学键组成的键角；预测两两原子之间的距离 描述局部结构的自监督学习任务随机挑选化合物中以某个原子为中心的子图并进行遮盖，预测被遮盖的子图中的化学键的键长和化学键间形成的键角。描述全局结构的自监督学习任务则预估原子距离矩阵中的元素。
65930编辑于 2022-03-04 AI+Drug 文献速递 | YuelBond，一个基于图神经网络的多场景化学键重建通用框架
2025.05.06.652517 代码: https://bitbucket.org/dokhlab/yuel_bond 简介: 论文提出YuelBond多模态图神经网络框架，用于解决生成分子设计中化学键重建的难题 ，创新点在于能在多种复杂场景下准确重建化学键。 该框架基于图神经网络，以原子为节点、化学键为边，通过特定的消息传递机制学习和预测键序。 实验使用GEOM数据集，在三种场景下对模型进行训练和评估：从准确3D原子坐标恢复键序、在有几何扰动的粗新生化合物中重建化学键、对2D拓扑图重新分配键序。 6.
63610编辑于 2026-01-08Nat. Commun. | 双图表示增强Transformer模型的分子性质预测
近年来，Transformer模型凭借全局自注意力机制逐渐应用于分子学习，但如何充分编码原子、化学键、拓扑结构及立体几何信息，仍然是限制模型性能的重要因素。 其中，图神经网络能够直接利用原子和化学键构建分子图，因此成为分子机器学习的重要方向。 原子图以原子作为节点、化学键作为边；键图则通过线图变换，将化学键视为节点，原子连接关系转化为边，从而从另一种角度描述分子拓扑结构。 结果显示，仅保留原子图或仅保留键图都会导致预测性能下降，其中移除键图后预测误差增加约3%，移除原子图后误差增加约6%，说明两种表示方式能够互补提供不同层面的化学信息。 相比传统仅依赖原子图的方法，双图表示同时建模原子和化学键，使自注意力能够更加全面地学习局部化学环境和全局拓扑关系，从而显著提升分子性质预测性能。
19510编辑于 2026-07-13- 来自专栏智药邦
JCIM｜RJT-RL：一种基于化合物的可逆树表示和深度强化学习的分子设计方法
简要地说，连接树中的节点表示分子图中的一个化学键或一个环[这些化学键和环已经预先从数据库中筛选出来定义好。 如图S1所示，第三行中矩形框表示连接树中的化学键节点（对应分子图中的一个化学键）；圆圈表示连接树中的环节点(对应分子图中的环)；红色圆圈为单原子节点，其被三个化学键节点连接，详细的介绍可以参考原始论文] 类型1边又可细分为三种情况：(1)化学键节点连接单原子节点；(2)两个化学键节点相连；(3)化学键节点和环节点相连。图1A上示例了两个化学键节点相连，图1A下示例了化学键节点和环节点相连。
58530编辑于 2022-11-16 - 来自专栏DrugOne
Nat. Commun. | 引导等变扩散驱动的靶标感知三维分子生成
研究人员提出了 DiffGui，一种靶点条件的 E(3)-等变扩散模型，通过引入化学键扩散和性质引导来解决这些问题。原子扩散与化学键扩散的结合能够显式建模两者的相互依赖，从而同时生成原子和键。 消融实验进一步验证了化学键扩散和性质引导模块的重要性。DiffGui 在新药设计与先导化合物优化中均展现出卓越表现，并在实验室实验中获得验证。 它在前向过程中对原子与化学键分别注入噪声，并在反向生成过程中结合分子性质（如结合亲和力、QED、合成可行性、LogP 和极性表面积）进行引导。 该设计既解决了原子与化学键间的一致性问题，也通过性质约束提升了分子的药物样特征。 研究人员提出的 DiffGui 模型通过整合化学键扩散和性质引导，能够同时生成原子与键，并在保证结构合理性的同时，赋予分子期望的药物属性。
50410编辑于 2025-09-02 分析梳理--分子动力学模拟的常规步骤四（Gromacs）
编号名称物理含义备注1Bond键长伸缩能原子间化学键被拉伸或压缩产生的能量。2Angle键角弯折能 三个原子形成的化学键角度变化产生的能量。 3Proper-Dih.正常二面角能沿化学键旋转四个原子时，由特定二面角产生的能量。4Ryckaert-Bell.RB二面角能一种特殊的二面角函数形式，常用于烷烃链。 5LJ-141-4相互作用LJ能相隔三个化学键的原子对之间，范德华作用能量。6Coulomb-141-4相互作用静电能相隔三个化学键的原子对之间，静电作用能量。 mdrun -deffnm em），最应该关注的是：第10项 Potential (总势能)它应该持续下降，并最终收敛到一个稳定的负值（对于蛋白质-水体系，通常是很大的负数，例如 -1e5 到 -1e6
46620编辑于 2026-04-21- 来自专栏智药邦
Nat Commun｜西北工业大学施建宇团队：通过多任务图表示学习进行单步逆合成预测
Retro-MTGR的工作流程图 研究亮点：从键能到分子电性，AI揭示药物合成的深层规律 这项研究的最大亮点之一，在于通过学习分子化学键的结构，键能等属性，揭示了哪些化学键可能成为反应中心，哪些则可能只是普通的化学键 具体来说： 高键能（>=360 kJ/mol）的化学键，如双键和三键，通常是普通键； 低键能的单键（如C-N、C-O等）可能是反应中心，也可能是普通键，这取决于周围分子的结构； 反应中心的原子通常具有相反的电性 图2.化学键嵌入空间的展示 图3.合成子和离去基的联合嵌入空间展示 实验验证：准确预测药物合成路径 为了验证这一创新框架的有效性，研究团队通过预测两种药物Sonidegib和Acotiamide的逆合成路线
61810编辑于 2025-02-05 - 来自专栏nummy
ECMAScript 6 特性ECMAScript 6 特性
ECMAScript 6 特性 介绍 ECMAScript 6，也被称做ECMAScript 2015，是ECMAScript标准的下一个版本。这个标准预计将于2015年6月被正式批准。 ES6是这门语言的一次重大更新，自ES5以来，该语言的首次更新是在2009年。主流Javascript引擎对ES6相关特性的实现也正在进行中。 前往ES6标准草案查看ECMAScript 6的所有细节 ECMAScript 6 特性 Arrows 箭头函数 箭头函数是使用 => 语法简写的函数。 _name + " knows " + f)); } } Classes 类 ES6中提供了一个基于原型的面向对象模式的语法糖。简单的声明方式使得类模式变得更容易使用，增加了类的互用性。 f(3) == 15 function f(x, ...y) { // y is an Array return x * y.length; } f(3, "hello", true) == 6
1K10发布于 2018-08-27 - 来自专栏sukuna的博客
MIT_6.S081_xv6.Information 6:File System
MIT_6.S081_xv6.Information 6:File System 于2022年3月27日2022年3月27日由Sukuna发布 1.概览 xv6的文件系统由7层组成,首先就是最下面的硬件层 (类似于cache,cache也有脏数据嘛) 还需要注意的是,在操作系统中,磁盘块的大小一般是磁盘扇区大小的两倍.所以说在xv6中我们认为一块就是两个扇区,就是1024字节.到后面我们逻辑上认为一块就是两个扇区 xv6系统调用不直接写入硬盘上文件系统的数据结构。相反，它把一个描述放在磁盘上，这个描述是它在一个log里所期望的所有磁盘写操作。 log.dev表示该log位于哪一个磁盘（xv6实际上只有一个）。log.outstanding记录了目前有多少个进程正在并行地对磁盘进行写。 读写操作和设备文件 file.c和file.h文件中记录了xv6的驱动 // map major device number to device functions. struct devsw {
92320编辑于 2022-12-08 - 来自专栏技术杂记
6
配置之后[root@pptp-server ~]# iptables -L -nv Chain INPUT (policy ACCEPT 0 packets, 0 bytes) pkts bytes target prot opt in out source destination 35 3695 ACCEPT all -- * * 0.0.0.0/0 0.0.0.0/0
49530编辑于 2022-06-30 - 来自专栏Mac资源随时更新
Geekbench 6上线！Geekbench 6 更新！
Geekbench 6上线！Geekbench 6增加了对最新硬件的支持，追求的是更有真实意义的性能测试，这次的一大重点改进就是大幅弱化CPU单核跑分的重要性，多核性能变得更加重要。 下载：Geekbench 6 Mac版Geekbench 5 WIn版图片中央处理器基准测试Geekbench 6 可测量处理器的单核和多核性能，适用于从查看电子邮件到拍照再到播放音乐或同时执行所有这些操作 Geekbench 6 的 CPU 基准测试可衡量增强现实和机器学习等新应用领域的性能，让您了解您的系统与前沿技术的差距。 Geekbench 6 的新功能是支持下一代跨平台图形和计算 API Vulkan。实际测试Geekbench 使用实用的日常场景和数据集来衡量性能。 Geekbench 6 专为跨平台比较而设计，可让您跨设备、操作系统和处理器架构比较系统性能。
1.4K60编辑于 2023-02-15 - 来自专栏计算机学习
xv6(6) 系统调用
$Linux$ 里面系统调用使用的向量号是 $0x80$，$xv6$ 里面使用的 $64$(不同 $xv6$ 版本可能不同)。 可是系统调用是有很多的，虽然 $xv6$ 中实现的系统调用没多少，没多少也还是有那么一些的，怎么区别它们呢？ 这就涉及了系统调用号概念，每一个系统调用都唯一分配了一个整数来标识，比如说 $xv6$ 里面 $fork$ 系统调用的调用号就为 1。 没错，在内核栈中的上下文保存着，从内核栈中取出用户栈的栈顶 $esp$ 值，就可以取到系统调用的参数了，$xv6$ 就是这样实现的。 上述差不多将系统调用的一些理论知识说完了，下面用 $xv6$ 的实例来看看系统调用具体如何实现的。
97810编辑于 2023-12-06 - 来自专栏sukuna的博客
MIT_6.s081_Lab6:Xv6 and MultiThread
MIT_6.s081_Lab6:Xv6 and MultiThread 于2022年3月6日2022年3月6日由Sukuna发布 Lab6_1 Uthread: switching between threads 一旦您的xv6 shell运行，键入“ uthread”，gdb将在第60行中断。 文件notxv6 / ph.c包含一个简单的哈希表，该哈希表从单个线程使用时是正确的，但从多个线程使用时则是错误的。 在您的主要xv6目录（可能是〜/ xv6-labs-2020）中，键入以下命令： $ make ph $ . 您将使用pthread条件变量，这是一种类似于xv6的睡眠和唤醒的序列协调技术。 文件notxv6 / barrier.c。 $ make barrier $ .
1K10编辑于 2022-12-08 - 来自专栏DrugOne
Nat. Mach. Intell. | MolCLR:一个用于分子表征学习的自监督框架
键删除(Bond Deletion)如图1(b)中的黄色方框所示, "键删除"以一定比例随机删除原子之间的化学键。 原子之间化学键的形成和断裂决定了化学反应中分子的属性。键的删除模拟了化学键的断裂，促使模型学习一个分子在各种反应中的关联性。 然后，被屏蔽的原子之间的化学键被删除，这样被屏蔽的原子和被删除的化学键就形成了原分子图的子图。如图1(b)中的蓝色方框所示，被移除的子图包括被遮蔽原子之间的所有化学键。
88140编辑于 2022-03-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号