- 综合排序
- 最热优先
- 最新优先
- 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Python
6-3、Python 数据类型-列表
6-3、Python 数据类型-列表列表列表介绍列表是Python中最基本也是最常用的数据结构之一。列表中的每个元素都被分配一个数字作为索引，用来表示该元素在列表内所排在的位置。
48500编辑于 2023-11-08 - 来自专栏全栈开发那些事
6-3 求链式表的表长 (10分)
函数接口定义： int Length( List L ); 其中List结构定义如下： typedef struct LNode *PtrToLNode; struct LNode { ElementType Data; PtrToLNode Next; }; typedef PtrToLNode List; L是给定单链表，函数Length要返回链式表的长度。 裁判测试程序样例： #include <stdio.h> #include <stdlib.h> typedef int El
39630编辑于 2023-02-27 - 来自专栏信数据得永生
django 1.8 官方文档翻译：6-3 Django异常
DoesNotExist异常的基类；对ObjectDoesNotExist的try/except会为所有模型捕获到所有DoesNotExist 异常。
2.4K20编辑于 2022-11-27 - 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
Lewis结构是简单而且经典的概念，但有些结构不能仅被一个Lewis结构有效描述。此时可以画出多个Lewis结构式，表明实际分子是这些Lewis结构的杂合体。描述同一个实际分子的Lewis结构称为共振结构，这种用多个共振结构描述同一个分子的行为称为共振。在我们学习有机化学的过程中，曾经遇到的一个例子就是吡咯的共振结构。
4.3K30发布于 2021-04-07 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-3 线性回归中的梯度下降法
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍在线性回归中使用梯度下降法。
1.4K20发布于 2019-11-13 - 来自专栏北京马哥教育
hiphop原理分析1
自底向上分析（移进归约） 如：我们将“1+2/3+4*6-3-2”逐个字符移进堆栈，如下所示： .1+2/3+4*6-3 E= num 规约a 0 E = E = E + E 规约d 2 E = E - E 规约e 2 ================================================= 1 1.+2/3+4*6- 3 移进 2 E.+2/3+4*6-3 规约a 3 E+.2/3+4*6-3 移进 4 E+2./3+4*6-3 移进 5 E+E./3+4*6-3 规约a 6 E+E/.3+4*6-3 移进 7 E+E/3.+4*6-3 移进 8 E+E/ E.+4*6-3 规约a 9 E+E/E+.4*6-3 移进 10 E+E/E+4.*6-3 移进 11 E+E/E+E.*6-3
1.9K70发布于 2018-05-02 - 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。
67240编辑于 2022-03-04 - 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。
63610编辑于 2026-01-08- 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。
50510编辑于 2025-09-02 - 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
该框架包含三个核心部分： 原子特征增强器（AEE）：通过对比学习技术，分析目标分子与其组成部分（合成子）的结构异同 反应中心预测器（RCP）：结合化学键能量等基础知识，准确识别可能发生反应的化学键位置 本研究的主要发现 通过分析化学键的特征分布（基于美国专利商标局的50K和480K化学反应数据集），研究发现： 能量较高（≥360 kJ/mol）的化学键，包括双键（如碳-碳双键、碳-氧双键、碳-氮双键） 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 3 为了更深入地理解这一规律，研究人员分析了化学键的特征。如图3所示，他们发现： 高能量的化学键（如三重键、芳香键）通常很稳定，不易参与反应。 图4证实了这一点：当一个化学键连接的两个原子具有相反的电性时，它更可能成为反应发生的位置。
42200编辑于 2025-04-19 - 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 - 来自专栏毕业设计
分布式电商系统的设计与实现⑦-1
该模块的测试用例分析表如下表6-3所示：表 6-3 商品测试用例分析表测试主题测试步骤预期结果实际结果品牌管理（1）点击品牌管理，对于商品品牌进行增删改查等操作对于品牌的相关信息进行增删改查均可正常执行符合预期结果商品类型管理 （2）以及对于商品上下架商品的增改查以及上下架均能成功执行符合预期结果秒杀商品管理（1）点击秒杀商品管理，对于秒杀商品的增删改查等操作对于秒杀商品的增删改查均能正常执行符合预期结果修改商品界面如下图6- 3所示：图 6-3 修改商品界面1.1.4 广告管理相关功能测试广告管理，可以对于广告进行增删改查等功能，以及修改广告的状态，该模块的测试用例分析表如下表6-4所示：表 6-4 广告管理测试用例分析表测试主题测试步骤预期结果实际结果广告管理
43400编辑于 2024-06-22 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。 3.2 生成质量：键长分布的突破 在分子生成任务中，一个关键的质量指标是键长分布——生成分子的化学键长度应该符合物理规律（如C-C单键约1.54 Å，C=C双键约1.34 Å）。 4.2 信息协同：模态之间的对话 在统一潜空间中，原子类型、化学键和坐标的信息是交织在一起的。编码器在处理一个原子时，可以同时"看到"它的类型、周围的键和空间位置。
33010编辑于 2026-01-22- 来自专栏深度学习之tensorflow实战篇
数据的标准化与中心化以及R语言中的scale详解
例如有数据集1, 2, 3, 6, 3，其均值为3,那么中心化之后的数据集为1-3,2-3,3-3,6-3,3-3,即：-2,-1,0,3,0 2.数据的标准化 所谓数据的标准化是指中心化之后的数据在除以数据集的标准差 例如有数据集1, 2, 3, 6, 3，其均值为3,其标准差为1.87，那么标准化之后的数据集为(1-3)/1.87,(2-3)/1.87,(3-3)/1.87,(6-3)/1.87,(3-3)/1.87
1.7K30发布于 2019-02-14 - 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 - 来自专栏机器之心
人类首次完全利用AI发现「迄今最强抗生素」，登上《细胞》杂志封面
在这篇论文中，研究者表示有向信息传递网络能直接从分子的图结构预测分子的属性，其中原子可以表示为节点，化学键可以表示为边。 在初始化特征向量时，它又分为原子特征向量与化学键特征向量。 如下最左边的神经网络建模，其最上面为一个分子图，第 3 个原子和第 4 个原子都有连向第 2 个原子的化学键（Bond），下面两个黑色的向量表示这两个连接。 以此类推，红色向量表示第 2 个原子连接到第 1 个原子的化学键。 ? 该模型应用了一系列信息传递步骤，它会聚合邻近原子与化学键的信息，从而理解局部分子的化学性质。 在有向信息传递网络的每次信息传递过程中，通过求和邻近化学键特征向量，并馈送到非线性单层神经网络中，化学键特征向量能得到更新。
99620发布于 2020-02-25
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