- 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。
4.2K30发布于 2021-04-07 - 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
他们创建了7个简化版本的系统，每个版本都移除了一个关键功能，就像解剖手术一样逐一研究每个组件的作用。 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 7 图7A清晰地展示了不同类型反应中离去基团的分布情况，而图7B则展示了它们的电性分布。 最后，两个离去基团之间也存在明显的规律：超过94%的配对具有相反的电性。 它先将目标分子（标记为“1”）分成两块（“2”和“3”），然后继续将这些部分分解成更小的片段（“4”到“7”）。这就像提供了一份“倒序”的组装说明书。
42200编辑于 2025-04-19 NeurIPS 2025 | UAE-3D：统一潜空间破解3D分子生成的效率困境
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。 预测化学反应的中间态和过渡态 蛋白质扩展：将统一潜空间的思想推广到蛋白质设计——处理骨架、侧链、二级结构等多模态信息 多尺度建模：结合 HGLDM 的层次化思想，在统一潜空间中同时捕获原子级、基团级和全分子级信息 7. Q7：近乎无损压缩是否意味着泛化能力不足？ 这是 VAE 理论中的经典权衡。完美的重构意味着潜空间几乎没有丢弃信息，可能导致过拟合训练数据的噪声。 从实用角度看，5-7倍的效率提升和25倍的几何精度改进，使得 UAE-3D 在大规模药物虚拟筛选中具有直接的应用价值。研究人员可以在更短时间内探索更大的化学空间，加速从计算预测到实验验证的转化。
33010编辑于 2026-01-22- 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 - 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
，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。 结果显示，SimSon在7个任务中表现最佳，在多数数据集上性能优于基于图的方法，且对非规范SMILES表示更具鲁棒性。此研究为分子性质预测提供了高效的基于SMILES的学习方法。 3. 7. scDrugMap: Benchmarking Large Foundation Models for Drug Response Prediction 期刊: arxiv 链接: https:/
63510编辑于 2026-01-08- 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。 7LJ-(SR)短程LJ能在截断距离内的所有非键原子对的范德华能量总和。8Coulomb-(SR)短程静电能在截断距离内的所有非键原子对的静电能量总和。9Coul. 第7项 LJ-(SR) 和 第8项 Coulomb-(SR)它们的值也应该下降并收敛。如果它们下降得非常缓慢或出现突变，可能说明范德华或静电相互作用存在严重冲突。
46620编辑于 2026-04-21- 来自专栏开源部署
Debian 7安装Tomcat 7
一开始用的CentOS7安装的tomcat7，CentOS7自带了httpd服务，80端口是被占用的，卸载了httpd服务后，安装好了openjdk之后安装tomcat7，接着发现默认的端口是8080， 用了netstat命令查看一下端口占用情况发现CentOS7居然没有这个命令，这不科学啊，具体的原因没去分析，更坑爹的是service tomcat iptables命令改成了systemctl start 好无语，在CentOS7上死活没折腾出结果，改成1024以上的端口都是好使的，低于1024的端口都不行，我估计是权限的问题，默认1024下的端口不给权限应该。 我直接运行命令 apt-get update apt-get install java-package apt-get install tomcat7 一切完事之后就是修改端口号, /etc/tomcat7 接着重启服务 service tomcat7 start 好了，ok。
1.6K10编辑于 2022-07-03 - 来自专栏DrugOne
NeurIPS-21 | MGSSL: 基于官能团的分子属性预测图网络自监督预训练
在原子层级，MGSSL使用了遮掩并预测原子/化学键种类的方法学习到原子层级的信息。 然而通过BRICS划分得到的官能团词典较为冗余，我们还定义了两个规则去除冗余的官能团，最终构建 motif tree：（1）当一个化学键连接的两个原子，一个在环上，一个不在环上时，断开化学键；（2）当不在环上的原子有三个或者三个以上邻居时 ，断开与邻居间的化学键，并且选取所述不在环上的原子作为新的官能团。 下游分子属性预测实验结果如表1所示，MGSSL 在MoleculeNet 8个数据集中的7个得到了最好的表现，验证了基于分子官能团的自监督预训练的有效性。
1.2K20编辑于 2021-12-09 - 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。
99520发布于 2020-02-25 - 来自专栏技术杂记
7
我们可以看到，整个“影子栈”区域是一个以0x00007A00~00000000开始的reserved区域。想来这里面应该有一些trick影藏在其中，因为NtQueryVirtualMemory/VirtualQueryEx通过解析vadroot来获得当前进程的内存分配情况，如果vad里面存储的“影子栈”就是一个512G的整体区域，那么在内核中针对每一个线程为什么能区分出这些“影子栈”的边界。显然上述API获得的信息是不全面的。通过调试我们来探测出这个整体影子栈的内存布局情况。我们可以在nt!PspAllo
56010编辑于 2022-06-29 - 来自专栏刷题笔记
7-7 输出全排列
点这里 7-7 输出全排列 请编写程序输出前n个正整数的全排列（n<10），并通过9个测试用例（即n从1到9）观察n逐步增大时程序的运行时间。 输入格式: 输入给出正整数n（<10）。
1.1K10发布于 2019-11-08 Nat. 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。 通过结合注意力权重和梯度信息，模型能够自动识别影响预测结果的重要原子和化学键。在血脑屏障预测任务中，模型重点关注氢键受体和杂环结构，这与经典药物设计规律一致。 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
Nat Mach Intell｜一种分子集合表示模型，用于分子性质的多任务预测
然而，现有的模型存在局限性，例如需要明确定义的化学键，而这通常不能代表分子的真正潜在性质。 如图1a所示，最简单的分子集表示模型MSR1以分子为输入，将每个原子编码为133维的独热编码，包括：（1）原子的度（即与之有化学键相连的原子的个数），值域为1-7，对应地编码为7维的独热编码。 （7）与该原子有化学键相连的氢原子总数，7维独热编码。这些特征称为基于原子的不变集合特征编码，分子中每个原子的编码a0,... 将每个化学键编码为230维的独热编码，包括：（1）键的类型（单键、双键、三键、芳香键、其他键例如配位键），5维独热编码。（2）立体化学类型，7维独热编码。（3）是否芳香键，1维独热编码。 （5）键合的两个原子，各自的原子序数独热编码和原子度的独热编码，每个原子101+7=108维。数据集中的多个分子，对应的集合分别用A0,...,Ai和B0,...,Bi来表示。
67010编辑于 2024-12-03
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