- 综合排序
- 最热优先
- 最新优先
- 来自专栏Chris生命科学小站五年归档
安装AlphaFold2，预测Omicron棘突蛋白结构
最近在研究如何将Alphafold2 如何安装在家里的服务器上，在升级了硬件后终于成功了。正好赶上这个超级病毒出现，于是想小试一下看看在晶体结构被解出来之前，预测是什么样子。 根据南非官方（上图）给出的突变信息获得突变以后的蛋白序列，使用Alphafold2 预测得到蛋白三维结构。就是下面这个图片，Alphafold给出的预测精准度是：76.91%。 图中所示结构蓝色是准确度较高的区域，红色是较低的区域。 新冠病毒棘突蛋白入侵宿主细胞的钥匙，它通过与宿主细胞膜上ACE2受体结合入侵细胞。而棘突蛋白的RBD区域是与ACE2结合的关键。 上面只是单体的结构，目前还在跑复合物结构，会在后续更新。 以上非引用的图片及文字是原创内容， 遵循CC-BY-NC Attribution-Noncommercial原则。 开始是物理跨界生物，后来计算机加入了，生命体内微观世界的样子展现出来，从结构到功能，才是真正的机制研究。 Alphafold 是世界上最准确预测结构的软件，没有之一。
46420编辑于 2023-02-28 Esmfold2食用体验-蛋白质结构预测
虽然官网说esmfold2可以设计蛋白质，但是官网给的代码的demo都是蛋白质结构的预测： 官方教程展示了 ESMFold2 的三个代表性应用场景。 总体来看，这一教程想表达的是：ESMFold2 不只是一个普通的蛋白质折叠工具，而是一个能够处理蛋白质、核酸、小分子、非标准残基、共价修饰以及多组分复合物的综合性结构预测框架。 读者大佬们要是想使用esmfold2进行结构预测，请自行去esmfold2申请api key: https://biohub.org/ 接下来就是食用教程了 01.依赖安装 本教程是tom在colab中运行的 除了单序列输入之外，ESMFold2 也支持结合 MSA（Multiple Sequence Alignment，多序列比对） 进行结构预测。 的主要优点在于它具有较强的通用结构预测能力，不仅可以预测普通蛋白质结构，还能够处理蛋白质-核酸复合物、蛋白质-小分子体系、非标准氨基酸、共价修饰以及结合 MSA 信息的复杂建模任务；同时，它可以进行全原子级别的结构预测
50610编辑于 2026-06-01- 来自专栏生信小驿站
RNA结构分析（2）通过核苷酸序列预测二级结构
（2）Mfold服务器 www.unafold.org http://www.unafold.org/ 1.设置任务名 2.输入核苷酸序列 3.点击运行fold 4.点击输出页面的vienna ，得到‘点括号’形式的二级结构 ? （4）Vfold2D服务器 Vfold2D http://rna.physics.missouri.edu/vfold2D/ 1.设置任务名 2.输入核苷酸序列，输入邮箱 3.点击运行 4.点击模型 ，生成二级结构‘点括号’ ? ，即可得到‘点括号’形式的二级结构 ?
8.7K22发布于 2021-01-26 - 来自专栏DrugOne
AlphaFold2能预测错义突变结构代理的影响吗？
AlphaFold2实现了从氨基酸序列预测蛋白质结构的目标，这是一个里程碑式的成就。 虽然AF2的结构预测算法能够准确预测野生型(wild-type,WT)结构，但在预测错义突变对蛋白质三维结构的影响上似乎存在不足。 然而，AlphaFold2预测丙氨酸取代的UBA1(图1a)或UBA2(未显示)在结构上与WT UBA相同，只有微小的折叠差异。作者使用均方根偏差(r.m.s.d.) 综上所述，尽管AF2标志着蛋白质结构预测的关键进步，但作者发现它在很大程度上无法预测点突变何时会导致蛋白质折叠缺陷。 这种相关性的缺乏与本文的案例研究一致，说明了AlphaFold2无法预测点突变对蛋白质结构的影响。这种局限性可能是因为它预测的结构是基于PDB中可用的结构，而不是基于蛋白质折叠的基本驱动力。
74120编辑于 2022-03-25 - 来自专栏新智元
颠覆蛋白结构预测的AlphaFold 2，改变了科学史
传统技术只能生成蛋白质结构的模糊轮廓，这让Higgins感到困惑。 不过，通过使用一种名为AlphaFold 2的新人工智能技术，他破解了导致疟疾的寄生虫所使用的一种关键蛋白质的结构。 Moult会对他们的预测进行准确性评分。满分100，超过90就表明结构预测接近完美。 DeepMind在2018年的CASP会议上进行了首次公开尝试。 在2020年年底的CASP上，AlphaFold 2交出了答卷，预测蛋白质结构的准确率达到了近90%，远远高于其他参赛选手。专家们认为它有效地解决了这个问题。 与此同时，AlphaFold 2也一直在运转，在去年夏天发布了2亿份蛋白质结构预测结果。 研究的步伐正在迅速加快。 AlphaFold的预测并不总是完美的，这个预测模型在解决一小群未知蛋白质方面非常准确，但这并不能保证所有预测的结构都是正确的。
64610编辑于 2023-03-29 - 来自专栏DrugOne
Structure | 评估AlphaFold2在肽结构预测上的表现
虽然正在进行关于评估AF2预测肽-蛋白质复合体结构的性能的工作，但AF2在小肽结构预测上的表现仍未被探索。 在这项工作中，作者的目标是为使用AF2预测10到40个氨基酸长的肽的结构奠定基础，并将AF2的性能与其他肽预测方法进行比较。作者试图理解AF2是否适用于大规模建模通过实验方法难以获得的肽结构。 为实现这一目标，作者从PDB中选取了588个肽，并进行了计算，预测它们使用AF2的结构（图1A）。接下来比较预测结构和实验结构，通过均方根偏差（RMSD）和F/J角度恢复来计算AF2预测性能。 可溶性α-螺旋肽的异常值再次表明AF2在预测螺旋-转角-螺旋结构时遇到困难（图2D）。此外，对于1AMB，AF2完全未能预测α-螺旋结构，RMSD为每个残基0.369埃（图2D）。 例如，尽管NMR模型由整个集合中定义良好的紧凑结构组成，AF2预测2BBL为一个完全无结构的肽（图3D）。 图 4 富含二硫键的肽结构以高精度被预测，但在二硫键模式上有变异。
84610编辑于 2024-04-28 - 来自专栏DrugAI
Methods | RNA结构预测
DRUGONE 相比蛋白质，RNA 分子折叠结构的预测要困难得多，但这一领域正在稳步向前发展。 2021 年，AlphaFold2 的出现彻底改变了蛋白质结构生物学。 这一高度精准的蛋白结构预测工具几乎在发布的第一时间，就对整个生命科学研究领域产生了深远影响。正因如此，蛋白结构预测也被评选为 2021 年的 Method of the Year。 在此之后，结构预测从“计算辅助”跃升为“研究核心工具”。 受 AlphaFold 启发，RNA 结构预测迎来深度学习浪潮 AlphaFold 的成功，也极大激发了研究人员将机器学习和深度学习方法引入 RNA 结构预测。 目前，Protein Data Bank（PDB）中仅有约 2,000 个纯 RNA 结构，而蛋白质结构的数量已经超过 20 万个。这一数量级差距，极大限制了机器学习模型的训练规模与泛化能力。
50220编辑于 2026-01-06 - 来自专栏HUBU生信
RNA二级结构预测
trna二级结构的预测可使用RNA Structure的预测服务器 http://rna.urmc.rochester.edu/RNAstructureWeb/index.html。 例：预测爬行动物北美绿色安乐蜥的tRNA trna166-ArgTCG 的序列的二级结构 进入gtrnadb数据库查找trna166-ArgTCG 的序列 1.gtrnadb下载脊椎动物序列集，进入[Download 查找Anolis_carolinensis_chr2.trna166-ArgTCG序列: grep -n -o "Anolis_carolinensis_chr2.trna166-ArgTCG" eukaryotic-tRNAs.fa 3.将序列文件导入到RNA Structure的预测服务器 http://rna.urmc.rochester.edu/RNAstructureWeb/index.html 进行结构预测。 等待得到预测的结果 ? 全文结束,欢迎在评论区讨论~
2.2K10发布于 2018-12-27 - 来自专栏生信小驿站
预测RNA三级结构
RNAComposer http://rnacomposer.cs.put.poznan.pl/ 输入RNA序列和二级结构，邮箱地址，点击compose即可。 ? 2. 3dRNA-2.0 http://biophy.hust.edu.cn/3dRNA ? 3. Vfold3D ? 4. 这四个rna三级结构预测的服务器网站都是需要序列和二级结构。 研究人员提出了一种快速的，基于RNA二级结构，构建RNA三级结构的自动化新方法——3dRNA。 由于RNA结构组织主要是由二级结构水平和三级作用上的拓扑约束编码决定，因此研究人员采用了一个两步法步骤，从最小的二级元件SSEs开始构建整个RNA三级结构。 具。
5.4K20发布于 2021-03-03 - 来自专栏DrugOne
VibrantFold实现 1分钟精准预测抗体结构，精度媲美Alphafold2
2020 年底，AlphaFold2的出现破解了困扰学界长达五十年之久的“蛋白质折叠”难题，基于氨基酸序列近乎完美地精确预测出了蛋白质三维结构，这项生命科学领域的颠覆性成果被施一公教授誉为“21世纪截至目前人类在科学技术领域上的最大突破之一 VibrantFold在发布前与另外两个国际顶尖蛋白预测平台AlphaFold2和 RoseTTAFold一同进行了内测。通过比较预测结构和实验结构的差异性对三个结构预测平台进行评分。 在内测中，绝大多数抗体结构的预测可以在1分钟内完成。VibrantFold的预测精准度经过了结构生物学家的测评和验证。 清华大学的张林琦教授团队、王新泉教授团队和西湖大学的周强研究员团队提供了尚未发表的抗体结构用于预测。结果表明，上述三个预测平台都可以实现高精度结构预测。 VibrantFold的抗体结构预测精度与AlphaFold2和RoseTTAfold不相上下，已达到全球领先水平，更令人兴奋的是，VibrantFold的预测速度一骑绝尘，计算效率比上述两个软件提升多个数量级
1.4K30发布于 2021-09-17 - 来自专栏DrugScience
榕树集--AF2在抗体复合物结构预测方面的表现
简介 今天介绍一些测评类文章，主要看看AF2在抗体预测方面的表现。先来简要回顾一下Alphafold的历程。 2021年，AF2-multimer版本释放，AF2可以用于预测蛋白--蛋白复合物体系。 简而言之，MSA和Structure template作为AF2的输入项会显著影响结果。复合物尺寸越小，预测效果越好，也就是nanobody效果会好一些。而抗原糖基化也会显著影响AF2的预测效果。 Bonvin[5] 构建了一套基于HADDOCK，ML tools以及AF2的流程，用于提高预测成功率，并在71个复合物结构上的benchamrk上进行了测试。 而在其中ABBE流程表现最好，即使用ABodyBuilder2和AlphaFold2生成的抗原结构模型的集合作为输入，随后遵循DDP流程。
1K11编辑于 2024-01-09 - 来自专栏CreateAMind
视频预测论文2篇
CodeIssues14Pull requests0 Projects 0 Wiki Insights
65220发布于 2018-07-24 - 来自专栏R语言交流中心
R语言实现DNA结构预测
今天给大家介绍一个来预测DNA结构的R包DNAshapeR，其从基因组测序数据中以超高速、高通量的方式预测DNA形状特征。该软件包以核苷酸序列或基因组间隔作为输入，并生成各种图形表示，以供进一步分析。 2. 利用公共的平台去检索对应的基因序列做结构预测,当然，我们参考的这个平台的包需要连接外网。 基因组浏览器的类似功能，展示DNA形状的预测结构 fn2 <- system.file("extdata","SingleSeqsample.fa", package = "DNAshapeR") pred2 <- getShape(fn2) trackShape(fn2, pred2) # Only for singlesequence file #如上图，横轴是序列中的每一个碱基的序列，纵轴是对每个点的预测值
2K41发布于 2020-09-29 - 来自专栏医学数据库百科
UFold | RNA二级结构预测
但是细胞内的 RNA 可以通过折叠形成 RNA 的二级结构。 RNA 的二级结构除了维持 RNA 本身的稳定性之外，其也可以参与一些基因的调控作用。 因此了解一个 RNA 的二级结构还是十分重要的。 所以今天就介绍一个最近发表的基于深度学习的 RNA 二级结构预测工具。 输入完成之后，点击Submit 即可得到预测的预测的 RNA 的二级结构。 关于 RNA 二级结构的预测工具目前已经有很多了。基于 Ufold 的原始文献，作者比较了多个 RNA 二级结构预测工具。 所有有需要预测二级结构的情况，可以尝试使用 UFold 工具。
4.4K30编辑于 2021-12-10 - 来自专栏技术开源分享
2 目录结构
本项目目录结构参考当前网址 参考目录 目录结构修改 vonic-webpack-starter 是vonic-template下载后的目录，自动生成结构保持不变，只需要改变Src目录下的目录结构，对修改后的结构进行简单说明如下 ： assets：静态资源 components：自定义组件 router:vue-router路由 store:vuex状态管理 page:页面 utils:工具集 不同的目录结构下包含不同内容 Src目录结构图.png 别名设置 进入 build/webpack.base.config.js 设置目录别名 基于1.0设置的文件夹结构，对当前项目设置特殊别名 ?
1.4K30发布于 2018-10-31 - 来自专栏大数据文摘
实时股票预测的开源参考结构
在股票市场中，查看历史股票价格并尝试用不同的模型来预测未来是一种常见的做法。 架构：股票预测与机器学习 概括而言，股票预测和机器学习的架构(如下图所示)支持一个由预测模型推动的优化过程，并有三个基本组成部分。首先是输入，实时交易数据必须被捕获和存储，变为历史数据。 然后预测出结果并决定采取何种行动。 ? 上图是简化版，该类型的结构在系统范围增加的情况下还有几个基本因素要考虑。其中重要的是，数据量和系统集成。 许多不同来源和类型的数据被用来预测结果，以及各种各样的汇数据处理。在一个20个数据源和20个处理汇的环境里，实时功能仍需要非常低延迟的操作。这体现了扩展问题的两个面。 机器学习模型得到的结果会被推送到其它应用进行处理，同时结果会在Apache Geode上更新，并进行实时预测和决策。
1.4K80发布于 2018-05-22 - 来自专栏CV学习史
AD预测论文研读系列2
从ADNI-1、GO&2获得822名MCI受试者在基线、6个月和12个月时的认知测量，包括13项版本的阿尔茨海默病评估量表认知子量表（ADAS-COG13）、Rey听觉语言学习测试（RAVLT）即时、RAVLT 对受试者进行基线结构MRI扫描，以提取海马成像测量值 基于LSTM的特征表示 考虑到每个受试者在多个时间点的纵向认知测量，学习了信息性和紧凑的表示，以编码受试者的总体纵向认知表现及其跨多个时间点的时间变化 \(f_t和f^`_t\)是在时间点t（t=1，2，3）的输入和重构的认知测量。 获得自动编码器后，将编码器应用于ADNI-1和GO&2队列的所有MCI患者，从纵向认知测量中提取其潜在特征，然后用于后续的预后分析 预测建模 考虑到纵向认知信息的潜在表现，将其与基于海马MRI的基线测量相结合 以ADNI-1的MCI受试者数据为基础，建立Cox回归模型，并以ADNI-GO&2的MCI受试者数据为基础，评价其预后 结果 实验设置 采用了两个LSTM层，每个LSTM层中的隐藏节点数设置为5（LSTM
97310发布于 2019-09-10 使用Boltz-1进行RNA结构预测
从图中可以看出Boltz-1在预测蛋白质结构方面可以达到很高的精度。 下图是boltz-1在casp15大赛中的表现： 所以我们本章要分享的内容就是使用Boltz-1模型的权重对RNA的结构进行预测。 用于调用远程服务器（如MMseqs2）生成蛋白质序列的MSA。 MSA序列： paired用于结构预测，能提供更可靠的比对信息。 unpaired则为补充信息。 # 数据处理记录 └── predictions # 最终预测结构（PDB或mmCIF） 三.准备预测数据 sub_file = pd.read_csv('/kaggle 那么今天的分享就到这里咯，下一篇文章我们会来看看如何计算rna预测结构和真实结构之间的loss，以及如何使用tm-score来打分。 回见咯。
32110编辑于 2026-04-17- 来自专栏新智元
地球超2亿蛋白质结构全预测，AlphaFold引爆「蛋白质全宇宙」！
AlphaFold能够预测2亿多个蛋白质结构，实现数量级的重大飞跃。 最重要的是，全部免费开放！ 在未来，预测蛋白质结构就如同使用「谷歌搜索引擎」一样简单。 当时，98.5%的人类蛋白质结构全被AlphaFold2预测出来了。 而现在，DeepMind正式宣布该数据库已经从近100万扩大到2.14亿个结构，预测蛋白质结构数量也提升了200多倍！ 据介绍，在超过2亿个蛋白质结构预测中，大约35%的结构具有高精度，并且已达到了实验手段获取的结构精度。 80%的结构可靠性足以用于多项后续分析。 第二代AlphaFold的突破在于，通过预测所有原子的3D结构，来更快更准确地预测出蛋白质结构。 当时，AlphaFold2再一次在CASP大赛上一举夺魁。 现在，他们分享了科学界已知的2亿多种蛋白质预测结构。 这庞大数字背后所涵盖的几乎是整个蛋白质宇宙！
80620编辑于 2022-08-26 - 来自专栏Android相关
处理器结构--分支预测(Branch Prediction)
最初的RISC体系结构处理器采用的应对分支指令的流水线执行的办法。 原因 分支预测器猜测条件表达式的两路分支中哪一路最可能发生，然后推测执行这一路的指令，来避免流水线停顿造成的时间浪费。 而更好的一种方案是n-bit动态预测。 例如2bit动态预测器。 以下为2bit动态预测器工作原理： 当处于处于00状态时候，预测顺序分支 预测成功，仍处于00状态 预测失败，则调整为01状态 当处于01状态时，继续预测顺序分支 预测成功，则调整为00状态 预测失败 2-bit动态预测器 而另外一种变种的2-bit动态预测器如下图所示： ? 变种2-bit动态预测器 标记分支状态以及分支历史的一段内存被称为BTB，这段内存非常小，仅仅只存储了分支指令地址，以及预测的目标地址，以及预测的位。
4K41发布于 2018-10-24
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