- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-6 A-B
点这里 7-6 A-B 本题要求你计算A−B。不过麻烦的是，A和B都是字符串 —— 即从字符串A中把字符串B所包含的字符全删掉，剩下的字符组成的就是字符串A−B。
72420发布于 2019-11-08 - 来自专栏Java
7-6 连续因子
7-6 连续因子 题目 7-6 连续因子 (20 分) 一个正整数 N 的因子中可能存在若干连续的数字。例如 630 可以分解为 3×5×6×7，其中 5、6、7 就是 3 个连续的数字。
32310编辑于 2025-01-21 - 来自专栏刷题笔记
7-6 出生年 (15 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/99697104 7-6 出生年 (15 分) ?
97630发布于 2019-11-08 - 来自专栏刷题笔记
7-6 列车调度 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/98481886 7-6 列车调度 (25 分) 火车站的列车调度铁轨的结构如下图所示。 7-6 列车调度 (25 分) - mumu - CSDN博客 这个问题分析起来挺简单的。我想的是整一个数组，比前面大的小，就把大的换成这个小的，比前面的大就存到下一个。
1.2K10发布于 2019-11-08 - 来自专栏刷题笔记
7-6 部分排序 (15 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101473028 7-6 部分排序 (15 分) 对于一组数据，我们可以只对原先处在中间位置的那些元素进行排序
1.1K20发布于 2019-11-08 - 来自专栏DrugOne
bioRxiv | 抗体的幻想设计
在这篇文章中，作者团队提出了一个用于抗体设计的快速、通用的深度学习框架，旨在缩短抗体库生成和抗体亲和力成熟的周期。 介绍 抗体被广泛开发并作用于治疗癌症、传染病和炎症等疾病。 抗体以更高的亲和力和特异性与抗原结合的进化过程被称为亲和力成熟。增加抗体的亲和力成熟的实验方法昂贵、复杂且耗时。而深度学习（DL）模型正在改变蛋白质结构预测、工程和设计领域的工作。 作者团队受到精确结构预测DL模型——幻想框架的启发，提出了FvHallucinator这一DL框架，以目标抗体结构为条件，设计抗体（特别是CDR环上）的序列。 此外，FvHallucinator在VH-VL界面设计了富含人类抗体复合物和治疗性抗体的氨基酸替换。最后作者还设计了一个管道，针对目标抗原虚拟筛选幻想序列。 图1 用于生成以结构为条件的抗体Fv库的FvHallucinator框架 在抗体设计的特定目的下，一个预先训练好的DeepAb模型组合被用来预测所设计的序列的结构。
59620编辑于 2022-11-28 - 来自专栏刷题笔记
7-6 统计字符出现次数 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/97867095 7-6 统计字符出现次数 (20 分) 本题要求编写程序，统计并输出某给定字符在给定字符串中出现的次数
4.4K30发布于 2019-11-08 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-6 整除光棍
7-6 整除光棍 这里所谓的“光棍”，并不是指单身汪啦~ 说的是全部由1组成的数字，比如1、11、111、1111等。传说任何一个光棍都能被一个不以5结尾的奇数整除。
53510发布于 2020-06-23 - 来自专栏DrugOne
AntiBERTy-抗体预训练模型
前几天，在NeurIPS 2021上，RosettaCommons的Gray Lab团队展示了抗体预训练模型AntiBERTy，相对于AntiBERTa的参数量增加了10倍，并展示了如何用于分析抗体在体内的亲和成熟轨迹以及抗体 在后续分析抗体的亲和成熟轨迹，作者采用了多示例学习（Multiple instance learning）来分类预测一条抗体序列为binder的概率。 ，其中有3位都进化出了类似的VRC01组抗体序列，通过统计冗余度，作者发现embedding空间的序列分布较为均一，这一现象可能与抗体的多轮迭代的亲和成熟有关，从而产生了足够的抗体多样性。 使用MIL model进行弱监督式学习，预测VRC01抗体的补位信息：为了验证MIL模型学到了抗体的结合性质，作者搜集了10个VRC01抗体-复合物的晶体结构。 四、AntiBERTy应用展望： 在收集了免疫血清的前提下，可以使用AntiBERTy在缺乏抗体抗原复合物的前提下，分析出抗体中的CDR的关键热点残基信息，在后续的抗体性质优化过程中可避免这类位置的突变
1.2K20编辑于 2021-12-29 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-6 scikit-learn中的PCA
sklearn封装的PCA与前几个小节我们自己封装的PCA，虽然他们大体流程基本一致，但是他们之间还是有很多不同的地方。
1.2K30发布于 2019-11-13 - 来自专栏DrugOne
. | 机器学习优化抗体得到高度多样和亲和力抗体库
编译 | 曾全晨 审稿 | 王建民 今天为大家介绍的是来自Lin Li研究团队的一篇关于抗体优化的论文。治疗性抗体是一种重要且迅速增长的药物模式。 由于抗体序列的庞大搜索空间使得对整个抗体空间进行详尽评估变得不可行，因此通常从合成产生、动物免疫或人体供体中筛选相对较少的抗体来识别候选抗体。 筛选出的抗体库仅代表整体搜索空间的一小部分，导致得到的候选抗体通常结合能力较弱或存在可开发性问题。需要优化这些候选抗体以提高结合能力和其他开发特性。 由于序列空间的组合爆炸，常常采用逐步迭代的方法来优化抗体与目标分子的结合，但这样做耗时且需要大量精力来验证无功能的抗体。 现有的基于机器学习的抗体优化已经显示出在设计针对特定目标的抗体时，可以提高其结合特性，并且可以仅基于序列数据学习抗体的结合情况，而无需目标的结构。
1.3K30编辑于 2023-09-19 - 来自专栏DrugOne
. | 评估抗体和纳米抗体用于筛选有效候选物
单克隆抗体已成为关键的治疗药物。特别是纳米抗体，这种小型的、单域的抗体自然表达于骆驼科动物中。自2019年首个纳米抗体药物获批后迅速受到关注。然而，将这些生物制品作为治疗药物开发仍然具有挑战性。 纳米抗体（Nb），即单域抗体（VHH），自然表达于骆驼科动物中的。它们因其独特的结构特性而日益受到欢迎。 在这项工作中，作者引入了一种新的深度学习方法来解决这些挑战，使计算工程能够处理与免疫系统获得的抗体和纳米抗体序列几乎无区别的的抗体和纳米抗体序列。 在抗体治疗的应用 图 3 在抗体药物开发中，评估抗体人类可用性是一个关键步骤，目的是确保药物候选物对患者的最小风险。 天然骆驼科纳米抗体 图 4 自2019年首个基于纳米抗体的治疗药物Caplacizumab获批以来，单域抗体的发展势头更加强劲。
48910编辑于 2024-02-23 - 来自专栏智药邦
Nat Biomed Eng：利用深度学习从抗体序列中预测抗原特异性，优化抗体药物
测序结果显示，分别有11,300和27,539个独特的结合抗体变体和非结合抗体变体。然后，所有结合抗体变体和非结合抗体变体的序列被用来训练深度神经网络。 该算法预测了相应抗体与抗原的结合程度，当置信度大于0.5时，通过预测筛选出10.6×106个潜在的结合抗体变体；当置信度大于0.7时，通过预测筛选出6.39×106个结合抗体变体。 为了进一步证明深度学习识别新的抗体变体序列的能力，作者随机选择了42个不同的抗体变体序列，其中30个是结合抗体变体，12个是非结合抗体变体。 发现改良的抗体药物 研究人员对经过计算优化的候选抗体变体序列进行实验表征，确定了高亲和力、高表达力、热稳定性良好和去免疫化的抗体变体。经过单细胞分选，选择了55个抗体变体。 发现其中五个抗体变体显示出与曲妥珠单抗相当或更好的表达量；所有十个抗体变体的热稳定性与曲妥珠单抗相当或更好；值得一提的是抗体变体1，其表达量与曲妥珠单抗相当，热稳定性有所提高，并且与曲妥珠单抗相比，抗体变体
4.3K51发布于 2021-06-07 - 来自专栏智药邦
腾讯AI Lab｜自适应自回归扩散模型设计活性人源化抗体和纳米抗体
引言 1.1 抗体和纳米抗体概述 传统抗体具有典型的Y型结构，包括两对相同的蛋白质链，每对由一个重链和一个轻链组成。 由于其高度特异性和强大结合能力，抗体在多种疾病（如癌症、自身免疫性疾病和感染性疾病）治疗中具有重要应用。 单域抗体（VHH），通常被称为纳米抗体，其结构仅包含单一的重链，但功能上与传统抗体相似。 1.2 抗体人源化的挑战 抗体的人源化是抗体药物开发中的重要环节。未经人源化的鼠源抗体在人体内可能引发人抗鼠抗体（HAMA）反应，降低抗体的治疗效果。 结果表明，HuDiff-Ab设计出的抗体在这些评估指标上与实验数据非常接近，展示了其在设计人源化抗体方面的有效性。AbLSTM得分用于评估抗体序列的稳定性，而H得分则反映了抗体的总体人源化水平。 结论 本文提出了一种基于自回归扩散模型的人源化抗体和纳米抗体设计方法HuDiff，并通过多组实验验证了其有效性和实用性。HuDiff在人源化抗体和纳米抗体方面表现出色，具有显著的应用潜力。
1.3K10编辑于 2024-12-06 - 来自专栏DrugOne
. | 通过深度学习从抗体序列预测抗原特异性优化治疗性抗体
大家好，这周推荐的是一篇nature biomedical engineering上发表的优化治疗抗体的文章，Optimization of therapeutic antibodies by predicting 治疗性抗体的优化需要大量的时间和资源，这主要是因为哺乳动物细胞中表达的全长抗体的低通量筛选（大约以千为单位），通常得到少量的优化前体。 本文中作者展示优化的抗体突变体可以从大量不同的抗体序列空间中经由深度学习预测抗原特异性来识别。 ? 为了产生可以用于训练深层神经网络的数据，作者利用CRISPR–Cas9介导的同源性定向修复引入定点突变，对在哺乳动物细胞系中表达的治疗性抗体trastuzumab（曲妥珠单抗）的文库（~万个突变体）进行了深度测序 本文作者展示了深度学习促进抗体工程和优化的强大能力。
1.2K11发布于 2021-04-30 - 来自专栏智药邦
治疗性抗体开发中的深度学习
数据量的不足和生物平台的差异使得开发能够预测抗体行为(实际商业开发步骤中)的监督模型具有挑战性。但是在一般蛋白质行为建模方面的成功和早期的抗体模型表明了这种可能性，特别是由于抗体有一个共同的折叠。 抗体空间的无监督模型，如生成对抗网络（GANs）和自动编码器，正被用来创建大型的、多样化的抗体库，以达到发现的目的，以及有意设计抗体集进行筛选和进一步学习下游的特性。 生成器可以在人类抗体库上进行训练，然后产生大型、多样化的合成抗体库，这些抗体在序列上是唯一的，但在其他方面与人类库抗体无法区分。这种抗体库生成方法允许使用迁移学习明确控制给定库中抗体的特性。 相比之下，抗体模型可以利用序列和结构的大量保守性。如此多的抗体序列是保守的，即使是跨物种抗体也显示出很强的比对特征，例如骆驼VHH结构域和人类VH结构域。 借助已捕获更大范围的抗体序列关系的训练模型，我们可以应用迁移学习将这些模型集中到抗体类型的子集上。
1.3K20编辑于 2022-03-04 - 来自专栏生命科学
PROTAC与抗体偶联药物的结合 | MedChemExpress
非特异性蛋白靶向思路二：PAC 分子 这是一种采用了抗体偶联药物 (ADC) 技术的分子，这种将 PROTAC 与 ADC 结合的技术也被称为抗体 PROTAC 复合物 (PAC)。 PAC 由 ADC linker 和 PROTAC 分子组成，PAC 与抗体偶联。与 PROTAC (不偶联 Ab) 相比，PAC 偶联抗体之后更加显著降低雌激素受体-α (ERα) 水平。
64820编辑于 2023-02-28 - 来自专栏DrugOne
用于药物发现的抗体表征学习
作者开发了一个抗体序列特定的预训练语言模型。发现在通用蛋白质序列数据集上对模型进行预训练可以更好的支持特征细化和学习抗体结合预测。 研究背景 图1：抗体结构及其与抗原相互作用 抗体是由免疫系统产生的 Y 形蛋白质，用于标记或中和称为抗原的外来物质。如图1所示，抗体由两条相同的轻链和两条相同的重链组成。 CDR的氨基酸序列决定了抗体将结合的抗原。抗体设计主要就是设计其CDR区。在针对特定靶标设计优化的候选抗体时，会考虑抗体的许多天然特性，包括结合亲和力、结合特异性、稳定性、溶解度和效应器功能。 抗体结合亲和力是本文重点讨论的特性。 抗体数据集 为了评估和比较学习的表示和传统的抗体特征，作者为抗体结合预测任务准备了以下几个基准数据集。 数据集是使用高通量方法生成的，用于计算机抗体库设计和抗体结合亲和力测量，数据集中亲和力基于AlphaSeq 技术测量。
88550编辑于 2022-11-28 - 来自专栏DrugOne
学习抗体高变异性的语言
然而，通用的“基础”PLMs在预测抗体方面的性能有限，这是因为抗体的高变异性区域不符合模型所依赖的进化保守原则。 在现代治疗中，抗体一直是最有希望的药物候选物之一。这种治疗成功得益于抗体的显著结构多样性，使其能够识别极其广泛的潜在靶点。这种多样性源于其高变异性区域，这些区域对于抗体的功能特异性至关重要。 抗体结构预测 表 1 作者将结构预测视为AbMAP中的模板匹配任务：在抗体模板数据库中搜索与查询抗体在结构上最相似的样本。 突变变异预测 图 3 计算机辅助的抗体建模在低频率抗体设计和优化中具有关键应用。 这项任务的目标是从一小组训练集的抗体中，计算性地推断出组合突变对一组广泛的抗体候选者的影响，并利用结果指导下一轮的实验验证。基于PLM的计算性突变可以在加快抗体类治疗的设计和开发过程中发挥重要作用。
46410编辑于 2023-09-19 - 来自专栏ReganYue's Blog
【PTA】7-6 求最大公约数 (40point(s))
求两个整数的最大公约数。 输入格式: 输入两个整数，以空格分隔。 输出格式: 输出最大公约数。 输入样例: 9 18 输出样例: 9 # include # include int gys(int a,int b){ if(a<b){ int temp=a; a=b; b=temp; } while(b!=0){ int i=a%b; a=b; b=i; } return a; } int main(){ int a,b; scanf("%d %d",&a,&b
82330发布于 2021-09-16
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