- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信小驿站
从pdb文件中提取蛋白质序列
提取该蛋白质结构的所有序列 save 1ywt.fasta 仅提取该蛋白质结构的特定chain的序列 save 1ywt.fasta, chain A ? ? 方法（2）使用网页在线数据库的方法 https://swift.cmbi.umcn.nl/servers/html/soupir.html ? 简单两步，就可以得到如下的结果 ?
4.9K20发布于 2020-09-08 - 来自专栏大阳岛
LegoLoam(2)特征提取
概述 本节主要讲节LeogLoam中点云特征提取部分 2. 特征提取 2.1 点云预处理 点云数据的坐标轴进行交换，变换后的坐标轴如下图: 图片 点云数据计算偏航角yaw, yaw = -\arctan(point.x, point.z) (-atan2 cosImuRollStart * y5 + imuShiftFromStartYCur; p->z = z5 + imuShiftFromStartZCur; } 2.3 点云特征提取 0.02 * segInfo.segmentedCloudRange[i]) cloudNeighborPicked[i] = 1; } } 特征提取 po->x = cos(ry) * x2 - sin(ry) * z2; po->y = y2; po->z = sin(ry) * x2 + cos(
1.4K20编辑于 2023-02-17 - 来自专栏DrugOne
基于Alphafold2进行蛋白设计
前言: 随着alphafold2突破性预测蛋白结构的成功，学术界也开始尝试探索如何使用它进行高精度的蛋白序列设计。本篇快速地进行一下解读。 2. 经过这样处理之后，将预测对的residue fragment提取了出来，比随机生成更有利于序列空间的搜索。 2.2 迭代end-2-end设计 设计方法的核心是通过MCMC算法对序列空间进行采样，接着使用AlphaFold预测结构，直到生成与目标结构的backbone尽可能地相似。 在第一阶段进行序列设计时，af2预测的TM-score仅有0.746，经过上述的方法进行迭代设计之后，新设计的序列与Top7的相似性仅为27%。 初始序列对应匹配TM-score为0.596-0.7之间，经过设计后，af2预测结构的Cα-RMSD降低至1Å以内，pLDDT score > 85。
1.1K10发布于 2021-09-17 - 来自专栏R基础
两蛋白间的分子对接—2
两蛋白间的分子对接—21 与Chatgpt之间的对话需要进行的是SFN和HDAC6两蛋白分子的对接，思路是Uniprot数据库中检索SFN与HDAC6蛋白质，挑选分别率最佳的构象。 以下记录和chatgpt的对话：2 优化后的分析流程具体看最后一条与chatgpt之间的对话现在的分析流程是下载AF-Q9UBN7-F1、AF-P31947-F1的PDB文件，不需要去除水分子和多余配体
57111编辑于 2024-11-19 - 来自专栏科技记者
脚本分享—gbk文件中提取蛋白质序列以及注释信息
脚本简介： 本脚本用于从 GenBank（GBK）格式文件中提取蛋白质序列，并将结果输出为 FASTA 格式文件。 主要功能包括： 提取 CDS 区域的蛋白质序列； 可根据参数选择是否在序列标题中附加蛋白质的功能注释； 该脚本适用于基因组注释分析、蛋白质功能预测等常见生物信息学任务。 conda install -c bioconda biopython 查看脚本帮助文档： python Gbk_extea_protein.py -h 脚本使用方法： 1）脚本准备文件如下图所示 2） 注意事项 GBK文件从NCBI GeneBank数据库下载，文件中必须包含蛋白质文件； 对于基因组较大的真核生物，如人基因组，gbk文件有多个染色体组成，不包含蛋白序列文件，这样的gbk文件无法使用脚本提取蛋白质序列 ； 程序依赖于biopython模块，需要提前安装好； 实战演习 # 只提取蛋白质序列和蛋白质ID python Gbk_extea_protein.py -g NC_000913.gbk -a F -
46710编辑于 2025-05-09 - 来自专栏生物信息云
分子对接教程 | (2) 选择合适的蛋白受体
这里不详细介绍，因为我们做分子对接，通常蛋白名称是已知的。我们重点介绍怎么选择合适的蛋白结构文件。 ? 比如我们搜索PI3K这个蛋白，结果是有很多的。可以看到有393个结构信息。 ? 包括 UniProtKB 中直接与这个蛋白质有两两相互作用的蛋白质序列的链接，以及这个蛋白质在各种蛋白质相互作用数据库或蛋白质网络数据库中涉及的数据库记录链接。 三级结构列出了该蛋白质在蛋白质结构数据库 PDB 中涉及的数据库记录链接。这些结构经常只对应蛋白质的部分序列。 Family & Domains：提供蛋白质家族及结构域信息。 能够实现蛋白质三维结构可视化的软件非常多。比专业级的PyMOL（https://pymol.org/2/）。这个软件已经被世界上著名的生物医药软件公司“薛定谔公司（Schrödinger）”收购。 最后，这些都是在蛋白结构已知的蛋白分子对接，如果我们要对接的蛋白，没有晶体结构，在PDB中是检索不到的，在UniProt 中的Structure是不会显示的。
7.1K64发布于 2021-02-26 - 来自专栏DrugScience
DOCK-2-蛋白受体与配体的准备
准备蛋白受体以及配体文件 使用的蛋白文件为1HTP 整体蛋白显示 1:去除水分子，分别将蛋白受体与其中的配体进行保存，保存格式为任意，此处保存为pdb格式 2:使用chimera的dock prep插件 ，为受体加氢加电荷，并且保存为mol2文件 保存好的受体文件，mol2格式，文件头一部分 @<TRIPOS>MOLECULE rec-1htp.pdb 1940 1962 131 0 0 PROTEIN ff14SB @<TRIPOS>ATOM 1 N -15.3620 29.4030 8.6420 N.4 1 SER 0.1849 2 1 C1 -6.7080 26.0460 -4.3120 C.2 1 OSS 0.5639 2 O1 -5.7380 26.2170 -5.0540 O.2 1 OSS -0.5151 3 C2 -6.6180 25.3890 -2.9330 C.3
88820发布于 2021-02-04 - 来自专栏finleyMa
Scrapy1.6 爬虫框架2 提取数据
使用 scrapy shell 提取数据 scrapy shell 是 scrapy 提供的命令行工具，可以方便的调试 比如执行 scrapy shell "http://quotes.toscrape.com image.png 提示我们会暴露出来很多有用的对象，比如response对象包含了css和xpath方法，可以进一步提取页面的title。 ? image.png 修改上节中建立的 quotes_spider.py 我们分别提取 text, author 和 tags import scrapy class QuotesSpider start_urls = [ 'http://quotes.toscrape.com/page/1/', 'http://quotes.toscrape.com/page/2/
66810发布于 2019-06-11 - 来自专栏生信技能树
蛋白质组学第2期-认识蛋白质组学原始数据
上周我们公布了，蛋白质组学习小组起飞啦！ 短短几天就获得了200多小伙伴的支持，让我们也更有信心的带领大家掌握一个蛋白质组学数据处理的实战，我们第2期学习内容是认识一下蛋白质组学的原始数据 ? Cell Carcinoma is Downregulation of the Mevalonate Pathway at the Post-transcriptional Level》 理清文章思路 总结蛋白质组学部分的流程 标出所用的软件及需要下载的内容 2.下载软件：MaxQuant 网址：https://www.maxquant.org/ 下载 ?
5.6K77发布于 2019-07-18 - 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」！
DeepMind官宣，AlphaFold可以预测出2亿多个蛋白质结构，几乎覆盖了整个「蛋白质宇宙」。 今天，DeepMind再次引爆学术界！ 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。 超2亿蛋白质结构，免费用 不可小觑的是，AlphaFold确实是学术界「海啸级」的存在，足以改变全人类。 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！ 他说：「从近100万个蛋白质结构扩展到超过2亿个蛋白质结构，几乎涵盖了所有基因组测序的生物体，这是一个巨大的里程碑！」
67920编辑于 2022-08-26 【辰辉创聚生物】蛋白质组学：裂解化学、机械破碎与分馏策略在蛋白提取中的分子机制解析
在生命科学研究流程中，蛋白提取常被视为下游分析前的准备步骤，但从蛋白质组学与系统生物学的角度看，它实际上决定了后续数据质量的理论上限。 蛋白提取的本质并非单纯的物理破碎，而是在细胞结构崩解的瞬间，通过化学与热力学手段将蛋白质组的生化状态加以保存。 四、复杂样本的特异性挑战不同生物基质对蛋白提取提出了差异化挑战。植物样本中常见的多酚和多糖会在裂解过程中干扰蛋白稳定性，多酚氧化后易与蛋白形成共价交联，而多糖则显著提高溶液黏度。 体液样本虽然不存在物理屏障，但其蛋白组成高度不均衡，高丰度蛋白可能掩盖关键信号分子。基础提取步骤的首要目标，是确保样本在体外条件下保持稳定，避免凝血或补体系统的非特异性激活。 五、总结总体而言，蛋白提取是一项融合机械工程、胶体化学与酶学调控的系统技术。其目标是在破坏细胞结构的同时，最大限度保留蛋白质组的真实状态。
10310编辑于 2026-03-09Furin蛋白酶切位点在SARS-CoV-2刺突蛋白功能中的作用机制研究
早期生物信息学分析，特别是通过多序列比对，发现SARS-CoV-2刺突蛋白在S1/S2亚基交界处存在一个独特的、在其他已知冠状病毒中较为罕见的插入序列"PRRA"。 该重组蛋白可用于：1.体外酶切验证：在体外生化反应体系中，直接验证Furin蛋白酶对SARS-CoV-2野生型及突变型刺突蛋白（或其S1/S2重组肽段）的切割效率与特异性。 2.酶动力学研究：定量分析酶切反应的动力学参数（如Km、Kcat），评估不同刺突蛋白变异体作为底物的差异。3.抑制剂筛选平台：作为靶点蛋白，用于高通量筛选或评估潜在Furin蛋白酶抑制剂的活性与效能。 2.无外源蛋白酶条件下的作用：在不存在外源性蛋白酶（如胰蛋白酶）的细胞-细胞融合模型中，具有功能性Furin切割位点的刺突蛋白展现出更强的介导膜融合能力。 四、结论与展望：从机制研究到工具应用综合现有研究，SARS-CoV-2刺突蛋白中的Furin蛋白酶切位点是一个重要的功能元件，但其在病毒入侵中的绝对必要性可能因微环境（如局部蛋白酶的种类与丰度）而异。
12610编辑于 2026-01-26- 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%。 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。 这次突变的位置确实集中在RBD区域，从放大的图片看，突变多在棘突蛋白偏中心轴的位置，而抗体中和区域在另外一侧，这样的突变会增加传播率，而是否影响现有抗体或者疫苗的能力从位置来看推测影响并不大。
38520编辑于 2023-02-28 ESM3蛋白质语言模型cookbook（2）
Qustion2.什么是embedding表达？ 好，那我们今天就开始围绕这些话题展开描述。 ESM3专注于可控的蛋白质生成，而ESM C专注于创建蛋白质潜在生物学的表示。 ESM官网对ESM-C模型的介绍 所以大家可以理解成ESM-C模型就是一个特征提取模型。 所以我们这次将会通过ESM-C蛋白质语言模型去提取蛋白质序列的embedding表示也就是用特征向量来表示蛋白质序列。 \nRand index: {rand_index:.2f}" ) plt.xlabel("PC 1") plt.ylabel("PC 2") plt.show() 然后我们使用第 上图是使用第七层的embedding进行分类的效果，可以看到当汤姆使用第七层进行蛋白质序列的特征向量的提取之后，然后对向量进行降维，直接映射在2D pca的散点图就可以明显区分出来lid_type为zinc
2200编辑于 2026-04-17- 来自专栏智药邦
AlphaFold预测出2亿种蛋白质结构，打开整个蛋白质宇宙
2022年7月28日，DeepMind官方网站发布AlphaFold最新进展：AlphaFold已经确定了地球上几乎所有已知生物体中大约2亿种蛋白质的结构。 通过与EMBL-EBI合作，DeepMind发布了科学界已知的几乎所有已编目蛋白质的预测结构，这将使AlphaFold DB扩展超过200倍 (从近100万个结构到超过2亿个结构)，有可能大大增加我们对生物学的理解 03 2020年 解决50年来生物学领域重大挑战 2020年11月30日 AlphaFold2以巨大优势赢得CASP14，并被CASP的组织者认为是解决50年历史的“蛋白质折叠问题”的解决方案，因为它预测结构达到原子精度 2021年11月2日 DeepMind更新了AlphaFold2源代码以解释多链蛋白质复合物，显著提高了预测蛋白质相互作用的准确性。 2022年7月28日 DeepMind将AlphaFold蛋白质结构数据库从近100万个结构扩展到超过2亿个结构，包括对UniProt中大多数蛋白质的预测。
88320编辑于 2022-11-16 - 来自专栏机器学习养成记
关键词提取Part2（A Deeper Discussion）
在关键词提取任务中，可以通过制定关键性指标，对词汇进行排序，然后抽取指标较高的词汇输出，作为最终的结果。有人会问，基于“关键性”指标的定义提取关键词，是不是不属于机器学习的方法？ （对于TF-IDF,特征向量是一个2维向量，分别是TF值和IDF值，对于TextRank指标，特征向量是一个N维向量，N是被分析文档包含的词汇个数，每个维度表示该词汇与其他词汇之间的“共现”权重）。 于是，便导致几乎没有学者沿着这个思路继续研究，从而形成了“关键词提取”任务研究的理论盲区。 2. 可以指定多个人对同一个文档进行关键词标注，词汇被选为关键词的概率（被选为关键词的次数除以进行标注的总人次）作为其关键性指标，用于机器学习。 3. ....
51020发布于 2020-02-26 - 来自专栏点云PCL
PCL点云特征描述与提取（2）
查询点 的PFH计算的影响区域 为了计算两点Pi和Pj及与它们对应的法线Ni和Nj之间的相对偏差，在其中的一个点上定义一个固定的局部坐标系，如图2所示。 ? ? input cloud->points.size ()有相同的大小，即每个点都有一个pfh特征向量 PFHEstimation类的实际计算程序内部只执行以下： 对点云P中的每个点p 1.得到p点的最近邻元素 2.
1.5K20发布于 2019-07-31 - 来自专栏APP自动化测试
使用Apple Configurator 2提取商店ipa or app文件
之前我们可以通过iTunes来提取商店的ipa文件, 但12. +版本以后这个功能就被拿掉了 目前可以借用Apple Configurator 2工具来实现 安装: 可以直接在App Store搜索安装 ? 使用: 打开后可以看到已经连接的手机 ? 在弹出的搜索框中输入想要提取的app名称, 这里以高德地图为例 ? 选择app图标,点击添加会开始下载 ? 保持等待, 下载完后会提示是否替换, 这个时候注意不要做任何操作 ?
6.4K10发布于 2020-07-27 - 来自专栏从零开始学自动化测试
httprunner 2.x学习14-jsonpath提取
前言 httprunner 2.x 版本是可以支持 jsonpath 提取器，但有个小bug一直未得到解决，会出现报错：ResponseObject does not have attribute: parsed_body 遇到问题 使用jsonpath提取器，提取返回结果，校验结果的时候，部分代码示例如下 validate: - eq: [status_code, 200] - eq: [headers.Content-Type $..items.*.id :return: A list that extracted from json repsonse example. 1) [200] 2) [1, 2 list, 如：1) [200] 2) [1, 2]，我们平常大部分情况都是直接取值，不需要提取多个，于是return结果的时候，可以直接取值[0] 修改后 # 作者-上海悠悠 QQ交流群:717225969 jsonpath 提取返回结果，提取出匹配到的第一个值, 校验结果也一样 # 作者-上海悠悠 QQ交流群:717225969 # blog地址 https://www.cnblogs.com/yoyoketang
60810发布于 2021-06-24 - 来自专栏智药邦
Nat Commun｜使用AlphaFold2改进对蛋白质-蛋白质相互作用的预测
不幸的是，没有一种计算方法能够产生准确的蛋白质复合物的结构。AlphaFold2在模拟单链蛋白质结构方面显示出前所未有的准确度。在这里，我们将AlphaFold2应用于预测异源二聚体蛋白的复合物。 在这个管道中，使用trRosetta的距离和角度约束，预测了异质二聚体蛋白复合物的两条链之间的相互作用及其结构。这项研究表明，一个专注于链内结构特征提取的管道也可以成功地扩展到链间特征的提取。 但是，只有7%的被测蛋白质成功折叠和对接。 在该研究中，我们发现生成最佳MSA对于获得准确的折叠和对接解决方案至关重要。我们还发现，这个过程需要一个最佳的MSA深度来优化链间信息提取。 研究结果和未来展望 在这里，我们表明AlphaFold2 (AF2) 可以预测许多异质蛋白复合物的结构，尽管它被训练为预测单个蛋白链的结构。 有趣的是，在AF2中没有实施额外的约束条件来拉动两个链的接触，这意味着链的相互作用 (以及随后的界面大小) 完全由预测器提取的链间信号量决定。
5.6K10编辑于 2022-06-08
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