细菌蛋白纳米线构建低功耗人工神经元

科学家构建出功能类似真实神经元的人工神经元某机构的研究人员利用细菌培育的蛋白质纳米线，成功开发出低电压人工神经元，其电活动与天然脑细胞高度匹配。 蛋白质纳米线的关键作用研究团队使用的秘密成分是从地杆菌中合成的蛋白质纳米线。 这种细菌不仅能够产生电能，其蛋白质纳米线还被用于设计多种高效设备，包括：由汗液驱动的生物膜，可为个人电子设备供电能够嗅出疾病的"电子鼻"几乎可以从任何材料中收集空气中电能的设备应用前景这项技术有望推动以下领域的发展

加速构建蛋白质元宇宙！分子之心借MoleculeOS引擎完成AI蛋白预测三级迭代

8月11日，“AI蛋白质预测奠基人”许锦波领衔的分子之心团队宣布，在蛋白质结构预测领域取得一项重要进展。 但目前的AI蛋白结构预测算法普遍需要提前搜索序列库、构建MSA才能进行结构预测。 这一固有路径存在两大局限。 二是并非所有蛋白质都有足够多的同源序列，比如对于孤儿蛋白等小型蛋白质家族，基于MSA的预测方法始终表现不佳。 “我们正在开发一种方法，可以直接从其一级序列预测蛋白质结构，而无需隐含使用任何同源信息，这种方法才可以正确地预测孤儿蛋白的结构。”许锦波表示，分子之心正在对孤儿蛋白等特殊蛋白质结构预测进行深入探索。 随着算法持续进化，关于蛋白质复合物结构、蛋白质和其他分子的相关作用、抗体抗原相互作用等蛋白质结构预测的其他难题，将逐一得解。

Rails 构建评论功能（8）

再次刷新访问，显示效果不变 ---- 删除评论 在comment视图中添加一个删除链接 然后触发Comment 模型进行删除操作 [root@h202 blog]# vim app/views/comments/_comment.html.erb [root@h202 blog]# cat app/views/comments/_comment.html.erb

Commenter: <%= comment.commenter %>

k8s集群构建

Kubernetes(k8s)是Google开源的容器集群管理系统（谷歌内部:Borg）。 systemctl enable kube-controller-manager systemctl enable kube-scheduler step7：kubernetes node安装 [root@k8snode1 KUBE_ALLOW_PRIV="--allow-privileged=false" KUBE_MASTER="--master=http://192.168.10.1:8080" [root@k8snode1 network/config '{"Network":"172.17.0.0/16"}' etcdctl rm /coreos.com/network/ --recursive //若要重新建，先删除 8. 执行kubectl 命令检查 在master上执行下面，检查kubernetes的状态 [root@k8smaster ~]# kubectl get nodes NAME STATUS

CMake构建学习笔记8-OpenSceneGraph库的构建

理论上来说，上述几个库不是OSG的必须依赖库，但是将它们作为依赖库构建，OSG的功能就更完整。 2. 构建过程 构建OSG库的关键指令如下所示： # 配置CMake cmake .. --config RelWithDebInfo -- /m:8 # 安装阶段，指定构建类型和安装目标 cmake --build . 这样的应用工具还是非常实用的，推荐还是进行构建。 BUILD_OSG_EXAMPLES表示是否构建示例程序，像这样的构建选项，为了加快构建速度一般不用进行构建。 CMake提供的功能非常强大，有的功能还会远程拉取代码，这个时候往往会因为国内网速的原因导致终端构建配置。不过，提供这种功能的模块往往是非必须的构建选项，可以找一找将其取消掉，在重新进行构建。 总之，多看看的构建配置的输出信息和选项，熟能生巧，有了经验以后就能又快又好地构建依赖库了。

Docker 中构建 Jenkins8

可以看到 Role-based Authorization Strategy 插件，版本和我们指定的一样

AI改善蛋白质相互作用的结构建模

蛋白质通常被称为人体的工作分子。一个成年人的身体约有20000多种不同类型的蛋白质，每种蛋白质都涉及人类生命所必需的许多功能，许多重要的细胞过程也涉及到蛋白质的物理相互作用。 因此，确定蛋白质的四级结构为理解复合物功能的分子机理提供了重要的见识。 为了帮助更好地理解蛋白质在体内的相互作用，普渡大学的研究人员设计了一种新颖的方法，利用深度学习来更好地了解蛋白质在体内的相互作用方式，从而为产生与各种疾病有关的蛋白质相互作用的准确结构模型铺平了道路，并为设计针对蛋白质相互作用的更好药物铺平了道路 为了了解蛋白质复合物功能的分子机制，生物学家一直在使用诸如X射线和显微镜的实验方法，但这是费时和资源密集的工作。 为了评估蛋白质对接模型，DOVE使用3D体素扫描模型的蛋白质-蛋白质界面，并考虑原子相互作用类型及其能量贡献作为应用于神经网络的输入特征。

Science | 机器学习揭示了构建人造蛋白质的秘诀

通过开发可以回顾从基因组数据库中选出的蛋白质信息的机器学习模型，研究人员发现了用于构建人工蛋白质的相对简单的设计规则。 当团队在实验室中构建这些人造蛋白质时，他们发现它们的化学反应非常出色，可以与自然界中的蛋白质媲美。 ? 人工智能学习蛋白设计规则 蛋白质由成百上千个氨基酸组成，这些氨基酸序列决定了蛋白质的结构和功能。 但是，仅了解如何构建这些序列以创建新蛋白的方法一直是一项挑战。过去的工作导致了可以指定结构的方法，但是功能却更加难以捉摸。 该模型显示，仅氨基酸位置的保守性和氨基酸对进化中的相关性就足以预测具有蛋白质家族特性的新人工序列。 Ranganathan说，通常认为要构建某种东西，首先必须深刻理解它的工作原理。 但是，如果有足够的数据示例，则可以使用深度学习方法来学习设计规则，即使正在了解其工作原理或以这种方式构建的原因也是如此。

利用细菌蛋白纳米线构建的低电压人工神经元

这项创新基于该团队早期利用产电细菌制造蛋白质纳米线的研究。这一新方法可能为以生命系统的效率运行、甚至能与生物组织直接连接的计算机铺平道路。 这个中间放大步骤既增加了功耗，也增加了电路的复杂性，但使用我们的低电压神经元构建的传感器可能完全不需要任何放大。” 该团队新型低功耗神经元的秘密成分是一种由非凡的细菌硫还原地杆菌合成的蛋白质纳米线，这种细菌还具有产电的超能力。 Yao及其同事们已利用这种细菌的蛋白质纳米线设计了一系列极其高效的设备：一种可以用汗水为个人电子设备供电的生物膜；一种可以“嗅出”疾病的“电子鼻”；以及一种几乎可以用任何材料建造、可以从空气中获取电能的设备

Jenkins（8）构建触发器之定时构建和轮询 SCM

jenkins的定时任务是用的crontab语法 定时构建语法 五颗星，中间用空格隔开 * * * * * 第一颗*表示分钟，取值0~59 第二颗*表示小时，取值0~23 第三颗*表示一个月的第几天 ，取值1~31 第四颗*表示第几月，取值1~12 第五颗*表示一周中的第几天，取值0~7，其中0和7代表的都是周日 例子 1.每30分钟构建一次： H/30 * * * * 2.每2个小时构建一次 H H/2 * * * 3.每天早上8点构建一次 0 8 * * * 4.每天的8点，12点，22点，一天构建3次 0 8,12,22 * * * （多个时间点，中间用逗号隔开） 定时构建（Build periodically） 定时构建（Build periodically）：周期性进行项目构建，这个是到指定的时间必须触发构建任务. 比如我想在每天的10点构建一次，在定时构建（Build periodically）里设置如下 这时候会看到一个提示分散负载应该用 H 10 * * * 而不是 0 10 * * *,这个意思是让我们尽量用

【辰辉创聚生物】重组蛋白表达纯化|蛋白表达定制|蛋白修饰|原核表达蛋白

原核蛋白表达宿主菌株与表达载体的选择1. C41、C43 等突变株：对有毒或难表达蛋白更为耐受，常用于膜蛋白或代谢负担较大的蛋白。2. 此外，对于碱性蛋白，可构建融合保护多肽（如GST、Nus、MBP等）融合策略，通过保护作用避免降解。结合连接肽和酶切位点，既保留表达产量，又能后续切除保护模块。2. 构建表达载体：选择合适promoter（如T7、低温诱导promoter）与融合伴体；4. 小规模表达筛选：不同诱导温度、菌株、培养方式下检测表达产量与溶解性；5. 大规模表达与裂解；6. 蛋白纯化：亲和层析 → 可选凝胶过滤或离子交换等进一步纯化；7. 酶切去伴体：如需去除融合标签，采用特异性酶处理；8. 纯化后处理：如脱盐、浓缩、折叠／复性（针对包涵体）；9.

Java8 - 使用CompletableFuture 构建异步应用

为了展示 CompletableFuture 的强大特性， 创建一个名为 best-price-finder 的应用，它会查询多个在线商店，依据给定的产品或服务找出最低的价格。

蛋白质组学第8期 文章复现之数据处理

引用自（https://blog.csdn.net/Orange_Spotty_Cat/article/details/80312154）

Jenkins（8）构建触发器之定时构建和轮询 SCM「建议收藏」

jenkins的定时任务是用的crontab语法 定时构建语法 五颗星，中间用空格隔开 * * * * * 第一颗*表示分钟，取值0~59 第二颗*表示小时，取值0~23 第三颗*表示一个月的第几天 ，取值1~31 第四颗*表示第几月，取值1~12 第五颗*表示一周中的第几天，取值0~7，其中0和7代表的都是周日 例子 1.每30分钟构建一次： H/30 * * * * 2.每2个小时构建一次 H H/2 * * * 3.每天早上8点构建一次 0 8 * * * 4.每天的8点，12点，22点，一天构建3次 0 8,12,22 * * * （多个时间点，中间用逗号隔开） 定时构建（Build periodically） 定时构建（Build periodically）：周期性进行项目构建，这个是到指定的时间必须触发构建任务. 比如我想在每天的10点构建一次，在定时构建（Build periodically）里设置如下 这时候会看到一个提示分散负载应该用 H 10 * * * 而不是 0 10 * * *,这个意思是让我们尽量用

k8s 应用镜像构建最佳实践

构建镜像很简单，一个 Dockerfile 即可完成，但是要构建一个好的镜像却不容易。下文将一步一步构建出一个好的镜像。 根据以上原则，我们简单分析一下，docker 镜像是分层的，既我们可以基于某个镜像构建其它镜像，利用这一特性我们可以构建一个全业务通用的基础镜像，然后各个业务在此基础之上构建各自的应用镜像。 0x01 分层构建镜像1.1 基础镜像构建首先我们来看一下业务通用基础镜像如何构建。 该步骤主要作用是构建一个应用可用的 runtime 镜像，减少后续应用构建过程中重复安装runtime的时间，提升构建速度。 或者如果 k8s 对 Pod 发生了调度，Pod 调度到了一个没有此镜像的 Node，那 Node 势必要拉取镜像，这就导致了被调度的 Pod 和其它 Pod 运行版本不同的问题。

skywalking docker镜像构建k8s部署

目标：将skywalking的docker镜像运行在k8s的集群环境中提供服务 docker镜像构建 FROM registry.cn-xx.xx.com/keking/jdk:1.8 ADD apache-skywalking-apm-incubating skywalking_password 动态配置：密码，grpc等需要绑定主机的ip都需要运行时设置，这里我们在启动skywalking的startup.sh只之前，先执行了两个设置配置的脚本，通过k8s

Java8-如何构建一个Stream

Stream的创建方式有很多种，除了最常见的集合创建，还有其他几种方式。 List转Stream List继承自Collection接口，而Collection提供了stream()方法。 List<Integer> list = Lists.newArrayList(1, 2, 3); Stream<Integer> stream = list.stream(); 数组转stream 对于数组，Arrays提供了stream()方法。 String[] arr = new String[]{"a", "b

09 - Buildroot中构建NXP IMX8MM

遇到的两个问题 : 下载buildroot-2019.05-rc2版本，构建freescale_imx8mmevk_defconfig(由于imx8mmevk 和imx8mqevk差别不大，因此在imx8mqevk 的基础上得到imx8mmevk) , 构建出的固件烧录到开发板，发现无法启动 make freescale_imx8mmevk_defconfig make // buildroot-2019.05 -rc2/output/images 目录得到固件 ├── bl31.bin ├── boot.vfat ├── fsl-imx8mm-evk.dtb ├── Image ├── imx8-boot-sd.bin ├── imx-boot-imx8mmevk-sd.bin-flash_evk ├── lpddr4_pmu_train_fw.bin ├── rootfs.ext2 ├── rootfs.ext4 bootloader-prepare.sh ，应该是该脚本出现问题，该问题并没有深入研究， 而是把Yocto 构建出的最小系统得到的imx-boot-imx8mmevk-sd.bin-flash_evk

8分+！非常典型的构建预后模型思路！

接下来，作者使用多因素Cox回归分析筛选到12个与m6A相关的lncRNA是与OS独立相关的因素，并被用于构建一个风险模型来评估LUAD患者的预后风险(Fig.3D)。 发现低风险组和高风险组的免疫特征表达存在显著差异(Fig.8A)。为了探索基于m6A模型的潜在分子机制，作者进行了GO富集分析，发现了许多免疫相关的生物过程的参与(Fig.8B)。 发现高风险组比低风险组更有可能对免疫治疗产生反应(Fig.8C)。 利用R包maftools，对突变数据进行分析。高低风险亚组中突变频率最高的前20个基因如Fig.8D、E所示。 发现高风险组的TP53患者比低风险组的TP53突变和野生型TP53患者预后差(Fig.8G)。 Fig.9 06 预后列线图的构建与评价 作者绘制了包含风险等级和临床风险特征的列线图，以预测1、2和3年的OS发生率。

K8s 集群构建(超详细教程!)

Kubernetes(k8s)是Google开源的容器集群管理系统（谷歌内部:Borg）。 KUBE_ALLOW_PRIV="--allow-privileged=false" KUBE_MASTER="--master=http://192.168.10.1:8080" [root@k8snode1 网络配置 因为kubernetes集群中网络部分是插件形式安装的，我们这里选用flannel 上述安装步骤已经install 了 [root@k8smaster ~]# vi /etc/sysconfig network/config '{"Network":"172.17.0.0/16"}' etcdctl rm /coreos.com/network/ --recursive //若要重新建，先删除 8. 执行kubectl 命令检查 在master上执行下面，检查kubernetes的状态 [root@k8smaster ~]# kubectl get nodes NAME STATUS