- 综合排序
- 最热优先
- 最新优先
- 来自专栏CV学习史
Thinking in Java学习杂记(5-6章)
Java中可以通过访问控制符来控制访问权限。其中包含的类别有：public, “友好的”(无关键字), protected 以及 private。在C++中，访问指示符控制着它后面所有定义，直到又一个访问指示符加入为止，而在Java中，每个访问指示符都只控制着对那个特定定义的访问。
51330发布于 2020-04-02 - 来自专栏腾讯云大数据
大数据产品双月刊 | 5-6月
本期热点产品 弹性 MapReduce 本期腾讯云EMR于作业诊断能力重磅增强，通过控制台提供用户泛hadoop组件中应用层原生明细信息、作业及Hive查询的日志现场，简化了用户应用层异常排查的操作过程。同时推出配置对比、扩容指定配置组、标签分账、磁盘检查更新等功能，优化了集群运维管理体验，并显著提升资源管理的便捷性。 Elasticsearch Service 本期腾讯云ES重磅推出了自治索引，通过实时跟踪业务压力变化，能够动态、稳定的调整分片数与滚动周期，实现一站式索引全托管！同时，也推出了索引管理可视
77120编辑于 2022-07-12 - 来自专栏算法修养
pta 习题集5-6 堆栈操作合法性
假设以S和X分别表示入栈和出栈操作。如果根据一个仅由S和X构成的序列，对一个空堆栈进行操作，相应操作均可行（如没有出现删除时栈空）且最后状态也是栈空，则称该序列是合法的堆栈操作序列。请编写程序，输入S和X序列，判断该序列是否合法。 输入格式: 输入第一行给出两个正整数N和M，其中N是待测序列的个数，M（≤50≤50）是堆栈的最大容量。随后N行，每行中给出一个仅由S和X构成的序列。序列保证不为空，且长度不超过100。 输出格式: 对每个序列，在一行中输出YES如果该序列是合法的堆栈操作序列，或NO如
1.9K120发布于 2018-04-27 - 来自专栏积累沉淀
必须掌握的八种排序（5-6）--冒泡排序，快速排序
5、冒泡排序 （1）基本思想：在要排序的一组数中，对当前还未排好序的范围内的全部数，自上而下对相邻的两个数依次进行比较和调整，让较大的数往下沉，较小的往上冒。即：每当两相邻的数比较后发现它们的排序与排
965100发布于 2018-01-11 - 来自专栏AI 算法笔记
Python-100例(5-6) 排序&斐波那契数列
这次是分享 Python-100 例的第五和第六题，分别是排序和斐波那契数列问题，这两道题目其实都是非常常见的问题，特别是后者，一般会在数据结构的教程中，讲述到递归这个知识点的时候作为例题进行介绍的。
77120发布于 2019-08-16 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-6 最好的衡量线性回归算法的指标R squared
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍衡量线性回归算法最好的指标R squared。
2.4K40发布于 2019-11-13 - 来自专栏数据派THU
【干货书】深度学习生命科学：药物发现与药物发现
理想的实践开发人员和科学家准备将他们的技能应用于科学应用，如生物学，遗传学，和药物的发现，这本书介绍了几个深度网络原语。
39310编辑于 2022-05-12 - 来自专栏作图丫
药物优化算法-PriorCD
该R包将药物功能相似网络和全局网络传播算法相结合，实现了对感兴趣的癌症治疗药物优先级的预测方法。此外，用户可以验证优先排序结果，并可视化得到的药物网络结构。 对这些药物的相关性结果构建网络，节点为药物，边为功能相似显著性，最终这个网络为药物-药物功能相似性网络。 对于每个药物，选取相关系数 ≥ 0.7，FDR ≤ 0.05， 相关系数top 0.05% 的药物，为其显著相似的药物。然后合并基于mRNA和microRNA通路的药物功能相似网络。 评估药物相似性：Drsim 整合NCI-60癌细胞的通路活性与药物活性相结合，评估药物的相似性，构建药物功能相似网络。 Drsim函数用于构造药物相似性的二元邻接矩阵，其中1表示药物之间具有强相似性，0表示药物之间具有弱相似性。
74642编辑于 2022-03-29 - 来自专栏生物信息与临床医学专栏
高血压药物简介
在这一期的内容中，我将和大家简单介绍高血压的常用药物。 1. 常用降压药的机制 在临床实践中，常见的高血压药物主要分为5类： （1） 利尿剂（diuretic）：代表药物有氢氯噻嗪（噻嗪类）、呋塞米（袢类）、螺内酯（保钾类）和吲达帕胺（磺胺类）等； （2） 血管紧张素转化酶抑制剂 （angiotensin-converting enzyme inhibitor，ACEI）：代表药物有卡托普利、依那普利、贝那普利和雷米普利等（都是以“普利”结尾的）； （3） 血管紧张素受体阻滞剂（ angiotensin receptor blocker，ARB）：代表药物有厄贝沙坦、氯沙坦和缬沙坦等（都是以“沙坦”结尾的）； （4） 钙离子通道阻滞剂（calcium channel blocker 高血压用药的总原则 （1） 小剂量：减少不良反应的发生； （2） 选择长效制剂：保证血药浓度稳定，使药物作用稳定持久； （3） 联合应用：联用机制不同的药物，使彼此的疗效相加，副作用相消； （4） 个体化治疗
58320发布于 2020-08-05 - 来自专栏DrugOne
DPDDI：用于药物-药物相互作用的深度预测器
作者开发了DPDDI模型，在不考虑药物化学和生物特性的情况下，仅使用药物-药物（DDI）网络作为输入，便可预测潜在的DDI，还可用于检测药物副作用、指导联合用药等。 GCN通过获取DDI网络中药物的拓扑关系来学习药物的低维特征表示。DNN预测器将任意两种药物的潜在特征向量串联起来作为对应药物对的特征向量，通过训练模型，来预测潜在的药物-药物相互作用。 用于评估模型的健壮性，包括1934种药物和230,887个已注释的药物-药物相互作用。 CE使用了9个药物相关的数据源，而DPDDI仅使用了已知的药物-药物相互作用数据，如果整合更多的药物相关的数据源(如药物亚结构、药物靶点、药物酶、药物转运体、药物途径、药物适应症、药物副作用和药物副作用等 )去构建药物-药物相似度网络。
1.9K60发布于 2021-02-02 - 来自专栏生信技能树
药物预测之认识表达量矩阵和药物IC50
如果IC50超级高，比如解决好几百大几千说明这是一个废物药物，约等于没有疗效。 如果IC50超级低，比如无限接近于0，说明这个药物就是传说中的灵丹妙药！ 还有另外一个展现方式，就是看针对具体的细胞系来说，那些药物有奇效那些药物是打酱油。 的药物表现，并没有太大的意义。 但是，我们可能是更想看到的是药物名字啦！ ，后面的6个是废物药物啦。
5.8K20发布于 2021-10-12 - 来自专栏DrugOne
Bioinformatics | 预测药物-药物相互作用的多模态深度学习框架
它将不同的药物特征与深度学习相结合，建立了一个预测药物相互作用相关事件的模型。 DDIMDL首先分别利用四种药物特征:化学子结构、靶点、酶和通道，构建基于深度神经网络的子模型，然后采用联合DNN框架组合子模型，学习药物-药物对的跨模态表征，预测药物与药物相互作用（DDI, drug–drug 首先，作者使用四种类型的药物特征来计算药物-药物的相似性，并使用它们作为药物的表征。在多层神经网络的基础上，将药物的表示分别输入子模型。 对于task 2和task 3，作者将5-CV用于药物而不是DDI对。作者将药物随机分成五组，其中四组作为训练药物，其余的作为测试药物。 对于task 2，我们在训练药物之间的DDIs上建立预测模型，然后对训练药物和测试药物之间的DDIs进行预测。任务3在训练药物之间的DDIs上建立预测模型，然后对测试药物之间的DDIs进行预测。
2K80发布于 2021-02-01 - 来自专栏DrugScience
2020 年FDA药物总览
神经类药物（Neurology products ）占据第二位，有8种药物获批（占总体15%）。传染病类药物排在第三位，有6种药物获批（占据总体的11%）。 他们的预测表明，2020年新批准药物的平均预期峰值销售额为7亿美元，中位数为4亿美元。这低于平均水平的13亿美元和5亿美元的中位数。 ? 抗体类药物在上升 抗体类药物共有12项被批准。 这种药物曾被誉为GPCR激动剂的典型代表，这种药物激活GPCR的一个子集受体的信号通路。 考虑到这一事实，它可能需要一个较长的时间来衡量一种药物的预期临床效益，在1992年FDA制定了加速审定条例。这些规定允许批准一些治疗严重疾病的药物（这些药物填补了替代终点即可）。 ADC：抗体偶联药物(Antibody-Drug Conjugate，ADC)是采用特定的连接子将抗体和小分子细胞毒药物连接起来，其主要组成成分包括抗体、连接子和小分子细胞毒药物(smallmolecular
1.4K20发布于 2021-03-04 - 来自专栏DrugOne
量子药物发现的未来
编译 | WJM 自1869 年第一个合成药物水合氯醛被发现以来，制药公司一直在激烈竞争以寻找下一个重磅药物。 介绍 每个人对药物都具有个体差异。基因差异意味着药物分子与我们的身体具有独特的相互作用，从而导致有效性和副作用之间的差异。平均而言，药物开发需要12年时间和超过10亿英镑来开发每种新药。 此外，对于实验室中每确定10到20种药物，只有一种药物会到达患者手中，而其他药物则会在此过程中失败。一旦发现潜在的候选药物，将对其进行开发，以最大限度地提高整个人群的益处并最大限度地减少副作用。 但是，如果计算机可以加快药物发现过程，使药物更有可能有效并产生更少的副作用呢？如果它甚至可以为一个人量身定制药物，以最大限度地提高疗效并最大限度地减少反应，那会怎么样？ 当前药物开发的问题 2020 年，FDA 批准了 53 种药物，是过去 20 年中批准药物数量最高的之一。
77120发布于 2021-10-11 - 来自专栏智药邦
网络驱动的药物发现
1 目标 药物发现的一个主要问题是人类生物学的复杂性。药物发现的核心目标是找到能够有效调节目标生物过程，同时对其他过程几乎没有影响的治疗药物。 早期药物发现中需要新的、基于系统的方法 许多观察结果强调了在早期药物发现中需要新的、基于系统的方法： 分析多个药物发现项目的成功和失败得出的结论是，大量晚期临床失败的原因，是不正确或无效的生物学靶点。 从寻找能够影响表型的药物，到寻找能够扰乱潜在的、基于网络机制的药物，这种概念上的转变有许多影响。 3.1 网络识别 网络驱动的药物发现方法的第一阶段是制定干预策略假设。 药物发现的目的是找到能够显著扰乱目标表型所依据的强大网络的药物。 这也意味着潜在的药物靶点不需要是负责目标生物功能的网络的一部分 (尽管它们显然可以在一定距离内影响它)。药物可以通过信号或代谢途径产生”远距离作用"，将药物结合事件转化为下游功能效应。
69710编辑于 2022-06-08 - 来自专栏生命科学
糖尿病化合物库 | MedChemExpress
因此，通过药物控制血糖水平可以在一定程度上缓解糖尿病。例如，Metformin 通过调节 AMPK 信号通路起到降血糖的作用。 糖尿病相关的小分子化合物库，其中的小分子可以调节多个与血糖代谢相关靶点，如 SGLT, PPAR, DPP-4,AMPK, Glucagon Receptor 等，是研究糖尿病发病机制及筛选糖尿病治疗药物的有力工具 WHO, 2016. [2] Cardiovasc DrugsTher. 2017 Dec;31(5-6):579-592. PMID: 28956186.
35710编辑于 2023-03-01 - 来自专栏ATYUN订阅号
AI算法从零开始设计药物分子，可加速新药物的设计
北卡罗来纳大学开发新的AI算法，可以教会它从头开始设计新的药物分子，并有可能大大加速新药物的设计。 ReLeaSE是虚拟筛选的一项强有力的创新，虚拟筛选是制药行业广泛用于识别可行候选药物的计算方法。虚拟筛选允许科学家评估现有的大型化学库，但该方法仅适用于已知化学品。
56920发布于 2018-08-16 - 来自专栏DrugOne
IEEE TPAMI | 多属性判别表示学习预测药物-药物间不良反应
假设有N种药物，M种属性，对于ADDI模型我们首先得到药物的属性矩阵：X = {Xm}；该模型的首先在N个药物中选出n（n<N）个药物和m（m<M）个特征，通过特征重构（Hij）与生成对抗网络对共享信息和特异信息进行提取 这样，可以通过Wm得到第m个属性的代表性药物和它的判别特征，并根据所选择的药物和特征导出药物对的重构属性表示。在这里，我们首先采用sum-pooling运算得到药物和特征的选择索引。 4 数据集 从数据库DrugBank, KEGG, SIDER, CTD得到八种药物属性： 作者收集了N=567种药物，包含1,188,258 ADDI药物对，每一对药物间存在K=258种相互关系。 ，用于预测药物-食品和药物-药物的相互作用； BSNMF：使用药物分子结构的平衡矩阵分解模型； CAST：一种表示学习模型，利用药物的分子子结构预测ADDI； SMLS：基于多属性相似度的大规模ADDI 、药物-蛋白质相互作用和药物副作用信息进行ADDIs的预测。
63610编辑于 2022-03-25 - 来自专栏DrugOne
药物设计的深度学习
与传统的机器学习（machine learning, ML）算法相比，DL方法在小分子药物发现和开发方面还有很长的路要走。对于DL研究的推广和应用，例如小分子药物研究和开发，还有很多工作要做。 现代计算机辅助小分子药物发现和开发中，ML方法，特别是传统学习方法被广泛用于构建预测模型，如定量结构-活性关系（QSAR）模型和定量结构-性质关系（QSPR）模型 等等。 在药物开发领域，使用Merck活性数据集的Merck Kaggle挑战以及使用其基准数据集的Tox21挑战极大地加速了ML方法在QSAR / QSPR研究中的应用。 四、深度学习在小分子药物设计中的应用 计算化学的三个主要领域已经报道了DL模型预测药物-靶标相互作用，产生新的分子，并预测转化研究的吸收、分布、代谢、排泄和毒性。 总体而言，小分子药物发现将变得越来越复杂。专为复杂的模拟而设计，DL应该有能力处理这种复杂性。
1.3K50发布于 2021-01-29 - 来自专栏DrugOne
IJCAI2020 | 知识图神经网络预测药物与药物相互作用
在本文中，作者提出了一个称为知识图神经网络（KGNN）的端到端框架，以预测药物与药物相互作用（DDI）。 KGNN框架可通过在知识图谱（KG）中挖掘与药物关联的实体关系，以有效地获取药物及其潜在的邻居实体信息。 1 介绍 当一种药物与另一种或多种药物合用时，通常会发生药物相互作用（DDI），这可能导致许多不良药物反应（ADR），甚至造成伤害或导致死亡。 在第三步中，为预测药物对之间的相互作用，KGNN输出药物的潜在表示及其当前药物对之间的邻域拓扑信息。然后，KGNN计算它们之间的得分函数，并输出相互作用的预测值。 4 结论 在这项工作中，作者提出了KGNN，一个新颖的知识图神经网络模型预测药物与药物相互作用。
1.1K60发布于 2021-02-01
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