Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Leetcode 题目解析之 Add Digits

Leetcode 题目解析之 Add Digits

原创
作者头像
ruochen
发布于 2022-01-15 04:09:22
发布于 2022-01-15 04:09:22
1.3K00
代码可运行
举报
运行总次数:0
代码可运行

Given a non-negative integer num, repeatedly add all its digits until the result has only one digit.

For example:

Given num = 38, the process is like: 3 + 8 = 11, 1 + 1 = 2. Since 2 has only one digit, return it.

Follow up:

Could you do it without any loop/recursion in O(1) runtime?

Hint:

  1. A naive implementation of the above process is trivial. Could you come up with other methods?
  2. What are all the possible results?
  3. How do they occur, periodically or randomly?
  4. You may find this Wikipedia article useful.
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    public int addDigits(int num) {
        return 1 + (num - 1) % 9;
    }

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
JMC|用于从头药物设计的生成模型
2021年9月17日,中科院上海药物所的蒋华良和郑明月以及华为健康智能实验室的乔楠等人在Journal of Medicinal Chemistry杂志发表文章,对用于从头药物设计的多个生成模型进行了总结和分析。
智药邦
2021/11/17
1K0
JMC|用于从头药物设计的生成模型
Mol Inform|基于生成对抗网络的从头分子设计
2021年7月6日,Molecular Informatics杂志发表文章,介绍了一种利用生成对抗网络从头设计分子的方法。
智药邦
2021/12/21
7820
Mol Inform|基于生成对抗网络的从头分子设计
CHEM SCI|基于约束贝叶斯优化,采用变分自编码器进行自动化学设计
今天给大家介绍的是Chemical Science上的文章 " Constrained Bayesian optimization for automatic chemical design using variational autoencoders"。
智药邦
2021/09/06
7830
Commun. Chem. | 基于变分自编码器的化学潜在空间设计复杂天然产物类似物
今天为大家介绍的是来自Yasubumi Sakakibara团队的一篇论文。化学库是系统性收集的化合物集合。通过化学潜在空间,可以表示这些化学库的结构多样性。化学潜在空间是基于多种分子特征,将化合物结构投射到数学空间的一种方法。这样可以在化合物库内表现出结构多样性,以探索更广泛的化学空间,生成新的药物候选化合物结构。在这项研究中,研究团队开发了一种基于变分自编码器的深度学习方法——NP-VAE。这个方法用于处理难以分析的数据集和大型分子结构(例如具有手性的天然化合物),手性是化合物三维复杂性中的一个重要因素。NP-VAE成功地从大型化合物中构建了化学潜在空间,这些化合物用现有方法无法处理。该方法展现了较高的重构准确性和稳定的生成模型性能。
DrugAI
2023/12/12
3250
Commun. Chem. | 基于变分自编码器的化学潜在空间设计复杂天然产物类似物
Survey | 基于生成模型的分子设计
今天给大家介绍MIT的Rafeal Gomez-Bombarelli教授发表在arXiv上的综述文章。文章对分子生成模型进行了分类,并介绍了各类模型的发展和性能。最后,作者总结了生成模型作为分子设计前沿工具的前景和挑战。
DrugAI
2021/02/02
1K0
Survey | 基于生成模型的分子设计
J. Med. Chem. | RELATION: 一种基于靶标结构的深度学习全新药物设计模型
本文介绍一篇来自浙江大学侯廷军教授课题组、中南大学曹东升教授课题组、华东理工大学李洪林教授课题组联合发表的论文。该论文提出了一种能够在分子生成过程中考虑到蛋白-配体相互作用的深度学习生成模型RELATION,该模型适用于基于靶标结构的全新药物设计。RELATION模型同时使用百万量级的分子库以及蛋白-配体集合数据对变分自编码器进行训练,在引入双向迁移学习后,隐藏层的采样能够同时兼顾生成分子的骨架片段的新颖性以及对靶标蛋白的亲和性。RELATION模型还提供了药效团约束生成以及贝叶斯优化(BO)采样等模块,可供用户定制化生成药效团匹配度更高以及对靶标的对接打分表现更好的分子。
DrugAI
2022/11/28
7580
J. Med. Chem. | RELATION: 一种基于靶标结构的深度学习全新药物设计模型
Wires Comput Mol Sci|分子发现的生成模型:最新进展和挑战
2022年3月5日,麻省理工学院化学工程系的Klavs F. Jensen等人在Wires Comput Mol Sci (影响因子25.113) 杂志发表文章,概述了分子发现生成模型的最新进展和挑战。主要内容整理和编译如下。
智药邦
2022/11/16
1.6K0
Wires Comput Mol Sci|分子发现的生成模型:最新进展和挑战
JCIM|3D连接体设计的深度生成模型
今天给大家介绍的是牛津大学和剑桥大学的Fergus Imrie等人在Journal of Chemical Information and Modeling上发表的文章“Deep Generative Models for 3D Linker Design”。在本工作中,作者介绍了目前第一种基于图的深度生成方法,它将三维结构信息直接结合到设计过程中。分子的三维结构对于成功的复合设计至关重要,作者证明了省略三维信息的局限性,量化了它在大规模评估中的影响,也经验性地展示了模型如何使用三维结构信息。
智能生信
2021/02/04
1.2K0
Front Pharmacol|基于图片段分子表示和深度进化学习的多目标药物设计
2022年7月4日,加拿大布鲁克大学Yifeng Li团队在Frontiers in Pharmacology期刊上发表一篇题为《Multi-Objective Drug Design Based on Graph-Fragment Molecular Representation and Deep Evolutionary Learning》的论文。论文将药物设计建模为一个多目标优化问题,将基于片段的连接树变分自编码器这一深度生成模型融入深度进化学习框架中,取得了良好的实验结果。
智药邦
2022/11/16
9600
Front Pharmacol|基于图片段分子表示和深度进化学习的多目标药物设计
J. Med. Chem. |基于生成网络的阿片类物质使用障碍治疗的多目标分子优化
阿片类物质使用障碍(OUD)已成为一个重要的全球公共卫生问题。针对OUD的主要治疗方法通常包括药物和行为干预的综合应用,旨在解决成瘾的生理和心理方面,促进康复,并防止复发。美国食品药品监督管理局(FDA)已批准了三种药物,包括美沙酮、布比洛芬和纳曲酮,用于OUD的治疗。这些药物通过与大脑中的阿片受体结合发挥作用,即μ阿片受体(MOR)、kappa阿片受体(KOR)和delta阿片受体(DOR)。美沙酮是一种长效阿片受体激动剂,主要作用于MOR。它有助于减轻戒断症状和渴望。布比洛芬则作为部分性阿片受体激动剂,主要针对MOR。它缓解戒断症状和渴望,同时产生较少的欣快感,并且与美沙酮相比,呼吸抑制的风险较低。纳曲酮被归类为阿片受体拮抗剂,它阻止了阿片类药物的作用,并减少了愉悦效应。它的作用机制主要涉及MOR,但它也对KOR具有一定的亲和力。在这项研究中,作者提出了一个深度生成模型,将基于随机微分方程(SDE)的扩散模型与预训练的自编码器相结合。分子生成器能够高效地生成针对多种阿片受体的分子。
DrugAI
2023/11/03
3430
J. Med. Chem. |基于生成网络的阿片类物质使用障碍治疗的多目标分子优化
CORE | AAAI2020:分子自动优化模型
今天介绍美国佐治亚理工学院计算机学院的Jimeng Sun团队在AAAI2020的论文,该研究提出了一种分子生成模型的优化策略——CORE(Copy & Refine Strategy),其核心思想是:在每个生成步骤中,CORE将决定是从输入分子复制子结构(Copy)还是加入新的子结构(Refine)。
DrugAI
2021/01/29
7730
CORE | AAAI2020:分子自动优化模型
AI提高从头设计的新化合物的可合成性
本文为《Artificial Intelligence in Drug Design》一书第17章的内容,作者是来自Biogen公司生物治疗学和药物学部门的Govinda Bhisetti和Cheng Fang。
智药邦
2022/04/13
1.2K0
AI提高从头设计的新化合物的可合成性
学界 | 同济大学综述论文:基于深度生成模型的药物研发
论文:Advances and challenges in deep generative models for de novo molecule generation
机器之心
2018/12/11
8400
学界 | 同济大学综述论文:基于深度生成模型的药物研发
基于分解和重组的分子图的生成方法
今天为大家介绍的是来自Masatsugu Yamada 和 Mahito Sugiyama的一篇关于分子生成的论文。在药物发现和材料设计中,设计具有所需化学性质的分子结构是一项重要任务。然而,由于候选分子空间的组合爆炸,找到具有优化所需性质的分子仍然是一项具有挑战性的任务。在这里,作者提出了一种全新的基于分解和重组的方法,该方法不包括任何在隐藏空间中的优化,并且生成过程具有高度的可解释性。该方法是一个两步过程:在第一步的分解阶段,对分子数据库应用频繁子图挖掘,以收集较小规模的子图作为分子的构建模块。在第二步的重组阶段,通过强化学习引导搜索理想的构建模块,并将它们组合起来生成新的分子。实验证明,作者方法不仅可以在惩罚性log P和药物相似度这两个标准指标下找到更好的分子,还可以生成显示有效中间分子的药物分子。
DrugAI
2023/09/19
3840
基于分解和重组的分子图的生成方法
JCIM|用Transformer-decoder模型进行分子生成
2021年10月25日,JCIM杂志发表MolGPT: Molecular Generation Using a Transformer-Decoder Model。该文章提出用Transformer-decoder模型进行分子生成。
智药邦
2021/12/06
3.9K0
JCIM|用Transformer-decoder模型进行分子生成
Drug Discov Today综述|分子从头设计和生成模型
2021年6月,来自AI药物发现公司BenevolentAI的Joshua Meyers等人在Drug Discovery Today发表文章,对分子从头设计和生成模型方面的进展、挑战以及未来的机会进行了综述。
智药邦
2021/07/14
9420
Drug Discov Today综述|分子从头设计和生成模型
JMC|化学设计自动化的不同等级和相关案例
2022年5月5日,Relay Therapeutics的Patrick Riley等人在JMC上发表综述,结合案例介绍了当前化学设计自动化的等级框架,以及不同等级的优缺点和面临的挑战,并分析最自动化的水平上,人与机器之间合作的关键点。
智药邦
2022/06/08
5450
JMC|化学设计自动化的不同等级和相关案例
BioRxiv|盘古药物模型:像人类一样学习分子
2022年4月,华为健康智能实验室的乔楠及上海药物所的蒋华良、郑明月等人在BioRxiv发表文章,介绍了一个名为PanGu Drug Model的用于多个药物发现任务的新的深度学习架构。
智药邦
2022/11/16
1.1K0
BioRxiv|盘古药物模型:像人类一样学习分子
Nat. Mach. Intell. | 利用生成式化学模型设计有效的抗疟药物
今天带来的是美国诺华生物医学研究所和热带疾病研究所发表在Nature Machine Intelligence上的Design of potent antimalarials with generative chemistry。生成建模的最新进展允许通过深层神经网络设计新的化合物,例如一种神经网络模型JT-VAE(the Junction Tree Variational Auto-Encoder)擅长提出化学有效结构。在这里,研究人员在JT-VAE的基础上构建了一种生成建模方法JAEGER,用于寻找具有所需生物活性的新型化学物质,并且还使用JAEGER设计了抑制疟疾的化合物。
DrugAI
2022/03/25
3080
Nat. Mach. Intell. | 利用生成式化学模型设计有效的抗疟药物
J Cheminform|使用具有自适应训练数据的GANs搜索新分子
今天给大家介绍的是美国橡树岭国家实验室的Andrew E. Blanchard等人于2021.2.23发表在Journal of Cheminformatics上的文章Using GANs with adaptive training data to search for new molecules。药物发现的过程涉及到对所有可能的化合物的空间进行搜索,生成对抗网络(GAN)为探索化学空间和优化已知化合物提供了一个有力工具。然而,训练GANs的标准方法可能导致模式崩溃,其中生成器主要产生与训练数据的一小部分密切相关的样本。相反,寻找新化合物需要超越原始数据的探索。在本文中,作者提出了一种训练GANS的方法,它促进增量探索,并利用遗传算法的概念限制模式崩溃的影响。在此方法中,来自生成器的有效样本被用来替换来自训练数据的样本。在替换过程中,作者考虑随机和引导选择以及重组。通过跟踪训练过程中产生的新化合物的数量,结果表明,对训练数据的更新大大优于传统的方法,增加了GANs在药物发现中的潜在应用。
DrugAI
2021/03/18
8150
J Cheminform|使用具有自适应训练数据的GANs搜索新分子
推荐阅读
相关推荐
JMC|用于从头药物设计的生成模型
更多 >
交个朋友
加入云原生工作实战群
云原生落地实践 技术难题攻坚探讨
加入MCP头号玩家交流群
云原生运维进阶交流 MCP认证经验分享
加入前端学习入门群
前端基础系统教学 经验分享避坑指南
换一批
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验