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 >mysql基础

mysql基础

作者头像
达达前端
发布于 2019-07-03 06:28:38
发布于 2019-07-03 06:28:38
61500
代码可运行
举报
文章被收录于专栏:达达前端达达前端
运行总次数:0
代码可运行
mysql基础

mysql基础

查询格式:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select expr from tal_name
where 条件
group by 分组 having 子句对分组结果进行二次筛选
order by 排序 asc | desc
limit 限制显示条数
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
in (); 在范围内
between x and y 在两者之间

image.png

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
where price >= 10 and price <=30 or price<=50;
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
where price not between 30 and 50;

image.png

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
where name like 'da%'

where name like 'da_'

group by 分组

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select max(price) from goods;
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select type_id, max(price) from goods group by type_id;
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select id, max(price) from goods group by id;

min:最小值

sum:总和

avg:平均值

count:总行数

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select id, count(*) from goods group by id;
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select goods_id,goods_name,goods_price - market_price from goods;

where用于查询数据,having用于筛选数据

where对表中的列发发挥作用,having对查询结果中列发挥作用

where和having后面写法一样

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select id, name, m_price-shop_price as s from goods having s>100;

而:where只能对表中的字段名进行筛选

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select id, name from goods where m_price - shop_price >100;

order by 默认是升序排列

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
order by price
order by price desc 降序
order by price asc
order by rand()

limit offset 偏移量 n 取出条目

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select id, name, price from goods order by price desc limit 3,3;

安装mysql:

双击下载打开安装包:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
http://dev.mysql.com/downloads/

并安装

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
Microsoft.NET4.0

安装后,安装mysql,点击接受,默认安装,然后就是next,点击提示框的是,接着点击execute和next,设置密码和重复密码,windows service name为mysql,next和execute,next,next,execute,finish即可完成安装。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
= any  运算符 = in等效
!=any 或 <> 运算符 与 not in 等效

是否存在:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select goods_type_id, good_type_name from category where exists (select * from goods where goods.goods_type_id = category.goods_type_id);

内连接, 左连接,右连接

内连接:显示左表及右表符合连接条件的记录 左右连接的交集

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
SELECT n1,n2,n3 FROM tb1 INNER JOIN tb2 ON tb1.n1= tb2.n2; 

左连接:显示左表的全部记录及右表符合连接条件的记录

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
SELECT n1,n2,n3 FROM tb1 LEFT JOIN tb2 ON tb1.n1= tb2.n2 

右连接:显示右表的全部记录及左表符合连接条件的记录

image.png

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
SELECT n1,n2,n3 FROM tb1 RIGHT JOIN tb2 ON tb1.n1= tb2.n2 

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
父表:p
type_id type_name
子表:s
type_id type_name parent_id

image.png

image.png

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select s.type_id, s.type_name, p.type_name from tdb_goods_types as s left join tdb_goos_types as p on s.parent_id = p.type_id

image.png

同样:

image.png

image.png

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
select p.type_id, p.type_name, s.type_name from tdb_goods_types as p left join tdb_goos_types as s on p.type_id = s.parent_id;

常用函数:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
abs() 绝对值
bin() 二进制
avg(col_name);
count(col_name);
min(col_name);
max(col_name);
sum(col_name);
concat();
concat_ws();
strcmp();

外键约束

约束保证数据的完整性和一致性,约束分类。

表级约束,对过个数据列建立的约束;列级约束,对一个数据列建立的约束。

功能分:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
not null 非空约束
primary key 主键约束
unique key 唯一约束
default 默认约束
foreign key 外键约束

外键约束实现一对一或一对多的关系。 创建外键约束,父表和子表必须要有相同的存储引擎,而且禁用临时表,具有外键列的表称为子表,子表所参照的表为父表。

数据库的存储引擎只能为InnoDB。

外键列和参照列必须具有相同的数据类型,外键列,参照列。 外键列和参照列必须创建索引,如果外键列不存在索引的话,mysql将自动创建索引,参照列不存在索引,不会自动创建索引。mysql会为主键自动创建索引。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
create table address(
id smallint unsigned primary key,
name varchar(20) not null
);

create table teacher(
t_id tinyint unsigend primary key,
t_name varchar(20) not null,
t_add varchar(20) not null,
foreign key (t_add) references address(name) on update cascade
);

show indexes from address;

创建索引
create index address_name on address(name);

create table teacher(
t_id tinyint unsigned primary key,
t_name varchar(20) not null,
t_add varchar(20) not null,
foreign key (t_add) references address (name) on update cascade
);

show create table teacher;

外键列和参照列必须创建索引。外键列不创建,会自动创建,子;参照列不创建的话,不会自动创建,为父。

结言

好了,欢迎在留言区留言,与大家分享你的经验和心得。

感谢你学习今天的内容,如果你觉得这篇文章对你有帮助的话,也欢迎把它分享给更多的朋友,感谢。

作者简介

达叔,理工男,简书作者&全栈工程师,感性理性兼备的写作者,个人独立开发者,我相信你也可以!阅读他的文章,会上瘾!,帮你成为更好的自己。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019.04.05 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

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

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

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
Protenix: AlphaFold3的再现 – ByteDance AML AI4Science团队
蛋白质结构预测取得了显著进展。然而,预测涉及多种生物分子的复杂结构(如蛋白质-配体、蛋白质-核酸和抗体-抗原相互作用)仍面临额外的挑战。最近的研究已专注于这些复杂的预测任务。其中,AlphaFold 3 (AF3) 已设立了新的里程碑,代表了该领域的重大进步。尽管AF3取得了显著的进展,其有限的可访问性限制了在研究界的广泛应用。AF3论文中部分描述存在模糊及印刷错误,也为希望复现或改进模型的机器学习和计算生物学研究者带来了挑战。开源项目已为使这些先进模型的普及做出了重要贡献,但缺乏完整的训练代码和预处理数据仍然是研究人员复现和充分利用这些模型的障碍。为应对这些挑战,ByteDance AML AI4Science团队推出了Protenix,旨在降低这些门槛,并更好地支持跨学科研究社区。
DrugOne
2024/11/23
5940
Protenix: AlphaFold3的再现 – ByteDance AML AI4Science团队
J. Med. Chem. | 一种基于图表示学习的蛋白-配体相互作用打分方法InteractionGraphNet
本文介绍来自一篇浙江大学智能创新药物研究院侯廷军教授团队, 浙江大学计算机学院吴健教授团队,中南大学曹东升团队和腾讯量子实验室联合在药物化学领域权威期刊 Journal of Medicinal Chemistry发表的一篇文章。该文章提出一种新型的基于图表示学习的蛋白-小分子相互作用的打分方法InteractionGraphNet(IGN)。在IGN中,作者基于物理原理分别设计了独立的分子内图卷积和分之间图卷积模块来先后学习蛋白-配体复合物中的分子内相互作用和分子间相互作用,并将学习到的分子间相互作用应用于下游的任务预测, 包括蛋白-配体结合亲和力预测、大规模虚拟筛选以及小分子结合构象预测。实验结果表明,IGN模型的泛化性能均优于同类ML方法和分子对接程序。此外, 作者还用大量的实验表明IGN模型的优异性能并非是来自于学习数据集中的隐藏偏差,而是真正学习了蛋白-配体相互作用的一些关键特征。
DrugOne
2021/12/16
8560
J. Med. Chem. | 一种基于图表示学习的蛋白-配体相互作用打分方法InteractionGraphNet
Chem. Sci. | 来鲁华、裴剑锋团队开发基于扩散模型的柔性分子对接方法
基于结构的虚拟筛选(SBVS)能够从大规模化合物库中快速识别潜在的活性分子。分子对接是SBVS中最常用的技术之一,它可以用于预测配体的结合姿态,描述蛋白质-配体的结合强度,并识别关键的相互作用。传统的分子对接方法一般使用刚性的蛋白质口袋作为对接的受体,即当蛋白-配体晶体结构已知时,移除配体分子再重新对接配体回到已知蛋白质的Holo态结合口袋。然而,在现实应用场景下的分子对接任务中,如果事先不知道受体的结合构象,由配体诱导的口袋构象的变动会使得刚性对接方法给出错误的预测。尽管AlphaFold2能够较准确地预测目标蛋白质的结构,但预测的靶标蛋白结构与结合态有一定差别,导致未考虑蛋白质柔性的刚性分子对接方法无法利用预测的结构给出正确的复合物结构。而现有的柔性分子对接方法,受限于计算复杂度,仅能考虑少量的侧链构象变化。一些基于深度学习的分子对接方法,对蛋白质进行粗粒化的主链编码在一定程度上可以克服局部的侧链构象变化,但由于口袋残基侧链原子信息的缺失以及缺乏基于物理模型的配体分子建模,所生成的对接构象经常出现配体构象不合理及配体与蛋白间的碰撞等问题,也不能提供对于配体进行优化所需要的受体与配体的相互作用细节。
DrugOne
2024/04/28
4570
Chem. Sci. | 来鲁华、裴剑锋团队开发基于扩散模型的柔性分子对接方法
生物医药领域-分子对接SOTA模型洞察
该洞察介绍了分子对接的作用过程、应用场景、分类,简要总结了现有分子对接软件的核心内容及评估指标。此外,调研了近两年发表的3种SOTA模型(KarmaDock、DiffBindFR、RosettaVS),对其具体细节、性能精度、应用领域等进行了分析说明,并总结了几点对未来工作的启示。
Splendid
2025/02/12
2060
Nat. Commun. | 使用Umol从序列预测蛋白质-配体复合物结构
今天为大家介绍的是来自Frank Noe团队的一篇论文。蛋白质-配体对接是药物发现和开发中的常用工具,可以筛选出潜在的治疗物进行实验测试。然而,这需要高质量的蛋白质结构,通常蛋白质会被处理成完全或部分刚性的。作者开发了一种AI系统,可以直接从序列信息预测蛋白质-配体复合物的全原子灵活结构。作者发现传统的对接方法仍然更优越,但依赖于目标蛋白质的晶体结构。除了预测灵活的全原子结构外,预测的置信度指标(plDDT)还可以用于选择准确的预测结果以及区分强和弱结合物。Umol工具可在:https://github.com/patrickbryant1/Umol 获取。
DrugOne
2024/07/17
3210
Nat. Commun. | 使用Umol从序列预测蛋白质-配体复合物结构
Boltz-1:让生物分子交互建模更普及
理解生物分子间的相互作用是推动药物发现和蛋白质设计等领域进步的基础。MIT Jameel Clinic 很高兴宣布发布 Boltz-1,一款旨在精准建模复杂生物分子相互作用的开源深度学习模型。Boltz-1 结合了模型架构创新、速度优化和数据处理的突破性进展,能够在预测生物分子复合物三维结构方面达到与 AlphaFold3 相当的精度,并在多项多样化基准测试中表现出与最新商业模型媲美的性能,树立了结构生物学领域商业可及工具的新标杆。这款模型通过在 MIT 开源许可下开放训练和推理代码、模型权重以及训练数据,旨在促进全球协作,加速科学发现,为研究人员提供一个强大的建模基石,同时推动生物分子建模的普及和发展,为开源结构生物学树立新的标准。
DrugOne
2024/11/23
2740
Boltz-1:让生物分子交互建模更普及
Acta Pharmacol Sin|上海药物所评测AlphaFold3的GPCR-配体复合物预测表现能力
2024年12月6日,中国科学院上海药物研究所徐华强团队在Acta Pharmacologica Sinica 发表了文章“AlphaFold3 versus experimental structures: Assessment of the accuracy in ligand-bound G protein-coupled receptors”。
智药邦
2024/12/19
2450
Acta Pharmacol Sin|上海药物所评测AlphaFold3的GPCR-配体复合物预测表现能力
Nature | AlphaFold 3 预测了所有生命分子的结构和相互作用
AlphaFold 2的问世引发了蛋白质结构及其相互作用建模的革命,使得在蛋白质建模和设计领域有了广泛的应用。 Google DeepMind and Isomorphic Labs团队在5月8日Nature的最新论文“Accurate structure prediction of biomolecular interactions with AlphaFold 3”描述了最新推出的AlphaFold 3 模型,采用了一个大幅更新的基于扩散的架构,能够联合预测包括蛋白质、核酸、小分子、离子和修饰残基在内的复合物的结构。新的 AlphaFold 模型在许多先前专门工具上显著提高了准确性:在蛋白质-配体相互作用方面比最先进的对接工具准确得多,比核酸特异性预测器在蛋白质-核酸相互作用方面具有更高的准确性,比 AlphaFold-Multimer v2.3.在抗体-抗原预测准确性方面显著更高。这些结果表明,在单一统一的深度学习框架内实现生物分子空间的高准确建模是可能的。
DrugOne
2024/05/13
7420
Nature | AlphaFold 3 预测了所有生命分子的结构和相互作用
Nat. Methods | SurfDock:利用表面信息的扩散生成模型实现蛋白质-配体复合物结构精准预测
理解蛋白-配体相互作用是分子生物学和生物化学的基础。从酶催化到信号传导,这些相互作用构成了众多细胞过程的核心。对蛋白-配体相互作用的深入理解对基于结构的药物设计至关重要,研究人员可以据此发现或设计与特定蛋白质结合的配体。基于人工智能(AI)技术,我们能更精准地理解蛋白-配体相互作用,加速药物发现的进程。人工智能与生命科学的交叉正在改变人类健康和医学研究的格局,为疾病研究和靶向治疗药物开发开辟新的途径。
DrugOne
2024/11/29
2650
Nat. Methods | SurfDock:利用表面信息的扩散生成模型实现蛋白质-配体复合物结构精准预测
DeepRMSD算法在首届“兴智杯”专题赛中斩获一等奖
DeepRMSD由山东大学物理学院李伟峰、智峪生科郑良振、南洋理工大学生物科学学院慕宇光和中科院先进技术研究院魏彦杰等课题组联合开发,用于预测配体在蛋白质口袋中结合姿势的RMSD。
智药邦
2023/02/28
5320
DeepRMSD算法在首届“兴智杯”专题赛中斩获一等奖
J. Chem. Theory Comput. | AI驱动的柔性蛋白-小分子复合物建模
今天为大家介绍的是来自陈语谦教授团队发表在Journal of Chemical Theory and Computation的论文,“Equivariant Flexible Modeling of the Protein−Ligand Binding Pose with Geometric Deep Learning”,博士生董铁君为第一作者。该文提出了一种新的AI驱动的蛋白-小分子复合物结构柔性建模方法FlexPose,可准确高效的预测复合物结构、亲和力及模型置信度。模型采用标量-矢量二元特征表示和 SE(3)-等变网络,以端到端动态建模复合物结构;同时提出构象感知的预训练和弱监督学习策略提高模型在未见过的化学空间中泛化性。在PDBbind,APObind数据集上的评估显示,在涉及蛋白质构象变化的任务中,模型的精度和效率大幅高于传统的分子对接及近期基于AI的方法。在基于数据集相似性的评价中,两个构象感知策略很大程度上提高了模型在低相似性化学空间中的性能。此外模型预测的亲和力及置信度估计为后续的药物研发提供了有效直接的参考。
DrugOne
2023/11/13
4270
J. Chem. Theory Comput. | AI驱动的柔性蛋白-小分子复合物建模
Nat. Comput. Sci.|KarmaDock:针对超大规模虚拟筛选的基于深度学习的分子对接方法
本文介绍一篇来自浙江大学侯廷军教授、谢昌谕教授、潘培辰研究员和之江实验室陈广勇研究员团队联合发表的关于分子对接方法的论文。该文章提出了一种基于深度学习的分子对接模型,KarmaDock,可以快速且准确的预测蛋白配体结合构象及其结合强度。该方法通过混合密度函数学习蛋白配体间最优距离分布用于结合强度打分,并将其作为归纳偏置,利用融合自注意力机制的EGNN模型来迭代更新分子坐标从而预测蛋白配体间结合构象。KarmaDock跳过了传统分子对接软件的构象搜索阶段,极大提升了分子对接的速度(0.017 s/complex),适用于超大规模的虚拟筛选。
DrugOne
2023/09/23
1.9K0
Nat. Comput. Sci.|KarmaDock:针对超大规模虚拟筛选的基于深度学习的分子对接方法
Nat. Mach. Intell. | 用于预测分子结合构象的几何深度学习方法
今天给大家介绍来自杨森制药Generative AI Team的Jörg Kurt Wegner等人以及来自英国伦敦帝国理工学院化学工程系CPSE的Ehecatl Antonio del Rio-Chanona共同发表在nature machine intellgence上的一篇文章《A geometric deep learning approach to predict binding conformations of bioactive molecules》。分子优化的关键在于理解配体和靶蛋白之间的相互作用。作者提出了一种能够预测配体和靶蛋白结合构象的几何深度学习方法。具体的,该模型能够学习每一个配体-靶体对的基于距离似然的statical potential。这种potential能够结合全局优化算法重新构建出配体的实验性结合构象。作者提出,同已有的用于对接和筛选任务中的评分函数相比,这种基于距离似然的potential有类似或者更好的效果。
DrugOne
2021/12/22
1.2K0
Nat. Mach. Intell. | 用于预测分子结合构象的几何深度学习方法
Brief Bioinform|基于深度学习和传统打分函数的配体构象优化框架
2022年12月10日,山东大学物理学院李伟峰、智峪生科郑良振、南洋理工大学生物科学学院慕宇光等人在Brief Bioinform杂志发表文章A fully differentiable ligand pose optimization framework guided by deep learning and a traditional scoring function。
智药邦
2023/02/14
7350
Brief Bioinform|基于深度学习和传统打分函数的配体构象优化框架
Nat.Commun. | DynamicBind:基于几何深度学习的动态复合物结构预测模型
基于AlphaFold2的静态蛋白结构预测方法已经接近实验精度,为结构生物领域带来了巨大的影响。然而,在药物开发中,靶蛋白的功能性运动非常关键,它会对药物的活性产生影响,而目前的算法模型无法捕捉到大分子的功能构象动态变化过程。近日,上海交通大学郑双佳课题组与星药科技研究团队,美国莱斯大学Peter G. Wolynes联合团队在《Nature Communications》发表题为“DynamicBind: predicting ligand-specific protein-ligand complex structure with a deep equivariant generative model”的研究论文。该论文提出的新方法DynamicBind可基于AF2预测的初始非结合构象,生成与对应输入药物分子相匹配的蛋白结合构象及转化过程,并在计算过程中自动寻找口袋位置,让对接中发现隐藏口袋成为可能。该研究对于蛋白质功能机制的理解以及难成药靶点的药物筛选具有重要意义,为后AlphaFold时代的药物研发提供了一种基于深度学习的,考虑蛋白动态变化的新范式。
DrugOne
2024/02/23
5660
Nat.Commun. | DynamicBind:基于几何深度学习的动态复合物结构预测模型
J. Chem. Theory Comput. | 通过变分自编码器隐空间采样生成蛋白质结构集合
今天为大家介绍的是来自david baker团队的一篇论文。该篇文章探索了针对单一蛋白质,利用变分自编码器(Variational Autoencoder, VAE)生成蛋白质构象集合的方法。baker团队利用这个方法来产生K-Ras的3D结构集合,在K-Ras晶体结构和分子动力学模拟快照上训练VAE。实验表明,该隐空间采样程序能够快速生成高结构质量的蛋白,与留出集(held-out set)的晶体结构相近(差距在1埃),在结构一致性上超过了分子动力学模拟(Molecular Dynamics,MD)和AlphaFold2方法。此外,采样得到的结构足以重现留出集中晶体结构的隐蔽口袋。
DrugOne
2024/05/13
4390
J. Chem. Theory Comput. | 通过变分自编码器隐空间采样生成蛋白质结构集合
腾讯团队提出Interformer模型,通过相互作用感知进行蛋白质-配体对接亲和力预测
近年来,深度学习模型在蛋白质-配体对接和亲和力预测中的应用引起了越来越多的关注,这种应用对于基于结构的药物设计至关重要。然而,许多这些模型忽略了复合物中配体和蛋白质原子之间相互作用的复杂建模,从而限制了它们的泛化和可解释性的能力。
智药邦
2024/12/23
5890
腾讯团队提出Interformer模型,通过相互作用感知进行蛋白质-配体对接亲和力预测
ICML2022 | EQUIBIND:用于药物结合结构预测的几何深度学习方法
本文介绍一篇来自于麻省理工学院的Hannes Stärk、Octavian Ganea等人发表在ICML上的分子结构预测工作——《EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction》。预测类药物分子如何和特定靶蛋白结合是药物发现中的一个核心问题。已有方法依赖于评分、排序和微调等步骤对大量候选分子进行采样,计算非常昂贵。针对该问题,作者提出一种SE(3)等变的几何深度学习模型——EQUIBIND。该模型能直接快速地预测出受体结合位置以及配体的结合姿势和朝向。此外,作者将该模型同已有的微调技巧结合取得额外突破。最后,作者提出一种新型且快速的微调模型,它对于给定的输入原子点云基于冯·米塞斯角距离全局最小值的近似形式来调整配体可旋转键的扭转角,避免以前昂贵的差分进化能源最小化策略。
DrugOne
2022/06/10
9860
ICML2022 | EQUIBIND:用于药物结合结构预测的几何深度学习方法
分子对接与量子计算
高斯玻色子采样器是光子量子器件,具有解决一些经典系统较难处理问题的能力。 在这里,作者展示了高斯玻色子采样器可用于分子对接,这一药物设计领域的核心问题。作者开发了一种方法,将问题简化为在图中找到最大加权团,并表明高斯玻色子采样器可以编程为对最大团进行采样。为了对我们的方法进行基准测试,我们预测了配体与肿瘤坏死因子 -α 转化酶与其配体的结合模式。
DrugScience
2021/10/26
1.7K0
Nat. Mach. Intell. | 中科大联手哈佛医学院, PocketGen高效生成蛋白口袋
今天为大家介绍的是来自中国科学技术大学的刘淇教授与哈佛医学院的Marinka Zitnik联合发表的一篇论文。设计蛋白质结合蛋白对于药物发现至关重要。然而,基于人工智能设计此类蛋白面临诸多挑战,包括蛋白–配体相互作用的复杂性、配体分子和氨基酸侧链的灵活性,以及序列与结构之间的依赖性。作者提出了一种名为PocketGen的深度生成模型,用于生成配体相互作用发生的蛋白质区域的残基序列和原子结构。PocketGen通过使用图变换器进行结构编码以及基于蛋白语言模型的序列精炼模块,促进蛋白序列与结构之间的一致性。图变换器可以捕捉多个尺度上的相互作用,包括原子、残基和配体级别。在序列精炼过程中,PocketGen将结构适配器集成到蛋白语言模型中,从而确保基于结构的预测与基于序列的预测保持一致。PocketGen能够生成高保真度的蛋白结合位点(蛋白口袋),并具有更高的结合亲和力和结构有效性。它的运行速度比基于物理的方法快10倍,并且在生成的蛋白口袋结合亲和力高于参考口袋的情况下,成功率达到97%。此外,它的氨基酸恢复率超过了63%。
DrugOne
2024/12/24
1890
Nat. Mach. Intell. | 中科大联手哈佛医学院, PocketGen高效生成蛋白口袋
推荐阅读
Protenix: AlphaFold3的再现 – ByteDance AML AI4Science团队
5940
J. Med. Chem. | 一种基于图表示学习的蛋白-配体相互作用打分方法InteractionGraphNet
8560
Chem. Sci. | 来鲁华、裴剑锋团队开发基于扩散模型的柔性分子对接方法
4570
生物医药领域-分子对接SOTA模型洞察
2060
Nat. Commun. | 使用Umol从序列预测蛋白质-配体复合物结构
3210
Boltz-1:让生物分子交互建模更普及
2740
Acta Pharmacol Sin|上海药物所评测AlphaFold3的GPCR-配体复合物预测表现能力
2450
Nature | AlphaFold 3 预测了所有生命分子的结构和相互作用
7420
Nat. Methods | SurfDock:利用表面信息的扩散生成模型实现蛋白质-配体复合物结构精准预测
2650
DeepRMSD算法在首届“兴智杯”专题赛中斩获一等奖
5320
J. Chem. Theory Comput. | AI驱动的柔性蛋白-小分子复合物建模
4270
Nat. Comput. Sci.|KarmaDock:针对超大规模虚拟筛选的基于深度学习的分子对接方法
1.9K0
Nat. Mach. Intell. | 用于预测分子结合构象的几何深度学习方法
1.2K0
Brief Bioinform|基于深度学习和传统打分函数的配体构象优化框架
7350
Nat.Commun. | DynamicBind:基于几何深度学习的动态复合物结构预测模型
5660
J. Chem. Theory Comput. | 通过变分自编码器隐空间采样生成蛋白质结构集合
4390
腾讯团队提出Interformer模型,通过相互作用感知进行蛋白质-配体对接亲和力预测
5890
ICML2022 | EQUIBIND:用于药物结合结构预测的几何深度学习方法
9860
分子对接与量子计算
1.7K0
Nat. Mach. Intell. | 中科大联手哈佛医学院, PocketGen高效生成蛋白口袋
1890
相关推荐
Protenix: AlphaFold3的再现 – ByteDance AML AI4Science团队
更多 >
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