XQ6748-PKT是广州星嵌电子科技有限公司基于C6000系列TMS320C6748/OMAPL138器件推出的一款便携式DSP口袋板。
MT管理器是一款强大的文件管理工具和APK逆向修改神器。如果你喜欢它的双窗口操作风格，可以单纯地把它当成文件管理器使用。如果你对修改APK有深厚的兴趣，那么你可以用它做许许多多的事，例如汉化应用、替换资源、修改布局、修改逻辑代码、资源混淆、去除签名校验等，主要取决于你如何使用。
扫描二维码上苹果店直接下载免费的 Wolfram Player： Wolfram Player App 让您可以随时随地把玩 Wolfram 笔记本和可计算格式文档（CDF）。使用触屏和响应界面在 iPhone 或 iPad 上阅读笔记本文件并在本地可视化模型。 该应用可以从 Wolfram Cloud、邮件、Dropbox、文件、iTunes 等不同途径加载笔记本。Wolfram 笔记本是计算驱动的知识容器，可以是日常使用的文档，也可以是交互式 App。现在您可随时随地和世界分享您的灵感。 口袋中的 W
截止目前开源中国收录了 44478 款开源项目，囊括了最热门的各类开源项目，而软件的评分在一定程度上代表了软件的质量和热度，而 Python 语言近年来发展势头一路攀升，因此本文整理了 Python 语言中评分超过 8.0 分的几款项目管理工具，并附上评分和收藏量，以供开发者选择和交流，排名如下：
小程序体验师：陈丹阳 现在，各种内容资源越来越丰富，比如阅读类 app 中的精美文章、公众号推送的独特见解……
大家都知道有安卓上有一个QPython,可以写Python,但是QPython已经好久没有更新了,官方也貌似没有更新的打算了。今天,给大家推荐另一款安卓工具。
大数据文摘作品，未经授权禁止转载，转载具体要求见文末。 导读 在你去学校的路上，一个野生的小火龙出现，而你只要扔几个妖精球，它就可以是你的了！你会停下来抓它吗？ 任天堂猜你一定会。不止如此，他们还打赌
本文介绍由xingang peng等人发表于ICML上的文章：Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein Pockets。作者提出了一种新的可以满足口袋施加的多个几何约束的采样方法：Pocket2Mol，这是一个由两个模块组成的 E(3)-等变生成网络，它不仅可以捕获结合口袋原子之间的空间和键合关系，还可以在不依赖 马尔科夫链蒙特卡洛方法（MCMC）的情况下从易于处理的分布中以口袋表示为条件对新候选药物进行采样。实验结果表明，从 Pocket2Mol 中取样的分子具有明显更好的结合亲和力和其他药物特性，例如药物相似性和合成可及性。
今天给大家介绍广州再生医学与健康实验室发表在Journal of Chemical Information and Modeling上的一篇关于利用分子生成模型进行从头分子设计的文章。该文提出了一种新的生成模型，该模型通过将蛋白质结合口袋的3D结构信息整合到条件RNN(cRNN)模型中，以控制类药分子的生成。在该模型中，通过粗粒度策略有效表征蛋白质结合口袋，其中口袋的3D信息可以由组成结合口袋原子的的粗粒度库仑矩阵(EGCM)的排序特征值表示。该文使用EGCM方法以及DeeplyTough方法来训练cRNN模型并评估其性能。实验结果表明，基于蛋白质结合口袋信息约束下训练的模型与正常RNN模型相比，生成的化合物与原始X射线结合配体具有更高相似性且对接分数更好。本文的结果证明了受控分子生成模型在靶向分子生成和类药化学空间引导探索方面的潜在应用。
今天为大家分享一篇研究，当ChatGPT穿越到口袋妖怪世界，是否会理解并应用这个虚构世界的知识呢？
今天给大家介绍BenevolentAI团队2020年2月5日发表在Journal of Chemical Information and Modeling上的文章：DeeplyTough: Learning Structural Comparison of Protein Binding Sites. 这篇文章将3D CNN 与距离度量学习算法相结合，构建了一个DeeplyTough网络，用于蛋白质结合位点的结构比较学习。
今天给大家带来的是洛桑联邦理工学院（EPFL）联合微软研究院Max Welling课题组、牛津、剑桥、康奈尔等团队于2022年10月发表在arxiv上的预印本《Structure-based Drug Design with Equivariant Diffusion Models》。在本文中作者将基于结构的药物设计（SBDD）表述为一个3D条件生成问题，并提出了DiffSBDD，一个 E(3)等变的3D条件扩散模型，它关于平移、旋转、反射和排列等变，并可以根据蛋白质口袋的条件生成新的配体。
今天给大家介绍的是来洛桑联邦理工学院、MIT等团队2022年10月发表在Arxiv上的预印本《Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design》。
随着多种药物的上市，激酶的变构抑制已与正构抑制具有相当的药理作用和临床效益。然而，尽管经过20多年的努力，FDA批准的变构药物相关的激酶靶点数量仍然十分有限，这表明识别和验证变构抑制剂面临巨大挑战。2022年3月发表在 J Med Chem 的一篇文章回顾了变构抑制剂的原理，并用MEK1/2和BCR-ABL1变构抑制剂的发现作为实际案例，讨论了筛选变构抑制剂的方法。
2024年3月26日，香港城市大学黄家骏老师团队，联合腾讯人工智能实验室和上海锐格医药，在Nature Communications上发表文章A dual diffusion model enables 3D molecule generation and lead optimization based on target pockets。
我们是「墨加口袋」团队的工匠，每天都在马不停蹄地迭代、测试、优化产品，虽然很累，但越来越多的用户通过「墨加口袋」提高了他们收藏、整理和分享好文章的效率，这令我们感到很欣慰。
直入主题，在PPT设计中，动效展示一直是大家争议最大的一个部分。虽然每一个人都喜欢 “动 ”的，“文不如图，图不如动”，但是每个人对于动画又都处于“纠结”的状态，“不敢用+用不好”的矛盾存在，甚至最后是“ 干脆不用“”。
今天为大家介绍的是来自Prescient Design, Genentech团队的一篇论文。作者提出了VoxBind，这是一种基于评分的3D分子生成模型，该模型以蛋白质结构为条件。作者的方法将分子表示为3D原子密度网格，并利用3D体素去噪网络进行学习和生成。作者将神经经验贝叶斯的形式扩展到条件设置，并通过两步程序生成基于结构的分子：(i) 使用学习到的评分函数，通过欠阻尼的Langevin MCMC从高斯平滑的条件分布中采样噪声分子，(ii) 通过单步去噪从噪声样本中估计出干净的分子。与当前的最先进技术相比，作者的模型更易于训练，采样速度显著更快，并且在大量的计算基准测试中取得了更好的结果——生成的分子更加多样化，表现出更少的空间碰撞，并且与蛋白质口袋结合的亲和力更高。
在靶点口袋内直接进行3D分子生成，对于快速精准发现活性分子有重要意义。望石智慧在ACS会议披露的基于电子云密度的AI分子生成模型，能够精准描述靶点口袋，形成与口袋契合的电子云填充物，进而生成分子，并展示了靶向HPK1的实例。该技术为业界首次实现。
配体与蛋白质之间的生物分子识别在药物发现和开发中起着至关重要的作用。然而，通过实验来确定蛋白与配体的结合亲和力是非常耗时耗力的。目前，已经提出了许多预测结合亲和度的计算方法，其中大多数通常需要蛋白质的三维结构，而这种结构并不常用。因此，需要新的方法充分利用序列水平的特征来预测蛋白质与配体的结合亲和力，加快药物发现过程。作者开发了一种新的深度学习方法DeepDTAF，来预测蛋白质与配体的结合亲和力。DeepDTAF是结合局部和全局上下文特征构建的。更具体地说，蛋白质口袋具有一些特殊的特性，可以直接与配体结合，这种特性首次被用作预测蛋白质与配体结合亲和力的局部输入特征。此外，空洞卷积被用来捕获多尺度的长程相互作用。作者将DeepDTAF与最新的方法进行了比较，实验结果表明DeepDTAF是一个可靠的预测工具。
说起口袋精灵、以太猫、MLB Crypto Baseball等游戏，你也许不陌生，这些宠物收藏及交易类游戏曾风靡一时。
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。
今天为大家介绍的是来自侯廷军教授团队的一篇论文。计算机辅助药物发现的一个重大挑战是高效地从头设计药物。虽然近年来已经开始有一些针对特定结构的三维分子生成方法，但多数方法并没有完全学习到决定分子形态和结合复合物稳定性的原子间互动细节。因此，很多模型难以为各种治疗目标生成合理的分子。为了解决这个问题，作者提出了一个名为SurfGen的模型。这个模型设计分子的方式就像锁和钥匙原理一样。SurfGen由两个等变神经网络组成，它们分别捕捉口袋表面的拓扑互动和配体原子与表面节点之间的空间互动。SurfGen在多个基准测试中的表现优于其他方法，并且对口袋结构的高敏感性为解决由突变引起的药物耐受性问题提供了有效的解决方案。
Linux中Swap（即：交换分区），类似于Windows的虚拟内存，就是当内存不足的时候，把一部分硬盘空间虚拟成内存使用,从而解决内存容量不足的情况。它的功能就是在内存不够的情况下，操作系统先把内存中暂时不用的数据，存到硬盘的交换空间，腾出内存来让别的程序运行.
下面这台诺基亚 Linux 手机只是套了诺基亚手机的外壳，里面是作者全新设计的 PCB 主板，其尺寸与诺基亚的原始 PCB 完全相同，所以称其为 "Notkia"。
本文介绍一篇由浙江大学侯廷军教授、谢昌谕教授和之江实验室陈广勇研究员团队联合发表的关于分子生成方法的论文。受凝聚态物质和统计物理学多尺度建模研究的启发，作者提出了一种以蛋白质口袋为条件的三维分子生成模型ResGen。该模型采用并行多尺度建模策略，可以捕捉到蛋白靶点与配体间更高层次的相互作用，并实现更好的计算效率。与目前最优（SOTA）方法相比，ResGen生成的分子具有更合理的化学结构，并拥有更好的靶点亲和能力。
时光荏苒，岁月如梭，宝可梦宝陪伴了我们大多数90后的童年，小编也是比较喜欢宝可梦的，一直到现在出到了第八世代，各种各样的宝可梦让我们大饱眼福。
2023年11月29日，上海交通大学沈红斌教授、联合交大教授、数因智科创始人袁野、潘小勇，联合上海交通大学严骏驰教授，在Nature Communications上发表文章ZeroBind：a protein-specific zero-shot predictor with subgraph matching for drug-target interactions。
本文介绍由浙江大学智能创新药物研究院侯廷军教授/潘培辰研究员团队和中南大学曹东升团队联合在综合期刊Research上发表的一篇文章。该文章提出一种新型的基于图表示的深度学习方法DeepCoSI用于共价药物结合位点（半胱氨酸）的预测。DeepCoSI网络由两个模块构成，分别是PocketGNNLayer和CysInteractLayer，前者用于对半胱氨酸所在口袋的环境进行表征，后者用于表征半胱氨酸与周围原子之间的非键相互作用，二者结合实现了半胱氨酸共价可靶性的预测。作者在两个外部测试集上验证了该模型区分共价可靶半胱氨酸与其他半胱氨酸的能力，均表现出较好的预测效果。
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。
Tuple类型像一个口袋，在出门前可以把所需的任何东西一股脑地放在里面。您可以将钥匙、驾驶证、便笺簿和钢笔放在口袋里，您的口袋是存放各种东西的收集箱。C# 4.0引入的一个新特性 Tuple类型与口袋类似，它可以存放不同类型的对象。CodeProject上有篇文章《C# 4 - Tuples》 全面的介绍了Tuple。 在C# 4.0之前我们函数有多个返回值，通常是使用ref，out 。到了c# 4.0 应当使用元组Tuple而不是使用输出参数，在任何时候都应避免使用ref/out传递参数，尤其对引用类型（
AI 科技评论：现在机器人玩游戏的水平甚至已经超过了人类，然而对于不同的游戏，一个算法是否全部搞定呢？软件开发者 Shayaan Jagtap 就以「马里奥」这款游戏的算法无法适用于另一款游戏「口袋妖怪」为例，来说明这一问题并分析其中的原因。AI 科技评论全文编译如下。
现在，你很可能已经听说过机器人玩游戏的水平超过人类了吧。这些机器人的一种设计方法是给它们明确地编程，设定一组输入和一组输出之间的对应关系；或者也可以让它们自主学习、进化，它们就可以对同样的输入做出不同的反应，以期找到最优的对策。
Epic游戏商城国内微博发布公告，《糖豆人：终极挑战赛》将于6月21日正式转为免费版，同时从Steam下架，并首次登陆Xbox、Epic、Switch平台。当前#糖豆人免费#话题进入微博热搜排名前20，阅读次数超8千万。有玩家对于可以“白嫖”感到很高兴，也有玩家表示，在Steam上买糖豆人的游戏的钱白花了。
今天为大家介绍的是来自Shengyong Yang团队的一篇论文。基于深度学习的分子生成技术在许多领域都有广泛的应用，尤其是在药物发现中。然而，目前大多数深度生成模型都是基于配体的，并没有在分子生成过程中考虑化学知识，这通常导致较低的成功率。在这里，作者提出了一个基于结构的分子生成框架，它明确考虑了化学知识（命名为PocketFlow），能够在蛋白质结合口袋内生成新的配体分子。
在红海时代来临的游戏行业，“全球化”已成为近年来的TOP热点。 游戏全球化运营，对节点分布、网络稳定、网络加速、安全防护等云端基础能力提出了很高要求。作为国内领先游戏云厂商，腾讯云的全球化布局一直走在快车道，更好地助力游戏快速实现全球化运营。 本期腾讯云GAME-TECH沙龙8.16广州站，将和来宾聚焦探讨腾讯云在全球化方面的技术布局，我们还邀请到了游戏全球化先行者的代表分享实践与洞察。 演讲主题：网龙《英魂之刃口袋版》开发经验分享 嘉宾简介： 兰磊 网龙《英魂之刃口袋版》制作人 网龙《英魂之刃口袋
2023年11月17日，来自斯坦福大学计算机科学系的Ron O. Dror团队在ACS Central Science发表论文GeometricDeep Learningfor Structure-BasedLigandDesign。
好气哦，看到一个好玩的项目，准备整下来玩玩，阿西吧，各种报错。难道命中注定不能上班玩游戏咩。
今天为大家介绍的是来自Ron O. Dror团队的一篇论文。药物设计中一个普遍的挑战是确定如何扩展配体以改善配体的各种属性。添加单个化学基团对于引导优化任务非常重要，而添加多个基团对于基于基团的药物设计至关重要。作者开发了一个综合框架，利用机器学习和三维蛋白质-配体结构来应对这一挑战。
即便一个月只能读完一本书，日积月累后，当你把读过的书放满整个书架的时候，一定会非常享受这份喜悦。
你需要刷哪些技能？ -- Shawn Powers 本文导航 -1、 安全17% -2、 DevOps34% -3、 开发49% -4、 软技能64% 编译自： https://opensource.com/article/17/1/yearbook-4-hot-skills-linux-pros-2017 作者： Shawn Powers 译者： geekpi 你在新的一年里需要刷哪些技能？ 成为 Linux 专家的一个问题是“专家”的定义在不断变化。当我进入 Linux 世界的时候，那时认为成为一个
文章更新: 20160329 初次成文 应用名称:重力锁屏 应用包名:com.plexnor.gravityscreenofffree 备注说明:免费版/可内购 重力锁屏是一款智能，高效的锁屏控件。其主要功能有: 根据重力传感器检测手机放置状态(屏幕向上/向下放置)，并根据手机防放置状态决定是否关闭屏幕。 根据重力/距离传感器数据检测手机是否(头朝下)放在口袋中，并根据放置状态决定是否关闭屏幕。 根据重力/距离传感器数据防止设备在口袋中被误电量屏幕。 屏幕关闭后在距离传感器(一般位于屏幕
本文介绍一篇来自于斯坦福大学计算机科学系Ron O. Dror教授组的分子生成工作——《Fragment-Based Ligand Generation Guided By Geometric Deep Learning On Protein-Ligand Structure》。计算辅助新型分子设计有可能加速药物发现。然而，在药物发展中分子优化是一项耗时的工作，通常需要花费数年对分子的多种性质同时进行优化。将一个能和蛋白质口袋结合的小的、片段状初始分子扩展成更大的分子，使之与已知药物的物理化学性质相匹配，这是生物信息学中一个特定的分子优化问题。针对这一问题，作者使用数据有效的E(3)等变网络和3D原子点云表征进行建模，这种方法能结合蛋白质口袋的3D空间信息同时生成合理的分子，从而加速药物发现过程。通过对多种性质进行评估证明该框架确实能生成可行的分子。
今天为大家介绍的是来自Hailong Li，Ka-Chun Wong和Hengtong Zhang团队的一篇论文。基于结构的生成方法在计算机辅助药物发现中至关重要，它通过探索广阔的化学空间来设计与靶点高亲和力结合的配体。然而，传统的计算机模拟方法受限于计算效率低下，而机器学习方法则因自回归采样面临瓶颈。为了解决这些问题，作者开发了一种条件深度生成模型PMDM，用于生成符合特定靶标的三维分子。
目前java开发web系统一般有3层，controller、service、dao，请求到达controller，controller调用service，service调用dao，然后进行处理。
从19世纪中叶人工智能的萌芽时期，到现今人工智能的重生，从马文·明斯基到AlphaGo，历史上发生了哪些激动人心的故事？本文以此铺展人工智能发展近70年来背后发生的故事。 前不久，在人工智能领域发生了
2023年12月1日，上海交通大学徐雷教授、涂仕奎老师团队在Briefings in Bioinformatics上发表文章KGDiff: towards explainable target-aware molecule generation with knowledge guidance。
出品 | OSC开源社区（ID：oschina2013） 下面这台诺基亚 Linux 手机只是套了诺基亚手机的外壳，里面是作者全新设计的 PCB 主板，其尺寸与诺基亚的原始 PCB 完全相同，所以称其为 "Notkia"。 上图是使用了诺基亚 168x 系列手机外壳的「Notkia」Linux 手机。简要介绍： 采用 Nokia 168x 机身：方便单手操控，轻松放入口袋 运行主线版 Linux 内核 处理器：Ingenic X1000E, 2200+ CoreMark, 64MB RAM 存储：32MB
Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein Pockets
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
