首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

如何在matplotlib中绘制主图外的箭头和矩形(用于蛋白质秒结构)?

在matplotlib中绘制主图外的箭头和矩形可以通过使用annotate函数和Rectangle类来实现。具体步骤如下:

  1. 导入所需的库和模块:
代码语言:txt
复制
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
  1. 创建一个图形对象和一个子图对象:
代码语言:txt
复制
fig, ax = plt.subplots()
  1. 绘制主图:
代码语言:txt
复制
# 绘制主图的代码
  1. 创建箭头和矩形对象,并添加到子图中:
代码语言:txt
复制
# 创建箭头对象
arrow = plt.annotate('箭头文本', xy=(x, y), xytext=(xtext, ytext), arrowprops=dict(facecolor='red', arrowstyle='->'))

# 创建矩形对象
rect = Rectangle((x, y), width, height, facecolor='blue', alpha=0.5)
ax.add_patch(rect)

其中,箭头的文本可以通过annotate函数的第一个参数指定,xy参数指定箭头的起始位置,xytext参数指定文本的位置,arrowprops参数用于设置箭头的样式。

  1. 设置图形的显示范围:
代码语言:txt
复制
ax.set_xlim(xmin, xmax)
ax.set_ylim(ymin, ymax)

其中,xmin、xmax、ymin、ymax分别为图形的x轴和y轴的最小值和最大值。

  1. 显示图形:
代码语言:txt
复制
plt.show()

综上所述,以上是在matplotlib中绘制主图外的箭头和矩形的方法。对于蛋白质二级结构的应用场景,可以根据具体需求进行相应的调整和扩展。

腾讯云相关产品和产品介绍链接地址:

  • 腾讯云官网:https://cloud.tencent.com/
  • 云服务器CVM:https://cloud.tencent.com/product/cvm
  • 云数据库MySQL:https://cloud.tencent.com/product/cdb_mysql
  • 云存储COS:https://cloud.tencent.com/product/cos
  • 人工智能AI:https://cloud.tencent.com/product/ai
  • 物联网IoT:https://cloud.tencent.com/product/iot
  • 区块链BCS:https://cloud.tencent.com/product/bcs
  • 元宇宙:https://cloud.tencent.com/product/mu
页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • Nat. Mach. Intell. | 使用多尺度深度生成模型进行特定状态的蛋白质-配体复合体结构预测

    今天为大家介绍的是来自Animashree Anandkumar团队的一篇论文。由蛋白和小分子构成的结合复合物是普遍存在的,对生命至关重要。尽管近年来蛋白质结构预测技术有了显著进展,现有算法仍未能系统地预测配体结构及其对蛋白质折叠的调控效应。为了解决这一差异,作者提出了一种名为NeuralPLexer的计算方法,能够仅通过蛋白质序列和配体分子图直接预测蛋白质-配体复合物结构。NeuralPLexer采用深度生成模型,按原子分辨率抽样结合复合物的三维结构及其构象变化。该生成模型基于扩散过程,整合了基本的生物物理限制和多尺度几何深度学习系统,以层次化方式迭代抽样残基级接触图和所有重原子坐标。与所有现有方法相比,NeuralPLexer在蛋白质-配体盲对接(blind protein-ligand docking)和柔性结合位点结构复原(flexible binding-site structure recovery)的基准测试上实现了最先进的性能。此外,由于其在采样配体自由态和配体结合态集合方面的特异性,NeuralPLexer在全局蛋白质结构预测准确性上一致超过AlphaFold2,无论是在具有大构象变化的代表性结构对还是在最近确定的配体结合蛋白上。NeuralPLexer的预测与酶工程和药物发现中重要靶标的结构测定实验相一致,显示出其在加速设计功能性蛋白质和小分子药物的潜力,有望在蛋白组学规模上实现。

    01

    深度学习预测分子系统的平衡分布

    今天为大家介绍的是来自微软研究团队的一篇关于分子构象的论文。深度学习的进步极大地改善了分子的结构预测。然而,对于真实世界的应用而言,许多重要的宏观观察并不是单一分子结构的函数,而是由结构的平衡分布确定的。传统的获取这些分布的方法,如分子动力学模拟,计算代价高昂且常常难以处理。在本文中,作者引入了一种新颖的深度学习框架,称为分布图变换器(DiG),旨在预测分子系统的平衡分布。通过展示DiG在几个分子任务上的性能,包括蛋白质构象采样、配体结构采样、催化剂吸附采样和基于性质的结构生成,DiG在统计理解分子系统的方法学方面具有重大进展,为分子科学开辟了新的研究机会。

    04

    生信爱好者周刊(第 61 期):基因对寿命的影响

    @NiEntropy - 想到了生物课本中的一句话:生物的性状是由基因决定的,而基因的表达受环境因素影响;想到了秦始皇炼丹渡海寻仙求长生,Google投资Calico专注衰老研究。从古至今,人类一直在追寻着长寿,而在日复一日的生活中,我更感兴趣未来会是什么样?是像《赛博朋克:边缘行者》中“低端生活与高等科技结合”的悲剧,还是我们共同的理想:在高度发达的社会生产力和广大共识范围,人们科学文化水平和思想觉悟,道德水平极大提高的基础上,实行各尽所能、按需分配原则的劳动者有序自由联合的社会经济形态。未来源于当下,还是要脚踏实地把当下的工作干好。

    03

    PNAS | 一种用于蛋白质侧链装配和逆向折叠的端到端深度学习方法

    今天为大家介绍的是来自Jinbo Xu研究团队的一篇关于蛋白质结构预测的论文。蛋白质侧链装配(Protein side-chain packing,PSCP)是指在只给定主链原子位置的情况下确定氨基酸侧链构象的任务,对蛋白质结构预测、精化和设计具有重要应用。了解决这个问题,作者提出了AttnPacker,一种用于直接预测蛋白质侧链坐标的深度学习(DL)方法。与现有方法不同,AttnPacker直接利用主链的三维几何信息,同时计算所有侧链的坐标,而无需借助离散的构象库或进行昂贵的构象搜索和采样步骤。这大大提高了计算效率,相比基于DL的方法DLPacker和基于物理的RosettaPacker,推理时间减少了超过100倍。

    01

    CELL SYST|多目标神经网络框架预测化合物-蛋白相互作用和亲和力

    这次给大家介绍清华大学交叉信息研究院的曾坚阳教授课题组在Cell Systems上发表的论文“MONN: A Multi-objective Neural Network for Predicting Compound-Protein Interactions and Affinities”。分析化合物与蛋白质的相互作用 (Compound-Protein Interactions ,CPIs)在药物研发过程中起着至关重要的作用,迅速准确地预测作用位点和其间的亲和力有利于高效的药物研发。基于此问题,曾坚阳教授课题组引入深度学习,提出了一种预测化合物-蛋白相互作用和亲和力的多目标神经网络-MONN。作者在方法中引入了(i)捕获全局特征的超级节点、(ii)预测亲和力的GRU模块(Gate Recurrent Unit,门循环单元模型)、(iii)预测化合物-蛋白结合位点和判断其间的亲和力指标的多目标共享特征结构,使得其模型具有比现有模型更好的特征可解释性,有效捕捉了化合物与蛋白质的内在特征与联系,实现精确判断分子间的相互作用和亲和力。

    02

    Nat. Med. | 基于深度学习的蛋白质-蛋白质相互作用分析预测SARS-CoV-2的传染性与变异进化

    今天我们介绍由北京邮电大学网络与交换技术国家重点实验室的王光宇等学者发表在Nature Medicine上的工作。该工作介绍了一个基于人工智能框架UniBind,该框架利用深度学习和蛋白质结构分析来预测SARS-CoV-2的刺突蛋白突变的影响。该工作强调了在病毒宿主相互作用和新的SARS-CoV-2变体出现中理解蛋白质相互作用的重要性。UniBind整合了蛋白质三维结构和结合亲和力数据,预测了刺突蛋白突变如何影响其与人类ACE2受体和中和抗体的结合亲和力。该框架在基准数据集上进行了测试,并通过实验证实了其有效性。UniBind还能够有效预测刺突蛋白变体对结合亲和力的影响,并可以应用于预测宿主对SARS-CoV-2变体的易感性和未来病毒变体的进化趋势。该工作强调了UniBind作为问题变体的预警系统的潜力,以及其促进蛋白质相互作用研究的能力。总体而言,UniBind使用异质数据集提供了全面且高容量的蛋白质相互作用分析,有助于人类理解SARS-CoV-2的感染性和变体进化。

    03

    Nat. Methods | 利用深度学习进行基于生物物理学和数据驱动的分子机制建模

    本文介绍由美国马萨诸塞州波士顿哈佛医学院系统生物学系系统药理学实验室的Mohammed AlQuraishi等人发表于Nature Methods 的研究成果:研究人员报道了可微程序与分子和细胞生物学结合产生的新兴门类:“可微生物学”。本文作者介绍了可微生物学的一些概念并作了两个案例说明,展示了如何将可微生物学应用于整合跨生物实验中产生的多模态数据,解决这一存在已久的问题将促进生物物理和功能基因组学等领域的发展。作者讨论了结合生物和化学知识的ML模型如何克服稀疏的、不完整的、有噪声的实验数据造成的限制。最后,作者总结了它面临的挑战以及它可能扩展的新领域,可微编程仍有很多可发挥的空间,它将继续影响科技的发展。

    02

    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。

    01

    InstructPLM: 对齐蛋白质语言模型以遵循蛋白结构指令

    今天为大家介绍的是来自之江实验室、浙江大学、南京师范大学、香港中文大学、清华大学、阿里巴巴团队的一篇论文。大型语言模型以其在捕捉复杂模式(包括共同进化关系和潜在的蛋白质语言)方面的有效性而著称。然而,当前的方法通常难以展示基因组插入、复制和插入/缺失(indels)的出现,而这些因素占人类致病性突变的约14%。鉴于结构决定功能,结构相似的突变蛋白更有可能在生物进化中保存下来。受此启发,作者利用受大型语言模型启发的跨模态对齐(cross-modality alignment)和指令微调(instruct fine-tuning)技术,将生成式蛋白质语言模型与蛋白质结构指令对齐。具体而言,我们提出了一种生成可变长度和多样化蛋白质的方法,以探索和模拟生命的复杂进化,从而扩大蛋白质工程的选择范围。作者提出的基于蛋白质语言模型的方法InstructPLM在计算机模拟和实验中都表现出显著的性能提升。在天然蛋白质主链上,它实现了2.68的困惑度(perplexity)和57.51的序列恢复率(sequence recovery rate),分别比ProteinMPNN高39.2%和25.1%。此外,作者通过重新设计PETase和L-MDH验证了模型的有效性。对于PETase,所有设计的15个可变长度的PETase都表现出解聚活性,其中11个超过了野生型的活性水平。对于L-MDH,一种缺乏实验确定结构的酶,InstructPLM能够设计出具有AF2预测结构的功能性酶。InstructPLM的代码和模型权重都公开在https://github.com/Eikor/InstructPLM。

    01

    Nat. Commun. | 糖结合位点精准预测新算法DeepGlycanSite

    糖类是自然界中最丰富的有机物质,对生命至关重要。近年来,对糖类药物的研究显著增加,糖生物工程技术也被列入《国家中长期科学和技术发展规划纲要》确定的重点领域及前沿技术。了解糖类如何在生理和病理过程中调节蛋白质,将有助于解决关键的生物学问题和开发新药。了解该调节过程的第一步是发现糖类的结合位点,但是,受限于糖类的多样性和复杂结构,实验识别蛋白质上的糖类结合位点成本高且效率低,计算方法又面临训练数据有限,模型能力不强的问题,这阻碍了蛋白质糖结合位点的精准识别,也从研究的早期开始就影响了对糖类分子机制的理解和糖类药物的开发。

    01

    ICML 2024 | 离散状态空间上的生成流:实现多模态流及其在蛋白质共同设计中的应用

    今天为大家介绍的是来自Tommi Jaakkola团队的一篇论文。结合离散数据和连续数据是生成模型的重要能力。作者提出了离散流模型(DFMs),这是一种新的基于流的离散数据模型,弥补了在多模态连续和离散数据问题中应用基于流的生成模型的缺失环节。作者的关键见解是,可以使用连续时间马尔可夫链实现连续空间流匹配的离散等价形式。DFMs从一个简单的推导出发,包括离散扩散模型作为特定实例,同时在性能上优于现有的基于扩散的方法。作者利用DFMs方法构建了一个多模态的基于流的建模框架。作者将这一能力应用于蛋白质共同设计任务,在其中作者学习一个联合生成蛋白质结构和序列的模型。作者的方法在共同设计性能上达到了最先进的水平,同时允许同一多模态模型用于灵活生成序列或结构。

    01

    深度森林第三弹:周志华组提出可做表征学习的多层梯度提升决策树

    选自arXiv 作者:冯霁、俞扬、周志华 机器之心编译 自去年周志华等研究者提出了「深度森林」以后,这种新型的层级表征方式吸引了很多研究者的关注。今日,南京大学的冯霁、俞扬和周志华提出了多层梯度提升决策树模型,它通过堆叠多个回归 GBDT 层作为构建块,并探索了其学习层级表征的能力。此外,与层级表征的神经网络不同,他们提出的方法并不要求每一层都是可微,也不需要使用反向传播更新参数。因此,多层分布式表征学习不仅有深度神经网络,同时还有决策树! 近十年来,深层神经网络的发展在机器学习领域取得了显著进展。通过构建

    04

    斯坦福、微软联手,用扩散模型进行蛋白质结构生成,已开源

    机器之心报道 机器之心编辑部 尽管最近研究者在蛋白质结构预测方面取得了进展,但从神经网络直接生成不同的、新颖的蛋白质结构仍然很困难。在这项工作中,本文提出了一种新的基于扩散的生成模型,该模型通过一种反映蛋白质原生折叠过程的过程来设计蛋白质的主链结构。 蛋白质对生命至关重要,几乎在每个生物过程中都发挥着作用。一方面它们能在神经元之间传递信号、识别微观入侵者并激活免疫反应等。另一方面,蛋白质作为一种治疗介质已经得到广泛研究,成为治疗疾病的一部分。因此,通过生成新的、物理上可折叠的蛋白质结构,打开了利用细胞通路治

    03

    ICML 2024 | 通过力引导的SE(3)扩散模型生成蛋白质构象

    今天为大家介绍的是来自字节跳动Quanquan Gu团队的一篇论文。蛋白质的构象景观对于理解其在复杂生物过程中的功能至关重要。传统的基于物理的计算方法,如分子动力学(MD)模拟,存在罕见事件采样和长时间平衡问题,限制了它们在一般蛋白质系统中的应用。最近,深度生成建模技术,特别是扩散模型,已被用于生成新颖的蛋白质构象。然而,现有的基于评分的扩散方法无法正确结合重要的物理先验知识来指导生成过程,导致采样的蛋白质构象与平衡分布存在较大偏差。为了解决这些问题,本文提出了一种用于蛋白质构象生成的力引导SE(3)扩散模型——CONFDIFF。通过将力引导网络与基于数据的评分模型混合,CONFDIFF可以生成具有丰富多样性且保持高保真的蛋白质构象。在包括12种快速折叠蛋白质和牛胰岛素抑制剂(BPTI)在内的多种蛋白质构象预测任务上的实验表明,作者的方法优于当前最先进的方法。

    01
    领券