前往小程序,Get更优阅读体验!
立即前往
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 >腾讯云直播服务评测

腾讯云直播服务评测

作者头像
视界音你而不同
发布于 2020-05-22 09:06:48
发布于 2020-05-22 09:06:48
17.8K00
代码可运行
举报
运行总次数:0
代码可运行

2020年注定是魔幻的一年,疫情让我们更热爱生命,也让我们更珍视工作。今年的五一假期比往年多了两天,但在这个特殊的年份的特殊的劳动节中,工作和这个假期更配哦!小编在这个假期就玩了玩直播,解释一下,是腾讯云平台提供的关于一系列的视频应用场景的一些服务,很荣幸能够提前体验一把,顺便简单的做一些评测,主要从产品易用性和性能体验这两个角度做了些测试,在此记录一下。同时也感谢腾讯直播云平台的哥哥姐姐们提供宝贵机会!

接下来,我们书归正传,开始我们的评测之路。

1.推拉流地址易用性测试

对于直播场景而言,开发过程中首先关注比较多的是推拉流地址,一般而言我们推流的地址即是拉流的地址。腾讯云的直播服务通过两个不同的域名将推流和拉流地址从逻辑上分割开来。这样的设计有利有弊:好处是可以推拉流的名称个性化自定义,且推流和拉流地址解耦;不好的是需要开发者或者使用腾讯云产品的人员拥有两个经过备案的域名,可能会影响到一部分人,不过也不是什么大事。

生成推拉流地址可以通过腾讯云控制台域名管理和辅助工具中的地址生成器来实现。对于推流地址,支持自定义推流应用程序名称,自定义推流视频流的名称,拉流地址支持自定义拉流应用程序名称。生成地址后,可以通过复制按钮和扫描二维码的方式获取推拉流地址,这一点对于开发人员来讲很适用,否则推拉流的url手敲起来,或者再人手动来一次ctrl+c和ctrl+v着实有些肝疼。

笔者填入的流名称是test,推流应用程序采用默认值,生成的推流地址如下:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
rtmp://94626.livepush.myqcloud.com/live/test?txSecret=4b8fafc769f0f88df99ec9d8b35131d9&txTime=5EB03BFF

2.推流协议及推流方式支持测试

一看生成的推流地址,我们便知腾讯云的推流地址采用的是rtmp协议,这也是直播场景里当前依然绕不过的一个协议。普通意义上的直播,当下对于rtmp可能足以。不过对于一些安防监控的场景,rtsp协议的支持也是很有必要的,他们也有直播(实时查看监控数据)的需求,这一点,笔者觉得腾讯云不应该不考虑。

对于推流端,主要的场景分为移动端和传统PC端以及包含摄像头的嵌入式互联设备,分别尝试做了测试。

移动端就是两大主流阵营,Android和IOS,腾讯云直播提供了推流的sdk,同时也提供了推流的Demo,美颜,动图,特效,这些主播端需要的常用功能有都支持。不过目前提供的特效效果感觉相对较少,可能后续还会陆续增加吧,希望早日推出。整体而言,移动端的推流支持基本满足需求,可以快速上手。

PC端的推流,腾讯云直播平台提供了基于Obs的推流,obs的操作相对来讲有一些专业性,游戏场景使用的比较多。这一功能做的也相对比较完善,控制台还有针对obs推流的指引和说明,这一点做的很贴心。有的时候,开发时候找不到帮助文档也很抓狂。

对于PC端而言,由于广大音视频开发者广泛使用FFmpeg,且FFmpeg也支持rtmp推流。但是测试了腾讯云的直播,一直未成功,笔者觉得,PC端基于FFmpeg的推流,还是需要支持的。另外,很多嵌入式设备的音视频开发也是基于FFmpeg去做开发,否则一大批基于FFmpeg做开发的朋友们将被拒之门外或者不得不更换方案(有时候更换技术方案的成本会很高)。

3.拉流方式支持测试

拉流,也就是播放端,通过播放地址,我们可以看到腾讯云的支持算是比较全面。生成的播放地址中可以看到支持http+flv,支持hls,支持rtmp,支持webrtc,笔者使用腾讯云直播的demo,ffplay,vlc,苹果手机对各种协议进行测试,整体上都比较完整的支持,由于不具备webrtc的测试条件,未做测评。在iphone上播放的时候,笔者通过支付宝扫描二维码也成功实现了播放。商业有壁垒,技术无边界啊!

4.各种直播场景常见关注点测试

说到直播,我们一般比较关注的几个点是秒开,播放的流畅度,以及延时这几个维度。各种场景玩了腾讯云的直播服务,秒开基本没问题,视频播放的流畅度也基本没有问题,几乎没有出现花屏、卡顿等问题,当然,笔者的网络是正常的家用网络,极弱网络环境,比如偏远山区,卫星等网络并未做测试,这里不敢瞎说哈!对于延时这个问题,倒是想到了一个比较直观的可视化的测试方式,那就是通过秒表来测试延时,按这种方式测试了不同直播场景下的直播的延时,我们一一来看。

(1) obs直播(PC)

obs在前面的搭建简单直播平台的问文章中介绍过,感兴趣可以戳下面文章回顾一下:

obs推流PC端用的比较多,而对于直播的场景,可能一般游戏的场景比较多,像国内的斗鱼是支持obs推流的,而腾讯云的直播平台也支持obs推流,且给出了obs的推流步骤,毕竟,腾讯和斗鱼之间还是有千丝万缕的联系的吗!因为使用了rtmp鉴权,所以,在obs推流的时候要注意填写串流密钥的信息。

通过辅助工具生成的推流地址中,obs推流地址对应obs中的服务器,obs推流名称对应obs中的串流密钥,配置起来还是略微繁琐了一些。

配置完毕之后,在浏览器中打开一个在线秒表的窗口,然后在obs中添加一个窗口捕获,之后点击开始推流:

播放端,使用ffplay进行播放,进行截屏,我们观看一下延时效果:

第一张截图的网络环境是家用,100M带宽方正,截图时间是obs推流已经进行一段时间,延时有可能会有累积现象。

第二张截图的环境是公司级别用,网络状况好一些,截图时间是obs推流刚开始。

第一张截图,obs推流部分的秒表时间为01:45:092,ffplay播放的秒表的时间为01:39:678,此时rtmp推流的延时为5秒770毫秒,略微高一些;

第二章截图,obs推流部分的秒表时间为06:31:344,ffplay播放的秒表的时间为06:28:678,此时rtmp推流的延时为2秒334毫秒,这个还不错,rtmp应该是这个表现。

(2)手机推流(ffplay播放)

手机使用腾讯云提供的腾讯云工具包进行推流。pc端使用ffplay进行播放测试。

此时的延时,通过一个小视频来感受一下:

这个是秒级别的,延时大概5秒,可能精度会差一些,笔者又录制了一个使用秒表的测试延时的小视频,精度更高一些:

通过秒表观看,可以查看延时不足3秒,2秒多一点,这个程度可以说已经很可观了。

第一个视频是在直播推流进行一段时间以后录制,第二个秒表的视频是在直播刚开始的时候录制,经过测试,基本可以确信的是,随着推流的不断进行,直播的也会进一步的累加。笔者的网络环境中,最差的时候能达到5秒延时。

(3)Android推流苹果播放(hls)

对于流媒体,Apple天然不支持rtmp,有自己独特的hls,所以,关于hls也不得不测试一下。笔者还是使用腾讯云直播工具包发布直播(在Android手机端),然后在iphone上扫描hls播放地址进行播放。

我们还是看看hls播放的延时。

看过视频之后,不是一般的高啊,高达10秒之多,甚至更高,确实有些过分,这也是对于直播而言,为什么rtmp虽一直被诟病,却也一直是直播界的主流。不过呢,苹果的生态如此强大,又不得不支持hls(它本身也是有优点的吗)!

(4)http+flv

腾讯云直播还提供了flv格式的播放支持,这个笔者测试中,大部分浏览器和工具对于该链接都是做默认下载处理(下载flv格式的视频)。折腾了许久,最终借助vlc播放器,简单做了一下延迟的测试,效果如下:

可以看到,延时大概5秒左右,与正常的rtmp流程基本相仿。

(5)总结

整体而言,直播场景中比较核心的几个点,秒开,流畅播放,腾讯云的直播服务基本可以满足需求。对于延时,除hls外,最坏情况延时在5-6秒左右,最好的情况2-3秒,直播的时间加长延时会有所累加,网络环境对直播延时有较明显的影响。

5. Web推流

腾讯云的直播服务也推出了基于web的推流,搞音视频的都知道webRtc近几年火的一塌糊涂。去面个试,十个有八个都问会不会,搞没搞过webRtc。本以为腾讯云的web推流也是基于webRtc的,体验了一把发现并不是,原来是基于flash的。算是有一点小小的失望吧!

在云直播的控制台,辅助工具选项卡中提供了web推流的选项。使用web推流,比较简单,填入流的名称,点击开始推流即可,要结束推流的时候,点击断开推流即可。

不过断开推流做的比较粗糙,没有提示,并不能确切的知道是否成功断开了推流,有时又好像没有响应的样子,这一功能有待提升!另外,在web推流的时候还需要打开flash,不过Chrome宣布不久的将来将不再支持flash了,不知道腾讯云直播对于这一点是如何考虑的。下图是web推流的效果。

从图中可以看出,web推流使用的分辨率相对较小,默认480p,且没有提供修改推流分辨率的选项,这一部分的功能理论上应该需要继续完善。点击开始推流后,下方提供了rtmp,hls,flv的播放地址,说明只是通过web推送到了流媒体服务器,并没有从浏览器直接到浏览器,实现真正的基于web的点对点视频通信。笔者使用ffplay播放了rtmp流,延时大概约5秒左右,这一功能很可能会变成鸡肋,食之无味,弃之可惜,这部分完全换作基于webRtc的通信才是王道。

6. 流管理

云直播平台同时也支持对推送的视频流进行管理。主要分为在线流,历史流,禁用流。在线流是指当前正在推送的视频流,历史流是指曾经推送的视频流。在历史流和在线流的选项卡中,可以选择对流进行禁用,这个笔者考虑可能是用于对一些非法,比如涉暴等敏感的推流进行禁用。

整体而言,个人觉得对于流管理的功能做的相对单一了些。对于每一路流,应该可以再加一些控制,比如质量优先,速度优先诸如此类的选项,以供开发者选择。

5.功能模板(水印、鉴黄、录制、转码)

对于直播场景中,常见的功能,如水印,鉴黄,录制,转码等功能,腾讯云直播平台通过将不同的功能抽象为模板,对于每一个模板进行配置。然后在推流域名中添加各种模板配置进而实现功能。这个设计笔者觉得比较巧妙,点个赞。对于每一个模板使用不同的参数,这样满足多样性的需求。通过推流域名设置增加模板,如此保证了可扩展性。

6.统计分析

腾讯云直播平台同时也提供了统计分析功能。该功能主要用于统计推流的数据,以及推流产生的流量情况,并发情况。并以折线图的形式展现,比较直观。贴一张图,大家感受一下。

这样的功能其实很有必要,随着数据量的不断产生,通过人工智能大数据的方式,可以提取很多有效有用的信息。当前还没有看到这部分内容,不过笔者相信,这部分功能,腾讯云直播平台也不会放过的,应该就是时间问题。如果能够在统计分析图标中直接将产生的费用显示,就更直观更完美了!

总结

好了,整个五一假期,就和腾讯云直播平台为伴。熟悉了整体流程,日后如有机会使用腾讯云直播的产品,相信会有一定的先发优势。简单对云直播的测评总结如下:

  • 推拉流地址支持自定义生成比较灵活,但需要域名支持可能会限制部分开发者的使用;
  • 推流流媒体服务器只支持rtmp流媒体协议比较单一,对于基于rtsp的安防等领域不友好;
  • 支持不同平台的直播推流,效果基本满足需求,美中不足的是,对基于FFmpeg的推流支持不完善;
  • 各类直播场景中可以实现秒开,播放流畅,延时平均5-6秒,与网络环境相关,hls播放的延时可达10秒,基本达到行业平均水平。随着直播时间的增长,延时会产生累加,应该有进一步优化空间;
  • 基于flash的web推流感觉没有存在的必要,更好的聚焦webRtc的开发可能才是王道;
  • 流管理的部分增加诸如质量优先,速度优先等其他选项会更加饱满;
  • 鉴黄、录制、转码等按照模板的方式存在,与推流域名的管理相结合设计比较巧妙,兼顾了多样性和可扩展性;
  • 统计分析统计了推拉流产生流量以及并发数等情况,如能一并显示计费信息会更加完美!

以上就是笔者对于腾讯云直播产品体验的一些简单评测和记录。欢迎交流!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-05-12,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 视界音你而不同 微信公众号,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
Science | ProteinMPNN : 基于深度学习的蛋白序列设计
本文介绍华盛顿大学的蛋白质设计科学家D. Baker在2022年9月15发表在Science研究工作Robust deep learning–based protein sequence design using ProteinMPNN。研究团队开发了一种基于深度学习的蛋白质序列设计方法 ProteinMPNN,它在计算机和实验测试中均具有出色的性能。天然蛋白质骨架上,ProteinMPNN 的序列恢复率为 52.4%,而 Rosetta 为 32.9%。不同位置的氨基酸序列可以在单链或多链之间偶联,从而能够应用于当前广泛的蛋白质设计任务。研究团队使用 X-ray晶体学、cryoEM 和功能研究通过挽救以前失败的蛋白质单体设计(使用 Rosetta 或 AlphaFold设计的蛋白质单体、环状同源寡聚体、四面体纳米颗粒和靶结合蛋白)证明了 ProteinMPNN 的广泛实用性和高精度,
DrugAI
2022/11/28
2.4K0
Science | ProteinMPNN : 基于深度学习的蛋白序列设计
Nature | 刘海燕/陈泉:蛋白质从头设计的神经网络能量函数
蛋白质是生命的基础,是生命功能的主要执行者,其结构与功能由氨基酸序列所决定。目前,能够形成稳定三维结构的蛋白质,几乎全部是天然蛋白质,其氨基酸序列是长期自然进化形成。在天然蛋白结构功能不能满足工业或医疗应用需求时,想要得到特定的功能蛋白,就需要对其结构和序列进行设计。目前,国际上已报道的蛋白质结构从头设计工作使用天然结构片段作为构建模块来拼接产生新结构。这种方法显著限制了人工设计蛋白的结构多样性和可变性。对蛋白质从头设计中最困难的问题,即如何充分地探索蛋白质主链结构空间,从头发现新颖的、“高可设计性”主链结构,还缺乏系统性的方法。
智药邦
2022/03/04
8060
Nature | 刘海燕/陈泉:蛋白质从头设计的神经网络能量函数
Nat. Methods | Baker团队用LigandMPNN玩转原子级蛋白质设计
在小分子、核苷酸和金属离子等配体的环境下进行蛋白质序列设计,对于酶、配体结合蛋白及生物传感器的开发至关重要。然而,现有基于深度学习的方法难以有效建模非蛋白组分。研究人员提出了一种新方法——LigandMPNN,可显式建模生物分子体系中的所有非蛋白组分。在与小分子(63.3% vs. 50.4%/50.5%)、核苷酸(50.5% vs. 35.2%/34.0%)和金属离子(77.5% vs. 36.0%/40.6%)相互作用残基的原序列恢复任务中,LigandMPNN显著优于Rosetta与ProteinMPNN。该方法不仅生成序列,还预测侧链构象,从而实现对结合相互作用的精细评估。研究人员已利用LigandMPNN设计出100余种经实验证实具有高亲和力和高结构准确性的结合蛋白,其中包括4个X射线晶体结构。此外,该方法可显著提升已有设计的结合能力,亲和力提升最高达100倍。LigandMPNN有望广泛应用于新型结合蛋白、传感器和酶的设计中。
DrugAI
2025/03/31
1550
Nat. Methods | Baker团队用LigandMPNN玩转原子级蛋白质设计
Nat.Commun | 具有学习潜力的蛋白质序列设计
本文给大家介绍的是斯坦福大学生物工程系的Namrata Anand发表在nature communications上的文章《Protein sequence design with a learned potential》,在这篇文章中,作者团队提出了一个深度神经网络模型,该模型可以针对蛋白质骨架设计序列,它可以直接从晶体结构数据中学习,不需要任何人类指定的先验知识。该模型可以泛化到训练期间未见过的拓扑,从而产生实验上稳定的设计。通过对TIM-barrel的通用性的评估,作者团队的发现证明了一种完全学习的蛋白质序列设计方法的可操作性。作者团队探索了一种方法,其中神经网络不仅用于设计序列,而且可以明确构建旋转异构体并评估全原子结构模型,这是迄今为止尚未报道的方法。
DrugAI
2022/03/25
3890
Nat.Commun | 具有学习潜力的蛋白质序列设计
韩国版AlphaFold?深度学习模型AlphaPPIMd:用于蛋白质-蛋白质复合物构象集合探索
延世大学王建民博士及其合作者通过将深度学习与生成式人工智能相结合,构建 AlphaPPIMd 模型,通过分子动力学模拟揭示出蛋白质相互作用的奥秘。
HyperAI超神经
2024/06/17
1270
韩国版AlphaFold?深度学习模型AlphaPPIMd:用于蛋白质-蛋白质复合物构象集合探索
蛋白设计中的深度学习方法
今天为大家介绍的是来自耶鲁大学Gregory W.Kyro团队的一篇论文。深度学习已经改变了蛋白质设计领域,实现了精确的结构预测、序列优化和从头开始的蛋白质生成。通过AlphaFold2、RoseTTAFold、ESMFold等在单链蛋白质结构预测方面的进展已经达到接近实验精度的水平,这启发了后续工作通过AlphaFold Multimer、RoseTTAFold All-Atom、AlphaFold 3、Chai-1、Boltz-1等扩展到生物分子复合物。生成模型如ProtGPT2、ProteinMPNN和RFdiffusion已经突破了基于自然进化的限制,实现了序列和主链设计。最近,包括ESM3在内的序列-结构联合共同设计模型,将这两种模式整合到统一框架中,从而提高了可设计性。尽管取得了这些进展,但在建模序列-结构-功能关系以及确保训练数据所涵盖的蛋白质空间区域之外的稳健泛化方面仍然存在挑战。未来的进展可能会集中在序列-结构-功能共同设计框架上,这些框架能够比独立处理这些模式的模型更有效地建模适应度景观。目前的能力,加上令人眩晕的进步速度,表明该领域即将实现快速、合理地设计具有定制结构和功能的蛋白质,超越自然进化所施加的限制。
DrugAI
2025/04/15
1080
蛋白设计中的深度学习方法
Comput Struct Biotech | 深度学习用于蛋白质设计:从结构到序列与功能
2022年11月19日,西班牙赫罗纳大学的Noelia Ferruz等人[1]在Computational and Structural Biotechnology Journal上发表综述From sequence to function through structure: Deep learning for protein design。
智药邦
2023/02/28
1.1K0
Comput Struct Biotech | 深度学习用于蛋白质设计:从结构到序列与功能
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。
DrugAI
2023/09/19
2850
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
​[Nature Communications | 论文简读] ProtGPT2是一个用于蛋白质设计的深度无监督的语言模型
ProtGPT2 is a deep unsupervised language model for protein design
智能生信
2022/12/29
7540
​[Nature Communications | 论文简读] ProtGPT2是一个用于蛋白质设计的深度无监督的语言模型
后AlphaFold时代,AI如何持续赋能蛋白质计算?
2018年12月,DeepMind 推出的 AlphaFold 根据基因序列成功预测蛋白质结构,成为 AI 技术驱动和加速科学发现的重要里程碑,引起业内广泛关注。2020年12月,DeepMind推出升级版本 AlphaFold 2,破解了蛋白质分子折叠问题,并宣称「它将改变一切」。2021年7月,DeepMind 宣布开源 AlphaFold 2 模型代码,并与 EMBL-EBI 合作开放 AlphaFold 蛋白结构数据库。 可以说,AlphaFold 与 AlphaFold 2 的相继推出拉开了人工
机器之心
2022/06/07
7910
后AlphaFold时代,AI如何持续赋能蛋白质计算?
[Nature Computational Science 2021]好文简读:基于深度图神经网络的快速有效蛋白质模型
Fast and effective protein model refinement using deep graph neural networks 论文摘要:
智能生信
2021/11/02
5340
ByteDance Research登Nature子刊:AI+冷冻电镜,揭示蛋白质动态
2024 年的诺贝尔化学奖颁发给了在结构生物学领域取得重大成就的 David Baker 团队和 AlphaFold 团队,激发了 AI for science 领域新的研究热潮。
机器之心
2025/02/14
950
ByteDance Research登Nature子刊:AI+冷冻电镜,揭示蛋白质动态
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
2022年5月30日,以色列特拉维夫大学Blavatnik计算机科学学院的Haim J. Wolfson等人在Nat Methods杂志发表文章,提出了一种可解释的深度学习模型,该模型直接从原始数据中学习具有功能的结构基序 (motifs),从而可以将蛋白质结合位点和抗体表位准确地映射到蛋白质结构上。
智药邦
2022/06/08
4.6K0
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
Curr Opin Struc Biol|蛋白质设计的深度生成建模
2021年12月25日,来自加拿大多伦多大学的Alexey Strokach和Philip M. Kim在Curr Opin Struc Biol合作发表综述“蛋白质设计的深度生成建模”。
智药邦
2022/03/04
5990
Curr Opin Struc Biol|蛋白质设计的深度生成建模
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。
DrugAI
2024/06/04
2430
InstructPLM: 对齐蛋白质语言模型以遵循蛋白结构指令
[Nature Biotechnology | 论文简读] 使用语言模型和深度学习进行单序列蛋白质结构预测
Single-sequence protein structure prediction using a language model and deep learning
智能生信
2022/12/29
4650
[Nature Biotechnology | 论文简读] 使用语言模型和深度学习进行单序列蛋白质结构预测
全球首创 :分子之心开源新AI算法,攻克蛋白质侧链预测与序列设计难题
蛋白质结构和功能的形成,很大程度上取决于侧链原子间的相互作用,因此,精准的蛋白质侧链预测(PSCP)是解决蛋白质结构预测和蛋白质设计难题的关键一环。但此前蛋白质结构预测大多聚焦于主链结构,侧链结构预测始终是一个未被完全解决的难题。
机器之心
2023/08/04
2880
全球首创 :分子之心开源新AI算法,攻克蛋白质侧链预测与序列设计难题
Nat. Biotechnol. | 通过全新设计的蛋白质激发功能
今天为大家介绍的是来自Po-Ssu Huang团队的一篇论文。蛋白质中的信息流是从序列到结构再到功能,每一步都是由前一步驱动的。蛋白质设计的基础是反转这一过程:指定一个期望的功能,设计执行这个功能的结构,并找到一个能够折叠成这个结构的序列。这个“中心法则”几乎是所有全新蛋白质设计工作的基础。我们完成这些任务的能力依赖于我们对蛋白质折叠和功能的理解,以及我们将这种理解捕捉到计算方法中的能力。近年来,深度学习衍生的方法在高效和准确的结构建模和成功设计的丰富化方面使我们能够超越蛋白质结构的设计,向功能蛋白质的设计前进。
DrugAI
2024/04/12
1230
Nat. Biotechnol. | 通过全新设计的蛋白质激发功能
J. Chem. Theory Comput. | 基于Transformer的生成模型探索蛋白质-蛋白质复合物的构象系综
蛋白质-蛋白质相互作用(PPIs)是许多蛋白质功能的基础,了解蛋白质-蛋白质相互作用的接触和构象变化对于将蛋白质结构与生物功能联系起来至关重要。虽然难以通过实验检测,但分子动力学(MD)模拟被广泛用于研究蛋白质-蛋白质复合物的构象组合和动力学,但在采样效率和计算成本方面存在很大的局限性。近日发表在Journal of Chemical Theory and Computation的论文,“Exploring the conformational ensembles of protein-protein complex with transformer-based generative model”,根据分子动力学模拟获得的蛋白质-蛋白质复合物构象系综训练了一个基于Transformer的生成神经网络,以直接生成具有物理真实性的新蛋白质-蛋白质复合物构象。研究人员展示了如何使用基于Transformer架构的深度学习模型,通过 MD 模拟探索蛋白质-蛋白质复合物的构象系综。结果表明,学习到的潜在空间可用于生成蛋白质-蛋白质复合物的未采样构象,以获得补充原有构象的新构象,可作为分析和增强蛋白质-蛋白质复合物构象的探索工具。
DrugAI
2024/06/04
3610
J. Chem. Theory Comput. | 基于Transformer的生成模型探索蛋白质-蛋白质复合物的构象系综
[NMI | 论文简读] 基于语言模型的可控蛋白质设计
Controllable protein design with language models
智能生信
2022/12/29
2960
[NMI | 论文简读] 基于语言模型的可控蛋白质设计
推荐阅读
Science | ProteinMPNN : 基于深度学习的蛋白序列设计
2.4K0
Nature | 刘海燕/陈泉:蛋白质从头设计的神经网络能量函数
8060
Nat. Methods | Baker团队用LigandMPNN玩转原子级蛋白质设计
1550
Nat.Commun | 具有学习潜力的蛋白质序列设计
3890
韩国版AlphaFold?深度学习模型AlphaPPIMd:用于蛋白质-蛋白质复合物构象集合探索
1270
蛋白设计中的深度学习方法
1080
Comput Struct Biotech | 深度学习用于蛋白质设计:从结构到序列与功能
1.1K0
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
2850
​[Nature Communications | 论文简读] ProtGPT2是一个用于蛋白质设计的深度无监督的语言模型
7540
后AlphaFold时代,AI如何持续赋能蛋白质计算?
7910
[Nature Computational Science 2021]好文简读:基于深度图神经网络的快速有效蛋白质模型
5340
ByteDance Research登Nature子刊:AI+冷冻电镜,揭示蛋白质动态
950
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
4.6K0
Curr Opin Struc Biol|蛋白质设计的深度生成建模
5990
InstructPLM: 对齐蛋白质语言模型以遵循蛋白结构指令
2430
[Nature Biotechnology | 论文简读] 使用语言模型和深度学习进行单序列蛋白质结构预测
4650
全球首创 :分子之心开源新AI算法,攻克蛋白质侧链预测与序列设计难题
2880
Nat. Biotechnol. | 通过全新设计的蛋白质激发功能
1230
J. Chem. Theory Comput. | 基于Transformer的生成模型探索蛋白质-蛋白质复合物的构象系综
3610
[NMI | 论文简读] 基于语言模型的可控蛋白质设计
2960
相关推荐
Science | ProteinMPNN : 基于深度学习的蛋白序列设计
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