Loading [MathJax]/jax/output/CommonHTML/config.js
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 >基于ENVI的Landsat 7影像处理与多种大气校正方法对比

基于ENVI的Landsat 7影像处理与多种大气校正方法对比

作者头像
郭好奇同学
发布于 2021-05-28 09:20:29
发布于 2021-05-28 09:20:29
1.9K0
举报
文章被收录于专栏:好奇心Log好奇心Log

点击下方公众号,回复资料,收获惊喜

1 数据导入与辐射定标

关于数据的下载,百度中相关资源很多,这里不再赘述。

在我们所获得的遥感影像原始数据中,每一个像素对应的像元值往往是未经明确量化、没有统一量纲的数据(DN值,即Digital Number);而当我们需要利用遥感影像的信息对地物属性进行分析时,则往往需要其辐射亮度值、反射率值等。因此,我们首先需要通过“辐射定标”操作实现上述数据之间的转换。

在我们所获得的遥感影像原始数据中,每一个像素对应的像元值往往是未经明确量化、没有统一量纲的数据(DN值,即Digital Number);而当我们需要利用遥感影像的信息对地物属性进行分析时,则往往需要其辐射亮度值、反射率值等。因此,我们首先需要通过“辐射定标”操作实现上述数据之间的转换。

(1) 将图像压缩包(例如“LE71230392011231EDC00_RGF_21.rar”)解压缩;打开ENVI Classic 5.3(64-bit)软件,选择“File”→“Open Image File”,在弹出的文件选择窗口中分别选中压缩包中后缀名包含“B10”“B20”“B30”“B40”“B50”“B70”的六个“.tif”格式文件;点击“打开”。

(2) 选择“Basic Tools”→“Preprocessing”→“Calibration Utilities”→“Landsat Calibration”,在弹出的文件选择窗口中选择一个波段的图像。

(3) 在弹出的属性配置窗口中调整待定标卫星图像对应的传感器、数据获取日期、太阳高度角、对应波段数、电磁波类型(辐射或反射)、文件存储方式及地址等信息。其中,与卫星有关的信息可以由卫星图像的元数据信息中获取。

(4) 执行上述操作共六次,从而对压缩包中1、2、3、4、5、7六个波段的图像均进行辐射定标操作。

2 波段合成

如前所述,我们本次选用一幅完整遥感图像中1、2、3、4、5、7六个波段的图像进行分析操作,而上述定标操作后的结果是将各个波段的结果图像单独列出,并未连在一起;因此,为了使得后期分析时,我们可以获得一幅图像各个不同波段完整的变化曲线,我们需要对上述图像进行“波段合成”操作。

(1) 选择“Basic Tools”→“Layer Stacking”,在弹出的文件选择窗口中选择经过辐射定标后的六个波段的图像。

(2) 选择后,需要观察六幅图像在待合成文件列表中的排列顺序。由于后期我们需要对合成后的图像各个波段的信息进行折线图形式的分析操作,因此需要将待合成文件按照“中心波长值”由小至大的顺序排列。点击“Reorder Files”即可实现这一功能。

(3) 顺序排列完毕后,检查投影信息等无误后,点击“OK”即可开始合成操作。

3 编辑头文件

波段合成操作完毕后,所得结果图像中包含了原有六个波段的信息。但由于合成过程中,我们并未将每一个波段的信息“告诉”软件,因此合成后的图像中六个波段的中心波长值为默认数值(分别为“1”“2”……“6”)。为解决这一问题,我们需要手动为合成后的图像各个波段赋以其原有的波长数值。

(1) 在“Available Bands List”文件列表中右键选择波段合成后的结果文件,选择“Edit Header”功能。

(2) 选择“Edit Attributes”→“Wavelengths”,按照图像各个波段原有中心波长信息对合并后图像各个波段的波长信息进行修改,并注意将数据单位修改为“Micrometers”。

4 转换文件格式

由图可以看到,经过波段合成、编辑头文件后的结果图像“allbands”的数据存储格式为“BSQ”模式,而接下来所需要进行的大气校正中,FLAASH方法需要原始文件的数据存储结构为“BIP”或“BIL”模式,因此,我们需要对数据文件的存储格式加以转换。

(1) 选择“Basic Tools”→“Convert Data (BSQ,BIL,BIP)”,在弹出的文件选择窗口中选择经过波段合成、编辑头文件操作后的结果图像,点击“OK”。

5 QUAC快速大气校正

首先使用快速大气校正工具(QUAC)进行大气校正。这种校正方法将自动由图像中收集不同地物的波谱信息,从而获得相关经验值,以进行大气校正。值得注意的是,这一大气校正方法只可以对多光谱、高光谱图像进行处理。

QUAC快速大气校正对待处理文件数据单位、数据存储格式等并没有要求,即我们既可以使用通过上述步骤转换得来的“BIL”格式文件,亦可以使用转换前的“BSQ”格式文件。

(1) 选择“Basic Tools”→“Preprocessing”→“Calibration Utilities”→“Quick Atmospheric Correction”,在弹出的文件选择窗口中选择待处理图像文件,点击“OK”。

(2) 得到结果图像文件后,可在其上任意位置处右键,选择“Z Profile (Spectrum)”,即可查看图像中任意位置像元所对应的波谱信息;若同时打开多个窗口,则可在其中任意一个图像窗口中右键,选择“Geographic Link”,并将对应的窗口信息均调整为“ON”,即可实现同一区域的光谱信息多图像对比。下图即为经过QUAC快速大气校正后的图像与处理前图像的对比。具体对比结果将会在本文后半部分分析。

6 简化黑暗像元法大气校正

黑暗像元法基本原理为:假定待校正的遥感图像上存在黑暗像元区域,且地表为朗伯面反射、大气性质均一,则反射率或辐照亮度很小的黑暗像元由于受到大气的影响,使得这些像元的亮度值相对增加;可以认为这一部分的增加亮度是由于大气的影响造成的。在此基础上,若将全图像所有像元的亮度值都减去这一数值,得到的结果即为减少了大气影响的校正结果图像。这一方法十分简单,且其所获得的校正精度可以满足一般的遥感研究与实际应用。

(1) 选择“Basic Tools”→“Preprocessing”→“General Purpose Utilities”→“Dark Subtract”,在弹出的文件选择窗口中选择待处理图像文件,点击“OK”。

(2) 在弹出的窗口中选择校正方法。共有三种校正方法可供选择,分别为“Band Minimum”“Region Of Interest”与“User Value”。这三种方法的差异在于黑暗像元的选取方式有所不同——第一种方法将会以波段最小值作为假设中的黑暗像元,第二种方法将会以图像中我们所选取的研究区域的像素平均值作为假设中的黑暗像元,而第三种方法将会以用户输入的数值作为假设中的黑暗像元。结合情况,我们选择第一种方法进行操作。

(3) 点击“OK”,即可完成操作。

7 FLAASH大气校正

FLAASH大气校正方法适用于多光谱数据与高光谱数据,能够精确补偿大气对辐射的影响。这一方法采用MODTRAN4+ 辐射传输模型,通过影像像素光谱中的特征估计大气属性,可以有效去除水蒸气、气溶胶散射等效应带来的干扰,精度较高。

而另一方面,FLAASH方法同样对待处理数据有一定严格要求,如需要数据存储结构为“BIP”或“BIL”模式,像元值类型为经过定标后的辐射亮度或辐射率数据,数据单位为(μW)/(cm2nmsr)。

(1) 选择“Basic Tools”→“Preprocessing”→“Calibration Utilities”→“FLAASH”,在弹出的转换因子窗口中选择第二项,即单一因子适用于所有波段的情况。由于我们本次所使用数据原有光谱数值为标准单位,即(W)/m2 *μm *rad,为了将这一单位换为FLAASH方法所能利用的单位,我们需要将转换因子设定为10.00。

(2) 在随后弹出的配置对话框中,首先选择输入图像文件、输出图像文件目录及名称,同时依据遥感影像的元数据,配置其中心点经纬度、传感器类型(传感器类型一旦选定,系统将会自动匹配传感器高度与像元大小这两个参数)、航行时间;同时依据实际研究区的情况,配置平均海拔高度这一选项;其次,选择合适的地球大气模型和气溶胶模型。其中,地球大气模型需要根据一张标准查找表确定,气溶胶模型则依据研究区域实际情况加以确定。

(3) 接下来,选择“Multispectral Settings”。当基本设置中设置了水汽反演模型和气溶胶模型时,我们需要相应地将多光谱相关属性加以配置,配置完毕后点击“OK”。

(4) 全部设置完毕后,可以点击右下角的“Save”按钮,从而将本次对于FLAASH方法的全部属性配置保存;在后期若对同样的遥感数据进行同样的操作时,保存属性配置可以免去多次重复调整相关参数的工作,从而提高效率。

(5) 点击“Apply”,将会开始执行FLAASH大气校正。前期执行时,软件都在过程中停止运算,并报如下错误:

(6) 针对这一问题,尝试了网络论坛中所提供的一些方法,但错误依然存在。随后注意到,目标文件夹中包含中文字段;虽说其他操作(如QUAC快速大气校正、简化黑暗像元法大气校正等)并未出现报错的现象,但考虑到FLAASH方法较为复杂,因此将目标文件夹改为纯英文路径,发现问题得到解决。

(7) 得到结果后,同样得到一份结果日志。

8 大气校正结果与其他处理对比分析

8.1 三种大气校正方法结果与未校正结果对比分析

如上图所示,左上、右上、左下、右下四幅图分别为QUAC快速大气校正、简化黑暗像元法大气校正、波段合成后未经大气校正、FLAASH大气校正所得到的结果图像。

由图可知,QUAC快速大气校正与FLAASH大气校正所得结果为辐射率数据,数据往往在1500至2000部分;而简化黑暗像元法大气校正和波段合成后未经大气校正的结果数值则多处于80以下。请教老师后得知,不同大气校正所得到的结果数值单位有一定差异。而正由于四种图像数据单位不同,因此不能单纯比较其在数值上的差异,而是需要结合整幅波谱曲线图加以分析。

可以看出,未经大气校正的结果与简化黑暗像元法大气校正结果十分类似,二者之间的差异很不明显;我认为,这是由于这种方法仅仅为将原图减去一个作为黑暗像元,而这一幅影像中最小像素值数值较小,使得简化黑暗像元法大气校正再减去这一数值后和原有像素相差不大导致的。QUAC快速大气校正与FLAASH大气校正所得结果与未经大气校正的结果差异明显,且两种校正方法均在0.5至0.6毫米处有由低升高的趋势,随后呈现出一个较大的下降趋势,并在0.8毫米左右变得较为平缓。此外也可以看到,QUAC快速大气校正所得结果数值整体大于FLAASH大气校正所得结果。

8.2 定标前后结果对比与不同地物波谱曲线对比分析

首先,需要将原有未经过辐射定标的六个波段图像数据合成,生成一幅包含六个波段但未经过辐射定标的结果数据。其中需要注意,所得结果同样需要编辑头文件中六个波段的中心波长数值。将处理完毕的数据放在一起对比、分析。

以下每一幅大图都包含六幅小图。其中,第一排最左侧图为遥感图像,左上第二幅图为QUAC快速大气校正结果图,左上第三幅图为简化黑暗像元法大气校正结果图,最右侧图为未经辐射定标的结果图;下排第一幅图为波段合成后未经大气校正结果图,下排右侧图为FLAASH大气校正所得到结果图。

(1) 上图所示为水体的光谱曲线。可以看到经过大气校正后的水体波谱曲线在波长较低时具有较高的反射数值,而均在0.7左右出现大程度的下降,并迅速降低到零值附近;随后继续下降,但整体下降速度变得较慢。这符合水体在蓝绿波段具有较强反射,而在其它波段,尤其是近红外波段处对辐射的吸收程度最大,反射甚至达到零的结论。下图则是另一处水体的光谱信息。可以看出两处水体光谱信息在细节上有一定差异,但整体趋势与数值十分相似。

(2) 下图为一处建筑物聚集地的辐射曲线图像。可以看出其经过校正后的光谱曲线在波长较小时整体数值较低,而在0.8左右有所上升,并在1.65附近开始下降。此外,不难发现,这一建筑物的辐射曲线受到不同大气校正方法、是否进行大气校正、是否定标等影像较为强烈,五幅曲线图几乎均不一样。我认为这可能是由于住宅区受人为影响较大,地物较为复杂,从而导致不同原理、不同精度的操作方式在最终所得结果上出现较大差距。

(3) 以下两图为不同位置的两处植物的辐射曲线图像。可以看到,辐射图像在0.7至0.8附近上升快速,并在0.9左右形成一个峰值;随后曲线趋势较为平缓,达到1.5至1.6附近再次迎来一个峰值,随后明显下降。这同样较为符合植物反射的规律,即在绿色光0.5附近吸收率较高,反射率低;在可见光波段0.4至0.76处有一个反射峰值,而在近红外波段0.7至0.8处有一反射陡坡;且在1.0至1.1附近有一峰值。但是亦可以看出,这里的光谱曲线与纯正的植被光谱曲线相比,有一些细节并没有表现出来。

(4) 以下为本次对比过程中其它地区的图像和曲线。从这些图对比依然可以发现之前得到的结论,即未经大气校正的结果与简化黑暗像元法大气校正结果十分类似,二者之间的差异很不明显;QUAC快速大气校正与FLAASH大气校正所得结果与未经大气校正的结果差异明显,在曲线升降趋势方面就包含很大的不同。此外,QUAC快速大气校正虽与FLAASH大气校正所得结果趋势较为类似,但前者数值依然明显大于后者。

(5) 对比辐射定标前后结果图像的曲线图同样可以看出,在绝大多数情况下,辐射定标后光谱曲线与定标前相比,其曲线数值增长或下降趋势不变,但是变化的幅度的确发生了很大变化——辐射定标后的图像曲线由外形上看,可以看作将原有图像曲线“拉伸”,原有较为平缓的部分变得较为陡峭,曲线上的极大值或极小值较之周围数据变化较大,显得更加突出。

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:2021-05-12,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 好奇心Log 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
编辑精选文章
换一批
R语言中的分子描述的计算
学习药化的同志们应该都了解化合物分子的特征描述有很多计算软件,今天我们来给大家展示下在R语言中如何实现分子特征描述的计算。主要以MACCS分子指纹的实现作为案例。
一粒沙
2019/07/31
2.1K0
SMILES & InChI | 化学结构的线性表示法
可以将一个分子视为一个以原子为节点,结合为边的图。图形可以表示一个原子如何连接到另一个原子。如果已知原子之间的键数,则可以在以后添加氢原子,因此在计算机上表示分子时通常会省略氢原子。
DrugAI
2021/02/01
4K0
J Pharm Anal|化学自然语言引导基于扩散的生成式类药分子编辑
扩散模型已成为分子设计与优化中的一种前沿范式。然而,大多数基于扩散的分子生成模型主要聚焦于2D图形或3D几何结构的建模,对分子序列扩散模型的研究相对较少。国际纯粹与应用化学联合会 (IUPAC) 命名系统与化学自然语言更为相似,而非有机化合物的SMILES编码。
智药邦
2024/12/30
1620
J Pharm Anal|化学自然语言引导基于扩散的生成式类药分子编辑
Drug Discov Today|化学分子指纹的概念和应用
分子指纹(Molecular fingerprints)可以低计算成本的方式表示大规模化学数据集中化合物的化学(结构、物理化学等)性质。它们在将化学数据集中的分子转换为适合于计算方法的一致输入格式(bit向量或数值)方面发挥着重要作用。在这篇综述中,作者将常见和最先进的分子指纹归纳并分类为8种不同类型(基于字典的、圆形的(circular)、拓扑的、药效团的(pharmacophore)、蛋白质-配体相互作用的、基于形状的、强化的和多种的)。作者还强调了分子指纹在早期药物研发中的应用。因此,本综述为药物研发使用合适的化合物(或配体-蛋白质复合物)指纹的选择提供了指南。
智药邦
2023/02/14
3K0
Drug Discov Today|化学分子指纹的概念和应用
J. Pharm. Anal. | 化学自然语言引导基于扩散的生成式类药分子编辑
扩散模型已成为分子设计与优化中的一种前沿范式。然而,大多数基于扩散的分子生成模型主要聚焦于2D图形或3D几何结构的建模,对分子序列扩散模型的研究相对较少。国际纯粹与应用化学联合会 (IUPAC) 命名系统与化学自然语言更为相似,而非有机化合物的SMILES编码。2024年11月2日发表在Journal of Pharmaceutical Analysis上的研究论文Diffusion-based generative drug-like molecular editing with chemical natural language提出了一种基于IUPAC名称引导的条件扩散模型DiffIUPAC,用于从化学自然语言到化学语言 (SMILES) 的分子编辑。该研究探索了扩散模型的预训练生成性能能否迁移至化学自然语言领域。研究人员开发的DiffIUPAC是一种可控的分子编辑扩散模型,能够将IUPAC名称转换为SMILES字符串。评估结果显示,DiffIUPAC模型在语义规则捕捉方面优于现有方法,成功掌握了两种化学语言的语义规则。为了展示该模型在药物设计中的潜在应用,还进行了官能团编辑、类似物设计和Linker设计的案例研究。
DrugAI
2024/11/23
1290
J. Pharm. Anal. | 化学自然语言引导基于扩散的生成式类药分子编辑
Nucleic Acids Research | PROTAC-DB:PROTACs在线数据库
今天给大家介绍的是浙江大学侯廷军教授团队发表在Nucleic Acids Research上的一篇文章“PROTAC-DB:an online database of PROTACs”。蛋白水解靶向嵌合体(PROTACs)是一种通过泛素-蛋白酶体系统选择性降解靶蛋白的新型治疗技术,具有传统抑制策略无法比拟的优势。目前PROTAC的设计仍然是一个巨大的挑战,为了对PROTACs进行合理设计,本文提出了一个基于Web的开放式数据库PROTAC-DB,它集成了PROTACs的结构信息和实验数据。目前,PROTAC-DB已经囊括了1662个PROTAC、202个弹头(靶向目标蛋白质的小分子)、65个E3配体(能够招募E3连接酶的小分子)和806个Linker以及它们的化学结构、生物活性和理化性质。其中,PROTAC-DB详细提供了弹头和E3配体的生物活性以及PROTAC的降解能力、结合亲和力和细胞活性。PROTAC-DB可以通过两种常用的搜索方法进行查询:基于文本的(靶点名称、化合物名称或ID)和基于结构的。
DrugAI
2021/02/01
3.1K0
Nucleic Acids Research | PROTAC-DB:PROTACs在线数据库
Nature子刊|华中师范大学杨光富/王凡团队提出DigFrag,用AI精准分割分子片段,并生成44个药物/农药分子
过去几十年,基于片段的药物发现 (FBDD) 通过识别与靶标蛋白有微弱相互作用的小分子片段,并优化这些片段的结构信息,可以开发出活性更高的先导化合物,在新药研发中发挥了重要作用。
智药邦
2024/12/19
3740
Nature子刊|华中师范大学杨光富/王凡团队提出DigFrag,用AI精准分割分子片段,并生成44个药物/农药分子
JCIM|用机器学习预测分子活性,应充分考虑活性悬崖问题
分子性质预测的核心原则之一是相似性原则,但是分子对之间存在活性悬崖的情况(即分子结构相似但是活性却相差巨大的情况)。
智药邦
2023/02/14
1.5K1
JCIM|用机器学习预测分子活性,应充分考虑活性悬崖问题
蛋白质组学第10期 定量方法介绍
知识回顾定量蛋白质组学一、无标定量(相对定量)1.概念2.原理参考文献3.理论基础方法一方法二4.流程5.特点二、有标定量1.概念2.原理3.种类4. ITRAQ1)参考文献2)原理3)ITRAQ4)实验流程5)峰谱结果6)特点5、SILAC1)基本原理和流程2)参考文献3)优势
生信技能树
2019/09/12
5.9K0
蛋白质组学第10期 定量方法介绍
使用python爬取pubchem药物分子数据
所以 sid cid 和aid其实都是一些化合物的id,我们可以通过请求这个id来获得与其对应的属性:
Tom2Code
2024/01/26
8220
使用python爬取pubchem药物分子数据
稳定同位素——如何玩转质谱内标定量 - MedChemExpress
质谱分析具有灵敏度高、样品用量少、分析速度快、分离和鉴定同时进行等优点。随着质谱定量检测技术的广泛发展,稳定同位素类化合物作为内标定量 (Stable Isotope-Labeled Internal Standard,简称 SIL-IS) 目前已被公认为是质谱定量分析领域好的选择。因为稳定同位素类化合物与被分析物具有几乎完全相同的分子结构 (图 1)、化学性质、色谱和质谱行为,可以有效地消除电离变化和基质效应[1],因而受到越来越多科研人员的推崇,广泛用于临床医学研究及生物医学、环境科学、食品检测等领域。
MedChemExpress
2022/12/26
5430
稳定同位素——如何玩转质谱内标定量 - MedChemExpress
Nat Commun|语言模型可以学习复杂的分子分布
2022年6月7日,来自多伦多大学计算机科学系的Daniel Flam-Shepherd等人在Nat Commun发表研究工作,研究为分子的深度生成模型引入了三个复杂的建模任务来测试化学语言模型的能力,结果显示语言模型是可以学习任何复杂分子分布的非常强大的生成模型。
智药邦
2022/11/16
4120
Nat Commun|语言模型可以学习复杂的分子分布
三篇Nature子刊谱写分子世界模型三部曲|ImageMol,VideoMol,SketchMol
随着人工智能从大语言模型(LLM)向世界模型(world model)的进一步探索,基于分子图像的“分子世界模型”,正成为革新药物研发流程的关键引擎。近几年,湖南大学DrugAI实验室提出了分子图像系列世界模型ImageMol(NMI 2022),Video Mol(NC 2024),SketchMol(NMI 2025),以新颖的分子视觉思路为药物发现带来了革命性突破。
智药邦
2025/02/25
1220
三篇Nature子刊谱写分子世界模型三部曲|ImageMol,VideoMol,SketchMol
Nat. Mach. Intell. | MolCLR:一个用于分子表征学习的自监督框架
今天介绍的是卡内基梅隆大学化学工程系的Amir Barati Farimani 教授最新发表在 Nature Machine Intelligence上的文章 ”Molecular contrastive learning of representations via graph neural networks”. 该文提出一种自监督的图神经网络框架MolCLR,利用大量无监督的标签进行自监督学习,有效缓解了因为数据标记有限而阻碍将分子机器学习推广到巨大的化学空间的难题。同时,本文提出了三种全新的分子图的增强方法:原子屏蔽、键删除以及子图删除,所提的分子图增强方法保证了增强时同一分子的一致性最大化以及不同分子一致性的最小化。实验表明,MolCLR 大大改善了 GNN 在各种分子特性基准上的表现。
DrugAI
2022/03/25
4950
Nat. Mach. Intell. | MolCLR:一个用于分子表征学习的自监督框架
BMC Bioinform | 拓扑增强的分子图表示用于抗乳腺癌药物的筛选
2022年9月19日,北京邮电大学傅湘玲团队在BMC Bioinformatics上发表文章。作者提出了ABCD-GGNN(Anti-Breast Cancer Drug selection method utilizing Gated Graph Neural Networks),一种使用门控图神经网络(GGNN)架构来筛选抗乳腺癌药物的新型算法。ABCD-GGNN通过每个不同化合物的原子描述符构建原子级图,可以拓扑地学习候选药物的隐式结构和子结构特征,然后将表示与显式离散分子描述符集成,生成分子级表示。因此,ABCD-GGNN的表示可以归纳地预测ERα、药代动力学特性和每种候选药物的安全性。
智药邦
2022/11/16
5450
BMC Bioinform | 拓扑增强的分子图表示用于抗乳腺癌药物的筛选
Commun Chem|分子切分是基于人工智能的药物开发途径中的关键步骤
2024年2月1日,由南通大学智能信息研究中心Med-AI实验室负责人王理教授组织撰写,博士生邵劲松为第一作者的题为Molecular fragmentation as a crucial step in the AI-based drug development pathway的综述发表在Communications Chemistry上。
智药邦
2024/03/05
2970
Commun Chem|分子切分是基于人工智能的药物开发途径中的关键步骤
李洪林团队发布分子切割算法MacFrag快速生成高质量药物片段
分子片段在药物研发中具有重要作用,如通过基于片段的从头药物设计获得高活性化合物、通过基于分子片段的骨架跃迁获得新颖结构。将化合物按照预先定义的规则进行拆分,是获得分子片段的有效途径。然而,作为基础工具,分子片段化方法的创新研究近年来并未引起足够的重视。
DrugAI
2023/02/17
1.2K0
李洪林团队发布分子切割算法MacFrag快速生成高质量药物片段
耶鲁大学提出分子语言模型MolLM,结合生物医学文本与分子的二维和三维表示
目前用于分子和文本联合表示的深度学习模型主要依赖于一维或二维分子格式,而忽略了提供有价值的物理见解的重要三维结构信息,因此限制了模型在广泛的模态范围内的多功能性和适应性。相反,专注于明确的三维表示的有限研究往往忽略了生物医学领域内的文本数据。因此,将二维和三维分子信息以及生物医学文本相结合的分子表示学习模型仍十分缺乏。
智药邦
2024/08/07
2170
耶鲁大学提出分子语言模型MolLM,结合生物医学文本与分子的二维和三维表示
Science|类药有机分子的快速自动化组装
2022年2月8日,Nature杂志发表文章Automated iterative Csp3-C bond formation,介绍了一种利用TIDA-硼酸盐连接物自动组装有机分子的方法。
智药邦
2022/03/04
3090
Science|类药有机分子的快速自动化组装
Nat. Rev. Chem. | 药物发现中的分子变色龙
今天为大家介绍的是来自Jan Kihlberg团队的一篇论文。分子变色龙具有一种灵活性,使它们能够根据环境的属性动态地遮蔽或暴露极性功能团。尽管分子变色龙的概念早在1970年就已引入,但自2010年代以来,随着药物发现越来越多地关注新的化学方式,对它们的兴趣显著增长。这些新的化学方式包括环状肽、大环和蛋白水解靶向嵌合体,它们都位于远离传统小分子药物的化学空间。药物的口服吸收需要细胞渗透性和水溶性。将这些属性以及强效的靶标结合引入到更大的新方式中,比对传统小分子药物来说是一个更加艰巨的任务。变色龙适应不同环境的能力可能对成功至关重要。
DrugAI
2024/02/23
4160
Nat. Rev. Chem. | 药物发现中的分子变色龙
推荐阅读
相关推荐
R语言中的分子描述的计算
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