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
您找到你想要的搜索结果了吗?
是的
没有找到

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

【Linux】高级IO --- 多路转接,select,poll,epoll

1. 后端服务器最常用的网络IO设计模式其实就是Reactor,也称为反应堆模式,Reactor是单进程,单线程的,但他能够处理多客户端向服务器发起的网络IO请求,正因为他是单执行流,所以他的成本就不高,CPU和内存这样的资源占用率就会低,降低服务器性能的开销,提高服务器性能。 而多进程多线程方案的服务器,缺点相比于Reactor就很明显了,在高并发的场景下,服务器会面临着大量的连接请求,每个线程都需要自己的内存空间,堆栈,自己的内核数据结构,所以大量的线程所造成的资源消耗会降低服务器的性能,多线程还会进行线程的上下文切换,也就是执行流级别的切换,每一次切换都需要保存和恢复线程的上下文信息,这会消耗CPU的时间,频繁的上下文切换也会降低服务器的性能。前面的这些问题都是针对于服务器来说的,对于程序员来说,多执行流的服务器最恶心的就是调试和找bug了,所以多执行流的服务器生态比较差,排查问题更加的困难,服务器不好维护,同时由于多执行流可能同时访问临界资源,所以服务器的安全性也比较低,可能产生资源竞争,数据损坏等问题。

03

ICML 2024 | 基于体素网格的药物设计

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。

01
领券