Advertisement

ProtoCaller：在GROMACS中自动计算相对蛋白质-配体结合自由能

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
ProtoCaller是一款基于GROMACS开发的自动化工具，专门用于高效地计算蛋白质与配体之间的相对结合自由能，助力药物设计和分子模拟研究。 ProtoCaller是一个Python库，用于在GROMACS中实现相对蛋白质-配体结合自由能计算的自动化控制。它利用多种工具来简化这一过程，例如Biopython、BioSimSpace、CHARMM-GUI（可选），以及Open Babel、ParmEd、PDB2PQR、pdbfixer和RDKit。 ProtoCaller可以在Linux和macOS系统上运行，并且安装非常简便，可以通过Conda进行。具体来说，可以使用以下命令来安装： ```shell conda install -c conda-forge -c omnia -c michellab -c essexlab protocaller ``` 如果需要尝试开发版本（请注意谨慎操作），则可执行如下命令： ```shell conda install -c conda-forge -c omnia -c michellab -c essexlab protocaller=dev ```

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • ProtoCaller：在GROMACS中自动计算相对蛋白质-配体结合自由能
    优质
    ProtoCaller是一款基于GROMACS开发的自动化工具，专门用于高效地计算蛋白质与配体之间的相对结合自由能，助力药物设计和分子模拟研究。 ProtoCaller是一个Python库，用于在GROMACS中实现相对蛋白质-配体结合自由能计算的自动化控制。它利用多种工具来简化这一过程，例如Biopython、BioSimSpace、CHARMM-GUI（可选），以及Open Babel、ParmEd、PDB2PQR、pdbfixer和RDKit。 ProtoCaller可以在Linux和macOS系统上运行，并且安装非常简便，可以通过Conda进行。具体来说，可以使用以下命令来安装： ```shell conda install -c conda-forge -c omnia -c michellab -c essexlab protocaller ``` 如果需要尝试开发版本（请注意谨慎操作），则可执行如下命令： ```shell conda install -c conda-forge -c omnia -c michellab -c essexlab protocaller=dev ```
     
  • 蛋白质序列对比中的动态规划算法
    优质
    《蛋白质序列对比中的动态规划算法》一文深入探讨了利用动态规划技术进行蛋白质序列比对的方法，强调其在生物信息学领域的重要性。文章详细介绍了如何通过优化算法提高序列比对的速度和准确性，为研究者提供了理论基础与实践指导。 使用动态规划算法来比对蛋白质序列的Perl语言源程序可以进行如下描述：该程序采用动态规划方法实现蛋白质序列的对比分析功能，代码编写采用了Perl编程语言。
     
  • 基于GNNs的蛋白质-蛋白质相互作用研究
    优质
    本研究利用图神经网络(GNNs)技术深入探究蛋白质间的相互作用机制，旨在提升对复杂生物系统理解及药物设计效率。 探索图注意力网络（GAT）架构和图卷积网络（GCN）架构来对蛋白质-蛋白质相互作用数据集中的节点进行分类。在PyTorch中实现。 运行方法： 1. 安装requirements.txt文件中列出的依赖项。 2. 要运行训练脚本，请使用以下命令：python train.py --model_type= --input_dir= --output_dir=
     
  • 自由对流能量CAPE的计算
    优质
    本研究探讨了自由对流能量（CAPE）的计算方法及其在气象学中的应用价值，分析不同大气条件下CAPE的变化规律。 此MATLAB程序用于计算自由对流能量CAPE和对流抑制能量CIN值，需要用到气压、温度、露点温度以及层次数。
     
  • GROMACS中的蛋白质-小分子复合物动力学模拟及数据分析流程学习记录 сохранение
    优质
    本文记录了使用GROMACS软件进行蛋白质与小分子复合物的动力学模拟和数据处理的学习过程，涵盖了从准备系统、运行模拟到分析结果的全流程。 GROMACS中蛋白质-小分子复合物的动力学模拟与数据分析流程学习笔记总结。
     
  • Bio_Embeddings: 从蛋白质序列提取蛋白质嵌入
    优质
    Bio_Embeddings旨在开发创新算法，用于从大规模蛋白质序列数据中高效地学习和提取蛋白质嵌入表示。这种方法有望革新生物信息学与药物发现领域。 了解bio_embeddings的资源： 通过嵌入技术从序列快速预测蛋白质结构及功能。 阅读当前文档的相关内容。 与我们交流探讨：可以直接留言或联系项目团队成员进行深入讨论。 我们在ISMB 2020和LMRL 2020会议上介绍了bio_embeddings管道。您可以查阅相关资料了解更多信息。 查看管道配置文件，以获取更多细节。 项目目标： 通过提供单一、一致的界面以及接近零的学习门槛，促进基于语言模型的生物序列表示法在迁移学习中的应用； 可重复的工作流程 支持多种表示深度（不同实验室训练的不同模型，在不同的数据集上进行训练） 为用户处理复杂性问题（例如CUDA OOM抽象），并提供有据可查的警告和错误消息。 该项目包括： 基于生物学序列（如SeqVec，ProtTrans，UniRep等）上训练的开放模型的一般Python嵌入器； 一条管道：将序列转换成矩阵表示形式（每个氨基酸对应一个位置向量）或矢量表示形式（整个序列简化为单一向量），适用于后续机器学习模块。
     
  • 新方法利用蛋白质序列信息预测蛋白质间相互作用
    优质
    本研究提出了一种基于蛋白质序列的新方法，有效提升了蛋白质之间相互作用的预测准确性，为理解生命过程中的分子机制提供了有力工具。 蛋白质-蛋白质相互作用（PPI）在几乎所有细胞过程中都至关重要，包括代谢循环、DNA转录与复制以及信号级联反应。然而，用于识别这些相互作用的实验方法既耗时又成本高昂。因此，开发能够预测PPI的计算方法显得尤为重要。 本研究提出了一种仅依赖蛋白质序列信息来预测PPI的方法。该方法结合了极限学习机（ELM）这一创新的学习算法与一种新颖的局部蛋白质序列描述符表示法。这种局部描述符揭示了蛋白质序列中连续和不连续区域中的氨基酸相互作用，从而有助于从蛋白质序列中提取更多关于PPI的信息。 极限学习机是一种基于随机生成输入到隐藏单元权重并解析线性方程组以获得隐藏层至输出层的精确权值来实现快速准确分类的方法。在分析酿酒酵母（Saccharomyces cerevisiae）的PPI数据时，该方法达到了89.09%的预测精度、89.25%的灵敏度和88.96%的准确性。 通过广泛的实验比较了本研究提出的方法与现有的支持向量机（SVM）技术。结果显示，所提方法在预测PPI方面具有良好的前景，并可作为现有技术支持的有效补充手段。
     
  • 蛋白质二级结构预测：基于机器学习的蛋白质-SS预测
    优质
    本研究聚焦于利用机器学习技术提升蛋白质二级结构（SS）预测精度。通过分析和建模氨基酸序列信息，开发高效准确的预测模型，促进生物信息学领域的发展与应用。 蛋白质二级结构预测可以通过分析其氨基酸序列来进行。首先将所有氨基酸序列合并，并采用20种不同类型的氨基酸及其对应的3个或8个二级结构（分别用E、H和t表示，或者使用另外的8类）。通过滑动窗口技术，在不同的窗口大小下进行处理：例如在21和13的位置上寻找中间位置的氨基酸作为目标结构。每个窗口中的每一个氨基酸都被转换成一个热编码，并且将所有这些单个热编码连接起来形成一个21x20矩阵，这被视为一种黑白图像输入给模型。 尝试了使用CNN、RNN、LSTM或GRU进行预测，但对精度的影响不大。基准测试的结果如下： - 预测3种二级结构：准确率为73% - 预测8种二级结构：准确率为52% 该研究依赖于一些特定的库和工具，包括火狐（Torch）、大熊猫、脾气暴躁的Matplotlib 和海生scikit学习。测试是在Python 3.8.3 x64环境下进行的。 此方法可以应用于不同的数据集以提高预测精度。
     
  • 对当前计算方法在内在无序蛋白质及区域预测中的全面回顾与对比
    优质
    本文全面回顾并对比了当前用于预测内在无序蛋白质及其区域的各种计算方法，旨在为研究者提供指导和参考。 对内在无序蛋白质及其区域预测的现有计算方法进行全面综述与比较。
     
  • 蛋白质二级结构的预测方法
    优质
    蛋白质二级结构预测是生物信息学中的重要课题，它通过分析氨基酸序列来预测蛋白质链的空间构象。此研究对于理解蛋白质功能至关重要。 通过平衡数据集可以提高蛋白质二级结构预测的准确性。