探索精准加速的分子对接利器——QuickVina 2 和 QuickVina-W
在这个飞速发展的生命科学技术时代,QuickVina 2 和 QuickVina-W 提供了一种高效且准确的解决方案,为分子对接研究带来革命性的提升。这两个工具源自 AutoDock Vina,但通过技术创新,实现了速度和精度的双重优化。
QuickVina 2 —— AutoDock Vina 的精准加速版
QuickVina 2 是一个精心设计的分子对接工具,它的目标是精确加速 AutoDock Vina。在对 195 个蛋白质-配体复合物进行测试后,QVina 2 在保持默认的耗尽度(exhaustiveness)为 8 的情况下,相比 Vina 实现了高达 20.49 倍的速度提升。更令人印象深刻的是,其与 Vina 绑定能量的皮尔逊相关系数达到了 0.967(对于第一个预测模式)和 0.911(对于所有预测模式的总和),显示出极高的准确性。这表明,QuickVina 2 不仅速度快,而且性能稳定可靠,适用于大规模虚拟筛选库中的药物设计工作。
引用 QuickVina 2,请参考以下论文:
"Fast, Accurate, and Reliable Molecular Docking with QuickVina 2" Amr Alhossary, Stephanus Daniel Handoko, Yuguang Mu, and Chee-Keong Kwoh. Bioinformatics (2015) 31 (13): 2214-2216. DOI:10.1093/bioinformatics/btv082
QuickVina-W —— 快速盲对接新标杆
QuickVina-W 则在 QuickVina 2 的基础上进一步升级,增加了盲对接功能。它比 QuickVina 2 更快,比 AutoDock Vina 更准确。如果你不确定对接位点,QuickVina-W 的宽搜索框功能将是你理想的选择。然而,如果你已经明确了目标搜索区域,那么 QuickVina 2 将会是你更好的伙伴。
引用 QuickVina-W,请参考以下论文:
"Protein-Ligand Blind Docking Using QuickVina-W With Inter-Process Spatio-Temporal Integration" Nafisa M. Hassan, Amr A. Alhossary, Yuguang Mu & Chee-Keong Kwoh. Nature Scientific Reports 7(1) (2017). DOI:10.1038/s41598-017-15571-7
应用场景
无论是药物发现、生物大分子相互作用研究,还是计算机辅助药物设计,QuickVina 系列都能发挥关键作用。它们的强大性能使得快速筛选大量化合物成为可能,从而加速新药开发进程,并为理解复杂生物系统的互动机制提供宝贵支持。
项目特点
- 高效率:QuickVina 2 和 QuickVina-W 相较于 AutoDock Vina 显示出显著的速度优势。
- 高精度:在保证结果准确性的同时,QuickVina 2 超越了 GOLD 5.2,而 QuickVina-W 更是在盲对接方面表现出色。
- 灵活性:针对已知或未知对接位点的场景,提供了 QuickVina 2 和 QuickVina-W 两个版本,以适应不同需求。
- 易用性:这两款工具都提供了易于使用的接口,方便科研工作者迅速上手。
为了科学界的未来,我们诚邀您加入 QuickVina 社区,体验分子对接的新高度,推动生物科技的进步。准备好了吗?让我们一起探索,让创新发生!
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00