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!
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00