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!
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07