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!
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00