From b5c324318d6b055882f420c5dd7557037c3e8bc3 Mon Sep 17 00:00:00 2001 From: huanxiaoling <3174348550@qq.com> Date: Wed, 30 Nov 2022 16:57:55 +0800 Subject: [PATCH] add contents in mindsponge files --- docs/mindsponge/docs/source_zh_cn/intro/data_driven.md | 2 ++ docs/mindsponge/docs/source_zh_cn/intro/physics_driven.md | 2 ++ .../docs/source_zh_cn/intro/physics_plus_data_driven.md | 2 ++ docs/mindsponge/docs/source_zh_cn/user/design.md | 2 ++ docs/mindsponge/docs/source_zh_cn/user/property_prediction.md | 2 ++ docs/mindsponge/docs/source_zh_cn/user/simulation.md | 2 ++ docs/mindsponge/docs/source_zh_cn/user/structure_prediction.md | 2 ++ 7 files changed, 14 insertions(+) diff --git a/docs/mindsponge/docs/source_zh_cn/intro/data_driven.md b/docs/mindsponge/docs/source_zh_cn/intro/data_driven.md index c5697801cb..6550317215 100644 --- a/docs/mindsponge/docs/source_zh_cn/intro/data_driven.md +++ b/docs/mindsponge/docs/source_zh_cn/intro/data_driven.md @@ -1,5 +1,7 @@ # 数据驱动 + + 数据驱动的方法主要基于已有的各种物理、化学、生物数据，应用机器学习方法，实现分子学习任务。 数据驱动方法的发展是数据积累以及AI技术进步两方面综合促进的结果。随着蛋白、DNA、RNA等生物大分子序列、结构数据库，小分子结构、性质数据库，分子模拟等数据的不断扩增，应用一种或多种数据，可以训练AI模型学习其中的表示、性质、关联性等，以实现下游任务。 diff --git a/docs/mindsponge/docs/source_zh_cn/intro/physics_driven.md b/docs/mindsponge/docs/source_zh_cn/intro/physics_driven.md index 11b580904d..5899d814bc 100644 --- a/docs/mindsponge/docs/source_zh_cn/intro/physics_driven.md +++ b/docs/mindsponge/docs/source_zh_cn/intro/physics_driven.md @@ -1,5 +1,7 @@ # 物理驱动 + + 传统的分子动力学模拟主要利用物理知识对分子体系进行计算模拟。 通常，研究体系会被设定为由许多质点组成，每个质点代表一个原子（全原子模拟）或若干原子（粗粒化模拟）。这些质点彼此之间存在一定的相互作用势能，根据理论力学即可求解运动方程，获得运动轨迹，以此可以进行动力学研究。 diff --git a/docs/mindsponge/docs/source_zh_cn/intro/physics_plus_data_driven.md b/docs/mindsponge/docs/source_zh_cn/intro/physics_plus_data_driven.md index b805e9d5ea..06331cdd51 100644 --- a/docs/mindsponge/docs/source_zh_cn/intro/physics_plus_data_driven.md +++ b/docs/mindsponge/docs/source_zh_cn/intro/physics_plus_data_driven.md @@ -1,5 +1,7 @@ # 融合驱动 + + 如下表格中展示了部分当前较为流行的分子动力学模拟软件。 | | 原型/初版 | 开发语言 | 开发团队所在国 | diff --git a/docs/mindsponge/docs/source_zh_cn/user/design.md b/docs/mindsponge/docs/source_zh_cn/user/design.md index 55234124ac..171751c3de 100644 --- a/docs/mindsponge/docs/source_zh_cn/user/design.md +++ b/docs/mindsponge/docs/source_zh_cn/user/design.md @@ -1,5 +1,7 @@ # 分子设计 + + 分子设计是药物发现的重要组成部分。广阔的化学空间涵盖了所有可能的分子，目前有些虚拟筛选库已经包含超过数十亿个分子，但是这些库也只占化学空间的很小一部分。与虚拟筛选相比，分子设计从广阔的化学空间搜索生成新的分子，但是传统的实验探索如此大的空间需要花费大量的时间和资源。近年来由于机器学习和AI方法的进步，为分子设计提供了新的计算思路。 MindSPONGE生物计算工具包提供一系列基于深度生成模型的分子设计工具，帮助研究者进行高效的分子生成研究。 diff --git a/docs/mindsponge/docs/source_zh_cn/user/property_prediction.md b/docs/mindsponge/docs/source_zh_cn/user/property_prediction.md index 75f5adb5d1..1291e7cd2d 100644 --- a/docs/mindsponge/docs/source_zh_cn/user/property_prediction.md +++ b/docs/mindsponge/docs/source_zh_cn/user/property_prediction.md @@ -1,5 +1,7 @@ # 分子性质预测 + + 分子性质预测是计算机辅助药物发现流程中最重要的任务之一，在许多下游应用（例如药物筛选，药物设计）中都发挥着重要作用。传统分子性质预测使用密度泛函理论（Density Functional Theory, DFT）进行计算居多，虽然DFT可以精准预测多种分子性质，然而计算非常耗时，往往需要数个小时才能完成单个分子的性质计算。此外候选化合物数量较为庞大，因此使用传统量子化学方法进行分子性质预测需要付出巨大的资源和时间成本。得益于深度学习的快速发展，越来越多的人们开始尝试将深度学习应用于分子性质预测这一领域。其主要目的是通过原子坐标、原子序数等分子内部信息，对分子物理、化学性质做出预测，从而帮助人们快速在大量候选化合物中找到符合预测性质的化合物，加快药物筛选和药物设计的速度。 ## 已支持网络 diff --git a/docs/mindsponge/docs/source_zh_cn/user/simulation.md b/docs/mindsponge/docs/source_zh_cn/user/simulation.md index c3e5509929..593af6a74d 100644 --- a/docs/mindsponge/docs/source_zh_cn/user/simulation.md +++ b/docs/mindsponge/docs/source_zh_cn/user/simulation.md @@ -1,5 +1,7 @@ # 分子模拟 + + MindSPONGE采取了一种独一无二的 “类AI”分子模拟程序架构： ![MindSPONGE](./images/mindsponge.png) diff --git a/docs/mindsponge/docs/source_zh_cn/user/structure_prediction.md b/docs/mindsponge/docs/source_zh_cn/user/structure_prediction.md index a7adb36aaa..2b880281eb 100644 --- a/docs/mindsponge/docs/source_zh_cn/user/structure_prediction.md +++ b/docs/mindsponge/docs/source_zh_cn/user/structure_prediction.md @@ -1,5 +1,7 @@ # 分子结构预测 + + 获取分子结构，尤其是生物大分子（DNA、RNA、蛋白质）的结构，是生物制药领域研究的重要问题，其用途也十分广泛，MindSPONGE生物计算工具包提供一系列分子结构预测的计算工具，帮助研究者高效获取高精度的分子结构。 当前已开放了蛋白质与RNA结构预测的一系列工具，支持高精度预测蛋白质单体与复合物结构以及RNA的二级结构。 -- Gitee