分子识别特征（MoRF）是内在无序蛋白（IDP）的关键功能区域，它们在细胞的分子相互作用网络中起重要作用，并与许多严重的人类疾病有关。
鉴定MoRF对于IDP的功能研究和药物设计都是必不可少的。
本研究采用人工智能的前沿机器学习方法，为改进MoRFs预测开发了强大的模型。
我们提出了一种名为enDCNNMoRF（基于集成深度卷积神经网络的MoRF预测器）的方法。
它结合了利用不同特征的两个独立的深度卷积神经网络（DCNN）分类器的结果。
首先，DCNNMoRF1使用位置特定评分矩阵（PSSM）和22种氨基酸相关因子来描述蛋白质序列。
第二种是DCNNMoRF2，它使用PSSM和13种氨基酸索引来描述蛋白质序列。
对于两个单一分类器，都采用了具有新颖的二维注意机制的DCNN，并添加了平均策略以进一步处理每个DCNN模型的输出概率。
最后，enDCNNMoRF通过对两个模型的最终得分进行平均来组合这两个模型。
当与应用于相同数据集的其他知名工具进行比较时，新提出的方法的准确性可与最新方法相媲美。
可以通过http://vivace.bi.a.utokyo.ac.jp:8008/fang

非常实用的软件，可以打开PDB文件，看到蛋白质的3D图片，而且可以设置各个骨架与侧链角度，很方便

Pymol是最经典的蛋白质结构分析软件，可以进行氨基酸替换、修饰及各类蛋白质结构变换的图形显示

糖尿病数据集"diabetes.csv"是一个广泛用于统计分析和机器学习任务的数据集，特别是针对深度学习的应用。
这个数据集包含了大量关于糖尿病患者的医疗记录，旨在帮助研究者们预测糖尿病的发展趋势或者评估疾病管理策略的效果。
下面我们将深入探讨该数据集中的关键知识点。
1.数据集结构：通常，CSV（CommaSeparatedValues）文件是一种存储表格数据的格式，每一行代表一个观测值，列则对应不同的特征或变量。
在这个糖尿病数据集中，每一行可能代表一个患者在特定时间点的健康状况。
2.特征详解：-年龄（Age）：患者年龄，对于疾病发展有显著影响。
-性别（Sex）：患者性别，男性和女性可能面临不同的糖尿病风险。
-BMI（BodyMassIndex）：身体质量指数，是衡量体重与身高比例的一个指标，与糖尿病风险相关。
-血压（BloodPressure）：血压水平，高血压是糖尿病并发症的重要因素。
-葡萄糖（Glucose）：血液中的葡萄糖浓度，直接影响糖尿病的诊断。
-胆固醇（Cholesterol）：血液中的胆固醇含量，高胆固醇可能加剧糖尿病并发症。
-心电图（ECG）：心电图结果，可以反映心脏健康状况，可能影响糖尿病的整体管理。
-尿蛋白（UrineProtein）：尿液中的蛋白质含量，异常可能表明肾脏受损，常见于糖尿病并发症。
-甲状腺刺激激素（TSH）：甲状腺功能的指标，甲状腺问题可能与糖尿病有关联。
-以及其他可能的医疗指标和历史数据。
3.目标变量：数据集可能包含一个目标变量，例如“糖尿病进展”或“并发症发生”，用于预测模型的训练和验证。
这个变量可能是二元的（如无/有并发症）或连续的（如疾病严重程度评分）。
4.数据预处理：在使用数据集之前，通常需要进行数据清洗，处理缺失值、异常值，以及可能的分类变量编码。
此外，为了适应深度学习模型，可能需要对数值特征进行标准化或归一化。
5.模型构建：在深度学习中，可以使用各种神经网络架构，如卷积神经网络（CNN）用于特征提取，循环神经网络（RNN）处理时间序列数据，或者全连接网络（FCN）处理一般的数据。
更先进的模型如长短时记忆网络（LSTM）或门控循环单元（GRU）也能用于捕捉患者健康状况随时间变化的模式。
6.训练与评估：模型的训练通常涉及反向传播和优化算法（如梯度下降或Adam）。
评估指标可能包括准确率、召回率、F1分数、AUC-ROC曲线等，具体取决于任务的性质。
7.隐私与伦理：在处理这类个人健康数据时，必须遵守严格的隐私保护规定，确保数据脱敏且匿名化，以保护患者隐私。
8.预测与解释：模型预测的结果需要解释，以便医生和患者理解并采取相应行动。
可解释性机器学习方法如局部可解释性模型（LIME）和SHAP值可以提供洞察模型决策背后的特征重要性。
"diabetes.csv"数据集为糖尿病研究提供了一个宝贵的资源，通过深度学习方法，我们可以挖掘其中的潜在规律，提高疾病预测的准确性，并为患者提供更好的健康管理建议。
在实际应用中，要充分利用数据集，同时确保数据安全和合规性。

蛋白质建模，用来做蛋白质的模型建立，不过要先加载modeller

事实证明，下一代测序（NGS）是描绘多种癌症分子亚型的强大工具，并且可以揭示整个癌症进展过程中基因组突变的积累。
使用深度测序技术从喉鳞状细胞癌（LSCC）患者获得全基因组microRNA（miRNA）和mRNA表达谱，并通过综合计算方法进行分析。
大量蛋白质编码和非编码基因被检测到差异表达，表明LSCC细胞中的功能转换。
总共检测到127个突变基因与外胚层和表皮发育显着相关。
发现有11种miRNA差异表达，其中包括潜在的癌症抑制miRNAmir-34c，其表达明显下调。
对mRNA和miRNA转录组的综合分析进一步揭示了11个miRNA和138个靶向基因之间的相关动力学，从而形成了对LSCC发育的高度动态的共调节网络响应。

同源搜索是生物信息学在分子生物学，蛋白质功能分析和药物开发领域的巨大应用。
为了在不断增长的数据库中执行批量搜索，基本方法是对每个原始查询运行Blast或通过将它们分组在一起来串联查询。
本文提出了一种增强的具有序列压缩和聚类的蛋白质同源性批量搜索算法（C2-BLASTP），该算法利用了查询序列和数据库之间的联合信息。
在C2-BLASTP中，查询和数据库首先通过冗余分析进行压缩。
然后根据子序列相似度对数据库进行聚类。
此后，可以在群集数据库中实现命中查找。
此外，基于潜在的命中结果来重建最终执行数据库，以减轻序列数据库不断扩大的规模。
最后，在执行数据库中进行同源批搜索。
在NCBINR数据库上进行的实验证明，在同源性准确性，搜索速度和内存使用方面，C2-BLASTP对于同源性批量搜索的有效性。

BioinformaticswithRCookbook.包括如何用R分析microarray，RNA-seq，GWAS,NGS数据，分析蛋白质和核酸序列等等

蛋白质相互作用网络中求解BetweennessCentrality的简单方法，用C++实现，需改进

dailyFitAPI:gear:...正在开发中目前正处于非常早期的发展阶段。
:notebook_with_decorative_cover:关于节点API。
旨在方便饮食，计算白天的总卡路里，蛋白质，碳水化合物和脂肪的摄入量，并保留该数据的历史记录。
受MyFitnessPal等应用程序启发。
这是一个独立的个人项目，没有任何商业动机。
主要目的是练习和玩乐；
）。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。