本文介绍了一种预测人类蛋白质组中蛋白质相互作用(PPI)的创新方法。研究团队开发了RF2-PPI深度学习模型，结合omicMSA共进化分析和AlphaFold2结构预测，实现了大规模PPI筛选。该方法首先构建了包含2万多个物种的蛋白质组数据库，通过改进的pMSA算法分析蛋白质共进化关系；然后从AlphaFold数据库挖掘结构域间相互作用(DDI)数据；最后利用简化的RoseTTAFold2架构预测

每次使用vscode写python代码的时候，都需要在外面跑一个anaconda prompt，激活环境，然后进入对应的文件夹，运行代码，特别麻烦，所以想，能不能直接在vscode终端里面激活环境然后运行。

之前介绍了ESMC-6B模型的网络接口调用方法，但申请token比较慢，有网友问能不能出一个本地部署ESMC小模型的攻略，遂有本文。其实本地部署并不复杂，官方github上面也比较清楚了。后面讲述了esmc-decode接口的使用方式。

PDB文件设计得非常好，能够比较完整地记录实验测定数据从蛋白质结构来看，首先它会有多种不同的测定模型，然后每个模型中包含多条链，每条连上包含若干个残基，每个残基包含若干个原子在biopython.PDB包中可以找到这些概念对应的模块：model、chain、residue、atom首先用PDBParser读取文件，获得structurestruct内部的一层结构是model，我们只取第一个mode

本文主要总结了机器学习课程中的大部分知识点，包含概念学习、决策树、ANN、贝叶斯推理、无监督学习、基于实例的学习、回归学习、线性分类器、特征选择与稀疏学学习。包含有LMS算法、Find-S算法、候选消除算法、ID3、C4.5、朴素贝叶斯、Gibbs算法、Kmeans、层次聚类、KNN、径向基函数RBF、线性回归、逻辑回归、softmax回归、SVM、Widrow-Hoff算法、relief-F算法

拼尽全力，依然无法战胜。没能让ESM团队用出全力，真是遗憾呢。

TP、FP、TN、FN准确率、精确率（查准率）、召回率（查全率）真阳性率TPR、伪阳性率FPRF1-score=2TP/(2*TP+FP+FN)最大响应分数Fmax为F1-score的最大值（在最佳阈值的前提下）

本文主要总结了机器学习课程中的大部分知识点，包含概念学习、决策树、ANN、贝叶斯推理、无监督学习、基于实例的学习、回归学习、线性分类器、特征选择与稀疏学学习。包含有LMS算法、Find-S算法、候选消除算法、ID3、C4.5、朴素贝叶斯、Gibbs算法、Kmeans、层次聚类、KNN、径向基函数RBF、线性回归、逻辑回归、softmax回归、SVM、Widrow-Hoff算法、relief-F算法

拼尽全力，依然无法战胜。没能让ESM团队用出全力，真是遗憾呢。

拼尽全力，依然无法战胜。没能让ESM团队用出全力，真是遗憾呢。