本文提出ProFSA方法，通过蛋白质片段-环境比对解决药物研发中蛋白质-配体数据稀缺问题。该方法从蛋白质结构中切割1-8个氨基酸片段作为伪配体，构建超过500万组伪配体-口袋配对数据，并通过对比学习训练口袋编码器与预训练分子编码器对齐。实验表明，ProFSA在口袋可药性预测、匹配和配体亲和力预测等任务中达到先进水平，为利用丰富蛋白质结构数据开辟新途径。代码和数据已开源。

DF4 pf:DF5测试函数PFDF6遇到的问题,在算法问题的参数taut(变化频率)默认是10数字变小时就算是9,算法会跟不上收敛。

在学习动态多目标优化算法的过程中,发现platemo上关于DMOPs的相关测试基准问题就只有一个FDA,而FDA问题当中的pareto前沿的变化都是同形状的迁移,基于此看了此文章基准测试问题为(JY)JY基准测试函数.

基于决策变量分类的动态多目标优化算法多样性引入和相结合基于聚类减少负迁移学习的动态多目标优化基于的角度通过自动编码进化搜索解决动态多目标问题基于多样性方法和的相结合动态约束多目标问题的一种新进化算法多样性和相结合的方法基于流形迁移学习的快速动态多目标进化算法基于记忆和的方法结合。

在许多实际的和基准的DMOPs中，变化不仅可能发生在决策空间，也可能发生在目标空间或决策和目标空间都发生的情况。先阶段仅可能无法处理具有其他动态特征的DMOPs对目标空间中POF的影响。作者提出的想法：动态检测时只采用5%的个体进行检测。

多目标优化问题一般有D个决策变量,N个目标函数,所以他会有两个空间,一个是决策变量空间(D维度,代表决策变量的分布情况),一个是目标空间(N维度,表示每个目标值的分布情况,pareto前沿就在这上面)