面向虚拟筛选的GPU加速的分子对接方法

虚拟筛选是在计算机上对化合物分子进行模拟预筛选,找出容易和药物靶标结合的小分子(配体),从而降低实际实验测试次数,提高药物先导化合物的发现效率。常用的分子对接软件可以用于基于结构的虚拟筛选,寻找配体与靶标的最佳的作用模式和结合构象,并通过打分函数来筛选出潜在的配体。现有的对接软件如AutoDock Vina等在分子对接过程中需要耗费大量时间和计算资源,特别是面对大规模分子对接时,过长的筛选时间不能满足应用需求,因此,本文在最高效的QVina2对接软件基础上,提出一种基于GPU的QVina 2并行化方法QVina2-GPU,利用GPU硬件高度并行体系加速分子对接。具体包括增加初始化分子构象数量,以扩展蒙特卡罗的迭代局部搜索中线程的并行规模,增加蒙特卡罗的迭代搜索的广度以减少每次蒙特卡罗迭代搜索深度,并利用Wolfe-Powell准则改进局部搜索算法,提高了对接精度,进一步减少蒙特卡罗迭代搜索深度,最后,在NVIDIA Geforce RTX 3090平台上在公开的配体数据库上验证了QVina2-GPU的性能,实验表明在保证分子对接精度的基础上,我们提出的QVina2-GPU对Qvina2的平均加速比达到5.18倍,最大加速比达到12.28倍。

基于集成学习的图片分类在空气质量检测中的应用

图片分类是机器视觉领域的经典问题。在利用图片分类技术进行空气质量检测的应用中,需要搜集城市空气质量实拍图进行训练,以自动判定空气质量等级,由于图片拍摄环境和尺寸变化很大,不同场景对图片分类性能影响很大。本文提出了集成学习的框架,即综合考虑了卷积神经网络、梯度直方图和尺度不变特征提取三种技术的各自特点,提高图片分类的准确性并应用于空气质量检测中,同时考虑到城市空气质量实拍图数量有限,利用迁移学习的思想克服了图片训练量不足的问题,进一步提高了检测的准确度。在准确度方面,通过实验验证了本文提出的方法比单独图片分类技术优越。