文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

文档反馈

mindsponge.metrics.between_residue_bond

mindsponge.metrics.between_residue_bond(pred_atom_positions, pred_atom_mask, residue_index, aatype, tolerance_factor_soft=12.0, tolerance_factor_hard=12.0)[源代码]

该函数主要用于计算序列上连续氨基酸残基之间是否存在肽键长度及角度冲突，可以对蛋白质结构冲突进行惩罚。（针对蛋白质全原子坐标编码分为两种形式：分别为稀疏编码和稠密编码，详见：common.make_atom14_positions ）

参数：

pred_atom_positions (Tensor) - 以稠密或稀疏编码方式编码的蛋白质所有原子三维坐标，shape $(N_{r e s}, 37, 3)$ （稠密编码）。
pred_atom_mask (Tensor) - 以稠密或稀疏编码方式编码的蛋白质全原子mask， shape $(N_{r e s}, 37)$ （稠密编码）。
residue_index (Tensor) - 蛋白质序列编码index信息，大小从1到 $N_{r e s}$ 。shape $(N_{r e s},)$ 。
aatype (Tensor) - 蛋白质一级序列编码，编码方式参考 common.residue_constants.restype_order，取值范围 $[0, 20]$ ，若为20表示该氨基酸为unkown（UNK）。 shape $(N_{r e s},)$ 。
tolerance_factor_soft (float) - 根据蛋白质结构分布的标准偏差测量的软公差因子，默认为 12.0 。
tolerance_factor_hard (float) - 根据蛋白质结构分布的标准偏差测量的硬公差因子，默认为 12.0 。

返回：

c_n_loss_mean (Tensor) C-N 肽键长度冲突损失。shape: $()$ 。
ca_c_n_loss_mean (Tensor) CA-C-N键角的冲突损失。shape: $()$ 。
c_n_ca_loss_mean (Tensor) C-N-CA键角的冲突损失。shape: $()$ 。
per_residue_loss_sum (Tensor) 所有氨基酸残基的冲突损失总和，包括键角键长损失。shape $(N_{r e s},)$ 。
per_residue_violation_mask (Tensor) 指示每个氨基酸残基是否存在键长或键角损失；1代表存在，0代表不存在。shape $(N_{r e s},)$ 。

符号:

$N_{r e s}$ - 蛋白质中氨基酸个数，按蛋白质一级序列排列。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> from mindspore import Tensor
>>> import numpy as np
>>> from mindsponge.metrics import between_residue_bond
>>> np.random.seed(1)
>>> pred_atom_positions = Tensor(np.random.random(size=(50,37,3)), ms.float32)
>>> pred_atom_mask = Tensor(np.random.randint(2,size=(50,37)), ms.int32)
>>> residue_index = Tensor(np.array(range(50)), ms.int32)
>>> aatype = Tensor(np.random.randint(20, size=(50,)), ms.int32)
>>> tolerance_factor_soft = 12.0
>>> tolerance_factor_hard = 12.0
>>> result = between_residue_bond(pred_atom_positions, pred_atom_mask, residue_index, aatype,
>>>                              tolerance_factor_soft, tolerance_factor_hard)
>>> for x in result:
>>>    print(x)
0.52967054
0.6045412
0.39251995
[0.62809587 1.6770853  1.7221183  1.0325309  1.3417522  1.79882
1.7718308  1.5092779  1.5653987  1.9564128  1.6804926  1.6051245
1.5033073  1.5895741  2.1686926  2.126039   1.3837843  1.2554975
1.8135165  2.1593785  1.9408598  1.7281027  1.8666006  1.9623451
1.8177024  1.7543832  1.5969353  1.2150483  0.9833115  1.219868
1.7008476  1.6968286  1.7648234  1.5584714  1.370602   1.8525059
1.7938454  1.5313196  1.6940074  1.8512855  1.8222975  1.6600168
1.9163743  1.7201058  1.6288358  1.6055745  1.521946   1.6553445
1.6175683  0.894606 ]
[1. 1. 0. 1. 1. 0. 0. 1. 1. 1. 1. 0. 0. 0. 0. 1. 1. 1. 1. 1. 0. 1. 1. 0.
0. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 1. 0.
1. 1.]