• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

更正：吉里等人。2021年配体模型挑战赛中利用冷冻电镜数据、模板和深度学习改进蛋白质-配体相互作用建模。2023年， ，132。

Correction: Giri et al. Improving Protein-Ligand Interaction Modeling with cryo-EM Data, Templates, and Deep Learning in 2021 Ligand Model Challenge. 2023, , 132.

作者信息

Giri Nabin, Cheng Jianlin

机构信息

Department of Electrical Engineering and Computer Science, University of Missouri, Columbia, MO 65211, USA.

出版信息

Biomolecules. 2024 Nov 4;14(11):1404. doi: 10.3390/biom14111404.

DOI:10.3390/biom14111404
PMID:39595656
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC11592071/
Abstract

There was an error in the original publication [...].

摘要

原始出版物中存在一处错误[……]。

相似文献

1
Correction: Giri et al. Improving Protein-Ligand Interaction Modeling with cryo-EM Data, Templates, and Deep Learning in 2021 Ligand Model Challenge. 2023, , 132.更正：吉里等人。2021年配体模型挑战赛中利用冷冻电镜数据、模板和深度学习改进蛋白质-配体相互作用建模。2023年， ，132。
Biomolecules. 2024 Nov 4;14(11):1404. doi: 10.3390/biom14111404.
2
Improving Protein-Ligand Interaction Modeling with cryo-EM Data, Templates, and Deep Learning in 2021 Ligand Model Challenge.2021 年配体模型挑战赛：利用冷冻电镜数据、模板和深度学习改进蛋白质-配体相互作用建模。
Biomolecules. 2023 Jan 9;13(1):132. doi: 10.3390/biom13010132.
3
Advancing structure modeling from cryo-EM maps with deep learning.利用深度学习从冷冻电镜图谱推进结构建模。
Biochem Soc Trans. 2025 Feb 7;53(1):BST20240784. doi: 10.1042/BST20240784.
4
De Novo Atomic Protein Structure Modeling for Cryo-EM Density Maps Using 3D Transformer and Hidden Markov Model.使用3D变压器和隐马尔可夫模型对冷冻电镜密度图进行从头原子蛋白质结构建模
bioRxiv. 2024 Jan 2:2024.01.02.573943. doi: 10.1101/2024.01.02.573943.
5
AutoCryoPicker: an unsupervised learning approach for fully automated single particle picking in Cryo-EM images.AutoCryoPicker：一种用于 Cryo-EM 图像全自动单颗粒挑选的无监督学习方法。
BMC Bioinformatics. 2019 Jun 13;20(1):326. doi: 10.1186/s12859-019-2926-y.
6
GOLEM: Automated and Robust Cryo-EM-Guided Ligand Docking with Explicit Water Molecules.GOLEM：带显式水分子的自动化、稳健的冷冻电镜引导配体对接
J Chem Inf Model. 2024 Jul 22;64(14):5680-5690. doi: 10.1021/acs.jcim.4c00917. Epub 2024 Jul 11.
7
Deep learning for reconstructing protein structures from cryo-EM density maps: Recent advances and future directions.从冷冻电镜密度图重建蛋白质结构的深度学习：最新进展和未来方向。
Curr Opin Struct Biol. 2023 Apr;79:102536. doi: 10.1016/j.sbi.2023.102536. Epub 2023 Feb 9.
8
Accounting Conformational Dynamics into Structural Modeling Reflected by Cryo-EM with Deep Learning.运用深度学习将构象动力学纳入冷冻电镜结构建模中。
Comb Chem High Throughput Screen. 2023;26(3):449-458. doi: 10.2174/1386207325666220514143909.
9
A deep convolutional neural network approach to single-particle recognition in cryo-electron microscopy.一种用于冷冻电子显微镜中单颗粒识别的深度卷积神经网络方法。
BMC Bioinformatics. 2017 Jul 21;18(1):348. doi: 10.1186/s12859-017-1757-y.
10
Secondary Structure Detection and Structure Modeling for Cryo-EM.冷冻电镜的二级结构检测和结构建模。
Methods Mol Biol. 2025;2870:341-355. doi: 10.1007/978-1-0716-4213-9_17.