本文将分享CSC1001:IntroductiontoComputerScience的详细内容，此外，我们还将为大家带来关于AIforScience交流会来了！科学计算前沿邀您共同探讨、AI+Scie

本文将分享CSC1001: Introduction to Computer Science的详细内容，此外，我们还将为大家带来关于AI for Science 交流会来了！科学计算前沿邀您共同探讨、AI+Science 系列（二）：国内首个基于 AI 框架的 CFD 工具组件！赛桨 v1.0 Beta API 介绍以及典型案例分享！、AI+Science 黑客马拉松｜赛程发布｜10万奖金等你来拿！、AI+Science：基于飞桨的 AlphaFold2，带你入门蛋白质结构预测的相关知识，希望对你有所帮助。

• CSC1001: Introduction to Computer Science
• AI for Science 交流会来了！科学计算前沿邀您共同探讨
• AI+Science 系列（二）：国内首个基于 AI 框架的 CFD 工具组件！赛桨 v1.0 Beta API 介绍以及典型案例分享！
• AI+Science 黑客马拉松｜赛程发布｜10万奖金等你来拿！
• AI+Science：基于飞桨的 AlphaFold2，带你入门蛋白质结构预测

CSC1001: Introduction to Computer Science

CSC1001: Introduction to Computer Science
Programming Methodology
Assignment 3
Assignment description:
This assignment will be worth 9% of the final grade.
You should write your code for each question in a .py file (please name it using the
question name, e.g. q1.py). Please pack all your .py files into a single .zip file, name it using
your student ID (e.g. if your student ID is 123456, then the file should be named as
123456.zip), and then submit the .zip file via Moodle.
Please also write a text file, which provide the details about how to run your code for each
question. The text file should be included in the .zip file as well.
Please note that, the teaching assistant may ask you to explain the meaning of your
program, to ensure that the codes are indeed written by yourself. Please also note that
we may check whether your program is too similar to your fellow students’ code using
Blackboard.
This assignment is due on 5:00PM, 14 Apr (Sunday). For each day of late submission, you
will lose 10% of your mark in this assignment. If you submit more than three days later
than the deadline, you will receive zero in this assignment.
Question 1 (20% of this assignment):
Write a Python class, Flower, that has three instance variables of type str, int, and float,
that respectively represent the name of the flower, its number of petals, and its price.
Your class must include an initializer that initializes each variable to an appropriate value,
and your class should include methods for setting the value of each type, and retrieving
the value of each type. Your program should be robust enough to handle possible
inappropriate inputs.

CSC1001 作业代做、代写 Programming Methodology 作业、代做 Python 实验作业、Python 程序设计作业调试
Question 2 (40% of this assignment):
Write a Python class that inputs a polynomial in standard algebraic notation and outputs
the first derivative of that polynomial. Both the inputted polynomial and its derivative
should be represented as strings.
For example, when the inputted polynomial is , the output of
your program should be .
Note: (1) The inputted polynomial will contain only one variable, and the variable is not
necessarily ‘x’; (2) In the inputted polynomial, the terms are not necessarily arranged in
descending or ascending orders.
Question 3 (40% of this assignment):
Write a Python class to simulate an ecosystem containing two types of creatures, bears
and fish. The ecosystem consists of a river, which is modeled as a relatively large list.
Each element of the list should be a Bear object, a Fish object, or None. In each time
step, based on a random process, each animal either attempts to move into an adjacent
list location or stay where it is. If two animals of the same type are about to collide in
the same cell, then they stay where they are, but they create a new instance of that
type of animal, which is placed in a random empty (i.e., previously None) location in the
list. If a bear and a fish collide, however, then the fish dies (i.e., it disappears).
Write an initializer for the ecosystem class, the initializer should allow the user to assign
the initial values of the river length, the number of fishes and the number of bears.
Before the simulation, fishes and bears should be allocated randomly into the river. The
ecosystem class should also contain a simulation() method, which will simulate the next
N steps of the random moving process. N should be inputted by the user. In each step of
your simulation, all animals in the river should try to take some random moves. In each
step of your simulation, the animals should take actions one by one. The animals on the
left will take actions first.
For example, assume that before the simulation, the initial state of the river is:
In which, ‘F’, ‘B’ and ‘N’ denote fish, bear and empty location respectively. Assume that
in the first step of simulation, the first fish will move to the left, the first bear will move
to the right, and the second bear will remain still. Then after the first step, the state of
the river is:
To generate random numbers in Python, you should import the random() function by
using the following statement:
By assigning the return of the random() function to a variable, you will get a random
floating point number in the range of [0, 1]. The following code is an example of using the
random() function:

因为专业，所以值得信赖。如有需要，请加 QQ：99515681 或邮箱：99515681@qq.com 

微信：codinghelp

AI for Science 交流会来了！科学计算前沿邀您共同探讨

随着深度学习不断驱动技术创新，人工智能科学计算迈向高质量发展道路。百度飞桨作为科学计算的坚定支持者，计划于 7 月 13 日举办飞桨科学计算线下交流会。本次交流会以百度飞桨深度学习框架为基座，广泛联动人工智能科学计算领域头部专家学者、高等院校、科研机构和开发者，搭建科学计算从业者广泛交流、深度融合的平台，讨论行业动态、科研成果、开源建设等多种议题，全力推进 AI for Science 建设与发展。

在这次交流会上，我们将向大家介绍飞桨 PaddleScience v1.0 版本。赛桨 PaddleScience 是一个应用于科研领域的端到端科学计算工具组件，利用飞桨深度学习框架的自动 (高阶) 微分机制和高层 API，解决物理、化学、气象等领域的问题。支持物理机理驱动、数据驱动、数理融合三种求解方式，并提供了基础 API 和详尽文档供用户使用与二次开发。

活动详情

活动主题

AI for Science— 人工智能加速科学发现与科学计算

活动时间

7 月 13 日 14:00-17:00

活动地点

上海・百度飞桨赋能中心

报名要求

欢迎从事计算机 / 人工智能或各领域科学计算方向的研究人员踊跃报名

报告主题

本次线下交流会我们邀请到国内外优秀的科研人员分享他们在相关领域的知识和研究成果，为大家提供一个学习和深入探讨的机会。

主题一：飞桨科学计算产品报告

主讲人：张艳博，飞桨高级技术产品经理

演讲主题：《飞桨 AI for Science 领域探索与产品建设现状》

报告简介：介绍飞桨 AI for Science 整体产品建设情况

主讲人：何森森，飞桨工程师

演讲主题：《飞桨 PaddleScience V1.0 功能介绍及使用指南》

报告简介：介绍飞桨 AI for Science 整体产品建设情况

主题二：AI for Science 学术报告

主讲人：孟旭博，2017 年博士毕业于华中科技大学能源与动力工程学院；2018 年 - 2022 年美国布朗大学应用数学系从事博士后研究工作，合作导师为美国工程院院士 George Em Karniadakis 教授；2022 年 3 月至今任华中科技大学数学与统计学院数学与应用学科交叉创新研究院副教授。主要研究方向为科学计算中的深度学习方法。截至目前已在 JCP、CMAME、SIAM Review 等期刊发表 SCI 论文 20 余篇，谷歌学术总引用 2600 余次，4 篇论文入选 ESI 高被引论文，1 篇论文为热点论文；担任 JCP、SISC、CMAME、Nat. Comput. Sci . 等期刊审稿人。

演讲主题：《科学计算：融合多保真数据的复合神经网络》

报告简介：机器学习的最新发展也影响了物理系统的计算建模，例如地球科学和工程学。通常，复杂物理系统的优化需要大量高保真数据集，这可能导致计算成本过高。另一方面，不充分的高保真数据会导致不准确的近似值和可能的错误设计。多保真度建模已被证明可以通过利用低保真度和高保真度数据在不同应用中实现高精度。在本次演讲中，我将介绍一种新开发的用于多保真度数据融合的深度学习算法及其在函数逼近和逆 PDE 问题中的应用。

主讲人：王韫博，上海交通大学助理教授，清华大学博士，CCF 优博，国家自然科学基金原创探索项目负责人。主要从事机器学习与计算机视觉的研究，专注于可微物理模拟、有模型强化学习等方向，在 TPAMI、NeurIPS、ICML、CVPR 等 CCF-A 类期刊和会议上发表论文 20 余篇，2020 年入选上海市青年科技扬帆计划。

演讲主题：《世界模型：直觉物理推理与决策》

报告简介：世界模型，是指智能体通过与环境交互，或通过观察物理世界的视觉表观演变，探索和推断其内部动力学模型，构建物理世界的可微分模拟器。近十年间，J. Tenenbaum、J. Schmidhuber、Y. LeCun 等人分别从贝叶斯认知理论、视觉环境决策、自监督学习的角度给出了世界模型的不同表达形式。然而，如何在复杂的视觉场景中建立有效的世界模型仍然是一项开放课题。本次报告围绕世界模型的 “观察” 与 “交互” 两个方面，分别介绍 “3D 逆图形学物理推断” 和 “基于世界模型的强化学习” 方法，相关工作分别发表于 2022 年的 ICML 和 NeurIPS（Spotlight）。前者为流体动力学模拟提供了一种新思路，后者应用于 DeepMind Control 机械臂视觉控制任务和 CARLA 自动驾驶任务，为当前最佳基线模型之一。

主讲人：Madeleine Martinsen, Head of R&D Hoist & Underground Mining at ABB Service. More than 34 years of wide competences from engineering, internal auditing, controlling to management positions within both the Power and Automation Industry at ABB. Including abroad assignments in Germany, Ecuador, USA and Denmark. A trouble-shooter with successful experience from “turning around” businesses. As a person enthusiastic, she is open minded, optimistic, curios, analytic, structured and result oriented. Her driving force is best used within an organisation where daily operational excellence is at focus as for serving customers. Currently focusing on finalizing her PhD with the title ‘Monitoring of airflow and airborne particles, to provide early warning of irrespirable atmospherics conditions’.

主讲人：Erik Dahlquist (瑞典皇家工程院院士), Experienced Professor with a demonstrated history of working in the higher education industry. Skilled in Computer Science, Smart Grid, Biomass, Modeling, and Research and Development (R&D). Strong education professional with a PhD focused in Chemical Engineering from Kungliga tekniska högskolan.

演讲主题：《工业数字化：Smart Industries demands Smart Services》

报告简介：The industries production is predicted to completely develop into an autonomous operation in the future. Developing an autonomous manufacturing system can for some industries prove difficult due to inadequate connectivity and non-uniform manufacturing environment. This is the case for the mining business. To resolve the connectivity issue, the industries are investing in information system (IS) and information technology (IT), infrastructure to provide connectivity to the overall control system, which will support their digitalization journey. Anyhow, the transition to a fully autonomous mining will not happen over a night. A complete autonomous mining operation will demand solutions that can be trustworthy. Timely detection of faults, which can lead to harmful and dangerous situations, is of the most importance in an autonomous mining operation. Preventing and predicting the need for maintenance will play an important ingredient succeeding.

日程安排

AI+Science 系列（二）：国内首个基于 AI 框架的 CFD 工具组件！赛桨 v1.0 Beta API 介绍以及典型案例分享！

本文同步分享在 博客 “飞桨 PaddlePaddle”（CSDN）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与 “OSC 源创计划”，欢迎正在阅读的你也加入，一起分享。

AI+Science 黑客马拉松｜赛程发布｜10万奖金等你来拿！

本文同步分享在 博客“飞桨PaddlePaddle”（CSDN）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。

AI+Science：基于飞桨的 AlphaFold2，带你入门蛋白质结构预测

1958 年 F.H.C. 克里克提出了生物学中重要的中心法则，DNA->RNA-> 蛋白质，中心法则说明，DNA 可以转录形成 RNA，RNA 再翻译成一个个氨基酸，最后组合形成蛋白质。

通过中心法则不难看出，如果把 DNA 比喻为进行工业生产的设计蓝图，那么蛋白质就像实现这个蓝图的工具，所以说蛋白质是一切生命活动的基础，它几乎参与了所有的生物学过程，如遗传、发育、繁殖等等。对蛋白质进行深入地研究，能让我们从更深层次诠释生命体的构成和运作变化规律，进而全面揭示生命运行、发展的机制，激发生物科学、药物研发、合成生物学、酶科学等领域的发展。

因探究生物体内各种蛋白质的功能及其机制等是目前蛋白质研究的主要内容，同时也是后基因组时代生命科学领域的主要研究热点之一。蛋白质的功能很大程度上取决于蛋白质的结构，因此如何破解蛋白质的三维结构成为了科学家研究的重点。

AlphaFold2 的诞生

近些年来，随着人工智能技术的发展，深度学习等相关技术也被应用在蛋白质结构预测领域。2018 年的 CASP 13（国际权威的蛋白质结构预测竞赛，每 2 年举办一次）上，谷歌 DeepMind 团队的 AlphaFold 拿下了 70 多分，打败众多研究团队，取得人工组第一，在该领域取得了里程碑式的进展。在 2020 年的 CASP 14 上，谷歌 DeepMind 团队的 AlphaFold2 以惊人的 92.4 分登顶第一 [1]，这一结果也被认为是基本解决了 “困扰了生物学家 50 年” 的问题，获得重大突破。92.4 分，指的是对竞赛目标蛋白的预测精度 GDT_TS 分数达到 92.4，一般认为该分数超过 90 分，基本可以替代实验方式啦，这也意味着 AlphaFold2 预测的结果与实验得到的蛋白质结构基本一致。

2021 年 7 月 15 日， DeepMind 团队在国际顶级期刊《Nature》上发表论文，详细描述了 AlphaFold2 的设计思路，并提供了可供运行的基于 JAX 的模型和代码 [2]。考虑到 JAX 受众偏向专业的 AI 科学计算研究人员，且飞桨社区尚没有蛋白质结构预测相关的开源项目，百度螺旋桨 PaddleHelix 生物计算团队，基于飞桨深度学习框架，复现了 AlphaFold2 模型，提供给广大飞桨开发者使用，帮助大家快速入门蛋白质结构预测。

https://github.com/PaddlePaddle/PaddleHelix/tree/dev/apps/paddlefold

AlphaFold2 算法的

设计思路

AlphaFold2 通过独特的神经网络和训练过程设计，第一次端到端地学习蛋白质结构。整个算法框架通过协同学习蛋白质的多序列比对（MSA）和氨基酸对（pairwise）的表征，将蛋白质序列的进化信息、蛋白质结构的物理和几何约束信息结合到深度学习网络中。我们将从数据预处理、Evoformer 和 Structure Module 三个模块分析 AlphaFold2 算法的设计思想。

来自：AlphaFold2 论文

数据处理

预测蛋白结构时，AlphaFold2 会利用氨基酸序列信息在蛋白质库中搜索多序列比对（MSA）。MSA 可以反映氨基酸序列中的保守性区域（即不容易产生突变），这些保守性区域和蛋白质的结构息息相关，比如可能被折叠在蛋白质内层，不容易和外界产生相互作用，进而不易受影响发生突变。在 AlphaFold2 的数据预处理中，为了减少模型运算量，会先对 MSA 中的序列进行聚类，取每个类别中心的序列作为 main MSA 特征。除了 MSA，AlphaFold2 的另一个重要输入是氨基酸对（pairwise）的特征。作为 main MSA 的补充，Alphafold2 会随机采样非聚类中心的序列作为 extra MSA 输入一个 4 层的网络提取 pairwise 特征，然后和模版提取的 pairwise 特征相加后得到最终 pairwise 特征。main MSA 特征和 pairwise 特征通过 48 层 Evoformer 进行表征融合。

Evoformer

Evoformer 网络的设计动机是想利用 Self-Attention 机制学习蛋白质的三角几何约束信息，同时让 MSA 表征带来的共进化信息和 pairwise 表征的结构约束信息相互影响，使得模型能直接推理出空间信息和进化信息的联系。

来自：AlphaFold2 论文

Structure Module

Structure Module 承担着把 Evoformer 得到的表征解码成蛋白质中每个重原子 (C,N,O,S) 坐标的任务。为了简化从神经网络预测值到原子坐标的转换，AlphaFold2 结合蛋白质中 20 类氨基酸的结构特性，将重原子分成不同二面角转角决定的组，这样就可以根据给定的起始位置，利用二面角和氨基酸已知的键长键角信息解码出原子坐标。这种结构编码方法相比直接预测坐标 (x,y,z) 大大降低了神经网络的预测空间，使得端到端结构学习成为可能。

赖氨酸的转角编码方式示例：蓝色平面（C,Cα,Cβ）确定后，根据预测的蓝色 - 紫色平面的二面角 χ1 和已知的 C-C 键长，Cγ-Cβ-N 键角即可确定 Cγ 的空间坐标，重复类似步骤，可以得到 Cδ,Cε, N 等重原子坐标。

基于飞桨框架的

AlphaFold2（AF2）使用

目前已经基于飞桨框架复现了完整的 AlphaFold2 的 inference 部分，现已正式在螺旋桨 PaddleHelix 平台开源：https://github.com/PaddlePaddle/PaddleHelix/tree/dev/apps/paddlefold

感兴趣的小伙伴们可以安装使用，并基于此，优化自己的蛋白结构预测模型。

1. 安装

在 requirements.txt 中提供了通过 pip 可安装的 Python 依赖项。另外，（基于飞桨框架的 AF2 还依赖于两个只能通过 conda 安装的 工具包：openmm==7.5.1 和 pdbfixer。为了得到多序列比对 MSA，还需要安装 kalign, HH-suite 和 jackhmmer。下载数据的脚本需要 aria2c。

提供一个可以设置 conda 环境并安装所有依赖项的脚本 setup_env。运行：

sh setup_env
conda activate paddlefold # activate the conda environment

也可以在 setup_env 中更改环境名称和 CUDA 版本。

2. 用法

为了运行基于飞桨框架的 AF2，还需要蛋白序列数据库和模型参数。基于飞桨框架的 AF2 使用和 AlphaFold2 一样的模型参数。

你可以使用脚本 scripts/download_all_data.sh 来下载和设置所有数据库和模型参数。

• 运行:

scripts/download_all_data.sh <DOWNLOAD_DIR>

将下载完整的数据库。完整数据库的总下载大小约为 415 GB，解压后的总大小为 2.2 TB。

• 运行：

scripts/download_all_data.sh <DOWNLOAD_DIR> reduced_dbs

将下载一个减少版本的数据库，可以用于在 reduced_ dbs 的设置下运行。减少的数据库的总下载大小约为 190GB，解压缩后的总下载大小约为 530GB。

3. 运行基于飞桨框架的 AF2 进行推理

要使用 DeepMind 已经训练好的参数对一个序列或多个序列进行推理，运行例如:

fasta_file="target.fasta" # path to the target protein
model_name="model_1" # the alphafold model name
DATA_DIR="data" # path to the databases
OUTPUT_DIR="paddlefold_output" # path to save the outputs

python3 run_paddlefold.py \
  --fasta_paths=${fasta_file} \
  --data_dir=${DATA_DIR} \
  --small_bfd_database_path=${DATA_DIR}/small_bfd/bfd-first_non_consensus_sequences.fasta \
  --uniref90_database_path=${DATA_DIR}/uniref90/uniref90.fasta \
  --mgnify_database_path=${DATA_DIR}/mgnify/mgy_clusters_2018_12.fa \
  --pdb70_database_path=${DATA_DIR}/pdb70/pdb70 \
  --template_mmcif_dir=${DATA_DIR}/pdb_mmcif/mmcif_files \
  --obsolete_pdbs_path=${DATA_DIR}/pdb_mmcif/obsolete.dat \
  --max_template_date=2020-05-14 \
  --model_names=${model_name} \
  --output_dir=${OUTPUT_DIR} \
  --preset=''reduced_dbs'' \
  --jackhmmer_binary_path /opt/conda/envs/paddlefold/bin/jackhmmer \
  --hhblits_binary_path /opt/conda/envs/paddlefold/bin/hhblits \
  --hhsearch_binary_path /opt/conda/envs/paddlefold/bin/hhsearch \
  --kalign_binary_path /opt/conda/envs/paddlefold/bin/kalign \
  --random_seed=0

你可以使用 python3 run_paddlefold.py -h 来查找参数的描述。

保留与 AlphaFold2 相同的输出，输出将位于 output_dir 的子文件夹中。它们包括计算的 MSAs、模型预测的蛋白结构、OpenMM 优化后的结构、模型打分排序、原始模型输出、预测元数据和模型运行计时。output_dir 目录将具有以下结构:

<target_name>/
    features.pkl
    ranked_{0,1,2,3,4}.pdb
    ranking_debug.json
    relaxed_model_{1,2,3,4,5}.pdb
    result_model_{1,2,3,4,5}.pkl
    timings.json
    unrelaxed_model_{1,2,3,4,5}.pdb
    msas/
        bfd_uniclust_hits.a3m
        mgnify_hits.sto
        uniref90_hits.sto

每个输出文件的内容如下:

• features.pkl
  一个 pickle 文件，其中包含模型用于生成结构的输入特性 NumPy 数组。
• unrelaxed_model_*.pdb
  一个 PDB 格式的文本文件，其中包含预测的结构，与模型输出的结构完全一样。
• relaxed_model_*.pdb
  一个 PDB 格式的文本文件，是调用 OpenMM 得到的优化结构，修复了模型预测结构中的冲突，并添加 H 原子的坐标位置。
• ranked_*.pdb
  一个 PDB 格式的文本文件，是对 OpenMM 得到的优化结构按照模型置信度的重新排序。这里使用预测的 LDDT 分数 (pLDDT) 作为置信度评估。
• ranking_debug.json
  一个 JSON 格式的文本文件，包含用于执行模型排名的 pLDDT 值及其对应的模型名称。
• timings.json
  一个 JSON 格式的文本文件，包含运行 AlphaFold2 模型的每个部分所花费的时间。
• msas/
  该目录中包含不同 MSA 搜索工具的输出文件。
• result_model_*.pkl 一个 pickle 文件，其中包含一个由模型直接生成的各种 NumPy 数组的字典，除了结构模块的输出外，还包括辅助输出。

最后，可以使用 pymol [3] 等工具对预测结构和实验结构对齐。值得说明的是，由于输入特征存在采样操作，基于飞桨框架复现的 AlphaFold2 和 JAX 版本的预测结构可能会有略微差异，有时候会和实验结构更接近，也可能差别稍大。

近期开发计划

AlphaFold2 虽然在单体蛋白上表现优异，但对复合体，预测的准确度还有待提升。为此，DeepMind 团队上线了 AlphaFold-Multimer 模型，一款针对复合物进行重新训练的神经网络模型，希望能发动飞桨社区开发者们的积极性，一起开发优化基于 AlphaFold-Multimer 的模型，之后也开源贡献到飞桨平台，让更广大的生信领域研究者们使用基于飞桨框架完全自主可控的蛋白结构预测模型。

参考文献 [1] https://predictioncenter.org/casp14/zscores_final.cgi.[2]Jumper, J.; Evans, R.; Pritzel, A.; Green, T.; Figurnov, M.; Ronneberger, O.; Tunyasuvunakool, K.; Bates, R.; Zidek, A.; Potapenko, A.; Bridgland, A.; Meyer, C.; Kohl, S. A. A.; Ballard, A. J.; Cowie, A.; Romera-Paredes, B.; Nikolov, S.; Jain, R.; Adler, J.; Back, T.; Petersen, S.; Reiman, D.; Clancy, E.; Zielinski, M.; Steinegger, M.; Pacholska, M.; Berghammer, T.; Bodenstein, S.; Silver, D.; Vinyals, O.; Senior, A. W.; Kavukcuoglu, K.; Kohli, P.; Hassabis, D., Highly accurate protein structure prediction with AlphaFold. Nature 2021, 596, 583-589.[3] https://pymol.org

关于CSC1001: Introduction to Computer Science的介绍现已完结，谢谢您的耐心阅读，如果想了解更多关于AI for Science 交流会来了！科学计算前沿邀您共同探讨、AI+Science 系列（二）：国内首个基于 AI 框架的 CFD 工具组件！赛桨 v1.0 Beta API 介绍以及典型案例分享！、AI+Science 黑客马拉松｜赛程发布｜10万奖金等你来拿！、AI+Science：基于飞桨的 AlphaFold2，带你入门蛋白质结构预测的相关知识，请在本站寻找。