[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-Graylab--DL4Proteins-notebooks":3,"similar-Graylab--DL4Proteins-notebooks":66},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":9,"readme_en":10,"readme_zh":11,"quickstart_zh":12,"use_case_zh":13,"hero_image_url":14,"owner_login":15,"owner_name":16,"owner_avatar_url":17,"owner_bio":18,"owner_company":19,"owner_location":19,"owner_email":19,"owner_twitter":19,"owner_website":19,"owner_url":20,"languages":21,"stars":26,"forks":27,"last_commit_at":28,"license":29,"difficulty_score":30,"env_os":31,"env_gpu":32,"env_ram":33,"env_deps":34,"category_tags":43,"github_topics":47,"view_count":60,"oss_zip_url":19,"oss_zip_packed_at":19,"status":61,"created_at":62,"updated_at":63,"faqs":64,"releases":65},4981,"Graylab\u002FDL4Proteins-notebooks","DL4Proteins-notebooks","Colab Notebooks covering deep learning tools for biomolecular structure prediction and design","DL4Proteins-notebooks 是一套专为生物分子结构预测与设计打造的深度学习教学资源，旨在通过交互式笔记本降低该领域的技术门槛。在蛋白质设计荣获 2024 年诺贝尔化学奖的背景下，这套工具填补了前沿科研与课堂教育之间的空白，让复杂的算法变得触手可及。\n\n它主要解决了初学者难以系统掌握从基础神经网络到尖端蛋白质生成模型的学习痛点。通过 Google Colab 云端环境，用户无需配置本地复杂环境即可直接运行代码，循序渐进地理解如何利用人工智能解析和设计蛋白质。\n\n这套资源非常适合生物信息学研究人员、高校师生以及对合成生物学感兴趣的开发者使用。无论是希望夯实机器学习基础的学生，还是想要快速上手最新模型的科研人员，都能从中获益。\n\n其独特亮点在于构建了完整的知识体系：内容从基于 NumPy 和 PyTorch 的神经网络基础讲起，逐步深入至卷积网络、语言模型迁移学习，最终涵盖 AlphaFold、RFDiffusion 和 ProteinMPNN 等行业标杆技术。特别是第九章，将上述主流工具串联起来，演示了从结构预测到全新蛋白质设计的完整工作流，帮助用户真正融会贯通，投身于下一","DL4Proteins-notebooks 是一套专为生物分子结构预测与设计打造的深度学习教学资源，旨在通过交互式笔记本降低该领域的技术门槛。在蛋白质设计荣获 2024 年诺贝尔化学奖的背景下，这套工具填补了前沿科研与课堂教育之间的空白，让复杂的算法变得触手可及。\n\n它主要解决了初学者难以系统掌握从基础神经网络到尖端蛋白质生成模型的学习痛点。通过 Google Colab 云端环境，用户无需配置本地复杂环境即可直接运行代码，循序渐进地理解如何利用人工智能解析和设计蛋白质。\n\n这套资源非常适合生物信息学研究人员、高校师生以及对合成生物学感兴趣的开发者使用。无论是希望夯实机器学习基础的学生，还是想要快速上手最新模型的科研人员，都能从中获益。\n\n其独特亮点在于构建了完整的知识体系：内容从基于 NumPy 和 PyTorch 的神经网络基础讲起，逐步深入至卷积网络、语言模型迁移学习，最终涵盖 AlphaFold、RFDiffusion 和 ProteinMPNN 等行业标杆技术。特别是第九章，将上述主流工具串联起来，演示了从结构预测到全新蛋白质设计的完整工作流，帮助用户真正融会贯通，投身于下一代生物技术创新中。","# Deep Learning for Proteins (DL4Proteins) Workshops\n\n![Cell Motherboard Wallpaper](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGraylab_DL4Proteins-notebooks_readme_29c0434b3508.png)\n\n**Welcome to DL4Proteins!**\n\n![Overview of Topics](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGraylab_DL4Proteins-notebooks_readme_21aabfc99ffd.jpg)\n\nThe goal of the DL4Proteins notebook series is to democratize deep learning for protein design and prediction, arriving at a transformative moment in science. With the 2024 Nobel Prize in Chemistry awarded to David Baker, Demis Hassabis, and John Jumper for breakthroughs in computational protein design and structural prediction, this resource provides an accessible, hands-on introduction to the very tools and methodologies that shaped this revolution. By blending foundational machine learning principles with state-of-the-art approaches such as AlphaFold, RFDiffusion, and ProteinMPNN, DL4Proteins equips researchers, educators, and students with the knowledge to contribute to the future of protein engineering. These open-source notebooks bridge the gap between cutting-edge research and classroom learning, fostering a new generation of innovators in synthetic biology and therapeutics.\n\nThe associated preprint presents a detailed pedagogical framework for this notebook series, describing the motivation, learning outcomes, and deep-learning principles underlying each notebook.\n\n#### Preprint: \n[DL4Proteins Jupyter Notebooks Teach how to use Artificial Intelligence for Biomolecular Structure Prediction and Design](https:\u002F\u002Farxiv.org\u002Fabs\u002F2511.02128)\n\nThe Jupyter notebooks below provide an introduction to the fundamental machine learning concepts and models currently utilized in the protein design space. Notebooks can be run in Google Colaboratory.\n\n**For figures and questions to render correctly, please set colab notebooks to light mode.\n\n### Table of contents                                                               \n### [Chapter 1: Neural Networks with NumPy](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS01_NeuralNetworksWithNumpy.ipynb)\n### [Chapter 2: Neural Networks with PyTorch](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS02_NeuralNetworksWithPyTorch.ipynb)\n### [Chapter 3: Convolutional Neural Networks](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS03_ConvolutionalNeuralNetworks.ipynb)\n### [Chapter 4: Language Models for Shakespeare and Proteins](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS04_LMsForShakespeareAndProteins.ipynb)\n### [Chapter 5: Language model embeddings transfer learning for downstream task](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS05_LanguageModelEmbeddingsTransferLearningForDownstreamTask.ipynb)\n### [Chapter 6: Introduction to AlphaFold](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS06_IntroductionToAF.ipynb)\n### [Chapter 7: Graph Neural Networks for Proteins](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS07_GNNsForProteins.ipynb)\n### [Chapter 8: Denoising Diffusion Probabilistic Models](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS08_DenoisingDiffusionProbabilisticModels.ipynb)\n### [Chapter 9: Putting it All Together - From RFDiffusion to ProteinMPNN to Alphafold](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS09_PuttingItAllTogether_DesigningProteins.ipynb)\n### [Chapter 10: Introduction to RFDiffusion - All Atom](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS10_RFDiffusion_AllAtom.ipynb)\n\nIf you have any issues, please put into [Issues tab](https:\u002F\u002Fgithub.com\u002FGraylab\u002FDL4Proteins-notebooks\u002Fissues). This is a living repository - we are actively incorporating feedback!\n\nAuthors: Michael F. Chungyoun, Sreevarsha Puvada, Gabriel Au, Courtney Thomas, Britnie J. Carpentier, Jeffrey J. Gray\n\nAcknowledgments: Sergey Lyskov, Sergey Ovchinnikov, Johns Hopkins students of 2023 540.614\u002F414 Protein Structure Prediction course, and the Johns Hopkins Center for Teaching Excellence and Innovation - Instructional Enhancement Grant.\n\nCitations and Additional Resources: Each notebook in this repository draws inspiration and methodologies from various cutting-edge resources, including prominent online tools, education resources, publications, and open-source repositories. Key resources include YouTube series by Harrison Kinsley, Andrej Karpathy, and Petar Veličković. These are cited within their respective notebooks, and we encourage users to explore these foundational works for deeper insights.\n","# 蛋白质深度学习（DL4Proteins）研讨会\n\n![细胞主板壁纸](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGraylab_DL4Proteins-notebooks_readme_29c0434b3508.png)\n\n**欢迎来到 DL4Proteins！**\n\n![主题概览](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGraylab_DL4Proteins-notebooks_readme_21aabfc99ffd.jpg)\n\nDL4Proteins 笔记本系列的目标是让蛋白质设计与预测领域的深度学习技术更加普及，从而推动科学领域迎来变革性时刻。随着 2024 年诺贝尔化学奖授予大卫·贝克、德米斯·哈萨比斯和约翰·詹珀，以表彰他们在计算蛋白质设计和结构预测方面的突破性贡献，本资源提供了一种易于理解且实践性强的入门指南，帮助读者掌握塑造这场革命的核心工具与方法。通过将机器学习的基础原理与 AlphaFold、RFDiffusion 和 ProteinMPNN 等最前沿的方法相结合，DL4Proteins 为研究人员、教育工作者和学生提供了参与未来蛋白质工程发展的知识储备。这些开源笔记本架起了尖端研究与课堂教学之间的桥梁，助力培养新一代合成生物学与治疗学领域的创新人才。\n\n相关的预印本详细阐述了该笔记本系列的教学框架，包括其背后的动机、学习目标以及每篇笔记本所体现的深度学习原则。\n\n#### 预印本：\n[DL4Proteins Jupyter 笔记本：教授如何利用人工智能进行生物分子结构预测与设计](https:\u002F\u002Farxiv.org\u002Fabs\u002F2511.02128)\n\n以下 Jupyter 笔记本旨在介绍当前蛋白质设计领域中所使用的机器学习基本概念和模型。这些笔记本可在 Google Colaboratory 中运行。\n\n**为确保图表和问题正确显示，请将 Colab 笔记本设置为浅色模式。**\n\n### 目录\n### [第 1 章：使用 NumPy 的神经网络](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS01_NeuralNetworksWithNumpy.ipynb)\n### [第 2 章：使用 PyTorch 的神经网络](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS02_NeuralNetworksWithPyTorch.ipynb)\n### [第 3 章：卷积神经网络](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS03_ConvolutionalNeuralNetworks.ipynb)\n### [第 4 章：用于莎士比亚文本和蛋白质的语言模型](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS04_LMsForShakespeareAndProteins.ipynb)\n### [第 5 章：语言模型嵌入与下游任务的迁移学习](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS05_LanguageModelEmbeddingsTransferLearningForDownstreamTask.ipynb)\n### [第 6 章：AlphaFold 入门](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS06_IntroductionToAF.ipynb)\n### [第 7 章：用于蛋白质的图神经网络](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS07_GNNsForProteins.ipynb)\n### [第 8 章：去噪扩散概率模型](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS08_DenoisingDiffusionProbabilisticModels.ipynb)\n### [第 9 章：融会贯通——从 RFDiffusion 到 ProteinMPNN 再到 AlphaFold](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS09_PuttingItAllTogether_DesigningProteins.ipynb)\n### [第 10 章：RFDiffusion 入门——全原子模型](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS10_RFDiffusion_AllAtom.ipynb)\n\n如遇任何问题，请提交至 [Issues 标签页](https:\u002F\u002Fgithub.com\u002FGraylab\u002FDL4Proteins-notebooks\u002Fissues)。本仓库将持续更新，我们正积极采纳反馈意见！\n\n作者：迈克尔·F·钟友恩、斯里瓦尔沙·普瓦达、加布里埃尔·奥、考特妮·托马斯、布里特妮·J·卡彭蒂耶、杰弗里·J·格雷\n\n致谢：谢尔盖·雷斯科夫、谢尔盖·奥夫钦尼科夫，约翰霍普金斯大学 2023 年 540.614\u002F414 蛋白质结构预测课程的学生，以及约翰霍普金斯大学教学卓越与创新中心的教学提升资助项目。\n\n引用与补充资源：本仓库中的每一篇笔记本均从多种前沿资源中汲取灵感并借鉴相关方法，包括知名在线工具、教育资源、学术论文及开源代码库。其中重要的参考来源包括哈里森·金斯利、安德烈·卡帕西和佩塔尔·韦利奇科维奇的 YouTube 系列视频。这些资源已在相应笔记本中列出，我们鼓励用户进一步探索这些基础性著作，以获得更深入的理解。","# DL4Proteins-notebooks 快速上手指南\n\nDL4Proteins 是一套旨在普及蛋白质设计与预测深度学习技术的开源 Jupyter Notebook 系列。本指南将帮助你快速在 Google Colab 环境中运行这些教程，涵盖从基础神经网络到 AlphaFold、RFDiffusion 等前沿模型的应用。\n\n## 环境准备\n\n本项目专为云端交互式学习设计，**无需本地安装复杂的环境依赖**。\n\n*   **系统要求**：任意现代操作系统（Windows, macOS, Linux），只需具备浏览器和网络连接。\n*   **前置依赖**：\n    *   一个 Google 账号（用于访问 Google Colaboratory）。\n    *   稳定的网络连接（访问 Google 服务及 GitHub 资源）。\n*   **推荐设置**：\n    *   在 Google Colab 中打开 Notebook 后，请务必将主题设置为 **浅色模式 (Light Mode)**，以确保图表和问题正常渲染。\n    *   对于涉及大型模型（如 AlphaFold, RFDiffusion）的章节，建议在 Colab 运行时设置中选择 **GPU** 加速器（菜单：`代码执行程序` > `更改运行时类型` > `硬件加速器` > `GPU`）。\n\n## 安装步骤\n\n由于本项目基于 Jupyter Notebook 并在云端运行，**无需执行传统的本地安装命令**。请按照以下步骤直接开始使用：\n\n1.  **访问仓库**：打开 [DL4Proteins-notebooks GitHub 仓库](https:\u002F\u002Fgithub.com\u002FGraylab\u002FDL4Proteins-notebooks)。\n2.  **选择章节**：在 README 的目录中选择你感兴趣的章节链接（例如 \"Chapter 1: Neural Networks with NumPy\"）。\n3.  **在 Colab 中打开**：点击链接会自动在 Google Colaboratory 中加载该 Notebook。\n4.  **保存副本**（重要）：\n    为了能够运行和修改代码，你需要将文件保存到你的 Google Drive。\n    *   在 Colab 顶部菜单栏点击 `文件 (File)`。\n    *   选择 `在 Drive 中保存副本 (Save a copy in Drive)`。\n    *   系统会自动在你的 Google Drive 中创建一个可编辑的副本，并在新标签页中打开。\n\n*注：如果你坚持需要在本地运行（不推荐，配置极其复杂），需克隆仓库并手动安装 PyTorch、BioPython、AlphaFold 等特定版本依赖，且极易出现环境冲突。强烈建议使用官方推荐的 Colab 方案。*\n\n## 基本使用\n\n以下以 **Chapter 1: Neural Networks with NumPy** 为例，展示最简单的使用流程：\n\n1.  **加载笔记本**：\n    点击下方链接在 Colab 中打开第一章：\n    [Chapter 1: Neural Networks with NumPy](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS01_NeuralNetworksWithNumpy.ipynb)\n    *(记得先执行“在 Drive 中保存副本”)*\n\n2.  **运行单元格**：\n    Notebook 由多个代码单元格（Cell）组成。从上到下依次点击每个单元格左侧的 **播放按钮 (▶️)** 或按下 `Shift + Enter` 执行代码。\n\n    ```python\n    # 示例：典型的第一个代码单元格可能包含导入库的操作\n    import numpy as np\n    import matplotlib.pyplot as plt\n    \n    print(\"Environment ready for DL4Proteins Chapter 1\")\n    ```\n\n3.  **交互与修改**：\n    *   阅读单元格上方的 Markdown 文本说明，理解当前的机器学习概念（如感知机、反向传播）。\n    *   你可以直接修改代码单元格中的参数（例如学习率 `learning_rate` 或迭代次数 `epochs`），然后重新运行该单元格及后续单元格，观察对模型训练结果的影响。\n\n4.  **进阶实践**：\n    完成基础章节后，可依次挑战更高级的主题：\n    *   **蛋白质语言模型**：尝试 [Chapter 4](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS04_LMsForShakespeareAndProteins.ipynb)，对比莎士比亚文本与蛋白质序列的建模异同。\n    *   **结构预测**：运行 [Chapter 6](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS06_IntroductionToAF.ipynb) 体验 AlphaFold 的基础原理。\n    *   **综合设计**：在 [Chapter 9](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FGraylab\u002FDL4Proteins-notebooks\u002Fblob\u002Fmain\u002Fnotebooks\u002FWS09_PuttingItAllTogether_DesigningProteins.ipynb) 中，串联 RFDiffusion、ProteinMPNN 和 AlphaFold 进行完整的蛋白质设计流程。\n\n遇到任何运行问题，请访问项目的 [Issues 页面](https:\u002F\u002Fgithub.com\u002FGraylab\u002FDL4Proteins-notebooks\u002Fissues) 进行反馈。","某高校合成生物学实验室的研究生团队正试图设计一种能高效降解塑料的新型酶，但成员普遍缺乏深度学习背景，面对复杂的蛋白质结构预测算法无从下手。\n\n### 没有 DL4Proteins-notebooks 时\n- **入门门槛极高**：学生需自行搜集 AlphaFold、RFDiffusion 等前沿论文的零散代码，环境配置复杂且文档缺失，往往在搭建阶段就耗费数周。\n- **理论与实践脱节**：难以理解图神经网络（GNN）或扩散模型如何具体应用于蛋白质序列，只能盲目调用黑盒工具，无法根据实验结果调整模型参数。\n- **算力资源受限**：本地服务器无法支撑大规模分子动力学模拟或大模型训练，导致验证想法的周期被无限拉长。\n- **知识体系碎片化**：从基础的 NumPy 神经网络到进阶的蛋白质语言模型迁移学习，缺乏系统性的学习路径，团队成员技能水平参差不齐。\n\n### 使用 DL4Proteins-notebooks 后\n- **开箱即用的工作流**：直接利用 Google Colab 运行预置好的 Chapter 6 至 Chapter 10 笔记本，无需配置本地环境，几分钟内即可调用 AlphaFold 进行结构预测。\n- **循序渐进的实战指导**：通过 Chapter 1 到 Chapter 5 的系统教程，团队成员清晰掌握了从基础神经网络到蛋白质嵌入迁移学习的核心原理，能自主优化设计策略。\n- **云端算力无缝集成**：借助 Colab 的免费 GPU 资源，轻松运行 RFDiffusion 全原子模型和 ProteinMPNN，将原本需要数天的计算任务缩短至数小时。\n- **标准化的协作范式**：统一的笔记本书籍让全员基于相同的代码框架和理论基准进行沟通，大幅降低了内部沟通成本，加速了从“设计”到“验证”的迭代循环。\n\nDL4Proteins-notebooks 通过将诺奖级的研究成果转化为可交互的教学案例，真正打破了人工智能与生物实验之间的技术壁垒，让每一位研究者都能成为蛋白质设计的创新者。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGraylab_DL4Proteins-notebooks_29c0434b.png","Graylab","Gray Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FGraylab_dc0985af.png","",null,"https:\u002F\u002Fgithub.com\u002FGraylab",[22],{"name":23,"color":24,"percentage":25},"Jupyter Notebook","#DA5B0B",100,668,115,"2026-04-03T16:24:22","MIT",1,"未说明 (基于 Google Colaboratory，支持所有主流操作系统)","未明确说明 (依赖 Google Colaboratory 环境，运行 AlphaFold、RFDiffusion 等高级章节通常需要使用 Colab 提供的 GPU 实例)","未说明 (依赖 Google Colaboratory 实例配置)",{"notes":35,"python":36,"dependencies":37},"该工具主要通过 Google Colaboratory 在线运行，无需本地安装复杂环境。为了图表和问题正常显示，请务必将 Colab 笔记本设置为“浅色模式”(Light Mode)。内容涵盖从基础神经网络到 AlphaFold、RFDiffusion 等前沿蛋白质设计模型的教学。","未说明 (由 Google Colaboratory 环境提供)",[38,39,40,41,42],"NumPy","PyTorch","AlphaFold","RFDiffusion","ProteinMPNN",[44,45,46],"语言模型","开发框架","图像",[48,49,50,51,52,53,54,55,56,57,58,59],"convolutional-neural-networks","deep-learning","diffusion-models","graph-neural-networks","jupyter-notebooks","language-model","neural-networks","protein-design","protein-docking","protein-structure-prediction","rna-design","small-molecules",2,"ready","2026-03-27T02:49:30.150509","2026-04-11T18:33:11.701411",[],[],[67,78,86,94,102,111],{"id":68,"name":69,"github_repo":70,"description_zh":71,"stars":72,"difficulty_score":73,"last_commit_at":74,"category_tags":75,"status":61},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[76,45,46,77],"Agent","数据工具",{"id":79,"name":80,"github_repo":81,"description_zh":82,"stars":83,"difficulty_score":73,"last_commit_at":84,"category_tags":85,"status":61},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[45,46,76],{"id":87,"name":88,"github_repo":89,"description_zh":90,"stars":91,"difficulty_score":60,"last_commit_at":92,"category_tags":93,"status":61},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",150037,"2026-04-10T23:33:47",[45,76,44],{"id":95,"name":96,"github_repo":97,"description_zh":98,"stars":99,"difficulty_score":60,"last_commit_at":100,"category_tags":101,"status":61},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[45,46,76],{"id":103,"name":104,"github_repo":105,"description_zh":106,"stars":107,"difficulty_score":60,"last_commit_at":108,"category_tags":109,"status":61},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[110,76,46,45],"插件",{"id":112,"name":113,"github_repo":114,"description_zh":115,"stars":116,"difficulty_score":60,"last_commit_at":117,"category_tags":118,"status":61},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[110,45]]