tp钱包官网APP|kiba

首页
kiba

tp钱包官网APP|kiba

作者： tp钱包官网APP

2024-03-07 19:30:19

KIBA 和 Davis 数据集下载以及部分学习笔记_davis数据集下载-CSDN博客

KIBA 和 Davis 数据集下载以及部分学习笔记

最新推荐文章于 2024-03-04 11:32:26 发布

菜鸟上路dd

最新推荐文章于 2024-03-04 11:32:26 发布

阅读量1.6k

点赞数

文章标签：

学习

本文链接：https://blog.csdn.net/2201_75349501/article/details/127967008

版权

KIBA 和 Davis 数据集找了很久，然后通过Issues · hkmztrk/DeepDTA · GitHub的问题得到了答案。但我仍然不清楚affinity文件是如何生成的（头秃）。

Where can I download Kinese KIBA and Davis datasets?

Data Explanation: DeepDTA/README.md at master · hkmztrk/DeepDTA (github.com)

For more detailed information, please refer to the DeepDTA article and SimBoost article.

Availability of data: http://staff.cs.utu.fi/~aatapa/data/DrugTarget/

ligands.txt -> it contains the sequences of drugs (SMILES) proteins.txt -> it contains the sequences of proteins in the data affinity.txt -> contains the binding affinity matrix in txt form (drugs x proteins in the same order given in the above text files Y -> contains the binding affinity matrix in pickle form (drugs x proteins in the same order given in the above text files)

About DeepDTA: deep drug-target binding affinity prediction

The approach used in this work is the modeling of protein sequences and compound 1D representations (SMILES) with convolutional neural networks (CNNs) to predict the binding affinity value of drug-target pairs.

优惠劵

菜鸟上路dd

关注

踩

觉得还不错?

一键收藏

知道了

KIBA 和 Davis 数据集下载以及部分学习笔记

KIBA 和 Davis 数据集找了好久，最后终于找到了答案。

复制链接

扫一扫

DAVIS 视频分割数据集+55000图像.rar

08-20

1、DAVIS 视频分割数据集，真实场景的高质量图片数据，图片格式为png，数据场景丰富。

2、数据集详情展示和更多数据集下载：https://blog.csdn.net/m0_64879847/article/details/132301975

DAVIS Driving Dataset 2020 (DDD20) 【转载】

u014546828的博客

09-11

4908

DDD20 是一个非常棒是数据集，DDD20 的 readme 文件在，方便国内研究这参考。

【转载】https://docs.google.com/document/d/1Nnyjo4j0rvdgHQ0cS8z0Q1QBRLHDtwh7XW1u9ygmQEs/edit#

DAVIS Driving Dataset 2020 (DDD20)

Yuhuang Hu, Jonathan Binas, Daniel Neil, Shih-Chii Liu, Tobi Delbruck

March 202.

参与评论

您还未登录，请先

后发表或查看评论

kiba0510

02-14

嗨，我是朱利安

我是霍尔伯顿学校的学生

:seedling: 我目前正在学习

:goal_net: 2021年目标：成为成熟的前端Web开发人员

:high_voltage: 有趣的事实：我喜欢玩MMORPG :video_game: 弹吉他/贝斯 :guitar:

Spotify播放 :headphone:

与我联系：

语言和工具：

:cat_face: 我的Github数据

:trophy: 2021年有295项贡献

:package: Github的存储中使用了992字节

:prohibited: 不选择雇用

:scroll: 15个公共存储库

:key: 0私人仓库

我很早 :baby_chick:

:sun_with_face: Morning 37 commits ███░░░░░░░░░░░░░░░░░░░░░░ 11.94%

:cityscape_at_dusk: Daytime 178 commits ██████████████░░░░░░░░░░░ 57.42%

:night_with_stars: Ev

datacraft:我的世界的数据

05-06

数据Craft.io

像Pro一样玩数据，并像Minecraft一样玩。

它是什么

Datacraft是一个ETL工具，受到开源项目极大启发。但是我们需要当前kiba无法提供的某些高级功能，因此我们决定推出自己的版本。以下是已经实施的主要方法：

加载数据后进行构建操作（稍后说明）

并行处理

延迟初始化

我们还需要更多。这里有些想法在我脑海中回荡，并可能成为新功能。

数据流，流水线

空载分析结果

将变更点上的数据快照化，并生成报告以进行直观的调试。

安装

将此行添加到应用程序的Gemfile中：

gem 'datacraft'

然后执行：

$ bundle

或将其自己安装为：

$ gem install datacraft

用法

这是指令脚本的示例。

# data source class

class CsvFile

def initialize ( csv_fil

kiba：用于Ruby的数据处理和ETL框架

01-31

木场ETL

编写可靠，简洁，经过良好测试和可维护的数据处理代码非常棘手。

Kiba允许您使用Ruby定义和运行这样的高质量ETL（）作业。

入门

前往获取最新文档。

如果您需要帮助，请以便其他人可以从您的贡献中受益！我会监控此特定标签，并会回复您。

对于任何无法预料的问题和诸如安装问题之类的简单问题，客户将获得优先的私人电子邮件支持。我们的咨询服务也将优先于Kiba Pro订户。如果您需要有关ETL和数据管道实施的任何指导，请我们联系，以便我们讨论如何为您提供帮助。

您还可以查看和。

支持的Ruby版本

Kiba当前支持Ruby 2.4 +，JRuby 9.2+和TruffleRuby。请参阅。

ETL咨询和商业版本

咨询服务：如果您的组织需要有关Kiba / ETL实施的指导，我们将提供咨询服务。请通过联系。

Kiba Pro ：有关供应商支持的ETL扩展，请查看。

执照

贡献与法律

（以下协议是从借来的）

提交拉取请求，即表示您放弃对提

DAVIS数据集下载

weixin_42130300的博客

03-03

425

DAVIS分割数据集下载

DeepGS：Deep Representation Learning of Graphs and Sequences for DTA | CNN,GAT,BiGRU,Prot2Vec

xxxxxxbaby的博客

10-25

1974

DeepGS: Deep Representation Learning of Graphs and Sequences for Drug-Target Binding Affinity Prediction（DTA）

这是一篇预测药物和靶标结合亲和力的文章，发表在ECAI2020上。文章最大的创新点在于首次提出三通道，在此之前都是使用二通道预测。

ECAI 2020：European Conference on Artificial Intelligence 欧洲人工智能会议

一、Introduct

davis2016评估教程

laizi_laizi的博客

02-24

1246

DAVIS 2016是VOS任务中的一个经典的benchmark，但是一些VOT的算法有时候也可以预测mask，所以也会在上面测一测性能，本次就随手记录一下自己评测的过程。

DAVIS 挑战赛语义分割数据集【语义分割数据集】

专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化

10-21

960

❤️【专栏：数据集整理】❤️ 之【有效拒绝假数据】

???? Follow me ????，一起学更多有趣 AI、冲冲冲 ???? ????

文章目录???? DAVIS 挑战赛语义分割数据集【图像分割数据集】???? 数据集下载主页???? 数据集简介???? 下载方式???? 人像分割数据集

???? DAVIS 挑战赛语义分割数据集【图像分割数据集】

???? 数据集下载主页

https://davischallenge.org/davis2017/code.html

???? 数

DAVIS: Densely Annotated Video Segmentation密集标注视频分割数据集DAVIS-数据集

03-12

DAVIS is released under the BSD License. DAVIS数据集基于BSD协议开源供使用。

Perazzi_A_Benchmark_Dataset_CVPR_2016_paper.pdf

Davis_code_datsets.zip

ElasticsearchNodeJs:知道如何使用节点js（SIMPLER VERSION）在Elasticsearch中进行连接和执行操作

05-16

弹性搜索节点

知道如何使用node js（SIMPLER VERSION）连接和执行Elasticsearch中的操作。

细节

本教程将帮助您了解： 1.什么是ElasticSearch？ 2.如何使用Node Js管理弹性搜索操作？

档案结构

教程包含两个文件： 1. ElasticMethods.js-包含执行弹性搜索操作的所有方法。 2. Server.js-我们将在其中使用所有弹性方法。

为了输出，请遵循images文件夹中的图像。

注意：我已经注释了server.js中的所有方法，以便您可以逐一取消注释它们并了解其中发生了什么。尝试使用自定义输入的所有方法，然后检查输出。

常见问题

问：什么是ElasticSearch？答：Elasticsearch就是一台以json形式保存您的数据的服务器，这种保存json的过程称为索引。

问：什么是Kibana？

答：Kiba

kibana-comments-app-plugin:一个应用程序插件，用于向您的Kibana仪表板添加和可视化注释

05-06

kibana评论应用插件一个应用程序插件，用于向您的Kibana仪表板添加和可视化注释演示如何...添加新评论如何...使用注释功能查看注释注释仅在Visual Builder可视化类型中可用配置设置新评论索引的分片和副本数编辑您的...

2.28日学习打卡----初学Nginx（三）

m0_74436895的博客

02-28

1273

负载均衡是高可用网络基础架构的关键组件，通常用于将工作负载分布到多个服务器来提高网站、应用、数据库或其他服务的性能和可靠性。

（四）优化函数，学习速率与反向传播算法--九五小庞

qq_37241964的博客

03-02

478

多层感知器

梯度下降算法

梯度的输出向量表明了在每个位置损失函数增长最快的方向，可将它视为表示了在函数的每个位置向那个方向移动函数值可以增长。

曲线对应于损失函数。点表示权值的当前值，即现在所在的位置。

梯度用箭头表示，表明为了增加损失，需要向右移动。此外，箭头的长度概念化地表示了如果在对应的方向移动，函数值能够增长多少。如果向着梯度的反方向移动，则损失函数的值会相应减少。

学习速率

梯度就是表明损失函数相对参数的变化率，对梯度进行缩放的参数被称为学习速率（learning rate）或可称之为

（学习日记）2024.02.29：UCOSIII第二节

一个放笔记的小书架

03-01

1031

2024.02.29

四、UCOSIII：新建工程

1、创建文件夹

2、新建工程

五、UCOSIII：调试配置

1、设置软件仿真

2、修改时钟大小

3、添加头文件路径

六、调试模式中示波器的使用

1、在app.c中编写main函数

2、调试模式

3、使用示波器

4、常见错误

1. Build时报错 Error: L6218E

2. keil5软件仿真没有实时波形

3. Build时报错 error 65

4. Peripherals显示空白

5. 调试模式时，程序前没有灰块

学习JAVA的第十二天（基础）

醉饮半壶酒的博客

03-02

2374

查找算法，排序算法，递归算法

论文学习—Model-based Adversarial Meta-Reinforcement Learning

fly975247003的博客

03-04

822

强化学习论文学习

嵌入式工程师函数变量，常用的命名规则（参考学习）

最新发布

wangxiansheng121的博客

03-04

591

帕斯卡命名法与驼峰命名法类似，只不过驼峰命名法是第一个单词首字母小写，而帕斯卡命名法则是第一个单词首字母大写。很多工程师不注重平时编码习惯，比如命名规则，一会大写、一会小写，一会中文拼音，一会下划线等，导致自己写的代码自己都看不懂了。事实上，很多程序设计者在实际命名时会将驼峰命名法和帕斯卡结合使用，例如变量名采用驼峰命名法，而函数采用帕斯卡命名法。单字符的名字也是常用的，如i, j, k等，它们通常可用作函数内的局部变量。据考察，没有一种命名规则可以让所有的程序员赞同，程序设计教科书一般都不指定命名规则。

arcgis server 10.7 应下载

08-24

根据您提供的引用内容，可以得出以下答案:

根据引用中提到的信息，ArcGIS Server管理器在登录成功后会显示本站点发布的所有服务。其中包括了一个名为"SampleWorldCities"的地图服务，可以用于测试。

根据引用中提到的信息，创建用户名密码后，需要指定根服务器目录和配置存储。一般来说，我们会将目录设置在除C盘以外的磁盘，这样可以避免占用系统盘的空间。

基于以上信息，针对您的问题"请告诉我，arcgis server 10.7 应下载"，根据引用内容无法直接得出答案。请提供更具体的问题或上下文信息，以便为您提供更准确的答案。123

#### 引用[.reference_title]

- *1* *2* *3* [ArcGis Server安装与使用](https://blog.csdn.net/kiba518/article/details/119115411)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"]

[ .reference_list ]

“相关推荐”对你有帮助么？

非常没帮助

没帮助

一般

有帮助

非常有帮助

提交

菜鸟上路dd

CSDN认证博客专家

CSDN认证企业博客

码龄1年

暂无认证

原创

50万+

周排名

8万+

总排名

1万+

访问

等级

286

积分

104

粉丝

获赞

私信

关注

最新评论

OGB: Open Graph Benchmark

CSDN-Ada助手:

恭喜您发布了第15篇博客，“OGB: Open Graph Benchmark”，内容十分精彩！您持续不断地创作并分享有价值的内容，真是令人钦佩。对于下一步的创作建议，或许可以考虑加入一些实际案例或者个人经验，这样可以让读者更加深入地了解您的想法和观点。当然，这只是一个谦虚的建议，期待您未来更多的精彩文章！

下载器下载Huggingface的模型

CSDN-Ada助手:

恭喜您撰写了第16篇博客！标题很吸引人，我很开心看到您在不断创作。对于下载Huggingface的模型这一主题，您已经做得非常出色了。我建议您在下一篇博客中可以探讨一下如何使用Huggingface的模型进行自然语言处理任务，或者分享一些实际应用案例。我衷心期待着您的下一篇博文！

matplotlib设置Times New Roman字体

CSDN-Ada助手:

恭喜你写了第19篇博客！标题“matplotlib设置Times New Roman字体”听起来非常有用。你的创作非常持续，给读者带来了很多有价值的内容。我想向你提个建议，下一步可以考虑分享一些实例，展示如何使用不同的字体在matplotlib中创建更具吸引力的图形。谦虚地说，我相信你的经验和知识会给读者带来更多启发。期待你未来的创作！

MoleculeNet 数据集

CSDN-Ada助手:

恭喜您撰写了第17篇博客！非常高兴能看到您对于"MoleculeNet 数据集"的深入研究和分享。您的博客内容一直都非常有见地，让读者们受益匪浅。

在下一步的创作中，或许您可以考虑探索一些关于"MoleculeNet 数据集"的实际应用案例，比如如何利用该数据集进行分子设计或药物发现等方面的研究。这将进一步拓宽您的博客主题，为读者们提供更多实用的知识和灵感。

再次恭喜您的连续创作，期待您未来更多博客的发布！但请您保持谦逊的态度，我们都知道学海无涯，还有很多值得探索的领域等待我们去发现和分享。

论文笔记 Deep k-Means: Jointly clustering with k-Means and learning representations

CSDN-Ada助手:

你好，CSDN 开始提供 #论文阅读# 的列表服务了。请看：https://blog.csdn.net/nav/advanced-technology/paper-reading?utm_source=csdn_ai_ada_blog_reply 。如果你有更多需求，请来这里 https://gitcode.net/csdn/csdn-tags/-/issues/34?utm_source=csdn_ai_ada_blog_reply 给我们提。

您愿意向朋友推荐“博客详情页”吗？

强烈不推荐

不推荐

一般般

推荐

强烈推荐

提交

最新文章

FlowUS AI的使用体验

强化学习和深度学习

No module named ‘pandas.core.indexes.numeric‘

2023年18篇

2022年9篇

分类专栏

生信

2篇

计算机

6篇

小说

金融

matplotlib.pyplot使用

2篇

被折叠的条评论

为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

祝福语

请填写红包祝福语或标题

红包数量

个

红包个数最小为10个

红包总金额

元

红包金额最低5元

余额支付

当前余额3.43元

前往充值 >

需支付：10.00元

取消

确定

下一步

知道了

成就一亿技术人!

领取后你会自动成为博主和红包主的粉丝

规则

hope_wisdom 发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值

牙-KIBA_百度百科

BA_百度百科网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心牙-KIBA播报讨论上传视频日本マッドハウス制作的动画51（已完结）收藏查看我的收藏0有用+10《牙-KIBA-》是一部热血类动画。该作品描述在卡姆生活的15岁少年泽多（ゼッド，Zed），每一天都过着居无定所的艰辛日子，对于这里抑郁苦闷的生活备感焦躁，同时也对不时出现的梦境和自己的意义抱有疑问的故事。类型热血、奇幻导演神志那弘志中文名牙别名KIBA图集目录1剧情简介2角色简介▪泽度▪莎拉▪诺亚▪罗依亚▪莫洛克▪杰莎拉▪吉柯▪流玛士▪罗贝斯▪米奇▪丽贝卡▪修介绍▪莎基莉3设定解说▪主要居民▪独特事物▪世界地理▪精神体▪人工精神体▪核心精神体4作品主题5幕后制作6TV目录7各话制作8动画音乐基本信息中文名牙别名KIBA原著牙-KIBA-原作者Aniplex主要配音吉野裕行、堀江一真、水树奈奈地区日本导演神志那弘志总编剧井上敏树角色设计吉松孝博总动画监督吉田大辅首播电视台东京电视台其他电视台AT-X集数51（已完结）音乐三宅纯类型热血、奇幻动画制作MADHOUSE提供Aniplex剧情简介播报编辑牙-KIBA生活在卡姆市的15岁少年泽度，每一天都过着居无定所的艰辛日子，他感到生活的烦躁和无聊，还总是是在意着自己究竟来自何方。一天，在不可思议的风的引导下，泽度进入了时空的裂缝，也许他所追寻的“答案”就在前方…… 乘风而去的他，降落到了一个使用“碎片”魔力结晶体战斗的“碎片师”的世界。在这个存在着对立的世界之中，正在进行着一场无尽的战争…… 利用“碎片”的力量，碎片师可以自由地使...角色简介播报编辑本作登场的人物众多，这里仅列出部分涉及主要事件的人物。泽度（ゼッド，Zed，又译：杰特，CV：吉野裕行）牙-KIBA本作主人公，男主角，15岁。出生在名为“卡姆”的城市。自幼失去父亲，母亲也因失忆常年呆在医院的病床上。不太会与人相处，不喜欢受到束缚，性格犹如初生的幼狼。幼时帮助了受欺负的诺亚，与诺亚成为好友，常到诺亚家吃饭。在母亲和朋友面前表现了软弱而温柔的一面。临近15岁生日的前夕，泽度常常梦到不寻常的事物，由此他感觉到只要破坏了门的话，就能去到别的地方，能够更自由生存的地方。也正因为这一举动，惊动了学校的老师甚至警察，想要抓住惩罚他。在15岁的生日当天，泽度收到诺亚的礼物，天空之神“霍利斯·隼”象征自由的羽毛。泽度来到医院看望母亲，而她对“羽毛”产生了特别的反应，正当泽度不解的时候，被埋伏的学校老师擒住关押到学校仓库。仓库失火之后，诺亚协助泽度逃脱出来，不料被真实身份是塔斯克人的老师发觉，正当老师袭向泽度时，他的母亲出现放出魔法击退了老师，惊讶的泽度再次被警察抓住。在被警车运送的途中幸得诺亚以救护车相撞而逃脱。这时，他的身边吹起了奇异的风，跟随着风的导向，泽度跳进了阿米尔迦尔打开的传送门，来到异世界。此刻，他作为“塞特师”的力量觉醒了。来到异世界后经历的事件，使他的人生开始了巨大的转变……泽度是被核心精神体“阿米尔迦尔”选中的人，同时也是被“神”塔斯卡选中成为“救世主”的人。来到天普拉之后的他听从流玛士的指导和自己的努力掌握了塞特师的战斗方法。为了寻找存在的意义，为了更高的坚强，为了朋友而追求力量。在一系列事件之后，他下定决心集齐6个核心精神体来阻止由此引发的战争。在最终话，泽度在向阿米尔迦尔挑战之后，与其合为一体后消失，实则并未消失只是回到了卡姆，在接到诺亚飞来的纸飞机后，便张开翅膀飞回天普拉。（注意其眼睛的变化以及羽翼）塞特师印记：左手背到左手臂前端。持有精神体：兰博斯、阿米尔迦尔。莎拉（サラ，Sara，CV：井上喜久子）泽度的母亲，卡姆人。曾经救了身受重伤的泽度的父亲，并与之结合，生下泽度。异世界天普拉的一天，在“阿米尔迦尔”神像上方显现了“在卡姆市长凳上怀孕的莎拉”的影像，老师吉柯和贤者塞巴斯误以为莎拉就是阿米尔迦尔选中之人，便前往卡姆将莎拉强行带到天普拉，让她接收阿米尔迦尔的精神体结晶。原本惊慌失措的莎拉在体验到阿米尔迦尔给他带来的奇异感觉后便情愿接受了吉柯作为塞特师的训练。可是在训练的日子里莎拉始终无法唤出阿米尔迦尔，直到一次遇到生命危险，阿米尔迦尔才现身击退敌人，但随后没有回到莎拉体内而是向天空飞去。吉柯和塞巴斯意识到莎拉并非被选中之人，将她遣送回吉姆。但是阿米尔迦尔给她带来的感觉使她为之着魔。直到泽度15岁生日到医院看望她前一直失忆的呆在医院的病床上，双眼无神的盯着水族箱中的水母发呆，在目睹了与阿米尔迦尔的羽毛相似的羽毛后突然恢复神智，并随后前往了异世界，在西伽兹长老指示下行事。一直着魔并渴望得到阿米尔迦尔的她数次与儿子对峙，最终因进入身体的阿米尔迦尔结晶的排斥反应而死去，临死前终于在心中回忆起了最爱之人正是泽度的事实，并传话给罗依亚，向泽度表示感谢。塞特师印记：颈部后方。关于泽度的父亲姓名不详，西伽兹人。受命来到卡姆以探查这个新的地区，遭到塔斯克人袭击身受重伤，幸得莎拉所救。与莎拉结合后死去。诺亚（ノア，Noa，CV：堀江一真）牙-KIBA泽度的挚友，15岁，卡姆人。幼时受到同龄孩子的欺负，被泽度搭救而与泽度成为好友。在二人所在的学校内担任学生会主席。正义感强，如亲人一般很为泽度着想，时常对泽度的行为加以劝教。身体很弱，患有重病，使用支架加以固定。在泽度被警车带走之后，不顾危险的开着救护车撞上了警车使泽度逃离了，而自己则当场昏迷。非常憧憬泽度所说的“我们都会变强的”以及自由的生活。在泽度受到阿米尔迦尔召唤前往异世界之时，昏迷的诺亚也被异世界奈奥托比亚的术式召唤到异世界，但并没有完全成功。诺亚落到了奈奥托比亚的名为“拉特”的村庄，受到坎德卡夫妇的救助，并结识了奇斯等伙伴。但随后坎德卡夫妇当兵的儿子盖勒回来了，信奉“绝对纪律”的他以所谓的“绝对正义”处决了自己的父亲，甚至要带走诺亚。奇斯等人决定奋起反抗救出诺亚，由此引发了战斗冲突。虽然由奇斯等人留下的传送之门逃离，但诺亚由因为自己而引发的死伤受到打击。诺亚被传送到吉莫德附近的树林，被西纳兹的旅人们救起，在这他结识了西纳兹的小公主莎基莉。但悲剧随后发生，西纳兹的旅人们奉命运送的封印箱子中的核心精神体“莎鸠拉”与诺亚产生共鸣，放出的巨大雷光消灭了大范围内的全部生物，只留下了昏迷的莎基莉，诺亚又一次受到打击。此时奈奥托比亚军长戴安娜找到了诺亚，将他们传送回奈奥托比亚主城。被奈奥托比亚视为“救世主”的诺亚在医院接受治疗，对自己力量抱有怀疑的他陷入戴安娜的计谋，甘心接受了“绝对纪律”为精神支柱，并接受了成为“救世主”的命运为奈奥托比亚效力。被“绝对纪律”洗脑的他为了维护所谓的“正义”而处决的无辜了人，甚至说出对泽度怀有恨意。在吉莫德和塔斯克的入侵下，奈奥托比亚沦陷毁灭，失去精神支柱的他再次受到打击。在塔斯克势力膨胀的时刻，诺亚化名“德鲁加”再度现身，一改平日的装束，取而代之的是微卷的散发和紫色的假面。身受多次打击的他此刻意欲得到6个核心精神体而获得塔斯卡的力量，成为“救世主”。终于聚集6大核心精神体的一刻使塔斯卡复活了，诺亚被其附身几近丧失心智，终为泽度唤醒而悔悟。最终话中坐在轮椅上，恢复了原来的容貌，留在天普拉。塞特师印记：右手背到右手臂前端。持有精神体：莎鸠拉。罗依亚（ロイア，Roia，又译：洛亚、洛雅，CV：水树奈奈）牙-KIBA女主角，泽度的好友，喜欢泽度，16岁，居住在天普拉，实际是塔斯克人。年幼时她在塔斯克被预言者格鲁谢芙预言为受到诅咒的孩子-将会克死她的父亲，她的父亲莫洛克在下人德斯帕拉的煽动下命其除掉自己的孩子。她的母亲杰莎拉为了保护罗依亚用身体挡住了攻击，而罗依亚则坠下山谷。坠落山谷的罗依亚被老师吉柯所救，并带回天普拉抚养长大，期间忘记了幼时的经历。后作为其弟子接受塞特师的训练。感情丰富，喜怒哀乐都很容易体现出来，似乎对泽度有好感。在卡璐布·弗与德斯帕拉的相遇以及双肩上长出的硬角使她对自己的真实身份产生质疑。前往塔斯克之后从克劳德口中得知了事情的真相，与生母相见的她再度感受到亲情的温暖。在奈奥托比亚的加斯特赛上意识昏迷的时候，感应到了母亲的精神，由此领悟了塞特治疗术，并明确了将来的道路。后在天普拉的医院内帮忙。塞特师印记：颈部前下方（锁骨附近，犹如一个项链一般）。持有精神体：阿普卡丽路。莫洛克（Moro，CV：麻生智久）罗依亚的生父，塔斯克人。在罗依亚年幼时，被预言者格鲁谢芙告知了关于自己女儿的预言，根据预言罗依亚将会毁掉自己，他对自己的生命和地位感到恐慌，在下人德斯帕拉的煽动（“据说格鲁谢芙的预言是100%准确的”）之下，指使德斯帕拉除掉罗依亚。后得知罗依亚没有死并且回到了塔斯克，恐惧再度冲上心头，袭向罗依亚之际被克劳德阻止。杰莎拉（Jyesara，CV：井上麻里奈）罗依亚的生母。在年幼时为罗依亚挡住了德斯帕拉的火焰攻击，身体虽被灼烧，但守护罗依亚的坚定精神进入了德斯帕拉的身体而与之共存。平时可以短时间恢复杰莎拉的模样。当得知罗依亚没有死并回到了塔斯克时保护了她，最后因德斯帕拉的死，精神亦消失于天际。吉柯（ジーコ，Zee，CV：大木民夫）79岁，天普拉人。在天普拉中央长老级人物，享有威望，被尊称为“老师吉柯”。待人和善的老人，实力一流的塞特师，天普拉审议会成员之一，也是罗依亚的养父。初次见到泽度就感觉到泽度具有特殊的力量，并给予向风吹拂的方向前进的提示。很为后辈着想。吉柯曾经为力量痴迷而希望阿米尔迦尔不仅仅作为神像而存在。对因为自己的判断失误而致使泽度的母亲莎拉为阿米尔迦尔着魔的事实后悔不已，并立誓要亲手对此负责。在最终话为罗依亚挡了阿普卡丽路一箭而死，精神到达塔斯卡体内唤醒了泽度的自我意识。塞特师印记：右手掌心。持有精神体：拜龙。流玛士（デュマス，Duma，CV：家中宏）蝉联数届加斯特赛的冠军，实力高超的塞特师。在天普拉担任卫队长，看上去待人和善，老实中肯。同时作为米奇的师傅，居住在郊外的木屋内，平时常以耕作为锻炼。泽度听从他的意见靠耕种锻炼塞特师所必需的力量。后扮作“No face”袭击了泽度并夺走阿米尔迦尔。暗中与吉莫德的修勾结的他在时机成熟后叛乱，与同伙及吉莫德军进攻天普拉，不料自己无法驾奴阿米尔迦尔。在阿米尔迦尔的行动下阻碍了吉莫德军的进攻，最终平息了叛乱。逃回吉莫德的他意欲与丽贝卡公主成婚，并在她坦言自己因一族的印记（掌心有十字印记）而一直是受人漠视的奴隶，妄言只要与公主成婚就能一改自己的命运。最终在于罗贝斯对决时不敌而落入火海。塞特师印记：右肩部。持有精神体：斯拉古纳。罗贝斯罗贝士（ロベス，Rope，CV：三木眞一郎）天普拉人，天普拉的贵族，实力高超的塞特师。相貌俊美，深受女士们欢迎，性格高雅，略带轻浮，实际上待人热情、友善。曾经因无聊而扮作“No face”在城中四处偷盗，并以此沾沾自喜，虽然老管家吉屡次规劝，但仍以不会有事而继续行动。后被流玛士带上“No face”面具并且在宅内搜出赃物而被收押入狱。在流玛士叛变后真相大白，被命讨伐流玛士以将功补过。他常常在自家召开派对，以此为乐。在天普拉最近的加斯特赛中获得冠军，随即被审议会派遣了诸多任务。在关键时刻也会收起轻浮，从容迎战，相当可靠。塞特师印记：手背上。持有精神体：贝拉冬娜。米奇（Mic，CV：中本顺久）泽多的朋友，天普拉人，新人塞特师。父母双亡，与师傅流玛士一起生活，并向流玛士学习塞特师的技巧。脸部有绿叶印记，性格开朗，待人友善。在流玛士叛变后十分伤心，曾一度被师傅的遗物精神体迷失心智，最终在众人的努力下坚定了信心，继承了师傅坚韧的精神。现居住在城中父母留下的房子内，米奇的烤面包受到人们的喜爱，在天普拉开设了多家店铺。与罗贝斯家的女仆产生了姻缘。塞特师印记：双腿小腿部下端。持有精神体：阿尔玛德鲁。丽贝卡（Reb，又译：蕾贝卡，CV：井上麻里奈）18岁，吉莫德人，吉莫德前国王巴克姆的女儿。被巴克姆的左右手修操纵心智而刺杀了父王，自己也被修俘虏。后被国王势力搭救并传送到国外，在天普拉结识了泽度并寻求他的帮助。在与修交手后被擒回要塞。身体中存在着被前国王封印的精神体（核心精神体普罗尼莫的一部分），而这正是修意欲得到手的。在修的阴谋得逞后被弃之不顾，自暴自弃的丽贝卡走向沙漠深处并念到“我希望转生后不再是我自己。”。幸得卡璐布·弗人搭救的她充满了复仇的怒火，决定向修报复，联合卡璐布·弗人民以及泽度、罗依亚之力向进犯的吉莫德军开战。最后为了保护卡璐布·弗新生的小生命而中刀死去，临死前找回了真正的自我。塞特师印记：额头。持有精神体：阿里耶鲁。修介绍（ヒュー，Hyu，CV：山口胜平）吉莫德人。前国王巴克姆的左右手，叛变后操纵公主丽贝卡的心智刺杀了巴克姆，并设计救下巴克姆，让他亲手解除在丽贝卡身上精神体的封印后夺取精神体，杀害了巴克姆。在吉莫德的三干部之一，是把握吉莫德实权的最高统治者。表面上遵循塔斯克高层的命令搜集核心精神体，事实上充满野心的他意想将核心精神体都占为己有并控制世界。在奈奥托比亚举办的加斯特赛上伪装为塔斯克士兵参赛并暗中盗取泽度的阿米尔迦尔。在与诺亚战斗过程中召唤了阿米尔迦尔，但因其强烈的排斥反应而痛苦不已，最终阿米尔迦尔的精神体结晶脱离了修的身体，修因事情败露而逃回吉莫德。被阿米尔迦尔拒绝的修精神崩溃露出了凶恶本性，策划与塔斯克联合攻陷了奈奥托比亚，并扬言摧毁自己得不到的东西。最后与泽度拼死决战时不敌而死。塞特师印记：脸部脸颊两侧与嘴部。持有精神体：普罗尼莫。莎基莉（Sagiri，CV：远藤绫）西伽兹人，西伽兹的小公主。因国家动乱被保护到外避难，后与诺亚相识，两人十分投缘。被救到奈奥托比亚后与诺亚一同生活，以诺亚为支柱。年龄虽小却很为人着想，待人友善。在奈奥托比亚失事后与诺亚分散，后被莎拉带回西伽兹的浮游要塞。在要塞中被长老告知了要成为“救世主”的使命，并在要塞的神秘装置中与核心精神体萨迪相见而成为其持有者。为了寻找诺亚私自逃出要塞而传送到天普拉，与泽度见面后希望其找到诺亚并将萨迪的精神体结晶托付给泽度。最终话她安稳的睡在西伽兹浮游要塞的船上。塞特师印记：（按照萨迪进入莎基莉身体的位置）胸前持有精神体：萨迪。设定解说播报编辑主要居民塞特师（shadow caster，又译：晶唤师）在异世界生活的人类中，有一部分人从出生起就带有特殊的力量，在他们身体的某处有着特殊的印记，通过印记可以生成“魔力结晶”以释放魔法进行攻击，也可以生成盾牌抵御攻击……他们被称为“塞特师（shadow caster）”。在塞特师中能驾奴精神体的是比较特殊的一部分，但一流的塞特师肯定会有强大的精神体。在这个世界中的国家领导者以及士兵们多数都是塞特师，当然，也有一部分塞特师选择过平凡的生活。一般民众在异世界生活的人类中不具有“塞特师”力量的人们，在各个国家领域中占大多数。他们从事各类工作，诸如贸易、加工、园艺、科研等等。某些国家（领域）的人们，有着独有的身体特征。改造塞特师在异世界生活的人类中原本不具有“塞特师”的力量，凭借“乌尔巴克斯”先进的科学技术，通过将身体部分机械化改造，获得了近似于“塞特师”的能力，成为“塞特师”。兽人生活在塔斯克的种族，身形巨大，有着两双手臂，能够在体内形成魔力结晶，并直接由身体释放攻击。能和部分精神体赤手空拳的战斗。其中，长有羽翼的称为“空兽人”，没有羽翼的称为“地兽人”。独特事物牙-KIBA塞特师的印记在每个塞特师身体的某处存在着的特殊的印记，通过印记可以生成“魔力结晶”以释放魔法攻击或生成盾牌防御。印记多是由中央状似宝石的晶体以及其周围金色（黄铜色）的条纹构成的。每个塞特师的印记形状和所在位置都有所不同。魔力结晶由塞特师的印记生成的球状晶体，不同颜色的魔力结晶可以释放不同属性的魔法攻击，也可以贴近敌人释放出束缚的网。此外，还有具有特殊功能的魔力结晶，例如空间传送（将数颗结晶球置于地上可以释放传送的魔法）。光刃武器在异世界的战斗中主要使用的武器。将魔力结晶安置在武器的柄或杆的空槽中，合上柄翼，即可由剑柄或杆尖生成锋利、坚硬的光刃。除了剑之外，还有长枪、短剑、弯刀、鞭等多类光刃武器。牙-KIBA精神体结晶（spirit shadow）精神体（spirit）未被召唤时的存在形式，通常呈球状。每个精神体结晶的表面有着不同的纹饰。精神体结晶可以通过塞特师身上的印记进入塞特师体内，在日常生活中也以此方式“携带”。当精神体结晶在塞特师的身体中时，塞特师可以感受到精神体的存在。战斗事态时，塞特师可以从印记处将结晶唤出，将精神体结晶抛向空中，精神体将被召唤。通常，投掷精神体结晶的召唤者将被视为其“主人”，精神体将为之而战斗，不过也有例外。如果召唤者不是塞特师或者没有足够的力量以驾奴精神体，就可能召唤失败或使精神体暴走……当战斗结束或召唤者失去意识时，精神体会还原为精神体结晶，飞回召唤者手中或回到塞特师体内。世界地理牙-KIBA本作存在两个不同的世界，大部分事件发生于异世界。右图中从左到右，依次是（第一行）卡姆、天普拉、塔斯克、（第二行）吉默德、奈奥托比亚、（第三行）卡鲁布·弗、西伽兹、乌尔巴克斯。卡姆主人公泽度出生的城市。高楼林立的现代化都市，空气污染严重，人们出行常常带着口罩。城中似乎已没有风的流动，给人一种抑郁沉闷的感觉。天普拉异世界，奈奥托比亚的同盟国。一个充满自然、朴实气息的国家。在城内或郊外都有巨大的“风车”，时常有清爽的风吹拂而过。美丽的风光和友善的人民，天普拉可以算是异世界中最平静祥和的国度。在国家中央设有权力机关“审议会”，由主持者卡恩、老师吉柯以及五名贤者组成，每当发生事件时总会召开审议会，以讨论事情的解决办法。奈奥托比亚异世界，天普拉的同盟国。错落有致的楼房建筑、依照制度生活的人民……无不弥漫着严肃紧张的气氛。在教皇海拉姆的统治下，全军都被灌输了“绝对纪律”即“绝对正义”的信条，全国人民也都以“绝对纪律”为第一准则而生活。乍看之下平静的国家，实则因“绝对纪律”而……吉莫德异世界，塔斯克的同盟国。地处砂岩地带，不时有沙尘天气，是一个追求力量的军事主义国家。奉行力量高于一切的信条，越是强大的人就拥有越高的地位。曾因前国王巴卡姆亲信的叛乱而造成混乱，军队也分为两大敌对势力，旧时的王城也被这场动乱所摧毁，现在的国都是一座类似工厂的要塞。国内设有黑暗决斗场，把胜者选拔为吉莫德士兵。吉莫德士兵的眼角有绿色条纹标记，大都佩戴有红色面具。塔斯克异世界，吉莫德的同盟国。由上层的浮游城和下层低洼的山岩地带构成，这里生活着兽人和塔斯克人两个种族，兽人只居住在下层。兽人们都相信并期待传说中创造塔斯克的神“塔斯卡”将会复活，并以此信仰而行动，因此塔斯克也被称作“塔斯卡的圣地”。统治者兽人伽力只是表面上的傀儡国王，大臣吉姆利用“塔斯卡”的传说掌握着实权。塔斯克人的双肩上长有硬角，并且习惯佩戴面具。卡璐布·弗异世界，受到吉莫德侵略而沦为其附属国。地上已被侵略破坏，地下生长有巨大的树群，因此卡璐布·弗也都居住在地下。夜晚的卡璐布·弗在萤光的映衬下十分美丽。在树群的某处存在着卡璐布·弗人信仰为“神”的红色精神体。卡璐布·弗人以蛋来传递后代，他们的圣地就是一个神圣的孵化场。在吉莫德的二次侵略后，卡璐布·弗人民为了后代选择离开故乡。卡璐布·弗人的上身（腹部以上）有白色的三角形印记。乌尔巴克斯异世界，由被奈奥托比亚流放的人民组成的国家。触犯“绝对纪律”的人无一例外的被处分，本人被杀，而其家族无罪的人因连带责任被流放到偏远的乌尔巴克斯。这里原是天天刮着暴风雨，没有食物，也没有饮用水，如地狱一般的地方。多年之后，发誓要向海拉姆报仇的人们，由班达博士率领的原奈奥托比亚的科学家们，用自己的科技积蓄力量的集团成立了，同时建立了能抵御风雨的巨大堡垒。西伽兹异世界，不站在任何一方的神秘国家。以不使6个核心精神体（KEY spirit）相聚为目的而行动。默默的注视和维持世界的平衡，常以水母相态的浮游要塞在各地间移动。精神体异世界独特的战斗力，形体巨大，驾奴精神体需要塞特师有强大的精神力和体能，否则很可能召唤失败或者使精神体暴走。平时以精神体结晶的形式存在，将精神体结晶抛向空中，精神体将被召唤。通常，投掷精神体结晶的召唤者将被视为其“主人”，精神体将为之而战斗，但也有例外。当战斗结束或召唤者失去意识时，精神体会还原为精神体结晶，飞回召唤者手中或回到塞特师体内。不同精神体的战斗能力高低也不相同。本作中正式登场的精神体约50个左右，这里仅列出部分涉及主要事件的精神体。人工精神体在乌尔巴克斯的科技开发下做出的人工精神体，除了攻击能力以外还具有诸如组织精神体召唤，限制精神体动作的特殊能力。此外还有将多个精神体组合在一起生成的融合精神体。核心精神体阿米尔迦尔（アミル·ガウル，又译：阿米鲁迦鲁）牙-KIBA持有者：泽度。6大核心精神体之一，被誉为最强的核心精神体，自己会选定主人。若非其认定的人持有就会感到如蚁蚀般的痛苦。阿米尔迦尔的精神体结晶最初被放置在天普拉的阿米尔迦尔神像上。老师吉柯不希望他仅作为雕像而应作为力量而存在，便寻觅阿米尔迦尔合适的持有者，但所有接收阿米尔迦尔精神体结晶的人都被严重排斥而疼痛难忍。直到一天在“阿米尔迦尔”神像上方显现了“在卡姆市长凳上怀孕的莎拉”的影像，老师吉柯和贤者塞巴斯误以为莎拉就是阿米尔迦尔选中之人，便前往卡姆将莎拉强行带到天普拉，让她接收阿米尔迦尔的精神体结晶，奇迹的是她并没有疼痛难忍的排斥反应。可是在训练的日子里莎拉始终无法唤出阿米尔迦尔，直到一次遇到生命危险，阿米尔迦尔才现身击退敌人，但随后没有回到莎拉体内而是向天空飞去。在泽度来到天普拉被精神体袭击的瞬间，阿米尔迦尔首次由泽度的左手现身，伴随的猛烈的风将敌人击倒。吉柯和塞巴斯目睹之后也得出了真相，当年阿米尔迦尔的指示并非莎拉，而是莎拉肚中怀着的孩子泽度，泽度才是被阿米尔迦尔选定为主人的塞特师。在迎击暴走的人工精神体时，阿米尔迦尔回应了泽度，变身为鸟兽形态，封印了人工精神体的能力从而停止了它的暴走。在39话与修的最终决战中，被召唤出的阿米尔迦尔又从鸟兽形态再度变身为身着战甲的人形态，睁开了双眼，完全觉醒，后泽度向其挑战是与其合为一体。莎鸠拉（サチュラ）持有者：诺亚。6大核心精神体之一，自己会选定主人。莎鸠拉的精神体结晶最初放置在由西伽兹人运送的封印之箱中，在于诺亚产生共鸣后破箱而出，释放出巨大的雷电毁灭了大范围内的生物，之后进入了诺亚的身体。普罗尼莫（プロニモ）持有者：修。6大核心精神体之一。普罗尼莫在当初吉莫德和卡璐布·弗休战时被分为两个部分：吉莫德前国王巴卡姆持有的蓝色精神体和卡璐布·弗树群下的红色精神体。在修夺权以后率军再次侵略卡璐布·弗，在蓝色精神体与红色精神体交战中，红色精神体吃掉了蓝色精神体后，二者融合恢复为完整的核心精神体，普罗尼莫。莫纳迪（モナディ）持有者：无6大核心精神体之一。莫纳迪的精神体结晶最初被埋藏在奈奥托比亚地标的地下深处，海拉姆发觉后便派人向下挖掘以找寻莫纳迪的精神体结晶。在修侵略奈奥托比亚后终被挖出，奈奥托比亚士兵遭到袭击，精神体结晶被莎拉夺得，但随后与塔斯克吉姆的较量后又被其夺走。萨迪（シャンディン）持有者：莎基莉6大核心精神体之一。萨迪的精神体结晶最初被安置在西伽兹浮游要塞的特殊装置中，在长老安排下，莎基莉进行了“救世主”任命仪式，萨迪与莎基莉相见后进入到莎基莉体内。究纳米斯摩（デュナミス）持有者：米莱德6大核心精神体之一。究纳米斯摩的精神体结晶最初是与米莱德共同降生的，米莱德出生时头顶上就放置着究纳米斯摩的精神体结晶。塔斯卡（タスカー）塔斯克传说中创造异世界的“神”，当6个核心精神体聚齐之时，将会发生共鸣使塔斯卡复活。泽度是被塔斯卡选中的人，当泽度被引入塔斯卡后，塔斯卡的意识与泽度结合使其丧失了心智。此时塔斯克开始觉醒，6个核心精神体的结晶以十字形嵌在塔斯卡胸前。被老师吉柯唤醒的泽度呼唤了阿米尔迦尔，并与他共同战胜了意欲毁灭人类世界而创建精神体世界的塔斯卡。作品主题播报编辑《牙-KIBA》的口号：“自己的命运，由自己来选择”。幕后制作播报编辑【动画时间】：动画制作：MADHOUSE【监督】：神志那弘志【系列构成】：井上敏树【角色设定】：吉松孝博【总作画监督】：吉田大辅【美术监督】：帝国少年《牙-KIBA》动画海报(13张)【色彩设计】：堀川佳典【摄影监督】：高桥宏司【编辑】：寺内聪【音响监督】：本田保则【音响效果】：佐々木纯一【音乐】：三宅纯【原案企画协力】：松下进·team牙【制作协力】スタジオ·ライブTV目录播报编辑[01]『命运之风』「运命の风」[02]『崭新的世界』「新しい世界」[03]『拥有力量的人们』「力を持つ者たち」[04]『风的决意』「风の决意」[05]『戒律之国』「戒律の国」[06]『过早的结局』「早すぎた结末」[07]『觉醒的回忆』「目覚めた思い」[08]『背叛者的去向』「裏切りの行方」[09]『战斗之后』「戦いのあと」[10]『孤独的公主』「孤独な王女」[11]『阴谋的预感』「阴谋の予感」[12]『向着真实前进』「真実への前进」[13]『疾走的力量』「疾走する力」[14]『力量的诱惑』「力の诱惑」[15]『小小的宝藏』「小さな宝物」[16]『悲剧之民』「悲剧の民」[17]『无法达到的愿望』「届かぬ愿い」[18]『永不消失的祈祷』「消えない祈り」[19]『暗黑之地』「暗黒の地」[20]『再会』「再会」[21]『无法抹去的回忆』「拭えぬ思い」[22]『迷失的记忆』「记忆の迷路」[23]『羁绊』「绊」[24]『幸运的黄色精神体』「幸せの黄色いシャード」[25]『战斗的前奏』「戦いの序奏」[26]『孤独的记忆』「孤独な记忆」[27]『战士们』「戦士たち」[28]『存在的证明』「存在の证」[29]『错过的友情』「すれ违う友情」[30]『对决』「対决」[31]『野心的代价』「野望の代偿」[32]『国家的意图』「国家の思惑」[33]『失去的光辉』「失われた辉き」[34]『掀起的战火』「巻き起こる戦火」[35]『牺牲者』「生贽となる者」[36]『苏生之翼』「よみがえる翼」[37]『首都陷落』「首都陥落」[38]『无休止的战斗』「终わりなき戦い」[39]『领悟』「开眼」[40]『被盯上的力量』「狙われた力」[41]『被困住的思绪』「囚われた思い」[42]『小救世主』「小さな救世主」[43]『被道出的真实』「明かされた真実」[44]『无法解除的咒缚』「解けない呪缚」[45]『闭门不出的少女』「笼城の少女」[46]『迈向决断之地』「决断の地へ」[47]『茫然的救世主』「迷える救世主」[48]『降临』「降临」[49]『母与子』「母と子」[50]『永远的羁绊』「永远の绊」[51]『向着风儿吹拂的地方』「风吹く场所へ」各话制作播报编辑话数标题中文标题脚本絵コンテ演出作画监督総作画监督放送日1运命の风-井上敏树神志那弘志长崎健司吉田大辅-2006年4月2日2新しい世界井上敏树石桥大助仓田绫子山口真朱-4月9日3力を持つ者たち犬饲和彦宫本幸裕繁田享-4月16日4风の决意西村聡原田孝宏菊池爱-4月23日5戒律の国佐藤真二若林汉二竹内杏子山口真朱4月30日6早すぎた结末堀之内元宫本幸裕繁田享5月7日7目覚めた思い井上敏树长崎健司水野健太郎垪和等吉田大辅5月14日8裏切りの行方井上敏树犬饲和彦佐藤真二小田原男山县亜纪-5月21日9戦いのあと石桥大助新留俊哉柳瀬雄之舆石暁-5月28日10孤独な王女井上敏树石桥大助原田孝宏菊池爱-6月4日11阴谋の予感滝晃一小田原男岩泷智-6月11日12真実への前进井上敏树サトウシンジ早川启二坂巻贞彦-6月18日13疾走する力中村贤太郎长崎健司山口真朱-6月25日14力の诱惑犬饲和彦长崎健司繁田享-7月2日15小さな宝物西村聡柳瀬雄之舆石暁菊池爱7月9日16悲剧の民横手美智子佐藤雄三原田孝宏竹内杏子-7月16日17届かぬ愿い犬饲和彦新留俊哉铃木孝聡Kim Yu-cheanYou Seung-hee吉田大辅菊池爱7月23日18消えない祈り横手美智子矢野博之米田和博山口真朱-7月30日19暗黒の地井上敏树早川启二坂巻贞彦-8月6日20再会吉田彻繁田享-8月13日21拭えぬ思い犬饲和彦新留俊哉石川敏浩You Seung-hee吉田大辅8月20日22记忆の迷路藤泽俊幸西村大树舆石暁菊池爱8月27日23绊サトウシンジ原田孝宏竹内杏子-9月3日24幸せの黄色いシャード古怒田健志隆一郎铃木孝聡Zang Sung-ho吉田大辅菊池爱9月10日25戦いの序章犬饲和彦藤泽俊幸长崎健司原田孝宏山口真朱-9月17日26孤独な记忆长崎健司菊池爱山口真朱-9月24日27戦士たち井上敏树犬饲和彦新留俊哉繁田享-10月1日28存在の证井上敏树早川启二坂巻贞彦-10月8日29すれ违う友情井上敏树犬饲和彦矢野博之石川敏浩柳昇希菊池爱10月15日30対决吉田彻大野和寿竹内杏子-10月22日31野望の代偿井上敏树古怒田健志藤泽俊幸西村大树舆石暁菊池爱10月29日32国家の思惑井上敏树犬饲和彦长崎健司铃木孝聡You Seung-hee吉田大辅菊池爱11月5日33失われた辉き井上敏树古怒田健志福田道生原田孝宏山口真朱-11月12日34巻き起こる戦火藤泽俊幸繁田享-11月19日35生贽となる者早川启二坂巻贞彦-11月26日36よみがえる翼井上敏树犬饲和彦矢野博之石川敏浩Sou Jung-duk-12月3日37首都陥落佐藤雄三中村贤太郎竹内杏子-12月10日38终わりなき戦い井上敏树古怒田健志藤泽俊幸西村大树舆石暁菊池爱吉田大辅12月17日39开眼隆一郎原田孝宏山口真朱-12月24日40狙われた力新留俊哉长崎健司You Seung-hee菊池爱2007年1月7日41囚われた思い吉田彻繁田享-1月14日42小さな救世主井上敏树犬饲和彦早川启二坂巻贞彦-1月21日43明かされた真実福田道生大野和寿林祐一郎-1月28日44解けない呪缚矢野博之原田孝宏竹内杏子-2月4日45篭城の少女井上敏树古怒田健志藤泽俊幸西村大树舆石暁菊池爱吉田大辅2月11日46决断の地へ长崎健司山口真朱-2月18日47迷える救世主井上敏树犬饲和彦吉田彻石川敏浩You Seung-heeCho Young-joe菊池爱吉田大辅2月25日48降临福田道生繁田享-3月4日49母と子井上敏树古怒田健志仓田绫子林祐一郎-3月11日50永远の绊福田道生长崎健司山口真朱竹内杏子-3月18日51风吹く场所へ井上敏树犬饲和彦神志那弘志立川譲吉田大辅菊池爱-3月25日 [1]动画音乐播报编辑OP1：『Sanctuary』玉置成实OP2：『儚く强く』ユンナED1：『Very Very』アフロマニアED2：『solar wind』シュノーケルED3：『STAY　GOLD』ライムライトED4：『世界の果てまで』高田梢枝插曲：『Zed-fate 』三宅纯新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号京公网安备110000020000

Kibana在Linux下的安装和启动、访问_centos k8s yum kibana怎么访问-CSDN博客

Kibana在Linux下的安装和启动、访问

最新推荐文章于 2023-12-15 23:50:27 发布

殇莫忆

最新推荐文章于 2023-12-15 23:50:27 发布

阅读量2.4w

点赞数

分类专栏：

ELK

文章标签：

kibana

原文链接：https://mp.weixin.qq.com/s/aNBGj5hHluJ4GIwmA9Nt-A

版权

ELK

专栏收录该内容

14 篇文章

1 订阅

订阅专栏

一、环境要求

Linux(Centos 7)Kibana 6.6.1

二、kibana 下载

下载地址：https://www.elastic.co/cn/downloads/kibana

三、安装

进入Linux系统，切换到 /opt 目录下：在opt目录下，创建kibana文件夹，并进入文件夹内：

获取kibana安装包：

方法1：可以使用在线下载命令，下载安装包：

下载命令：wget

如果当前系统没有wget命令，则需要在线安装wget命令，任意目录下，执行如下命令：

yum install wget -y

方法2：可以将之前已经下载好的安装包上传到当前目录下：

使用WinSCP工具，将下载到本地的安装包，上传到linux目录下

解压kibana安装包(解压可能耗时比较长，耐心等待)：

tar -zvxf kibana-6.6.1-linux-x86_64.tar.gz

进入config文件夹内，修改配置文件：

vi kibana.yml

修改kibana端口号，host和连接es的配置信息

修改完毕，保存并退出(先按esc键，在输入:wq!，回车即可)

四、停止、启动

切换到kibana安装目录的bin目录下，执行kibana文件

后台启动：

nohup ./kibana &

或者

nohup ./kibana >/dev/null &

前台启动：

./kibana

后台停止：

- 查看进程号 jps 或者 ps -ef|grep kibana 或者 ps -ef|grep 5601

- 杀死进程 kill -9 进程号

前台停止：

ctrl + C

五、远程访问

开启端口号

/sbin/iptables -I INPUT -p tcp --dport 5601 -j ACCEPT

浏览器输入地址：http://192.168.13.9:5601/app/kibana

原创：康哥码上有猿 2019-03-15

地址：https://mp.weixin.qq.com/s/aNBGj5hHluJ4GIwmA9Nt-A

码上有猿

微信号：lk591566764

推荐理由：

工作13年的架构师和你一起聊技术，专注于JAVA、数据库、高并发、负载、集群、解决方案、微服务、运维、性能调优、热点开源技术框架等领域；不定期的进行课程直播、技术分享课、技术群等。

优惠劵

殇莫忆

关注

踩

觉得还不错?

一键收藏

知道了

Kibana在Linux下的安装和启动、访问

一、环境要求Linux(Centos 7) Kibana 6.6.1二、kibana 下载下载地址：https://www.elastic.co/cn/downloads/kibana三、安装进入Linux系统，切换到 /opt 目录下：在opt目录下，创建kibana文件夹，并进入文件夹内：获取kibana安装包：方法1：可以使用在...

复制链接

扫一扫

专栏目录

西班牙PE电气V5软启动器

03-20

介绍了关于西班牙PE电气V5软启动器的详细说明，提供软启动器的技术资料的下载。

Linux安装Kibana详细教程

追寻心的步伐

09-08

7034

Elasticsearch、Logstash和Kibana这三个技术就是我们常说的ELK技术栈，可以说这三个技术的组合是大数据领域中一个很巧妙的设计。一种很典型的MVC思想，模型持久层，视图层和控制层。而我们这章的主题Kibana担任视图层角色，拥有各种维度的查询和分析，并使用图形化的界面展示存放在Elasticsearch中的数据。Kibana与Elasticsearch的交互方式是各种不同的图表、表格、地图等，直观的展示数据，从而达到高级的数据分析与可视化的目的。选择DevTools打开es操作界面。

2 条评论

您还未登录，请先

后发表或查看评论

elasticsearch|大数据|kibana的安装（https+密码）

zsk_john的技术分享专用博客

12-15

700

【代码】elasticsearch|大数据|kibana的安装（https+密码）

k8s等运维（四）

怨行客

05-05

1513

一、共享存储

1、pv 持久化数据卷：远程共享存储—运维来管理

accessModes:

ReadWriteOnce # 只有一个pod可以读写这个pv，改成ReadWriteMany就很多Pod都能

2、pvc 开发人员负责管理

描述了pod对共享存储的需求或者期望

3、kubectl create pv和pvc后，pv和pvc要建立好绑定关系，才能使用起来

pv要满足pvc的需求，想存储大小啊，读写权限啊

把pvc的资源描述对象里把pv添加进去，就是绑定在一起了

pod就可以像使用volumes一

Kibana [8.7] 安装与配置

码农屋

04-16

1103

Kibana 安装与配置

通过 docker-compose 快速部署 Elasticsearch 和 Kibana 保姆级教程

匠人精神，持之以恒！

10-22

575

使用 Docker Compose 快速部署 Elasticsearch 和 Kibana 可以帮助您在本地或开发环境中轻松设置和管理这两个重要的工具，用于存储和可视化日志数据、监控和搜索。

elasticsearch和kibana的安装和启动

博客

07-22

2312

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

前言

一、pandas是什么？

二、使用步骤

1.引入库

2.读入数据

总结

前言

本篇介绍elasticsearch和kibana在Linux系统中的安装和启动操作。

一、es的下载、配置和启动

1、安装JDK

由于es是使用Java语言开发的引擎，因此要安装es首先要安装JDK，在Oracle官网下载Linux的JDK1.8版本，使用FTP工具上传到服务器上，然.....

kibana安装和启动

sg_knight的专栏

07-14

9916

1、访问官网地址下载安装文件

https://www.elastic.co/cn/kibana/

2、修改配置文件

打开config/kibana.yml文件，设置elasticsearch的访问地址

elasticsearch.hosts: ["http://localhost:9200"]

3、启动命令

linux：

bin/kibana

windows：

bin\kibana.bat

说明：初次启动或硬件配置一般的话，启动命令执行后暂时无任何反应，大概需要等待5分钟左右才会启

Kibana：为 Kibana 定制自己的品牌 - 8.8

Elastic 中国社区官方博客

05-31

649

我还记得我刚加入 Elastic 的时候，那个时候在论坛里看到一个贴上是关于如何替换 Kibana 中的 Logo 从而重新定制自己的品牌。在今天，我非常高兴地告诉你，在 Elastic Stack 8.8 中，这个是完全可以通过配置的方式来实现的。

ES集群搭建及Kibana安装

Gscsd的博客

12-04

2459

ES集群、分词器、kibana

Kibana开机启动配置

弹指天下

10-14

2906

本文主要是介绍了如果通过chkconfig配置Kibana服务，简化kibana的启动、停止和重启，并且实现kibana服务的开机自启动。

Git和Git Flow速查表-Linux开发

05-27

Git和Git Flow速查表其他可用语言：阿拉伯语Git速查表中文Git速查表印地语Git速查表土耳其Git速查表西班牙西班牙语Git速查表希腊Git速查表Git速查表使您免于真正学习所有命令。自由贡献，更新语法错误。您也...

西班牙语字模8X16.txt

08-04

液晶点阵西班牙语字模8X16，字体Arial Unicode MS，取模工具，PCtoLCD2002，由上至下逐行式，高位在前，自已做西班牙语项目做的

西班牙PE电气V5软启动器.pdf

10-15

西班牙PE电气V5软启动器pdf,西班牙PE电气V5软启动器

openMSX-linux-launcher-compiler:一个简单的文本菜单，用于编译下载安装运行openMSXTSXAdv和可选的西班牙语翻译

04-13

3.-下载并安装所有必需的依赖项4.-修复损坏的程序包并在其中完全卸载openMSX损坏软件包管理器的情况5.-安装openMSX和openMSX TSX和openMSX TSX Advanced的西班牙语翻译6.-英文和西班牙文版本7.-英文和西班牙文注释...

Java毕设-基于springboot+Vue的流浪动物管理系统2（附源码，数据库，教程）.zip

03-06

Java 毕业设计，Java 课程设计，基于 SpringBoot 开发的，含有代码注释，新手也可看懂。毕业设计、期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。

包含：项目源码、数据库脚本、软件工具等，前后端代码都在里面。

该系统功能完善、界面美观、操作简单、功能齐全、管理便捷，具有很高的实际应用价值。

项目都经过严格调试，确保可以运行！

1. 技术组成

前端：html、javascript、Vue

后台框架：SpringBoot

开发环境：idea

数据库：MySql（建议用 5.7 版本，8.0 有时候会有坑）

数据库工具：navicat

部署环境：Tomcat（建议用 7.x 或者 8.x 版本）， maven

2. 部署

如果部署有疑问的话，可以找我咨询

后台路径地址：localhost:8080/项目名称/admin/dist/index.html

前台路径地址：localhost:8080/项目名称/front/index.html （无前台不需要输入）

Swift 基础库. A collection of Swift extensions and utilities.zip

最新发布

03-06

Swift 基础库. A collection of Swift extensions and utilities.zip

剪映使用教程s240306.pptx

03-06

剪映使用教程s240306.pptx

OFO共享单车(Swift版).zip

03-06

OFO共享单车(Swift版).zip

linux 安装kibana

08-19

安装Kibana是在Linux系统上配置和使用的一个常见任务。下面是一种简单的方法来安装Kibana：

1. 首先，确保你已经安装了适合你Linux系统的Elasticsearch。Kibana是Elasticsearch的一个可视化工具。

2. 前往Kibana的官方网站（https://www.elastic.co/downloads/kibana）下载适用于你的Linux系统的Kibana安装包。你可以选择适合你的系统的.tar.gz或.rpm文件。

3. 解压或安装Kibana安装包。如果你下载的是.tar.gz文件，使用以下命令解压它：

```

tar -zxvf kibana-x.y.z-linux-x86_64.tar.gz

```

如果你下载的是.rpm文件，使用以下命令安装它：

```

sudo rpm -i kibana-x.y.z-linux-x86_64.rpm

```

4. 进入Kibana的主目录并编辑配置文件`kibana.yml`，这个文件位于`config`文件夹下。你可以使用任何你熟悉的文本编辑器打开它。

5. 在`kibana.yml`文件中，找到并修改`elasticsearch.hosts`选项，将其设置为Elasticsearch的主机地址和端口号。例如：

```

elasticsearch.hosts: ["http://localhost:9200"]

```

6. 保存并关闭`kibana.yml`文件。

7. 启动Kibana服务。使用以下命令启动Kibana：

```

./bin/kibana

```

8. 在浏览器中打开`http://localhost:5601`，你将能够访问Kibana的Web界面。

希望这些步骤能帮助你成功安装和配置Kibana。如果你在安装过程中遇到任何问题，请参考Kibana的官方文档或寻求相关支持。 [2123

#### 引用[.reference_title]

- *1* *3* [linux 西班牙语乱码_我的Linux故事：用西班牙语涵盖开源](https://blog.csdn.net/cumo3681/article/details/107410014)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]

- *2* [Linux怎么安装中文输入法](https://blog.csdn.net/weixin_42305264/article/details/116799640)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]

[ .reference_list ]

“相关推荐”对你有帮助么？

非常没帮助

没帮助

一般

有帮助

非常有帮助

提交

殇莫忆

CSDN认证博客专家

CSDN认证企业博客

码龄9年

暂无认证

314

原创

2万+

周排名

2万+

总排名

330万+

访问

等级

2万+

积分

932

粉丝

1402

获赞

381

5682

私信

关注

分类专栏

Windows

7篇

SVN

18篇

Spring data jpa

22篇

PostgreSQL

42篇

报错的专栏

55篇

SpringBoot

50篇

git

8篇

node.js

9篇

IntellIj Idea

36篇

java

39篇

SQL

23篇

Eclipse

9篇

Hibernate

10篇

面试题

12篇

Cassandra

8篇

TimescaleDB

10篇

springBoot

51篇

Java springmvc-restful

1篇

springmvc

3篇

Hibernate

10篇

swagger

3篇

spring

6篇

thymeleaf

1篇

异常处理

5篇

java

35篇

map

1篇

String

1篇

Spring Security

3篇

SVN

13篇

传参

1篇

EditPlus

1篇

JWT

2篇

数据库

46篇

Linux

45篇

PostgreSQL

42篇

Tomcat

4篇

Oracle

2篇

Eclipse

9篇

Struts2

6篇

Cassandra

7篇

SSH

3篇

ActiveMQ

1篇

MD5

1篇

dubbo

1篇

正则表达式

冒泡排序

2篇

面试题

12篇

python

5篇

MongoDB

4篇

网络

7篇

Navicat Premium

3篇

SQL

22篇

网络程序开发的两种计算模式

1篇

Redis

5篇

TimescaleDB

12篇

opc协议

1篇

json

3篇

DevOps

1篇

BLOB

1篇

node.js

9篇

intellij idea

35篇

maven

4篇

Mybatis

3篇

SpringData JPA

22篇

Druid

1篇

QueryDSL

2篇

lombok

1篇

Chrome

3篇

神器

3篇

报错

55篇

注解

6篇

cmd

1篇

注册码

1篇

打印日志

2篇

线程、进程、多线程

3篇

spring data rest

计算机

10篇

程序人生

26篇

Socket、 WebSocket、IO、NIO

2篇

Netty

6篇

ELK

14篇

logback

2篇

Datagrip

shiro

测试

1篇

Redis集群

1篇

springcloud

4篇

docker

3篇

最新评论

map.put 覆盖问题（一）

weixin_36163128:

神仙操作

TimescaleDB 与PostgreSQL 数据库的比较（未完待续······）

qq_29020937:

介绍PG性能下降的地方，是不是应该是5亿而不是5千万

PostgreSQL 数据库查询

conio嬛嬛:

在like语句中如果查询的字母不分大小写该怎么操作呢

Cannot find class [com.alibaba.druid.pool.DruidDataSource]

撑把雨伞当蘑菇:

有这个jar包，还是报错掉了， Cannot find class [com.alibaba.druid.pool.DruidDataSource] for bean with name 'dataSource' defined in class path resource [springconfig.xml]; nested exception is java.lang.ClassNotFoundException: com.alibaba.druid.pool.DruidDataSource

Intellij IDEA 如何查看底层源码

码农%:

66666

您愿意向朋友推荐“博客详情页”吗？

强烈不推荐

不推荐

一般般

推荐

强烈推荐

提交

最新文章

距离上一次发文章已经过去好久了

重新扬帆起航

好久不见～

2023年1篇

2022年2篇

2021年8篇

2020年28篇

2019年105篇

2018年382篇

分类专栏

Windows

7篇

SVN

18篇

Spring data jpa

22篇

PostgreSQL

42篇

报错的专栏

55篇

SpringBoot

50篇

git

8篇

node.js

9篇

IntellIj Idea

36篇

java

39篇

SQL

23篇

Eclipse

9篇

Hibernate

10篇

面试题

12篇

Cassandra

8篇

TimescaleDB

10篇

springBoot

51篇

Java springmvc-restful

1篇

springmvc

3篇

Hibernate

10篇

swagger

3篇

spring

6篇

thymeleaf

1篇

异常处理

5篇

java

35篇

map

1篇

String

1篇

Spring Security

3篇

SVN

13篇

传参

1篇

EditPlus

1篇

JWT

2篇

数据库

46篇

Linux

45篇

PostgreSQL

42篇

Tomcat

4篇

Oracle

2篇

Eclipse

9篇

Struts2

6篇

Cassandra

7篇

SSH

3篇

ActiveMQ

1篇

MD5

1篇

dubbo

1篇

正则表达式

冒泡排序

2篇

面试题

12篇

python

5篇

MongoDB

4篇

网络

7篇

Navicat Premium

3篇

SQL

22篇

网络程序开发的两种计算模式

1篇

Redis

5篇

TimescaleDB

12篇

opc协议

1篇

json

3篇

DevOps

1篇

BLOB

1篇

node.js

9篇

intellij idea

35篇

maven

4篇

Mybatis

3篇

SpringData JPA

22篇

Druid

1篇

QueryDSL

2篇

lombok

1篇

Chrome

3篇

神器

3篇

报错

55篇

注解

6篇

cmd

1篇

注册码

1篇

打印日志

2篇

线程、进程、多线程

3篇

spring data rest

计算机

10篇

程序人生

26篇

Socket、 WebSocket、IO、NIO

2篇

Netty

6篇

ELK

14篇

logback

2篇

Datagrip

shiro

测试

1篇

Redis集群

1篇

springcloud

4篇

docker

3篇

被折叠的条评论

为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

祝福语

请填写红包祝福语或标题

红包数量

个

红包个数最小为10个

红包总金额

元

红包金额最低5元

余额支付

当前余额3.43元

前往充值 >

需支付：10.00元

取消

确定

下一步

知道了

成就一亿技术人!

领取后你会自动成为博主和红包主的粉丝

规则

hope_wisdom 发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值

【Linux】kibana安装与使用教程_linxukibana安装使用教程-CSDN博客

【Linux】kibana安装与使用教程

最新推荐文章于 2023-12-15 23:50:27 发布

好好生活_

最新推荐文章于 2023-12-15 23:50:27 发布

阅读量3.5k

点赞数

分类专栏：

【安装教程】

文章标签：

kibana

linux

本文链接：https://blog.csdn.net/hu_zhiting/article/details/108549731

版权

【安装教程】

专栏收录该内容

4 篇文章

0 订阅

订阅专栏

引言

kibana可以帮助我们更直观的看到Elasticsearch中的索引数据，本篇博客将介绍Linux环境下Kibana的安装及使用。

安装步骤

以下安装步骤是基于Linux CentOS 7环境：

1. 通过wget下载kibana安装包并解压

wget https://artifacts.elastic.co/downloads/kibana/kibana-6.5.4-linux-x86_64.tar.gz

tar -zxvf kibana-6.5.4-linux-x86_64.tar.gz

这里下载的版本和之前安装的Elasticsearch版本保持一致。

2. 修改kibana配置文件

vim config/kibana.yml

# 放开注释,将默认配置改成如下：

server.port: 5601

server.host: "0.0.0.0"

elasticsearch.url: "http://192.168.*.*:9200"

kibana.index: ".kibana"

3. 启动Kibana

bin/kibana

启动过程中，如果Elasticsearch没有启动，会有警告信息输出：

Elasticsearch启动之后，kibana连接成功，输出信息如下：

我们也可以通过浏览器访问，看到如下界面：

使用教程

1. 创建pattern

正如上面的界面所示，安装之后，kibana会提示你创建搜索索引时对应的pattern，（这里我之前通过接口创建了user索引，并插入了一些数据）我们填写好符合格式要求的index pattern，直接next step

下面我们就可以在discover页面筛选索引

展开_source，可以看到具体数据：

2. 使用Dev Tool

在Kibana中，我们可以通过Dev Tool直接操作索引相关API：

上面API是获取user索引的mapping结构。下面是根据手机号查询索引数据的一个方法：通过这个工具，我们可以更快速直观地查询到索引数据。

总结

工作以来也用过很长一段时间的kibana查询日志，但没有自己搭建过，很多其他的功能也并不知道，正好趁着这次使用ES的机会，学到了一些东西。

优惠劵

好好生活_

关注

踩

觉得还不错?

一键收藏

知道了

【Linux】kibana安装与使用教程

引言kibana可以帮助我们更直观的看到Elasticsearch中的索引数据，本篇博客将介绍Linux环境下Kibana的安装及使用。安装步骤以下安装步骤是基于Linux CentOS 7环境：1. 通过wget下载kibana安装包并解压wget https://artifacts.elastic.co/downloads/kibana/kibana-6.5.4-linux-x86_64.tar.gztar -zxvf kibana-6.5.4-linux-x86_64.tar.gz.

复制链接

扫一扫

专栏目录

Linux安装elasticsearch7.2和kibana7.2最新教程-附件资源

03-02

Linux安装elasticsearch7.2和kibana7.2最新教程-附件资源

在Linux系统中使用docker安装Elasricsearch8.8.0与Kibana

NLD_GOD的博客

08-18

189

总结：总而言之就是一个配置文件的问题，也没有多少学习的价值，没有找到合适的博客，就是安装不成功，希望能够帮助到大家吧！愿编程路上永无BUG！

2 条评论

您还未登录，请先

后发表或查看评论

elasticsearch|大数据|kibana的安装（https+密码）

最新发布

zsk_john的技术分享专用博客

12-15

700

【代码】elasticsearch|大数据|kibana的安装（https+密码）

[ Linux ] 安装Elasticsearchhe和kibana(详细图文教程)

程序员咏哥的博客

07-06

1562

[ 官网下载 ]

Elasticsearchhe下载链接

kibana下载链接

[ 上传到Linux并解压]

① 在/usr/local/下创建elasticsearch目录

# mkdir /usr/local/elasticsearch

② 进入elasticsearc...

Linux上搭建ElasticSearch-8.x集群以及安装Kibana（保姆级安装教程）

Hide on bush

07-28

3543

Linux上搭建ElasticSearch-8.x集群以及安装Kibana（保姆级安装教程）

Kibana：使用 Docker 安装 Kibana - 8.x

Elastic 中国社区官方博客

05-29

1951

Kibana 的 Docker 镜像可从 Elastic Docker 注册中心获得。基本映像是。上提供了所有已发布的 Docker 图像和标签的列表。源代码在中。这些镜像包含免费和订阅功能。以试用所有功能。如果你还没有安装好自己的 Elasticsearch，你可以参考之前的文章 “

Linux下kibana的安装与配置

后端开发

10-10

2751

确保Linux服务器上已安装Java 8或更高版本。可以通过运行来验证Java的版本。下载Kibana 7.17.11的压缩文件，可以从下载上传服务器，并解压Kibana压缩文件。

Linux版本Kibana安装教程

前者已逝，后者未至。

06-17

5345

Kibana 8.2.2

CentOS Linux release 7.8.2003 (Core)

Linux安装Kibana详细教程

追寻心的步伐

09-08

7034

Kibana安装（Linux）

冰糖的博客

06-17

1358

Kibana 是一款多用于 Elasticsearch的数据可视化开源工具。在使用时，最好与ES版本同步，这里接着上一节，使用 kibana-7.14.0。

kibana-8可视化之仪表盘

随风飘雁

07-21

2428

kibana可视化之仪表盘

前提条件：

已完成如下内容：

kibana-1添加测试数据

kibana-2索引模式

kibana-3数据发现

kibana-4可视化之饼图

kibana-5可视化之柱状图

kibana-6可视化之标签云图

kibana-7可视化之折线图

需求：

使用kibana可视化制作成绩仪表盘。

创建仪表盘：

点击添加可视化按钮：

如图所示，选择需要放入仪表盘的可视化（不用点击右下角“新建可视化”）：

仪表盘如图所示：

至此，kibana可视化之仪表盘完成。

...

linux环境下的Kibana安装教程

huas_xq的专栏

02-03

714

1.下载(切记要和elasticsearch的版本一致，否则启动会报错。我操作的目录是 /opt)

wget https://artifacts.elastic.co/downloads/kibana/kibana-6.5.4-linux-x86_64.tar.gz

2.解压

ar-zxfkibana-6.5.4-linux-x86_64.tar.gz

tar -zxvfkibana-6.5.4-linux-x86_64.tar.gz （这个也可以）

...

kibana如何使用linux命令,Kibana 用户指南（安装Kibana）

weixin_34313368的博客

05-08

564

安装Kibana托管的Kibana如果你正在Elastic Cloud上运行托管的Elasticsearch服务，你可以通过单击访问Kibana。自己安装Kibana从6.0.0版本开始，Kibana只支持64位操作系统。Kibana提供了如下的包格式:tar.gz/ziptar.gz包是在Linux和Darwin上安装的，是开始使用Kibana的最简单的选择。zip包是惟一支持Windows的包...

linux系统下Kibana 安装、启动与访问

m0_54551727的博客

04-04

1959

Kibana的安装与启动

离线安装Kibana-8

qq_29956925的博客

12-27

487

kibana认证对接es

Kibana定义索引模式

最新评论

【CAS】自定义Controller配置

B.B.K:

请问您说的cas-server-webapp-support，还有cas-servlet.xml为啥我都找不到，我的是cas5.3的版本

【Spring Cloud】多数据源配置

诺言:

dynamicdatasource 这个是哪里的类

SimHash算法原理与应用（Java版）

csdnsunxin:

哦，我知道了，词频超过5后，该词就不再参与计算了。

SimHash算法原理与应用（Java版）

csdnsunxin:

你好，这个wordCount是不是没有用到，统计的意义是什么？

比较图片相似度算法介绍与应用（Java版）

404 already found:

麻烦问一下海明距离多少算是图片相似呢

您愿意向朋友推荐“博客详情页”吗？

强烈不推荐

不推荐

一般般

推荐

强烈推荐

提交

最新文章

二零二二，闯北十年，及时行乐，此生尽兴

【Spring Cloud】多数据源配置

感恩节，感谢2022的转变，有在好好生活！

2022年11篇

2020年62篇

2019年53篇

2018年59篇

2017年53篇

2016年70篇

2015年71篇

2014年36篇

分类专栏

Java 8 in Action

13篇

JVM

11篇

UML

7篇

【架构设计】

79篇

Spring Cloud

16篇

Spring Boot

27篇

Mybatis/Mybatis-Plus

14篇

Elasticsearch

13篇

Dubbo

4篇

9篇

分布式定时任务

8篇

分布式事务

4篇

CAS

5篇

Shiro

2篇

【一路总结】

22篇

【JAVA】

89篇

十三个规范

3篇

Struts

6篇

Spring

14篇

Hibernate

13篇

【C/S学习】

2篇

软件工程

5篇

UML

7篇

设计模式

9篇

【项目学习】

48篇

Lenovo

6篇

GDZX

4篇

GAC

11篇

UQI

36篇

4篇

【数据库】

7篇

MySQL

10篇

Redis

6篇

【软考学习】

11篇

【排序算法】

1篇

【安装教程】

4篇

被折叠的条评论

为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

祝福语

请填写红包祝福语或标题

红包数量

个

红包个数最小为10个

红包总金额

元

红包金额最低5元

余额支付

当前余额3.43元

前往充值 >

需支付：10.00元

取消

确定

下一步

知道了

成就一亿技术人!

领取后你会自动成为博主和红包主的粉丝

规则

hope_wisdom 发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值

牙-KIBA第1集-番剧-全集-高清在线观看-bilibili-哔哩哔哩

BA第1集-番剧-全集-高清在线观看-bilibili-哔哩哔哩追番牙-KIBA追番重播好评投币分享相关推荐点赞投币351点击复制链接用手机观看牙-KIBA：第1话命运之风用哔哩哔哩客户端或其他应用扫描二维码牙-KIBA--播放 · -弹幕 · 2.2万追番奇幻 / 冒险 · 2006 · 已完结, 全51话 · BV1mx411w7eS声优：ゼッド：吉野裕行

ノア：堀江一眞

ロイア：水树奈々

ジーコ：大木民夫

ロベス：三木眞一郎

ヒュー：山口胜平

サラ：井上喜久子

デュマス：家中宏

レベッカ：井上麻里奈简介：在卡姆生活的15岁少年泽多（ゼッド，Zed），每一天都过着居无定所的艰辛日子，对于这里抑郁苦闷的生活备感焦躁，同时也对不时出现的梦境和自己的意义抱有疑问。他渴望前往不受束缚，能够自由生存的地方。某日，泽多被不可思议的风引领到城市的一角，在风汇聚之处打开了神秘的光圈，耀眼的光芒中出现的精灵挥舞着翅膀飞入光圈，如梦境看到的景象一般！跟着风的导向，泽度义无反顾的跳进了光圈，也许他所追寻的“答案”就在前方……展开在卡姆生活的15岁少年泽多（ゼッド，Zed），每一天都过着居无定所的艰辛日子，对于这里抑郁苦闷的生活备感焦躁，同时也对不时出现的梦境和自己的意义抱有疑问。他渴望前往不受束缚，能够自由生存的地方。某日，泽多被不可思议的风引领到城市的一角，在风汇聚之处打开了神秘的光圈，耀眼的光芒中出现的精灵挥舞着翅膀飞入光圈，如梦境看到的景象一般！跟着风的导向，泽度义无反顾的跳进了光圈，也许他所追寻的“答案”就在前方……9.7分225人评分评分番剧频道追番标记为想看标记为在看标记为已看取消追番正片(1/51)TV版12345678910111213141516171819202122232

GraphDTA | 基于图卷积网络预测药物-靶标结合亲和力-CSDN博客

GraphDTA | 基于图卷积网络预测药物-靶标结合亲和力

最新推荐文章于 2023-03-21 19:55:48 发布

DrugAI

最新推荐文章于 2023-03-21 19:55:48 发布

阅读量8.8k

点赞数

分类专栏：

DrugAI

文章标签：

神经网络

算法

机器学习

人工智能

深度学习

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.csdn.net/u012325865/article/details/105683719

版权

DrugAI

专栏收录该内容

272 篇文章

207 订阅

订阅专栏

1. 研究背景

现有的高通量筛选实验用于确定药物和靶标之间的生物活性是一个昂贵费时的步骤。因此，基于已经在临床实验中测量的相互作用，使用统计学和机器学习模型来估计新的药物-靶标的相互作用的强度是重要的替代方案。澳大利亚Deakin大学的Svetha Venkatesh课题组提出了GraphDTA，一种基于图神经网络的药物-靶标结合亲和力的预测方法。

2. 相关工作

2.1药物表征

发明了SMILES表示计算机可读的分子，开发了多个有效的应用程序，包括快速检索和子结构搜索。根据SMILES可以计算药物描述符用作预测亲和力的特征。可以将SMILES视为字符串使用自然语言处理（NLP）技术来强化药物，也可以视为1D表示，输入卷积神经网络（CNN）以学习模型来预测亲和性。

化学结构到SMILES字符串

SMILES可通过rdkit开源软件生成graph的形式，然后通过图卷积网络表示学习得到药物特征向量。

图形卷积网络（GCN）最流行的深度学习方法可用于药物-靶标结合亲和力的预测，GCN是卷积神经网络（CNN）到图结构数据的推广。GCN可分为两大类：基于谱的方法和基于空间的方法。基于谱的方法中，图首先在谱域中表示，然后在该域中定义卷积运算。相反，基于空间的方法直接在图空间域上执行学习算法。学习过程包括邻域公式，然后通过聚合来自其邻居节点的信息，然后是子采样任务来更新节点的信息。

2.2药物-靶标结合亲和力的预测

2.2.1亲和力相似度（SimBoost）

药物-靶标结合亲和力预测的任务可以被认为是协同过滤问题（CF）。对于药物- 靶标结合预测中可获得的亲和力通常是稀疏的。伴随着药物之间以及靶标之间的相似性，以在SimBoost中建立特征，这些特征是梯度增强机器的输入，以预测未知药物-靶标对的结合亲和力。

SimBoost算法预测过程

2.2.2基于内核（KronRLS）

可以从其他来源建立相似性而不是训练数据中的亲和力。鉴于问题是预测n种药物和m种靶标的亲和力，它们将有n * m种组合，并且核心的大小为（n * m）平方。为了加速模型训练，Cichonska等人建议使用KronRLS。

为了计算内核，可以使用任何相似性度量。药物的核心是基于Tanimoto的相似性构建的; 而对于目标，Smith-Waterman评分用作蛋白质序列的相似性度量。

2.2.3深度学习

提供药物（SMILES）和蛋白质（序列）的1D表示时，深度学习可能是预测亲和力的可能方法。

图中，input_1和input_2分别是药物和靶标。因此使用1D卷积和池的层来捕获输入中的潜在模式。然后将它们连接起来，通过Dropout的正则层发送，最后用训练亲和力回归。

3. 方法（GraphDTA）

通过将药物的特征带入药物-靶标相互作用的模型，研究人员提出了一种新的深度学习模型GraphDTA，用于药物-靶标亲和力预测。GraphDTA中基于药物的SMILES作为输入，通过开源软件RDKit构建药物的分子图并提取原子特征，将该图结构数据输入到GCN层中学习药物图特征表示中的潜在模式。然后将药物-靶标亲和力（DTA）预测问题转换为回归任务，其中输入是一对蛋白质和药物表示，并且输出是反映该对亲和力结合得分的连续值。

3.1化合物的图表示

化合物可描述为原子间相互作用的图。因此，以图表示的形式处理输入化合物，并随后在图上应用学习算法可以很好地适合任务。为此，对于每个输入化合物（SMILES），研究人员构建了反映化合物内原子之间相互作用的相应分子图。

3.2深入学习分子图

化合物以图的形式表示，问题是采用能够有效地从图结构化数据中学习的算法。最近在计算机视觉、语音识别和自然语言处理中的深度卷积神经网络的成功导致了将卷积运算扩展到图结构的想法。已经提出了许多工作来处理将CNN概括为图形的两个主要挑战，即在数据点未被布置为欧几里德网格的图中形成感受域，以及用于对图进行下采样的池化操作。

GraphDTA模型

研究人员提出了一种新的DTA预测模型，该模型基于图神经网络和传统CNN的组合。模型采用两个输入：SMILES和蛋白质序列，并且并行地向前馈送它们以学习每个的表示向量，然后将两个潜在的特征向量连接起来并经历几个密集层，以回归层来估计亲和力值。

研究人员为了评估基于图神经网络方法的有效性，采用了多种图神经网络模型。包括GCN、GAT、GIN和GAT-GCN。通过修改图神经网络的模式来测试模型性能。

GAT与GAT-GCN模型图

4. 实验与结果

研究人员主要通过对比非深度学习模型与比较流行的深度学习模型，通过测量计算一致性指数CI（指示预测值与实际值的一致性）与均方误差MSE这两个指标来表示模型的好坏。为了使实验结果具有比较性，分别在Davis与Kiba数据集对模型进行测量。

Davis数据集模型测量结果

KIBA数据集模型测量结果

两种数据集中的测量结果都表示在基于GAT-GCN结合的图表示模型中预测性能最佳。

5. 结论

本项工作中，研究人员提出了一种计算药物-靶标结合亲和力的新方法，称为GraphDTA；旨在降低药物开发的难度，减少发现新药物靶标相互作用在时间与成本上的花费，缩短药物开发周期。该模型使用由SMILES数据重构得来的二维图结构数据，能够表达药物的较完整信息，因此该方法能够获得较好的预测性能。

Code availability

https://github.com/thinng/GraphDTA

参考资料

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5395521/

https://www.biorxiv.org/content/10.1101/684662v3

优惠劵

DrugAI

关注

踩

觉得还不错?

一键收藏

打赏

知道了

GraphDTA | 基于图卷积网络预测药物-靶标结合亲和力

复制链接

扫一扫

专栏目录

GraphDTA:GraphDTA

05-15

资源：

README.md：此文件。

数据/戴维斯/折叠/test_fold_setting1.txt,train_fold_setting1.txt; 数据/戴维斯/ Y，配体_can.txt，proteins.txt数据/kiba/folds/test_fold_setting1.txt，train_fold_setting1.txt；数据/kiba/Y,ligands_can.txt,proteins.txt这些文件是从下载的

源代码：

create_data.py：以pytorch格式创建数据

utils.py：包括由create_data.py用于创建数据的TestbedDataset和性能度量。

training.py：训练GraphDTA模型。

models / ginconv.py，gat.py，gat_gcn.py和gcn.py：建议的模型GINConvNet

DGraphDTA训练部分源码解读分析（一）2021SC@SDUSC

chy931088287的博客

12-28

1290

2021SC@SDUSC

DGraphDTA任务训练部分完整代码：

model = GNNNet()

model.to(device)

model_st = GNNNet.__name__

# device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

#设置lossfunction

loss_fn = nn.MSELoss()

#设置优化器

optimizer = torch.optim.Adam(model.paramete

参与评论

您还未登录，请先

后发表或查看评论

AI医药论文笔记--GraphDTA: Predicting drug–target binding affinity with graph neural networks

xiao_muyu的博客

01-25

2137

GraphDTA：用图神经网络预测药物-靶点结合亲和力

论文题目

GraphDTA: Predicting drug–target binding affinity with graph neural networks

论文出自

bioRxiv preprint，2020

使用图神经网络来预测药物与靶标的亲和力。将药物表示为分子图，因此该模型可以直接捕获原子间的键。

文章目录GraphDTA：用图神经网络预测药物-靶点结合亲和力一、**GraphDTA模型图：**二、实验结果？

一、Gr

GraphDTA论文阅读小白笔记（附代码注释和复现流程）

weixin_70379932的博客

03-21

1476

DTA经典模型复现和论文小白阅读笔记

2020 Bioinformatics | GraphDTA: predicting drug target binding affinity with graph neural networks

发呆的比目鱼的博客

07-06

498

2020 Bioinformatics | GraphDTA: predicting drug target binding affinity with graph neural networks

DGraphDTA 环境安装

suwei0315的博客

11-10

359

AI药物设计工具

图卷积文献阅读1

qq_39917739的博客

08-09

1472

论文名称：MGraphDTA: deep multiscale graph neural network for explainable drug–target binding affinity prediction。

Nat. Commun | 基于网络的药物组合预测

DrugAI

09-01

3007

作者丨王建民单位丨超级计算长沙中心，湖南大学研究方向丨药物设计、生物医药大数据本期介绍2019年3月发表在Nature Communications的研究工作，该工作由哈佛医学院、东北大...

DTIs（药物靶标关联）预测，在机器学习中的常用方法。（一）

qq_56555982的博客

07-09

2104

药物靶标关联预测（DTI）入门，一起学习吧。

图相似度计算：SimGNN： A Neural Network Approach to Fast Graph Similarity Computation

qq_44074153的博客

06-25

2918

一点点都不想学习????，就把看的图相似度文献的笔记发下吧，有需要的随便瞅瞅吧（CSDN是没办法改字体大小么）

1.文献相关链接：*

文献标题：SimGNN： A Neural Network Approach to Fast Graph Similarity Computation

来源：WSDM2018（网络搜索和数据挖掘国际会议）

论文链接：

https://arxiv.org/abs/1808.05689

代码链接：

https://paperswithcode.com/paper/graph-e

microRNA作为靶点在药物设计中的应用 (2).pdf

03-01

。

microRNA作为靶点在药物设计中的应用 (2).docx

03-01

。

microRNA作为靶点在药物设计中的应用.docx

03-01

。

基于知识图谱和推荐系统的药物靶标相互作用预测python源码(含操作说明).zip

最新发布

10-11

【资源说明】

基于知识图谱和推荐系统的药物靶标相互作用预测python源码(含操作说明).zip

本代码使用yamanishi_08数据集，其他数据集请自行处理

进入data文件夹运行对应数据集的.py文件来下载数据集

进入eg_model文件夹运行eg_model.py来下载kge模型

运行环境

kge_nfm.py kge_rf.py:

python 3.7

Tensorflow 1.15.0

cuda 10.0

deepdti.py:

Pytorch 1.11.0

cuda 11.3

可以使用pyenv管理python版本，使用pipenv创建虚拟环境

创建虚拟环境

在当前项目根目录下运行命令

```

pipenv --python 3.7

```

安装requirements.txt中的依赖

```

pipenv run pip install -r requirements.txt

```

安装rdkit拓展

```

pipenv run pip install git+https://github.com/bp-kelley/descriptastorus

```

使用train_all.py一键运行

```

pipenv run python train_all.py

```

程序运行日志保存在logs文件夹

输出结果保存在output文件夹，包含曲线上的点、auc以及模型

【备注】

1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！

2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。

3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。

欢迎下载，沟通交流，互相学习，共同进步！

MITP:MITP-保护和新颖的miRNA鉴定和靶标预测工具-开源

04-29

miRNA是一种广为人知的小型非编码RNA，可介导植物和动物中最重要的生物学过程的基因调控。因此，在模型和新的测序物种中保存和新颖的miRNA及其靶基因的鉴定是不可避免的。 MITP旨在根据产生任何SAM格式输出结果，blast结果（默认输出结果）或blat结果（默认输出结果）的任何映射软件的序列映射结果，轻松，快速地识别miRNA。该程序提供了一个步骤praramter（8个步骤），它可以允许从任何步骤运行程序并完成所有剩余步骤。您也可以使用每个步骤程序逐步运行。请在用于运行主程序MITP.pl的同一目录中运行这些步骤程序。一些步骤是可选的（读取过滤器，表达，miRNA类和靶标）。当您选择相关参数属于这些可选步骤时，程序将运行这些步骤。否则，它会跳过这些步骤。

基于深度学习图像超分的环形靶标稳定检测方法.zip

11-16

基于深度学习图像超分的环形靶标稳定检测方法.zip一种基于深度学习图像超分技术可以提升环形靶标识别与定位精度的方法，即插即用。使用说明下载models里的超分模型使用下列代码超分靶标用的图像 sr = cv2.dnn_...

基于柔性靶标定位实现图像拼接的多相机三维测量系统

01-26

提出一种基于柔性靶标定位实现图像拼接的多相机三维测量系统,采用一个激光投影仪投影大幅条纹,多相机分布式采集的方法扩展视觉三维测量系统的测量范围。标定过程首先使用小型平面靶标标定基准相机二维图像坐标和相位...

p-TAREF:植物miRNA靶标预测工具-开源

04-28

它基于多个特征信息识别植物microRNA靶标。了解更多http://www.biomedcentral.com/1471-2164/12/636查询，评论等，请给我们任何一个人发邮件@ ashwanijha.bioinfo@gmail.com或ravish9@gmail.com

论文研究-基于机器学习的miRNA靶标预测方法 .pdf

08-15

基于机器学习的miRNA靶标预测方法，刘辉，张林，microRNA（miRNA）是一类长约20个核苷酸（nt）的非编码的调控小分子RNA，能够切割靶mRNA或抑制蛋白质的合成，因而对后转录调控有非常重大

用代码实现预测未知的药物-靶标对之间是否可能存在互相关系

05-26

预测药物-靶标对之间是否存在互相关系，可以使用机器学习模型来完成。下面给出一个简单的代码实现过程：

1. 准备数据

首先需要准备药物-靶标对的数据集，包括药物化合物的结构信息和靶标蛋白的序列信息。同时，还需要标注每个药物-靶标对是否存在互相关系。

2. 特征提取

对于药物分子，可以使用化学描述符（如分子指纹、物化性质等）来表示药物分子的特征。对于靶标蛋白，可以使用蛋白质描述符（如AAC、PSSM等）来表示蛋白质的特征。

3. 模型训练

采用机器学习方法（如随机森林、SVM等）对药物-靶标对进行分类，训练模型时使用特征提取得到的特征作为输入，标注的互相关系作为输出。

4. 模型评估

使用测试集对训练好的模型进行评估，比较预测结果与实际结果的差异，可以使用一些评估指标（如准确率、召回率、F1值等）来评估模型的性能。

5. 预测未知样本

最后，使用训练好的模型对未知的药物-靶标对进行预测，得到该药物-靶标对是否存在互相关系。

代码实现如下：

```python

# 导入必要的库

from sklearn.ensemble import RandomForestClassifier

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 准备数据

# X_drug 为药物分子结构信息

# X_target 为靶标蛋白序列信息

# y 为标注的互相关系

X_drug, X_target, y = prepare_data()

# 特征提取

# drug_features 为药物分子的特征

# target_features 为靶标蛋白的特征

drug_features = extract_features(X_drug)

target_features = extract_features(X_target)

# 构建训练集和测试集

# 将药物分子和靶标蛋白的特征合并成一个特征向量

X_train = np.hstack((drug_features[:800], target_features[:800]))

y_train = y[:800]

X_test = np.hstack((drug_features[800:], target_features[800:]))

y_test = y[800:]

# 模型训练

rf = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=0)

rf.fit(X_train, y_train)

# 模型评估

y_pred = rf.predict(X_test)

acc = accuracy_score(y_test, y_pred)

precision = precision_score(y_test, y_pred)

recall = recall_score(y_test, y_pred)

f1 = f1_score(y_test, y_pred)

print(f"Accuracy: {acc}, Precision: {precision}, Recall: {recall}, F1-score: {f1}")

# 预测未知样本

# X_new_drug 为新的药物分子结构信息

# X_new_target 为新的靶标蛋白序列信息

X_new_drug, X_new_target = prepare_new_data()

new_drug_features = extract_features(X_new_drug)

new_target_features = extract_features(X_new_target)

X_new = np.hstack((new_drug_features, new_target_features))

y_new_pred = rf.predict(X_new)

print(f"Prediction result: {y_new_pred}")

```

“相关推荐”对你有帮助么？

非常没帮助

没帮助

一般

有帮助

非常有帮助

提交

DrugAI

CSDN认证博客专家

CSDN认证企业博客

码龄10年

人工智能领域新星创作者

744

原创

9459

周排名

2410

总排名

295万+

访问

等级

2万+

积分

3585

粉丝

1606

获赞

602

7532

私信

关注

最新评论

基于RDKit的溶解度预测的机器学习模型

小胡啦啦啦:

这个模型里面的数据'smi_sol.dat'文件可以分享一下不，求求啦，我的邮箱为1922363683@qq.com

RDKit | RDKit分子结构图的详细说明

weixin_44815636:

请问有没有代码中用到的data

Python：计算两个蛋白或小分子之间的RMSD

暮冬有三๓:

你好，原子数不同的两个pdb文件是不是不能使用这种方法计算RMSD

Python：PDB文件中原子和残基重新编号

wfh1024:

大佬，为啥我输出的文件是0kb

RDKit | RDKit处理graph-化合物的邻接矩阵、距离矩阵和维纳指数

LastWhisperw:

为什么说键距不重要?

您愿意向朋友推荐“博客详情页”吗？

强烈不推荐

不推荐

一般般

推荐

强烈推荐

提交

最新文章

Cell Systems | 深度学习开启蛋白质设计新时代

Nat. Mach. Intell. | 通过深度神经网络联合建模多个切片来构建一个三维全生物体空间图谱

引导扩散模型实现抗体序列与结构共同设计

2023年51篇

2022年37篇

2021年74篇

2020年290篇

2019年200篇

2018年81篇

2017年43篇

分类专栏

RDKit | 化学信息学与AI

付费

154篇

Life Sciences.AI

付费

40篇

量子世界

1篇

Qiskit

1篇

PennyLane

1篇

Psi4

1篇

PySCF

1篇

DrugAI

272篇

Chemoinformatics

31篇

Open Babel

9篇

Bioinformatics

39篇

Metabolomics

4篇

Anaconda&conda

28篇

DL | 深度学习

35篇

ML | 机器学习

35篇

Data_Science & Statistics

13篇

数据科学

32篇

KNIME

1篇

NLP

6篇

知识图谱

3篇

Image and Vision

12篇

OpenCV

13篇

OpenGL

1篇

Programming Language

C | C++

2篇

Python

63篇

9篇

Perl

1篇

Linux

2篇

CentOS

34篇

Ubuntu

12篇

Docker

1篇

Molecular Docking

AutoDock-Vina-DOCK

5篇

Molecular Libraries

3篇

Molecular_Dynamics

11篇

Amber

5篇

Gromacs

9篇

Xmgraxe

1篇

Molecular Simulation

1篇

Chimera

1篇

Pymol

6篇

DataBase

4篇

MySQL

7篇

PostgreSQL

11篇

MongoDB

2篇

杂记

3篇

被折叠的条评论

为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

祝福语

请填写红包祝福语或标题

红包数量

个

红包个数最小为10个

红包总金额

元

红包金额最低5元

余额支付

当前余额3.43元

前往充值 >

需支付：10.00元

取消

确定

下一步

知道了

成就一亿技术人!

领取后你会自动成为博主和红包主的粉丝

规则

hope_wisdom 发出的红包

打赏作者

DrugAI

你的鼓励将是我创作的最大动力

¥1

¥2

¥4

¥6

¥10

¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值

WideDTA模型详解 - 知乎

WideDTA模型详解 - 知乎切换模式写文章登录/注册WideDTA模型详解1.15认识现实，改造现实，保持思考，终身学习研究背景：预测药物-靶点结合亲和力（DTA）对于药物发现来说是一个挑战，WideDTA就是一个能够预测药物-靶点结合亲和力的深度学习模型。常被用做DTA预测任务的基线模型是2018年发表在Bioinformatics杂志上的DeepDTA模型（DeepDTA: deep drug–target binding affinity prediction | Bioinformatics | Oxford Academic (oup.com)），DeepDTA模型可以总结为三部分的内容，1）对药物小分子的SMILES码和靶点蛋白的氨基酸序列进行编码，2）使用1维卷积提取药物分子的靶点蛋白编码后的特征，3）使用三层全连接层对提取后的特征进行回归从而训练及预测DTA的值。WideDTA相比于DeepDTA，在原始特征选取方面，不仅使用了药物分子的SMILES码和靶点蛋白的氨基酸序列，还额外使用了蛋白质结构域和基序以及分子最大共同亚结构词。并且测试了同时使用其中两种或三种或四种特征所得到的结果的不同。数据集：本文使用了两个药物-靶点结合亲和力预测模型常用的两个基线数据集：Davis和KIBA。Davis数据集包含了约30k的小分子-蛋白相互作用的解离常数值（使用负对数pKd来表示），其中值为10000nM（pKd=5）的亲和力表示为弱相互作用或无相互作用。KIBA有大约118k的小分子-蛋白相互作用的KIBA值，KIBA值是由IC50，Ki和Kd的值组合计算的。数据集具体情况化合物与蛋白质表示方法：已经有很多常用的方法可以将化合物和蛋白质转换为计算机可以读取的形式，之前的研究也表明了，使用小分子的SMILES码形式和蛋白质的序列形式来表示，可以有效地对药物-靶标结合亲和力进行建模。本研究在此之上，又额外添加了两种信息：蛋白质的结构域/基序信息和化合物的最大共同亚结构信息，希望通过增加信息，能够更好地建模药物-靶标的结合亲和力值。本篇文章的科学假设为：通过增加新的化合物和蛋白质信息（蛋白质的结构域/基序，化合物的最大共同亚结构）可以提升药物-靶点结合亲和力预测模型的性能。接下来的实验和结果部分也是围绕这一个科学假设展开的。1.蛋白质序列（PS）：蛋白质序列由20个不同类型的氨基酸组成，本研究从蛋白质的序列中提取3残基词，例如蛋白激酶SGK1的氨基酸序列为：MTVKTEAAKGTLTYSRMRGMVA......YAPPTDSFL本研究将其表示为：[ 'MTV', 'KTE', ..., 'TDS', 'TVK', 'TEA', ..., 'DSF', 'VKT', 'EAA', ..., 'SFL' ]2.蛋白质结构域和基序（PDM）蛋白质结构域是处于蛋白质超二级结构和三级结构之间的一个层次；基序是短的氨基酸序列（通常为10-30个氨基酸），且在蛋白质中属于保守序列，通常对于折叠、结合、催化活性或热力学是重要的。作者使用PROSITE数据库提取数据集中每个蛋白质的基序和结构域，再从每个蛋白质的基序和结构域中提取3残基亚序列，类似上面PS中提到的方法。3.化合物SMILES（LS）SMILES字符串是使用64个特殊字符来表示分子的一种语法，考虑到在不同的数据库中，SMILES字符串的规范化算法会不同，所以本研究所有的SMILES字符串特征都是从PubChem数据库中收集整合。对于SMILES字符串，本研究做了类似于蛋白质序列的3残基词的处理，作者称为k-mers的方法，是从一串SMILES中提取连续重叠的k聚体。例如：C(C1CCCCC1)N2CCCC2转变为8聚体为："C(C1CCCC", "(C1CCCCC", "C1CCCCC1", "1CCCCC1)", "CCCCC1)N", "CCCC1)N2", ......, ")N2CCCC2"作者对7-12之间的k值进行了预实验，发现没有统计学上的差异，于是选择延续之前研究的8聚体的处理方法。同时，本研究还使用了一项修改SMIELS表示语法的最新方法DeepSMILES，DeepSMILES的作用是修改常规SMILES中圆括号和闭环数字的使用，旨在增强各种不同任务中使用SMILES符号作为输入的机器学习算法的性能。例如：C(C1CCCCC1)N2CCCC2被转化为了：CCCCCCC6))))))NCCCC5相应的8聚体也同样改变。4.化合物最大共同子结构（LMCS）作者根据一篇关于化学空间中”词“性质的研究，这项研究推测化学家是使用”化学词汇“来区分分子集合的，例如使用最大公共子结构（MCS），本研究中使用了100k个常见的MCS从数据集中SMILES字符串提取化学词。例如对于如下SMIELS字符串：C(C1CCCCC1)N2CCCC2提取了如下的最大公共子结构：{ 'CCCCC', 'CCCC', 'CCC', 'CC', 'C1CCCCC1' }由于本研究还使用了DeepSMILES优化数据，所以实际上的SMIELS字符串为：CCCCCCC6))))))NCCCC5提取的最大公共子结构也被DeepSMILES转化：{ ' CCCCCC', 'CCCCCCC', 'CCCCC', 'CCCC', 'CCC', 'CC', 'CCCCCCC6', 'CCCCCC6' }数据总体信息在正式训练模型前，作者对本项研究的数据做了统计。本研究之所以使用基于单词的模型而不是基于字符的模型主要原因有两个：1）从蛋白质序列中提取的基序和结构域不是连续的，它们可以包含重叠残基；2）MCS词可以包含重叠字符。WideDTA模型架构上图可以看出来，本研究的模型其实没有过多的新颖之处，与DeepDTA相似，每一项输入的特征都会先经过编码，Embedding，两层1维卷积，一层最大池化，之后将抽提过的特征张量连接后输入三层全连接层做回归，最终输出预测的结合亲和力值y。结果1.基线模型选择本研究所选用的对比基线模型有三个，分别是基于机器学习的KronRLS和SimBoost，和基于深度学习的DeepDTA。2.实验结果在Davis数据集中的实验结果在KIBA数据集中的实验结果本研究的实验方案就是测试不同组合四种特征是否在两个基准数据集上对模型的性能有所影响。首先是特征两两配对的实验（两张表格的前四行实验结果）在Davis数据集上，尽管使用PDM+LMCS的组合相比于使用PS+LS的组合对于模型性能的提升在统计学上不显著，但是性能指标是四组组合中最高的，于是作者在PDM+LMCS的基础上依次添加PS特征和LS特征，发现PS+PDM+LMCS的组合对于性能有所改善，PS+PDM+LS+LMCS的组合产生了最佳性能。在KIBA数据集上，使用PS+LS的组合产生了两两配对实验中最好的一组数据，而在PS+LS的基础上添加PDM和LMCS特征并没有显著影响性能。作者总结，使用蛋白质结构域和基序特征（PDM）相比于使用蛋白质序列特征（PS）性能差别不大，但是PSM特征构成序列特征的一小部分，可能是比PS特征信息量更大的一个替代方案；使用配体SMILES特征（LS）和配体最大公共子结构特征（LMCS）相比，使用LMCS的模型性能有所下降，虽然MCS关键词可以区分不同的分子特征，但是LS的滑窗取词的方法具有更多的优势。在Davis数据集上与基线模型的比较在KIBA数据集上与基线模型的比较与基线模型的比较显示出了，使用所有四种特征的WideDTA模型相比于基线模型来说，性能有很大的提升，且由统计学上的显著性。生物学解释和总结通过对PDM+LMCS和PS+PDM+LS+LMCS这两个模型在KIBA数据集上进行对比，作者发现LS和LMCS所提取到的特征有部分相似，但是由于LS使用了滑窗的方法，得到的一些词会有一个单词上的差异，本研究认为，使用LS可以使CNN模型更好的捕捉仅有一字之差的两个词之间的相似性，例如：'NC=NC=NC'和'NC=NC=CC'总而言之，使用了PDM和LMCS的特征能够帮助模型有所提升，PDM特征可以作为一个PS特征的替代方案，并且，使用词特征相比于字符特征可以使模型取得更好的性能。发布于 2023-02-14 16:41・IP 属地江苏模型赞同 1添加评论分享喜欢收藏申请 are not allowed to access this resour

Just a moment...

a moment...Enable JavaScript and cookies to conti

动画《牙-KIBA-》有哪些吸引人的剧情？ - 知乎

动画《牙-KIBA-》有哪些吸引人的剧情？ - 知乎首页知乎知学堂发现等你来答切换模式登录/注册动画剧情牙-KIBA-（日本动画）动画《牙-KIBA-》有哪些吸引人的剧情？关注者0被浏览15关注问题写回答邀请回答好问题添加评论分享暂时还没有回答，开始写第一

Follow

tp钱包官网APP|kiba

tp钱包官网APP|kiba

KIBA 和 Davis 数据集下载 以及部分学习笔记_davis数据集下载-CSDN博客

牙-KIBA_百度百科

Kibana在Linux下的安装和启动、访问_centos k8s yum kibana怎么访问-CSDN博客

【Linux】kibana安装与使用教程_linxukibana安装使用教程-CSDN博客

牙-KIBA第1集-番剧-全集-高清在线观看-bilibili-哔哩哔哩

GraphDTA | 基于图卷积网络预测药物-靶标结合亲和力-CSDN博客

WideDTA模型详解 - 知乎

Just a moment...

动画《牙-KIBA-》有哪些吸引人的剧情？ - 知乎

最近的新闻

您可能喜欢的文章

2023bitpie官网下载app|ise

比特派安卓下载|lat币

比特派安卓版钱包怎么用

比特派登录不上怎么办

比特派检测到异常怎么回事

比特派不让验证怎么办呢

比特派持有人姓名怎么修改

KIBA 和 Davis 数据集下载以及部分学习笔记_davis数据集下载-CSDN博客