معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A package for FRET Efficiency prediction of protein structures and trajectories, based on the Rotamer Library Approach (RLA). Can be installed with pip.

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	FRETpredict-0.1.1
نام	FRETpredict
نسخه کتابخانه	0.1.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Daniele Montepietra, Giulio Tesei, João M Martins, Micha BA Kunze, Robert Best and Kresten Lindorff-Larsen
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/KULL-Centre/FRETpredict
آدرس اینترنتی	https://pypi.org/project/FRETpredict/
مجوز	GPLv3

FRETpredict =========== Overview -------- A package for FRET Efficiency prediction of protein structures and trajectories, based on the Rotamer Library Approach (RLA). Installation ------------ To install FRETpredict, use the [PyPI package](https://pypi.org/project/FRETpredict): ```bash pip install FRETpredict ``` or clone the repo and install locally: ```bash git clone https://github.com/KULL-Centre/FRETpredict.git cd FRETpredict pip install -e . ``` The software requires Python 3.6+. Testing ------- ```bash pip install pytest python -m pytest ``` Code Example ------------ ```python import MDAnalysis from FRETpredict import FRETpredict # Create a MDAnalysis.Universe object for the protein structure. u = MDAnalysis.Universe('tests/test_systems/Hsp90/openHsp90.pdb') # Create instance of the FRETpredict class FRET = FRETpredict(protein=u, residues=[452, 637], chains=['A', 'B'], temperature=293, fixed_R0=True, r0=6.3, electrostatic=True, libname_1='AlexaFluor 594 C1R cutoff30', libname_2='AlexaFluor 568 C1R cutoff30', output_prefix='E30_594_568') # Run FRET efficiency calculations. FRET.run() ``` Tutorials --------- - __[Tutorial_FRETpredict_Hsp90](https://github.com/Monte95/FRETpredict/blob/eef8bf0d219109ada605e943ecc4b1aa9dde86df/tests/tutorials/Tutorial_FRETpredict_Hsp90.ipynb)__ : Jupyter Notebook with simple tutorials on how to use the code on the Hsp90 system. - __[Generate new rotamer libraries](https://github.com/Monte95/FRETpredict/blob/eef8bf0d219109ada605e943ecc4b1aa9dde86df/tests/tutorials/Tutorial_generate_new_rotamer_libraries.ipynb)__ : Jupyter Notebook on how to create and add new rotamer libraries. Structure --------- ``` FRETpredict/ ├─ FRETpredict/ │ ├─ lib/ │ │ ├─ R0/ │ ├─ FRET.py │ ├─ lennardjones.py │ ├─ libraries.py │ ├─ R0_calculation.py │ ├─ rotamer_libraries.py │ ├─ utils.py │ ├─ __init__.py ├─ tests/ | ├─ test_Hsp90.py │ ├─ test_systems/ │ │ ├─ Hsp90/ │ ├─ tutorials/ │ │ ├─ genLIB/ │ │ ├─ test/ │ │ ├─ Tutorial_FRETpredict_Hsp90.ipynb │ │ ├─ Tutorial_generate_new_rotamer_libraries.ipynb ├─ LICENSE ├─ README.md ├─ setup.py ``` Contributors ------------- [Daniele Montepietra (@Monte95)](https://github.com/Monte95) [Giulio Tesei (@gitesei)](https://github.com/gitesei) [João M Martins (@joaommartins)](https://github.com/joaommartins) [Micha BA Kunze (@mbakunze)](https://github.com/mbakunze) [Robert Best (@bestlab)](https://github.com/bestlab) [Kresten Lindorff-Larsen (@lindorff-larsen)](https://github.com/lindorff-larsen)

نحوه نصب

نصب پکیج whl FRETpredict-0.1.1:

pip install FRETpredict-0.1.1.whl

نصب پکیج tar.gz FRETpredict-0.1.1:

pip install FRETpredict-0.1.1.tar.gz