基于分子指纹进行二维相似度搜索。根据不同指纹类型（Maccs Key、pharmacophore fingerprints、extended connectivity fingerprints）计算得到的指纹向量或者向量字符串进行相似性搜索，从分子数据库中筛选出与模板分子相似（不相似）的化合物。
把三字母表示的氨基酸转换为单字母表示。"ASP ILE VAL ASN"转换为 "DIVQ".
小分子三维构象搜索模块。三维构象搜索与生成技术主要用于对蛋白质结构域或者化合物结构进行高效的搜索，以用于结构设计或筛选。唯信通过采用一种全新的限制性结构片段定义方式进行分子三维构象的生成，精度优于同类算法。通过采用非重复构象生成方法，节省大量计算时间，计算速度远超同类算法。独特高效的构象压缩技术，较同类算法的存储空间降低400~800倍，适用于超大规模三维构象库的构建和超高通量虚拟筛选。
基于预训练的大规模蛋白质语言模型，预测序列中每个氨基酸（AA）位置处20种AA出现的概率。与进化上更保守的AA类似，语言模型预测的高概率AA，有利于提升结构的稳定性、改善蛋白的折叠、提升蛋白质的表达能力等、甚至提升亲和力，比随机盲目突变具有潜在的优势。建议通过WeSeq序列编辑器来使用该功能，具体为WeSeq -> Frequency -> Frequency/Likelihood Analysis -> Caculate -> ESM2/ESM1B/ESMIF/AntiFold/Nanobidy。
将蛋白及支持的小分子结构转换为 Martini 粗粒化结构和拓扑。
用于将AlphaConf模块生成的构象压缩二进制文件AC.GZ转为便于查看的SDF文件。
基于机器学习的小分子ADMET性质预测模块，支持27种ADMET性质。
.png)
基于AI 快速、准确地预测药物分子的吸收、分布、代谢、排泄和毒性（ADMET）性质，适合大规模化合物筛选。
通过蛋白序列生成模型ESM-IF，预测蛋白质的绝对稳定性ΔG
基于抗体序列和辅料条件，预测残基级接触概率图及抗体聚集倾向的变化。
预测蛋白质结构中的聚集倾向和蛋白质溶解度，通过考虑序列和结构来预测蛋白质中易聚集的位点，这对于球状蛋白质特别有用，其中容易聚集的位点可能埋藏在天然结构内并且序列不连续。通过考虑天然氨基酸的实验聚集倾向尺度，该方法可以准确预测蛋白质聚集倾向。
Alanine Scan (MMGBSA)是计算丙氨酸突变后的结合自由能。
计算丙氨酸突变后的结合自由能
计算丙氨酸突变后的结合自由能
基于分子三维形状和药效团的虚拟筛选，算法在三维构象的基础上进行基于分子三维相似性的虚拟筛选。通过结合高斯函数与深度神经网络模型，计算精度领先同类型商业算法。
基于结构相似性原理从抗原-抗体数据库中（相似抗体可能具有相似靶点）预测抗体的潜在靶点（脱靶效应）。
基于扩散概率模型和等价神经网络的抗体设计，可针对特定抗原结构生成抗体，也可基于抗体-抗原复合物结构进行抗体结构和序列的优化。
IgGM是一种新型生成式基础模型，旨在加速高亲和力抗体的工程化设计。
基于MEAN模型实现，采用多通道等变图注意力网络，用于设计CDR的一维序列和三维结构。
基于RFantibody（抗体微调版RFdiffusion）的抗体从头设计，默认用Chothia编号。
快速评估抗体可变区人源性的序列分析模块。
用于抗体NGS测序的DNA序列分析，具体分析内容包括：IGV、IGD、IGJ基因型标注；DNA序列翻译为氨基酸序列（抗体），并进行CDR识别；基于蛋白（抗体）语言模型（ESM/IgLM），分析不常见残基及优势突变；PTM（翻译后修饰）风险位点分析，标记低、高风险位点；序列特征计算（等电点pI，分子量kDa，疏水性）；序列聚类分析；体系超突变率分析等。
.png)
抗体编号模块，用于注释抗体可变区（Fv）或恒定区（包括 Fc）， 支持几乎所有主流的抗体编号规则，如可变区广泛使用的Kabat、Chothia 和 IMGT，以及恒定区主要使用的EU规则。建议通过WeSeq序列编辑器来使用该功能，具体为WeSeq-> Number。
抗体编号模块，用于注释抗体可变区（Fv）或恒定区（包括 Fc）， 支持几乎所有主流的抗体编号规则，如可变区广泛使用的Kabat、Chothia 和 IMGT，以及恒定区主要使用的EU规则。
预测抗体上与抗原结合的氨基酸位点（称为Paratope），基于等变图神经网络的深度学习模型，使用抗体结构进行训练和预测，预测精度在现有方法中最佳。
预测治疗性普通抗体或纳米抗体的多反应性，模块基于PolyXpert模型及Harvey模型实现。
对参考抗体结构及其他CDR相同的抗体结构，进行基于Fv区域的结构叠合，并计算CDR区域的RMSD值。
生成抗体Fv区序列，或对已有Fv区序列进行序列自然性评分，可用于抗体重轻链配对分析。
模块基于Ablang2模型实现，该模型是抗体专用语言模型，为AbLang的升级版，旨在解决抗体序列中的种系偏差（germline bias）问题，从而更有效地支持抗体设计与优化。
预测抗体的熔体开始温度(Tm,on)、熔体温度(Tm)及抗体的聚集温度(Tagg)。基于AbMelt模型，通过在不同温度（300K、350K 和 400K）下进行分子动力学模拟，生成代表实验热稳定性测量过程中不同温度阶段的结构集合，模拟同源抗体结构的内在灵活性，并学习相关描述符预测相应熔体温度。
基于序列预测抗体黏度
基于 DeepRank-Ab 的抗体-抗原界面专用几何深度学习评分模型。
按分子数量或浓度，在指定区域装配全原子或 Martini 粗粒化多分子体系。
基于蛋白语言模型（ESM-2、SaProt）和小分子语言模型（ChemBERTa、KPGT）的微调预测模块，支持分类和回归任务，可用于蛋白-小分子互作性质预测（如亲和力、催化效率）、蛋白性质预测以及小分子性质预测。模块提供特征融合、ML/MLP预测、Transformer全参数微调、LoRA参数高效微调及UniKP预测框架等多种建模方法。
预测抗原中潜在的B细胞表位，及寻找两个抗原之间潜在相似残基。
抗体人源化设计流程中分组模块，根据Mutation Score模块输出的回复突变评分表对回复突变进行分组
抗体人源化设计流程中分组模块，根据Mutation Score模块输出的回复突变评分表对回复突变进行分组
把一批小分子盲对接到同一蛋白上。DiffDock 在整个蛋白表面采样；SurfDock 先用 fpocket 选口袋再对接。每个分子保留一个最佳构象，并合并到同一份 PDB。
对不同文件中的序列进行组装，输出满足Boltz2批量预测模式需要的序列格式。
用于小分子化学库的分子批量重命名。用户可以使用前缀和定义的长度来规范分子名称。
BoltzGen是一个全原子生成模型，能够从头生成结合各种生物分子靶标的抗体、蛋白、肽类等生物分子，也可以基于已有分子进行局部生成式优化。是经过较多湿实验验证的新一代从头生成模型，是目前WeMol平台上用于抗体（包括VHH）从头生成的首选。注意：本模块生成采样数固定为1000，如果准备进行湿实验验证，推荐使用“Binder Design (BoltzGen) HTS”模块进行更大量的生成，可以提高成功率。
Binder Design (BoltzGen) HTS 是基于BoltzGen的高通量筛选模式，默认采样10000条，从中筛选出靠前的Hits
基于PXDesign，通过扩散生成、幻觉优化及多模型联合过滤，实现蛋白质Binder的从头设计。
设计与蛋白靶点或小分子相互作用的Binder蛋白。模块基于Proteina-Complexa模型框架实现，该框架采用“生成-过滤-评估-分析”的模块化流程，可在统一配置体系下切换不同目标类型与推理策略，并通过多类结构指标对设计结果进行打分与筛选。
对多个Binder设计模型的设计结果，进行汇总、去重，统一输出序列与结构。
基于 ProteinMPNN 的 pH 敏感结合物序列生成工具
基于 pH_score、ddG_elec、氢键能量以及 HIS-带电残基配对分析，对输入的 target-binder 复合物结构进行多维度评估。
用于批量计算蛋白质、核酸或小分子复合物结构的结合自由能，即 dG。该工具支持单个 PDB、多 MODEL PDB 以及压缩包输入，可对多个结构进行批量计算。
基于动力学建模的生物制剂长期稳定性预测
基于BsAb双抗序列编辑器输出的序列格式，进行双抗结构预测，当前支持含IgG的对称性双抗结构预测。
将mmCIF文件转换成PDB文件。
Elevation 用于预测 CRISPR-Cas9 在候选脱靶位点的切割活性，并评估单条向导 RNA 的总体脱靶风险。
该模块用于查找CRISPR基因编辑过程中可能出现的脱靶位点，帮助评估靶点的准确性和潜在风险，为基因编辑方案设计提供参考。默认查询hg38参考基因组。
批量合并多个CSV文件，并输出合并后的CSV文件。
Catalytic Optimum Predictor (CatOpt） 是一个基于深度学习的酶催化剂特性预测工具，用于从蛋白质序列预测酶的最适 pH 、最适温度和热变性温度。
根据蛋白质氨基酸序列计算基础理化指标，包括序列长度、等电点、分子量、疏水性、消光系数、净电荷、分子式和氨基酸组成。
对小分子库进行相似度及子结构搜索
根据抗体 FASTA 序列或 PDB 结构，按化学断裂规则筛查肽键，并给出 0 到 5 分的核查优先级。
预测八种常用蛋白酶的蛋白型裂解位点，包括胰蛋白酶（trypsin），精氨酸C端肽段（ArgC），粒胰蛋白酶（chymotrypsin），谷氨酸C端蛋白酶（GluC），赖氨酸C端肽段（LysC），天冬氨酸N端肽段（AspN），赖氨酸N端肽段（LysN），L-精氨酸胺基肽酶（LysargiNase）。
预测蛋白质序列中潜在的蛋白酶或化学试剂切割位点。模块基于PeptideCutter工具对应的文献资料复现。
Codon Optimization可用于密码子优化（基于PCR的基因合成的自动寡核苷酸设计）。整个基因组序列的可用性极大地增加了蛋白质靶标的数量，其中许多需要在原始DNA来源以外的细胞中过度表达。合成基因可以针对表达进行优化，并构建为易于突变操作而无需考虑亲本基因组。然而，合成基因的设计和构建，尤其是那些编码大蛋白质的基因，可能是一个缓慢、困难和令人困惑的过程。该模块通过基于PCR的方法自动设计用于基因合成的寡核苷酸。
分析蛋白质表面的静电区域（正电、负电区域）的大小和分布
基于 OpenMM/openmm-cph 的显式溶剂离散质子化恒定 pH 分子动力学模拟。
基于环肽设计算法AfCycDesign实现基于环肽模板分子结构的骨架进行环肽设计，也可以全新环肽设计。
基于 WeADApt v4.3 + ProteinMPNN 的蛋白质免疫原性优化工具，通过计算序列搜索（基于MCTS算法）优化蛋白质中的 MHCII 表位，从而降低蛋白质的免疫原性。
计算分子描述符和分子指纹。描述符可以概括分子的组成、理化性质、拓扑结构和三维形状。本模块适合进行分子性质比较、化合物筛选、相似性分析，以及为 QSAR 或机器学习中准备分子特征。
基于RDKit计算小分子的2D和3D描述符
通过DNA序列比对分析序列中对应的突变信息
计算蛋白质中潜在的二硫键位置
基于多种2D指纹以及使用最大最小距离（MaxMin）或分层聚类方法（Hierarchical Clustering）选择分子子集。
评估预测的蛋白-蛋白复合物结构质量的工具和指标
基于规范SMILES字符串识别和删除重复分子，或者仅统计重复分子数量。
基于 Meta ESMFold 微调的蛋白质动态接触图预测,从氨基酸序列直接预测残基间的动态接触概率，为蛋白质柔性分析、接触网络分析和变构位点研究提供快速参考。
基于APBS方法计算生物大分子结构的静电势能，并绘制表面图。
为了可视化显示表面图，请从结构编辑器WeView中执行该功能：Weview->Analysis->Electrostatics。
枚举小分子立体异构体的工具，支持顺反异构体和对映异构体两种形式的枚举。
基于UniKP框架预测酶的动力学参数Kcat和Km
EpHod 是一个基于机器学习的酶最适 pH（pHopt）预测工具，旨在从氨基酸序列直接预测酶的最适工作 pH 值。
用于预测酶-底物反应活性的机器学习工具，旨在为实验筛选提供优先级排序。
用于评估核酸序列的其表达量和半衰期、抗体滴度等。支持人、小鼠、大鼠、猪等种属。
转换包含序列信息的EXCEL或CSV格式文件为序列Fasta格式文件。
基于蛋白序列与处方工艺的生物药辅料推荐。
从抗体全长序列中提取Fv区序列的工具。
从输入 PDB 文件中自动提取抗体 Fv 区域及邻近分子片段，生成包含 Fv 与伙伴链的截断 PDB 和 Fv 序列文件，并进行界面（interface）和氢键（hydrogen bond）相互作用计算。
从蛋白的PDB文件中将序列提取出来保存为FASTA文件。常规氨基酸序列用单字母表示，其他类型都标注为X。
FASTA文件是一个用于指定fasta文件的模块，可用于其他模块的输入。会对FASTA文件的有效性进行判断。
File是用于指定输入文件的模块，可用于多个模块的统一输入。
基于 ANARCI 的抗体序列快速分类工具，将输入 FASTA 文件中的序列自动划分为可编号、不可编号和异常序列三类，并分别输出到独立的 FASTA 文件中。
分子文件格式转换工具。支持的输入文件格式为：SD（.sdf、.sd）、SMILES（.smi、.csv、.tsv、.txt）、PDB（.pdb）、mol2。支持的输出文件格式为：SD（.sdf、.sd）、SMILES（.smi）、PDB（.pdb）。
基于PLUMED元动力学模拟后的自由能计算。
根据小分子pdb文件生成分子动力学模拟（GROMACS）所需的MOL2，GRO以及ITP文件。
是利用已经准备好的体系拓扑文件以及参数文件进行基于GROMACS的分子动力学模拟。
根据所选体系（膜，受体，配体）自动生成分子动力学模拟过程中所需的MDP文件，此文件是Gromacs分子动力学模拟需要用到输入文件，里面包含各种参数。若需要设置更细节的参数，请前往Minimize MDP Generation，NPT MDP Generation，MD MDP Generation模块。
基于模板自动生成 GROMACS MDP 文件的工具，根据系统组分和模拟类型选择对应模板，并通过参数化配置生成能量最小化（MINI）、NVT/NPT 平衡、分子动力学（MD）、拉伸分子动力学（SMD）和退火 MD （Anneal_MD）所需的 MDP 文件。
根据Amber或者Charmm生成膜结构的GRO，ITP以及TOP文件。
生成Metadynamics模拟的输入文件
GROMACS 膜、受体（蛋白和核酸）、配体（小分子）、溶剂参数化工具，为膜/蛋白/核酸/小分子生成分子动力学模拟所需的拓扑文件、结构文件与参数文件（含位置限制文件）。
根据Gromacs生成受体（包括蛋白或者核酸）的GRO，ITP以及TOP文件。
统一的 GROMACS 体系溶剂化与离子化工具。根据输入自动判定工作模式，完成结构拼接、拓扑合并、建盒子、加水、加离子与索引生成，输出可直接用于分子动力学模拟的体系文件。
GROMACS 轨迹分析：结构、RMSD/RMSF、氢键及多项分析。
基于分子动力学模拟数据，采用 Einstein–Helfand（EH）和 Green–Kubo（GK）方法计算体系在 XY、XZ、YZ 三个剪切方向上的黏度。
基于DAVID的基因功能富集分析
抗体人源化设计中基于Grafting以及Back Mutation Grouping的结果批量生成人源化后的序列。
将DNA序列转换为可视化图像，通过将DNA碱基序列映射到数值并按照核小体(nucleosome)排列模式组织成图像，最终生成彩色图像以直观展示DNA序列的结构特征。
输出抗体各位置的germline的氨基酸频率分布，可按指定的germline基因家族分别输出（通常关注与目标序列同家族germline基因的频率分布情况）。建议通过WeSeq序列编辑器来使用该功能，具体为WeSeq -> Frequency -> Frequency/Likelihood Analysis -> Caculate -> Germline。
基于IgBlastp通过序列比对从IMGT reference sequences数据库中搜索与目标抗体序列最接近的同源模板，输出对应的模板序列以及序列一致性等信息。数据库中默认检索的序列类型为：IMGT V genes(F+ORF+in-frame P)。
Grafting模块是移植抗体的CDR到特定的框架区模板上，通常用于人源化设计。版本：v2.5
Grafting模块是移植抗体的CDR到特定的框架区模板上，通常用于人源化设计。
Grafting模块是移植抗体的CDR到特定的框架区模板上，通常用于人源化设计。
根据蛋白与探针体系的分子动力学轨迹，计算探针占据率和格点自由能，识别相互作用热点及潜在结合位点，并提供位点自由能、亲和力估算、相关残基及体积。指定已知蛋白–蛋白相互作用（PPI）界面后，可评估位点对界面的覆盖情况。
蛋白质三维结构的同源性或比较建模。用户提供一个待建模的序列与已知相关结构的比对。通过满足空间约束条件进行比较蛋白质结构建模，以及许多其他任务，包括蛋白质结构中循环的全新建模、针对灵活定义的目标函数优化各种蛋白质结构模型、蛋白质序列和/或结构的多重比对、聚类、搜索序列数据库、比较蛋白质结构等。
生成同源性进化树
人类抗体数据库Blast模块，该数据库目前包含来自超过75项不同研究的超过10亿个序列，涵盖了来自人类的多种免疫状态和个体。提交抗体序列，将返回同源性最高的人源同源抗体序列，可用于高级抗体人源化设计、亲和力成熟、去免疫原性、抗体工程等。建议通过WeSeq序列编辑器来使用该功能，具体为WeSeq -> Blast -> Human Antibody BLAST。
基于输入的九肽, 在人源片段库(Germline, TCR, NextProt, OAS)中搜索最相似的9肽。建议通过WeSeq序列编辑器来使用该功能，具体为WeSeq -> Blast -> Human Fragment BLAST。
通过序列比对在人类生殖系数据库中搜索与目标抗体序列接近的同源模板，输出对应的模板序列以及序列一致性信息。建议通过WeSeq序列编辑器来使用该功能，具体为WeSeq -> Blast -> Human Germline BLAST。
基于BioPhi中OASis模块的抗体序列人源化程度评估
基于BioPhi的抗体序列人源化设计
抗体人源化设计报告生成模块，用于生成最终的抗体人源化设计报告以及相应的专利实施例段落。
抗体人源化设计报告生成模块，用于生成最终的抗体人源化设计报告以及相应的专利实施例段落。
对抗体全长序列进行建模，用于构建抗体IgG完整的三维结构，支持单特异性和双特异性抗体。
自动识别全长序列中的可变区（Fv）序列并通过SOTA的方法（目前为ESMFold）进行建模，IgG的其余部分包括Fc和linker以已知全长抗体的晶体结构为模板通过空间约束条件进行同源模建，效果比直接用AF2等方法预测完整IgG结构更优。
基于ImmuneBuilder深度学习模型，预测抗体（ABodyBuilder2）、纳米抗体（NanoBodyBuilder2）和T细胞受体（TCRBuilder2）的结构。精度高且比AF2快得多。
AlphaMHC算法采用流行的NLP自然语言处理技术，全新的多模融合深度神经网络架构，整合了近10亿条公开及私有的与免疫原性相关的湿实验数据（包括亲和力数据、NGS数据、质谱数据等）进行训练，成功实现了从序列到临床免疫原性风险的端到端的预测，并通过上百条来自FDA、EMA的临床真实免疫原性数据（包括单/多特异性抗体和重组蛋白等）进行验证，AlphaMHC能够准确区分免疫原性的高低，ROC-AUC达0.87，准确性超过80%（部分测试集高达91%），表现出比现有方法显著更优的预测性能，是已知唯一一个可以得到高质量临床数据验证的算法。
注：推荐在WeSeq序列编辑器中调用此功能（Immunogenicity按钮），可以在序列中直观看到T细胞表位的位置。
AlphaMHC算法采用流行的NLP自然语言处理技术，全新的多模融合深度神经网络架构，整合了近10亿条与免疫原性相关的湿实验数据（包括亲和力数据、NGS数据、质谱数据等）进行训练，实现了从序列到临床免疫原性风险的端到端的预测，并通过上百条来自FDA、EMA的临床真实免疫原性数据（包括单/多特异性抗体和重组蛋白等）进行验证。
该版本使用抗体为主的临床ADA数据进行测试精度达到90%，AUROC达0.91，性能优于v2.0版本。注：该版本非最新版本，推荐使用更新版本。
唯信开发的基于多模融合深度学习的端到端免疫原性预测系统WeADApt（原名：AlphaMHC）v4.1。注：该版本不是最新版本，不是默认推荐的。
唯信开发的基于多模融合深度学习的端到端免疫原性预测系统 WeADApt（原名：AlphaMHC）。采用流行的 NLP 自然语言处理技术，全新的多模融合深度神经网络架构，整合了近10亿条与免疫原性相关的湿实验数据（包括亲和力数据、呈递数据、NGS数据、质谱数据等）进行训练，实现了从序列到临床免疫原性风险的端到端的预测，并通过了数百条来自 FDA、EMA 的临床真实免疫原性数据（包括单/多特异性抗体和重组蛋白等）的验证测试。建议通过 WeView 序列编辑模式来使用该功能，具体为 WeView -> Immunogenicity -> WeADApt。注：该版本非最新版本，推荐使用更新版本。
唯信开发的基于多模融合深度学习的端到端免疫原性预测系统 WeADApt（原名：AlphaMHC）的最新版本。采用流行的 NLP 自然语言处理技术，全新的多模融合深度神经网络架构，整合了近10亿条与免疫原性相关的湿实验数据（包括亲和力数据、呈递数据、NGS数据、质谱数据等）进行训练，实现了从序列到临床免疫原性风险的端到端的预测，并通过了数百条来自 FDA、EMA 的临床真实免疫原性数据（包括单/多特异性抗体和重组蛋白等）的验证测试。
v4.3 为最新主力版本，相比 v4.2 进一步提升了预测的特异性，且对不同风险水平的表位的区分度更高，更易于进行去免疫原性改造。建议通过 WeView 序列编辑模式来使用该功能，具体为 WeView -> Immunogenicity -> WeADApt v4。
对Immunogenicity Prediction (AlphaMHC v2.0)、 Immunogenicity Prediction (AlphaMHC v3.0 beta)和 Immunogenicity Prediction (WeADApt v4.1.0)、Immunogenicity Prediction (WeADApt v4.2)、Immunogenicity Prediction (WeADApt v4.3) 免疫原性评估模块的结果进行汇总，生成分子和表位级别的整合报告。该模块为流程编排组件，需配合上游免疫原性预测模块使用。
将结构A中指定链的C端与结构B中指定链的N端进行拼接，形成新的结构。
分子预处理工具，主要作用是对输入分子进行标准化和扩展，生成适合后续对接、虚拟筛选或机器学习的分子结构。
预测小分子与蛋白的亲和力（用pIC50表示）。
利用准备好的体系拓扑文件以及参数文件进行基于GROMACS 2024 的分子动力学模拟。
基于 GROMACS 的分子动力学模拟自动化脚本，覆盖能量最小化、NVT/NPT 温压平衡、成品模拟全流程，并集成 PLUMED Metadynamics 增强采样与距离/角度/二面角限制性模拟支持。
基于 OpenMM 的固定质子化态分子动力学模拟，可按静态 pH 规则或 CpHMD 占优态运行。
分子动力学轨迹进行归簇分析
对动力学轨迹进行归簇分析
蛋白质二级结构残基数目计算。
能够计算出动力学轨迹体系的总偶极矩以及其波动情况。通过这些数据，可以计算出例如低介电常数介质的介电常数。对于具有净电荷的分子，其净电荷会在分子质心处进行扣除。
分子动力学轨迹的距离分析模块，输出分子动力学过程中两个组之间距离 (质心距离或几何中心距离) 随时间的变化。
分子动力学轨迹的距离分析模块，输出分子动力学过程中两个组之间距离 (质心距离或几何中心距离) 随时间的变化。
回旋半径分析，可用来衡量体系模拟时的质权平均半径
回旋半径分析，可用来衡量体系模拟时的质权平均半径
分子动力学氢键分析
分子动力学氢键分析
生成平衡模拟（MD）的MDP文件，此文件是Gromacs分子动力学模拟需要用到输入文件，里面包含各种参数。
从高维数据中分析出主要的影响因素 (本征向量) ，前几个本征向量（主成分，如前两个主成份则为 PC1，PC2) 一般可以描述分子运动的大部分信息。
从高维数据中分析出主要的影响因素 (本征向量) ，前几个本征向量（主成分，如前两个主成份则为 PC1，PC2) 一般可以描述分子运动的大部分信息。
在分子动力学模拟前处理PDB结构，结合PDBFixer工具对输入PDB文件中的蛋白结果进行修复，再分离出PDB文件中的蛋白结构、小分子结构以及核酸结构。
在分子动力学模拟前处理PDB结构，结合PDBFixer工具对输入PDB文件中的蛋白结果进行修复，再分离出PDB文件中的蛋白结构、小分子结构以及核酸结构。
计算平衡模拟轨迹的均方根偏差（RMSD）和均方根波动（RMSF），从而分析结构的稳定性和结构变化情况。
计算平衡模拟轨迹的均方根偏差（RMSD）和均方根波动（RMSF），从而分析结构的稳定性和结构变化情况。
计算指定组别的溶剂可及表面积
计算指定组别的溶剂可及表面积
对输入的受体配体文件加入水盒子和离子。
对MD体系加入水盒子和离子。v2新增自主添加金属离子环境功能。
可根据起始帧数、结束帧数以及间隔帧数对平衡模拟进行轨迹提取，从而将其转换为GRO或者PDB轨迹文件。
可根据起始帧数、结束帧数以及间隔帧数对平衡模拟进行轨迹提取，从而将其转换为GRO或者PDB轨迹文件。
MHC-I型亲和力预测模型。模型训练是利用亲和力(BA)和质谱洗脱配体（MS eluted ligand）的数据，基于NNAlign框架增加了预测特定MHC分子结合肽段的亲和力值和肽段的长度。该方法提高了在肿瘤新抗原，验证的洗脱配体（ELs），T细胞免疫表位的预测准确性。
MMGBSA计算受体与配体之间的结合自由能，并且提供能量分解数据、结合常数（Ka）、抑制剂常数（Ki）。
MMPBSA计算受体与配体之间的结合自由能，并且提供能量分解数据、结合常数（Ka）、抑制剂常数（Ki）。
MMPBSA计算受体与配体之间的结合自由能，并且提供能量分解数据、结合常数（Ka）、抑制剂常数（Ki）。
对输入的膜，受体，配体文件加入水盒子和离子。
构建膜结构的PDB文件
预测小分子被CYP450代谢的代谢位点。模型对小分子的每个原子进行评估被代谢的可能性，并通过打分排序。
生成Gromacs分子动力学模拟需要用到体系能量优化（Minimization）的输入MDP文件。
合并AF3-like模型输出的结果。
MolCurator是一款面向医药专利的智能解析系统，专注于自动化提取文献中的化学结构与生物活性数据。<a href="https://wemol.wecomput.com/ui/#/authentication?appId=1&redirectUrl=https%3A%2F%2Fmolseekerai.com%2F%23%2Fsso%2Fwemol">Link</a>
基于大模型多智能体的 ADMET 预测，通过构建分布式智能协作系统，精准预测药物在体内的吸收（Absorption）、分布（Distribution）、代谢（Metabolism）、排泄（Excretion）及毒性（Toxicity）性质。
将分子结构转换为图片，并显示原子编号。
基于AutoDock的GPU加速的小分子对接工具。建议通过WeView三维结构可视化编辑器来使用该功能，具体为WeView-> Dock。
基于DiffDock的小分子对接工具
基于深度学习的分子对接工具，采用卷积神经网络（CNN）评分函数对配体-受体结合构象进行打分和排序。
基于SMINA的小分子对接工具
它是一种融合蛋白表面信息的扩散生成式蛋白–配体对接模型，其通过等变神经网络建模分子空间变换，在保证物理合理性的同时显著提高对接成功率，并在虚拟筛选中表现出色。
生成受体/配体/复合物取向位置的结构文件。
基于渐进（progressive）比对算法进行多重序列比对，绘制进化树与序列对比图。建议通过WeSeq序列编辑器来使用该功能，具体为WeSeq -> Align -> Tree。
基于MAFFT的多序列比对程序，支持蛋白和核酸序列的比对。建议通过WeSeq序列编辑器来使用该功能，具体为WeSeq -> Align -> MAFFT。
从完整链 FASTA 建模双抗、三抗及多特异抗体结构。
用于计算在蛋白质/核酸/小分子复合物结构中，由于突变而引起的结合自由能差（即突变能，ddG）。当不指定突变时可用于计算蛋白质/核酸/小分子复合物结构的结合自由能。
基于深度学习的框架，使用蛋白质复合物的深度几何表征来模拟突变对结合亲和力的影响，从而预测氨基酸突变对蛋白质-蛋白质亲和力的影响。
基于深度学习和多任务学习的预测突变对蛋白-蛋白亲和力影响。
基于自监督图神经网络预测突变对蛋白稳定性影响。
基于ThermoMPNN模型预测单点突变对稳定性变化
基于一个原始序列，从经过序列比对后得到的序列（例如BLAST得到的同源序列）中提取每个位点出现过的所有突变（同源突变/共识突变），生成一个突变列表，并按位点统计突变的频率。
Mutation Score是抗体人源化设计中核心模块，是一个基于结构的自动化评分模块。该模块基于抗体的结构信息以及CDR嫁接后的序列信息，对graft后的FR区的每个氨基酸在替换前后的变化程度进行量化评分。评分越高，说明CDR嫁接过程中氨基酸的替换对CDR区的构象可能影响较大，需要进行回复突变。模块输出每个氨基酸的打分值，用于抗体人源化设计流程中后续的分组和人源化抗体序列的生成。
Mutation Score是抗体人源化设计中核心模块，是一个基于结构的自动化评分模块。该模块基于抗体的结构信息以及CDR嫁接后的序列信息，对graft后的FR区的每个氨基酸在替换前后的变化程度进行量化评分。评分越高，说明CDR嫁接过程中氨基酸的替换对CDR区的构象可能影响较大，需要进行回复突变。模块输出每个氨基酸的打分值，用于抗体人源化设计流程中后续的分组和人源化抗体序列的生成。
生成等温等压（NPT）的MDP文件，此文件是Gromacs分子动力学模拟需要用到输入文件，里面包含各种参数。
基于靶点结构进行纳米抗体的从头设计。基于mBER设计流程实现，其在 ColabDesign 框架之上，基于靶点结构与纳米抗体模板FR序列，通过反向传播优化纳米抗体的CDR区序列，也可自定义纳米抗体序列的优化区域。
Llamanade基于NGS数据库和高分辨率结构，系统分析了Nbs的序列和结构特性，进而确定了可能有助于提高溶解度、结构稳定性和抗原结合的保守残基，以促进Nbs的人源化的理性设计，已成功应用于一批结构多样、强效的SARS-CoV-2中和Nbs人源化工作。对给定的Nbs进行全面人源化分析只需不到一分钟时间。
通过使用SMARTS模式进行子结构搜索，从输入文件中过滤Filter Pan-assay Interference molecules (PAINS) ，并将适当的分子写入输出文件或仅计算过滤分子的数量。
PDB文件是一个用于指定PDB文件的模块，可用于其他模块的输入。
用于去掉抗体PDB文件中的插入序列，因为某些计算工具不支持PDB中的插入序列。比如，20A改成20。
突变PDB格式的蛋白质结构并返回突变后的结构。一般建议通过WeView三维结构可视化编辑器来使用该功能。
针对蛋白残基重新编号，同时支持抗体kabat，imgt以及chothia的重编号。输入蛋白结构PDB文件，输出重新编号后的PDB文件。建议通过WeView三维结构可视化编辑器来使用该功能，具体为WeView-> Number -> Renumber UID。
基于界面接触特性与非相互作用表面特征预测蛋白-蛋白结合亲和力
基于PPI-Graphomer模型预测蛋白-蛋白结合亲和力
合并AF3-like模型打分结果与PPI模块打分结果，并汇总输出。
扫描抗体序列发现潜在的翻译后修饰（PTM）风险位点， PTM 位点是生物制剂开发的常见风险。
通常建议使用WeSeq中的PTM功能进行可视化的分析，本模块更常用于组装自动化流程。
基于结构预测蛋白中高风险的PTM位点，比基于序列的方式更精准。当前版本支持天冬氨酸（ASP）位点发生异构化的概率。
统一输入Binder设计时的主要控制参数，为流程中使用而设计，不能单独使用。
在多目标优化问题中，计算Pareto集，并进行排序。
Pareto 集：所有不被任何其他解支配的解的集合。
Pareto 支配（Pareto Dominance）：对于多目标优化问题，解 A 支配 解 B 当且仅当：
- A 在所有目标上都不比 B 差
- A 在至少一个目标上严格比 B 好
分析蛋白质表面的Patch（正电、负电、疏水残基富集区域）的大小和分布，用于解决蛋白质的聚集等问题。一般建议通过WeView三维结构可视化编辑器来使用该功能，可以在三维结构中直观地查看patch的位置。v2.1更新：支持设定PH值以及CDR编号，高亮CDR残基，输出CDR patch面积。
分析蛋白质表面的Patch（正电、负电、疏水残基富集区域）的大小和分布，用于解决蛋白质的聚集等问题。一般建议通过WeView三维结构可视化编辑器来使用该功能，可以在三维结构中直观地查看patch的位置。
针对抗体全长或者 CDR 区进行序列检索。建议通过 WeView 的序列编辑模式来使用该功能，具体为 WeView -> Blast -> Patent BLAST。数据更新于：Dec, 2024。
批量从专利文本文件中提取序列的工具。很多大分子专利会附带一个序列清单文件，里面存储了专利要求中的全部序列，但是人工很难高效读取，利用此模块可以一次性批量提取。其中Image(OCR)是基于图像的蛋白质序列转换为3个字母编码或1个字母编码的序列。
分析合成肽和蛋白质理化性质的综合工具。
PepCraft 用于面向蛋白受体热点区域设计候选结合多肽。用户提供受体序列、目标 hotspot、多肽长度和多肽类型后，流程会生成多肽候选，并使用 Boltz-2 对受体-多肽复合物进行结构预测与打分，最终输出按综合评分排序的设计结果。
PeptiVerse 是一个面向治疗性多肽研发的通用属性预测方法，主要用于线性肽、环肽及化学修饰肽的关键成药性属性评估。
进行多肽（含环肽）的从头生成、性质计算与分析、格式转换等，支持非天然氨基酸。模块基于p2smi工具包实现。
基于多肽序列生成多肽结构：输入多肽的氨基酸序列，生成线性多肽的二维或者三维结构文件，一般用于小肽结构的创建。
集成了AutoDock Vina与AutoDock CrankPep进行蛋白-多肽的分子对接，从而预测蛋白-多肽的构象、得到分子对接的能量以及结合亲和力。
基于几何特性和物理化学特性识别蛋白口袋。
基于导入的分子属性（例如从SDF文件导入）或在运行时对分子进行计算来选择分子的子集。支持的输入文件格式为：SD（.sdf，.sd）。支持的输出文件格式为：SD（.sdf，.sd）。
预测肽段（长度不超过10个氨基酸）被18种基质金属蛋白酶（MMPs）切割的效率及基于指定目标切割谱生成相应的多肽底物。
计算蛋白的耐酸性指数，并统计蛋白整体及表面暴露的酸碱性残基及其比例，给出酸性残基集中的区域（Patchs）。
从蛋白数据库搜索同源序列，数据库序列整合了GenPept、Swissprot、PIR、PDF、PDB、RefSeq等序列数据库。建议通过WeSeq序列编辑器来使用该功能，具体为WeSeq -> Blast -> Protein BLAST。
设计蛋白高亲和力Binder，可以是线性多肽或小蛋白。
融合酶活性位点知识的统一蛋白裂解位点预测模型，旨在同时预测酶的活性位点与蛋白/多肽底物的裂解位点。
对结构预测模型（如：Boltz2/Protenix/AF3等）预测的一组蛋白单体或复合物结构进行全面分析，包括：二级结构、溶剂可及性、疏水性、残基接触、结构置信度等等，对分析结果进行统一整理和对比展示。
用 RFD4-Proteina 同时生成序列和全原子结构。可做单体、结合子、酶支架、抗体接触残基、小分子、微调、逆折叠。
RFdiffusion可从头设计或填充蛋白质/多肽骨架，其RFpeptide模式可设计环肽。推荐通过WeView三维结构可视化编辑器来使用：WeView-> Design -> Protein Design (RFDiffusion)。
基于扩散的蛋白质结构生成模型，设计与蛋白、核酸或小分子结合的Binder蛋白。
蛋白-蛋白对接程序
蛋白质-蛋白质对接程序，支持蛋白质-蛋白质和蛋白质- DNA/RNA 对接。
Dyna-1 是一种蛋白质动力学预测模型，可基于蛋白质结构预测每个氨基酸残基发生微秒至毫秒（μs–ms）时间尺度构象运动的概率，从而识别具有潜在构象交换和动态变化的区域，辅助分析蛋白质功能、配体结合及酶催化相关的动态特征。
根据氨基酸序列生成蛋白质构象系综，并完成侧链重建与短程 MD 平衡。
蛋白进化分析，快速找到能够协同作用的多重突变组合，基于MULTI-evolve实现。
基于唯信计算自主研发的Protein FEP算法，实现了蛋白稳定性与蛋白复合物亲和力的相对结合自由能计算，能用于判断单点突变对蛋白稳定性、蛋白复合物结合亲和力的影响。
基于ABACUS-T模型的序列重设计或逆向折叠。基于ABACUS-T模型实现，该模型是一种多模态逆向折叠模型，以氨基酸序列空间去噪扩散执行逆折叠，整合原子侧链 / 配体相互作用、预训练蛋白语言模型、多骨架构象及 MSA 进化信息，实现更精确逆折叠，且无需固定预设残基即可生成功能活性序列。利用该模型重新设计的蛋白质展现出显著改良效果。
基于结构的蛋白质序列重设计（逆折叠）。Caliby 是基于 Potts 模型的结构条件序列设计方法，可针对单一骨架或结构构象集合进行序列采样；通过对多个可能构象进行联合约束，可降低对单一静态骨架的过拟合，并提升设计序列与目标结构的一致性。
Protein Inverse Folding (ProteinDPO)是一种基于蛋白质三维结构进行氨基酸序列设计的模型。模型以 ESM-IF1 逆折叠模型为基础，并利用 Direct Preference Optimization（DPO）方法结合实验蛋白质适应度（fitness）数据进行优化，使生成的蛋白质序列更倾向于具有较优实验性质。同时，模型会根据野生型蛋白质三维结构，计算突变序列在当前结构条件下的模型似然分数，并可进一步与野生型序列进行归一化比较。较高的 Score 表示模型在给定结构条件下更加偏好该突变序列，可作为评估突变稳定性及筛选候选突变的重要参考。
基于ProteinMPNN模型实现基于给定的蛋白骨架结构生成合理的序列。本模块也集成了基于ProteinMPNN使用抗体数据微调得到的AbMPNN模型，可更好地进行抗体设计。建议通过WeView三维结构可视化编辑器来使用该功能，具体为WeView-> Design -> Sequence Design (ProteinMPNN)。
使用多种不同的算法，基于序列计算分子的pI数值，并可以对多条链的结果进行合并计算。
基于唯信团队使用部分内部抗体实测pI数据的对比，Sillero算法的精度相对更高，推荐采用。
计算蛋白序列的理化性质，基本性质包括：分子质量、等电点、消光系数、不稳定系数、蛋白质的芳香值、总平均亲水性、二级结构占比，以及DeepSP计算的SCM（Spatial Charge Map，空间电荷图）和 SAP（Spatial Aggregation Propensity，空间聚集趋势）等。
预测每个蛋白残基的pKa并根据指定的pH值判断每个残基的质子化状态。
预测每个蛋白残基的pKa并根据指定的pH值判断每个残基的质子化状态，同时还可以计算基于结构的等电点pI值。
ProGen是一种语言模型，可以在大型蛋白质家族中生成具有功能的蛋白质序列，类似于在各种话题上生成语法和语义正确的自然语言句子。该模型使用来自>19,000个家族的2.8亿个蛋白质序列进行训练，并附加了控制标签以指定蛋白质属性。可以进一步对ProGen进行微调，以改善来自具有足够同源样本家族的蛋白质生成性能。
预测蛋白热力学稳定性，集成经微调的ESM3和SaProt模型。
AlphaFold2 是一个高度准确的蛋白质结构预测算法，在CASP14部分测试中的表现接近实验水平，主要适用于有一定同源序列的蛋白及复合物。 v2.3.2是截止于2023年10月的最新版本。推荐使用AF3 like模块（比如Boltz-1、Chai-1、HelixFold3和Protenix等）。
ESMFold是Meta公司开发的蛋白结构预测模型，使用大型语言模型从主序列直接推断结构，预测的速度比AlphaFold方法快60倍，同时能够保持分辨率和准确性。
基于RaptorX-Single的单链蛋白结构预测，当预测的蛋白序列有大量同源序列时，RaptorX-Single的预测结果也优于AlphaFold2。
在PDB100数据库中检索与输入蛋白复合物相似的结构。程序接收复合物结构文件，使用Foldseek-Multimer完成复合物结构比对，并将命中结构的复合物评分、链配对关系、链级比对指标和残基位置映射整理为 CSV 文件，便于进一步筛选和分析结构相似的蛋白复合物。
预测蛋白质热稳定性的深度学习工具，包括分类模型TemBERTureCLS和回归模型TemBERTureTm。
检索成对的蛋白-蛋白相互作用（PPI），基于STRING蛋白互作网络数据库，包含蛋白直接物理作用的互作关系以及间接作用的互作关系。
RF Optimization（RFO）结合梯度引导序列优化、结构预测与序列重设计，在已有蛋白复合物中迭代优化指定蛋白链，输出设计序列、复合物结构及逐轮评分。
使用动态编程算法预测单链RNA或DNA序列的二级结构，返回单一的最佳结构和最低自由能。
对同源建模后模型质量的评估，仅仅考虑蛋白的构象是否合理，并不涉及能量问题。
Replace Chain Name用于替换PDB文件中的链名。
基于ColabDock框架实现，ColabDock框架通过整合多种实验限制条件，显著提升了蛋白-蛋白对接预测的准确性。
.png)
小分子的逆反应合成路线预测算法，基于蒙特卡罗树搜索最终得到可被购买的小分子，树搜索策略采用神经网络方法对已知的反应库进行训练得到。
.png)
基于LocalRetro的小分子逆合成预测
SDF File用于指定SDF格式的小分子结构文件的模块，用于一个文件在多个模块的输入。
化合物库文件分割模块，可以将一个大的SDF文件分割为多个SDF文件，支持按文件个数或者分子数目分割，使得分割后的每个SD文件分子数目接近。
小分子化合物库的可视化模块，可以针对一个SDF文件生成一个结构和属性可视、可交互、可检索的HTML页面，方便浏览化合物的结构和属性信息。
从分子中去除盐或者简单地计算含盐分子的数量。
传统分子生成模型无法限制特定骨架，限制了分子生成在结构优化中的应用，该模块可以限制骨架，指定优化部位，特异性的生成全新分子库。
SeqKit模块是一款超快速、全面的FASTA/Q处理工具包，能够快速完成常见的FASTA/Q文件操作。
Sequence Clustering使用DBSCAN算法对多序列比对（MSA）后的结果进行聚类分析，将多序列分为多个cluster类别，并通过可视化模块UMAP进行序列的embedding，并获取二维可视化信息。
对蛋白、抗体序列进行聚类、可视化
基于ESMFold预训练蛋白语言模型的序列向量化特征信息（embeddings）的提取，可用于下游序列性质（如突变对应的亲和力变化、稳定性变化，抗体序列可开发性等）预测任务。
根据模板抗体序列和描述突变的突变文件 (json) 批量生成突变抗体序列，通常突变文件由 BLAST 和 MSA 自动生成。这对于高通量抗体工程设计很有用。
枚举蛋白质序列指定位置饱和突变的所有可能性，生成所有对应突变的文本文件和突变体序列文件。
Sequence Mutation是蛋白序列突变模块，用于针对特定位点批量生成突变序列。突变策略包括基于位置的突变，基于同源序列的突变，基于抗体CDR区的突变，以及基于抗体CDR区和同源性的突变。突变类型支持丙氨酸突变，组氨酸突变，以及饱和突变。
DNA序列转换成RNA序列和蛋白序列的工具。
根据蛋白质 FASTA 序列预测信号肽类型和切割位置。
智能分子生成：EvoMol支持全局结构优化与指定子结构的局部优化两种模式，能够在更短时间内批量产生多样性更高、结构新颖性更强的候选分子。
GenMol是基于diffusion model的开源AI框架，用于分子生成。它从大型化学数据库中学习，生成类药物分子。GenMol能够同时优化多种属性（类药物特性、合成可得性），并提供合成规划，大致确保分子可在实验室中合成。
基于REINVENT4的小分子生成。支持多种分子生成方式：Reinvent - 从头开始创造新分子，Libinvent - 修饰一个骨架，Linkinvent - 设计两个片段之间的linker，Mol2Mol - 在用户定义的相似度范围内优化分子。
基于受体的结合口袋生成小分子配体。
基于 MolPK 模型的药代动力学（PK）参数批量预测工具。利用预训练深度学习模型，从小分子结构（SMILES）及实验条件（物种、给药途径、剂量）预测 PK 参数
基于深度学习的分子生成模块，实现了多种主流的分子生成模型，包括字符级循环神经网络，变分自编码器，以及对抗自编码器。
基于序列的蛋白溶解度预测。
基于蛋白质结构，计算各个残基的溶剂暴露程度（溶液可及化表面积，solvent accessible surface area, SASA）。
将输入的抗体序列分割成轻、重链文件
合并稳定性流程（Pythia，ThermoMPNN，ESMIF）输出的结果。
基于序列的蛋白质三维结构叠合工具。使用BLOSUM62矩阵和Needleman-Wunsch算法在两个序列之间执行全局配对比对，返回叠合后的蛋白结构，同时输出RMSD值。
基于物理模型（分子力学经验力场）计算多个蛋白结构的能量，并与参考蛋白的结构能量进行比较。
基于分子指纹的小分子结构聚类模块，其采用的聚类方法有Butina或任何其他可用的分层聚类方法。
基于USalign的结构叠合工具
基于ESMIF模型实现，ESMIF逆折叠模型旨在根据蛋白质主链原子坐标预测蛋白序列，可用于亲和力成熟和稳定性优化。
用于在 GB 隐式溶剂下对蛋白质/核酸/小分子/复合物结构进行能量最小化，在指定突变的情况下也支持对突变体进行能量最小化（蛋白突变和核酸突变都支持）。
小分子结构能量最小化优化并得到优化后的3D结构。相较Structure Minimization默认模块，本模块对小分子优化精度更高、速度更快，适合批量计算包含小分子的结构。支持UFF和MMFF两种分子力场、支持SDG, ETDG, KDG, ETKDG四种构象采样方法，用于生成初始3D构象。
从蛋白结构文件得到蛋白的序列信息，然后对指定位点进行饱和突变或者丙氨酸突变，得到包含突变信息的突变文件和突变序列。用于后续其他模块进行结构突变。
基于MIT的Boltz-2算法的AF3 like结构预测模型，支持蛋白、核酸、小分子，金属离子等复合物。相比于Boltz-1x，Boltz-2新增亲和力预测。
ESMFold2生物分子结构预测模型，定义了速度和准确性的新前沿，基于底层蛋白语言模型 ESMC 的预训练表示构建。
基于Chai-1开发的针对分子胶复合物体系的结构预测模型。
Mol-1 是由 Molence Bio 基于 Protenix 开发的生物分子结构预测模型，用于预测生物分子及其复合物的三维结构并评估预测置信度。
OpenDDE（Open Drug Discovery Engine） 是一个开源的全原子生物分子基础模型，以多分子共折叠为核心，为结构预测、分子设计、亲和力预测和结构优化等药物发现任务提供统一的结构建模能力。
Protenix是字节跳动开发的类AlphaFold3（AF3-like）的结构预测模型，支持蛋白、核酸、小分子，金属离子等分子形式。
融合 Protenix、OpenDDE 与 ESMFold2 的成对表示，预测复合物结构。
蛋白结构处理模块，用于补全缺失原子和残基，以及蛋白氨基酸残基的质子化判断以及加氢操作。一般建议通过WeView三维结构可视化编辑器来使用该功能。
EZSpecificity 是用于酶-底物特异性预测的模型化工具，目标是为实验筛选提供优先级排序。
小分子子结构搜索
计算小分子化合物的合成可行性打分，反映了化合物是否容易合成。小分子合成难易程度用1到10区间数值进行评价，越靠近1表明越容易合成，越靠近10表明合成越困难。
基于中药名称提取中药化学成分
基于TCRmodel2实现，TCRmodel2在AlphaFold基础上对TCR-肽-MHC复合物建模做了优化，与原生AlphaFold和其他基于基准测试的TCR-肽-MHC复合物建模方法相比，其准确度相似或更高，可在30分钟内完成复合物结构预测。
基于二维相似度的小分子靶点预测模块，活性分子及靶点数据来源于ChEMBL数据库。
提取疾病相关靶点蛋白，基于OpenTarget数据库及其疾病-靶点相关性打分方法。
基于受体结构（目前支持单链）进行结合线性多肽设计。该模块算法基于AlphaFold2与Colabdesign实现。
基于自定义的蛋白结构模板，采用colabfold进行蛋白结构预测。
基于TAP方法，快速对抗体进行打分，评估抗体的成药性。基于抗体可变区的结构，计算CDR区域及其周围的表面疏水性程度、正电荷分布程度、负电荷分布程度、Fv区的重、轻链之间的净电荷失衡程度，也支持纳米抗体（即TNP）。
识别小分子结构中的毒效片段，从文献中收集了大量的毒效片段构成毒效片段库，利用子结构匹配方法，实现对化合物库中每个分子进行毒效片段匹配，并通过不同颜色区分。
基于TCGA和GTEx等数据，检索指定基因在肿瘤和正常组织的表达情况，统计并绘制肿瘤细胞、肿瘤组织、正常组织等的基因表达差异，帮助药物靶点选择、研发立项和决策。
绘制韦恩图(Venn diagram)工具
用于分析gRNA 参考基因组中的潜在脱靶情况。分析完成后，每条 gRNA 会得到不同错配数量下的匹配位点数，以及用于评估脱靶风险的特异性评分。
是一种新颖的深度生成模型，设计用于在 mRNA 序列中创建 N1-甲基假尿苷 （m1Ψ） 5'UTR。Smart5UTR 利用多任务自动编码器框架，利用从大型数据集中学习到的潜在特征，有效地生成 5'UTR 序列。Smart5UTR设计的mRNA的性能已通过体外和体内实验得到验证。这个强大的工具简化了m1Ψ-5'UTRs的设计，有助于开发更有效的mRNA疗法。
优化mRNA序列以获得更好的密码子偏好性和更稳定的二级结构，以优化其表达量和半衰期、抗体滴度等。支持人、小鼠、大鼠、猪等种属。
基于靶点基因序列，设计siRNA分子序列。
用 RNA 语言模型和双链三维结构预测 siRNA 敲低效力。design 从 mRNA 评估未修饰候选，modify 评估带化学修饰的双链。
