支持多币种的 iPhone 记账快捷方式 简介 这是一个基于苹果生态系统的记账方案，核心是 “快捷指令” 配合 “Numbers 表格”。 由于该 Combo 完全依赖 iOS 原生系统，你拥有 100% 的数据掌控权——既不用担心软件公司“提桶跑路”，也不用操心隐私泄露。🔒 设置流程 Step 1：下载资源 请先获取 快捷指令脚本，然后下载配套的 Numbers 表格模板。 Step 2：配置快捷指令 在快捷指令 App 中打开刚才下载的“记账”脚本。你需要做两件事：首先，将脚本中的目标文件重新指向你在 Step 1 下载的 Numbers 模板；其次，根据个人习惯调整“币种”和“支付方式”列表（比如添加个支付宝或微信）。🛠️ Step 3：配置汇率 打开 Numbers 表格模板，设置你的基准货币（例如 🇸🇪瑞典克朗 SEK）。如需查询标准货币代码，可参考 雅虎财经。 ⚠️ 注意：如果表格报错，通常是因为系统不支持该“冷门”币种对的自动换算（比如 🇩🇰DKK 对 🇨🇳CNY）。遇到这种情况，手动输入汇率即可解决。 ✅ 设置成功，开始记账！🏅 参考资料 https://applefans.today/2025-02-ios-18-iphone-shortcuts-numbers-accounting/

主流 AI 工具客观评价总结（2025） ⚠️声明：该文章完全由AI生成，博主只负责总结和搬运，不对评价负责 1. 执行摘要 (Executive Summary) 当前的 AI 市场已通过“单一模型通吃”的阶段，进入了“垂直化与专业化”的时代。 全能型选手（ChatGPT, Gemini, Claude）依然是日常工作的核心，但在特定领域面临挑战。 专业化工具（Perplexity, NotebookLM）在搜索和研读领域建立了极高的护城河。 开源与区域化模型（DeepSeek, Qwen, Le Chat）通过高性价比、本地化合规及特定能力（如代码、长文本）异军突起。 核心结论： 最佳策略不再是寻找一个完美的 AI，而是构建一个组合工具栈 (Tool Stack)，根据任务类型（写作、编程、科研、娱乐）动态切换工具。 2. 核心梯队分析 (Key Insights) 第一梯队：全能通用型 (The Generalists) ChatGPT (OpenAI): 依然是市场的基准。其强项在于生态系统（GPTs, 插件）和多模态平衡（画图+代码+语音）。如果你只买一个会员，这依然是最安全的选择。 Gemini (Google): Google 深度用户的首选。拥有超大上下文窗口（可处理海量数据），且与 Workspace（文档、云盘）的整合无人能及。 Claude (Anthropic): 被公认为**“最具拟人感”**的 AI。在长文写作、代码编写和复杂逻辑分析上，其表现往往优于竞争对手，是追求内容质量者的首选。 第二梯队：研究与资讯型 (The Researchers) Perplexity: 重新定义了搜索引擎。通过实时引用和多模型切换，解决了 AI “胡说八道”的痛点，是学术调研和事实核查的神器。 NotebookLM: 学习与整理的革命性工具。它不依赖外部知识库，而是完全基于用户上传的资料进行回答（RAG），独特的“播客模式”通过音频转化了被动阅读体验。 Grok (xAI): 社交媒体的实时雷达。背靠 X (Twitter) 数据，使其在突发新闻和舆情分析上具有不可替代的时效性优势。 第三梯队：开源与特定领域 (Open Source & Specialized) DeepSeek: 极客与开发者的“性价比之王”。在数学与代码领域表现惊人，且推理透明，适合技术人员和预算有限的场景。 Qwen (通义千问): 中文环境下的霸主。在视觉理解和中文长文本处理上表现卓越，适合亚洲市场及多语言混合场景。 Le Chat (Mistral): 欧洲合规首选。主打GDPR隐私合规与极速响应，适合对数据安全敏感的欧洲企业及个人。 3.

乌普萨拉及周边地区的交通（2025更新版） 前言： 本文原先发布在乌普萨拉大学知乎平台。但由于Uppsala省交通收费系统改制故部分内容不再适用，故更新。因为资料复制黏贴的资源不尽相同，可能全文会存在中英瑞三语混用的情况，请谅解。感谢原作者Wadlo的贡献 转载随意，不可商用，营销号勿偷！ ——小恐龙 2025 DEC 地理分区和地方交通运营区区别 众所周知，美丽的乌普萨拉坐落在乌普萨拉大学校园之中。但是，“Uppsala"既可以是乌普萨拉省（Uppsala län）也可以是乌普萨拉省的乌普萨拉市（Uppsala Kommun）。乌普萨拉省除了乌普萨拉市还包括Enköping，Östhammar，Tierp等城市。斯德哥尔摩的行政区划也类似不过更加复杂，有兴趣的朋友可参考维基百科。 UL 即Uppsala Lokaltrafik，但是UL的势力范围除了上文提到的乌普萨拉省还包括了位于斯德哥尔摩省的阿兰达机场，耶夫勒堡省首府Gävle，Västmanland省的Sala等。 Take Home Message： UL等运营范围与乌普萨拉省的范围不完全相同。（图1） 图1. a) UL官网对于UL交通区域的描述，b) 地理意义上的乌普萨拉省，c）UL的运行范围 公共交通运营公司 我们可能用到的公交运营公司（不考虑打车）有： UL：Uppsala Lokaltrafik，即乌普萨拉本地交通 SL：和UL类似，是斯德哥尔摩本地交通 SJ（Sverige Järnväg，即瑞典铁路）在全瑞典运营铁路交通。可以类比于国内的铁路总公司。但铁路交通不只有SJ在运营 Mälartåg：俗称麻辣烫，也是运营铁路交通的公司 除此之外还有比较长途的： Flixbus：一家穷鬼快乐的城市间大巴运营商。可以作为前往机场交通的替代品，也可以作为过夜旅行的省钱之选。例如从斯德哥尔摩前往哥本哈根在大巴上睡一觉（假设真的睡得着）就到了 Vy：一家私营的铁路和大巴公司，在瑞典中北部有很多线路 Flygbussarna：俗称彩虹巴士，主营业务是机场之间的交通 这三种可以自行摸索 UL和Movingo车票种类 UL车票可以在App上购买，但是注册UL需要有欧盟的手机号。新来的同学可以上车刷卡购买。UL的售票系统根据不同的种类有： 75-minutersbiljett: 75分钟票，俗称单程票（Enkelbiljett）。单程票并不是只能坐一次，而是75分钟内均有效。例如，需要在中途某个地方转车，此时不需要再购买新的单程票，只要票还在75分钟有效期内就可以接着用。 75-minutersbiljett till/från Arlanda med buss：往来阿兰达机场的单程票。如果大家要乘坐公交车前往阿兰达机场，需要购买该类型的车票。如果乘坐轨道️交通则还需要缴纳Arlandapassageavgift tåg（阿兰达机场通行费），这一点见后文。 Periodbiljett：周期票，包括了24小时，72小时，7天，30天和90天票。其中90天票需要在UL App里面安装图2所示购买。持有Periodbiljett且乘坐公交车前往阿兰达机场毋需再额外交费。 图2. 90日票的购买 Movingo Movingo是各地区交通票打包出售的一种票，运营范围适用于整个Mälardalen地区，但如果购买可以只选择部分地区（比如只购买SL和UL地区）。持有Movingo可以乘坐SJ、Mälartåg、地区交通（例如UL和SL等）。适用于需要跨省通勤的朋友。详情可见图3。 图3. Movingo线路图 车票租借 持有长期车票的朋友可以在自己不使用的时候在微信群内将自己的车票出租给临时偶尔需要使用的同学。 SL 斯德哥尔摩车票租借 SL车票不可通过App租借。 自2025年12月开始SL车票也可以租借，可参考Att låna ut och att låna biljett，总结就是： 借出次数：整月月票最多可借出15次 借出时限：每次借出至凌晨04:30，每天只能借给一人 人数限制：每张月票最多可借给5个不同的人 操作方式：通过SL应用发送链接，接收者点击接受即可使用 重要禁令：严禁收费借出月票 （啊这。。。） 注意事项：借出前需完成自己的行程，双方都需安装最新版SL应用 Movingo 车票租借 Movingo可以租借，每24小时切换一次在 Mälardalstrafik 应用 购买的 Movingo 车票可在当天交通日借用。借来的车票每天 03：30 将归还给购票者。

阅读原文 化学空间可视化：为药物发现插上智能翅膀 🚀 引言：从数据迷雾到清晰导航 🗺️ 想象一下，如果把所有可能存在的药物分子比作天空中的星星✨，那么寻找有效药物就像是在浩瀚星空中寻找适合人类居住的行星！随着现代科技的飞速发展，我们已经能够存储和处理数百万个分子结构的信息，但面对如此庞大的数据集，人类的分析能力就像用肉眼观星一样显得力不从心😅。 这就是化学空间可视化技术闪亮登场的时刻！它就像给每个药物化学家配备了一台超级天文望远镜🔭，将复杂得令人头疼的高维化学数据转化为人眼能够理解的二维或三维图像，为药物化学家提供了一张清晰明了的"化学地图"。 化学空间：一个无限大的分子宇宙 🌌 化学空间到底有多大？这个问题的答案绝对会让你目瞪口呆！😱 化学空间是指在特定约束条件下所有可能分子的集合。仅仅在利平斯基五规则（判断分子能否成为口服药物的黄金标准）的约束下，化学空间中就可能包含1012到1060个不同的分子——这个数字比宇宙中所有原子的总和还要多！这简直就是一个真正的"分子宇宙"🪐。 已知最大的理论化学数据库GDB-17包含了1660亿个由不超过17个原子组成的小分子，而这仅仅是化学空间的冰山一角❄️。在现实世界中，我们处理的化学数据库规模同样令人印象深刻。Enamine REAL Space这个化学界的"巨无霸"包含约650亿个可合成化合物，是目前最大的公开可获得的合成化学空间。PubChem数据库收录了约1.19亿个已合成分子，就像一个超级化学图书馆📚，而专门收集生物活性数据的ChEMBL数据库也包含了240万个"有用"的化合物。 面对如此海量的数据，传统的"逐个分析分子结构"的方法就像试图用放大镜阅读整部大英百科全书一样不切实际😂。更有趣的是，化学空间的分布就像夜空中的星座一样极不均匀——它包含由"分子荒漠"分隔的"生物活性绿洲"🏝️。这种不均匀分布意味着并非所有的分子都是宝藏，只有一小部分能够成为真正拯救生命的药物💊。因此，如何在这个庞大的宇宙中找到那些珍贵的"治疗之星"，就成了药物发现面临的终极挑战！ 可视化技术：化繁为简的魔法 ✨ 化学空间可视化就像是一种神奇的魔法🪄，它的核心挑战在于如何将高维的分子信息"压缩"到人类大脑能够理解的二维或三维空间中，同时还要保持分子之间的相似性关系不被破坏。首先，我们用数百个数值特征（分子描述符）来给每个分子"画像"📊，就像给每个人建立详细的档案一样；然后，使用数学算法这个"魔法公式"将这些高维信息压缩到低维空间；最后，在二维或三维图中展示结果，让相似的分子像磁铁一样聚集在一起🧲。 降维算法就像不同类型的"魔法相机"📸，有的擅长拍摄全景（线性算法），有的能捕捉细节（非线性算法）。线性算法通常拍照速度快且结果容易理解，但在面对复杂的分子"表情"时可能会错过一些微妙的细节。非线性算法则像高端单反相机，能够捕捉更复杂的分子关系，但需要更多的"拍摄时间"。 经典方法：主成分分析（PCA）- 化学界的"傻瓜相机" 📷 如果说化学空间可视化有一个"国民相机"，那绝对是主成分分析（PCA）！这位老牌明星自20世纪初登场以来，在药物化学界一直享有很高的人气。PCA的工作原理就像是找到观察风景的最佳角度🏔️——它会自动寻找数据中变化最大的方向，确保拍出的"照片"信息量最大。 PCA最大的魅力在于它的"傻瓜"特性：完全不需要调参数，一键搞定！而且结果超级好理解，通过分析主成分，研究人员可以清楚地知道为什么某个分子会出现在图上的特定位置，就像GPS定位一样精准🎯。 不过，PCA也有它的"拍摄局限"——作为一个线性方法，它就像只会拍直线的相机，面对分子世界中那些曲折复杂的非线性关系时就显得有些力不从心了😔。尽管如此，PCA仍然是化学空间探索的得力助手，特别是在需要快速获得数据整体概览时。它就像化学家工具箱里的瑞士军刀🔧，虽然不是每项功能都最强，但胜在可靠实用！ 神经网络方法：自组织映射（SOM）- 智能拼图大师 🧩 自组织映射（SOM）简直就是化学世界的"智能拼图大师"！想象一下有一个超级聪明的AI助手，它能把成千上万的分子像拼图块一样整齐地排列在一个六边形的网格上，让相似的分子自动"吸引"到相邻位置——这就是SOM的神奇之处！🤖 SOM的工作过程就像看一群分子在玩"找朋友"的游戏，相似的分子会通过某种神秘的"化学引力"聚集在一起，最终形成一个井然有序的分子社区🏘️。这种方法最让人佩服的地方是它的"体力"——能够轻松处理超大规模的数据集。有研究团队甚至用SOM成功分析了包含超过1亿个分子的化学库，这简直就是数据处理界的"大力士"💪！ 在药物发现的实战中，SOM已经证明了自己的价值：从P糖蛋白抑制剂的火眼金睛识别，到多靶点配体的精准发现，再到超大化学库的结构分类——SOM就像一个多才多艺的全能选手🏆。不过，它也有一个小小的"强迫症"：每个分子必须被分配到固定的网格位置，这意味着那些只有细微差别的分子可能会被"一视同仁"，有点像把双胞胎当成同一个人😅。 现代热门：t-SNE技术 - 分子世界的"显微镜" 🔬 t-分布随机邻域嵌入（t-SNE）绝对是数据科学界的"网红"！自2008年问世以来，这个小家伙已经被引用超过49,000次，简直就是学术界的"顶流明星"⭐。t-SNE就像一台超高倍数的显微镜，专门设计来让我们看清数据世界中那些隐藏的精妙结构。 t-SNE的工作原理充满了数学的美感：它通过巧妙地平衡高维空间和低维空间中的概率分布，努力保持每个分子的"社交圈子"不变。在高维空间中是邻居的分子，在降维后的2D地图上仍然会是好邻居👫——这种"友谊保持"的能力让t-SNE在识别具有相似生物活性的分子群体方面表现得特别出色。 在药物发现的战场上，t-SNE就像一位经验丰富的侦探🕵️，已经帮助科学家们破解了许多分子谜题：从γ-分泌酶抑制剂的活性密码，到WEE1激酶抑制剂的结构优化秘籍，再到除草剂与药物之间的"化学身份证"对比。不过，t-SNE也有它的"职业病"——计算起来特别耗时耗力，面对那些动辄数亿分子的超大数据集时，它就像一台精密但缓慢的手工作坊，让人又爱又恨😤。 新一代方法：UMAP技术 - 速度与精度的完美融合 ⚡ 统一流形近似和投影（UMAP）可以说是2018年横空出世的"天才少年"！它就像t-SNE的升级版，不仅继承了前辈的所有优点，还修复了不少"bug"🐛。UMAP最让人惊喜的特质是它在保持数据全局结构方面的出色表现——就像拍照时既能拍清楚近景的细节，又能保持远景的完整构图📸。 UMAP最大的超能力是它对不同距离函数的灵活支持，这在化学信息学中简直就是神器级别的存在！因为分子世界中的相似性度量五花八门，有的基于指纹，有的基于图结构，UMAP就像一个"多语言翻译官"🗣️，能够理解和处理各种不同的"分子语言"。 在实战应用中，UMAP已经证明了自己的实力：帮助科学家发现了BTK和JAK3双重抑制剂这样的"一石二鸟"神奇分子🎯，在RNA靶向小分子的多样性分析中大显身手，还在药代动力学模型的适用性评估中发挥了重要作用。这种"既快又好"的特质让UMAP迅速成为了化学家们的新宠儿❤️。 专门化创新方法 - 为化学量身定制的专业工具 🛠️ 除了这些"通用型选手"，聪明的科学家们还开发了专门针对化学数据特点的"定制化武器"。树图（t-MAP）就像是专为超大化学数据集打造的"超级计算机"💻，它利用巧妙的树形结构和闪电般的哈希算法，能够在眨眼间处理数百万分子的可视化任务，而且结果还特别容易理解——简直就是"又快又好"的典型代表！ 另一个有趣的创新是Hilbert曲线辅助结构嵌入（HCASE），这个方法的思路特别巧妙：它先把高维空间"折叠"到一维的Hilbert曲线上，然后再"展开"到二维空间🎗️。最妙的是，它基于分子骨架进行分析，这正好符合药物化学家"骨架思维"的习惯——就像建筑师总是先考虑房屋的框架结构一样🏗️。 实用工具生态系统 - 化学家的"装备库" 🎒 随着化学空间可视化技术的蓬勃发展，现在的工具生态系统简直就像一个琳琅满目的"化学家超市"🛒！从免费的开源"良心软件"到功能强大的商业"旗舰产品"，从需要安装的桌面应用到随开随用的在线平台，真正做到了"总有一款适合你"！ 在免费开源软件的世界里，DataWarrior绝对是当之无愧的"人气王"👑。这个德国制造的优秀软件支持几乎所有主流的降维算法，而且专门为化学数据进行了优化，就像为化学家量身定制的专业工具一样贴心。另一个值得推荐的是ChemPlot，这个Python小助手能让你用几行代码就生成漂亮的化学地图，简直就是"懒人福音"和"新手神器"的完美结合🎁！ 在线平台方面更是精彩纷呈！ChemSpace Atlas就像一个巨大的"化学博物馆"🏛️，收藏了超过40,000个精美的化学地图，你只需打开浏览器就能开始一场说走就走的"化学空间之旅"。而FUn平台更是技术实力的完美展示——它曾经成功可视化了1700万个分子，这种"工业级"的处理能力让人叹为观止🎪！ 商业软件虽然需要花钱💳，但确实物有所值。比如StarDrop就像化学界的"豪华套餐"，不仅集成了各种可视化功能，还提供了完整的药物发现流程支持，对于那些预算充足的制药公司来说，简直就是"一站式解决方案"的完美体现🏢。 药物发现中的创新应用 - 从理论到实战的华丽转身 🎭 活性景观分析：药效"热力图"的奇妙世界 🌡️ 想象一下，如果能把分子的生物活性数据变成一幅色彩斑斓的"地形图"会是什么样？这就是活性景观分析的神奇之处！在这个奇妙的世界里，山峰🏔️代表高活性区域（药效强劲的"黄金地带"），而山谷🏞️则表示低活性区域（效果平平的"沉睡之地"）。 这种可视化方法最有价值的发现之一就是"活性悬崖"现象——想象一下，两个分子在结构上只有一丁点儿差别，但在活性上却有天壤之别，就像站在悬崖边上，一步之差就是云泥之别！😱 这些活性悬崖对药物优化具有重要的指导意义，它们就像是分子世界的"危险标识"⚠️，提醒化学家哪些地方不能随便"动手脚"。 通过这种方法，科学家们已经在组胺H1受体抗过敏药物的研究中找到了构效关系的"金钥匙"🗝️，在ChEMBL大规模数据中绘制出了生物活性的"全景图"🗺️，甚至还识别出了化学空间中的"毒性雷区"💣——这些成果都为更安全、更有效的药物设计提供了宝贵的指导！

利用人工智能加速药物研发——小分子及其他领域 - 总结提纲 前言： 本次在线讲座由BioSolveIT公司主办，邀请了瑞典阿斯利康的Eva Nittinger博士主讲。讲座主题为"利用人工智能加速药物研发——小分子及其他领域"。本文是笔者整理的讲座笔记，供中文研究者参考。 1. 药物发现过程概述 1.1 DMTA循环的核心地位 DMTA循环：设计(Design) → 制备(Make) → 测试(Test) → 分析(Analyze) 时间挑战：从化学起始点(hit)到候选药物(CD)需要3年以上 加速目标：如何通过计算方法加速这一过程 1.2 计算机辅助药物设计的复杂性 硅内靶点评估：3D结构预测、结合模式、模式选择 化学空间探索：命中识别、化学系列选择、知识产权分析 化合物谱优化：多参数(>100)优化、平衡相互关联和对立因素 2. 蛋白质折叠与结构预测 2.1 AlphaFold的成功应用案例 分子替换模板：X射线晶体学中的应用 功能预测：通过预测数据补充实验数据 结构动力学：探索AlphaFold是否能预测蛋白质动态变化 2.2 结构预测方法的局限性 优势领域： 单一结构解析 强蛋白质-蛋白质相互作用 不适用领域： 动态和结构运动 新型模式(如PROTACs) 2.3 深度学习方法比较 多种方法评估：AlphaFold2、RoseTTAFold、NeuralPlexer等 结合状态预测：开放态(apo)vs闭合态(holo)结构预测 偏差分析：NeuralPlexer和RoseTTAFold在配体信息获取方面的优势 3. 化学空间探索与利用 3.1 生成式建模 vs 虚拟筛选 传统虚拟筛选： 在大型数据库中搜索，寻找少量合适的命中化合物 类似"大海捞针"的过程 生成式模型： 以概率方式编码几乎无限的化学空间 更高效的化学空间探索 3.2 化合物相似性分析 近邻分析：化合物拥有多少个近邻？ 采样策略对比：默认、强化学习、多项式、集束搜索 性能评估：通过REINVENT等方法进行实际应用验证 3.3 化学空间的规模和多样性 数据来源：基于26个AZ内部项目的回顾性分析 给药途径：口服给药分析 关键参数：logD、溶解性、清除率的分析 4. 化合物优化与分子设计 4.1 分子构思与化合物优先级排序 挑战：如何过滤和选择？ 多种策略： X射线模型富集对接得分 分子动力学探索FEP预测亲和力 QSAR插值预测活性 4.

Advanced Molecular Modelling Applied to Drug Discovery(3FK181)，Uppsala University Exam Preparation Notes- 2023 Note 这是一个个人的备考复习笔记，适用于瑞典🇸🇪乌普萨拉大学的课程 Advanced Molecular Modelling Applied to Drug Discovery(3FK181)，Uppsala University.手写笔记由 Claude AI转换为Markdown格式， 仅供参考。 原始文档可点击这里下载 Chapter 1: Ligand-Protein Interaction Key Points: Describing the interaction of molecules Determining if a molecule is a good target or not Types of Interactions: Electrostatics: Follow Coulomb’s Law F = -q₁q₂/4πε₀r² (ε₀: electric constant, q₁, q₂: charges) π-π stacking: interactions between benzene rings π-cation interactions: e.