别追逐你的梦想，那是个骗局

这是令人绝望的，可能对有些人不会这么觉得，但我觉得可能很多人和我一样，登山者一开始的时候就是有期待的，他知道自己不会成为山的一部分，到了山顶就要寻找更高的山峰，最终找到一个没有巅峰的山，并且持续向上攀登。因为他喜欢登山的感觉，他的动力是不断进步。

　　所以这种情况下，不断向上攀登就很有趣，为什么要下山？一直往上走就很好。如果你们做游戏或者办公司，做创意或者产品的目的单纯是为了一个休闲放松的结果，比如在巴哈马的庄园品酒享受人生，如果这是你的目标，那你完全可以选择别的方式去做，而想得到持续的成就感，就需要你享受这个过程。那么，这款游戏是不是失败产品？我觉得这个问题的答案这取决于你做这个项目的目的、想要的结果是什么。我的目的就是做出一款产品，而且我的预期不是用它赚一大笔钱然后一切结束，我是想通过这款游戏积累一些东西，能帮助我在未来做别的事情。

　　当然，也不是为了做更多的游戏。很多人说，第一款游戏失败了，我的第二款游戏就会更好玩一些，这个话题我们稍后详细说。我觉得对于独立游戏开发者来说，一款游戏的研发完成之后，它应该能够让你下一次做项目的时候更快、更好、更强大，然后我会不断地尝试新项目，积累更多东西，最终希望能够大幅提高工作效率。
 

而成功的定义可能是一笔不菲的收入或者在某个活动拿到一座奖杯，就像这个 Youtube 的奖杯，你开通 Youtube 主播达到一定程度就可以拿到，很多人把它挂在客厅的后墙上，但我没有这么做，就像游戏业大奖一样，我做游戏的核心目标不是为了拿奖，而是为了能够得到回报。

　　可能有人会反驳，说做游戏不应该成为功利主义者，你应该追求做出游戏、追求创意，做出东西来就算是有了回报，但事情不是这样子的。
 

我叫 Thomas Brush，以做游戏研发为生，我做过很多的项目，其中很多都失败了，还有一些成功了。现在在做一个项目叫做 FullTimeGameDev.com，通过它，你可以学到如何研发游戏，感兴趣的读者可以去详细了解。

　　在很多行业，尤其是我所在的独立游戏领域，追逐你的梦想是个伪命题。很多人或许都听说过，追逐梦想可以获得大量的乐趣（这当然是假的）。还有很多人抱怨说，游戏业内的很多纪录片（尤其是独立游戏大电影）告诉我们，如果你足够努力工作就可以实现自己的梦想，生活就会变的很有趣。
 

其核心在于利用互相交叉的 2D 注意力机制，来更有效的捕捉远程的残基对相互作用。这种 2D 注意力机制的表现能力，比通常的深度卷积神经网络更强。

　　模板辅助自由建模（Template-basedFree Modeling, TBFM）方法，将自由建模（Free Modeling, FM）和模板建模（Template-based Modeling, TBM）生成的 3D 模型中的结构信息加以有效融合，从而提高最终 3D 建模的准确性。

　　其核心是，将 TBM 得到的 3D 模型中的残基对 2D 结构信息，以一种输入特征的方式，添加到预测 2D 结构特征的深度交叉注意力残差网络当中去，更好的帮助该网络进行 2D 结构特征的预测。

　　这样，即便在某些情况下 TBM 得到的 3D 模型精度不高，但其中的部分残基对结构信息（例如某些很保守的距离，或者取向）依然可以被有效的利用，从而更好的帮助 FM 进行精确的折叠。

　　值得一提的是，预测 SRD5A2 这个蛋白，tFold 只花费了 2 小时左右的时间。

　　X射线数据收集和结构测定

　　研究人员还在美国阿贡国家实验室收集到了 SRD5A2 蛋白质晶体的X射线衍射数据。并使用 HKL2000 软件对来自 5 个晶体的数据集进行了处理和合并。

　　为了确定晶体结构的相位，研究人员采用从头折叠结构模型作为分子置换的搜索模型，使得 SRD5A2 的结构精度达到了 2.8 埃。
 

想要破解 SRD5A2 的真面目，主要的技术难点在于，它具有独特的 7 次跨膜结构，与人类全部已知结构的蛋白质差异较大，难以通过常用的「模板建模」方法获得初始构型，来解析晶体数据。

　　于是，研究人员基于腾讯 AI Lab 开发的 tFold 工具，采用了从头折叠（de novo folding）的方法。该方法可以不依赖于模板来预测蛋白质结构。

　　具体而言，参照蛋白质结构预测算法 trRosetta，首先，根据序列比对文件来预测氨基酸之间的距离和朝向分布，并将其转化为势能。

　　然后，用这一结果作为约束条件，与粗粒度的能量优化一起输入蛋白质建模工具 Rosetta。

　　最后，根据 Rosetta 能量，选择满足约束条件的最佳结构。

（编辑：唐山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!