gaoxiangxu @gaoxiangxu

前言：TVM，即Topological Variation on Multiscale 用途：可用于广泛的优化和临界点发现，TVM要求在领域内要严格凹凸性 简化原理： #该算法即模型利用的算法的严格与推广版本，在N维欧空间中，算法与遗传算法和贪心算法类似，可用于不涉及梯度的优化，平替梯度下降/牛顿/拟牛顿法。经测试，N=2时，算法将测试值可以很好的收敛于全局最小值。N=3时，还没经过测试，理论上可

2025-6-12：完成drugprotai的部署和使用方法的总结，75.3上创建环境drugprotai供测试。 75.3好像不能从uniprot中获取信息 2025-6-14：原来能，是/Domain/extract中代码的问题，已经修正,然后能跑了第一个程序 2025-6-16: /Domain/topK 也有问题，这都是什么bullshit，topK运行不了一点，直接到特征提取的那一步/

从已有的Drugprotai出发，一步步往前推进，整体框架如下 图。 初步构思：

对等性信息：强约束对等与弱约束对等 信息对等：给定一个信息集M1，M2，如果存在一个（可逆）映射T，使得T(m1 )->m2，m1为M1子集，m2为M2子集。则称m1同m1对等。其中m1|size(mi)min对应的T称之为对m2的强约束对等，其他的为若约束对等。 拓扑变分可用于强约束对等：

CounterResearch:DrugProtAI,SPIDER(http://pmlabstack.pythonanywhere.com/SPIDER),DrugnomeAI (https://astrazeneca-cgr-publications.github.io/DrugnomeAI/) DrugProtAI：输入特征：1.Domain（size==20)--节点内信息对应实体 2.

位置：172.21.75.1/3：/home/gxxu/FIL4TG 环境：conda activate FIL4TG 结果未达预期，停止维护，作为后续开发的下游