熱門Ptt文章

[爆卦]平均原子量計算是什麼？優點缺點精華區懶人包

雖然這篇平均原子量計算鄉民發文沒有被收入到精華區：在平均原子量計算這個話題中，我們另外找到其它相關的精選爆讚文章

在 平均原子量計算產品中有31篇Facebook貼文，粉絲數超過0的網紅，也在其Facebook貼文中提到， 【新文章】一天真的剛好24小時嗎？ 上一篇文章《為什麼一天有24小時？》引起了幾位讀者朋友對1秒的現代科學定義的討論，我覺得是非常好的現象，說明很多朋友都覺得科學是有趣的，會在讀完文章後繼續思考，而不是把我說的照單全收。其中余承翰和Milka Wong分別對埃及的講解和中國的情況作出補充，非常感謝...

　同時也有3部Youtube影片，追蹤數超過19萬的網紅超わかる！授業動画，也在其Youtube影片中提到，原子量のポイントは！ ・同じ元素でも、質量数が違うものがある。 ・そこで原子量という、相対質量の平均値をとった値を元素の代表値としてあげる！ 原子量はこれからの化学で使っていくから考え方（平均を取る）を取り入れていこう！ 📚前回の動画との関連性📚 「原子量」は相対質量の考え方がベースになっていま...

「平均原子量計算」的推薦目錄

平均原子量計算 在 Lori Tsang Instagram 的精選貼文

2020-05-12 18:15:15

. DSE 中史溫習計劃－DAY TEN 一無所懼 第十天：翻天覆地：社會主義改造 ＊第九天差役－建議大綱： 1．抗戰勝利，先有國共合作，繼而戰略運用得宜，後有國際援助，才可勝利。試分析此說。（25分） －國共合作： 西安事變後，簽了《共赴國難宣言》，蔣中正放棄了「攘外必先安內」、 共放棄了「蘇維...

  • 平均原子量計算 在 Facebook 的最佳貼文

    2021-02-16 01:53:31
    有 284 人按讚

    【新文章】一天真的剛好24小時嗎？

    上一篇文章《為什麼一天有24小時？》引起了幾位讀者朋友對1秒的現代科學定義的討論，我覺得是非常好的現象，說明很多朋友都覺得科學是有趣的，會在讀完文章後繼續思考，而不是把我說的照單全收。其中余承翰和Milka Wong分別對埃及的講解和中國的情況作出補充，非常感謝。朋友Lezhi Lo更不吝分享了他製作的精美圖解，解釋了使用銫-133作為現代計時基準的物理學上的考慮。非常感謝Lezhi的補充，他的圖解比我的文章更直觀也更易明白。

    不過除了物理學上的原因，還有最後一個非常重要的理由，就是銫-133的基態超精細結構躍遷頻率剛剛好等於以往天文學上測量到的曆書秒（ephemeris second），或即現代的原子時，即以天文考量而把一天切割成 24 x 60 x 60 = 86,400 等份。這個做法對日常生活影響最小，因此亦最能為社會所接受。

    有見及此，我希望把這討論延伸，講講天文學上關於一天的長度的幾種不同定義。

    試想像我們是活在古代的天文學家，我們可以如何定義一天的長度呢？最簡單的做法，就是每天晚上觀察天上的星星東升西落，然後計算在下一個晚上需要多少時間才能看見一模一樣的星空。這樣做的好處是換日期的時間在午夜，不會對日間活動的人類造成混淆。這樣定義的一天叫做恆星日或回歸日（sidereal day）。

    然而，我們會發現一個問題：雖然星空和太陽一樣，每日都會東升西落一次，但星空的運轉速率比太陽快一點點，只需要23小時56分鐘4秒就完成一圈，而太陽卻需要24小時。這是因為地球在自轉的同時亦在環繞太陽公轉，因此如上圖所示地球需要比星空轉一圈再轉多一點點才能再次對準太陽。這樣就有麻煩了，半年後，午夜零時豈不是會發生在正午？

    因此，我們就想出了另外一個方法定義一天的長度：太陽每天正午時分都必定位於南北指向的子午線之上（「子午」就是這個意思），因此只需要把連續兩個正午之間的時間間隔定義為一天就好了！這樣做的話能確保正午都發生在太陽穿越子午線的一刻，不會導致日夜顛倒。這樣定義的方法叫做太陽日（solar day），長度當然是剛剛好24小時，因為這根本就是定義24小時的方法啊。

    然而，我們還有一個問題。如果地球環繞太陽的軌道是正圓形的話還可以，但是地球軌道其實是橢圓形的。這就出現了另一個問題：地球公轉的速率每天都不一樣，使得每個太陽日的長度都不一樣！如果硬要以太陽日為定義24小時的方法，難道1秒的長度要變得每天都不一樣嗎？

    最後，我們想到了一個方法，就是把一天的長度與每天的實際太陽日長度脫鈎，轉移使用一年下來的每一天太陽日的平均長度：這叫做平太陽日（mean solar day）。我們更進一步直接定義一個平太陽日為86,400秒，再把換天的時刻定為日落後、日出前這段夜晚時間的正中間，這就解決了大部分日常生活所需的問題了。亦因為這樣的定義，正午都不會是發生在剛剛好12時正的，有時會比12時早、有時比12時遲。

    然而，跟據現代科學使用銫-133定義出來的1秒，長度其實並不剛剛等於用平太陽日切割出來的1秒。這是因為潮汐作用使地球轉得越來越慢。現在一個平太陽日太約等於86,400.002個銫-133定出來的秒。所以我們可能會以為，一年下來會累積365 x 0.002 = 0.73秒，即差不多一秒！這樣的話豈非每隔年就必須加入潤秒嗎？可是我們知道加入潤秒其實並不常見，加入的時間亦絕非週期性。為什麼呢？

    這是因為地球並非只有自轉、公轉、潮汐作用等會影響太陽日的長度。地殼活動、季候風、洋流等等都會影響地球的轉速，而且還未考慮歲差——自轉軸因太陽和其他行星重力造成的進動和章動等影響。因此每天的長度其實是混沌的，非常難以用理論準確預測，只能透過實際測量得知。總言之，上述各種貢獻相加，令我們並不需要隔年就添加潤秒。

    討論了秒、分、時、天的定義，下次我們再討論有關定義月和年的問題。

    延伸閱讀：

    有關潤秒可參考NASA的講解：https://www.nasa.gov/feature/goddard/nasa-explains-why-june-30-will-get-extra-second

    港大物理系課程Nature of the Universe網上講義：https://www.lcsd.gov.hk/CE/Museum/Space/archive/EducationResource/Universe/framed_e/index.html

    封面圖片：NASA

  • 平均原子量計算 在 Facebook 的最讚貼文

    2021-01-17 15:49:51
    有 263 人按讚

    2021年1月17日(星期日)
    新發現❗️
    .
    眾所皆知一天有24小時，
    但現在這個答案，
    恐怕沒有那麼正確了，
    因為...現在的一天，
    根本不到24小時！
    到底怎麼回事？
    ———————————————————————
    科學家證實，
    地球自轉速度達到50年以來最快，
    如今「一天」的實際時間
    平均比24小時還要短0.5毫秒，
    引發增設「負閏秒」，
    校正時間計算差距的激烈討論。
    .
    根據世上
    已知最精準的時間測量工具「原子鐘」，
    地球1970年代以來自轉一周的時間
    皆比24小時稍長，
    但2020年年中起自轉速度卻加快，
    尤其2020年7月19日竟比24小時
    整整少了1.4602毫秒，
    成為紀錄以來最短的一天。
    .
    根據《每日郵報》等外媒報導，
    總部位於巴黎的國際地球自轉服務（IERS）
    為了使得原子鐘計算的「一天」時間
    與地球運轉情況保持一致，
    1970年代以來已經增加27次「閏秒」，
    如今為了因應地球自轉變慢，
    也引發是否增加「負閏秒」的討論。
    .
    英國國家物理實驗室資深研究員惠伯利
    向《每日電訊報》表示，
    「地球如今自轉速率
    比過去50年的任何時候都還要快，
    這肯定是正確的」，
    如果此速率持續加快，
    很可能將會需要負閏秒，
    「但現在言之過早」。
    .
    【DJ本人認為...】
    有科學家認為這其中的原因，
    是地球暖化造成南北極冰層融化，
    導致地球質量重新分布，
    因此也連帶影響地球轉動的速度有關，
    所以.....又是暖化後遺症...😰😰😰
    .
    #好好愛地球吧
    .
    (新聞節錄出處：ETtoday新聞雲)
    .
    【今日節目單元】
    16:00 ［流行YOU & ME］
    1、流行聽音樂：
    這張寵物音樂作品，
    真的是給喵星人聽的！
    -臺灣自創的虛擬貓RURU醬
    .
    22:00 [MIDNIGHT YOU &ME]
    1、誰沒有朋友：加油！Miu朱俐靜
    2、中文流行歌曲俾你聽聽
    .
    大家可以在這裡討論今天的節目，
    來.一.起.聽.節.目.和.蓋.大.樓.吧.!!!!!!!!!!!!!!!!!!!

  • 平均原子量計算 在 Facebook 的精選貼文

    2020-12-03 14:02:20
    有 1,175 人按讚

    「它將改變一切！」

    DeepMind AI解決生物學50年來重大挑戰，破解蛋白質分子折疊問題。

    本週振奮全球AI界的消息：Google旗下人工智能企業DeepMind發布了最新 AlphaFold成果，這是全球AI界無比振奮的重大科研突破。蛋白質存在於我們世界中的所有有機物體及奧妙人體中，全新的AlphaFold 算法揭秘了生物學界50年來試圖破解蛋白質分子折疊的難題，這項AI帶來的重大突破，將幫助科學家弄清某些困擾人們的疾病機制、加速找出新型流行病的具體原因（比如今年的全球新冠大流行），促進新藥設計、幫助農業增產、解析可有效降解廢棄物的嶄新成分、甚至探索為大氣減碳的全新解決方案。

    我特別期待 AlphaFold 能為人類健康、環境生活推向更寬廣的可能性。在魔幻2020 最後一個月，這真是一個讓人懷抱希望的全新技術可能性，期待 AlphaFold之後締造更多 AI for Good 落地應用。

    以下文章詳盡解釋了這項突破，內容經《機器之心》微信公眾號授權轉載。

    ▎生物學界最大的謎團之一，蛋白質折疊問題被 AI 破解了。

    11 月 30 日，一條重磅消息引發了科技界所有人的關注：谷歌旗下人工智能技術公司 DeepMind 提出的深度學習算法「Alphafold」破解了出現五十年之久的蛋白質分子折疊問題。

    最新一代算法 Alphafold 2，現在已經擁有了預測蛋白質 3D 折疊形狀的能力，這一複雜的過程對於人們理解生命形成的機制至關重要。

    DeepMind 重大科研突破的消息一出即被《Nature》、《Science》等科學雜誌爭相報導，新成果也立刻獲得了桑達爾 · 皮查伊、伊隆 · 馬斯克等人的祝賀。

    科學家們表示，Alphafold 的突破性研究成果將幫助科研人員弄清引發某些疾病的機制，並為設計藥物、農作物增產，以及可降解塑料的「超級酶」研發鋪平道路。

    「這是該研究領域激動人心的一刻，」DeepMind 創始人、首席執行官德米斯 · 哈薩比斯說道。 「這些算法今天已經足夠成熟強大，足以被應用於真正具有挑戰性的科學問題上了。」

    蛋白質對於生命至關重要，它們是由氨基酸鏈組成的大型複雜分子，其作用取決於自身獨特的 3D 結構。弄清蛋白質折疊成何種形狀被稱為「蛋白質折疊問題」。在過去 50 年裡，蛋白質折疊一直是生物學領域的重大挑戰。

    DeepMind 的 AlphaFold 讓人類在這一問題上取得了重要突破。在今年的國際蛋白質結構預測競賽 CASP 中，DeepMind 開發的 AlphaFold 最新版本擊敗了其他選手，在準確性方面比肩人類實驗結果，被認為是蛋白質折疊問題的解決方案。這一突破證明了 AI 對於科學發現，尤其是基礎科學研究的影響。

    在兩年一次的 CASP 競賽中，各組爭先預測蛋白質的 3D 結構。今年，AlphaFold 擊敗了所有其他小組，並在準確性方面與實驗結果相匹配。

    對於不熟悉生物領域的人來說，CASP 的大名可能有些陌生——CASP 全稱 The Critical Assessment of protein Structure Prediction，旨在對蛋白質結構預測進行評估，被譽為蛋白質結構預測的奧林匹克競賽。 CASP 從 1994 年開始舉辦，每兩年一屆，目前正在進行的一屆是 11 月 30 日開始的 CASP14。

    而 DeepMind 這一突破有什麼影響？

    用哥倫比亞大學計算生物學家Mohammed AlQuraishi 在Nature 文章中的話來說，「可以說這將對蛋白質結構預測領域造成極大影響。我懷疑許多人會離開該領域，因為核心問題已經解決。這是一流的科學突破，是我一生中最重要的科學成果之一。」

    ▎蛋白質折疊問題

    蛋白質的形狀與它的功能密切相關，而預測蛋白質結構對於理解其功能和工作原理至關重要。很多困擾全人類的重大問題（如尋找分解工業廢料的酶）基本上都與蛋白質及其扮演的角色有關。

    多年以來，蛋白質結構一直是熱門的研究話題，研究者使用核磁共振、X 射線、冷凍電鏡等一系列實驗技術來檢測和確定蛋白質結構。但這些方法往往依賴大量試錯和昂貴的設備，每種結構的研究都要花數年時間。

    1972 年，美國科學家 Christian Anfinsen 因「對核糖核酸酶的研究，特別是對其氨基酸序列與生物活性構象之間聯繫的研究」獲得諾貝爾化學獎。在頒獎禮上，他提出了一個著名的假設：從理論上來說，蛋白質的氨基酸序列應該可以完全決定其結構。這一假設引發了長達五十年的探索，即僅僅基於蛋白質的一維氨基酸序列計算出其三維結構。

    但這一思路的挑戰在於，在形成三維結構之前，蛋白質的理論折疊方式是一個天文數字。 1969 年，Cyrus Levinthal 指出，如果使用蠻力計算的方式來枚舉一種蛋白質可能存在的構象，要花費的時間甚至比宇宙的年齡還要長。 Levinthal 估計，一種蛋白質大約存在 10^300 種可能構象。但在自然界中，蛋白質會自發折疊，有些只需幾毫秒，這被稱為 Levinthal 悖論。

    CASP 14 比賽最新結果：AlphaFold 中位 GDT 高達 92.4

    CASP 競賽由 John Moult 和 Krzysztof Fidelis 兩位教授於 1994 年創立，每兩年進行一次盲審，以促進蛋白質結構預測方面的新 SOTA 研究。

    一直以來，CASP 選擇近期才經過實驗確定的蛋白質結構，作為參賽團隊測試其蛋白質結構預測方法的目標（有些結構即使在評估時仍然處於待確定狀態）。這些蛋白質結構不會事先公佈，參賽者也必須對其結構進行盲測，最後將預測結果與實驗數據進行對比。正是基於這種嚴苛的評估原則，CASP 一直被稱為預測技術評估方面的「黃金標準」。

    CASP 衡量預測準確率的主要指標是 GDT（Global Distance Test），範圍從 0 到 100，可以理解為預測的氨基酸殘基在正確位置閾值距離內的百分比。 John Moult 教授表示，GDT 分數在 90 分左右，即可視為對人類實驗方法具備競爭力。

    在剛剛公佈的第14 屆CASP 評估結果中，DeepMind 的最新AlphaFold 系統在所有預測目標中的中位GDT 達到92.4，意味其平均誤差大概為1.6 埃（Angstrom），相當於一個原子的寬度（或0.1納米）。即使在難度最高的自由建模類別中，AlphaFold 的中位 GDT 也達到了 87.0。

    歷屆 CASP 競賽自由建模類別中預測準確率中位數的提升情況，度量指標為 BEST-OF-5 GDT。

    CASP 競賽自由建模類別中的兩個目標蛋白質示例。 AlphaFold 能夠預測出高度準確的蛋白質結構。

    這些令人振奮的結果開啟了生物學家使用計算結構預測作為科研主要工具的時代。 DeepMind 提出的方法對於某些重要的蛋白質類別尤其有用，例如膜蛋白（membrane protein）。膜蛋白很難結晶，因此很難通過實驗方法來確定其結構。

    該計算工作代表了在蛋白質折疊這一具備 50 年曆史的生物學問題上的驚人進展，比該領域人士成功預測蛋白質折疊結構早了幾十年。我們將很興奮，它能從多個方面對生物學研究帶來基礎性改變。 ——Venki Ramakrishnan 教授（諾貝爾獎得主，英國皇家學會會長）

    ▎DeepMind 這樣解決蛋白質折疊問題

    2018 年，DeepMind 團隊使用初始版 AlphaFold 參加 CASP13 比賽，取得了最高的準確率。之後，DeepMind 將 CASP13 方法和相關代碼一併發表在 Nature 上。而現在，DeepMind 團隊開發出新的深度學習架構，並使用該架構參加 CASP14 比賽，達到了空前的準確率水平。這些方法從生物學、物理學、機器學習，以及過去半個世紀眾多科學家在蛋白質折疊領域的工作中汲取靈感。

    我們可以把蛋白質折疊看作一個「空間圖」，節點表示殘基（residue），邊則將殘基緊密連接起來。這個空間圖對於理解蛋白質內部的物理交互及其演化史至關重要。對於在 CASP14 比賽中使用的最新版 AlphaFold，DeepMind 團隊創建了一個基於注意力的神經網絡系統，並用端到端的方式進行訓練，以理解圖結構，同時基於其構建的隱式圖執行推理。該方法使用進化相關序列、多序列比對（MSA）和氨基酸殘基對的表示來細化該圖。

    通過迭代這一過程，該系統能夠較強地預測蛋白質的底層物理結構，並在幾天內確定高度準確的結構。此外，AlphaFold 還能使用內部置信度度量指標判斷預測的每個蛋白質結構中哪一部分比較可靠。

    DeepMind 團隊在公開數據上訓練這一系統，這些數據來自蛋白質結構數據庫（PDB）和包含未知結構蛋白質序列的大型數據庫，共包括約 170,000 個蛋白質結構。該系統使用約 128 個 TPUv3 內核（相當於 100-200 個 GPU）運行數週，與現今機器學習領域出現的大型 SOTA 模型相比，該系統所用算力相對較少。

    此外，DeepMind 團隊透露，他們準備在適當的時候將這一 AlphaFold 新系統相關論文提交至同行評審期刊。

    AlphaFold 主要神經網絡模型架構概覽。該模型基於進化相關的蛋白質序列和氨基酸殘基對運行，迭代地在二者的表示之間傳遞信息，從而生成蛋白質結構。

    ▎對現實世界的潛在影響

    「讓 AI 突破幫助人們進一步理解基礎科學問題」，經過 4 年的研究攻關，現在 AlphaFold 正在逐步實現 DeepMind 初創時的願景，在藥物設計和環境可持續性等領域都產生了重要的影響。

    馬克斯· 普朗克演化生物學研究所所長，CASP 評估員Andrei Lupas 教授表示：「AlphaFold 的精確模型讓我們解決了近十年來被困擾的蛋白質結構，重新啟動關於信號如何跨細胞膜傳輸的研究。 」

    DeepMind 表示願與其他研究者合作，以進一步了解 AlphaFold 在未來幾年的潛力。除了作用於經過同行評審的論文以外，DeepMind 還在探索如何以最佳的可擴展方式為系統提供更廣泛的訪問可能。

    同時，DeepMind 的研究者還研究了蛋白質結構預測如何幫助人們理解一些特殊的疾病。例如，通過幫助識別存在故障的蛋白質，並推斷其相互作用的方式，來理解一些疾病的原理。這些信息能夠讓藥物開發更加精確，從而補充現有的實驗方法，並更快找到更有希望的治療方法。

    AlphaFold 是十分卓越的，它在預測結構蛋白質的速度和精度上有著驚人的表現。這一飛躍證明了計算方法對於生物學中的轉換研究，加速藥物研發過程都具有廣闊的前景。

    同時許多證據也表明，蛋白質結構預測在未來的大流行應對上是有用的。今年早些時候，DeepMind 使用 AlphaFold 預測了包括 ORF3a 在內的幾種未知新冠病毒蛋白質結構。在 CASP14 中，AlphaFold 預測了另一種冠狀病毒蛋白質 ORF8 的結構。目前，實驗人員已經證實了 ORF3a 和 ORF8 的結構。儘管具有挑戰性，並且相關序列很少，但與實驗確定的結構相比，AlphaFold 在兩種預測上都獲得了較高的準確率。

    除了加速對已知疾病的了解，AlphaFold 還具備很多令人興奮的技術潛力：探索數億個目前還沒有模型的數億蛋白質，以及未知生物的廣闊領域。由於 DNA 指定了構成蛋白質結構的氨基酸序列，基因組學革命使大規模閱讀自然界的蛋白質序列成為可能——在通用蛋白質數據庫（UniProt）中有 1.8 億個蛋白質序列。相比之下，考慮到從序列到結構所需的實驗工作，蛋白質數據庫（PDB）中只有大約 170000 個蛋白質結構。在未確定的蛋白質中可能有一些新的和未確定的功能——就像望遠鏡幫助人類更深入的觀察未知宇宙一樣，像 AlphaFold 這樣的技術可以幫助找到未確定的蛋白質結構。

    ▎開創新的可能

    AlphaFold 是 DeepMind 迄今為止取得的最重要進展之一，但隨著後續科學研究的開展，依然有很多問題尚待解決。 DeepMind 預測的結構並非全部都是完美的。還有很多要學習的地方，包括多蛋白如何形成複合體，如何與 DNA、RNA 或者小分子交互，以及如何確定所有氨基酸側鏈的精確位置。此外，在與他方合作的過程中，還需要學習如何以最好的方式將這些科學發現應用在新藥開發以及環境管理方式等諸多方面。

    對於所有致力於科學領域中計算和機器學習方法的人而言，像 AlphaFold 這樣的系統彰顯了 AI 作為基礎探索輔助工具的驚人潛力。正如 50 年前 Anfinsen 提出的遠超當時科研能力所及的挑戰一樣，這個世界依然有諸多未知的方面。

    DeepMind 取得的這一進展令人們更加堅信，AI 將成為人類擴展科學知識邊界的最有用工具之一，同時也期待未來多年的艱苦工作能夠帶來更偉大的發現。

    影片及原文，參考 DeepMind官方部落客 https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology

你可能也想看看

搜尋相關網站