Anthropic用AI从宏基因组挖出类CRISPR新系统

类CRISPR宏基因组AI蛋白质发现
于 2026-10-29 02:32:19 修改
·本内容遵循CC 4.0 BY-SA版权协议

这两天科技圈里传得最猛的一个消息,就是“Anthropic自家实验室挖出了一个类CRISPR新系统”。很多朋友第一反应和我一样:Anthropic不是做AI安全评估的公司吗,怎么突然跨界折腾起基因编辑来了?更有意思的是,这消息里最吸引人的不是它验证了某个现有模型,而是整个发现链路疑似是用AI在宏基因组数据里“捞”出来的,有点像是让模型自己去海上打鱼,捞上来一看,居然是一条从没登记过的鱼。

我把能查到的资料和圈子里的讨论捋了一遍,今天这篇文章就打算把这个事拆开来讲。我会尽量把“类CRISPR”这个词说透,也会聊聊为什么AI实验室会盯上这类系统,以及这种“AI挖矿式”的科研路径对整个生物技术行业意味着什么。如果你和我一样,平时主要关注AI应用和科研工具链,对湿实验细节不太熟悉,那这篇文章应该能帮你补齐不少盲区。

1. 标题解析:Anthropic实验室“挖”到的到底是什么系统

1.1 我拿到这则新闻后做的第一轮信息比对

“Anthropic自己的实验室”这个说法,很容易让人以为他们内部本来就有一支建制完整的生物实验室。但实际情况可能更复杂一点。Anthropic这两年在AI安全评估上投入很大,评估内容包括模型对生物、化学等专业领域知识的理解深度。为了让评估不是纸面推演,他们组了一支跨学科团队,里面既有做模型对齐的工程师,也有做基因组学、结构生物学的科研人员。这次挖出类CRISPR系统,更像是这个跨界团队在做宏基因组挖掘时的一次“副产品”发现。

我第一时间对比了过往几起类似发现。最典型的参照是张锋团队此前发现的多种RNA引导系统,以及从宏基因组数据中识别出的CRISPR-Cas9同源蛋白。这些发现通常节奏很慢:先有计算预测,再做生化实验验证,最后发论文或申请专利。而Anthropic这个事之所以引发热议,就是因为外界猜测他们把AI模型用在了最前端的“盲筛”环节,让模型自主在大量序列数据里寻找有潜力的“防御岛基因”,而不是靠人工去比对已知数据库。

当然,我也得说实话:目前能看到的公开信息里,关于这个新系统的具体序列特征、结构解析、活性数据,披露得并不彻底。这个标题里的“挖出”两个字,更多是在强调“发现”这个动作,而不是说已经完成了全部功能验证。所以在信息不完全的情况下,我们更应该先弄清楚,一个系统要具备什么样的特征,才会被叫做“类CRISPR”。

1.2 先别急着叫CRISPR,得搞清三个层级的概念

“类CRISPR”这个词,其实可以拆成三种理解。第一种是“CRISPR相关的系统”,比如Cas9、Cas12、Cas13这些蛋白本身,它们是CRISPR系统的核心效应组件。第二种是“CRISPR类似物”,也就是基因序列上完全不同,但在功能上接近的防御系统,比如某些原核生物里发现的镁离子依赖的内切酶系统,它们也做“识别外来核酸并切断”这件事,但和CRISPR没有任何同源性。第三种是“类CRISPR应用”,也就是科学家改造出来的基因编辑工具,比如用失活的Cas9做基因表达干扰,这种工具名义上挂着CRISPR,但干的已经不是“切割DNA”这种原始活计了。

把这三种层级放在一起看,你就能明白为什么“类CRISPR新系统”这个表述会让人兴奋。它可能意味着,我们找到了一种新型的、自然界原生的、功能上能对标CRISPR的基因元件,但它的机制可能更简洁,也可能更具特异性。甚至有可能,它不需要完整的CRISPR阵列和一堆辅助蛋白,而是由一个蛋白就完成了识别和结合,这种精简性对将来做基因治疗递送非常有价值。

我还看到一个比较有趣的说法:有人把这套系统和前几年发现的“桥接RNA”拿来比。Bridge RNA这类系统确实也很接近“类CRISPR”的定义,因为它们同样依赖RNA来引导重组酶,但不切断DNA,而是直接完成片段的插入、删除或逆位。如果Anthropic挖出来的系统也走的是类似路线,那它的意义就不只是“多了一个新剪刀”,而是“多了一个新针线”。

2. 类CRISPR系统的工作逻辑:从Cas9到不需要断链的编辑

2.1 传统CRISPR-Cas9快刀斩乱麻的原理

要理解类CRISPR系统,还是得先回顾一下传统CRISPR-Cas9的工作方式。Cas9蛋白本质上是一把受控的分子剪刀,它通过一段向导RNA去识别目标DNA序列,然后在特定位点切断DNA双链。细胞被切断之后会启动DNA修复,而修复途径往往不完美,这就会引入插入或缺失突变,最终把某个基因“敲掉”。

这个过程很直接,但有几个特点值得注意。第一,Cas9切割DNA是破坏性的,它靠的是“制造损伤”来实现编辑。第二,修复结果有随机性,拿到什么突变型,得看细胞当时选择了哪种修复通路。第三,一旦切完之后,如果不继续操作,中间产物是没法精准控制的。所以科学家后来才发展出“碱基编辑”和“先导编辑”,本质上都是把Cas9蛋白突变掉,让它失去切割活性,只保留精准结合的能力,再融合别的酶来完成单个碱基的改写。

2.2 类CRISPR是怎么做到“不断链也能改基因”

类CRISPR系统在这一点上走了另一条路:它们不一定非得切断DNA才能造成改变。我现在查阅到的主流猜测是,Anthropic发现的这套系统,可能属于“可编程的表观遗传调控因子”——它结合到目标序列上,但不剪断DNA,而是通过招募甲基化酶、去甲基化酶或者组蛋白修饰酶,改变这段基因的“包装状态”,从而打开或关闭基因的表达。

用生活化的类比来说:CRISPR-Cas9是直接在书页上把那一行文字涂黑删掉,而类CRISPR表观调控更像是给这段文字贴了一张“禁读贴纸”。书本身没有变化,但阅读者(转录机器)看到贴纸,就会跳过这段内容。这个区别非常关键,因为它意味着编辑是可逆的。只要把贴纸撕掉,原文内容还能恢复。这在很多疾病场景里是更理想的方式,比如治疗慢性疼痛或代谢异常,你并不想永久改变患者的基因组,只想在特定时间段内降低某个基因的表达。

当然,类CRISPR系统也可能不止这一种形态。如果它的结构里包含类似重组酶的成分,那它也可能执行精确的序列插入删除,而不依靠细胞的损伤修复通路。这种系统的价值在于,它的编辑结果更可控,不会在切口处随机产生碎片化的突变。

2.3 参数对照:三个方向各适合什么场景

我画了一张对比表,方便不同背景的读者快速建立框架。这张表不是具体指Anthropic那个系统的实测数据,而是用来理解类CRISPR工具链里的三个主要方向。

特点 传统CRISPR-Cas9 碱基编辑/先导编辑 表观遗传类CRISPR
是否切断DNA 完全切断 几乎不切,单链切口 不切断
编辑结果 随机插入缺失 精准单碱基改写 基因表达开关
可逆性 不可逆 基本不可逆 可逆
递送难度 较大(蛋白尺寸大) 较大 取决于效应因子大小
主要应用 基因敲除 点突变修复 功能调控、疾病干预
潜在风险 脱靶切割 脱靶碱基变化 表观记忆扩散

如果你把Alphafold这类工具预测出来的蛋白结构放到这个框架里看,就会明白为什么大家关心“类CRISPR”的尺寸。很多疾病治疗场景需要把编辑工具包装进病毒载体,而载体的装载量是有限的。头号挑战就是“蛋白太大装不进去”。如果新系统只有一个更小的结构域就能完成识别和调控,那递送效率会提升一个量级。

3. AI挖蛋白的完整流水线:宏基因组遇上大模型

3.1 第一步:宏基因组数据清洗,去污染是重中之重

这些年宏基因组学积累了大量来自土壤、海洋、热泉、肠道微生物环境的测序数据。理论上,只要序列数据库足够大,我们就有机会从中发现全新的基因系统和蛋白家族。但一个现实问题是,数据噪声非常大。很多样本在采集时混入了宿主DNA,在测序时产生了嵌合序列,组装出来的片段甚至可能来自几十个不同物种。

所以AI挖掘流程的第一关不是上模型,而是数据清洗。要么先做序列组装,得到较长的重叠群,再用CheckM之类的工具评估这些contig的完整度和污染度;要么走单基因预测路线,先预测出可能编码蛋白的开放阅读框,然后去重、去冗余。这个过程听着枯燥,却决定了后续训练效果的天花板。我就见过不少项目,模型调得再漂亮,结果输入数据的污染率超过15%,最后筛出来的候选蛋白全是假阳性。

3.2 第二步:用预训练模型做序列表征与结构预测

清洗之后,下一步是把蛋白质序列转成计算机能“理解”的形式。传统做法是序列比对,找同源序列,靠“已知推断未知”。但遇到全新蛋白家族,同源比对往往一无所获。这几年蛋白质语言模型提供了新思路:直接用大规模氨基酸序列预训练模型,把每条蛋白序列编码成高维向量。这个向量里隐含了进化信息和结构约束,即便一个蛋白和数据库里所有已知蛋白都不同源,模型也能通过特征推断它可能的功能分类。

Anthropic这类AI公司在这个环节有天然优势。他们本来就擅长把世界模型和推理能力做进系统里,如果再把蛋白质结构预测工具和知识图谱检索结合,就能对一个候选蛋白给出更立体的判断:它的二级结构组成是什么,有没有明显的功能结构域,能不能和核酸结合。这些特征不一定能直接证明它是类CRISPR系统,但足以把几百万个候选蛋白压缩到几十个值得做实验验证的名单里。

有一点我要特别强调:结构预测再准,也只是“预测”。最近爆出的好几起AI辅助新蛋白发现,最后都卡在实验验证这一关。所以科学界对AI挖掘的态度一直是“半信半疑地兴奋”,直到看到生化数据才彻底认可。

3.3 第三步:活性验证闭环,AI只是故事的一半

如果一个候选蛋白被锁定,接下来就要走湿实验验证流程。常见路线是:把这个蛋白的基因序列合成出来,放到模式菌株或者无细胞表达体系里表达,再喂给它一段设计好的核酸底物,看它是否产生结合或切割活性。如果阳性,再用冷冻电镜或X射线晶体学解析蛋白和核酸复合物的高分辨率结构,确认它到底以什么方式识别靶点。

这个验证闭环非常贵,耗时长,而且失败率高。但恰恰是这个“贵”和“慢”,构成了科研上的护城河。公开数据库里的人都可以下载,AI模型也可能快别人一步筛出候选物,但只有那些能快速推进到湿实验验证的实验室,才能把发现变成论文和专利。Anthropic的策略如果真是走通了这条链路,那他们不只是“发现了一个系统”,而是验证了一套可复用的“AI预测+自动化实验”加速器,这个模式本身可能比单一发现更有想象空间。

4. Anthropic做这个的动机与安全边界:当AI安全实验室涉足合成生物

4.1 AI安全评估为什么需要基因编辑工具

很多人好奇,一个AI安全公司为什么非要碰基因编辑。这背后的逻辑其实很务实:AI系统需要被安全评估,而评估标准之一,就是看它能不能辅助完成一些高影响的双重用途技术。如果人工智能在生物领域的推理能力越来越强,那么安全测试人员就必须走在前面,去理解这些能力的天花板在哪里,才知道该设置什么护栏。

这意味着,Anthropic内部的研究人员需要亲手去尝试宏基因组挖掘,需要了解类CRISPR系统的设计与验证流程,才能对“AI是否降低了基因工具的使用门槛”做出有依据的判断。如果模型能在几天内给出一个可用的候选序列,而人类专家需要几个月,那这个能力差异本身就是监管和部署时要考虑的核心变量。

4.2 双刃剑:好用的工具往往也更容易出危险

这就要说到类CRISPR系统潜在的风险了。一个系统如果更高效、更精准、更易合成,那它不但能被医疗和工业界使用,也可能被误用。尤其是这类系统的编码序列通常不大,很容易通过商业合成公司订购,这给监管带来了巨大挑战。现在全球各地对于核酸合成序列的审查要求并不统一,类CRISPR系统的发现会进一步加剧这种缺口。

不过我也提醒一句:技术恐惧本身不解决问题。对AI公司和科研机构来说,更理性的做法是在文章发表和工具开源之前,加入一套内部风险评估流程。谁有权限接触完整序列,谁可以访问结构文件,这些权限分级是实实在在的安全屏障。公开披露哪些信息,延迟披露哪些关键组件,也要经过审慎判断。

4.3 新系统落地前绕不开的监管关

任何类CRISPR系统想从论文变成产品,都要过好几道监管闸门。如果是作为实验室研究工具,相对容易,通常只需要保证生物安全等级合规;但如果想作为基因治疗药物进入人体,那就要提供极其详尽的脱靶数据、免疫原性数据和长期随访结果。这个时候,AI发现系统反而面临一个尴尬:它太“新”了,监管机构没有先例可循,每个数据包都得从零建立标准。

我更关注的是另一个细节:专利归属。宏基因组数据很多来自全球各地采集的环境样本,如果某个类CRISPR系统是从公共数据库里挖出来的,它的知识产权边界该怎么界定?是算发现者所有,还是算样本来源国所有?这个问题目前没有统一答案,但会对后续商业化合作产生深远影响。

5. 上手实践:我如何低成本试水类CRISPR工具链

5.1 准备工作:一份最小数据集就够了

如果你和我一样,不是全职做基因编辑,但想对这套“AI挖掘类CRISPR系统”的流程有个体感,其实不用一开始就上大规模人类基因组或海洋宏基因组数据。我建议先用公开的微生物基因组数据集练手,比如从NCBI的SRA数据库下载几套宏基因组样本,或者直接在IMG/M数据门户里找整理好的基因集合。

本地配置也不需要太夸张。序列清洗和基因预测,一台16核32G内存的服务器就能跑。蛋白结构预测阶段,如果不想自建GPU集群,可以用在线API做单条结构预测,很多预测任务每天有免费额度。更关键的是,你要准备一个“评价标准”,比如规定候选蛋白的长度范围在300到700个氨基酸、预测结构里含核酸结合结构域、附近基因注释包含逆转录酶或解旋酶相关功能等。评价标准越明确,筛选结果越可靠。

5.2 运行一套简化筛选的流程思路

在实际操作中,我会按这样一个顺序来。第一步,拿一套目标数据集,用Prodigal做基因预测,拿到所有开放阅读框;第二步,用CD-HIT做去冗余,把相似度超过95%的序列合并;第三步,用HMMER搜索已知CRISPR相关蛋白的结构域模型,把有微弱信号的候选都挑出来;第四步,对剩下的候选跑一遍AlphaFold结构预测,筛选出功能结构域典型的“核酸结合折叠”。

这个流程里面,最耗时的是第三步到第四步的过渡。HMMER搜索本身很快,但筛选标准难定。阈值设太松,候选蛋白上千个,结构预测排队排到崩溃;阈值设太紧,容易漏掉那些“脂质结合结构域意外地也有核酸结合能力”的真正新东西。我倾向的做法是先留一版宽口径结果,只对其中打分靠前、长度区间合适、基因上下文里有防御系统标志的50个候选做结构预测。这个数量刚好能让做实验的朋友在两周内完成初步表达验证。

5.3 我踩过的一些坑

这类型流程里,我最大的教训是:别只看AI给的置信度。有一年我筛出一个蛋白,模型给出的结合概率高达0.98,结果在实验里怎么都测不到核酸结合活性。复盘之后才发现,问题出在序列比对阶段:这个蛋白其实是数据库里一个已知解旋酶的截短片段,模型把截短造成的表面疏水区误判成了结合位点。这个经验后来成了我的固定动作:任何一个候选蛋白,都要去Pfam和InterPro里做一次保守结构域核查,再和已知蛋白做一轮全库比对,排除“残缺同源”的干扰。

另一个坑是做宏基因组挖掘时,忽略了宿主DNA污染。土壤样本尤其容易混入植物线粒体和叶绿体序列,这些序列在某些特征上和细菌基因很像,结果筛出来的所谓“新系统”,最后被证明是植物自带的逆转录酶片段。所以每次拿到新数据集,我都建议先用Bowtie2把数据比对到宿主的参考基因组,做一轮硬过滤再进入后续流程。

6. 我的一些想法,以及对后续的关注方向

6.1 对开源生态的审视

这次Anthropic的发现,让我重新审视了科研开源这件事。过去大家习惯认为,学术论文发表得越早,数据公开得越全,对科学进步越有利。但类CRISPR这类双重用途技术的情况更微妙。理想状态是在透明和安全之间找一个折中点:论文可以发机制、发流程、发验证方法,但可能不公开具体序列,或者延迟开放结构文件。

这个争论短期内不会有标准答案,但我个人更倾向支持“分级开源”模式。比如把挖掘工具和基础方法论完全开源,让所有人都能学会这套AI工作流;但对新发现的蛋白序列,设置一个访问申请机制,由内部伦理委员会审核申请者的资质。这么做,既能保持科研活力,也不会让关键组件在没有任何评估的情况下裸奔。

6.2 后续我会重点留意什么

对我来说,接下来有几个信号值得持续跟踪。第一,Anthropic是否会把这次发现写成预印本或正式论文,论文里的实验数据能透露这个系统到底属于哪一类功能机制。第二,是否有其他AI实验室复制同样的“宏基因组+蛋白质大模型”挖掘流程,一旦这个模式被广泛采用,类CRISPR系统可能会迎来一波爆发式发现期。第三,关注有没有国内的研究机构或初创公司跟进做类CRISPR的早期专利布局,因为这一轮竞赛的胜负手很可能不在发现本身,而在“谁能先把工具做成能稳定交付的产品”。

最后说一点个人体会。这些年我看过太多被标题放大的科研新闻,但“类CRISPR系统”这个方向,我认为值得认真对待。它不只是又一把分子剪刀,更是AI与生命科学深度融合的一个缩影。以后判断一个AI实验室的硬实力,可能不再只看它能跑多大的模型,还要看它能不能用模型在未知世界里挖出真正的宝藏。Anthropic这次抛出的,也许只是这块宝藏地图上的第一个标记点。

如果你也是搞计算生物学或者AI应用的,我建议你找一个周末,把这套宏基因组挖掘流程自己跑一遍。不需要花很多钱,也不需要大型团队,只要一台服务器、一套公开数据和几个开源模型,你就能体会到那种“从海量序列里捞出一条全新蛋白”的兴奋感。那种感觉,和训练完一个模型看到测试集指标上涨是完全两回事。这套流程里的每一步都值得你亲手折腾一次。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
什么是深度展开网络?如何将迭代算法的每一次迭代展开成深度网络对应的一层?深度展开网络进行端对端训练,其中端对端是什么意思?
在深度学习和机器学习的背景下,“端到端”(End-to-end)训练指的是将输入数据直接映射到最终输出的过程,而不需要任何中间的手动数据预处理或特征工程。- **自然语言处理**:端到端自然语言处理系统可以将自然语言输入直接转化为计算机可理解的语言输出,而不需要对语言进行分解和转化。- **推荐系统**:通过使用深度神经网络,端到端推荐系统可以直接根据用户历史行为预测其未来的兴趣爱好,并推荐相应的产品或服务。4. **直接映射**:从输入到输出的直接映射,中间没有任何拆分或分解的过程。
khystal