GTP结合态KRAS-G12C分子胶的理性设计:从靶点到验证

分子胶KRAS-G12CGTP结合态
于 2026-10-29 03:40:18 修改
·本内容遵循CC 4.0 BY-SA版权协议

开发“First-in-class”药物,最怕的不是靶点难,而是你做到一半才发现整个项目的底层假设是错的。今天聊聊我们做的一个项目——靶向GTP结合态KRAS-G12C的分子胶理性设计。先说结论:这个方向确实走得通,但设计逻辑跟传统变构抑制剂完全是两回事,验证环节也比普通小分子项目多好几层,任何一个环节偷懒都可能让靶点“看起来不可成药”。

KRAS-G12C在非小细胞肺癌、结直肠癌里都是高频突变,sotorasib和adagrasib出来后大家以为这个靶点被“征服”了,但临床数据很快浇了盆冷水——响应有限,耐药来得快。一个重要原因在于,这些共价抑制剂多半把KRAS锁在“OFF”状态,而真正驱动信号通路的“ON”状态(GTP结合态)KRAS,依然在干活。这篇博文就从一个药物设计者的视角,把“为什么GTP结合态值得做”和“分子胶该怎么理性设计”整个思路拆开来讲,顺带把我们在验证实验中踩过的坑全都交代清楚。做蛋白降解、共价抑制剂、或者跟KRAS项目沾边的朋友,这篇应该对你胃口;学生和刚转行做药物设计的人,也可以把它当作一个“分子胶项目从零开始怎么推”的完整案例参考。

1. 先把靶向目标掰扯清楚:GTP结合态的KRAS-G12C

1.1 KRAS开关机制与G12C突变后果

KRAS本质上是一个分子开关。正常细胞里,它在GTP结合(ON)和GDP结合(OFF)两种状态之间来回切换。GTP结合状态下,KRAS的Switch I和Switch II两个柔性环区构象打开,形成能与下游效应蛋白结合的界面——最典型的是RAF激酶、PI3K,然后一路把MAPK和PI3K-AKT通路点着。等信号传完,GAP蛋白(比如NF1)上场催化GTP水解,把KRAS掰回GDP结合的无活性状态。

G12C突变发生在第12位,原来的甘氨酸被半胱氨酸替换。这个单点突变有两个后果:一是突变蛋白的GTP水解速率显著下降,二是对GAP刺激不敏感。结果就是KRAS长期滞留在GTP结合态,像弹簧一直压不住,信号持续向外发。在KRAS突变的肿瘤细胞里,GTP结合态KRAS不是“偶尔存在”,而是持续占相当比例的功能性蛋白。这一点是整个项目立项的生物学基础。

1.2 已有G12C抑制剂锁的是“OFF”,不是“ON”

sotorasib和adagrasib的机制已经写进教科书了:这两个不可逆共价抑制剂都是靶向Cys12这个半胱氨酸残基,形成共价键后把KRAS稳定在非激活构象,从而阻断下游信号。从结构上说,它们结合的是Switch II区域附近的一个变构口袋,结合时还需要KRAS处于特定的构象状态。问题恰恰在这里——细胞里那些处于GTP结合态、正在跟效应蛋白“牵着手”的KRAS-G12C,并没有一个现成的、适合共价抑制剂嵌入的Switch II口袋供你锁。

临床数据也很诚实:一部分患者对G12C抑制剂原发耐药,还有一部分患者用药后很快出现继发耐药突变(比如Y96D、R68S等,文献里报道的不少)。这个现象有很多解释,但最直接的一条就是:你只锁住了部分失活构象的蛋白,激活构象的KRAS还在持续传递信号;再加上KRAS在GTP/GDP之间动态切换,锁OFF的力度再大,也挡不住“骑墙”的蛋白不断补充到ON状态。所以我们的判断很明确:与其继续在OFF态上“卷”亲和力,不如直接去对付激活态的KRAS。

1.3 “ON”态被称为“不可成药”,问题出在哪儿

教科书和很多综述说GTP结合态KRAS“不可成药”,核心原因是它太“滑”了:表面没有连续的、深而疏水的经典口袋,取而代之的是一些浅凹槽、极性残基和高度动态的柔性区域。传统小分子抑制剂设计依赖一个刚性、清晰、有足够体积的结合口袋,而GTP结合态的Switch区域在溶液里一直在呼吸、摆动,这就导致基于静态结构的虚拟筛选结果几乎没法用,分子动力学模拟的抽样效率也低,得到的结合姿势你不信,计算出来的结合自由能更不敢信。

但“没有深口袋”不等于“没有抓手”。Cys12这个半胱氨酸本身就是一个非常独特的共价锚点,还没被任何非共价策略好好利用过。而且,GTP结合态KRAS要发挥功能,就必须跟下游效应蛋白形成蛋白-蛋白相互作用界面——RAF-RBD、PI3Kγ、SOS1这些都是天然的接触表面。这些界面虽然浅,却有清晰的表面互补和热点残基(hot spots),只是用来被传统抑制剂“占坑”很困难,但用来被分子胶“黏合”却是另一回事。这也是整篇文章要反复强调的一句话:分子胶不依赖像样的口袋,它的本质是增强蛋白表面的黏附力。

2. 分子胶不是“抑制剂”,它是在制造一场被迫的相遇

2.1 从PROTAC到分子胶:机制的谱系

聊分子胶之前,先摆PROTAC来做参照。一个典型PROTAC分子长这样:一端是靶蛋白结合配体,另一端是E3连接酶配体(比如来那度胺片段结合CRBN、VHL配体结合VHL),中间靠一条linker连起来。它的机制靠距离邻近效应——把靶蛋白和E3连接酶强行拉近,让E3给靶蛋白打上泛素标签,然后被蛋白酶体降解。PROTAC在理论上漂亮,但对靶蛋白表面也要求有可结合的配体,对GTP结合态KRAS这种浅表面+高动态的表位,设计一个长而灵活的双功能分子往往付出的熵惩罚很高,实际推进起来很容易卡在“做了很多linker筛查依然看不到细胞内活性”。

分子胶则是另外一个套路。它本身可能只对靶蛋白或E3中的一方有中等强度的亲和力,但在结合后,它通过重塑蛋白表面的亲水/疏水轮廓、电荷分布和柔性区域构象,诱导出一个原本极弱的蛋白-蛋白相互作用,并且把它稳定住。来那度胺的故事就是这个机制的教科书案例:它先结合E3泛素连接酶CRBN,结合以后改变了CRBN表面一个β-发夹结构,使得CRBN能以极高特异性“抓住”转录因子IKZF1和IKZF3的锌指结构域,把它们拉去降解。如果打个比方,PROTAC是“拉郎配”——用一根绳子硬把两个人系在一起;分子胶是“给蛋白化妆换脸”——让一个蛋白表面的局部结构变得像能被对方认出来的样子,之后两个人自然就越靠越近。对KRAS这种浅表面靶点,分子胶的现实意义远大于PROTAC。

2.2 理性设计分子胶的三种底层逻辑

做分子胶设计,先得想清楚你要走哪条逻辑,不然很容易做成“一个分子恰好有活性,但机制死活说不清”。以我们团队的分类习惯,分子胶项目大概率落在下面三种底层逻辑之一:

第一种是稳定天然PPI。化合物本身跟靶蛋白结合,同时还提供了一部分与E3连接酶或下游效应蛋白接触的界面,整体上把本来就存在但极弱的蛋白相互作用增强到能产生生物学效应的水平。第二种是构象重塑。化合物结合靶蛋白后,诱导靶蛋白某个柔性区域折叠成能被E3或伴侣蛋白识别和结合的特定形状——相当于凭空制造了一个“降解表位”。第三种是界面楔入。化合物直接嵌进两个蛋白之间的相互作用界面,像楔子一样撑大接触面积,同时提供大量极性/疏水互补的接触点。

我们的项目最终选的是“构象重塑+界面互补”的混合路线,原因后面展开说。这里只提醒一句:分子胶的理性设计,首先要想清楚“你是在稳定什么、重塑什么、楔入什么”,这个答案决定了后面弹头设计、linker刚性和验证实验的整个框架。

2.3 为什么GTP结合态KRAS与分子胶是“天作之合”

把前两节的线索拼起来,你就能看到匹配性了。

从生物学上讲,GTP结合态是KRAS真正干活的状态,靶向它等于直接端掉信号输出的源头,而不是让蛋白换个姿势“假装失活”。

从结构上讲,GTP结合态KRAS表面虽然浅,但功能性的PPI界面(特别是跟RAF-RBD那种螺旋-螺旋接触)是相对明确的,热点残基也有文献基础。这种“浅而特异性”的表面,恰恰是分子胶最容易着力的地方——传统抑制剂进不去,但一个精心设计的分子胶可以像“胶水”一样摊开表面,跟蛋白形成扩展接触。

从机制潜力上讲,分子胶能把“抑制信号”升级为“降解蛋白”。对于GTP结合态KRAS,如果你只做到抑制,它还会被上游信号不断重新补充;如果做成降解,相当于直接把“激活的工厂”关停,效果持续性和深度都会好很多。这也是为什么“First-in-class”在这个靶点上的赛道意义巨大——不是做更好的G12C抑制剂,是换一个机制维度。

3. 理性设计全流程:从结构出发到几何学装配

3.1 启动项目的第一步:拿到靠谱的GTP态参考结构

开工前先纠正一个很多团队都会踩的坑:有人拿着GDP结合态的KRAS晶体结构去做表面分析,算到最后说“GTP态没有可结合位点”,项目就毙了。这不是靶点的锅,是参考结构就用错了。

我们团队启动时做的是两件事:第一,拿到KRAS-G12C与GppNHp(非水解GTP类似物)的复合物晶体结构作为基础——GppNHp能把蛋白稳定在激活构象,这是公认的做法;第二,加上一组长时程分子动力学模拟(至少200纳秒,最好做到500纳秒),专门看GTP态下Switch I和Switch II区域的构象波动。我们试过用GDP态结构做虚拟筛选,结果几乎全是废的;换了GTP态结构+MD轨迹后,反而在Switch I区域附近找到了一个瞬时的浅槽,这个浅槽在KRAS与RAF-RBD结合时会被稳定成开放构象。这个发现直接决定了后面的弹头方向设计——针对“仅在特定构象下出现的亚稳态表面”下功夫。

3.2 两端设计:共价锚点与界面扩展端的协奏

分子胶的整体设计可以粗分为两个功能端:一个负责“锚在靶蛋白上”,另一个负责“跟E3或效应蛋白纠缠”。

靶蛋白端,我们选了Cys12作为共价锚点。这个选择几乎不需要犹豫:第一,G12C突变患者的肿瘤细胞里天然有这个半胱氨酸,这是个高度特异的化学手柄;第二,共价结合的热力学优势巨大,可以弥补浅表面结合亲和力不足的问题。弹头用的是丙烯酰胺类基团,通过迈克尔加成反应与Cys12的巯基形成不可逆共价键。这一步属于现有成熟化学,难点不在弹头本身,而在于弹头延伸的方向和长度。我们的原则是:弹头修完连接链以后,延伸方向必须明确指向Switch I和α2-α3之间的区域,绝对不允许指向GTP结合口袋——因为一旦分子胶伸进GTP口袋,就会干扰GTP结合,KRAS就可能被“逼”到离开激活构象,我们前期花大力气筛出来的“GTP态选择性”就全没了。

界面扩展端,设计逻辑更偏向“化学基团与蛋白表面的形状匹配”。我们参考了来那度胺这类已知分子胶的逻辑:化合物除了靶蛋白结合界面,还会有一部分直接裸露在溶剂中,这部分必须能跟E3连接酶表面的特定残基形成极性接触——否则就是“共价抑制剂而不是分子胶”。我们一开始做的几个化合物,多半是简单地把弹头联上一个直链,羧酸或者酰胺尾巴挂上就完事,结果发现要么拆不开二元/三元复合物,要么跟E3的接触面只有一两个氢键,根本没形成稳定的“胶水界面”。后来调整思路,在连接链中引入了一个芳香环支架,让整个分子呈现一定程度的弯曲构象,这才让化合物同时与KRAS和VHL表面形成多处接触。这一阶段的经验是:分子胶不只是“把弹头连上拉力基团”,它更接近“在两个蛋白表面之间搭一个化学支架”,分子整体的三维形状比单纯的化学官能团重要得多。

3.3 三元复合物的几何学:协同性alpha的计算与优化

分子胶能否生效,起决定性的参数叫协同性(cooperativity),常用alpha来表示。这个参数衡量的是:分子胶把靶蛋白和E3连接酶组装成三元复合物的能力,相比它分别与两边形成二元复合物的能力,放大了多少倍。数学上可以理解为:

alpha = KD(三元复合物的解离常数) / [KD(靶蛋白-分子胶) × KD(E3-分子胶)] 的某种标度化比值

实操中,我们一般用表面等离子共振(SPR)分别测三个东西:化合物对KRAS-G12C-GppNHp的亲和力、化合物对E3(我们选了VHL,理由后面讲)的亲和力、以及加化合物后KRAS与E3形成三元复合物的表观亲和力。把数值代进去算alpha。我们的经验标准是:alpha低于50的化合物,在细胞里基本看不到降解活性;alpha做到100到200,才具备进入细胞验证的资格;最理想的情况是alpha大于500——这种级别协同性意味着分子胶相当于“加速了蛋白-蛋白相互作用的组装”,本质上已经把表面互补做得非常好了。

alpha的化学优化,说穿了就是在调“分子形状与整体刚性”。太柔的连接链会给体系贡献太多构象熵,分子在两个蛋白表面之间晃来晃去,无法稳定成“桥接姿势”;太刚又可能卡死在一个错误方向上,导致根本碰不到E3表面。我们常用的技巧是在连接链上引入一个甲基或者在烷基链中嵌入一个小环(如环丙烷或四氢呋喃),通过位阻限制构象自由度。很多时候,整个分子的活性“不涨”,就是栽在一两个亚甲基的灵活性上——把直链改成环状约束后,alpha数据往往很惊喜。

3.4 E3连接酶的选择:VHL为什么比CRBN更合适

E3连接酶的选择,是分子胶项目里最容易被低估的决策。CRBN因为有来那度胺这类成熟配体,成了许多人做分子胶时的默认选项,但CRBN的优势在于“化学上容易结合”,并不等于“跟KRAS表面兼容”。我们在早期做过实验,同样一个连接链设计,接在CRBN配体上时三元复合物形成极慢,SPR信号几乎推不起来;后来换VHL体系,问题立刻缓解了。

深究下去是有结构逻辑的:CRBN的表面底物识别比较“卷”,它偏好识别那些带有特定“β-发夹折叠”结构的底物(比如IKZF1的锌指结构域),对KRAS这种以β-折叠和α-螺旋混合表面为主的蛋白,天然就不太“搭”;VHL的底物识别表面相对更开放,而且VHL本身经常与ElonginB/C形成复合物,整个E3机器有一个较大的蛋白质接触平台,这给分子胶提供了更大的容错空间。当然,选择E3还要考虑组织的表达谱和肿瘤细胞里的内源表达水平——如果肿瘤细胞里VHL表达量都很低,你做再好也降解不动。我们最终在NCI-H358细胞里确认了VHL有足够表达量,才敲定这个体系继续推进。

4. 验证实验设计:别让体外数据骗了你

4.1 第一层验证:GTP态选择性与共价结合动力学

拿到第一批化合物后,最忌讳的事就是“直接上细胞看降解”——这等于还没确认武器是否瞄准,就急着开火。我们习惯分三层验证,层层排除假阳性。

第一层是体外生化验证。为了避免GTP被KRAS的GTPase活性慢慢水解掉,我们改用GppNHp把KRAS-G12C锁定在激活构象,同时在平行的另一组实验里把蛋白锁在GDP状态。然后测量化合物与两种状态KRAS的共价结合速率常数(kinact/KI)。真正的GTP态选择性化合物,在GTP态下的kinact/KI应该是GDP态下的至少5倍以上,否则你的分子胶本质上就是个“广谱Cys12粘合剂”。我们前几批化合物大多卡在这一条:warhead设计没有感知到构象差异,弹头对GTP态和GDP态的反应速率差不多。后来调整了连接链的电荷分布和氢键供体位置,让弹头周围形成与GTP态特有表面互补的极性环境,选择性才显著拉开。

做这步实验时有个技术上的坑:GppNHp处理完的样品不能反复冻融,否则蛋白会部分回到非活性构象,导致选择性数据失真;另外共价动力学的反应时间要拉到足够长,至少观察30分钟以上,只测5分钟的“表观活性”很容易受初始浓度影响。

4.2 第二层验证:三元复合物与细胞里的“机制铁证”

体外生化确认选择性后,下一步是确认三元复合物。SPR的协同性数据能告诉我们复合物形成的效率,但SPR是在纯化蛋白、没有细胞环境的状态下测的,不能直接代表细胞内能发生同样过程。我们在这一阶段叠加了两个细胞层面的关键实验:

第一个是降解时间曲线。把化合物加到NCI-H358细胞(内源表达KRAS-G12C)里,按不同时间点收集细胞裂解液,用Western blot看KRAS蛋白量的变化。如果化合物真按分子胶机制在工作,应该看到蛋白量随时间逐渐下降;再用蛋白酶体抑制剂MG132预处理细胞,如果降解被完全逆转,基本可以确认降解走的是泛素-蛋白酶体通路。

第二个是功能验证。降解了KRAS,下游MAPK信号必然会受到冲击。我们固定测p-ERK和p-MEK的变化,同时用RAF-RBD pull-down来捕获细胞里实际处于GTP结合态的KRAS——这个数据很有说服力,因为不是测“总KRAS”,而是测“激活KRAS”。如果化合物处理完,RAF-RBD能拽下来的GTP-KRAS显著减少,那说明我们靶向的就是“正在干活的那部分蛋白”。

我们的经验是:这两组实验必须一起看。降解曲线OK但p-ERK纹丝不动,大概率是降解了不参与信号的蛋白亚群;p-ERK被压制但KRAS总量不变,那可能是化合物在“抑制”而不是“降解”信号,机制可能跟你最初设想不符。只有两组数据同时成立,才好说项目真正进入正轨。

4.3 第三层验证:结构层面的落位确认

蛋白降解的表型和通路机制都拿到了之后,最后一步是“上户口”——确认分子胶具体结合在KRAS的哪个位置、三元复合物里的分子形状跟设计猜想是否一致。这一步我们用了两个方法搭着做:

先做核磁共振(HSQC谱),用同位素标记的KRAS-G12C-GppNHp分别滴定化合物和VHL,看哪些残基的化学位移发生显著变化。这步不用结晶,能快速确认结合位点是否落在我们设计的Switch I-α2区域附近。

如果核磁信号支持,再尝试三元复合物的共晶。说实话,三元复合物的结晶成功率不高,我们前后安排了上千个结晶条件,耗时三个多月才拿到一个2.9埃左右的结构。看到密度图那一刻才真正踏实:化合物确实同时接触KRAS的Switch I区域和VHL的一个疏水表面,形成了连续氢键网络,而且分子的“弯曲桨叶”构象和之前计算预想的基本一致。拿到这个结构后,再去回头看SAR数据,很多之前解释不通的现象全对上了——什么化合物为什么alpha差、为什么细胞里降解慢,都能从分子形状和接触面角度给出明确答案。结构生物学在这里的意义不是“锦上添花”,而是给整个项目校准了方向。

4.4 一组参考验证指标

验证层级 具体实验 通过标准 常见陷阱
体外选择性 共价动力学(GppNHp vs GDP) GTP态/GDP态速率比 ≥ 5 蛋白反复冻融、反应时间不足
三元复合物 SPR协同性alpha alpha ≥ 100 才值得推进 只看二元亲和力,忽略了三元放大效应
细胞内机制 MG132回复实验 + 泛素化检测 MG132处理恢复蛋白量 化合物细胞通透性差,胞内有效浓度不足
功能验证 p-ERK/p-MEK + RAF-RBD pull-down 总KRAS和GTP-KRAS双双下降 只测总KRAS,忽略了功能亚群
结构验证 HSQC + 共晶 结合位点落在设计区域 结晶失败就放弃,不妨先做SAXS预判复合物形态

5. 常见问题与排查策略

5.1 亲和力漂亮,但细胞里不降解

这个现象在分子胶项目里特别常见。SPR上结合得很好,alpha算出来也不低,进细胞却一点降解迹象都没有,或者降解效率极低。

我们的排查顺序是固定的:先查细胞里“可降解的底物池”够不够——用RAF-RBD pull-down确认这个细胞株的GTP结合态KRAS占比是否足够,如果占比本身就低,那就是细胞模型选错了;接着查化合物的细胞内暴露水平,很多分子在体外缓冲液里表现良好,进入细胞后被外排转运体(比如MDR1)给吐出去了,或者细胞膜穿透性差导致胞内游离浓度极低;这两步都确认没问题后,才回头查化合物本身的结合姿势是否需要微调。

特别提醒一句:排查顺序很重要。我们曾在第一步没做扎实的情况下就改弹头,结果把原本不错的共价动力学改没了,浪费了将近两个月。先找生物学问题,再找化学问题,这是这条坑给我们最大的教训。

5.2 共价弹头选择性差,脱靶一堆蛋白

丙烯酰胺弹头的亲电性是把双刃剑。反应活性太高,Cys12当然结合得快,但细胞里成百上千个半胱氨酸也都可能被它摸一遍,做出来的数据你都不知道降解到底是因为KRAS被降解还是因为细胞整体被毒死了。

判断指标很简单,共价速率常数kinact控制在0.01到0.1每秒这个区间比较合理,太高了就必须警惕脱靶。排查最好做化学蛋白质组学,比如isoTOP-ABPP或者基于半胱氨酸反应性的富集质谱分析,一次性看清化合物在蛋白质组水平上修饰了哪些半胱氨酸。如果脱靶列表长到吓人,常见优化方向是:减小warhead亲电性(比如引入氟原子或者换成极性更低的酰胺)、在warhead旁边增加位阻基团让大体积半胱氨酸“进不来”、或者尝试可逆共价弹头(氰基丙烯酰胺类),用可逆结合换取更高的选择性窗口。

5.3 降解谱很宽,蛋白组学“一片狼藉”

分子胶的另一个“职业病”就是非特异降解。有些化合物外表看着像分子胶,实际上在溶液里聚集成了类似胶束的颗粒,把一堆蛋白“胶”在一起,然后被E3或者蛋白酶体泛泛地降解掉。判断方法是做TMT定量蛋白组学,看整个蛋白组的降解图谱是否收敛。如果降解的蛋白多到覆盖了脂肪酸代谢、翻译机器、细胞骨架蛋白等毫不相干的通路,基本可以确定你的化合物在“非特异黏蛋白”。

解决方案通常是换E3连接酶体系、或者在化合物结构里增加极性表面积以减少无规则疏水暴露,还可以做个PAMPA或者浊度实验提前排除聚集问题。总之,做分子胶项目,从第一天开始就要有“蛋白组里查降解谱”的意识,不然你根本分不清自己是在做靶向降解,还是在做“杀鸡取卵”。

5.4 蛋白降解了,但信号通路没有恢复

这种情况看起来矛盾,实则不少见。蛋白确实降下去了,Western里KRAS条带明显变淡,但p-ERK还是高居不下。我们遇到过一次,后来发现是两个原因叠加:一是细胞里KRAS-G12C可能不是唯一的驱动信号来源,上游EGFR或者别的RTK仍在持续激活MAPK通路;二是降解效率虽然看得见,但没有达到彻底压制信号通路的阈值——对于KRAS这种分子量不大、但催化信号级联放大的蛋白来说,可能需要超过80%甚至90%的降解幅度才能看到功能层面的响应。

遇到这种问题,不能直接否定分子胶机制,建议在细胞水平加一个上游RTK抑制剂的联合处理看看通路是否被压下来,同时在多个KRAS-G12C背景的细胞株(PDAC、CRC来源)里验证降解功能一致性。靶向降解的剂量依赖关系和时程关系如果都合理,那问题往往在生物学的代偿机制上,而不是化合物不行。

做这个项目越久,我越觉得分子胶的理性设计核心是“把物理化学问题想透”。很多团队一上来就铺几百个化合物筛选表型,最后做出来一个不明不白的活性分子,却不知道它怎么结合、为什么降解、选择性从哪里来,这种项目很难走到临床。另一个让我体会特别深的是,GTP结合态KRAS这种靶点,千万不要被教科书里的“不可成药”结论劝退——那个结论是基于传统抑制剂的逻辑推出来的,换一个机制维度,Druggability的定义就变了。最后再分享一个小技巧:做共价分子胶项目,一定要把Cys12当作“锚点”而不是“终点”来设计,开头就保守地缩在弹头附近,几乎注定做出来的只是一个优化版的共价抑制剂,离真正的分子胶会很远。

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
地理空间智能体(GI Agent)
地理空间智能体(Geospatial Intelligence Agent, GI Agent)是AI Agent技术与地理信息系统(GIS)深度融合的产物。其核心是以大型语言模型(LLM)为驱动,通过自然语言理解、任务分解和工具调用能力,实现地理空间任务的自动化执行。​关键特性​自主性​:独立规划任务流程(如空间数据检索、分析、可视化);​交互性​:支持自然语言对话交互,替代传统图形界面操作;​扩展性​:灵活集成第三方工具和API,支持跨平台协作。
全栖数字主理人