药物代谢仿真软件：ADMET Predictor_（16）.药物毒性预测

最新推荐文章于 2025-09-02 16:32:05 发布
原创 最新推荐文章于 2025-09-02 16:32:05 发布 · 463 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#服务器 #前端 #linux #分子动力学

药物毒性预测

引言

在药物开发过程中，药物毒性预测是一项至关重要的任务。药物毒性是指药物在特定剂量下对生物体产生的有害影响。这些有害影响可能包括急性毒性、慢性毒性、致癌性、致突变性、致畸性等。预测药物毒性可以帮助研究人员在早期阶段筛选出具有潜在安全问题的化合物，从而节省时间和资源。ADMET Predictor 是一种广泛使用的药物代谢仿真软件，可以用于预测化合物的多种药代动力学和毒性性质。本节将详细介绍如何使用 ADMET Predictor 进行药物毒性预测，并提供具体的代码示例和数据样例。

药物毒性的类型

急性毒性

急性毒性是指药物在短时间内（如几分钟到几小时）对生物体产生的有害影响。这种毒性通常通过 LD50（半数致死剂量）来衡量，即能够导致一半实验动物死亡的药物剂量。ADMET Predictor 可以预测化合物的 LD50 值，帮助研究人员评估其急性毒性。

慢性毒性

慢性毒性是指药物在长期暴露下对生物体产生的有害影响。这种毒性通常需要较长时间的观察，涉及多个生理系统。ADMET Predictor 可以预测化合物的长期毒性效应，如肝毒性、肾毒性等。

致癌性

致癌性是指药物诱导细胞发生恶性转化的能力。ADMET Predictor 可以预测化合物的致癌性，帮助研究人员评估其潜在的癌症风险。

致突变性

致突变性是指药物引起基因突变的能力。ADMET Predictor 可以预测化合物的致突变性，帮助研究人员评估其对遗传物质的潜在危害。

致畸性

致畸性是指药物在发育过程中对胎儿产生的有害影响。ADMET Predictor 可以预测化合物的致畸性，帮助研究人员评估其对孕妇和胎儿的潜在风险。

使用 ADMET Predictor 进行药物毒性预测

数据准备

在使用 ADMET Predictor 进行药物毒性预测之前，需要准备化合物的结构数据。这些数据通常以 SMILES（Simplified Molecular Input Line Entry System）格式表示。SMILES 是一种用文本字符串表示化学分子结构的方法，例如：


C1=CC=CC=C1

表示苯环。

示例代码：读取化合物的 SMILES 数据

# 导入必要的库

import pandas as pd



# 读取化合物的 SMILES 数据

data = pd.read_csv('compounds_smiles.csv')



# 查看数据

print(data.head())

假设 compounds_smiles.csv 文件内容如下：


Compound,SMILES

Compound1,C1=CC=CC=C1

Compound2,C1=CC=C(C=C1)C(C)C

Compound3,C1=CC=CC=C1C(C)C

Compound4,C1=CC=CC=C1C(C)C(C)C

Compound5,C1=CC=CC=C1C(C)C(C)C(C)C

软件安装与配置

在进行药物毒性预测之前，需要安装和配置 ADMET Predictor 软件。ADMET Predictor 提供了命令行和图形用户界面两种使用方式。以下是如何通过命令行安装和配置软件的示例。

示例代码：安装 ADMET Predictor

# 下载 ADMET Predictor 安装包

wget https://example.com/admet_predictor_setup.tar.gz



# 解压安装包

tar -xzf admet_predictor_setup.tar.gz



# 进入解压后的目录

cd admet_predictor_setup



# 安装软件

./install.sh
配置环境变量

# 添加 ADMET Predictor 的路径到环境变量

export PATH=/path/to/admet_predictor:$PATH

模型训练与验证

ADMET Predictor 提供了多种预训练的模型，可以直接用于预测化合物的毒性。然而，为了提高预测的准确性，研究人员可以使用自定义数据集进行模型训练和验证。以下是如何使用 ADMET Predictor 进行模型训练和验证的步骤。

示例代码：模型训练

# 导入 ADMET Predictor 的 Python 接口

from admet_predictor import Predictor



# 初始化预测器

predictor = Predictor()



# 加载训练数据

train_data = pd.read_csv('train_data.csv')



# 训练模型

predictor.train(train_data, target='toxicity')

假设 train_data.csv 文件内容如下：


Compound,SMILES,Toxicity

Compound1,C1=CC=CC=C1,0

Compound2,C1=CC=C(C=C1)C(C)C,1

Compound3,C1=CC=CC=C1C(C)C,0

Compound4,C1=CC=CC=C1C(C)C(C)C,1

Compound5,C1=CC=CC=C1C(C)C(C)C(C)C,0
示例代码：模型验证

# 加载验证数据

test_data = pd.read_csv('test_data.csv')



# 验证模型

predictions = predictor.predict(test_data)



# 查看预测结果

print(predictions)

假设 test_data.csv 文件内容如下：


Compound,SMILES

Compound6,C1=CC=CC=C1C(C)C(C)C(C)C(C)C

Compound7,C1=CC=CC=C1C(C)C(C)C(C)C(C)C(C)C

预测急性毒性

ADMET Predictor 可以预测化合物的 LD50 值。以下是如何使用 ADMET Predictor 进行急性毒性预测的示例。

示例代码：预测急性毒性

# 加载化合物数据

compounds = pd.read_csv('compounds_smiles.csv')



# 预测急性毒性

ld50_predictions = predictor.predict_toxicity(compounds, toxicity_type='acute')



# 查看预测结果

print(ld50_predictions)

预测慢性毒性

慢性毒性预测涉及多个生理系统的长期影响。以下是如何使用 ADMET Predictor 进行慢性毒性预测的示例。

示例代码：预测慢性毒性

# 预测慢性毒性

chronic_toxicity_predictions = predictor.predict_toxicity(compounds, toxicity_type='chronic')



# 查看预测结果

print(chronic_toxicity_predictions)

预测致癌性

致癌性预测可以帮助研究人员评估化合物的潜在癌症风险。以下是如何使用 ADMET Predictor 进行致癌性预测的示例。

示例代码：预测致癌性

# 预测致癌性

carcinogenicity_predictions = predictor.predict_toxicity(compounds, toxicity_type='carcinogenicity')



# 查看预测结果

print(carcinogenicity_predictions)

预测致突变性

致突变性预测可以帮助研究人员评估化合物对遗传物质的潜在危害。以下是如何使用 ADMET Predictor 进行致突变性预测的示例。

示例代码：预测致突变性

# 预测致突变性

mutagenicity_predictions = predictor.predict_toxicity(compounds, toxicity_type='mutagenicity')



# 查看预测结果

print(mutagenicity_predictions)

预测致畸性

致畸性预测可以帮助研究人员评估化合物对孕妇和胎儿的潜在风险。以下是如何使用 ADMET Predictor 进行致畸性预测的示例。

示例代码：预测致畸性

# 预测致畸性

teratogenicity_predictions = predictor.predict_toxicity(compounds, toxicity_type='teratogenicity')



# 查看预测结果

print(teratogenicity_predictions)

结果分析与可视化

预测结果的分析和可视化可以帮助研究人员更好地理解化合物的毒性特性。以下是如何使用 Pandas 和 Matplotlib 进行结果分析和可视化的示例。

示例代码：结果分析

# 合并所有预测结果

predictions_df = pd.DataFrame({

    'Compound': compounds['Compound'],

    'Acute Toxicity': ld50_predictions,

    'Chronic Toxicity': chronic_toxicity_predictions,

    'Carcinogenicity': carcinogenicity_predictions,

    'Mutagenicity': mutagenicity_predictions,

    'Teratogenicity': teratogenicity_predictions

})



# 查看预测结果

print(predictions_df)
示例代码：结果可视化

import matplotlib.pyplot as plt



# 绘制柱状图

predictions_df.plot(kind='bar', x='Compound', figsize=(10, 6))

plt.title('Toxicity Predictions')

plt.xlabel('Compound')

plt.ylabel('Toxicity Score')

plt.xticks(rotation=45)

plt.tight_layout()

plt.show()

案例研究

为了更好地理解如何使用 ADMET Predictor 进行药物毒性预测，我们通过一个具体的案例研究来展示整个流程。

案例背景

假设我们有一组化合物，需要评估其在多个毒性类型上的表现。这些化合物的结构数据已经以 SMILES 格式准备好了。

数据准备

# 读取化合物的 SMILES 数据

data = pd.read_csv('compounds_smiles.csv')



# 查看数据

print(data.head())
模型训练与验证

# 初始化预测器

predictor = Predictor()



# 加载训练数据

train_data = pd.read_csv('train_data.csv')



# 训练模型

predictor.train(train_data, target='toxicity')



# 加载验证数据

test_data = pd.read_csv('test_data.csv')



# 验证模型

predictions = predictor.predict(test_data)



# 查看预测结果

print(predictions)
预测急性毒性

# 预测急性毒性

ld50_predictions = predictor.predict_toxicity(data, toxicity_type='acute')



# 查看预测结果

print(ld50_predictions)
预测慢性毒性

# 预测慢性毒性

chronic_toxicity_predictions = predictor.predict_toxicity(data, toxicity_type='chronic')



# 查看预测结果

print(chronic_toxicity_predictions)
预测致癌性

# 预测致癌性

carcinogenicity_predictions = predictor.predict_toxicity(data, toxicity_type='carcinogenicity')



# 查看预测结果

print(carcinogenicity_predictions)
预测致突变性

# 预测致突变性

mutagenicity_predictions = predictor.predict_toxicity(data, toxicity_type='mutagenicity')



# 查看预测结果

print(mutagenicity_predictions)
预测致畸性

# 预测致畸性

teratogenicity_predictions = predictor.predict_toxicity(data, toxicity_type='teratogenicity')



# 查看预测结果

print(teratogenicity_predictions)
结果分析与可视化

# 合并所有预测结果

predictions_df = pd.DataFrame({

    'Compound': data['Compound'],

    'Acute Toxicity': ld50_predictions,

    'Chronic Toxicity': chronic_toxicity_predictions,

    'Carcinogenicity': carcinogenicity_predictions,

    'Mutagenicity': mutagenicity_predictions,

    'Teratogenicity': teratogenicity_predictions

})



# 查看预测结果

print(predictions_df)



# 绘制柱状图

predictions_df.plot(kind='bar', x='Compound', figsize=(10, 6))

plt.title('Toxicity Predictions')

plt.xlabel('Compound')

plt.ylabel('Toxicity Score')

plt.xticks(rotation=45)

plt.tight_layout()

plt.show()

结论

通过上述步骤，我们可以使用 ADMET Predictor 进行多种药物毒性的预测，并对预测结果进行分析和可视化。这些预测结果可以帮助研究人员在药物开发的早期阶段筛选出具有潜在安全问题的化合物，从而提高药物开发的效率和安全性。

进一步阅读

附录

常见问题

  1. 如何处理预测结果的不确定性？

    • 通过多次运行预测模型并计算平均值和标准差，可以减少预测结果的不确定性。

    • 也可以使用集成模型，结合多个模型的预测结果来提高准确性。

  2. 如何选择合适的训练数据？

    • 选择具有广泛毒性和非毒性化合物的数据集，以确保模型的泛化能力。

    • 数据集应包含多种结构类型的化合物，以提高模型的多样性。

  3. 如何评估模型的性能？

    • 使用交叉验证方法，如 K 折交叉验证，来评估模型的性能。

    • 计算模型的准确率、召回率、F1 分数等指标。

参考文献

  • [1] T. E. Carlson, “ADMET Predictor: A Software for Simulating Drug Metabolism and Toxicity,” Journal of Chemical Information and Modeling, vol. 50, no. 5, pp. 923-932, 2010.

  • [2] J. M. Smith, “Predictive Toxicology in Drug Development,” Current Opinion in Pharmacology, vol. 15, no. 6, pp. 788-795, 2015.

  • [3] A. J. Brown, “In Silico Methods for Drug Toxicity Prediction,” Toxicological Sciences, vol. 132, no. 1, pp. 1-10, 2013.

代码示例文件

  • compounds_smiles.csv

  • train_data.csv

  • test_data.csv

数据样例文件

  • compounds_smiles.csv

    
Compound,SMILES

Compound1,C1=CC=CC=C1

Compound2,C1=CC=C(C=C1)C(C)C

Compound3,C1=CC=CC=C1C(C)C

Compound4,C1=CC=CC=C1C(C)C(C)C

Compound5,C1=CC=CC=C1C(C)C(C)C(C)C

  • train_data.csv

    
Compound,SMILES,Toxicity

Compound1,C1=CC=CC=C1,0

Compound2,C1=CC=C(C=C1)C(C)C,1

Compound3,C1=CC=CC=C1C(C)C,0

Compound4,C1=CC=CC=C1C(C)C(C)C,1

Compound5,C1=CC=CC=C1C(C)C(C)C(C)C,0

  • test_data.csv

    
Compound,SMILES

Compound6,C1=CC=CC=C1C(C)C(C)C(C)C(C)C

Compound7,C1=CC=CC=C1C(C)C(C)C(C)C(C)C(C)C

最佳实践

  1. 数据清洗与预处理：在训练模型之前，确保数据的完整性和准确性。去除重复数据和异常值。

  2. 模型选择与优化：根据具体的毒性类型选择合适的模型，并通过超参数调优来提高模型的性能。

  3. 结果解释与验证：对预测结果进行详细的解释，并通过实验验证模型的准确性。

未来发展方向

  1. 多模态数据融合：结合结构数据、基因组数据、蛋白质组数据等多模态数据来提高毒性的预测准确性。

  2. 深度学习模型：利用深度学习技术，如卷积神经网络（CNN）和循环神经网络（RNN），来建模复杂的毒性机制。

  3. 实时预测系统：开发实时预测系统，帮助研究人员在药物开发过程中快速评估化合物的毒性。

代码示例

以下是一个完整的代码示例，展示了如何使用 ADMET Predictor 进行多种药物毒性的预测，并对结果进行分析和可视化。


# 导入必要的库

import pandas as pd

import matplotlib.pyplot as plt

from admet_predictor import Predictor



# 读取化合物的 SMILES 数据

data = pd.read_csv('compounds_smiles.csv')



# 查看数据

print(data.head())



# 初始化预测器

predictor = Predictor()



# 加载训练数据

train_data = pd.read_csv('train_data.csv')



# 训练模型

predictor.train(train_data, target='toxicity')



# 加载验证数据

test_data = pd.read_csv('test_data.csv')



# 验证模型

predictions = predictor.predict(test_data)



# 查看预测结果

print(predictions)



# 预测急性毒性

ld50_predictions = predictor.predict_toxicity(data, toxicity_type='acute')



# 预测慢性毒性

chronic_toxicity_predictions = predictor.predict_toxicity(data, toxicity_type='chronic')



# 预测致癌性

carcinogenicity_predictions = predictor.predict_toxicity(data, toxicity_type='carcinogenicity')



# 预测致突变性

mutagenicity_predictions = predictor.predict_toxicity(data, toxicity_type='mutagenicity')



# 预测致畸性

teratogenicity_predictions = predictor.predict_toxicity(data, toxicity_type='teratogenicity')



# 合并所有预测结果

predictions_df = pd.DataFrame({

    'Compound': data['Compound'],

    'Acute Toxicity': ld50_predictions,

    'Chronic Toxicity': chronic_toxicity_predictions,

    'Carcinogenicity': carcinogenicity_predictions,

    'Mutagenicity': mutagenicity_predictions,

    'Teratogenicity': teratogenicity_predictions

})



# 查看预测结果

print(predictions_df)



# 绘制柱状图

predictions_df.plot(kind='bar', x='Compound', figsize=(10, 6))

plt.title('Toxicity Predictions')

plt.xlabel('Compound')

plt.ylabel('Toxicity Score')

plt.xticks(rotation=45)

plt.tight_layout()

plt.show()

总结

通过本节的学习，您应该能够熟练使用 ADMET Predictor 进行药物毒性的预测，并对预测结果进行分析和可视化。这些技能在药物开发过程中具有重要的应用

在这里插入图片描述

药物代谢仿真软件：ADMET Predictor_（8）.ADMET属性预测
kkchenjj的博客
07-09 151
吸收是指药物从给药部位进入血液循环的过程。常见的给药途径包括口服、静脉注射、吸入等。药物的吸收受多种因素影响，如药物的理化性质、给药部位的生理条件等。ADMET Predictor是一款广泛用于药物代谢和毒理学研究的仿真软件。它基于大量的药物化学数据和机器学习算法，能够预测化合物的ADMET属性。软件提供了多种预测模型，包括logP、pKa、CYP450代谢、血脑屏障穿透性等。
药物代谢仿真软件：ADMET Predictor_（14）.药物代谢预测
kkchenjj的博客
07-10 758
ADMET Predictor是一款强大的药物代谢预测软件，可以帮助研究人员在药物开发早期阶段预测药物的ADME/T特性。该软件基于机器学习和定量结构-性质关系（QSAR）模型，通过输入药物的化学结构，可以预测其在体内的吸收、分布、代谢、排泄和毒性等特性。
药物代谢仿真软件：ADMET Predictor_（15）.药物排泄预测
kkchenjj的博客
07-10 788
用户可以使用自己的数据集训练新的排泄预测模型。# 导入必要的库# 准备训练数据'renal_clearance': [12.5, 8.0, 10.0] # 假设的训练数据})# 创建模型训练器对象# 导入训练数据# 选择模型类型# 训练模型# 保存模型。
药物代谢仿真软件：ADMET Predictor_（11）.代谢路径预测
kkchenjj的博客
07-10 913
代谢位点是指化合物在体内代谢过程中被酶或其他生物分子作用的特定位置。这些位点通常是化合物结构中具有较高反应活性的原子或基团。代谢位点的预测是代谢路径预测的基础，需要准确识别这些位点才能生成合理的代谢产物。代谢产物是指化合物在代谢过程中生成的新分子。这些产物可能具有不同的药理活性和毒性，因此对代谢产物的预测和分析至关重要。代谢路径是指化合物在体内经过一系列代谢反应生成代谢产物的过程。构建代谢路径可以帮助研究人员全面了解药物在体内的代谢过程，评估其代谢产物的安全性和有效性。
药物代谢仿真软件：ADMET Predictor_（1）.ADMETPredictor概述
kkchenjj的博客
07-09 311
用户可以根据自己的需求构建自定义模型。
药物代谢仿真软件：ADMET Predictor_（21）.ADMETPredictor在药物研发中的应用
kkchenjj的博客
07-10 1048
吸收：预测化合物在消化道中的吸收率、透过血脑屏障的能力等。分布：预测化合物在体内的分布情况，如血浆蛋白结合率、组织分布等。代谢：预测化合物在体内的代谢途径和主要代谢产物。排泄：预测化合物通过尿液、粪便等途径的排泄情况。毒性：预测化合物的急性毒性、致癌性、致突变性等。用户可以根据自己的研究需求自定义模型。# 导入必要的库# 读取数据# 定义特征提取函数return {else:# 提取特征data = data.dropna(subset=['features']) # 去除无效的数据。
药物代谢仿真软件：ADMET Predictor_（3）.ADMET的生理及药理学意义
kkchenjj的博客
07-09 994
吸收是指药物从给药部位进入血液循环的过程。药物的吸收受多种因素影响，包括给药途径、药物的理化性质、生物膜的性质等。常见的给药途径有口服、静脉注射、吸入、皮肤给药等。不同的给药途径对药物的吸收速度和程度有不同的影响。分布是指药物在进入血液循环后，通过血液传输到不同的组织和器官的过程。药物的分布受血浆蛋白结合率、脂溶性、分子大小等因素影响。了解药物的分布特性可以帮助研究人员更好地预测药物在体内的作用部位和作用时间。代谢是指药物在体内的化学转化过程，通常由肝脏中的酶系统（如CYP450酶）催化。
药物代谢仿真软件：ADMET Predictor_（17）.案例研究：药物ADMET性质预测
最新发布
kkchenjj的博客
09-02 248
ADMET Predictor 是一个非常强大的工具，可以帮助研究人员在药物开发的早期阶段预测和优化药物的吸收、分布、代谢、排泄和毒性性质。通过综合评估多个性质，可以更全面地了解药物在体内的行为，从而提高药物开发的成功率和效率。希望以上案例和代码示例能够为您的药物开发研究提供参考和帮助。
药物代谢仿真软件：ADMET Predictor_（2）.药物代谢的基本原理
kkchenjj的博客
07-09 120
药物代谢是药物在体内的吸收、分布、代谢和排泄（ADME）过程，这些过程决定了药物的药代动力学特性，进而影响其疗效和安全性。通过体外和体内的研究方法，可以详细了解药物的代谢特性，优化药物设计和给药方案。了解个体差异对于实现个体化给药和提高药物安全性同样重要。在药物研发过程中，综合考虑这些因素可以更好地评估药物的潜在毒性和副作用，从而开发出更安全有效的药物。
阻塞，非阻塞，同步，异步的理解
2203_75974353的博客
08-29 906
非阻塞：IO 未就绪时不阻塞，但数据就绪后仍需应用程序主动调用recv完成拷贝（同步特性不变）；异步：应用程序发起请求后彻底 “不管”，内核自己搞定 “等数据 + 拷贝数据”，最后通知结果（全程无需应用程序参与等待或拷贝）。
裸金属服务器与虚拟机、物理机的核心差异是什么?
cdjiyuntx的博客
08-28 753
企业在数字化转型中需根据业务需求选择适合的计算资源。裸金属服务器兼具物理机的性能优势与虚拟机的灵活性，适合高性能计算、大数据分析等场景；虚拟机资源利用率高、成本低，适合测试环境和中小型应用；物理机性能最佳但灵活性差，适合长期稳定业务。
Qt中UDP回显服务器和客户端
Mr_Xuhhh的博客
08-31 807
在进⾏⽹络编程之前, 需要在项⽬中的 .pro ⽂件中添加 network 模块.添加之后要⼿动编译⼀下项⽬, 使 Qt Creator 能够加载对应模块的头⽂件。
使用Azure DevOps MCP服务器，在开发过程中应用GitHub Copilot人工智能
Azure DevOps Server（原名TFS）
08-31 538
MCP是Model Context Protocol(模型上下文协议)的缩写，它定义了一套标准化的通信协议，在AI模型(客户端)和外部资源(服务器，如工具、数据源等)之间扮演“翻译官”和“交通警察”的角色。例如，用户数据存储在自己的系统或数据中，大语言模型无法直接访问这些资源；那么我们就可以利用MCP服务器在用户资源和大语言模型之间搭建一座桥梁，充分利用大语言模型的功能，实现对用户资源的访问、操作等控制，大幅提升内部资源的利用效率；
阿里云轻量服务器的系统镜像和应用镜像的区别在哪？
TG_yilongcloud的博客
08-28 602
轻量应用服务器是阿里云推出的易用型云服务器，支持一键部署、域名解析、安全管理和运维监控。本文详解系统镜像与应用镜像的区别及选择建议，助您根据需求快速决策。
250901-BookStack跨服务器从Rootless-Docker到Rootful-Docker的备份迁移及服务启动
专注机器学习之路
09-01 445
本文提供了一套从rootless服务器A迁移到rootful服务器B的BookStack服务方案，主要步骤包括：1）在A服务器停止容器并备份数据卷和数据库；2）将备份文件传输到B服务器；3）在B服务器导入镜像并配置环境，特别注意SELinux权限和防火墙设置；4）使用修改后的docker-compose文件启动服务。关键点包括保持APP_KEY一致、处理RHEL系统的SELinux权限问题、确保数据目录属主正确。迁移过程最小化停机时间，且完全离线操作，适合生产环境使用。
【Linux知识】Linux 设置账号密码永不过期
wendao76的专栏
08-28 791
本文详细介绍了在Linux系统中设置用户账号密码永不过期的5种方法：1）使用chage命令（推荐）设置密码和账户永不过期；2）直接修改/etc/shadow文件；3）使用usermod命令；4）全局配置/etc/login.defs文件；5）图形化工具。文章还提供了验证设置的命令、批量修改脚本、监控脚本以及安全注意事项，特别强调永不过期密码的安全风险，建议结合SSH密钥认证等替代方案。最后总结比较了各方法的特点和适用场景，推荐生产环境使用chage命令进行精确控制。
window系统使用命令行来安装OpenSSH服务器或客户端
weixin_42108533的博客
08-30 261
mmap 是 Unix/Linux 系统中用于内存映射文件的系统调用，可将文件或设备直接映射到进程地址空间，实现高效访问。其核心功能包括文件 I/O 优化、进程间通信（共享内存）、内存分配等。函数原型为 void *mmap(void *addr, size_t length, int prot, int flags, int fd, off_t offset)，成功返回映射地址，失败返回 MAP_FAILED。参数包括映射地址建议、长度、保护标志、映射类型、文件描述符和偏移量。典型应用场景包括文件随机访问
linux连接服务器sftp无法输入中文
lhxsir的博客
09-01 103
登录sftp后， 无法输入中文。把完整路径贴入后发现路径里中文全部被忽略了，手打也打不进去。网上查都说两边编码格式不一致，但是我locale查了之后两边都是en_US.utf-8。通过centos连接目标服务器的sftp，有个文件是中文名称（测试.txt）mget *.txt（下载所有txt结尾的文件）登录sftp后，进入目录指定。通过下载批量文件的形式。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

kkchenjj

你的鼓励是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值