ABSTRACT In this study, We design a trajectory recording and analysis system to record and analysis the changes in the movement behavior of the cockroach robot after stimulation. The external hardware of this system is an infrared touchpad as the experimental platform for the cockroach robot to crawl freely, and the infrared matrices densely distributed in the X and Y directions of the infrared touchpad are used to detect and locate the position of the cockroach robot. The cockroach robot’s movement trajectory is displayed visually through the projector’s interface projection on the infrared touchpad. The system software consists of three main parts: the electrical signal parameter setting module, the movement trajectory recording module, and the data analysis module. The electrical signal parameter setting module sets the stimulation parameters and configures the corresponding serial port to independently stimulate the left and right antenna and cercus of the cockroach; the trajectory recording module is used to record the trajectory of the cockroach robot through the coordinate positioning method. The data analysis module explores the change of motion behavior of the cockroach robot with time after receiving the stimulus by using the stage analysis method, and explores the change of motion of the cockroach robot with different voltage stimulus by using the module analysis method. The system is tested in experiments and the results demonstrated its applicability to the recording and analysis of the cockroach robot’s trajectories.

Designing protein with specified structure and function involves a key component named sequence design, which can provide valuable insights into understanding the life systems as well for the diagnosis and therapy of diseases. Although deep learning methods have made great progress in protein sequence design, most of these studies focus on network structure optimization, while ignoring protein-specific physicochemical features. Inspired by the successful application of structure templates and pre-trained models in the field of protein structure prediction, we explored whether the representation of structural sequence profile can be used for protein sequence design. In this work, we proposed SPDesign, a method for protein sequence design based on structural sequence profile using ultrafast shape recognition. Given an input back-bone structure, SPDesign utilizes ultrafast shape recognition vectors to accelerate the search for similar protein structures (aka, structural analogs) in our in-house PAcluster80 structure database, and then extracts the sequence profile from the analogs through structure alignment. Combined with structural pre-trained knowledge and geometric features, they are further feed into an enhanced graph neural network to predict the sequence. Experimental results show that SPDesign significantly outperforms the state-of-the-art methods, such as ProteinMPNN, Pifold and LM-Design, leading to 21.89%, 15.54% and 11.4% accuracy gains in sequence recovery rate on CATH 4.2 benchmark, respectively. Encouraging results also have been achieved on the TS50 and TS500 benchmarks, with performance reaching 68.64% and 71.63%. Furthermore, detailed analysis conducted by the PDBench tool suggest that SPDesign performs well in subdivided structures such as buried residues and solenoid. More interestingly, we found that SPDesign can well reconstruct the sequences of some proteins that have similar structures but different sequences. Finally, the structural modeling verification experiment bears out that the sequences designed by our method can fold into the native structures more accurately.