Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere în AlphaFold & Impactul său asupra Cercetării Biologice
- Evoluția predicției structurii proteice: de la modelarea omologiei la descoperirile în învățarea profundă
- Rolul AlphaFold în accelerarea biologiei structurale, descoperirii de medicamente și annotării funcționale
- Stabilirea așteptărilor: capabilități, limitări și puncte de integrare experimentală
- Exercițiu Practic: Explorarea interfeței bazei de date AlphaFold Protein Structure Database (AFDB) și efectuarea de căutări inițiale de secvențe
Cum Funcționează AlphaFold? Arhitectură & Componente de Bază
- Arhitectura rețelei neuronale: Evoformer, modulul de structură și modelarea secvențelor bazate pe atenție
- Generarea Aliniamentului Multi-Secvență (MSA) și potrivirea șabloanelor (PDB, UniRef, BFD)
- Metrici de încredere: pLDDT (încredere pe reziduu) și PAE (eroare aliniată prezisă) explicate
- Exercițiu Practic: Maparea etapelor fluxului de lucru al AlphaFold folosind o secvență proteică exemplu și urmărirea intrărilor MSA/șabloane
Accesarea AlphaFold: Platforme, Notebook-uri & Implementare
- Opțiuni oficiale de implementare: AlphaFold DB, API public, notebook-uri Colab și medii locale/GPU
- Configurarea unui mediu Colab reproducibil: instalarea dependențelor, alocarea GPU și formatarea intrărilor
- Pregătirea secvențelor proteice: structura FASTA, gestionarea lanțurilor și considerente pentru domenii multiple
- Laborator Practic: Implementarea notebook-ului oficial AlphaFold Colab, încărcarea unei secvențe FASTA personalizate și inițierea primei rulări de predicție
Baza de Date AlphaFold Protein Structure & Resurse Publice
- Navigarea în AFDB: acoperirea organismelor, calitatea structurilor, formate de descărcare (PDB/mmCIF, fișiere ne-relaxate/pLDDt)
- Referințe încrucișate între AFDB și UniProt, PDB și baze de date funcționale (GO, KEGG, CATH)
- Gestionarea seturilor de date la scară largă: limite de predicție în lot, linii directoare de citare și licențierea datelor
- Exercițiu Practic: Extragerea modelelor AFDB cu încredere ridicată pentru o cale țintă și pregătirea fișierelor pentru analiza ulterioară
Interpretarea Predictiilor AlphaFold & Metricilor de Încredere
- Citirea hărților termice pLDDT: identificarea nucleelor structurate, regiunilor dezordonate și domeniilor cu încredere scăzută
- Decodificarea matricelor PAE: detectarea limitelor domeniilor, interacțiuni intra/inter-lanț și regiuni potențiale de misfolding
- Când predicțiile sunt fiabile: acoperirea secvenței, adâncimea evolutivă și omologii structurali cunoscuți
- Exercițiu Practic: Evaluarea ieșirilor pLDDT/PAE pentru o proteină multi-domeniu, marcarea regiunilor cu încredere scăzută și planificarea țintelor de mutageneză/validare
Codul Sursă Deschis AlphaFold & Căi de Personalizare
- Structura repository-ului: module de bază, fluxuri de date și fișiere de configurare
- Modificarea intrărilor: MSA personalizate, suprascrieri de șabloane și ajustări ale pragurilor de încredere
- Optimizarea performanței: reducerea timpului de rulare, gestionarea memoriei și salvarea punctelor de control
- Laborator Practic: Rularea unei conducte modificate AlphaFold în Colab cu o constrângere de șablon personalizată și exportul fișierelor PDB rafinate
Cazuri de Utilizare AlphaFold în Cercetarea Biologică & Integrarea Experimentală
- Ghidarea mutagenezei, cristalizării și planificării grilei cryo-EM folosind modele prezise
- Anotarea funcțională: maparea siturilor active, pregătirea docking-ului de ligandi și predicția interfețelor
- Limitări & verificare: când să ai încredere în predicții, când să validezi experimental și capcane comune
- Atelier: Proiectarea unui flux de lucru de validare experimentală pentru o structură prezisă și maparea ieșirilor AI către testări de laborator
Rezumat, Aplicație Capstone & Pașii Următori
- Consolidarea conceptelor cheie: arhitectura, interpretarea și implementarea practică
- Capstone: Participanții aleg o proteină de interes, rulează/extra o predicție, interpretează metricile de încredere și conturează un plan de aplicație în cercetare
- Sesiune deschisă de întrebări și răspunsuri, depanarea erorilor comune și distribuirea resurselor
- Pașii următori: integrarea avansată AlphaFold3, RoseTTAFold, trRosetta și instrumentele comunitare în curs de dezvoltare
Cerințe
- Cunoștințe de bază și înțelegere a structurilor proteice
- Familiaritate cu conceptele de bază ale biologiei moleculare (secvențe de aminoacizi, principii de pliere, formate PDB/mmCIF) este recomandată
- Confortabil în navigarea pe notebook-uri web și executarea celulelor de cod într-un browser
Publicul Țintă
- Biologi, cercetători moleculari și investigatori în biologia structurală
- Oameni de știință experimentali care caută predicții computaționale de structură pentru a ghida fluxurile de lucru în laborator
- Profesioniști în științele vieții care integrează modelarea bazată pe AI în generarea de ipoteze și proiectarea experimentală
7 Ore
