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.
Durata 7 ore
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
