DL4Proteins notebooks
1.0.0
¡Bienvenido a DL4Proteins!
El objetivo de la serie de cuadernos DL4Proteins es democratizar el aprendizaje profundo para el diseño y la predicción de proteínas, llegando a un momento transformador en la ciencia. Con el Premio Nobel de Química 2024 otorgado a David Baker, Demis Hassabis y John Jumper por sus avances en el diseño computacional de proteínas y la predicción estructural, este recurso proporciona una introducción práctica y accesible a las mismas herramientas y metodologías que dieron forma a esta revolución. Al combinar principios fundamentales del aprendizaje automático con enfoques de última generación como AlphaFold, RFDiffusion y ProteinMPNN, DL4Proteins equipa a investigadores, educadores y estudiantes con el conocimiento para contribuir al futuro de la ingeniería de proteínas. Estos cuadernos de código abierto cierran la brecha entre la investigación de vanguardia y el aprendizaje en el aula, fomentando una nueva generación de innovadores en biología sintética y terapéutica.
Los cuadernos de Jupyter a continuación brindan una introducción a los conceptos y modelos fundamentales de aprendizaje automático que se utilizan actualmente en el espacio del diseño de proteínas. Los cuadernos se pueden ejecutar en Google Colaboratory.
**Para que las figuras y las preguntas se representen correctamente, configure los cuadernos de colab en modo ligero.
Si tiene algún problema, introdúzcalo en la pestaña Problemas. Este es un repositorio vivo: ¡estamos incorporando comentarios activamente!
Autores: Michael F. Chungyoun, Sreevarsha Puvada, Gabriel Au, Courtney Thomas, Britnie J. Carpentier, Jeffrey J. Gray
Agradecimientos: Sergey Lyskov, Sergey Ovchinnikov, estudiantes de Johns Hopkins del curso de predicción de la estructura de proteínas 540.614/414 de 2023 y el Centro Johns Hopkins para la Excelencia e Innovación en la Enseñanza - Beca de mejora de la instrucción.
Citas y recursos adicionales: cada cuaderno de este repositorio se inspira y utiliza metodologías de varios recursos de vanguardia, incluidas destacadas herramientas en línea, recursos educativos, publicaciones y repositorios de código abierto. Los recursos clave incluyen series de YouTube de Harrison Kinsley, Andrej Karpathy y Petar Veličković. Estos se citan en sus respectivos cuadernos y animamos a los usuarios a explorar estos trabajos fundamentales para obtener conocimientos más profundos.
