DL4Proteins notebooks

Ateliers DL4Proteins (version bêta)

Bienvenue sur DL4Protéines !

L’objectif de la série de cahiers DL4Proteins est de démocratiser l’apprentissage profond pour la conception et la prédiction des protéines, arrivant ainsi à un moment transformateur de la science. Avec le prix Nobel de chimie 2024 décerné à David Baker, Demis Hassabis et John Jumper pour leurs percées dans la conception informatique des protéines et la prédiction structurelle, cette ressource fournit une introduction pratique et accessible aux outils et méthodologies mêmes qui ont façonné cette révolution. En combinant les principes fondamentaux de l'apprentissage automatique avec des approches de pointe telles que AlphaFold, RFDiffusion et ProteinMPNN, DL4Proteins donne aux chercheurs, aux enseignants et aux étudiants les connaissances nécessaires pour contribuer à l'avenir de l'ingénierie des protéines. Ces cahiers open source comblent le fossé entre la recherche de pointe et l’apprentissage en classe, favorisant ainsi une nouvelle génération d’innovateurs en biologie synthétique et en thérapeutique.

Les cahiers Jupyter ci-dessous fournissent une introduction aux concepts et modèles fondamentaux d'apprentissage automatique actuellement utilisés dans le domaine de la conception de protéines. Les blocs-notes peuvent être exécutés dans Google Colaboratory.

**Pour que les chiffres et les questions s'affichent correctement, veuillez définir les blocs-notes Colab en mode clair.

Table des matières

Chapitre 1 : Réseaux de neurones avec NumPy

Chapitre 2 : Réseaux de neurones avec PyTorch

Chapitre 3 : Réseaux de neurones convolutifs

Chapitre 4 : Modèles linguistiques pour Shakespeare et les protéines

Chapitre 5 : L'intégration du modèle de langage transfère l'apprentissage pour la tâche en aval

Chapitre 6 : Introduction à AlphaFold

Chapitre 7 : Réseaux de neurones graphiques pour les protéines

Chapitre 8 : Modèles probabilistes de diffusion de débruitage

Chapitre 9 : Mettre tout cela ensemble - De RFDiffusion à ProteinMPNN en passant par Alphafold

Chapitre 10 : Introduction à RFDiffusion - All Atom

Si vous rencontrez des problèmes, veuillez les indiquer dans l'onglet Problèmes. Il s'agit d'un référentiel vivant - nous intégrons activement les commentaires !

Auteurs : Michael F. Chungyoun, Sreevarsha Puvada, Gabriel Au, Courtney Thomas, Britnie J. Carpentier, Jeffrey J. Gray

Remerciements : Sergey Lyskov, Sergey Ovchinnikov, étudiants de Johns Hopkins du cours 2023 540.614/414 Protein Structure Prediction et du Johns Hopkins Center for Teaching Excellence and Innovation - Instructional Enhancement Grant.

Citations et ressources supplémentaires : chaque cahier de ce référentiel s'inspire et s'appuie sur des méthodologies provenant de diverses ressources de pointe, notamment des outils en ligne de premier plan, des ressources pédagogiques, des publications et des référentiels open source. Les ressources clés incluent les séries YouTube d'Harrison Kinsley, Andrej Karpathy et Petar Veličković. Ceux-ci sont cités dans leurs cahiers respectifs et nous encourageons les utilisateurs à explorer ces travaux fondamentaux pour obtenir des informations plus approfondies.