DL4Proteins notebooks
1.0.0
Selamat datang di DL4Protein!
Tujuan dari seri notebook DL4Proteins adalah untuk mendemokratisasikan pembelajaran mendalam untuk desain dan prediksi protein, sehingga mencapai momen transformatif dalam sains. Dengan Hadiah Nobel Kimia tahun 2024 yang diberikan kepada David Baker, Demis Hassabis, dan John Jumper atas terobosan dalam desain protein komputasional dan prediksi struktural, sumber daya ini memberikan pengenalan praktis dan mudah diakses tentang alat dan metodologi yang membentuk revolusi ini. Dengan memadukan prinsip-prinsip pembelajaran mesin dasar dengan pendekatan canggih seperti AlphaFold, RFDiffusion, dan ProteinMPNN, DL4Proteins membekali para peneliti, pendidik, dan siswa dengan pengetahuan untuk berkontribusi pada masa depan rekayasa protein. Buku catatan sumber terbuka ini menjembatani kesenjangan antara penelitian mutakhir dan pembelajaran di kelas, membina generasi baru inovator dalam biologi sintetik dan terapi.
Notebook Jupyter di bawah ini memberikan pengenalan konsep dan model pembelajaran mesin dasar yang saat ini digunakan dalam bidang desain protein. Notebook dapat dijalankan di Google Colaboratory.
**Agar gambar dan pertanyaan dapat ditampilkan dengan benar, harap setel buku catatan colab ke mode terang.
Jika Anda mempunyai masalah, silakan masukkan ke tab Masalah. Ini adalah gudang hidup - kami secara aktif memasukkan umpan balik!
Penulis: Michael F. Chungyoun, Sreevarsha Puvada, Gabriel Au, Courtney Thomas, Britnie J. Carpentier, Jeffrey J. Gray
Ucapan Terima Kasih: Sergey Lyskov, Sergey Ovchinnikov, siswa Johns Hopkins tahun 2023 kursus Prediksi Struktur Protein 540.614/414, dan Pusat Keunggulan Pengajaran dan Inovasi Johns Hopkins - Hibah Peningkatan Instruksional.
Kutipan dan Sumber Tambahan: Setiap buku catatan dalam repositori ini mengambil inspirasi dan metodologi dari berbagai sumber daya mutakhir, termasuk alat online terkemuka, sumber daya pendidikan, publikasi, dan repositori sumber terbuka. Sumber daya utama mencakup serial YouTube oleh Harrison Kinsley, Andrej Karpathy, dan Petar Veličković. Hal ini dikutip dalam buku catatan masing-masing, dan kami mendorong pengguna untuk mengeksplorasi karya-karya dasar ini untuk mendapatkan wawasan yang lebih mendalam.
