DL4Proteins notebooks
1.0.0
Bem-vindo ao DL4Proteínas!
O objetivo da série de notebooks DL4Proteins é democratizar o aprendizado profundo para design e previsão de proteínas, chegando a um momento transformador na ciência. Com o Prémio Nobel de Química de 2024 atribuído a David Baker, Demis Hassabis e John Jumper pelos avanços no design computacional de proteínas e na previsão estrutural, este recurso fornece uma introdução prática e acessível às próprias ferramentas e metodologias que moldaram esta revolução. Ao combinar princípios fundamentais de aprendizado de máquina com abordagens de última geração, como AlphaFold, RFDiffusion e ProteinMPNN, o DL4Proteins capacita pesquisadores, educadores e estudantes com o conhecimento necessário para contribuir para o futuro da engenharia de proteínas. Esses cadernos de código aberto preenchem a lacuna entre a pesquisa de ponta e o aprendizado em sala de aula, promovendo uma nova geração de inovadores em biologia sintética e terapêutica.
Os notebooks Jupyter abaixo fornecem uma introdução aos conceitos e modelos fundamentais de aprendizado de máquina atualmente utilizados no espaço de design de proteínas. Os notebooks podem ser executados no Google Colaboratory.
**Para que as figuras e perguntas sejam renderizadas corretamente, configure os cadernos Colab para o modo claro.
Se você tiver algum problema, coloque na guia Problemas. Este é um repositório vivo - estamos incorporando feedback ativamente!
Autores: Michael F. Chungyoun, Sreevarsha Puvada, Gabriel Au, Courtney Thomas, Britnie J. Carpentier, Jeffrey J. Gray
Agradecimentos: Sergey Lyskov, Sergey Ovchinnikov, alunos da Johns Hopkins do curso 540.614/414 de Predição de Estrutura de Proteínas de 2023 e Centro Johns Hopkins para Excelência e Inovação de Ensino - Bolsa de Aprimoramento Instrucional.
Citações e recursos adicionais: Cada caderno neste repositório extrai inspiração e metodologias de vários recursos de ponta, incluindo ferramentas online proeminentes, recursos educacionais, publicações e repositórios de código aberto. Os principais recursos incluem séries do YouTube de Harrison Kinsley, Andrej Karpathy e Petar Veličković. Eles são citados em seus respectivos cadernos e incentivamos os usuários a explorar esses trabalhos fundamentais para obter insights mais profundos.
