DL4Proteins notebooks

การประชุมเชิงปฏิบัติการ DL4Proteins (รุ่นเบต้า)

ยินดีต้อนรับสู่ DL4Proteins!

เป้าหมายของซีรีส์สมุดบันทึก DL4Proteins คือการทำให้การเรียนรู้เชิงลึกเป็นประชาธิปไตยสำหรับการออกแบบและการทำนายโปรตีน โดยมาถึงช่วงเวลาแห่งการเปลี่ยนแปลงทางวิทยาศาสตร์ David Baker, Demis Hassabis และ John Jumper ผู้ได้รับรางวัลโนเบลสาขาเคมีประจำปี 2024 เป็นผู้ค้นพบความก้าวหน้าในการออกแบบโปรตีนเชิงคำนวณและการทำนายโครงสร้าง แหล่งข้อมูลนี้นำเสนอคำแนะนำที่เข้าถึงได้และลงมือปฏิบัติจริงเกี่ยวกับเครื่องมือและวิธีการที่กำหนดรูปแบบการปฏิวัติครั้งนี้ ด้วยการผสมผสานหลักการเรียนรู้ของเครื่องขั้นพื้นฐานเข้ากับแนวทางล้ำสมัย เช่น AlphaFold, RFDiffusion และ ProteinMPNN ทำให้ DL4Proteins จัดเตรียมนักวิจัย นักการศึกษา และนักศึกษาให้มีความรู้เพื่อสนับสนุนอนาคตของวิศวกรรมโปรตีน สมุดบันทึกแบบโอเพ่นซอร์สเหล่านี้เชื่อมช่องว่างระหว่างการวิจัยที่ล้ำสมัยและการเรียนรู้ในชั้นเรียน โดยส่งเสริมนักสร้างสรรค์รุ่นใหม่ในด้านชีววิทยาสังเคราะห์และการบำบัด

สมุดบันทึก Jupyter ด้านล่างนี้ให้ข้อมูลเบื้องต้นเกี่ยวกับแนวคิดและแบบจำลองการเรียนรู้ของเครื่องขั้นพื้นฐานที่ใช้ในปัจจุบันในด้านการออกแบบโปรตีน สมุดบันทึกสามารถทำงานได้ใน Google Colaboratory

**เพื่อให้ตัวเลขและคำถามแสดงผลได้อย่างถูกต้อง โปรดตั้งค่าสมุดบันทึก Colab ให้เป็นโหมดสว่าง

สารบัญ

บทที่ 1: โครงข่ายประสาทเทียมด้วย NumPy

บทที่ 2: โครงข่ายประสาทเทียมด้วย PyTorch

บทที่ 3: โครงข่ายประสาทเทียมแบบ Convolutional

บทที่ 4: แบบจำลองภาษาสำหรับเช็คสเปียร์และโปรตีน

บทที่ 5: โมเดลภาษาฝังการถ่ายโอนการเรียนรู้สำหรับงานปลายน้ำ

บทที่ 6: ข้อมูลเบื้องต้นเกี่ยวกับ AlphaFold

บทที่ 7: กราฟโครงข่ายประสาทเทียมสำหรับโปรตีน

บทที่ 8: แบบจำลองความน่าจะเป็นแบบกระจายตัวแบบ Denoising

บทที่ 9: รวบรวมทั้งหมดเข้าด้วยกัน - ตั้งแต่ RFDiffusion ไปจนถึง ProteinMPNN ไปจนถึง Alphafold

บทที่ 10: ความรู้เบื้องต้นเกี่ยวกับ RFDiffusion - อะตอมทั้งหมด

หากคุณมีปัญหาใด ๆ โปรดใส่ลงในแท็บปัญหา นี่คือพื้นที่เก็บข้อมูลที่มีชีวิต - เรากำลังรวบรวมความคิดเห็นอย่างแข็งขัน!

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

กิตติกรรมประกาศ: Sergey Lyskov, Sergey Ovchinnikov, นักเรียนของ Johns Hopkins หลักสูตรการทำนายโครงสร้างโปรตีน 540.614/414 ปี 2023 และ Johns Hopkins Center for Teaching Excellence and Innovation - ทุนสนับสนุนการเพิ่มประสิทธิภาพการสอน

ข้อมูลอ้างอิงและแหล่งข้อมูลเพิ่มเติม: สมุดบันทึกแต่ละเล่มในพื้นที่เก็บข้อมูลนี้ได้รับแรงบันดาลใจและวิธีการจากแหล่งข้อมูลล้ำสมัยต่างๆ รวมถึงเครื่องมือออนไลน์ที่โดดเด่น แหล่งข้อมูลด้านการศึกษา สิ่งพิมพ์ และแหล่งเก็บข้อมูลโอเพ่นซอร์ส แหล่งข้อมูลหลัก ได้แก่ ซีรีส์ YouTube โดย Harrison Kinsley, Andrej Karpathy และ Petar Veličković สิ่งเหล่านี้ถูกอ้างถึงในสมุดบันทึกที่เกี่ยวข้อง และเราขอแนะนำให้ผู้ใช้สำรวจงานพื้นฐานเหล่านี้เพื่อข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้น