Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Wprowadzenie do AlphaFold i jego wpływu na badania biologiczne
- Ewolucja przewidywania struktury białek: od modelowania homologii do przełomów w głębokim uczeniu
- Rola AlphaFold w przyspieszeniu biologii strukturalnej, odkrywaniu leków i adnotacji funkcjonalnej
- Ustalenie oczekiwań: możliwości, ograniczenia i punkty integracji eksperymentalnej
- Ćwiczenie praktyczne: Eksploracja interfejsu bazy danych struktur białkowych AlphaFold (AFDB) i przeprowadzenie wstępnych wyszukiwań sekwencji
Jak działa AlphaFold? Architektura i główne komponenty
- Architektura sieci neuronowej: Evoformer, moduł strukturalny i modelowanie sekwencji oparte na uwadze
- Generowanie wielosekwencyjnego dopasowania (MSA) i dopasowanie szablonów (PDB, UniRef, BFD)
- Metryki pewności: wyjaśnienie pLDDT (pewność na resztę) i PAE (przewidywany błąd wyrównania)
- Ćwiczenie praktyczne: Mapowanie etapów workflow AlphaFold na przykładzie sekwencji białka i śledzenie wejść MSA/szablonów
Dostęp do AlphaFold: platformy, notatniki i wdrożenie
- Oficjalne opcje wdrożenia: AlphaFold DB, publiczne API, notatniki Colab oraz środowiska lokalne/GPU
- Konfiguracja powtarzalnego środowiska Colab: instalacja zależności, alokacja GPU i formatowanie wejść
- Przygotowanie sekwencji białek: struktura FASTA, obsługa łańcuchów i uwzględnienie wielu domen
- Laboratorium praktyczne: Wdrożenie oficjalnego notatnika AlphaFold w Colab, przesłanie niestandardowej sekwencji FASTA i rozpoczęcie pierwszego przewidywania
Baza danych struktur białkowych AlphaFold i zasoby publiczne
- Nawigacja po AFDB: pokrycie organizmów, jakość struktur, formaty pobierania (PDB/mmCIF, pliki nieodprężone/pLDDt)
- Krzyżowe odwołania do AFDB z UniProt, PDB i bazami danych funkcjonalnych (GO, KEGG, CATH)
- Zarządzanie dużymi zbiorami danych: limity przewidywań zbiorczych, wytyczne cytowania i licencjonowanie danych
- Ćwiczenie praktyczne: Ekstrakcja modeli AFDB o wysokiej pewności dla wybranej ścieżki i przygotowanie plików do dalszej analizy
Interpretacja przewidywań AlphaFold i metryk pewności
- Czytanie map cieplnych pLDDT: identyfikacja rdzeni strukturalnych, regionów nieuporządkowanych i domen o niskiej pewności
- Dekodowanie macierzy PAE: wykrywanie granic domen, interakcji wewnątrz- i międzyłańcuchowych oraz potencjalnych regionów błędnego fałdowania
- Kiedy przewidywania są wiarygodne: pokrycie sekwencji, głębokość ewolucyjna i znane homologi strukturalne
- Ćwiczenie praktyczne: Ocena wyników pLDDT/PAE dla białka wielodomenowego, oznaczanie regionów o niskiej pewności i planowanie celów mutagenezy/walidacji
Kod open source AlphaFold i ścieżki dostosowania
- Struktura repozytorium: główne moduły, potoki danych i pliki konfiguracyjne
- Modyfikacja wejść: niestandardowe MSA, nadpisywanie szablonów i dostosowywanie progów pewności
- Optymalizacja wydajności: redukcja czasu wykonywania, zarządzanie pamięcią i zapisywanie punktów kontrolnych
- Laboratorium praktyczne: Uruchomienie zmodyfikowanego potoku AlphaFold w Colab z niestandardowym ograniczeniem szablonu i eksportowanie dopracowanych plików PDB
Zastosowania AlphaFold w badaniach biologicznych i integracja eksperymentalna
- Kierowanie mutagenezą, krystalizacją i planowaniem siatek kriomikroskopii przy użyciu przewidywanych modeli
- Adnotacja funkcjonalna: mapowanie miejsc aktywnych, przygotowanie do dokowania ligandów i przewidywanie interfejsów
- Ograniczenia i weryfikacja: kiedy ufać przewidywaniom, kiedy walidować eksperymentalnie i typowe pułapki
- Warsztat: Projektowanie eksperymentalnego workflow walidacji dla przewidywanej struktury i mapowanie wyników AI na testy laboratoryjne
Podsumowanie, aplikacja końcowa i kolejne kroki
- Konsolidacja kluczowych koncepcji: architektura, interpretacja i praktyczne wdrożenie
- Projekt końcowy: Uczestnicy wybierają białko, uruchamiają/pobierają przewidywanie, interpretują metryki pewności i opracowują plan aplikacji badawczej
- Otwarte pytania i odpowiedzi, rozwiązywanie typowych błędów i dystrybucja zasobów
- Kolejne kroki: integracja AlphaFold3, RoseTTAFold, trRosetta i trwające narzędzia społecznościowe
Wymagania
- Podstawowa wiedza i zrozumienie struktur białek
- Zalecana znajomość podstawowych koncepcji biologii molekularnej (sekwencje aminokwasów, zasady fałdowania, formaty PDB/mmCIF)
- Umiejętność poruszania się po internetowych notatnikach i wykonywania komórek kodu w przeglądarce
Grupa docelowa
- Biolodzy, badacze molekularni i naukowcy zajmujący się biologią strukturalną
- Naukowcy eksperymentalni poszukujący obliczeniowych przewidywań struktur do prowadzenia prac laboratoryjnych
- Profesjonaliści z dziedziny nauk przyrodniczych integrujący modelowanie wspomagane AI w generowanie hipotez i projektowanie eksperymentów
7 godzin
