Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do AlphaFoldu a jeho vlivu na biologický výzkum
- Vývoj metod predikce struktur proteinů: od modelování na základě homology k průlomům v hlubokém učení
- Role AlphaFoldu při urychlování výzkumu strukturní biologie, objevování léků a popisování funkce proteinů
- Stanovení reálných možností a hranic systému – jak jej efektivně začlenit do experimentální práce
- Praktické cvičení: Prozkoumání rozhraní databáze AlphaFold Protein Structure Database (AFDB) a vyhledávání proteinů podle sekvencí
Jak funguje AlphaFold? Architektura a hlavní komponenty
- Struktura neuronové sítě: Evoformer, modul pro tvorbu struktur a mechanismus uvažování na základě sekvencí
- Tvorba více sekvenčních zarovnání (MSA) a shoda se šablonami z databází PDB, UniRef či BFD
- Ukazatele spolehlivosti: pLDDT – míra důvěryhodnosti u jednotlivých aminokyselin a PAE – predikovaná odchylka zarovnání proteinu<\/li>
- Praktické cvičení: Mapování jednotlivých etap výpočtu AlphaFoldu u vybrané proteinové sekvence a sledování vstupů typu MSA či šablony
Přístup k nástrojům AlphaFold: platformy, notebooky a nasazení
- Dostupné varianty využití: databáze AlphaFold DB, veřejné API, notebooky Colab a lokální prostředí s podporou GPU
- Vytvoření reprodukovatelného prostředí Colab – instalace požadovaných komponent, přidělení grafické paměti a formátování vstupů
- Příprava proteinových sekvencí: struktura souboru FASTA, zacházení s více doménami atd.
- Praktický workshop: Spuštění oficiálního notebooku AlphaFold Colab, nahrání vlastní sekvence a inicializace první predikce
Databáze AlphaFold Protein Structure Database a další zdroje informací
- Pohyb v databázi AFDB: druhy organismů, kvalita struktur, dostupné formáty souborů (PDB/mmCIF, nerelaxované verze či soubory s ukazateli důvěryhodnosti)
- Využití AFDB společně s databázemi typu UniProt, PDB a funkcionálních informací (GO, KEGG, CATH)
- Správa rozsáhlých souborů: limitace při dávkovém vyhledávání, pravidla citování a licenční omezení dat
- Praktické cvičení: Výběr spolehlivých modelů v AFDB pro sledovanou biochemickou dráhu a příprava dat na další analýzu
Interpretace predikcí AlphaFoldu a hodnocení ukazatelů spolehlivosti
- Čtení teplotních map pLDDT – identifikace stabilních částí proteinu, neuspořádaných oblastí a míst s pochybnou predikcí
- Pochopení matic PAE – rozpoznávání hranic jednotlivých domén, vazeb mezi řetězci a potenciálních chyb ve skládání struktury
- Kdy lze výsledky považovat za spolehlivé? – pokrytí sekvence, hloubka evolučního vývoje a dostupnost homologních proteinů
- Praktické cvičení: Analýza vstupů pLDDT a PAE u proteinu s více doménami, identifikace nejistých oblastí a stanovení priorit pro další mutagenezi či experimenty
Otevřený kód AlphaFoldu a možnosti jeho úpravy
- Struktura repozitáře: hlavní moduly, datové procesy a konfigurační soubory
- Měnitelné parametry vstupů – vlastní MSA, nahrazení šablon či úprava prahových hodnot pro důvěryhodnost výsledků
- Optimalizace provozu: zkrácení doby vykonávání, hospodaření s pamětí a ukládání stavů mezi operacemi
- Praktický workshop: Spuštění upraveného kódu AlphaFoldu v prostředí Colab s použitím specifikované šablony a export výsledných modelů ve formátu PDB
Využití AlphaFoldu v biologickém výzkumu a experimentálních pracích
- Směrování mutageneze, krystalizace či plánování experimentů s pomocí cryo-EM díky predikovaným modelům
- Funkční popis proteinů: mapování aktivních míst, předběžné navrhování vazeb ligandů a predikce interakcí mezi molekulami
- Mezní hranice systému – kdy lze výsledky považovat za spolehlivé, kdy je nutné experimentální ověření a časté chyby při interpretaci
- Praktický workshop: Navrhnutí postupu pro laboratorní validaci konkrétního modelu a převod výstupů umělé inteligence do vhodných experimentálních testů
Závěrečné shrnutí, praktická ukázka a další směry vývoje
- Zhodnocení klíčových poznatků – fungování systému, interpretace dat i efektivní využití nástrojů
- Praktická ukázka: Každý účastník si zvolí protein pro studium, provede jeho predikci, vyhodnotí dostupné ukazatele a navrhne vlastní výzkumný plán na její využití
- Diskuze s odpověďmi na dotazy, řešení častých problémů při práci a poskytnutí užitečných zdrojů informací
- Budoucí směry vývoje: začlenění novějšího nástroje AlphaFold3, RoseTTAFold, trRosetta a dalších projektů komunity otevřeného software
Požadavky
- Znalosti o struktuře proteinů a základní orientace v dané problematice
- Doporučuje se znát základní pojmy molekulární biologie (sekvence aminokyselin, principy skládání, formáty PDB/mmCIF)
- Schopnost orientovat se v webových notebookách a spouštět kód přímo v prohlížeči
Cílové skupiny
- Biologové, molekulární výzkumníci a specialisté na strukturní biologii
- Vědci provádějící experimenty, kteří využívají predikce struktur pro směrování laboratorní práce<\/li>
- Odborníci ze životních věd integrující modely založené na umělé inteligenci do tvorby hypotéz a návrhu experimentů
7 Hodiny
