Publication

Deep learning approaches for conformational flexibility and switching properties in protein design

Concepts associés (32)

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Connectez-vous pour utiliser Chat avec Graph Search

Protein–protein interaction prediction

Protein–protein interaction prediction is a field combining bioinformatics and structural biology in an attempt to identify and catalog physical interactions between pairs or groups of proteins. Understanding protein–protein interactions is important for the investigation of intracellular signaling pathways, modelling of protein complex structures and for gaining insights into various biochemical processes.

Protéine de fusion

Une protéine de fusion est une protéine artificielle obtenue par la combinaison de différentes protéines, ou partie de protéines. Elle est obtenue à la suite de la création par recombinaison de l'ADN d'un gène comportant les cadres de lecture ouverts correspondant aux protéines ou parties de protéines désirées. Les protéines de fusion peuvent également être appelées protéines chimères. Une des applications les plus connues des protéines de fusion est la fusion d'une protéine d'intérêt à une protéine fluorescente.

Protein function prediction

Protein function prediction methods are techniques that bioinformatics researchers use to assign biological or biochemical roles to proteins. These proteins are usually ones that are poorly studied or predicted based on genomic sequence data. These predictions are often driven by data-intensive computational procedures. Information may come from nucleic acid sequence homology, gene expression profiles, protein domain structures, text mining of publications, phylogenetic profiles, phenotypic profiles, and protein-protein interaction.

Lattice protein

Lattice proteins are highly simplified models of protein-like heteropolymer chains on lattice conformational space which are used to investigate protein folding. Simplification in lattice proteins is twofold: each whole residue (amino acid) is modeled as a single "bead" or "point" of a finite set of types (usually only two), and each residue is restricted to be placed on vertices of a (usually cubic) lattice. To guarantee the connectivity of the protein chain, adjacent residues on the backbone must be placed on adjacent vertices of the lattice.

Structure quaternaire

vignette|Structure quaternaire de l'hémoglobine humaine. Deux sous-unités α et deux sous-unités β forment le tétramère fonctionnel de l'hémoglobine. Elles sont arrangées avec un enchaînement de type αβαβ. La structure quaternaire d'une protéine multimérique est la manière dont sont agencées les différentes chaînes protéiques, ou sous-unités, à l'état natif les unes par rapport aux autres. Ce qualificatif ne s'applique qu'aux protéines multimériques, c'est-à-dire ne contenant pas qu'une seule sous unité.

Protein dynamics

Proteins are generally thought to adopt unique structures determined by their amino acid sequences. However, proteins are not strictly static objects, but rather populate ensembles of (sometimes similar) conformations. Transitions between these states occur on a variety of length scales (tenths of Å to nm) and time scales (ns to s), and have been linked to functionally relevant phenomena such as allosteric signaling and enzyme catalysis.

Protéine membranaire

Les protéines membranaires constituent l'une des trois principales classes de protéines à côté des protéines fibreuses et des protéines globulaires. Suivant le type de cellule et d'organite cellulaire, une membrane peut contenir des centaines de protéines différentes. Chaque protéine membranaire possède une orientation définie par rapport au cytoplasme : c'est pourquoi les propriétés des faces de la membrane sont très différentes. On parle de l’asymétrie de la membrane.

Learning rate

In machine learning and statistics, the learning rate is a tuning parameter in an optimization algorithm that determines the step size at each iteration while moving toward a minimum of a loss function. Since it influences to what extent newly acquired information overrides old information, it metaphorically represents the speed at which a machine learning model "learns". In the adaptive control literature, the learning rate is commonly referred to as gain. In setting a learning rate, there is a trade-off between the rate of convergence and overshooting.

Protéine transmembranaire

Une protéine est dite transmembranaire lorsqu’elle traverse au moins une fois entièrement la membrane cellulaire. Il existe donc trois environnements de composition différente en contact avec la protéine : le milieu extracellulaire, les lipides de la membrane, le cytosol. Chacun de ces trois environnements a une influence sur la structure de la protéine. Les acides aminés qui composent la partie transmembranaire sont hydrophobes tandis que les acides aminés qui composent les parties extracellulaire et intracytosolique sont hydrophiles.

CASP

Critical Assessment of Structure Prediction (CASP), sometimes called Critical Assessment of Protein Structure Prediction, is a community-wide, worldwide experiment for protein structure prediction taking place every two years since 1994. CASP provides research groups with an opportunity to objectively test their structure prediction methods and delivers an independent assessment of the state of the art in protein structure modeling to the research community and software users.