یکی از بهترین کارهای علمی که در سال 2024 روی پیش بینی عملکرد پروتئین ها برمبنای جهش ها انجام شده به جرات این مقاله هستش که توسط یه گروهی از محققای دانشگاه MIT چاپ شده و روش GGS رو معرفی کردن.
این محققان با استفاده از داده‌های محدود، جهش‌های بهینه برای بهبود عملکرد پروتئین‌ها را پیش‌بینی کرده اند. این روش با آموزش یک مدل شبکه عصبی CNN و ایجاد یکfitness landscape همراه بوده که در آن، مسیرهای جهش احتمالی را شناسایی کرده و با هموار کردن این landscape، جهش‌هایی را پیشنهادمی‌دهد که منجر به ایجاد پروتئین‌های بهینه‌تر می‌شوند.
در نهایت اومدن این روش را روی پروتئین GFP و کپسید ویروس آدنو-آسوسییتد (AAV) آزمایش کردن و نتایج عالی داشته. روش کارشونم تو گیت هاب گذاشتن و میتونین از کدهاشون استفاده کنین.
این محققان با استفاده از داده‌های محدود، جهش‌های بهینه برای بهبود عملکرد پروتئین‌ها را پیش‌بینی کرده اند. این روش با آموزش یک مدل شبکه عصبی CNN و ایجاد یکfitness landscape همراه بوده که در آن، مسیرهای جهش احتمالی را شناسایی کرده و با هموار کردن این landscape، جهش‌هایی را پیشنهادمی‌دهد که منجر به ایجاد پروتئین‌های بهینه‌تر می‌شوند.
در نهایت اومدن این روش را روی پروتئین GFP و کپسید ویروس آدنو-آسوسییتد (AAV) آزمایش کردن و نتایج عالی داشته. روش کارشونم تو گیت هاب گذاشتن و میتونین از کدهاشون استفاده کنین.
1- Improving protein optimization with smoothed fitness landscapes
2- Gibbs sampling with Graph-based Smoothing v2
3- دانلود کدهای منبع و اجرای GGS
👍3
tgoop.com/IRBioinformatics/1831
Create:
Last Update:
Last Update:
یکی از بهترین کارهای علمی که در سال 2024 روی پیش بینی عملکرد پروتئین ها برمبنای جهش ها انجام شده به جرات این مقاله هستش که توسط یه گروهی از محققای دانشگاه MIT چاپ شده و روش GGS رو معرفی کردن.
این محققان با استفاده از داده‌های محدود، جهش‌های بهینه برای بهبود عملکرد پروتئین‌ها را پیش‌بینی کرده اند. این روش با آموزش یک مدل شبکه عصبی CNN و ایجاد یکfitness landscape همراه بوده که در آن، مسیرهای جهش احتمالی را شناسایی کرده و با هموار کردن این landscape، جهش‌هایی را پیشنهادمی‌دهد که منجر به ایجاد پروتئین‌های بهینه‌تر می‌شوند.
در نهایت اومدن این روش را روی پروتئین GFP و کپسید ویروس آدنو-آسوسییتد (AAV) آزمایش کردن و نتایج عالی داشته. روش کارشونم تو گیت هاب گذاشتن و میتونین از کدهاشون استفاده کنین.
این محققان با استفاده از داده‌های محدود، جهش‌های بهینه برای بهبود عملکرد پروتئین‌ها را پیش‌بینی کرده اند. این روش با آموزش یک مدل شبکه عصبی CNN و ایجاد یکfitness landscape همراه بوده که در آن، مسیرهای جهش احتمالی را شناسایی کرده و با هموار کردن این landscape، جهش‌هایی را پیشنهادمی‌دهد که منجر به ایجاد پروتئین‌های بهینه‌تر می‌شوند.
در نهایت اومدن این روش را روی پروتئین GFP و کپسید ویروس آدنو-آسوسییتد (AAV) آزمایش کردن و نتایج عالی داشته. روش کارشونم تو گیت هاب گذاشتن و میتونین از کدهاشون استفاده کنین.
1- Improving protein optimization with smoothed fitness landscapes
2- Gibbs sampling with Graph-based Smoothing v2
3- دانلود کدهای منبع و اجرای GGS
BY آکادمی بیوانفورماتیک محققان ایرانی
Share with your friend now:
tgoop.com/IRBioinformatics/1831