Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução ao AlphaFold e Seu Impacto na Pesquisa Biológica
- Evolução da predição de estruturas de proteínas: do modelo por homologia aos avanços com aprendizado profundo.
- O papel do AlphaFold na aceleração da biologia estrutural, descoberta de fármacos e anotação funcional.
- Definição de expectativas: capacidades, limitações e pontos de integração experimental.
- Exercício Prático: Explorando a interface do Banco de Dados de Estruturas de Proteínas do AlphaFold (AFDB) e realizando buscas iniciais de sequências.
Como o AlphaFold Funciona? Arquitetura e Componentes Principais
- Arquitetura da rede neural: Evoformer, módulo estrutural e modelagem de sequência baseada em atenção.
- Geração de Alinhamento Múltiplo de Sequências (MSA) e correspondência de templates (PDB, UniRef, BFD).
- Métricas de confiança: explicação do pLDDT (confiança por resíduo) e PAE (erro alinhado previsto).
- Exercício Prático: Mapeando as etapas do fluxo de trabalho do AlphaFold utilizando uma sequência proteica de amostra e rastreando as entradas de MSA/templates.
Acessando o AlphaFold: Plataformas, Notebooks e Implantação
- Opções oficiais de implantação: AlphaFold DB, API pública, notebooks Colab e ambientes locais/GPU.
- Configuração de um ambiente Colab reproduzível: instalação de dependências, alocação de GPU e formatação de entrada.
- Preparação de sequências proteicas: estrutura FASTA, manejo de cadeias e considerações sobre domínios múltiplos.
- Laboratório Prático: Implantando o notebook oficial do AlphaFold no Colab, carregando um FASTA personalizado e iniciando a primeira execução de previsão.
Banco de Dados de Estruturas de Proteínas do AlphaFold e Recursos Públicos
- Navegando pela AFDB: cobertura de organismos, qualidade das estruturas, formatos de download (PDB/mmCIF, arquivos não relaxados/pLDDt).
- Cruzamento da AFDB com UniProt, PDB e bancos de dados funcionais (GO, KEGG, CATH).
- Gestão de grandes conjuntos de dados: limites de previsão em lote, diretrizes de citação e licenciamento de dados.
- Exercício Prático: Extraindo modelos de alta confiança da AFDB para uma via de interesse e preparando arquivos para análise downstream.
Interpretação das Previsões do AlphaFold e Métricas de Confiança
- Lendo os mapas de calor pLDDT: identificando núcleos estruturados, regiões desordenadas e domínios de baixa confiança.
- Decodificando matrizes PAE: detectando limites de domínio, interações intra/interracaionais e possíveis regiões de má dobramento.
- Quando as previsões são confiáveis: cobertura da sequência, profundidade evolutiva e homólogos estruturais conhecidos.
- Exercício Prático: Avaliando as saídas pLDDT/PAE para uma proteína de múltiplos domínios, sinalizando regiões de baixa confiança e planejando alvos para mutagênese e validação.
Código Fonte Aberto do AlphaFold e Caminhos de Personalização
- Estrutura do repositório: módulos principais, pipelines de dados e arquivos de configuração.
- Modificação das entradas: MSAs personalizados, substituição de templates e ajuste dos limiares de confiança.
- Otimização de desempenho: redução do tempo de execução, gerenciamento de memória e salvamento de checkpoints.
- Laboratório Prático: Executando um pipeline modificado do AlphaFold no Colab com uma restrição de template personalizada e exportando arquivos PDB refinados.
Casos de Uso do AlphaFold na Pesquisa Biológica e Integração Experimental
- Orientando mutagênese, cristalização e planejamento de grades para criomicroscopia eletrônica (cryo-EM) utilizando modelos previstos.
- Anotação funcional: mapeamento de sítios ativos, preparação para docking de ligantes e previsão de interfaces.
- Limitações e verificação: quando confiar nas previsões, quando validar experimentalmente e armadilhas comuns.
- Workshop: Projetando um fluxo de trabalho de validação experimental para uma estrutura prevista e mapeando as saídas da IA para ensaios de laboratório (wet-lab).
Resumo, Aplicação Final e Próximos Passos
- Consolidação dos conceitos-chave: arquitetura, interpretação e implantação prática.
- Projeto Final: Os participantes selecionam uma proteína de interesse, executam/buscam uma previsão, interpretam as métricas de confiança e delineiam um plano de aplicação na pesquisa.
- Perguntas abertas, solução de problemas de erros comuns e distribuição de recursos.
- Próximos passos: integração avançada do AlphaFold3, RoseTTAFold, trRosetta e ferramentas contínuas da comunidade.
Requisitos
- Conhecimento prévio e compreensão das estruturas de proteínas.
- Recomenda-se familiaridade com conceitos básicos de biologia molecular (sequências de aminoácidos, princípios de dobramento, formatos PDB/mmCIF).
- Adeptidão em navegar por notebooks baseados na web e executar células de código no navegador.
Público-Alvo
- Biólogos, pesquisadores moleculares e investigadores de biologia estrutural.
- Cientistas experimentais que buscam previsões computacionais de estrutura para orientar fluxos de trabalho de laboratório (wet-lab).
- Profissionais das ciências da vida que integram modelos impulsionados por IA na geração de hipóteses e no planejamento experimental.
7 Horas
