Inżynieria białek i symulacje molekularne wspierane AI
X-Tour interesuje się modelami uczenia maszynowego i potokami symulacji molekularnych dla inżynierii białek i badań w biologii obliczeniowej.
Sekwencje i genomika
Uczenie maszynowe, które szuka wzorców w sekwencjach biologicznych, białkowych i genomowych
Dynamika molekularna
Symulacje pokazujące, jak cząsteczki poruszają się i zmieniają w czasie
Analiza struktury
Narzędzia przewidujące strukturę białka i to, co z niej wynika
Predykcja spotyka symulację
Dwa obszary, które nas interesują: uczenie maszynowe dla właściwości białek oraz symulacje molekularne oparte na fizyce.
ML dla właściwości białek
Uczenie maszynowe zastosowane do właściwości białek: przewidywanie, jak białko się zachowa, na podstawie samej jego sekwencji i struktury. Interesuje nas, czego model potrafi się nauczyć z dobrze przygotowanych danych, jak opisane w literaturze metody radzą sobie na nowych danych i jak uczciwie porównać predykcję z wynikiem z laboratorium.
- Przewidywanie właściwości na podstawie sekwencji i struktury
- Uczenie się z dużych zbiorów sekwencji biologicznych
- Dobrze przygotowane dane i uczciwe porównania
- Wiedza o tym, kiedy predykcji nie należy ufać
Symulowanie zachowania cząsteczek
Symulacje molekularne pokazują, jak cząsteczki poruszają się i oddziałują ze sobą, atom po atomie. Interesuje nas, ile taka symulacja potrafi wyjaśnić z tego, co model statystyczny jedynie przewiduje, i ile obliczeń to kosztuje.
- Jak cząsteczki poruszają się i zmieniają swoją strukturę
- Jak dotrzeć do zjawisk, które zachodzą rzadko
- Fizyka, na której opiera się symulacja
- Jak silnie cząsteczki wiążą się ze sobą
Potok obliczeniowy, który nas interesuje
Przepływ pracy od surowych danych biologicznych do zwalidowanych predykcji, łączący ML i symulacje oparte na fizyce.
Kuracja danych
Sekwencje, struktury i wyniki pomiarów zbierane z publicznych baz danych i od partnerów, a potem starannie sprawdzane pod kątem jakości.
Rozwój modelu
Modele uczone na danych z konkretnej dziedziny biologii, sprawdzane na danych, których wcześniej nie widziały.
Symulacja i walidacja
Symulacja pozwala niezależnie sprawdzić od strony fizyki to, co przewiduje model. Predykcje porównywane z wynikami z laboratorium.
Wdrożenie
Gotowe narzędzia i symulacje, z których da się korzystać przez API albo wpiąć je w istniejący sposób pracy zespołu badawczego.
Gdzie ML spotyka biofizykę
Zaczynamy od biologii, nie od algorytmu. Niezależnie od tego, czy chodzi o model predykcyjny, czy o symulację w skali mikrosekund, każda decyzja powinna być osadzona w leżącej u podstaw biofizyce.
Napędzani badaniami
Każdy model, który nas interesuje, zaczyna się od biofizyki białek. Studiujemy fizykę leżącą u podstaw i mechanizmy molekularne, zanim rozważymy jakiekolwiek podejście obliczeniowe.
Inspirowani fizyką
Zdolności rozpoznawania wzorców uczenia maszynowego połączone z zasadami fizycznymi, które rządzą rzeczywistym zachowaniem cząsteczek. Interesuje nas, czy takie połączenie daje modele generalizujące poza dane treningowe.
Z myślą o praktycznym zastosowaniu
Interesują nas narzędzia, które byłyby praktyczne w użyciu: reprodukowalne potoki, dobrze udokumentowane API i systematyczny benchmarking względem wyników eksperymentalnych.
Badania i perspektywy
Na przecięciu AI, symulacji molekularnych i inżynierii białek.
Articles coming soon.