S-GCN est un outil d'intelligence artificielle conçu pour évaluer et prédire la qualité de modèles 3D de protéines. Il utilise des réseaux de convolution graphiques sphériques pour analyser les structures moléculaires et générer des scores de qualité locaux et globaux. Basé sur des données issues de défis comme CASP, il aide les chercheurs en biologie structurale à identifier les modèles les plus fiables et à améliorer la précision des prédictions.

S-GCN est un outil spécialisé dans l'analyse et l'évaluation de structures protéiques en 3D modélisées sous forme de graphes moléculaires. Il permet de prédire des scores de qualité pour des modèles de protéines générés par des algorithmes ou des participants à des défis comme CASP. Le projet facilite la comparaison entre modèles et structures réelles, aidant ainsi les chercheurs en biologie structurale à identifier les conformations les plus proches de la réalité.

VoroCNN est un réseau de neurones convolutifs conçu pour analyser les structures protéiques 3D à partir de leur tessellation de Voronoï. Il prédit des scores locaux et globaux pour évaluer la qualité des modèles de protéines, aidant ainsi les chercheurs en bioinformatique à valider et comparer des structures moléculaires complexes.