DeepPPI est un projet de recherche en bioinformatique utilisant l'apprentissage profond pour prédire les interactions entre protéines à partir de leurs séquences. Il propose des modèles basés sur des architectures PyTorch et Keras, permettant d'entraîner et d'évaluer des réseaux de neurones sur des jeux de données spécifiques. Les résultats peuvent être utilisés pour approfondir la compréhension des mécanismes biologiques fondamentaux.

DeltaVinaXGB est un outil basé sur l'apprentissage automatique conçu pour évaluer et prédire les scores de liaison entre des protéines et des ligands. Il combine des méthodes de scoring traditionnelles avec des modèles de machine learning pour améliorer la précision des prédictions. Le projet permet également d'optimiser les conformations des ligands et d'analyser leur stabilité dans différents environnements, notamment en présence d'eau.

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.

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.

OGP est un projet dédié à la prédiction des sites de O-GlcNAcylation, une modification post-traductionnelle des protéines. Il fournit des jeux de données structurés, des scripts pour extraire des caractéristiques protéiques et des outils pour entraîner et tester des modèles de machine learning. Le projet inclut également une évaluation comparative des outils de prédiction existants.

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.