AlphaFold est un outil de pointe développé par DeepMind pour prédire avec une précision élevée la structure tridimensionnelle des protéines à partir de leur séquence d'acides aminés. Il utilise des techniques avancées d'intelligence artificielle et de modélisation moléculaire pour accélérer la recherche en biologie structurale, facilitant ainsi la compréhension des fonctions protéiques et le développement de nouveaux médicaments.

Module IMP dédié à la modélisation bayésienne multi-échelle des structures macromoléculaires à partir de cartes de densité obtenues par cryo-microscopie électronique. Il permet d'affiner les modèles moléculaires en intégrant des données expérimentales pour améliorer la précision des structures 3D. Utilisé principalement en biologie structurale et en bioinformatique pour l'analyse de complexes macromoléculaires.

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.

HLA-EpiCheck est un projet de recherche utilisant l'apprentissage automatique pour prédire les épitopes HLA sur des antigènes. Il analyse des structures 3D d'antigènes HLA en générant des descripteurs moléculaires à partir de simulations de dynamique moléculaire. Ces descripteurs permettent de modéliser et prédire des épitopes B-cell, facilitant ainsi la compréhension des interactions immunitaires et le développement de traitements personnalisés en immunologie.

Projet de modélisation moléculaire visant à reconstruire et analyser la structure 3D du récepteur nicotinique a4a5b2 dans différentes conformations (ouvert, fermé, désensibilisé). Basé sur des données expérimentales publiées, ce travail permet de comprendre les mécanismes structuraux des récepteurs nicotiniques, essentiels pour la recherche sur les maladies neurodégénératives et les addictions. Les modèles générés sont validés et optimisés pour des analyses computationnelles ultérieures.

AlphaFold est un outil de pointe développé par DeepMind pour prédire la structure tridimensionnelle des protéines à partir de leur séquence d'acides aminés. Il utilise des techniques avancées d'intelligence artificielle et de modélisation moléculaire pour fournir des structures protéiques précises, facilitant ainsi la compréhension des fonctions biologiques et accélérant la recherche en biologie, médecine et pharmacologie.

AlphaFold est un outil de pointe développé par DeepMind pour prédire la structure tridimensionnelle des protéines à partir de leur séquence d'acides aminés. Il utilise des techniques avancées d'intelligence artificielle et de modélisation moléculaire pour générer des structures protéiques précises, facilitant ainsi la compréhension des fonctions biologiques et accélérant la recherche en biologie, médecine et pharmacologie.

NRGXL est un outil dédié à l'analyse et au calcul des conformations de crosslinkers, des molécules utilisées en biologie structurale pour étudier les interactions protéiques. Il permet de modéliser et d'adapter ces crosslinkers à différentes topologies, facilitant ainsi la compréhension des structures moléculaires et des interactions entre protéines.

Ce projet vise à adapter un modèle de conformation 3D des séquences d'ADN pour représenter des plasmides circulaires, comme ceux présents dans les bactéries. En utilisant un algorithme génétique développé en Python, il permet de simuler et d'optimiser la trajectoire tri-dimensionnelle de longues séquences génétiques. L'objectif est de mieux comprendre les interactions moléculaires et d'améliorer la modélisation des structures génétiques complexes, notamment pour des applications en biologie synthétique ou en génomique.

LocalColabFold est une solution qui permet d'exécuter ColabFold, un outil de prédiction de structures protéiques basé sur l'IA, directement sur une machine locale. Il facilite l'accès aux capacités de modélisation moléculaire sans dépendre du cloud, réduisant ainsi les coûts et les contraintes de calcul. Idéal pour les chercheurs et biologistes souhaitant analyser des séquences protéiques rapidement et de manière autonome.