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.

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.

MetalWalls est un logiciel de dynamique moléculaire spécialisé dans la modélisation des systèmes électrochimiques. Il permet d'appliquer un potentiel constant aux matériaux d'électrodes, facilitant ainsi l'étude des interactions entre électrolytes et surfaces chargées. Le code intègre des méthodes avancées pour simuler des environnements complexes et valider des modèles théoriques par comparaison avec des données de référence.

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.

Bibliothèque Python dédiée à la modélisation et à l'ajustement de spectres en équilibre thermodynamique local (LTE). Elle permet aux chercheurs en astrophysique d'analyser des données spectrales, de simuler des raies moléculaires et de comparer des modèles théoriques avec des observations réelles. L'outil s'intègre dans l'écosystème CASSIS, facilitant l'interprétation des spectres issus de milieux interstellaires ou circumstellaires.

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.

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.

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.

Projet de recherche visant à analyser les mécanismes d'activation des récepteurs nicotiniques (a7)nAChR par des méthodes computationnelles innovantes. Il combine modélisation comparative, simulations de dynamique moléculaire et suivi des cavités protéiques pour identifier des sites allostériques pertinents. Les résultats incluent des modèles de transition entre états ouverts et fermés du canal ionique, ainsi qu'un criblage différentiel de modulateurs connus pour évaluer la validité des sites identifiés.