Explore l'analyse co-évolutionnaire des protéines, couvrant les fonctions protéiques, le pliage, les corrélations, le DCA et les outils de prédiction de la structure comme AlphaFold 2.
Explore les inhibiteurs des enzymes en tant que médicaments, conception de médicaments et fonction des protéines, y compris le profilage des protéines basé sur l'activité et les outils de recherche du génome.
Il s'agit d'analyser la coévolution des résidus dans les familles de protéines afin de saisir les contacts indigènes et de prédire la proximité spatiale et les interactions protéiques.
Explore l'entropie, le caractère aléatoire et la quantification de l'information dans l'analyse des données biologiques, y compris les neurosciences et la prédiction de la structure des protéines.
Explore la prédiction de la structure des protéines à partir des données de séquence et déduit les partenaires d'interaction par l'analyse de couplage direct et l'algorithme d'appariement itératif.
Explore la prédiction des réactions chimiques à l'aide de modèles générateurs et de transformateurs moléculaires, soulignant l'importance du traitement du langage moléculaire et de la stéréochimie.
Explore la désambiguïsation des entités, reliant le texte aux bases de connaissances et la prédiction de liens dans les graphiques de connaissances avec des exemples de Wikipedia.
Explore le profilage quantitatif des protéomes pour l'identification des cibles de médicaments au moyen du profilage des protéines basé sur l'activité et des techniques avancées de spectrométrie de masse.
Explore les méthodes de profilage protéomique, y compris les approches ABPP, MS et l'identification quantitative des cibles à l'aide de l'étiquetage SILAC et TMT.
