For the complete documentation index, see llms.txt. Markdown versions of documentation pages are available by appending .md to the page URL.
Navegación principal
Theme

Sugerencias
Panel de la API
Prueba ChatGPT
Codex

Codex use case

Descubre modelos de plegamiento de proteínas

Pon a prueba tus hipótesis sobre el plegamiento de proteínas en ciclos de experimentación con una prueba de referencia.

Difficulty Advanced
Time horizon Long-running

Usa Codex en modo objetivo para investigar e implementar cambios novedosos en la arquitectura de AlphaFold2 que mejoren su capacidad para predecir el plegamiento de proteínas.

Best for

  • Biólogos computacionales que evalúan cambios en la arquitectura, la función de pérdida o el programa de entrenamiento con una prueba de referencia que se puede puntuar automáticamente.
  • Investigadores que parten de una hipótesis con fundamento científico y quieren pasar más rápido de la idea a un fork experimental funcional.
  • Ingenieros de aprendizaje automático que ejecutan ciclos prolongados de investigación automatizada y necesitan llevar un registro continuo de los experimentos y depurar el código en cada iteración.

Contents

    ← All use cases

    Descubre modelos de plegamiento de proteínas

    Pon a prueba tus hipótesis sobre el plegamiento de proteínas en ciclos de experimentación con una prueba de referencia.

    Usa Codex en modo objetivo para investigar e implementar cambios novedosos en la arquitectura de AlphaFold2 que mejoren su capacidad para predecir el plegamiento de proteínas.

    Advanced
    Long-running

    Usa Codex en modo objetivo para investigar e implementar cambios novedosos en la arquitectura de AlphaFold2 que mejoren su capacidad para predecir el plegamiento de proteínas.

    Advanced
    Long-running

    Related links

    Sigue un objetivo Repositorio de SimplexFold Plan de evaluación de SimplexFold Competencia de NanoFold

    Best for

    • Biólogos computacionales que evalúan cambios en la arquitectura, la función de pérdida o el programa de entrenamiento con una prueba de referencia que se puede puntuar automáticamente.
    • Investigadores que parten de una hipótesis con fundamento científico y quieren pasar más rápido de la idea a un fork experimental funcional.
    • Ingenieros de aprendizaje automático que ejecutan ciclos prolongados de investigación automatizada y necesitan llevar un registro continuo de los experimentos y depurar el código en cada iteración.

    Starter prompt

    Usa el modo objetivo para mejorar la puntuación lDDT-Cα que obtiene este modelo de predicción de estructuras de proteínas, similar a AlphaFold2, en el conjunto de validación de la prueba de referencia pública de NanoFold. La hipótesis científica es que los estados geométricos persistentes de orden superior podrían ayudar al modelo a aprender la geometría de las proteínas de forma más eficiente con pocos datos. Para ponerla a prueba: - Conserva las representaciones estándar de MSA y de pares de residuos. - Agrega estados aprendidos con representación dispersa para las caras triangulares (2-símplex) que forman los tripletes de residuos seleccionados. - Agrega estados aprendidos con representación dispersa para los tetraedros (3-símplex) que forman las cuádruplas de residuos seleccionadas. - Construye la topología solo a partir de las entradas oficiales de la prueba de referencia y de la geometría reciclada que genera el modelo. - Mantén el costo computacional de la implementación dentro de los límites de NanoFold. Mantén al día estos archivos de seguimiento entre iteraciones: 1. En PLAN.md, documenta la estrategia actual, el estado del trabajo y los próximos pasos propuestos. 2. En EXPERIMENTS.md, lleva un registro estructurado de los experimentos y sus resultados. 3. En EXPERIMENT_NOTES.md, anota las observaciones y reflexiones que surjan durante los experimentos. En cada iteración: 1. Enuncia la hipótesis que vas a poner a prueba. 2. Haz el cambio coherente más pequeño posible en el código o la configuración. 3. Ejecuta las pruebas pertinentes y la parte correspondiente de la prueba de referencia. 4. Registra las métricas, la latencia, el consumo de memoria y los modos de fallo. 5. Decide si conviene conservar, revertir o ajustar el cambio. 6. Reevalúa periódicamente el rumbo de la búsqueda de arquitecturas sin limitarte a ajustar los hiperparámetros locales. No afirmes que el modelo generaliza mejor basándote en pruebas básicas de funcionamiento o en diagnósticos de sobreajuste a una sola cadena. Prioriza las comparaciones en condiciones equivalentes y limita tus conclusiones a lo que respalda la evidencia.
    Usa el modo objetivo para mejorar la puntuación lDDT-Cα que obtiene este modelo de predicción de estructuras de proteínas, similar a AlphaFold2, en el conjunto de validación de la prueba de referencia pública de NanoFold. La hipótesis científica es que los estados geométricos persistentes de orden superior podrían ayudar al modelo a aprender la geometría de las proteínas de forma más eficiente con pocos datos. Para ponerla a prueba: - Conserva las representaciones estándar de MSA y de pares de residuos. - Agrega estados aprendidos con representación dispersa para las caras triangulares (2-símplex) que forman los tripletes de residuos seleccionados. - Agrega estados aprendidos con representación dispersa para los tetraedros (3-símplex) que forman las cuádruplas de residuos seleccionadas. - Construye la topología solo a partir de las entradas oficiales de la prueba de referencia y de la geometría reciclada que genera el modelo. - Mantén el costo computacional de la implementación dentro de los límites de NanoFold. Mantén al día estos archivos de seguimiento entre iteraciones: 1. En PLAN.md, documenta la estrategia actual, el estado del trabajo y los próximos pasos propuestos. 2. En EXPERIMENTS.md, lleva un registro estructurado de los experimentos y sus resultados. 3. En EXPERIMENT_NOTES.md, anota las observaciones y reflexiones que surjan durante los experimentos. En cada iteración: 1. Enuncia la hipótesis que vas a poner a prueba. 2. Haz el cambio coherente más pequeño posible en el código o la configuración. 3. Ejecuta las pruebas pertinentes y la parte correspondiente de la prueba de referencia. 4. Registra las métricas, la latencia, el consumo de memoria y los modos de fallo. 5. Decide si conviene conservar, revertir o ajustar el cambio. 6. Reevalúa periódicamente el rumbo de la búsqueda de arquitecturas sin limitarte a ajustar los hiperparámetros locales. No afirmes que el modelo generaliza mejor basándote en pruebas básicas de funcionamiento o en diagnósticos de sobreajuste a una sola cadena. Prioriza las comparaciones en condiciones equivalentes y limita tus conclusiones a lo que respalda la evidencia.

    Explorar una hipótesis sobre la arquitectura de un modelo de plegamiento de proteínas

    Usa el modo objetivo de Codex cuando tengas una hipótesis sobre el plegamiento de proteínas que requiera varias iteraciones de implementación. Dale a Codex una línea de investigación acotada, un modelo de referencia que funcione y una prueba de referencia que permita puntuar los resultados automáticamente. Codex puede implementar el fork de la arquitectura, llevar un registro de los experimentos, diagnosticar fallas y seguir iterando mientras revisas la evidencia.

    Este ejemplo partió de una pregunta concreta: ¿podría un modelo similar a AlphaFold2 aprender características geométricas útiles de las proteínas con mayor eficiencia si su red troncal representara, además de residuos y pares de residuos, objetos topológicos explícitos de orden superior?

    Definir un experimento acotado

    AlphaFold2 ya emplea mecanismos potentes de razonamiento sobre pares y triángulos en el Evoformer. Sus operaciones sobre triángulos mejoran las representaciones de las aristas, pero los resultados siguen almacenándose en un tensor de pares. El investigador propuso evaluar si, con pocos datos, las representaciones aprendidas y persistentes de caras triangulares y celdas tetraédricas podían aportar un sesgo inductivo útil.

    El repositorio público que surgió del experimento, SimplexFold, incorpora estados dispersos de caras F_ijk y estados tetraédricos U_ijkl junto con la representación convencional de pares Z_ij.

    MSA representation M
        <-> pair / edge tensor Z_ij
        <-> sparse face tensor F_ijk
        <-> sparse tetra tensor U_ijkl
        -> structure module
        -> recycled geometry
        loops back into the next pass

    Empieza con el prompt inicial de esta página, un modelo de referencia mínimo similar a AlphaFold2 y la prueba de referencia pública NanoFold. Esta prueba ofrece un conjunto pequeño y fijo de datos seleccionados y permite puntuar automáticamente los resultados de los experimentos de biología estructural. Limita el alcance de la primera implementación para poder verificarla con pruebas unitarias específicas y micropruebas de rendimiento antes de iniciar entrenamientos costosos.

    Ejecutar la búsqueda con el modo objetivo

    1. Plantea una hipótesis científica general que se pueda refutar, en lugar de pedirle al modelo que invente todo un programa de investigación desde cero.
    2. Usa GPT-5.5 Pro en ChatGPT para convertir esa línea de investigación en un plan de implementación que detalle las restricciones y los estudios de ablación.
    3. Pídele a Codex que implemente la versión de referencia más pequeña de SimplexFold que se pueda ejecutar. Luego verifícala con pruebas unitarias específicas y micropruebas de rendimiento.
    4. Dale el repositorio resultante a Codex en modo objetivo y pídele que busque mejoras sucesivas en la puntuación de validación lDDT-Cα de NanoFold y que conserve los registros de los experimentos, los planes y las referencias a los artefactos.
    5. Deja el modo objetivo en ejecución continua para que, en cada iteración, use los resultados de la prueba de referencia para ajustar la arquitectura, el procedimiento de entrenamiento y el arnés de ejecución de los experimentos. En este ejemplo, el ciclo se mantuvo en marcha durante más de 150 horas.

    Usa PLAN.md para documentar la estrategia actual y los próximos pasos, EXPERIMENTS.md para llevar un registro estructurado de los resultados y EXPERIMENT_NOTES.md para tomar notas sobre la marcha. Estos archivos te permiten auditar una búsqueda prolongada y te dan un lugar fijo desde el que orientar la siguiente iteración.

    El modo objetivo es útil en este caso porque la búsqueda exige implementar cambios, probarlos, registrar los experimentos, diagnosticar fallas y repetir el proceso en función de los resultados de la prueba de referencia. Sin orientación, la investigación automatizada tendía a concentrarse en cambios locales conocidos, como ajustar las funciones de pérdida, los optimizadores o los hiperparámetros. La hipótesis concisa que planteó el investigador sobre la arquitectura le dio a Codex un espacio de búsqueda más relevante desde el punto de vista científico, con margen para probar, diagnosticar y perfeccionar la implementación.

    Este flujo de trabajo también sirve a los equipos que evalúan cómo cambia la calidad de la búsqueda científica realizada por agentes cuando un investigador interviene para orientarla.

    Resultado del ejemplo

    De este flujo de trabajo surgió SimplexFold, una arquitectura experimental con estados explícitos para símplices de orden superior. Revisa la topología junto con los registros de la prueba de referencia para confirmar que cada iteración sigue poniendo a prueba la idea científica original.

    Comparación de la geometría de las proteínas representada con símplices de dimensiones 1, 2 y 3.

    La lección de este ejemplo no es que Codex haya resuelto por su cuenta el problema del plegamiento de proteínas. El flujo de trabajo muestra cómo el modo objetivo puede sostener un ciclo de ingeniería científica: el investigador aporta la idea y Codex acorta el ciclo de implementación, experimentación, depuración y búsqueda posterior.

    Interpreta los resultados de diagnóstico prometedores como indicios de que el enfoque de implementación funciona. Por sí solos, no demuestran que el modelo pueda generalizar. Revisa periódicamente el rumbo del agente. Si se limita a hacer ajustes locales de hiperparámetros, vuelve a orientarlo hacia preguntas sobre la arquitectura que tengan relevancia científica. Presenta las conclusiones solo después de comparar los resultados en condiciones equivalentes con datos públicos de validación y de realizar las réplicas adecuadas.

    Recursos

    Related use cases

    Anota datos de scRNA-seq

    Usa ChatGPT con el complemento NGS Analysis para procesar un paquete de matrices en formato 10x

    Sciences Data

    Valida los datos de entrada de RNA-seq bulk

    Usa ChatGPT con el complemento NGS Analysis para validar las hojas de muestras, los archivos...

    Sciences Data

    Prioriza dianas terapéuticas

    Usa ChatGPT con el complemento Life Science Research para normalizar entidades y recopilar...

    Sciences Data