Enzyme design pioneer Steve Mayo: I was trying to capture the fundamental physics of the problem as a way to elucidate mechanisms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Steve Mayo is a Bren Professor of Biology and Chemistry and Merkin Institute Professor at the California Institute of Technology. He is widely recognized as a pioneer of computational protein design, having achieved the first fully automated design of a novel protein sequence that folds into its target structure1 as well as the first computational design of a biocatalyst capable of transforming a predefined organic substrate2. PEDS recently sat down with Dr Mayo to talk about his background and contributions to the development of computational enzyme design, and thoughts about the future of this field. Mayo: I was a sophomore undergraduate student at Penn State majoring in chemistry. I started working in Roy Olofson’s lab to obtain Honors credits. As part of that, I was synthesizing small molecule drugs and using X-ray crystallography to study these molecules. I became very frustrated with trying to visualize their structures using a program where you had to type in the rotation angles, and then a couple of minutes later, it would print out an image of your molecule. And of course you could never get it right. You had to spend all day trying to get this program to produce a nice image. And so I decided to take a graduate level computer science and graphics course and learn how to use an old school real-time vector graphics machine that Penn State had. As I was learning how to do computer graphics to visualize molecules in real time, I was also taking some biochemistry courses and got really fascinated with proteins. This led me to write my undergraduate thesis on a modeling program to do visualization of molecules, including proteins and nucleic acids.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle