diff --git a/010-an-introductory-guide-to-its-strengths-and-limitations/030-what-is-alphafold.md b/010-an-introductory-guide-to-its-strengths-and-limitations/030-what-is-alphafold.md index a139148..628089a 100644 --- a/010-an-introductory-guide-to-its-strengths-and-limitations/030-what-is-alphafold.md +++ b/010-an-introductory-guide-to-its-strengths-and-limitations/030-what-is-alphafold.md @@ -48,6 +48,6 @@ Figura 4. O número de artigos científicos e preprints citando o principal arti --- -## Test your knowledge +## Teste seus conhecimentos -Time to flex your AlphaFold muscles! +Hora de exercitar seus conhecimentos sobre o AlphaFold! diff --git a/010-an-introductory-guide-to-its-strengths-and-limitations/040-strengths-and-limitations-of-alphafold.md b/010-an-introductory-guide-to-its-strengths-and-limitations/040-strengths-and-limitations-of-alphafold.md index 01d3b1c..6cbbe15 100644 --- a/010-an-introductory-guide-to-its-strengths-and-limitations/040-strengths-and-limitations-of-alphafold.md +++ b/010-an-introductory-guide-to-its-strengths-and-limitations/040-strengths-and-limitations-of-alphafold.md @@ -62,6 +62,6 @@ Tabela com marcadores -| AlphaFold2 predicts | AlphaFold2 struggles to predict | AlphaFold2 doesn’t predict | +| O AlphaFold2 prevê | O AlphaFold2 tem dificuldade em prever | O AlphaFold2 não prevê | | --- | --- | --- | -| * Single protein chains * Protein multimers * Multisubunit protein-protein complexes | * Multiple conformations for the same sequence * Effects of point mutations * Antigen-antibody interactions | * Protein-DNA and protein-RNA complexes * Nucleic acid structure * Ligand and ion binding * Post-translational modifications * Membrane plane for transmembrane domains | +| * Cadeias proteicas únicas * Multímeros proteicos * Complexos proteína-proteína multissubunitários | * Múltiplas conformações para a mesma sequência * Efeitos de mutações pontuais * Interações antígeno-anticorpo | * Complexos proteína-DNA e proteína-RNA * Estrutura de ácidos nucleicos * Ligação de ligantes e íons * Modificações pós-traducionais * Plano da membrana para domínios transmembrana | diff --git a/040-accessing-and-predicting-protein-structures-with-alphafold/020-accessing-predicted-protein-structures-in-the-alphafold-database/020-using-the-alphafold-database-for-analysis/010-navigating-the-structural-landscape.md b/040-accessing-and-predicting-protein-structures-with-alphafold/020-accessing-predicted-protein-structures-in-the-alphafold-database/020-using-the-alphafold-database-for-analysis/010-navigating-the-structural-landscape.md index fe83320..4c1ec1c 100644 --- a/040-accessing-and-predicting-protein-structures-with-alphafold/020-accessing-predicted-protein-structures-in-the-alphafold-database/020-using-the-alphafold-database-for-analysis/010-navigating-the-structural-landscape.md +++ b/040-accessing-and-predicting-protein-structures-with-alphafold/020-accessing-predicted-protein-structures-in-the-alphafold-database/020-using-the-alphafold-database-for-analysis/010-navigating-the-structural-landscape.md @@ -1,66 +1,66 @@ --- layout: default -title: 'Navigating the structural landscape' +title: 'Explorando o panorama estrutural' --- -# Navigating the structural landscape +# Explorando o panorama estrutural -## Structure similarity cluster +## Agrupamento por similaridade estrutural -The AFDB now incorporates information about structurally similar proteins, facilitating exploration of the protein universe and understanding relationships between different proteins. This feature is based on the concept of clustering, providing valuable insights into protein similarity and evolutionary relationships. +O AFDB agora incorpora informações sobre proteínas estruturalmente semelhantes, facilitando a exploração do universo proteico e a compreensão das relações entre diferentes proteínas. Esse recurso baseia-se no conceito de agrupamento (*clustering*), fornecendo insights valiosos sobre a similaridade de proteínas e as relações evolutivas. -### **Understanding AFDB Clustering** +### **Compreendendo o Agrupamento do AFDB** -The clustering process in the AFDB involves two main steps: +O processo de agrupamento no AFDB envolve duas etapas principais: -1. **Sequence-based clustering (AFDB50/MMseqs2):** The initial step employs [MMseqs2](https://github.com/soedinglab/MMseqs2), a fast and sensitive protein sequence searching and clustering tool ([Steinegger et al., 2017](https://doi.org/10.1038/nbt.3988)), to group the 214 million UniProtKB protein sequences in AFDB based on sequence similarity. This creates a reduced set of clusters, each represented by the protein with the highest average pLDDT score. -2. **Structure-based clustering (AFDB/Foldseek):** The representative proteins from the first step are then further clustered using [Foldseek](https://github.com/steineggerlab/foldseek), a powerful tool designed for fast and sensitive comparison of protein structures ([van Kempen et al., 2023](https://doi.org/10.1038/s41587-023-01773-0)). Foldseek identifies similarities in the 3D shapes of proteins, ensuring that proteins within a cluster share not only sequence similarity but also structural resemblance. +1. **Agrupamento baseado em sequências (AFDB50/MMseqs2):** A etapa inicial utiliza o [MMseqs2](https://github.com/soedinglab/MMseqs2),uma ferramenta rápida e sensível de busca e agrupamento de sequências proteicas ([Steinegger et al., 2017](https://doi.org/10.1038/nbt.3988)), para agrupar as 214 milhões de sequências de proteínas do UniProtKB presentes no AFDB com base na similaridade de sequência. Isso gera um conjunto reduzido de agrupamentos, cada um representado pela proteína com a maior pontuação média de pLDDT. +2. **Agrupamento baseado em estrutura (AFDB/Foldseek):** As proteínas representativas da primeira etapa são então agrupadas novamente utilizando o [Foldseek](https://github.com/steineggerlab/foldseek), uma ferramenta poderosa projetada para a comparação rápida e sensível de estruturas proteicas ([van Kempen et al., 2023](https://doi.org/10.1038/s41587-023-01773-0)). O Foldseek identifica similaridades nas formas 3D das proteínas, garantindo que as proteínas dentro de um mesmo agrupamento compartilhem não apenas similaridade de sequência, mas também semelhança estrutural. -### **How to access cluster members in AFDB** +### **Como acessar os membros do cluster no AFDB** -On each protein’s page in the AFDB, you’ll find a table listing its cluster members. This table provides links to the pages of other proteins in the same cluster, allowing you to quickly compare their structures and explore potential functional relationships. +Na página de cada proteína no AFDB, você encontrará uma tabela listando os membros do seu cluster. Essa tabela fornece links para as páginas de outras proteínas do mesmo cluster, permitindo comparar rapidamente suas estruturas e explorar possíveis relações funcionais. ![](https://www.ebi.ac.uk/training/online/courses/alphafold/wp-content/uploads/sites/259/2024/11/Screenshot-2024-11-22-at-13.16.44-1024x715.png) -Figure 28. AlphaFold Database presents structurally similar protein predictions in clusters at the bottom of prediction pages, such as this one for [D435](https://alphafold.ebi.ac.uk/entry/D435) from uncultured bacteria. You can explore these clusters using two different methods: AFDB50/MMseqs2 or AFDB/Foldseek. To help you analyze these predictions, you can filter and sort them according to your needs. +Figura 28. O banco de dados AlphaFold apresenta previsões de proteínas estruturalmente semelhantes em agrupamentos na parte inferior das páginas de previsão, como esta para a [D435](https://alphafold.ebi.ac.uk/entry/D435) proveniente de bactérias não cultivadas. Você pode explorar esses agrupamentos utilizando dois métodos diferentes: AFDB50/MMseqs2 ou AFDB/Foldseek. Para auxiliar na análise dessas previsões, é possível filtrá-las e ordená-las de acordo com suas necessidades. -### **Why are cluster members useful?** +### **Por que os membros de um cluster são úteis?** -Exploring cluster members can provide valuable insights: +Explorar os membros de um cluster pode fornecer insights valiosos: -* **Evolutionary relationships:** Proteins clustered together may share a common evolutionary origin, even if their sequences have diverged significantly. -* **Functional similarities:** Structural similarity often implies functional similarity. Examining cluster members can help predict the function of uncharacterised proteins. -* **Unexpected connections:** Clustering can reveal unexpected structural similarities between proteins from different species or with different functions. +* **Relações evolutivas:** Proteínas agrupadas no mesmo cluster podem compartilhar uma origem evolutiva comum, mesmo que suas sequências tenham divergido significativamente. +* **Semelhanças funcionais:** A semelhança estrutural frequentemente implica semelhança funcional. Examinar os membros de um cluster pode ajudar a prever a função de proteínas não caracterizadas. +* **Conexões inesperadas:** O agrupamento pode revelar semelhanças estruturais inesperadas entre proteínas de espécies diferentes ou com funções distintas. --- -## **Structure-based search in the AlphaFold Database using Foldseek** +## **Busca baseada em estrutura no banco de dados AlphaFold utilizando o Foldseek** -Structure-based search focuses on identifying similarities between protein 3D structures rather than their sequences. This approach is critical for understanding proteins with low sequence similarity but conserved structural features, which often indicate functional or evolutionary relationships. +A busca baseada em estrutura concentra-se em identificar semelhanças entre estruturas 3D de proteínas, em vez de suas sequências. Essa abordagem é fundamental para compreender proteínas que apresentam baixa semelhança de sequência, mas características estruturais conservadas, o que frequentemente indica relações funcionais ou evolutivas. -### **How Foldseek works** +### **Como o Foldseek funciona** -Foldseek achieves its efficiency by simplifying 3D structures into a linear, one-dimensional representation through its unique ‘3Di alphabet’. This approach captures key local interactions within the protein structure using a pre-trained 3Di substitution matrix. The resulting linear representation allows Foldseek to leverage MMseqs2, to rapidly scan extensive databases and identify structural matches. +O Foldseek alcança sua eficiência ao simplificar estruturas 3D em uma representação linear e unidimensional, utilizando seu exclusivo "alfabeto 3Di". Essa abordagem captura interações locais fundamentais na estrutura da proteína por meio de uma matriz de substituição 3Di pré-treinada. A representação linear resultante permite que o Foldseek utilize o MMseqs2 para realizar varreduras rápidas em grandes bancos de dados e identificar correspondências estruturais. -### **Integration of Foldseek into the AlphaFold Database** +### **Integração do Foldseek ao Banco de Dados AlphaFold** -Foldseek is seamlessly integrated into the AFDB website. Simply search for your protein of interest, navigate to the “Similar structures” section, and you can launch a structure-based search against clustered predicted models in the AFDB (AFDB50) and experimentally determined structure from the Protein Data Bank (PDB). +O Foldseek está perfeitamente integrado ao site do AFDB. Basta pesquisar a proteína de seu interesse, navegar até a seção "Similar structures" (Estruturas similares) e iniciar uma busca baseada em estrutura comparando-a com modelos previstos agrupados no AFDB (AFDB50) e com estruturas determinadas experimentalmente provenientes do Protein Data Bank (PDB). -The PDB collection is updated weekly to incorporate the latest releases from the Worldwide Protein Data Bank, ensuring you can always access the most current entries for their searches. +A coleção do PDB é atualizada semanalmente para incorporar as mais recentes inclusões do Worldwide Protein Data Bank, garantindo que você sempre tenha acesso às entradas mais atuais para suas pesquisas. -The results are clearly presented and can be filtered and sorted to help you find the most relevant matches. You can align selected proteins with their query to assess the match quality. Visualisation options include toggling between full-chain colouring and pLDDT-based colouring of the query. The results are clearly presented and can be filtered and sorted. +Os resultados são apresentados de forma clara e podem ser filtrados e classificados para ajudar você a encontrar as correspondências mais relevantes. É possível alinhar proteínas selecionadas à sua sequência de consulta (*query*) para avaliar a qualidade da correspondência. As opções de visualização incluem alternar entre a coloração da cadeia completa e a coloração baseada no pLDDT da sequência de consulta. Os resultados são apresentados de forma clara e podem ser filtrados e classificados. -![AlphaMissense in the AFDB](https://github.com/paulynamagana/AFDB_notebooks/blob/main/Presentation3.gif?raw=true) +![AlphaMissense no AFDB](https://github.com/paulynamagana/AFDB_notebooks/blob/main/Presentation3.gif?raw=true) -Figure 29. AlphaFold Database showing Foldseek integration for [D435.](https://alphafold.ebi.ac.uk/entry/A0A1Y0BDV9) +Figura 29. Banco de dados AlphaFold mostrando a integração com o Foldseek para [D435.](https://alphafold.ebi.ac.uk/entry/A0A1Y0BDV9) -Each result includes an E-value, indicating the statistical significance of the structural match. Lower e-values suggest a higher degree of similarity. The structural superposition is accompanied by a root-mean-square deviation (RMSD) value, highlighting the average distance between corresponding atoms in the aligned structures. You can also download the aligned structures for further analysis. +Cada resultado inclui um valor E, que indica a significância estatística da correspondência estrutural. Valores E mais baixos sugerem um grau de semelhança mais elevado. A sobreposição estrutural é acompanhada por um valor de desvio quadrático médio ( root-mean-square deviation - RMSD), que destaca a distância média entre átomos correspondentes nas estruturas alinhadas. Você também pode baixar as estruturas alinhadas para análises posteriores. -### **What can Foldseek reveal?** +### **O que o Foldseek pode revelar?** -Foldseek can uncover surprising similarities between proteins that have evolved independently, shedding light on their shared ancestry or convergent evolution. +O Foldseek pode revelar semelhanças surpreendentes entre proteínas que evoluíram de forma independente, lançando luz sobre sua ancestralidade compartilhada ou evolução convergente. Finding a structural match to a protein with a known function can provide clues about the function of an unknown protein. diff --git a/040-accessing-and-predicting-protein-structures-with-alphafold/020-accessing-predicted-protein-structures-in-the-alphafold-database/020-using-the-alphafold-database-for-analysis/index.md b/040-accessing-and-predicting-protein-structures-with-alphafold/020-accessing-predicted-protein-structures-in-the-alphafold-database/020-using-the-alphafold-database-for-analysis/index.md index 728aa78..fac6aa1 100644 --- a/040-accessing-and-predicting-protein-structures-with-alphafold/020-accessing-predicted-protein-structures-in-the-alphafold-database/020-using-the-alphafold-database-for-analysis/index.md +++ b/040-accessing-and-predicting-protein-structures-with-alphafold/020-accessing-predicted-protein-structures-in-the-alphafold-database/020-using-the-alphafold-database-for-analysis/index.md @@ -1,15 +1,15 @@ --- layout: default -title: 'Using the AlphaFold database for analysis' +title: 'Utilizando o banco de dados AlphaFold para análise' --- -# Using the AlphaFold database for analysis +# Utilizando o banco de dados AlphaFold para análise -This section explores how the AlphaFold Database (AFDB) can be used to analyse protein structures and their relationships. We’ll delve into two powerful features: clustering and Foldseek. +Esta seção explora como o banco de dados AlphaFold (AFDB) pode ser utilizado para analisar estruturas de proteínas e suas relações. Abordaremos dois recursos poderosos: agrupamento (clustering) e Foldseek. -### By the end of this section, you will be able to: +### Ao final desta seção, você será capaz de: -* Understand how proteins are clustered in the AFDB based on sequence and structural similarity. -* Access and interpret cluster information to gain insights into protein function and evolution. -* Perform structure-based searches using Foldseek to identify proteins with similar folds, even with low sequence similarity. -* Interpret Foldseek results, including E-values and RMSD values, to assess structural similarity. +* Compreender como as proteínas são agrupadas no AFDB com base na similaridade de sequência e estrutura. +* Acessar e interpretar informações de agrupamento para obter insights sobre a função e a evolução das proteínas. +* Realizar buscas baseadas em estrutura utilizando o Foldseek para identificar proteínas com dobramentos semelhantes, mesmo com baixa similaridade de sequência. +* Interpretar os resultados do Foldseek, incluindo valores E e valores RMSD, para avaliar a similaridade estrutural. diff --git a/040-accessing-and-predicting-protein-structures-with-alphafold/040-predicting-protein-structures-using-the-alphafold-open-source-code.md b/040-accessing-and-predicting-protein-structures-with-alphafold/040-predicting-protein-structures-using-the-alphafold-open-source-code.md index 326c52c..ea99430 100644 --- a/040-accessing-and-predicting-protein-structures-with-alphafold/040-predicting-protein-structures-using-the-alphafold-open-source-code.md +++ b/040-accessing-and-predicting-protein-structures-with-alphafold/040-predicting-protein-structures-using-the-alphafold-open-source-code.md @@ -1,53 +1,53 @@ --- layout: default -title: 'Predicting protein structures using the AlphaFold2 open-source code' +title: 'Previsão de estruturas de proteínas usando o código-fonte de código aberto do AlphaFold2' --- -# Predicting protein structures using the AlphaFold2 open-source code +# Previsão de estruturas de proteínas usando o código-fonte de código aberto do AlphaFold2 -**Installing the AlphaFold2 source code gives you total control over protein structure prediction. This is the most powerful and adaptable way to use AlphaFold2. However, the software places considerable demands on servers and requires a high degree of computer skill to install and run.** +**A instalação do código-fonte do AlphaFold2 oferece controle total sobre a previsão de estruturas de proteínas. Essa é a maneira mais poderosa e adaptável de utilizar o AlphaFold2. No entanto, o software exige recursos computacionais consideráveis ​​dos servidores e requer um alto nível de conhecimento técnico em informática para sua instalação e execução.** -## **Why should I install the AlphaFold2 source code?** +## **Por que instalar o código-fonte do AlphaFold2?** -Installing AlphaFold2 on your own server or workstation, using the source code, gives you total control over the protein structure predictions that you run. +Instalar o AlphaFold2 em seu próprio servidor ou estação de trabalho, utilizando o código-fonte, proporciona controle total sobre as previsões de estruturas de proteínas que você realiza. -Running AlphaFold2 yourself may be the best option in several circumstances. These include: if your protein of interest is not in the AlphaFold Protein Structure Database (AFDB); if you want to predict an oligomer; if you want to predict a protein-protein complex; or if you need to manipulate the MSA and/or templates for a prediction. These functionalities are also available via Colabs, but using the source code gives you both full control and comprehensive outputs. +Executar o AlphaFold2 por conta própria pode ser a melhor opção em diversas situações. Entre elas: se a proteína de seu interesse não constar no Banco de Dados de Estruturas de Proteínas do AlphaFold (AlphaFold Protein Structure Database - AFDB); se você desejar prever um oligômero; se quiser prever um complexo proteína-proteína; ou se precisar manipular o MSA (alinhamento múltiplo de sequências) e/ou os modelos para uma previsão. Essas funcionalidades também estão disponíveis via Colabs, mas o uso do código-fonte oferece controle total e resultados mais abrangentes. -The AlphaFold2 source code is released under the Apache 2.0 licence. +O código-fonte do AlphaFold2 é disponibilizado sob a licença Apache 2.0. -To decide if installing AlphaFold2 is the right option for you, ask yourself the following two questions. Do you believe you can confidently follow the instructions from [README](https://github.com/google-deepmind/alphafold/blob/main/README.md) – or do you have an IT specialist who can do so? And do you have access to the necessary hardware? If the answer to both is yes, consider local AlphaFold2 installation. If not, we suggest sticking to [ColabFold](https://colab.research.google.com/github/sokrypton/ColabFold/blob/main/AlphaFold2.ipynb), which is enough for many practical applications. +Para decidir se instalar o AlphaFold2 é a opção certa para você, faça a si mesmo as duas perguntas a seguir. Você acredita que consegue seguir com segurança as instruções do [README](https://github.com/google-deepmind/alphafold/blob/main/README.md) ou pode contar com um especialista em TI que possa fazê-lo? E você tem acesso ao hardware necessário? Se a resposta para ambas for sim, considere a instalação local do AlphaFold2. Caso contrário, sugerimos utilizar o [ColabFold](https://colab.research.google.com/github/sokrypton/ColabFold/blob/main/AlphaFold2.ipynb), que é suficiente para muitas aplicações práticas. -## **Installing the AlphaFold2 source code** +## **Instalando o código-fonte do AlphaFold2** -All the code necessary to run AlphaFold2 can be found in the [official GitHub](https://github.com/google-deepmind/alphafold). This also includes model parameters, installation instructions, commands, and a record of changes in the [code versioning](https://github.com/google-deepmind/alphafold/releases). Please carefully review the [README](https://github.com/google-deepmind/alphafold/blob/main/README.md). +Todo o código necessário para executar o AlphaFold2 pode ser encontrado no [GitHub oficial](https://github.com/google-deepmind/alphafold). Isso também inclui parâmetros do modelo, instruções de instalação, comandos e o histórico de alterações no [versionamento do código](https://github.com/google-deepmind/alphafold/releases). Por favor, leia atentamente o [README](https://github.com/google-deepmind/alphafold/blob/main/README.md). -To install AlphaFold2, you will need a machine with Linux, up to 3 TB of disk space for genetic databases, and a modern NVIDIA GPU. While you can run AlphaFold2 without a GPU, it will be much slower. The maximum size of the modelled proteins or protein-protein complexes is determined only by the available GPU RAM; e.g. a single A100 GPU with 40Gb of RAM can handle complexes of up to ~5,000 residues. +Para instalar o AlphaFold2, você precisará de uma máquina com Linux, até 3 TB de espaço em disco para bancos de dados genéticos e uma GPU NVIDIA moderna. Embora seja possível executar o AlphaFold2 sem uma GPU, o processo será muito mais lento. O tamanho máximo das proteínas ou complexos proteína-proteína modelados é determinado apenas pela memória RAM da GPU disponível; por exemplo, uma única GPU A100 com 40 GB de RAM consegue processar complexos de até ~5.000 resíduos. -Note that the code is regularly updated and new versions of the model are released. +Observe que o código é atualizado regularmente e novas versões do modelo são lançadas. -If you don’t have access to such hardware, consider running AlphaFold2 on a virtual machine (VM) in the cloud. All major cloud providers are currently supporting AlphaFold2. Projects like [NMRBox](https://nmrbox.nmrhub.org/) provide free use of AlphaFold2 on their VMs for academic users. Furthermore, Google Cloud and Vertex.ai provide tailored, cost-effective solutions for running [AlphaFold in the cloud](https://cloud.google.com/blog/products/ai-machine-learning/running-alphafold-on-vertexai). +Se você não tiver acesso a esse hardware, considere executar o AlphaFold2 em uma máquina virtual (VM) na nuvem. Todos os principais provedores de nuvem oferecem suporte ao AlphaFold2 atualmente. Projetos como o [NMRBox](https://nmrbox.nmrhub.org/) disponibilizam o uso gratuito do AlphaFold2 em suas VMs para usuários acadêmicos. Além disso, o Google Cloud e o Vertex.ai oferecem soluções personalizadas e de bom custo-benefício para executar o [AlphaFold na nuvem](https://cloud.google.com/blog/products/ai-machine-learning/running-alphafold-on-vertexai). -Additionally, AlphaFold2 requires local access to a large number of genetic databases, including [BFD](https://bfd.mmseqs.com/), [MGnify](https://www.ebi.ac.uk/metagenomics/), [PDB70](http://wwwuser.gwdg.de/~compbiol/data/hhsuite/databases/hhsuite_dbs/), [PDB](https://www.wwpdb.org/), [UniRef30 (FKA UniClust30)](https://uniclust.mmseqs.com/), and [UniRef90](https://www.uniprot.org/help/uniref). Similarly, AlphaFold-Multimer requires the [PDB SEQRES](https://www.wwpdb.org/documentation/file-format-content/format33/sect3.html#SEQRES) and [UniProt](https://www.uniprot.org/uniprot/) databases. However, if necessary, you can download a reduced version of the databases. Please follow the detailed installation instructions in the [README](https://github.com/google-deepmind/alphafold/blob/main/README.md), where a script is provided to automate download and setup of the databases. +Adicionalmente, o AlphaFold2 requer acesso local a um grande número de bancos de dados genéticos, incluindo [BFD](https://bfd.mmseqs.com/), [MGnify](https://www.ebi.ac.uk/metagenomics/), [PDB70](http://wwwuser.gwdg.de/~compbiol/data/hhsuite/databases/hhsuite_dbs/), [PDB](https://www.wwpdb.org/), [UniRef30 (anteriormente UniClust30)](https://uniclust.mmseqs.com/) e [UniRef90](https://www.uniprot.org/help/uniref). Da mesma forma, o AlphaFold-Multimer requer os bancos de dados [PDB SEQRES](https://www.wwpdb.org/documentation/file-format-content/format33/sect3.html#SEQRES) e [UniProt](https://www.uniprot.org/uniprot/). No entanto, se necessário, é possível baixar uma versão reduzida dos bancos de dados. Siga as instruções detalhadas de instalação presentes no [README](https://github.com/google-deepmind/alphafold/blob/main/README.md), onde é disponibilizado um script para automatizar o download e a configuração dos bancos de dados. -**Note:** Your use of these databases is subject to their terms and conditions and/or licence provisions. You should check you can comply with any applicable restrictions or terms and conditions before use. +**Nota:** O uso dessas bases de dados está sujeito aos seus termos e condições e/ou às disposições de licenciamento. Você deve verificar se consegue cumprir quaisquer restrições ou termos e condições aplicáveis ​​antes de utilizá-las. ![](https://ftp.ebi.ac.uk/pub/training/2024/On-demand/source_code.gif) -Figure 25. The AlphaFold2 source code is freely available, so anyone can install it if they have a suitable system. All the necessary information is in README. +Figura 25. O código-fonte do AlphaFold2 está disponível gratuitamente, permitindo que qualquer pessoa o instale, desde que possua um sistema adequado. Todas as informações necessárias encontram-se no arquivo README. -**Considerations for running your first structure predictions** +**Considerações para realizar suas primeiras previsões de estrutura** -You can choose which AlphaFold2 model version to run. For protein-protein complexes, you can specify the AlphaFold-Multimer model. +Você pode escolher qual versão do modelo AlphaFold2 deseja executar. Para complexos proteína-proteína, é possível especificar o modelo AlphaFold-Multimer. -To run a structure prediction, all you need to do is to provide the name of a file where the sequence of your protein, or sequences of the subunits in the case of a protein-protein complex, are kept in the FASTA format. You can then run AlphaFold2. +Para realizar uma previsão de estrutura, basta fornecer o nome de um arquivo contendo a sequência da sua proteína — ou as sequências das subunidades, no caso de um complexo proteína-proteína — no formato FASTA. Em seguida, você pode executar o AlphaFold2. -AlphaFold2 structure predictions typically take tens of minutes. A major contributor to the total time is the need to generate multiple sequence alignments (MSAs) and search templates: these processes can take tens of minutes. After this, the actual structure prediction may take seconds or minutes. For unrelaxed protein structures, structure predictions can typically take up to 5 seconds for a protein of 100 residues, and up to 20 minutes for a protein of 3,000 residues. The total time required to predict large complexes can be over an hour. +As previsões de estrutura do AlphaFold2 geralmente levam dezenas de minutos. Um fator que contribui significativamente para o tempo total é a necessidade de gerar alinhamentos de múltiplas sequências (MSAs) e buscar modelos de referência (*templates*): esses processos podem levar dezenas de minutos. Após essa etapa, a previsão da estrutura em si pode levar segundos ou minutos. Para estruturas proteicas não relaxadas, a previsão pode levar tipicamente até 5 segundos para uma proteína de 100 resíduos e até 20 minutos para uma proteína de 3.000 resíduos. O tempo total necessário para prever grandes complexos pode ultrapassar uma hora. -The workflow provided is for running one structure prediction at a time. There is also an option to run a series of structure predictions, by submitting a list of FASTA files. However, this is not practical for predicting structures of an entire proteome that includes thousands of proteins. +O fluxo de trabalho fornecido destina-se à execução de uma previsão de estrutura por vez. Existe também a opção de realizar uma série de previsões enviando uma lista de arquivos FASTA. No entanto, essa abordagem não é prática para prever as estruturas de um proteoma inteiro que inclua milhares de proteínas. -Bear in mind that AlphaFold2 uses random seeds to initialise each structure prediction. Normally, the structure prediction process for high-confidence regions of a protein will converge on the same solution, regardless of the seed used. However, in difficult cases, re-running your prediction with several different seeds may provide some diversity in the structure predictions, and ultimately improve your final structure prediction. +Lembre-se de que o AlphaFold2 utiliza sementes aleatórias (random seeds) para inicializar cada previsão de estrutura. Normalmente, o processo de previsão para regiões de alta confiança de uma proteína converge para a mesma solução, independentemente da semente utilizada. Contudo, em casos complexos, repetir a previsão com diferentes sementes pode gerar certa diversidade nos resultados e, em última análise, melhorar a previsão final da estrutura. -You also have the option to run your final structure through a relaxation process using [AMBER](https://github.com/openmm/openmmforcefields). Relaxation can help to resolve rare stereochemical violations and clashes. However, it typically takes several minutes to run. In most cases the direct output of the structure module is quite good even without relaxation. +Você também tem a opção de submeter sua estrutura final a um processo de relaxamento utilizando o [AMBER](https://github.com/openmm/openmmforcefields). O relaxamento pode ajudar a corrigir eventuais violações estereoquímicas e colisões (clashes). No entanto, esse processo geralmente leva alguns minutos para ser executado. Na maioria dos casos, o resultado direto do módulo de estrutura é bastante satisfatório, mesmo sem o relaxamento. -AlphaFold2 outputs will be saved into a subdirectory that you specify. These outputs include the computed MSAs, unrelaxed structures, relaxed structures, ranked structures, raw model outputs, structure prediction metadata, and times taken for each step of the process. +Os resultados do AlphaFold2 serão salvos em um subdiretório especificado por você. Esses resultados incluem os MSAs calculados, as estruturas não relaxadas, as estruturas relaxadas, as estruturas classificadas, os dados brutos do modelo, os metadados da previsão de estrutura e os tempos de execução de cada etapa do processo. diff --git a/_data/pt.yml b/_data/pt.yml index 2950657..c5b9fbe 100644 --- a/_data/pt.yml +++ b/_data/pt.yml @@ -5,17 +5,17 @@ course: slug: "AlphaFold-A-practical-guide" # should match repo name for GitHub Pages and should be english for consistency across languages labels: - time_to_complete_text: "Time to complete" - time_to_complete_value: "3 hours" - last_updated_text: "Last reviewed" - last_updated_value: "June 2025" - written_by_text: "Written by" + time_to_complete_text: "Tempo para completar" + time_to_complete_value: "3 horas" + last_updated_text: "Última revisão" + last_updated_value: "Junho 2025" + written_by_text: "Escrito por" written_by_name: - name: "Paulyna Gabriela Magana Gomez" profile_url: "" - name: "Oleg Kovalevskiy" profile_url: "https://www.ebi.ac.uk/training/trainers/oleg-kovalevskiy" - translated_by_text: "Translated by" + translated_by_text: "Traduzido por" translated_by_name: - name: "Joyce Karoline da Silva" profile_url: null @@ -23,5 +23,5 @@ labels: - name: "Vinicius Maracaja-Coutinho" profile_url: null orcid: "https://orcid.org/0000-0002-8873-9381" - translated_on_text: "Translated on" - translated_on_value: "June 2026" + translated_on_text: "Traduzido em" + translated_on_value: "Agosto 2026"