FireProt 2.1 – Prediction of Stabilising Mutations in Proteins using Machine Learning*

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F25%3A00144181" target="_blank" >RIV/00216224:14310/25:00144181 - isvavai.cz</a>

Výsledek na webu

<a href="https://loschmidt.chemi.muni.cz/fireprotweb/" target="_blank" >https://loschmidt.chemi.muni.cz/fireprotweb/</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

FireProt 2.1 – Prediction of Stabilising Mutations in Proteins using Machine Learning*

Popis výsledku v původním jazyce

FireProt 2.1 provides a robust computational strategy for predicting highly stable multiple-point mutants. It combines energy- and evolution-based approaches with smart filtering to identify additive stabilizing mutations. FireProt integrates sixteen computational tools, utilizing both sequence and structural information. The web server provides users with a one-stop-shop solution for the design of thermostable proteins, designed by three strategies: (i) an evolution-based approach, utilizing a back-to-consensus analysis; (ii) an energy-based approach, using conservation, correlation, and energy; and (iii) a combined approach. Novel features of this version include AI models for the fast prediction of stabilizing and destabilizing residues. The integration of these modules provides unprecedented speed without compromising the accuracy of predictions.

Název v anglickém jazyce

FireProt 2.1 – Prediction of Stabilising Mutations in Proteins using Machine Learning*

Popis výsledku anglicky

FireProt 2.1 provides a robust computational strategy for predicting highly stable multiple-point mutants. It combines energy- and evolution-based approaches with smart filtering to identify additive stabilizing mutations. FireProt integrates sixteen computational tools, utilizing both sequence and structural information. The web server provides users with a one-stop-shop solution for the design of thermostable proteins, designed by three strategies: (i) an evolution-based approach, utilizing a back-to-consensus analysis; (ii) an energy-based approach, using conservation, correlation, and energy; and (iii) a combined approach. Novel features of this version include AI models for the fast prediction of stabilizing and destabilizing residues. The integration of these modules provides unprecedented speed without compromising the accuracy of predictions.

Druh

R - Software

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/TN02000109" target="_blank" >TN02000109: Personalizovaná medicína: Translačním výzkumem k biomedicínským aplikacím</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2025

Kód důvěrnosti údajů

U - Předmět řešení projektu je utajovanou skutečností podle zvláštních právních předpisů nebo je skutečností, jejíž zveřejnění by mohlo ohrozit činnost zpravodajské služby. Údaje o projektu jsou upraveny tak, aby byly zveřejnitelné

Interní identifikační kód produktu

02_2025_LL

Technické parametry

Doposud je využíváno interně k výzkumným účelům.

Ekonomické parametry

V budoucnu je plánována nabídka potencionálním partnerům z komerční sféry.

IČO vlastníka výsledku

00216224

Název vlastníka

Masarykova univerzita