NOVUS LA TRIADA

Repositorio abierto de laboratorios prácticos computacionales en la nube para educación STEM

Este repositorio cuenta con distintos cuadernos de Jupyter con instrucciones y código de Bash y Python para la ejecución de laboratorios prácticos en distintas disciplinas utilizando Google Colaboratory, un servicio alojado en la nube que no requiere configuración y que ofrece acceso gratuito a recursos de computación, incluyendo CPUs, GPUs y TPUs.

Cada cuaderno de Jupyter consiste de un laboratorio práctico con instrucciones de las actividades a realizar, la instalación de software adicional a utilizar para cada laboratorio, y distintas celdas de texto y de código en Bash y Python para ejecutar tareas de cómputo, análisis y visualización de datos. Además, todos los laboratorios prácticos se encuentran disponibles tanto en español como en inglés.

1. Laboratorios de Modelado y Simulación Molecular

Tutorial	Descripción	Versión en español	Versión en inglés	Software Adicional
Lab.01	Uso de Colab y Revisión de Bases de Datos de Biomoléculas
Lab.02	Visualizando y Comparando Estructuras Moleculares en Google Colab usando py3Dmol			Biopython [1], py3Dmol [2], NGL Viewer [3]
Lab.03	Análisis Filogenético usando biopython y RAxML			Biopython [1], miniconda [4], MAFFT [5], ModelTest-ng [6], RAxML-ng [7]
Lab.04	Modelado Comparativo usando MODELLER			Biopython [1], py3Dmol [2], MODELLER [8]
Lab.05	Modelado de Proteínas de Membrana usando PyRosetta			py3Dmol [2], pyRosetta [9]
Lab.06	Acoplamiento Molecular usando Autodock Vina			Biopython [1], py3Dmol [2], miniconda [4], Open Babel [10], pdb2pqr [11], MGLTools [12], Autodock Vina [13]
Lab.07	Dinámica Molecular usando GROMACS			Biopython [4], py3Dmol [5], NGL Viewer [6], GROMACS [14]
Lab.08	Análisis de trajectorias de MD usando MDAnalysis			py3Dmol [5], MDAnalysis [15]
Lab.09	Simulaciones de plegado de proteínas usando modelos basados en estructuras (SBM)			Biopython [1], py3Dmol [2], NGL Viewer [3], udocker [16], SMOG2 Docker [17], SBM-enhanced GROMACS [17]
Lab.10	Cambios conformacionales usando modelos basados en estructuras (SBM)			Biopython [1], py3Dmol [2], NGL Viewer [3], udocker [16], SMOG2 Docker [17], SBM-enhanced GROMACS [17]
Lab.11	Predicción de interacciones en ARN mediante análisis coevolutivos de secuencias			Biopython [1], py3Dmol [2], infernal [18], pyDCA [19]
Lab.12	Plegado de proteínas ab initio usando Rosetta			Biopython [1], py3Dmol [2], pyRosetta [9]
Lab.13	Combinando DCA y SBM para predecir estructuras de proteínas			Biopython [1], py3Dmol [2], SMOG2 [17], SBM-enhanced GROMACS [17], pyDCA [19]

Autoras y Autores: Felipe Engelberger^1,2,3, Pablo Galaz-Davison^1,2, Graciela Bravo⁴, Maira Rivera^1,2,5, Jorge González-Higueras^1,2, Camila Neira-Mazuhier^1,2 y César A. Ramírez Sarmiento^1,2.

¹Instituto de Ingeniería Biológica y Médica, Pontificia Universidad Católica de Chile, Santiago, Chile.

²ANID – Instituto Milenio de Biología Integrativa (iBio), Santiago, Chile.

³Institute for Drug Discovery, Leipzig University, Leipzig, Alemania.

⁴Departamento de Ingeniería Química y Bioprocesos, Escuela de Ingeniería, Pontificia Universidad Católica de Chile, Santiago, Chile.

⁵Department of Chemistry, Faculty of Science, McGill University, Montreal, Canada.

Repositorio Original: https://github.com/pb3lab/ibm3202

2. Laboratorios de Biodiversidad de Moléculas en Colombia

Tutorial	Descripción	Versión en español	Versión en inglés	Software Adicional
Lab.00	Uso de Colab
Lab.01	Explorando la riqueza de la biodiversidad colombiana: Una mirada de cerca a la biomolécula galantamina			Biopython [1], py3Dmol [2]
Lab.02	Explorando la riqueza de la biodiversidad colombiana: Una mirada de cerca a la biomolécula kaempferol			Biopython [1], py3Dmol [2]
Lab.03	Explorando la riqueza de la biodiversidad colombiana: Una mirada de cerca a la biomolécula quercetina			Biopython [1], py3Dmol [2]
Lab.04	Explorando la riqueza de la biodiversidad colombiana: Una mirada de cerca a la biomolécula resveratrol			Biopython [1], py3Dmol [2]
Lab.05	Explorando la riqueza de la biodiversidad colombiana: Una mirada de cerca a la biomolécula luteolina			Biopython [1], py3Dmol [2]
Lab.06	Explorando la riqueza de la biodiversidad colombiana: Una mirada de cerca a la biomolécula apigenina			Biopython [1], py3Dmol [2]
Lab.07	Explorando la riqueza de la biodiversidad colombiana: Una mirada de cerca a la biomolécula epicatequina			Biopython [1], py3Dmol [2]
Lab.08	Explorando la riqueza de la biodiversidad colombiana: Una mirada de cerca a la biomolécula cannabidiol			Biopython [1], py3Dmol [2]

Autoras y Autores: Juan Fernando Meza Prada¹, Cielo Leon Ramos¹, Francisco Bohorquez Martínez¹, Wilson Rodríguez Escucha¹, Adriana Bernal Giraldo¹, María de los Ángeles Domínguez Cuenca², César A. Ramírez Sarmiento^3,4, María Francisca Villegas¹ y Andrés Gonzalez Barrios^1,5.

¹Departamento de Ciencias Biológicas, Universidad de los Andes, Bogotá, Colombia.

²Instituto para el Futuro de la Educación, Tecnolólogico de Monterrey, Monterrey, México

³Instituto de Ingeniería Biológica y Médica, Pontificia Universidad Católica de Chile, Santiago, Chile.

⁴ANID – Instituto Milenio de Biología Integrativa (iBio), Santiago, Chile.

⁵Grupo de Diseño de Productos y Procesos, Departaento de Ingeniería Química y de Alimentos, Universidad de los Andes, Bogotá, Colombia.

Repositorio original: https://github.com/juferprada97/Biomolecules-tutorials

¡Cita nuestro trabajo!

Si utilizas estos tutoriales para tus investigaciones y/o docencia, por favor cita nuestro trabajo publicado

Engelberger F, Galaz-Davison P, Bravo G, Rivera M, Ramírez-Sarmiento CA (2021) Developing and Implementing Cloud-Based Tutorials that Combine Bioinformatics Software, Interactive Coding and Visualization Exercises for Distance Learning on Structural Bioinformatics. J Chem Educ 98(5): 1801-1807. doi: 10.1021/acs.jchemed.1c00022

Contribuciones y Código de Conducta

Por favor lee nuestras reglas para Contribuciones y Código de Conducta antes de hacer cambios.

Referencias

1. Cock PJA, Antao T, Chang JT, Chapman BA, Cox CJ, Dalke A, et al. Biopython: freely available Python tools for computational molecular biology and bioinformatics. Bioinformatics. 2009;25:1422–3. doi:10.1093/bioinformatics/btp163.
2. Rego N, Koes D. 3Dmol.js: molecular visualization with WebGL. Bioinformatics. 2015;31:1322–4. doi:10.1093/bioinformatics/btu829.
3. Rose AS, Hildebrand PW. NGL Viewer: a web application for molecular visualization. Nucleic Acids Res. 2015;43:W576–9. doi:10.1093/nar/gkv402.
4. Grüning B, Dale R, Sjödin A, Chapman BA, Rowe J, Tomkins-Tinch CH, et al. Bioconda: sustainable and comprehensive software distribution for the life sciences. Nat Methods. 2018;15:475–6. doi:10.1038/s41592-018-0046-7.
5. Katoh K, Standley DM. MAFFT Multiple Sequence Alignment Software Version 7: Improvements in Performance and Usability. Mol Biol Evol. 2013;30:772–80. doi:10.1093/molbev/mst010.
6. Darriba Di, Posada D, Kozlov AM, Stamatakis A, Morel B, Flouri T. ModelTest-NG: A New and Scalable Tool for the Selection of DNA and Protein Evolutionary Models. Mol Biol Evol. 2020;37:291–4. doi:10.1093/molbev/msz189.
7. Kozlov AM, Darriba D, Flouri T, Morel B, Stamatakis A. RAxML-NG: a fast, scalable and user-friendly tool for maximum likelihood phylogenetic inference. Bioinformatics. 2019;35:4453–5. doi:10.1093/bioinformatics/btz305.
8. Webb B, Sali A. Comparative Protein Structure Modeling Using MODELLER. Curr Protoc Bioinforma. 2014;47:5.6.1-5.6.32. doi:10.1002/0471250953.bi0506s47.
9. Chaudhury S, Lyskov S, Gray JJ. PyRosetta: a script-based interface for implementing molecular modeling algorithms using Rosetta. Bioinformatics. 2010;26:689–91. doi:10.1093/bioinformatics/btq007.
10. O’Boyle NM, Banck M, James CA, Morley C, Vandermeersch T, Hutchison GR. Open Babel: An open chemical toolbox. J Cheminform. 2011;3:33. doi:10.1186/1758-2946-3-33.
11. Dolinsky TJ, Czodrowski P, Li H, Nielsen JE, Jensen JH, Klebe G, et al. PDB2PQR: expanding and upgrading automated preparation of biomolecular structures for molecular simulations. Nucleic Acids Res. 2007;35 Web Server:W522–5. doi:10.1093/nar/gkm276.
12. Morris GM, Huey R, Lindstrom W, Sanner MF, Belew RK, Goodsell DS, et al. AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility. J Comput Chem. 2009;30:2785–91. doi:10.1002/jcc.21256.
13. Trott O, Olson AJ. AutoDock Vina: Improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J Comput Chem. 2010;31:455–61. doi:10.1002/jcc.21334.
14. Abraham MJ, Murtola T, Schulz R, Páll S, Smith JC, Hess B, et al. GROMACS: High performance molecular simulations through multi-level parallelism from laptops to supercomputers. SoftwareX. 2015;1–2:19–25. doi:10.1016/j.softx.2015.06.001.
15. Michaud-Agrawal N, Denning EJ, Woolf TB, Beckstein O. MDAnalysis: A toolkit for the analysis of molecular dynamics simulations. J Comput Chem. 2011;32:2319–27. doi:10.1002/jcc.21787.
16. Gomes J, Bagnaschi E, Campos I, David M, Alves L, Martins J, et al. Enabling rootless Linux Containers in multi-user environments: the udocker tool. Comput Phys Commun. 2018;232:84-97. doi:10.1016/j.cpc.2018.05.021
17. Noel JK, Levi M, Raghunathan M, Lammert H, Hayes RL, Onuchic JN, et al. SMOG 2: A Versatile Software Package for Generating Structure-Based Models. PLOS Comput Biol. 2016;12:e1004794. doi:10.1371/journal.pcbi.1004794.
18. Nawrocki EP, Kolbe DL, Eddy SR. Infernal 1.0: inference of RNA alignments. Bioinformatics. 2009;25:1335–7. doi:10.1093/bioinformatics/btp157.
19. Zerihun MB, Pucci F, Peter EK, Schug A. pydca v1.0: a comprehensive software for direct coupling analysis of RNA and protein sequences. Bioinformatics. 2020;36:2264–5. doi:10.1093/bioinformatics/btz892.