Torna ai risultati della ricercaBando per incarichi post doc
| Titolo del progetto in italiano | Machine learning e modellazione integrata per la caratterizzazione degli ensemble conformazionali di acidi nucleici non canonici |
|---|---|
| Titolo del progetto in inglese | Machine Learning and Integrative Modeling for the Characterization of Conformational Ensembles of Non-Canonical Nucleic Acids |
| G.S.D. | 02/PHYS-03 - FISICA SPERIMENTALE DELLA MATERIA E APPLICAZIONI |
| S.S.D | PHYS-03/A - Fisica sperimentale della materia e applicazioni |
| Descrizione sintetica in italiano | Il progetto mira a sviluppare e applicare approcci di machine learning e modellazione integrata per caratterizzare gli ensemble conformazionali di acidi nucleici non canonici, con particolare attenzione ai G-quadruplex. Dati sperimentali ottenuti mediante tecniche spettroscopiche e di scattering saranno combinati con simulazioni multiscala e metodi data-driven. L'obiettivo è identificare descrittori strutturali e relazioni tra sequenza, topologia, compattezza, stabilità e interazioni con ligandi. Algoritmi di apprendimento automatico saranno impiegati per classificare stati conformazionali e ridurre 10 spazio dei parametri. Saranno inoltre sviluppati modelli predittivi per collegare osservabili sperimentali e proprietà molecolari. L'approccio sarà validato su sistemi G-quadruplex monomerici e multimerici. I risultati contribuiranno allo sviluppo di strumenti computazionali per la biofisica strutturale degli acidi nucleici. |
| Descrizione sintetica in inglese | The project aims to develop and apply machine-learning and integrative modeling approaches to characterize conformational ensembles of non-canonical nucleic acids, with particular emphasis on G-quadruplexes. Experimental data from spectroscopic and scattering techniques will be combined with multiscale simulations and data-driven methods. The goal is to identify structural descriptors and relationships among sequence, topology, compactness, stability, and ligand interactions. Machine-learning algorithms will be used to classify conformational states and reduce parameter space. predictive models Will also be developed to connect experimental Observables with molecular properties. The approach Will be validated on monomeric and multimeric G-quadruplex systems. The results Will contribute to computational tools for structural biophysics of nucleic acids. |
| Data del bando | 13/10/2026 |
| Paesi in cui può essere condotto l'incarico |
Italy |
| Paesi di residenza dei candidati |
OTHER |
| Nazionalità dei candidati |
OTHER |
| Sito web del bando | https://www.unipg.it/ateneo/concorsi/incarichi-post-doc/bandi-e-procedure?view=elenco&layout=concorso&idConcorso=59366 |
| Destinatari dell'incarico post doc (of target group) |
Experienced researcher or 4-10 yrs (Post-Doc) |
|---|
| Nome dell'Ente finanziatore | Università degli studi di Perugia |
|---|---|
| Tipologia dell'Ente | Academic |
| Paese dell'Ente | Italy |
| Città | Perugia |
| Sito web | https://www.unipg.it/ |
| helpdesk.preruolo@unipg.it | |
| Telefono | 075 585 2333/2045 |
| L'incarico finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 29/10/2026 - alle ore 23:59 |
|---|---|
| Come candidarsi | https://pica.cineca.it/unipg/ |