約翰·江珀

人物經歷

早年經歷

1985年，約翰·江珀出生於美國阿肯色州小石城，在青年時期自學了編程，並展現出物理方面的天賦，進入大學後選擇了數學和物理專業。

教育經歷

2007年，約翰·江珀獲得范德比爾特大學數學與物理學學士學位；同年，獲得英國“馬歇爾學者計畫獎學金（Marshall Scholar）”資助，在劍橋大學聖埃德蒙學院攻讀理論凝聚態物理學，入學後意識到這門學科並不適合他，最後退學離開。

2011年，約翰·江珀進入芝加哥大學，跟隨理論化學家弗里德（K.F. Freed）和索斯尼克（T.R. Sosnick）攻讀理論化學，將機器學習策略用於蛋白質動力學研究。

2012年，約翰·江珀獲得芝加哥大學碩士學位。2017年，獲得芝加哥大學理論化學博士學位，從事機器學習模擬蛋白質摺疊和動力學研究。之後在芝加哥大學完成博士後研究，繼續從事蛋白質預測深度學習模型的研究工作。

工作經歷

約翰·江珀在劍橋大學聖埃德蒙學院退學後，進入美國D.E.Shaw Research生物化學研究公司任科學助理三年，從事利用計算機模擬進行分子動力學研究，並開發了一種從這些模擬中提取關鍵數據的算法。

2018年，約翰·江珀進入谷歌深度思維（DeepMind）公司任高級研究員，聯合開發阿爾法摺疊（AlphaFold）系列模型。之後，他開始領導團隊，並對AlphaFold進行重構，展開全面調整和改進，引入空間立體結構和進化理念、整合已有蛋白質結構的詳細信息如原子半徑和鍵角等、完善機器有效學習策略以利於從有限數據中提取最大信息，特別是拋棄傳統算法的束縛，更強調空間靠近而非線性相鄰等。最終實現真正意義的突破，開發了阿爾法摺疊2（AlphaFold2），AlphaFold2能夠基於蛋白質的胺基酸序列來準確預測其結構。2020年12月，AlphaFold2在國際蛋白質結構預測競賽（CASP）視頻會議上進行展示。6個月後，谷歌“深度思維”（DeepMind）公司發表了他們的結果，並公開了AlphaFold2的底層代碼。

刊發時間	論文名稱	刊物名稱
2024年	Accurate structure prediction of biomolecular interactions with AlphaFold 3	《Nature》
2023年	AlphaFold Protein Structure Database in 2024: providing structure coverage for over 214 million protein sequences	《Nucleic Acids Research》
2023年	Accurate proteome-wide missense variant effect prediction with AlphaMissense	《Science（New York, N.Y.）》
2022年	3D-Beacons: decreasing the gap between protein sequences and structures through a federated network of protein structure data resources	《Gigascience》
2022年	Discovery of archaeal fusexins homologous to eukaryotic HAP2/GCS1 gamete fusion proteins	《Nature Communications》
2022年	Author Correction: Structure of the PAPP-A complex reveals mechanism of substrate recognition	《Nature Communications》
2022年	Structure of the PAPP-A complex reveals mechanism of substrate recognition	《Nature Communications》
2022年	Structural basis of template strand deoxyuridine promoter recognition by a viral RNA polymerase	《Nature Communications》
2022年	Structure of the decoy module of human glycoprotein 2 and uromodulin and its interaction with bacterial adhesin FimH	《Nature Structural & Molecular Biology》
2022年	Protein structure predictions to atomic accuracy with AlphaFold	《Nature Meth.》
2021年	AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models	《Nucleic Acids Research》
2021年	Effective gene expression prediction from sequence by integrating long-range interactions	《Nature Methods》
2021年	Applying and improving AlphaFold at CASP14	《Proteins》
2021年	Highly accurate protein structure prediction with AlphaFold	《Nature》
2021年	Applying and improving AlphaFold at CASP14	《Proteins: Structure Function and Bioinformatics》
2021年	Highly accurate protein structure prediction for the human proteome	《Nature》
2020年	Improved protein structure prediction using potentials from deep learning	《Nature》
2020年	Upside: Protein Folding in CPU-Hours with Applications to Force-Unfolding of Membrane Proteins	《Biophysical Journal》
2019年	Protein structure prediction using multiple deep neural networks in the 13 Critical Assessment of Protein Structure Prediction (CASP13)	《Proteins: Structure Function and Bioinformatics》
2019年	On the Interpretation of Force-Induced Unfolding Studies of Membrane Proteins Using Fast Simulations	《Biophysical Journal》
2019年	Fast, Atomic-Level AFM and Magnetic Tweezers Simulations of the Unfolding of Membrane Proteins using a New Membrane Burial Potential with H-Bonding	《Biophysical Journal》
2018年	Accurate calculation of side chain packing and free energy with applications to protein molecular dynamics	《Plos Computational Biology》
2018年	Trajectory-based training enables protein simulations with accurate folding and Boltzmann ensembles in cpu-hours	《Plos Computational Biology》
2018年	A Membrane Burial Potential with H-Bonds and Applications to Curved Membranes and Fast Simulations	《Biophysical Journal》
2018年	Response to Comment on “Innovative scattering analysis shows that hydrophobic disordered proteins are expanded in water”	《Science（New York, N.Y.）》
2018年	Measuring the solvent quality of water for disordered proteins from a single SAXS measurement	《Acta Crystallographica Section a Foundations and Advances》
2017年	Innovative scattering analysis shows that hydrophobic disordered proteins are expanded in water	《Science（New York, N.Y.）》
2017年	Molecular Determinants of Specificity in the Dpr-DIP Interaction Network	《Biophysical Journal》
2017年	Extending Upside , a Near-Atomic Level Model for Fast Protein Folding, for Predicting Protein-Protein Interactions	《Biophysical Journal》
2017年	Measuring the (Good) Solvent Quality of Water for Disordered Proteins from a Single SAXS Measurement	《Biophysical Journal》
2017年	Folding Membrane Proteins by Contacts Inferred from Non-Membrane Proteins and Near-Atomic Level Refinement	《Biophysical Journal》
2016年	Including H-Bonding in Depth-Dependent Membrane Burial Potentials for Improving Folding Simulations	《Biophysical Journal》
2016年	Upside: A New Dynamics Method Capable of Cooperative De Novo Protein Folding in CPU-Hours	《Biophysical Journal》
2015年	Free-Standing Kinked Silicon Nanowires for Probing Inter- and Intracellular Force Dynamics	《Nano Letters》
2014年	Loss of conformational entropy in protein folding calculated using realistic ensembles and its implications for NMR-based calculations	《Proceedings of the National Academy of Sciences of the United States of America》
2013年	Rotational relaxation in ortho-terphenyl: using atomistic simulations to bridge theory and experiment	《The Journal of Physical Chemistry. B》
2012年	Oncogenic mutations counteract intrinsic disorder in the EGFR kinase and promote receptor dimerization	《Cell》
2010年	Atomic-level characterization of the structural dynamics of proteins	《Science（New York, N.Y.）》

約翰·江珀

基本介紹

人物經歷

早年經歷

教育經歷

工作經歷

主要成就

科研成就

獲獎記錄

科學類

社會類

社會活動

行業會議

講學授業

參加活動

個人生活

人物評價

相關詞條

熱門詞條