Receber por email
← Voltar para o catálogo

bio-applied-enzyme-kinetics

Padrões computacionais de cinética enzimática, incluindo ajuste de Michaelis-Menten com scipy, intervalos de confiança bootstrap, determinação do tipo de inibição, cooperatividade alostérica e cinética de múltiplos substratos.

3estrelas
Atualizado há 6 meses

Ver no GitHub ↗

Como adicionar

/plugin marketplace add Pavel-Kravchenko/Bioinformatics

O comando exato pode variar conforme o repositório. Confira o README no GitHub.

Para o autor da skill

Cole no README do seu repo

Mostra que sua skill está catalogada na Skillteca, gera backlink e tráfego rastreável.

[![Skillteca](https://www.skillteca.com.br/api/badge/bio-applied-enzyme-kinetics/svg)](https://www.skillteca.com.br/skills/bio-applied-enzyme-kinetics)
#ai

Skills relacionadas

Ver todas de DevOps e Infra →

Alerta por categoria

Receba novas skills de DevOps e Infra toda segunda

1 email curto, só com as skills novas de DevOps e Infra. 4 minutos de leitura, sem spam, cancela com 1 clique.

Você confirma o email no primeiro envio. Sem spam. Cancela com 1 clique.

Ler descrição completa

Enzyme Kinetics: Computational Patterns

Fitting Michaelis-Menten Parameters

import numpy as np
from scipy.optimize import curve_fit

def michaelis_menten(S, vmax, km):
    return (vmax * S) / (km + S)

# Substrate concentrations should span 0.1*Km to 10*Km
substrate_uM = np.array([0.5, 1.0, 2.0, 3.0, 5.0, 7.5, 10.0, 15.0, 20.0, 30.0, 50.0])

popt, pcov = curve_fit(
    michaelis_menten, substrate_uM, observed_v,
    p0=[max(observed_v), substrate_uM[np.argmin(np.abs(observed_v -

[Description truncada. Veja o README completo no GitHub.]
Compartilhar X LinkedIn