ИИ в дизайне лекарственных молекул [Stepik] [Анастасия Орлова] [Нина Губина] [Пётр Жиляев]

[King]

Складчина: ИИ в дизайне лекарственных молекул [Stepik] [Анастасия Орлова] [Нина Губина] [Пётр Жиляев]




Чему вы научитесь

Понимать полный цикл создания лекарства и роль ИИ на этапах ранней разработки
Работать с химическими данными в Python: анализ, визуализация и подготовка данных
Использовать основные представления молекул (SMILES, фингерпринты, дескрипторы, графы)
Применять методы машинного обучения и корректно оценивать качество моделей
Работать с ключевыми базами данных молекул, белков, активностей и ADMET
Строить воспроизводимые пайплайны для интеграции данных и обучения моделей
Подготавливать данные для докинга, запускать докинг и виртуальный скрининг
Оценивать свойства молекул: аффинность, физико-химические параметры и токсичность
Понимать как работают нейронные сети и применять их для решения химических задач
Генерировать новые молекулы с помощью современных генеративных моделей
О курсе
Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Это единственный на рынке русскоязычный курс, который системно соединяет химию, data science и современные AI-подходы в drug discovery — от основ до актуальных практик.

Преподаватели курса — действующие специалисты на стыке химии и ИИ: учёные, разработчики и эксперты из ведущих фармацевтических компаний и исследовательских центров. Они не только обладают глубокой теоретической подготовкой, но и ежедневно применяют эти методы в реальных проектах по созданию лекарств.

В процессе обучения вы освоите ключевые инструменты, научитесь работать с крупнейшими химическими базами данных, запускать модели, анализировать результаты и понимать, какие методы подходят для реальных задач разработки лекарств. Вы приобретёте практические навыки, которые востребованы в фарме, биотехе и научных центрах, а главное — сформируете целостное и современное представление о том, как AI помогает создавать новые лекарства быстрее, точнее и эффективнее.

Для кого этот курс
Этот курс создан для тех, кто хочет разобраться, как искусственный интеллект применяется в разработке лекарств: Студенты и аспиранты химических и биологических направлений Если вы выбираете карьеру на стыке наук и хотите войти в одну из самых быстрорастущих областей — AI-driven drug discovery, курс поможет выстроить целостную картину и получить навыки, которые ценятся в индустрии и академии. Data scientist’ы и ML-инженеры, интересующиеся фармой и биотехом Вы уже знаете машинное обучение, но хотите разобраться, какие задачи реально существуют в разработке лекарств, с какими данными приходится работать и почему “обычные” подходы не всегда работают в химии. Химики и биохимики Если вы работаете (или хотите работать) в drug discovery и чувствуете, что без применения передовых методов становится всё сложнее соответствовать текущему уровню индустрии, курс поможет вам понять, как именно машинное обучение и современные алгоритмы встраиваются в привычный химический workflow — от данных до молекул. Специалисты фармацевтических и биотехнологических компаний Для тех, кто хочет глубже понять современные AI-подходы, говорить с инженерными командами на одном языке и осознанно выбирать инструменты для реальных R&D-задач.

Начальные требования
Необходим базовый уровень химических знаний и интерес к работе с данными; опыт программирования желателен, но не обязателен — всё нужное мы разберём по ходу курса.

Как проходит обучение
На курсе вас ждут:

Лекционные материалы от простого к сложному: начинаем с азов программирования на Python и машинного обучения, заканчиваем изучением генеративных моделей для дизайна лекарств;
Тестовые задания для усвоения лекционных материалов;
Практические задания в формате небольших задачек либо полноценных ноутбуков с кодом для того, чтобы сразу закрепить изученный материал на реальных кейсах.
Программа курса

Введение

О курсе
Эволюция открытия и разработки лекарственных молекул
Стратегии рационального дизайна лекарств
Искусственный интеллект в дизайне лекарственных молекул
Основы Data Science
Подготовка

Основы Python
Работа с файлами и данными
Анализ данных с pandas и numpy
Визуализация химических данных
Введение в статистику
Дополнительные темы и инструменты
Представления молекул

Линейные представления молекул
Молекулярные фингерпринты
Файловые форматы
Графовые представления молекул
Молекулярные дескрипторы
Библиотеки для работы с молекулами
Основы машинного обучения для химических задач

Основные термины МО
Основы машинного обучения
Методы сжатия многомерных данных
Модели машинного обучения
Гиперпараметры
Метрики
Базы данных для дизайна лекарственных молекул

Введение в базы данных
Структурные базы данных белков и мишеней
Базы данных лекарственных молекул и их активности
Базы данных по ADMET-профилям и токсичности
Интеграция данных и построение pipeline
Молекулярный докинг

Основы медицинской химии
Как работает докинг? Теоретические основы
Подготовка данных для докинга: структуры белков и лигандов
Докинг в действии: пример с использованием AutoDock Vina
Валидация и анализ результатов докинга
От докинга к виртуальному скринингу
Методы оценки молекул

Основные физико-химические дескрипторы
Композитные метрики
Оценка токсичности
Основы глубокого обучения для дизайна лекарственных молекул

Что такое нейронная сеть?
Задачи регрессии и классификации
Распространение сигнала и функции ошибки
Обучение нейросети
Полносвязная нейросеть
Рекуррентные нейросети
Графовые нейросети
Генеративные модели для дизайна лекарственных молекул

Введение в генеративный дизайн
Вариационные автоэнкодеры
Генеративно-состязательные сети
Нормализующие потоки
Диффузионные модели
Трансформеры
Обучение с подкреплением
Ключевые выводы о генеративном дизайне
Генерация молекул с помощью вариационного автоэнкодера
Заключение

Заключительный раздел





СЛИВ СКЛАДЧИН

Для просмотра скрытого содержимого вы должны зарегистрироваться