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

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

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. Вы освоите ключевые инструменты, научитесь работать с базами данных и применять современные модели для решения типичных задач drug discovery, формируя целостное понимание роли AI в создании лекарств.

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.

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

Цена: 5290 руб.
Скрытая ссылка