Diseño de Flujos de Trabajo de IA para Generación de Moléculas y Predicción de Propiedades

Diseñar flujos de trabajo de IA para el descubrimiento temprano de fármacos requiere tanto conocimiento de química como de selección de modelos. Las representaciones moleculares que elija, los datos con los que entrene, la forma en que maneje la incertidumbre y la integración con químicos medicinales dan forma a si el flujo de trabajo produce candidatos útiles o ruido costoso. Este curso recorre esas decisiones de manera estructurada. Trabajará en ejercicios de diseño escritos que reflejan cómo un equipo de química computacional planificaría un flujo de trabajo de descubrimiento asistido por IA. El énfasis está en las compensaciones prácticas que importan cuando los datos son escasos y el costo de las predicciones incorrectas es alto. Lo que aprenderá: - Elegir representaciones moleculares, incluidas codificaciones SMILES, de grafos y conscientes de 3D - Planificar conjuntos de datos que equilibren fuentes públicas, datos internos y aumento sintético - Comparar enfoques generativos para el diseño de moléculas, incluidos autoencoders variacionales, transformers y difusión - Construir modelos predictivos para actividad, toxicidad y propiedades farmacocinéticas con incertidumbre calibrada - Aplicar aprendizaje activo y optimización bayesiana para priorizar las próximas moléculas a sintetizar - Diseñar bucles de retroalimentación con químicos medicinales que cierren la brecha entre los modelos y el trabajo de laboratorio El curso progresa desde la representación molecular a través de la modelización generativa, la predicción, el aprendizaje activo y la colaboración con químicos. Un ejercicio de diseño escrito final le pide que redacte un diseño de una página para un flujo de trabajo de descubrimiento asistido por IA dirigido a un área terapéutica específica. Este curso está diseñado para químicos computacionales, científicos de datos que ingresan a la industria farmacéutica y estudiantes de ciencias de la vida con algunos conocimientos de software. No se requiere una experiencia profunda en química medicinal. El curso trata el flujo de trabajo como un problema de diseño y es informativo; no proporciona orientación para decisiones científicas o médicas específicas.