Pagdidisenyo ng mga AI Workflow para sa Pagbuo ng Molekula at Prediksyon ng Katangian

Ang pagdidisenyo ng mga AI workflow para sa maagang pagtuklas ng gamot ay kasinghalaga ng kaalaman sa chemistry at pagpili ng modelo. Ang mga molekular na representasyon na pipiliin mo, ang data na iyong pagsasanayin, ang paraan ng paghawak mo sa kawalan ng katiyakan, at ang integrasyon sa mga medicinal chemist ay humuhubog kung ang workflow ay makakagawa ng mga kapaki-pakinabang na kandidato o magastos na ingay. Ang kursong ito ay dumadaan sa mga desisyong iyon sa isang nakabalangkas na paraan. Magtatrabaho ka sa mga nakasulat na pagsasanay sa disenyo na sumasalamin kung paano magpaplano ang isang computational chemistry team ng isang AI-supported discovery workflow. Ang diin ay nasa mga praktikal na tradeoff na mahalaga kapag ang data ay kakaunti at ang gastos ng maling mga prediksyon ay mataas. Ano ang iyong matututunan: - Pumili ng mga molekular na representasyon kabilang ang SMILES, graph, at 3D-aware encodings - Magplano ng mga dataset na nagbabalanse ng mga pampublikong mapagkukunan, panloob na data, at synthetic augmentation - Ihambing ang mga generative approach para sa disenyo ng molekula kabilang ang variational autoencoders, transformers, at diffusion - Bumuo ng mga predictive model para sa aktibidad, toxicity, at pharmacokinetic properties na may calibrated uncertainty - Mag-apply ng active learning at Bayesian optimization upang unahin ang susunod na mga molekula na i-synthesize - Magdisenyo ng mga feedback loop kasama ang mga medicinal chemist na nagsasara ng agwat sa pagitan ng mga modelo at bench work Ang kurso ay umuusad mula sa molekular na representasyon sa pamamagitan ng generative modeling, prediksyon, active learning, at pakikipagtulungan sa chemist. Ang isang capstone written exercise ay humihiling sa iyo na gumawa ng isang one-page na disenyo para sa isang AI-supported discovery workflow na naka-target sa isang partikular na therapeutic area. Ang kursong ito ay idinisenyo para sa mga computational chemist, data scientist na pumapasok sa pharma, at mga mag-aaral sa life sciences na may ilang background sa software. Hindi kinakailangan ang malalim na karanasan sa medicinal chemistry. Tinatrato ng kurso ang workflow bilang isang problema sa disenyo at ito ay impormasyonal; hindi ito nagbibigay ng gabay para sa mga partikular na desisyong siyentipiko o medikal.