Uczenie maszynowe w modelowaniu i projektowaniu biomolekuł 1200-UMPB-OG

1. Podstawy uczenia maszynowego
1.1 Metody uczenia maszynowego; architektury sieci neuronowych; kodowanie danych; uczenie i walidacja.
1.2 Zastosowania w modelowaniu biomolekularnym i odkrywaniu leków.
1.3 Wprowadzenie do reprezentacji białek, ligandów i związków chemicznych. Opis formatów danych, takich jak SMILES, PDB i FASTA
1.4 Podstawy chemoinformatyki; modele opisujące związki chemiczne, obliczanie właściwości molekularnych.

demonstracja: Użycie biblioteki RDKit w Pythonie do parsowania SMILES i konwersji do grafu molekularnego.
Wizualizacja struktury i obliczanie podstawowych właściwości, takich jak masa cząsteczkowa, liczba wiązań wodorowych i
polarność.

2. Uczenie maszynowe w modelowaniu biomolekularnym
2.1 Proste modele klasyfikacji i regresji; przewidywanie wiązań ligandów z białkami
2.2 Sieci o rozbudowanej architekturze: modele konwolucyjne i rekurencyjne, sieci grafowe
demonstracja: wykorzystanie biblioteki pytorch do
przewidywania wiązania małych cząsteczek do cytochromu CYP1A2

3. Generatywne sieci neuronowe
3.1 Wprowadzenie teoretyczne do generatywnych sieci neuronowych i ich zastosowanie w modelowaniu molekularnym.
3.2 Generowanie nowych cząsteczek chemicznych, optymalizacja właściwości leków i analiza przestrzeni chemicznej
3.3 Przykłady generowania związków chemicznych i białek przy użyciu modeli warunkowych (cVAEs).

demonstracja: użycie cVAE do generowania nowych cząsteczek z przestrzeni ukierunkowanej na właściwości, takie jak toksyczność lub farmakokinetyka.

4. Projektowanie białek za pomocą ML
4.1 Koncepcje projektowania białek, w tym de novo design, modyfikacje sekwencji oraz aplikacje praktyczne.
4.2 Wykorzystanie generatywnych metod ML w kontekście generowania nowych sekwencji i struktur białek.
4.3 Metody maszynowe wykorzystywane w projektowaniu białek: RFDiffusion, AlphaFold, Protein MPNN

demonstracja: zaprojektowanie białka globularnego przy wykorzystaniu istniejących modeli (dostępnych online)