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
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:
Введение
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
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.
Введение
- О курсе
- Эволюция открытия и разработки лекарственных молекул
- Стратегии рационального дизайна лекарств
- Искусственный интеллект в дизайне лекарственных молекул
- Основы Data Science
- Основы Python
- Работа с файлами и данными
- Анализ данных с pandas и numpy
- Визуализация химических данных
- Введение в статистику
- Дополнительные темы и инструменты
- Линейные представления молекул
- Молекулярные фингерпринты
- Файловые форматы
- Графовые представления молекул
- Молекулярные дескрипторы
- Библиотеки для работы с молекулами
- Основные термины МО
- Основы машинного обучения
- Методы сжатия многомерных данных
- Модели машинного обучения
- Гиперпараметры
- Метрики
- 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
- 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
- Основные физико-химические дескрипторы
- Композитные метрики
- Оценка токсичности
- Что такое нейронная сеть?
- Задачи регрессии и классификации
- Распространение сигнала и функции ошибки
- Обучение нейросети
- Полносвязная нейросеть
- Рекуррентные нейросети
- Графовые нейросети
- 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
- Заключительный раздел
https://stepik.org/course/255123/promo