Запись [Stepik] ИИ в дизайне лекарственных молекул (Анастасия Орлова, Нина Губина)

​

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.

Как проходит обучение
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

1. 
   О курсе
   Эволюция открытия и разработки лекарственных молекул
   Стратегии рационального дизайна лекарств
   Искусственный интеллект в дизайне лекарственных молекул

Основы Data Science

1. 
   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

1. 
   Линейные представления молекул
   Молекулярные фингерпринты
   Файловые форматы
   Графовые представления молекул
   Молекулярные дескрипторы
   Библиотеки для работы с молекулами

Основы машинного обучения для химических задач

1. 
   Основные термины МО
   Основы машинного обучения
   Методы сжатия многомерных данных
   Модели машинного обучения
   Гиперпараметры
   Метрики

Базы данных для дизайна лекарственных молекул

1. 
   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

1. 
   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

1. 
   Основные физико-химические дескрипторы
   Композитные метрики
   Оценка токсичности

Основы глубокого обучения для дизайна лекарственных молекул

1. 
   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

1. 
   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

1. 
   Заключительный раздел