Inteligência Artificial na Descoberta de Fármacos

Conhecimentos de Base Recomendados

Não aplicável.

Métodos de Ensino

Perguntas de resposta/escolha múltipla.

Resultados de Aprendizagem

Depois da aula (e do estudo dos materiais fornecidos), o aluno deverá ser capaz de:

– listar 5-7 desafios enfrentados pela área da descoberta de fármacos e que a Inteligência Artificial (AI) pode ajudar a superar

– descrever em profundidade razoável alguns (2-3) exemplos em que uma metodologia de AI ofereceu melhorias sobre o estado-da-arte de técnicas “in silico”

– demonstrar razoável compreensão da superior aplicabilidade de certas metodologias da AI (relativamente a outras) na resolução de problemas específicos da descoberta de fármacos

– oferecer exemplos de recursos web e repositórios de dados online relevantes na área da descoberta de fármacos

– (OPCIONAL): descrever o processo de treino e teste de modelos de previsão de uma propriedade molecular usando o Google CoLab.

Estágio(s)

Não

Programa

INTROD:O Processo de Descoberta de Fármacos e a Inteligência Artificial(AI):Moore defronta Eroom

Pesquisa de alvos farmacológicos, previsão de reações adversas e polifarmacologia:o desbravar de grandes volumes de dados de bioatividade

Rastreio Virtual na atualidade:o “triângulo amoroso” entre a Química Computacional, a Quimioinformática e a Aprendizagem(A.) Automática (ML)

Previsões de prop. moleculares a partir de pequenos volumes de dados e através de técnicas de ML “simples”:solubilidade e permeação como estudos de caso

OP:Sessão prática:modelagem da solubilidade aquosa usando RDKit e IPython Notebooks no Google CoLab

Gerar novas moléculas com as prop. desejadas através de A. Profunda por Reforço

Reposicionamento de medicamentos contra a COVID-19 através da AI:perspetivas, desafios e direções

AI na estratificação de pacientes e terapias personalizadas:chegou a hora?

CF:Dez regras para impulsionar a descoberta de fármacos com a ajuda da Ciência de Dados:uma perspetiva da Novartis.

Métodos de Avaliação

Avaliação
Perguntas de resposta/escolha múltipla: 100.0%

Bibliografia

A brief collection of keyword lookups before the lecture:

– PubChem, ChEMBL, RCSB Protein Data Bank, ZINC database, DrugBank

– Innovative Medicines Initiative (IMI), The Melloddy project, Drug Discovery Catapult

– Click2Drug, RDKit, Conda, IPython Notebooks, Google CoLab, R (CRAN)

– Benevolent.AI, ExScientia, AtomWise, InSilico Medicine

 

References:

– DOI: https://doi.org/10.1038/s41563-019-0338-z

– DOI: https://doi.org/10.1093/bib/bby061

– DOI: https://doi.org/10.1186/s13321-020-00454-3

– DOI: https://doi.org/10.1371/journal.pcbi.1008126