Python Cheminformatics & AI

Wprowadzamy RDKit i podstawową koncepcję reprezentacji chemii w języku Python. Słuchacze dowiedzą się, jak inicjować obiekty molekularne z ciągów znaków i zrozumieją kluczową rolę tego frameworka w odkrywaniu leków za pomocą sztucznej inteligencji.

Dowiedz się, jak bezpiecznie wczytywać i eksportować ogromne zbiory danych chemicznych. Omawiamy odczytywanie plików SDF i SMILES, obsługę błędów parsowania oraz zapisywanie danych z powrotem na dysk.

Odkryj, jak cząsteczki są reprezentowane jako struktury danych w postaci grafów. Badamy iterowanie po atomach, analizowanie wiązań i identyfikowanie układów pierścieniowych w cząsteczkach.

Opanuj sztukę odpytywania cząsteczek za pomocą SMARTS. Krok po kroku pokazujemy, jak znajdować określone grupy funkcyjne i wzorce w złożonych strukturach chemicznych.

Sprawdź, jak tłumaczyć grafy molekularne na matematyczne wektory bitowe. Omawiamy klucze MACCS, Morgan fingerprints oraz obliczanie podobieństwa Tanimoto.

Przejdź od płaskich rysunków 2D do realistycznych geometrii 3D. Omawiamy dodawanie jawnych atomów wodoru i generowanie wiarygodnych konformerów 3D przy użyciu ETKDG.

Połącz cheminformatykę ze standardowym data science za pomocą scikit-fingerprints. Badamy generowanie ponad 30 typów fingerprintów molekularnych bezpośrednio w interfejsie scikit-learn.

Dowiedz się, jak wydajnie przetwarzać ogromne zbiory danych chemicznych. Zagłębiamy się w wykorzystanie zrównoleglenia CPU za pomocą Joblib oraz oszczędzanie pamięci przy użyciu macierzy rzadkich z biblioteki SciPy.

Połącz przetwarzanie, generowanie fingerprintów i predykcję w jedną, przejrzystą architekturę. Budujemy solidne potoki scikit-learn, które płynnie integrują generowanie konformerów 3D i przewidywanie właściwości.

Poznaj realia przewidywania powinowactwa wiązania białko-ligand. Porównujemy wydajność prostych modeli drzewiastych 2D ze złożonymi 3D Graph Neural Networks.

Odkryj, jak Natural Language Processing znajduje zastosowanie w chemii. Zestawiamy osadzenia wektorowe z Large Language Models z klasycznymi strukturalnymi fingerprintami RDKit w celu przewidywania bioaktywności.

Dowiedz się, jak iteracyjnie odkrywać najlepszych kandydatów na leki bez wyczerpującego testowania. Zagłębiamy się w pętle Active Learning i strategie zachłannej selekcji, aby zmaksymalizować wskaźnik trafień.

Zbadaj kruchość relacji struktura-aktywność. Omawiamy „klify aktywności” – sytuacje, w których drobna zmiana strukturalna powoduje ogromną zmianę w sile działania leku.

Rozwiąż problem klifów aktywności, zmieniając sposób uczenia się modeli. Badamy framework SQRL, który trenuje sztuczną inteligencję do przewidywania względnych różnic we właściwościach między ściśle filtrowanymi parami molekularnymi.

Przejdź od przewidywania właściwości do wyobrażania sobie zupełnie nowych cząsteczek. Mapujemy krajobraz molekularnych zadań generatywnych: generowanie De Novo, optymalizacja i generowanie konformerów.

Rozkładamy na czynniki pierwsze podstawową koncepcję Diffusion Models bez skomplikowanej matematyki. Słuchacze zrozumieją proces w przód (dodawanie szumu do cząsteczki) oraz proces odwrotny (halucynowanie nowych struktur).

Badamy, jak sztuczna inteligencja w rzeczywistości reprezentuje generowane przez siebie cząsteczki. Porównujemy generowanie płaskich grafów topologicznych 2D z generowaniem złożonych geometrycznych chmur punktów 3D oraz wyzwania związane z każdym z tych podejść.

Odkryj projektowanie generatywne uwzględniające kontekst. Omawiamy generowanie nowych cząsteczek bezpośrednio wewnątrz kieszeni wiążącej białka chorobowego, aby zmaksymalizować powinowactwo wiązania.

Dowiedz się, dlaczego standardowe benchmarki dla modeli generatywnych mogą być głęboko wadliwe. Ujawniamy zakłócający wpływ rozmiaru wygenerowanej biblioteki na metryki takie jak Fréchet ChemNet Distance.

Inteligentnie oceniaj cząsteczki wygenerowane przez AI. Badamy kompromis między eksploracją a eksploatacją (exploration-exploitation tradeoff) w prawdopodobieństwach modelu oraz sposoby filtrowania częstych, niskiej jakości „chemicznych halucynacji”.

Zrozum, dlaczego techniki NLP zawodzą w chemii. Porównujemy Temperature sampling z Top-k i Top-p oraz wyjaśniamy, dlaczego ograniczone słownictwo chemiczne zmienia wszystko.

Przenieś swój potok AI na produkcję. Omawiamy pakowanie RDKit i modeli uczenia maszynowego w kontenery Docker oraz skalowanie obciążeń w infrastrukturze chmurowej.