Скачать ИИ в дизайне лекарственных молекул - Жиляев (2026)

[bart]

ИИ в дизайне лекарственных молекул​

Автор: Stepik / Анастасия Орлова, Нина Губина, Пётр Жиляев

Разработка лекарств переживает революцию: искусственный интеллект сокращает годы исследований до месяцев, а «мокрая» химия дополняется вычислительными методами, способными предсказать поведение молекулы ещё до её синтеза. Если вы хотите оказаться на острие этих изменений — этот курс даст вам системную точку входа в мир AI-driven drug discovery на русском языке.

Курс охватывает полный путь от сырых химических данных до генерации новых молекул-кандидатов: вы разберётесь, как кодировать структуры соединений, строить предиктивные модели, работать с профессиональными базами данных и запускать молекулярный докинг. Преподаватели — практикующие учёные и разработчики из фармы и биотеха, которые решают эти задачи каждый день.

Это не обзорный вебинар и не сборник чужих статей — это структурированный практикум с кодом, ноутбуками и реальными кейсами. По завершении вы будете говорить на одном языке с командами ML-инженеров и химиков-медицинских химиков и понимать, какой инструмент применять на каждом этапе R&D.

Курс системно соединяет химию, data science и современные AI-подходы в drug discovery — от основ до актуальных практик. Это единственная на рынке русскоязычная программа, охватывающая весь спектр методов: от подготовки химических данных и классического машинного обучения до глубоких нейросетей и генеративных моделей для дизайна новых структур.

Преподаватели курса — действующие специалисты на стыке химии и ИИ: учёные, разработчики и эксперты из ведущих фармацевтических компаний и исследовательских центров. Помимо глубокой теоретической базы, они ежедневно применяют эти методы в реальных проектах по созданию лекарств.

В ходе обучения вы освоите ключевые инструменты, научитесь работать с крупнейшими химическими базами данных, запускать модели, анализировать результаты и выбирать подходящие методы для конкретных задач. Вы приобретёте практические навыки, востребованные в фарме, биотехе и научных центрах, и сформируете целостное современное понимание того, как AI помогает создавать новые лекарства быстрее, точнее и эффективнее.

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

Необходим базовый уровень химических знаний и интерес к работе с данными; опыт программирования желателен, но не обязателен — всё нужное разбирается 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

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:

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

Основы машинного обучения для химических задач:

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

Базы данных для дизайна лекарственных молекул:

• 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:

• 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:

• Основные физико-химические дескрипторы
• Композитные метрики
• Оценка токсичности

Основы глубокого обучения для дизайна лекарственных молекул:

• 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:

• 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:

• Заключительный раздел

Для кого подойдёт:

• Студентам и аспирантам химических и биологических специальностей, планирующим карьеру в AI-driven drug discovery
• Data scientist'ам и ML-инженерам, желающим применять свои навыки в фарме и биотехе
• Химикам и биохимикам, которые хотят интегрировать методы машинного обучения в свой рабочий процесс
• Специалистам фармацевтических и биотехнологических компаний, работающим в R&D
• Всем, кто хочет системно разобраться в применении ИИ на всех этапах разработки лекарств

Что получите:

• Полное понимание цикла разработки лекарственных молекул с применением AI-методов
• Практические навыки работы с химическими данными, базами данных и молекулярным докингом в Python
• Умение строить и оценивать модели машинного обучения для задач drug discovery
• Опыт работы с генеративными моделями для создания новых молекулярных структур
• Готовые ноутбуки с кодом и решёнными кейсами для портфолио

Продажник:

Для просмотра вы должны войти или зарегистрироваться.

Скачать: