Kursets formål er at introducere deltagerne til forskellige kemoinformatiske metoder, at vise eksempler på brug af kemoinformatik i moderne lægemiddelforskning, og at give deltagerne praktisk erfaring gennem hands-on kemoinformatiske øvelser.
Læringsmål:
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
Definere området kemoinformatik og benævne de vigtigste anvendelsesområder.
Fortolke de vigtigste formater der bruges til at beskrive den molekylære struktur.
Forstå brugen af molekylære descriptorer i modelbygning.
Præsentere de beregningsmetoder der undervises på kurset og de algoritmer disse metoder er baseret på.
Forklare forskellen mellem lineære og ikke lineære modeller, superviseret og ikke superviserede maskinlæringsmetoder, clustering- og klassificeringsmetoder.
Argumentere for hvordan man vælger passende edb-værktøjer for det problem man skal løse.
Beskrive rationelle arbejdsmetoder for data indsamling og for at forberede data af høj kvalitet for ens modelleringsarbejde.
Fortolke resultater fra og evaluere et givet edb-værktøjs performance.
Planlægge, udføre og præsentere computerøvelser og mini-projekter som holdarbejde.
Evaluere sit eget arbejde og relevante videnskabelige artikler.
Præsentere projekter mundtligt ved hjælp af MS Power Point og ved at udarbejde en videnskabelig poster.
Kursusindhold:
Datasæt: Udtrækning af data fra store databaser, evaluering af molekylær similaritet (eller komplementaritet). Molekylære strukturer: Grafisk præsentation og manipulation af 1D, 2D og 3D molekylære strukturer, pharmacophores. Molekylære deskriptorer: Generering af deskriptorer, der reflekterer molekylernes fysiske og kemiske egenskaber, inkl. molekylære fingeraftryk. Egenskaber: Beregning af fysisk-kemiske egenskaber såsom opløselighed og partitionskoefficienter, farmakologiske egenskaber såsom absorption og toksicitet, samt globale egenskaber såsom oral bio-tilgængelighed og 'drug-likeness'. Data-analyse: Clustering klassifikations- og regressionsmetoder. Multilinear regression, selvorganiserende maps, principal komponent analyse, artificielle neurale netværk, decision trees, supportvektormaskiner. – Applikationer af kemoinformatik i lægemiddelforskningen: Kemiske biblioteker i HTS (high throughput screening), virtuel screening, protein-ligand vekselvirkninger, kvantitative struktur-aktivitets-relationer (QSAR), forudsigelse af ADMET (absorption, distribution, metabolisme, elimination og toksicitet) egenskaber, kombination af bioinformatiske og kemoinformatiske metoder og inkorporering af forskelle i individers arvemasse i modelleringen. EDB-værktøjer: Deltagerne vil arbejde med internet-baserede programmer samt in-house og kommercielle programmer og databaser.
Bemærkninger:
Kurset indgår som et af de valgfrie teknologiske specialiseringsfag til opnåelse af specialisering indenfor bioinformatik, samt System Biologi. Kursus 27611 Introduktion til bioinformatik er ønskelig forudsætning. Et kursus i multivariat statistik (enten 27411 Biologisk dataanalyse og kemometri eller 02409 Multivariat statistik) supplerer dette kursus godt, og det anbefales at studerende også følger et af disse kurser. Kurserne kan tages uafhængigt af hinanden og i vilkårlig rækkefølge.
