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 indenfor lægemiddelforskning.
Fortolke de vigtigste formater der bruges til at beskrive molekylstruktur.
Præsentere de beregningsmetoder der præsenteres på kurset og de algoritmer disse metoder er baseret på.
Forstå forskellen mellem lineære og ikke-lineære modeller, superviserede 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.
Navigere og trække information ud fra annoterede kemiske biblioteker.
Fremstille og fortolke interaktionsnetværk for lægemidler og proteiner.
Planlægge, udføre og præsentere computerøvelser og mini-projekter som holdarbejde.
Være i stand til at evaluere eget arbejde og relevante videnskabelige artikler.
Præsentere projekter mundtligt ved hjælp af MS Power Point og ved at udarbejde en videnskabelig poster.
Kursusindhold:
Datasætter: Udtrækning af data fra store databaser, evaluering af molekylær similaritet (eller komplementaritet). Molekylære strukturer: Grafisk repræsentation 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 partitions koefficienter, farmakologiske egenskaber såsom absorption og toksicitet, og globale egenskaber såsom oral bio-tilgængelighed og 'drug-likeness' Data-analyse: Clustering klassifikations- og regressionsmetoder. Multilineær regression, selvorganiserende maps, principal komponent analyse, artificielle neurale netværk, decision trees, supportvektormaskiner. – Applikationer af kemoinformatik i lægemiddelforskningen: Kemiske biblioteker, kemogenomiske biblioteker, virtuel screening, protein-ligand vekselvirkninger og interaktionsnetværk, aktivitetsprofilering af ligander, kvantitative struktur-aktivitets-relationer (QSAR), og 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:
Den individuelle, mundtlige eksamen tager udgangspunkt i posteren af det afsluttende mini-projekt men omhandle også andre dele af pensum.