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
molekylstrukturer.
Beskrive de mest udbredte maskinlæringsmetoder i kemoinformatik
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.
Udarbejde en videnskabelig poster og præsentere projekter
mundtligt.
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 omhandler også andre dele af
pensum.
Mulighed for GRØN DYST deltagelse:
Kontakt underviseren for information om hvorvidt dette kursus giver
den studerende mulighed for at lave eller forberede et projekt som
kan deltage i DTUs studenterkonference om bæredygtighed,
klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
