Formation en chimioinformatique

Leçon 1 • Écosystème logiciel de base

Présente les boîtes à outils de chémoinformatique dominantes, open-source et commerciales. Prépare les étudiants à sélectionner les outils appropriés pour des tâches spécifiques.

Leçon 2 • Types de données chimiques et sources

Présente les formats de données moléculaires et les principales bases de données publiques. Relie la littératie des données aux flux de travail computationnels en aval.

Leçon 3 • Qu'est-ce que la chémoinformatique ?

Définit la chémoinformatique et sa portée en chimie computationnelle et en biologie. Positionne la discipline par rapport à la bioinformatique et à la science des données.

Leçon 4 • Notions de base de la représentation moléculaire

Présente les représentations moléculaires en 1D, 2D et 3D. Fournit la base conceptuelle pour toutes les tâches ultérieures d'encodage et de modélisation.

Leçon 1 • Interconversion et validation de formats

Enseigne la conversion programmatique de formats et la détection d'erreurs. Assure l'intégrité des données lors du transfert de molécules entre outils et pipelines.

Leçon 2 • SMILES et SMARTS en profondeur

Couvre la syntaxe SMILES avancée et la correspondance de motifs SMARTS. Permet des requêtes de sous-structure précises et un filtrage moléculaire.

Leçon 3 • Collections moléculaires à grande échelle

Couvre le stockage et la récupération efficaces de millions de composés. Prépare les étudiants aux tâches de criblage virtuel et de gestion de bases de données.

Leçon 4 • Formats de fichiers de structure

Examine les formats MOL, SDF, PDB, CIF et XYZ en détail. Relie le choix du format aux exigences de l'application en modélisation et en bases de données.

Leçon 1 • Descripteurs de propriétés physicochimiques

Couvre le logP, le pKa, la solubilité et les propriétés connexes pertinentes pour l'ADMET. Relie les propriétés calculées à la similarité aux médicaments et à l'évaluation de la biodisponibilité.

Leçon 2 • Empreintes digitales structurelles

Explique les empreintes digitales par vecteur de bits et par dénombrement, y compris les types ECFP, MACCS et les types basés sur les chemins. Fournit la base pour la recherche de similarité et l'apprentissage automatique.

Leçon 3 • Métriques de similarité et recherche

Applique les coefficients de Tanimoto, Dice et cosinus à la recherche de similarité basée sur les empreintes digitales. Permet la recherche du plus proche voisin dans l'espace chimique.

Leçon 4 • Descripteurs constitutionnels et topologiques

Introduit les dénombrements d'atomes, la masse moléculaire et les indices topologiques basés sur les graphes. Établit les encodages numériques les plus simples de la structure moléculaire.

Leçon 1 • Cartouches chimiques et extensions

Introduit des extensions de bases de données tenant compte de la chimie, permettant des requêtes de sous-structure et de similarité. Étend le SQL standard avec des capacités de recherche moléculaire.

Leçon 2 • Systèmes d'enregistrement de composés

Explique la déduplication, le retrait des sels et la standardisation dans les flux de travail d'enregistrement. Assure l'intégrité des données dans les grandes collections de composés d'entreprise ou publiques.

Leçon 3 • Curation des données et contrôle de la qualité

Couvre la détection et la correction systématiques des erreurs dans les ensembles de données chimiques. Produit des bibliothèques de composés propres et prêtes à l'analyse.

Leçon 4 • Intégration de bases de données publiques

Démontre l'accès programmatique à PubChem, ChEMBL et ZINC via des API. Permet la récupération automatisée de données pour le criblage virtuel et l'analyse SAR.

Leçon 1 • Fondamentaux et historique des QSAR

Retrace les QSAR de l'analyse de Hansch aux approches modernes d'apprentissage automatique. Établit la base théorique de la modélisation structure-activité.

Leçon 2 • Méthodes classiques de modélisation QSAR

Implémente la régression linéaire multiple, PLS et la régression ridge pour les QSAR. Fournit des modèles de base interprétables pour l'exploration SAR.

Leçon 3 • Préparation des ensembles de données pour les QSAR

Aborde la curation des données d'activité, la sélection des points finaux et la couverture de l'espace chimique. A un impact direct sur la fiabilité du modèle et le domaine d'applicabilité.

Leçon 4 • Modèles QSAR d'apprentissage automatique

Applique les forêts aléatoires, les SVM et le boosting de gradient aux ensembles de données QSAR. Atteint une précision prédictive plus élevée pour les paysages structure-activité complexes.

Leçon 1 • Exécution de campagnes d'amarrage

Guide l'amarrage à haut débit de grandes bibliothèques de composés contre des cibles préparées. Traduit la théorie de l'amarrage en une exécution pratique de criblage.

Leçon 2 • Concepts de criblage virtuel

Définit les stratégies de criblage basées sur le ligand et sur la structure ainsi que leurs compromis. Établit le contexte stratégique pour l'identification computationnelle de composés actifs.

Leçon 3 • Score de consensus et sélection des composés actifs

Combine plusieurs méthodes de score pour améliorer la fiabilité de la sélection des composés actifs. Réduit les faux positifs avant un suivi expérimental coûteux.

Leçon 4 • Principes de l'amarrage moléculaire

Explique les fonctions de score, les algorithmes de recherche et la préparation du site de liaison. Fournit la compréhension mécaniste nécessaire pour exécuter correctement l'amarrage.

Leçon 1 • Analyse de trajectoire

Analyse les RMSD, RMSF, liaisons hydrogène et cartes de contact à partir de trajectoires. Extrait des informations structurelles et dynamiques pertinentes pour la liaison.

Leçon 2 • Calculs d'énergie libre de liaison

Applique les méthodes MM-PBSA, MM-GBSA et FEP pour estimer les affinités de liaison. Relie les données de simulation aux prédictions quantitatives d'affinité.

Leçon 3 • Fondamentaux de la simulation DM

Introduit les champs de force, les équations du mouvement et les types d'ensemble. Établit la base physique pour l'interprétation des trajectoires de simulation.

Leçon 4 • Préparation du système pour la DM

Couvre la paramétrisation des protéines et des ligands, la solvatation et l'ionisation. Une préparation correcte est un prérequis pour des résultats de simulation significatifs.

Leçon 1 • Réseaux de neurones graphiques pour les propriétés

Implémente les architectures GCN, GAT et MPNN pour la prédiction de propriétés moléculaires. Atteint une précision de pointe sur les ensembles de données de référence.

Leçon 2 • Modèles génératifs pour la conception de novo

Entraîne les VAE, GAN et modèles basés sur les flux pour générer de nouvelles molécules de type médicament. Permet la génération moléculaire orientée vers un objectif avec des contraintes de propriétés.

Leçon 3 • Interprétabilité et déploiement des modèles

Applique GradCAM, les poids d'attention et SHAP pour expliquer les prédictions de l'apprentissage profond. Prépare les modèles à l'intégration dans les pipelines de criblage et de conception.

Leçon 4 • Représentations moléculaires par graphes

Encode les molécules sous forme de graphes avec des nœuds d'atomes et des arêtes de liaisons pour les réseaux de neurones. Fournit la base de structure de données pour tous les modèles basés sur les graphes.