Cours de chimio-informatique

Leçon 1 • Écosystème logiciel de base

Passe en revue les boîtes à outils de chémoinformatique open source et commerciales dominantes. Prépare les étudiants à sélectionner les outils appropriés pour des tâches spécifiques.

Leçon 2 • Types et sources de données chimiques

Passe en revue les formats de données moléculaires et les principales bases de données publiques. Relie la culture des données aux flux de travail computationnels en aval.

Leçon 3 • Qu'est-ce que la chémoinformatique

Définit la chémoinformatique et son périmètre au sein de la chimie et de la biologie computationnelles. Positionne la discipline par rapport à la bioinformatique et à la science des données.

Leçon 4 • Bases de la représentation moléculaire

Introduit les représentations moléculaires 1D, 2D et 3D. Fournit la base conceptuelle pour toutes les tâches de codage et de modélisation ultérieures.

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 déplacement de molécules entre outils et pipelines.

Leçon 2 • SMILES et SMARTS en profondeur

Couvre la syntaxe avancée de SMILES 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 au criblage virtuel et aux tâches de gestion de bases de données.

Leçon 4 • Formats de fichiers de structure

Examine en détail les formats MOL, SDF, PDB, CIF et XYZ. Relie le choix du format aux exigences des applications 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 l'évaluation de la similarité avec les médicaments et de la biodisponibilité.

Leçon 2 • Empreintes digitales structurelles

Explique les empreintes digitales à vecteur de bits et à comptage, y compris 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 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 comptages 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 et extensions chimiques

Introduit des extensions de bases de données chimiques permettant des recherches 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, l'élimination 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 qualité

Couvre la détection et la correction systématiques des erreurs dans les ensembles de données chimiques. Produit des bibliothèques de composés propres et prêtes pour 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 pour la modélisation structure-activité.

Leçon 2 • Méthodes de modélisation QSAR classiques

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

Leçon 3 • Préparation de l'ensemble de données pour QSAR

Aborde la curation des données d'activité, la sélection des critères d'évaluation et la couverture de l'espace chimique. Impacte directement la fiabilité du modèle et le domaine d'applicabilité.

Leçon 4 • Modèles QSAR d'apprentissage automatique

Applique les forêts aléatoires, les SVM et le gradient boosting 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 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 mécanistique nécessaire pour exécuter correctement l'amarrage.

Leçon 1 • Analyse de trajectoire

Analyse les RMSD, RMSF, liaisons hydrogène et cartes de contact à partir des 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 de dynamique moléculaire

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

Leçon 4 • Préparation du système pour la dynamique moléculaire

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 des VAE, des GAN et des modèles basés sur les flux pour générer de nouvelles molécules de type médicamenteux. 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 pour l'intégration dans les pipelines de criblage et de conception.

Leçon 4 • Représentations moléculaires sous forme de graphes

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