99486 - METODI SIMULATIVI E DI MACHINE LEARNING IN CHIMICA FARMACEUTICA

Conoscenze e abilità da conseguire

Al termine del corso lo studente possiede le conoscenze di base sugli approcci e metodologie computazionali consolidati ed emergenti in ambito chimico farmaceutico. Lo studente è in grado di affrontare le diverse problematiche che caratterizzano le fasi di scoperta e sviluppo di un farmaco attraverso la scelta delle metodiche computazionali più opportune.

Contenuti

• Introduzione al corso.
  Distinzione tra metodi computazionali di tipo simulativo e Machine Learning in ambito farmaceutico. Distinzione tra supervised e unsupervised Machine Learning.
  

• Ripasso di concetti appresi nei corsi precedenti.
  Variabili discrete e continue. Distribuzioni empiriche. Analisi statistica univariata e multivariata. Operazioni su vettori e matrici. Autovettori e autovalori di una matrice. Esercizi in Python.

Metodi di Machine Learning:

• Concetto di "molecular featurization".
  Fingerprints molecolari. Descrittori topologici. Notazioni lineari.

• Regressione lineare semplice e multipla.
  Funzioni di loss. Il processo di training. Il metodo dei minimi quadrati. Metodi numerici. Valutazione della performance di un modello di regressione.
  

• Feature selection e feature extraction.
  Filtri lineari univariati. Wrapper methods. Metodi di regolarizzazione. Principal Component Analysis. Esercizi in Python.

• Reti neurali.
  Il Multi-layer Percetpron. Training e ottimizzazione. Regolarizzazione e scelta degli iperparametri. Introduzione ai metodi generativi. Autoencoders e varianti. Predizione di proprietà molecolari di interesse farmaceutico per mezzo dell'utilizzo di reti neurali. 

Metodi basati sulle simulazioni molecolari:

• Introduzione ai metodi simulativi.
  Il processo d'azione di un farmaco. Il Interazione farmaco-target: aspetti di termodinamici e cinetici. Ripasso delle interazioni intermolecolari, contributi entalpici ed entropici.

• Cenni di meccanica statistica.
  Definizione microscopica di entropia. Microstati e macrostati. La distribuzione di probabilità di Boltzmann. Energia libera di Helmholtz.

• Meccanica molecolare.
  Force fields. Algoritmi di minimizzazione.

• Metodi di sampling.
  Cenni del metodo Metropolis Monte Carlo. Introduzione al metodo della Dinamica Moelcolare. Integrazione delle equazioni del moto. Cenni di algoritmi per il controllo della temperatura (termostati). Condizioni al contorno. Analisi delle traiettorie. Predizione di osservabili sperimentali di interesse farmaceutico per mezzo di simulazioni di Dinamica Molecolare: energia libera di legame e costanti cinetiche di associazione/dissociazione.

Testi/Bibliografia

Articoli scientifici e review indicate dal docente.

Metodi didattici

Lezioni frontali accompagnate da esercizi in Python.

Modalità di verifica e valutazione dell'apprendimento

Gli studenti saranno tenuti a presentare e discutere oralmente un breve riassunto scritto (3-5 pagine) di un articolo di ricerca tratto dalla letteratura che riporti un lavoro che affronta un argomento inerente ai contenuti del corso.

Strumenti a supporto della didattica

Slides, pubblicazioni scientifiche ed altro materiale di insegnamento reso disponibile attraverso la piattaforma Virtual Learning Environment.

Orario di ricevimento

Consulta il sito web di Matteo Masetti