Ateneo - UPO

Il programma prevede un overview dei principali metodi di modellizzazione matematica e computazionale applicati in ambito biologico e farmaceutico. Verrà data particolare enfasi enfasi alla modellizzazione molecolare all'Intelligenza Artificiale, soprattutto al Machine learning, dove verranno mostrati parecchi esempi specifici dove questi approcci si mostrano molto efficaci.

Slide delle lezioni.
Testi realtivi a specifici argomenti specific trattati durante le lezioni sono menzionati all'interno.

Conoscenza e capacità di comprensione: acquisizione di conoscenze metodologiche per l'analisi in silico delle principali proprietà strutturali, chimico-fisiche e stereo-elettroniche che influenzano il riconoscimento molecolare tra il target di interesse farmacologico e i farmaci biotecnologici.
Sviluppare la capacità di formulare strategie computazionali per la modellazione sia del target di interesse biologico sia della sua interazione con farmaci biotecnologici a livello atomico.

Strategie metodologiche per predire e validare il meccanismo d'azione dei farmaci e prodotti biotecnologici con particolare riferimento alla progettazione razionale di studi su modelli animali secondo il principio 3R.

Autonomia di giudizio: capacità di analizzare con senso critico e autonomamente il grado di accuratezza e gli ambiti di applicazione degli approcci computazionali impiegati nello sviluppo di farmaci e prodotti biotecnologici.

Abilità comunicative: perfezionamento del lessico disciplinare nell’ambito delle analisi delle principali proprietà strutturali, chimico-fisiche e stereo-elettroniche che per il riconoscimento molecolare tra il target farmacologico e i farmaci biotecnologici.
Abilità di relazionare sulle tematiche presentate durante il corso con un linguaggio scientifico appropriato.

Capacità di apprendimento: acquisizione della capacità di approfondire criticamente ed aggiornare in maniera autonoma le competenze acquisite, tramite lettura di testi ed articoli scientifici. Capacità di utilizzare il materiale didattico per uno studio critico e ragionato.

Conoscenze base di analisi e di biologia.
Conoscenze base nella programmazione sono benvenute.

Lezione frontale.
Demo di modelli presentati a lezione.
Esercizi svolti dallo studente.

Esame orale con presentazione di un progettino su un esempio specifico.

Contenuti:
- Introduzione all'Intelligenza Artificiale moderna e al Deep Learning con alcuni esempi.
- Modelli matematici nelle Scienze della Vita. Alcuni esempi in medicina e in System Biology.
- Network Medicine e introduzione alla Multiomica.
- Modellazione molecolare con alcune applicazioni biomediche e farmaceutiche.
- Machine Learning allo screening virtuale di farmaci. Estrazione di caratteristiche per farmaci e proteine bersaglio.
- Machine Learning da una prospettiva biologica: alcuni esempi (supervised learning e e regole di Bayes, elaborazione biologicamente ispirata con neuroni a impulsi, strutture simili a alberi nell'apprendimento automatico e nella biologia).

Per gli ultimi due argomenti saranno forniti esempi pratici nel linguaggio di programmazione Python.

CONOSCENZE:
- principali applicazioni di modelli matematici e di metodi computazionali;
- valutazione critica di limiti e pregi dei metodi predittivi impiegati in system biology e nello sviluppo di farmaci e prodotti biotecnologici;

COMPETENZE E ABILITA’:
- capacità di comprendere in modo autonomo ed approfondito i metodi ed i risultati scientifici di una pubblicazione contenente studi computazionali
- capacità di comunicare chiaramente i risultati di uno studio in silico;
- conoscenza versatile dei metodi computazionali come base per ulteriori approfondimenti da studi personali nel campo
- capacità di lavorare in gruppi di ricerca accademici o industriali su progetti multidisciplinari.