Dati Generali
Periodo di attività
Primo Semestre (28/09/2026 - 22/01/2027)
Syllabus
Obiettivi Formativi
Il corso ha l’obiettivo di fornire competenze teoriche e pratiche di analisi dei dati e di progettazione degli esperimenti, integrando l'uso responsabile dell'intelligenza artificiale in supporto alla programmazione, nel calcolo e nell'interpretazione dei risultati della ricerca chimico-farmaceutica.
Prerequisiti
Nessuno
Metodi didattici
Lezioni frontali e soluzione guidata di esercizi numerici discussi in aula usando Microsoft Excel e software open source sviluppato appositamente per la didattica del corso. Le esercitazioni con IA utilizzeranno prevalentemente Gemini, ma saranno proposti anche altri modelli sia proprietari (Claude, ChatGPT, Copilot) che open-source (Llama, Qwen, BioMistral, Deepseek). Il materiale didattico è realizzato con Power Point e file Excel e messo a disposizione integralmente su Kiro insieme ai software open source.
Apprendimento attivo (active learning, learn by doing): gli studenti, in orario di lezione, saranno guidati nell’uso dei software e nell'applicazione dei modelli di IA.
Apprendimento per padronanza (mastery learning): gli studenti devono raggiungere la padronanza degli argomenti trattati in ogni modulo. Agli studenti che non raggiungono un grado di apprendimento sufficiente, è fornito supporto aggiuntivo.
La frequenza alle lezioni non è solo raccomandata, ma è sicuramente vantaggiosa per gli studenti. Offre infatti l'opportunità di interagire con il docente, condividendo l’obiettivo di migliorare e facilitare l'apprendimento dei temi del corso.
Per gli studenti con esigenze specifiche, che non possono frequentare di persona le attività didattiche e che hanno fatto domanda per usufruire di Modalità Didattiche Inclusive, sarà disponibile materiale didattico adeguato per un proficuo studio autonomo. Se richiesto, l'autoapprendimento potrà essere supportato da attività di tutoraggio o di didattica integrativa, e da incontri dedicati, anche online, con flessibilità di orario a seconda delle esigenze.
Apprendimento attivo (active learning, learn by doing): gli studenti, in orario di lezione, saranno guidati nell’uso dei software e nell'applicazione dei modelli di IA.
Apprendimento per padronanza (mastery learning): gli studenti devono raggiungere la padronanza degli argomenti trattati in ogni modulo. Agli studenti che non raggiungono un grado di apprendimento sufficiente, è fornito supporto aggiuntivo.
La frequenza alle lezioni non è solo raccomandata, ma è sicuramente vantaggiosa per gli studenti. Offre infatti l'opportunità di interagire con il docente, condividendo l’obiettivo di migliorare e facilitare l'apprendimento dei temi del corso.
Per gli studenti con esigenze specifiche, che non possono frequentare di persona le attività didattiche e che hanno fatto domanda per usufruire di Modalità Didattiche Inclusive, sarà disponibile materiale didattico adeguato per un proficuo studio autonomo. Se richiesto, l'autoapprendimento potrà essere supportato da attività di tutoraggio o di didattica integrativa, e da incontri dedicati, anche online, con flessibilità di orario a seconda delle esigenze.
Verifica Apprendimento
L’esame può essere superato con quattro prove in itinere consistenti nella discussione di un project work presentato dallo studente alla fine di ogni modulo dell’insegnamento. I project work consistono nell’analisi e interpretazione di dati acquisiti sotto la guida del docente.
In alternativa, l’esame può essere superato nella modalità tradizionale, in forma scritta, nelle sessioni ordinarie di esame. L’esame in queste sessioni prevederà la soluzione di un esercizio di analisi dei dati. La durata della prova è di due ore. Durante la prova sarà consentito l’uso di manuali, appunti e personal computer.
In alternativa, l’esame può essere superato nella modalità tradizionale, in forma scritta, nelle sessioni ordinarie di esame. L’esame in queste sessioni prevederà la soluzione di un esercizio di analisi dei dati. La durata della prova è di due ore. Durante la prova sarà consentito l’uso di manuali, appunti e personal computer.
Testi
G. Marrubini, C. Melzi, Trattamento dei dati e progettazione degli esperimenti per le scienze chimiche e farmaceutiche. McGraw-Hill, Milano 2024.
K.H. Jarman, The Art of Data Analysis. How to Answer Almost Any Question Using Basic Statistics. Wiley, New York 2013.
M. Bhupathyraaj, K. R. V. Rani, M. M. Essa, Artificial intelligence in Pharmaceutical Sciences. CRC Press, New York 2023.
G.A. Lewis, D. Mathieu, R. Phan-Tan-Luu, Pharmaceutical Experimental Design. Marcel Dekker-CRC Press, New York 1998.
D.C. Montgomery, Design and Analysis of Experiments. 10th edition, Wiley, New York 2019.
G.E.P. Box, J.S. Hunter, W.G. Hunter, Statistics for Experimenters. Design, Innovation, and Discovery. Second edition, Wiley, New York 2005.
R.G. Brereton, Data Analysis for the Laboratory and Chemical Plant. Wiley, New York 2003.
K.H. Jarman, The Art of Data Analysis. How to Answer Almost Any Question Using Basic Statistics. Wiley, New York 2013.
M. Bhupathyraaj, K. R. V. Rani, M. M. Essa, Artificial intelligence in Pharmaceutical Sciences. CRC Press, New York 2023.
G.A. Lewis, D. Mathieu, R. Phan-Tan-Luu, Pharmaceutical Experimental Design. Marcel Dekker-CRC Press, New York 1998.
D.C. Montgomery, Design and Analysis of Experiments. 10th edition, Wiley, New York 2019.
G.E.P. Box, J.S. Hunter, W.G. Hunter, Statistics for Experimenters. Design, Innovation, and Discovery. Second edition, Wiley, New York 2005.
R.G. Brereton, Data Analysis for the Laboratory and Chemical Plant. Wiley, New York 2003.
Contenuti
Il corso è strutturato in quattro moduli, ciascuno dedicato ad un argomento specifico. L'integrazione degli strumenti di Intelligenza Artificiale Generativa (AI) e Large Language Model (LLM) attraversa l'intero percorso, con approfondimento specifico sull'assistenza alla scrittura di programmi semplici per l'automazione dei calcoli con l’uso di R e sul supporto all'interpretazione critica dei risultati chimico-farmaceutici.
L'utilizzo dell'AI è previsto nel rispetto delle linee guida dell'Università di Pavia sulla didattica (https://ai.unipv.it/), promuovendone un uso consapevole, equo e trasparente. Gli strumenti dell’AI messi a disposizione dall’Ateneo sono proposti quale supporto integrativo e mai sostitutivo dei processi di apprendimento, sotto la costante supervisione del docente e previa valutazione critica dei risultati ottenuti.
Modulo 1 (4 ore): analisi descrittiva dei dati, dati univariati e multivariati.
Modulo 2 (4 ore): inferenza statistica e test di ipotesi.
Modulo 3 (4 ore): analisi di regressione.
Modulo 4 (12 ore): progettazione degli esperimenti.
MODULO 1. Analisi di dati univariati: statistica descrittiva. Variabili quantitative e qualitative, tabelle e grafici. Descrittori di posizione e di dispersione. Calcolo di moda, media, mediana, quantili, intervallo di variazione, varianza, deviazione standard, deviazione standard relativa, deviazione standard raggruppata. Utilizzo di assistenti di programmazione AI (Copilot, Gemini) per la generazione di script di analisi descrittiva e data cleaning; prompt engineering per la validazione dell'integrità dei dati di laboratorio e verifica della correttezza dei calcoli generati dall'AI. Analisi di dati multivariati. Rappresentazioni possibili di dati multidimensionali. Analisi delle componenti principali (Principal Component Analysis, PCA). Scores e Loadings. Rappresentazione grafica di scores e loadings. Pretrattamento dei dati. Impiego dell'AI per la visualizzazione rapida di matrici ad alta dimensionalità. Supporto dell'AI generativa nell'interpretazione delle relazioni tra variabili chimiche nei loading plot; scelta e applicazione del procedimento di pretrattamento dati via AI.
MODULO 2. Statistica inferenziale. Popolazione e campione. Stima puntuale di un parametro. Stima per intervallo di un parametro. Uso dell'AI nel calcolo degli intervalli di confidenza da rapporti di prova analitici. Test di ipotesi. Tipi di errori e potenza dei test di ipotesi. Interpretazione critica dei p-value e della potenza statistica; uso dell'AI per identificare ed evitare rischi di p-hacking e allucinazioni nell'interpretazione dei risultati. Confronto di un valore medio con un dato di riferimento. Uso della distribuzione normale standardizzata, z score: la varianza della popolazione è nota a priori. Test T: la varianza della popolazione non è nota. Verifica delle precondizioni per applicare correttamente i test Z e T. Test per confrontare due medie. Serie di dati non indipendenti tra loro ma che possono essere rese indipendenti. Selezione del test statistico più adeguato guidata da AI nel controllo qualità. Serie indipendenti di dati. Analisi della varianza (ANOVA). ANOVA a un fattore. ANOVA guidata da AI-LLM su dati di interesse farmaceutico complessi; redazione dei risultati in rapporti di conformità per gli enti regolatori (es. EMA/FDA). Test per il confronto di due varianze.
MODULO 3. Regressione lineare semplice. Stima dei parametri di modelli lineari. Significatività dei parametri. ANOVA della regressione. Supporto AI nella diagnostica rapida dei modelli di regressione: possibili trasformazioni matematiche delle variabili per linearizzare le risposte. Regressione lineare multipla. Stima e significatività dei parametri dei modelli di regressione multipla. Confronto tra più modelli MLR assistito da AI; utilizzo dell'AI per progettare razionalmente la sperimentazione. Coefficienti di correlazione e di determinazione. Analisi della varianza della regressione. Diagnostica assistita da AI dei residui, rilevazione di strutture nei dati (pattern di eteroschedasticità) o punti di elevata influenza (outliers e punti di leva). Introduzione alla progettazione degli esperimenti (Design of Experiments, DoE).
MODULO 4. Approcci metodologici alla ricerca sperimentale: cos'è un piano sperimentale? Rappresentazione matriciale di un piano sperimentale. Modelli fattoriali. Interazioni nei modelli fattoriali completi. Generazione di piani sperimentali e modelli DoE assistita da AI; supporto AI per la modellazione e l'interpretazione visiva e testuale delle interazioni tra fattori di processo (es. di sintesi o formulativi). Piani fattoriali frazionari. Confusioni nei piani fattoriali frazionari. Risoluzione automatizzata delle matrici di alias e supporto AI nel disaccoppiamento dei fattori confusi durante lo screening di processo. Piani di Plackett-Burman. Metodologia della superficie di risposta. Impiego dell'AI per selezionare il piano sperimentale più efficiente (CCD, piani di Doehlert, di Box-Behnken, Comprehensive screening design); ottimizzazione multi-obiettivo contemporanea di più superfici di risposta chimiche (es. resa, purezza, stabilità); simulazione interattiva del Design Space assistita da algoritmi generativi. Piani D-ottimali. Supporto AI nella definizione delle regioni di vincolo complesse e nella selezione computazionale rapida del set di esperimenti ottimali. Supporto AI nel confronto di più possibili modelli "ottimali". Visione critica e comprensione dei possibili criteri di ottimalità adottabili. Piani per miscele. AI generativa applicata alla pre-selezione di formulazioni farmaceutiche; visualizzazione e ottimizzazione assistita di diagrammi ternari per sistemi multifase, emulsioni e forme farmaceutiche solide.
L'utilizzo dell'AI è previsto nel rispetto delle linee guida dell'Università di Pavia sulla didattica (https://ai.unipv.it/), promuovendone un uso consapevole, equo e trasparente. Gli strumenti dell’AI messi a disposizione dall’Ateneo sono proposti quale supporto integrativo e mai sostitutivo dei processi di apprendimento, sotto la costante supervisione del docente e previa valutazione critica dei risultati ottenuti.
Modulo 1 (4 ore): analisi descrittiva dei dati, dati univariati e multivariati.
Modulo 2 (4 ore): inferenza statistica e test di ipotesi.
Modulo 3 (4 ore): analisi di regressione.
Modulo 4 (12 ore): progettazione degli esperimenti.
MODULO 1. Analisi di dati univariati: statistica descrittiva. Variabili quantitative e qualitative, tabelle e grafici. Descrittori di posizione e di dispersione. Calcolo di moda, media, mediana, quantili, intervallo di variazione, varianza, deviazione standard, deviazione standard relativa, deviazione standard raggruppata. Utilizzo di assistenti di programmazione AI (Copilot, Gemini) per la generazione di script di analisi descrittiva e data cleaning; prompt engineering per la validazione dell'integrità dei dati di laboratorio e verifica della correttezza dei calcoli generati dall'AI. Analisi di dati multivariati. Rappresentazioni possibili di dati multidimensionali. Analisi delle componenti principali (Principal Component Analysis, PCA). Scores e Loadings. Rappresentazione grafica di scores e loadings. Pretrattamento dei dati. Impiego dell'AI per la visualizzazione rapida di matrici ad alta dimensionalità. Supporto dell'AI generativa nell'interpretazione delle relazioni tra variabili chimiche nei loading plot; scelta e applicazione del procedimento di pretrattamento dati via AI.
MODULO 2. Statistica inferenziale. Popolazione e campione. Stima puntuale di un parametro. Stima per intervallo di un parametro. Uso dell'AI nel calcolo degli intervalli di confidenza da rapporti di prova analitici. Test di ipotesi. Tipi di errori e potenza dei test di ipotesi. Interpretazione critica dei p-value e della potenza statistica; uso dell'AI per identificare ed evitare rischi di p-hacking e allucinazioni nell'interpretazione dei risultati. Confronto di un valore medio con un dato di riferimento. Uso della distribuzione normale standardizzata, z score: la varianza della popolazione è nota a priori. Test T: la varianza della popolazione non è nota. Verifica delle precondizioni per applicare correttamente i test Z e T. Test per confrontare due medie. Serie di dati non indipendenti tra loro ma che possono essere rese indipendenti. Selezione del test statistico più adeguato guidata da AI nel controllo qualità. Serie indipendenti di dati. Analisi della varianza (ANOVA). ANOVA a un fattore. ANOVA guidata da AI-LLM su dati di interesse farmaceutico complessi; redazione dei risultati in rapporti di conformità per gli enti regolatori (es. EMA/FDA). Test per il confronto di due varianze.
MODULO 3. Regressione lineare semplice. Stima dei parametri di modelli lineari. Significatività dei parametri. ANOVA della regressione. Supporto AI nella diagnostica rapida dei modelli di regressione: possibili trasformazioni matematiche delle variabili per linearizzare le risposte. Regressione lineare multipla. Stima e significatività dei parametri dei modelli di regressione multipla. Confronto tra più modelli MLR assistito da AI; utilizzo dell'AI per progettare razionalmente la sperimentazione. Coefficienti di correlazione e di determinazione. Analisi della varianza della regressione. Diagnostica assistita da AI dei residui, rilevazione di strutture nei dati (pattern di eteroschedasticità) o punti di elevata influenza (outliers e punti di leva). Introduzione alla progettazione degli esperimenti (Design of Experiments, DoE).
MODULO 4. Approcci metodologici alla ricerca sperimentale: cos'è un piano sperimentale? Rappresentazione matriciale di un piano sperimentale. Modelli fattoriali. Interazioni nei modelli fattoriali completi. Generazione di piani sperimentali e modelli DoE assistita da AI; supporto AI per la modellazione e l'interpretazione visiva e testuale delle interazioni tra fattori di processo (es. di sintesi o formulativi). Piani fattoriali frazionari. Confusioni nei piani fattoriali frazionari. Risoluzione automatizzata delle matrici di alias e supporto AI nel disaccoppiamento dei fattori confusi durante lo screening di processo. Piani di Plackett-Burman. Metodologia della superficie di risposta. Impiego dell'AI per selezionare il piano sperimentale più efficiente (CCD, piani di Doehlert, di Box-Behnken, Comprehensive screening design); ottimizzazione multi-obiettivo contemporanea di più superfici di risposta chimiche (es. resa, purezza, stabilità); simulazione interattiva del Design Space assistita da algoritmi generativi. Piani D-ottimali. Supporto AI nella definizione delle regioni di vincolo complesse e nella selezione computazionale rapida del set di esperimenti ottimali. Supporto AI nel confronto di più possibili modelli "ottimali". Visione critica e comprensione dei possibili criteri di ottimalità adottabili. Piani per miscele. AI generativa applicata alla pre-selezione di formulazioni farmaceutiche; visualizzazione e ottimizzazione assistita di diagrammi ternari per sistemi multifase, emulsioni e forme farmaceutiche solide.
Lingua Insegnamento
ITALIANO
Altre informazioni
Nessuna
Corsi
Corsi (2)
CHIMICA E TECNOLOGIA FARMACEUTICHE
Laurea Magistrale Ciclo Unico 5 Anni
5 anni
FARMACIA
Laurea Magistrale Ciclo Unico 5 Anni
5 anni
No Results Found
Persone
Persone
Personale tecnico amministrativo
No Results Found