ID:
512164
Durata (ore):
48
CFU:
6
SSD:
Chimica organica
Anno:
2026
Dati Generali
Periodo di attività
Primo Semestre (05/10/2026 - 22/01/2027)
Syllabus
Obiettivi Formativi
Il corso si propone di fornire agli studenti gli strumenti concettuali necessari per comprendere, selezionare e valutare metodi di artificial intelligence destinati allo studio di problemi chimici, biologici e farmaceutici. Al termine del corso, lo studente dovrà conoscere le principali differenze tra apprendimento supervisionato, non supervisionato e auto-supervisionato, nonché tra modelli di machine learning tradizionale, deep learning e modelli generativi.
Lo studente dovrà inoltre essere in grado di riconoscere le principali modalità di rappresentazione di molecole e proteine, comprendere la costruzione di un dataset, individuare rischi di bias, data leakage e overfitting, interpretare le più comuni metriche di prestazione e valutare criticamente la robustezza e la generalizzabilità di un modello.
Un ulteriore obiettivo è sviluppare la capacità di collegare i metodi di AI alle domande tipiche del drug design e della biologia molecolare, tra cui la predizione di struttura e funzione delle proteine, l’identificazione di siti di legame, la stima dell’affinità, la classificazione di composti attivi e inattivi, la predizione di proprietà ADME-Tox, il virtual screening, il de novo design e l’ottimizzazione multi-parametrica di candidati farmaci.
Lo studente dovrà inoltre essere in grado di riconoscere le principali modalità di rappresentazione di molecole e proteine, comprendere la costruzione di un dataset, individuare rischi di bias, data leakage e overfitting, interpretare le più comuni metriche di prestazione e valutare criticamente la robustezza e la generalizzabilità di un modello.
Un ulteriore obiettivo è sviluppare la capacità di collegare i metodi di AI alle domande tipiche del drug design e della biologia molecolare, tra cui la predizione di struttura e funzione delle proteine, l’identificazione di siti di legame, la stima dell’affinità, la classificazione di composti attivi e inattivi, la predizione di proprietà ADME-Tox, il virtual screening, il de novo design e l’ottimizzazione multi-parametrica di candidati farmaci.
Prerequisiti
Lo scopo del corso è fornire agli studenti una preparazione di base e al tempo stesso critica sui principali metodi di artificial intelligence applicati alle scienze molecolari, alla chimica biologica e alla progettazione di farmaci. Il percorso introdurrà i concetti fondamentali del machine learning, del deep learning e degli approcci generativi, evidenziandone presupposti, potenzialità, limiti e requisiti in termini di dati, rappresentazioni molecolari e validazione dei modelli.
Particolare attenzione sarà dedicata all’impiego dell’intelligenza artificiale per descrivere, analizzare e predire proprietà di sistemi proteici, interazioni proteina–ligando e proteina–proteina, attività biologica, selettività, proprietà farmacocinetiche e tossicologiche, nonché per supportare la generazione e l’ottimizzazione di nuove molecole bioattive. Il corso metterà inoltre in relazione i metodi di AI con dati strutturali, sequenziali, chimici e dinamici, mostrando come tali informazioni possano essere integrate nei moderni workflow di drug discovery e molecular design.
Durante il corso verranno presentati, analizzati e discussi criticamente problemi, casi di studio e approcci tratti dalla letteratura scientifica recente. L’obiettivo non sarà soltanto comprendere come funzionano i diversi algoritmi, ma anche imparare a valutarne l’affidabilità, la trasferibilità e l’effettiva utilità in specifici contesti biologici e farmaceutici. È richiesta una buona conoscenza dei fondamenti di chimica organica, chimica fisica, biochimica e biologia strutturale, con particolare riferimento alla struttura delle proteine, alle interazioni intermolecolari e ai principi del riconoscimento molecolare. Sono utili conoscenze di base di matematica e statistica. Non è richiesta una preparazione avanzata in programmazione o intelligenza artificiale; gli elementi necessari saranno introdotti durante il corso
Particolare attenzione sarà dedicata all’impiego dell’intelligenza artificiale per descrivere, analizzare e predire proprietà di sistemi proteici, interazioni proteina–ligando e proteina–proteina, attività biologica, selettività, proprietà farmacocinetiche e tossicologiche, nonché per supportare la generazione e l’ottimizzazione di nuove molecole bioattive. Il corso metterà inoltre in relazione i metodi di AI con dati strutturali, sequenziali, chimici e dinamici, mostrando come tali informazioni possano essere integrate nei moderni workflow di drug discovery e molecular design.
Durante il corso verranno presentati, analizzati e discussi criticamente problemi, casi di studio e approcci tratti dalla letteratura scientifica recente. L’obiettivo non sarà soltanto comprendere come funzionano i diversi algoritmi, ma anche imparare a valutarne l’affidabilità, la trasferibilità e l’effettiva utilità in specifici contesti biologici e farmaceutici. È richiesta una buona conoscenza dei fondamenti di chimica organica, chimica fisica, biochimica e biologia strutturale, con particolare riferimento alla struttura delle proteine, alle interazioni intermolecolari e ai principi del riconoscimento molecolare. Sono utili conoscenze di base di matematica e statistica. Non è richiesta una preparazione avanzata in programmazione o intelligenza artificiale; gli elementi necessari saranno introdotti durante il corso
Metodi didattici
Lezioni frontali svolte mediante presentazioni PowerPoint, spiegazioni alla lavagna e dimostrazioni guidate di workflow e strumenti computazionali. Una parte del corso sarà dedicata alla lettura, presentazione e discussione critica di articoli scientifici e casi di studio tratti dalla letteratura, con particolare attenzione alla formulazione del problema, alla scelta dei dati e dei metodi, alla validazione e all’interpretazione dei risultati
Verifica Apprendimento
Esame orale. La prova riguarderà i diversi argomenti affrontati durante il corso e sarà volta ad accertare la conoscenza dei principi fondamentali dei metodi di artificial intelligence, la capacità di collegarli a problemi di studio delle proteine e di drug design, nonché la capacità di analizzare criticamente un approccio descritto nella letteratura scientifica. Potrà essere richiesta la discussione di un articolo o di un caso di studio, con valutazione della qualità dei dati, dell’adeguatezza del metodo, delle metriche utilizzate e della solidità delle conclusioni.
Testi
Appunti delle lezioni, materiale didattico fornito dal docente, articoli scientifici e review selezionati durante il corso. Ulteriori riferimenti bibliografici e risorse online saranno indicati in relazione ai diversi argomenti trattati
Contenuti
Il corso tratterà i seguenti argomenti:
• Introduzione all’intelligenza artificiale nelle scienze molecolari: definizioni, sviluppo storico, principali aree applicative e ruolo dell’AI nella ricerca chimica e farmaceutica.
• Dati, descrittori e rappresentazioni: qualità e preparazione dei dataset; rappresentazioni numeriche di piccole molecole, proteine e complessi; fingerprints, descrittori molecolari, grafi, sequenze, strutture tridimensionali ed embeddings.
• Fondamenti di machine learning supervisionato: regressione, classificazione, alberi decisionali, random forest, support vector machines e metodi ensemble.
• Apprendimento non supervisionato e riduzione della dimensionalità: clustering, principal component analysis, identificazione di pattern e organizzazione dello spazio chimico e conformazionale.
• Valutazione dei modelli: suddivisione dei dati, cross-validation, metriche di classificazione e regressione, curve ROC e precision–recall, class imbalance, overfitting, data leakage, domain of applicability e interpretabilità.
• Fondamenti di deep learning: reti neurali, funzioni di attivazione, training, backpropagation, regolarizzazione e principali architetture.
• Reti neurali convoluzionali, ricorrenti, graph neural networks e transformer per dati chimici, sequenziali e strutturali.
• Protein language models ed embeddings di sequenza: predizione di struttura, funzione, stabilità, mutazioni, interazioni e proprietà di proteine.
• AI per la struttura e la dinamica delle proteine: predizione strutturale, analisi di conformazioni, identificazione di stati funzionali, pocket e siti criptici, integrazione con simulazioni molecolari.
• Predizione delle interazioni molecolari: interazioni proteina–ligando e proteina–proteina, scoring, stima dell’affinità, selettività e analisi dei determinanti molecolari del riconoscimento.
• AI nel drug discovery: QSAR, classificazione di attività, virtual screening, target identification, drug repurposing, predizione ADME-Tox e prioritizzazione sperimentale.
• Approcci generativi per il molecular design: autoencoder, variational autoencoder, generative adversarial networks, modelli autoregressivi, diffusion models e modelli basati su transformer.
• De novo design e ottimizzazione multi-obiettivo: generazione condizionata, vincoli chimici e sintetici, novelty, diversity, synthesizability, proprietà biologiche e farmacocinetiche.
• Generative AI per proteine, peptidi e biologici: generazione di sequenze e strutture, protein design, progettazione di ligandi macromolecolari e nuove funzioni molecolari.
• Integrazione di AI, dati sperimentali e metodi computazionali: docking, dinamica molecolare, dati omici, proteomica, screening sperimentale e active learning.
• Limiti, riproducibilità ed aspetti critici: bias nei dati, explainable AI, incertezza, validazione prospettica, benchmark, trasferibilità dei modelli, aspetti etici e uso responsabile dell’AI.
• Analisi e discussione di articoli scientifici: problemi aperti, strategie metodologiche, confronto tra approcci e valutazione critica di risultati pubblicati in letteratura.
• Introduzione all’intelligenza artificiale nelle scienze molecolari: definizioni, sviluppo storico, principali aree applicative e ruolo dell’AI nella ricerca chimica e farmaceutica.
• Dati, descrittori e rappresentazioni: qualità e preparazione dei dataset; rappresentazioni numeriche di piccole molecole, proteine e complessi; fingerprints, descrittori molecolari, grafi, sequenze, strutture tridimensionali ed embeddings.
• Fondamenti di machine learning supervisionato: regressione, classificazione, alberi decisionali, random forest, support vector machines e metodi ensemble.
• Apprendimento non supervisionato e riduzione della dimensionalità: clustering, principal component analysis, identificazione di pattern e organizzazione dello spazio chimico e conformazionale.
• Valutazione dei modelli: suddivisione dei dati, cross-validation, metriche di classificazione e regressione, curve ROC e precision–recall, class imbalance, overfitting, data leakage, domain of applicability e interpretabilità.
• Fondamenti di deep learning: reti neurali, funzioni di attivazione, training, backpropagation, regolarizzazione e principali architetture.
• Reti neurali convoluzionali, ricorrenti, graph neural networks e transformer per dati chimici, sequenziali e strutturali.
• Protein language models ed embeddings di sequenza: predizione di struttura, funzione, stabilità, mutazioni, interazioni e proprietà di proteine.
• AI per la struttura e la dinamica delle proteine: predizione strutturale, analisi di conformazioni, identificazione di stati funzionali, pocket e siti criptici, integrazione con simulazioni molecolari.
• Predizione delle interazioni molecolari: interazioni proteina–ligando e proteina–proteina, scoring, stima dell’affinità, selettività e analisi dei determinanti molecolari del riconoscimento.
• AI nel drug discovery: QSAR, classificazione di attività, virtual screening, target identification, drug repurposing, predizione ADME-Tox e prioritizzazione sperimentale.
• Approcci generativi per il molecular design: autoencoder, variational autoencoder, generative adversarial networks, modelli autoregressivi, diffusion models e modelli basati su transformer.
• De novo design e ottimizzazione multi-obiettivo: generazione condizionata, vincoli chimici e sintetici, novelty, diversity, synthesizability, proprietà biologiche e farmacocinetiche.
• Generative AI per proteine, peptidi e biologici: generazione di sequenze e strutture, protein design, progettazione di ligandi macromolecolari e nuove funzioni molecolari.
• Integrazione di AI, dati sperimentali e metodi computazionali: docking, dinamica molecolare, dati omici, proteomica, screening sperimentale e active learning.
• Limiti, riproducibilità ed aspetti critici: bias nei dati, explainable AI, incertezza, validazione prospettica, benchmark, trasferibilità dei modelli, aspetti etici e uso responsabile dell’AI.
• Analisi e discussione di articoli scientifici: problemi aperti, strategie metodologiche, confronto tra approcci e valutazione critica di risultati pubblicati in letteratura.
Lingua Insegnamento
INGLESE
Corsi
Corsi
CHIMICA
Laurea Magistrale
2 anni
No Results Found
Persone
Persone
No Results Found