การออกแบบเวิร์กโฟลว์ AI สำหรับการสร้างโมเลกุลและการทำนายคุณสมบัติ

การออกแบบเวิร์กโฟลว์ AI สำหรับการค้นพบยาในระยะเริ่มต้นนั้น เกี่ยวข้องกับความรู้ด้านเคมีพอๆ กับการเลือกโมเดล การแทนโมเลกุลที่คุณเลือก ข้อมูลที่คุณใช้ฝึกอบรม วิธีที่คุณจัดการกับความไม่แน่นอน และการทำงานร่วมกับนักเคมีเชิงยา ล้วนเป็นปัจจัยที่กำหนดว่าเวิร์กโฟลว์จะสร้างสารที่มีประโยชน์หรือข้อมูลที่ผิดพลาดราคาแพง หลักสูตรนี้จะแนะนำการตัดสินใจเหล่านั้นอย่างเป็นระบบ คุณจะได้ฝึกฝนแบบฝึกหัดการออกแบบที่เป็นลายลักษณ์อักษร ซึ่งเลียนแบบวิธีการที่ทีมเคมีเชิงคำนวณจะวางแผนเวิร์กโฟลว์การค้นพบที่สนับสนุนด้วย AI โดยจะเน้นที่การแลกเปลี่ยนที่สำคัญในทางปฏิบัติ เมื่อข้อมูลมีน้อยและต้นทุนของการทำนายที่ผิดพลาดนั้นสูง สิ่งที่คุณจะได้เรียนรู้: - การเลือกการแทนโมเลกุล รวมถึง SMILES, กราฟ และการเข้ารหัสแบบ 3D-aware - การวางแผนชุดข้อมูลที่สมดุลระหว่างแหล่งข้อมูลสาธารณะ ข้อมูลภายใน และการเพิ่มประสิทธิภาพสังเคราะห์ - การเปรียบเทียบแนวทางการสร้างโมเลกุล รวมถึง variational autoencoders, transformers และ diffusion - การสร้างโมเดลทำนายสำหรับคุณสมบัติการออกฤทธิ์ ความเป็นพิษ และเภสัชจลนศาสตร์ พร้อมการวัดความไม่แน่นอนที่ปรับเทียบแล้ว - การประยุกต์ใช้ active learning และ Bayesian optimization เพื่อจัดลำดับความสำคัญของโมเลกุลถัดไปที่จะสังเคราะห์ - การออกแบบวงจรป้อนกลับกับนักเคมีเชิงยา เพื่อลดช่องว่างระหว่างโมเดลและการทำงานในห้องปฏิบัติการ หลักสูตรจะดำเนินไปตั้งแต่การแทนโมเลกุล การสร้างแบบจำลองเชิงกำเนิด การทำนาย active learning และการทำงานร่วมกับนักเคมี แบบฝึกหัดสุดท้ายที่เป็นลายลักษณ์อักษรจะให้คุณร่างการออกแบบเวิร์กโฟลว์การค้นพบที่สนับสนุนด้วย AI ความยาวหนึ่งหน้า โดยมุ่งเป้าไปที่กลุ่มอาการเฉพาะทาง หลักสูตรนี้ออกแบบมาสำหรับนักเคมีเชิงคำนวณ นักวิทยาศาสตร์ข้อมูลที่เข้าสู่อุตสาหกรรมยา และนักศึกษาสาขาวิทยาศาสตร์ชีวภาพที่มีพื้นฐานด้านซอฟต์แวร์บางส่วน ไม่จำเป็นต้องมีประสบการณ์ด้านเคมีเชิงยาเชิงลึก หลักสูตรนี้ปฏิบัติต่อเวิร์กโฟลว์ในฐานะปัญหาการออกแบบและให้ข้อมูลเท่านั้น ไม่ได้ให้คำแนะนำสำหรับการตัดสินใจทางวิทยาศาสตร์หรือทางการแพทย์ที่เฉพาะเจาะจง