(486028) Graph Neural Networks and Explainability – Applicazioni nella Biomedicina
Il corso “Graph Neural Networks and Explainability – Applicazioni nella Biomedicina“, accreditato da Agenas (ID evento: 486028), offre una panoramica approfondita sull’importanza dei grafi e il loro utilizzo nel machine learning tramite le Graph Neural Networks (GNNs). Si articola in diverse aree applicative, iniziando con le basi dei grafi e il graph learning, per poi concentrarsi su applicazioni in bioinformatica, come la predizione di geni associati a malattie, e in chemoinformatica, come la predizione dell’attività dei composti e l’affinità protein-ligand. Una parte rilevante del corso è dedicata all’explainability delle GNNs, trattando strumenti come GNNExplainer, Shapley Values e altri modelli avanzati. Si conclude con argomenti avanzati come il NIAPU e le sue applicazioni in biomedicina, offrendo numerose sessioni pratiche per consolidare le conoscenze acquisite.
Il completamento del corso e il superamento della relativa verifica finale permettono ai professionisti sanitari iscritti a un Albo professionale in Italia di ottenere 6 crediti formativi.
- Acquisizione competenze tecnico-professionali:
Il corso consente di sviluppare competenze specialistiche nell’ambito del machine learning su grafi, con particolare riferimento alle Graph Neural Networks (GNNs). Gli studenti imparano a modellare dati complessi come grafi, applicare algoritmi di graph learning e utilizzare strumenti avanzati per la predizione in bioinformatica (es. geni associati a malattie) e chemoinformatica (es. attività dei composti e affinità protein-ligand). Vengono inoltre acquisite competenze nell’utilizzo di tecniche di explainability (come GNNExplainer, Shapley Values e metodi affini) e nell’implementazione pratica di modelli tramite esercitazioni applicative. - Acquisizione competenze di processo:
Il corso sviluppa la capacità di gestire l’intero processo di analisi basata su GNNs: dalla comprensione del problema e modellazione dei dati in forma di grafo, fino alla costruzione, validazione e interpretazione dei modelli predittivi. Gli studenti imparano a integrare fasi teoriche e pratiche, a valutare le performance dei modelli tramite metriche adeguate e a interpretarne i risultati in modo critico, anche attraverso strumenti di explainability. Viene inoltre rafforzata la capacità di affrontare problemi complessi in ambito biomedico seguendo workflow strutturati e replicabili. - Acquisizione competenze di sistema:
Il corso favorisce una visione sistemica nell’applicazione delle GNNs, mettendo in relazione modelli di apprendimento, dati biologici e chimici e contesti applicativi reali. Gli studenti acquisiscono la capacità di comprendere l’impatto delle tecnologie di graph learning all’interno di sistemi più ampi, come la ricerca biomedica e la scoperta di farmaci. Inoltre, sviluppano consapevolezza rispetto all’importanza dell’interpretabilità dei modelli nei contesti critici, integrando conoscenze interdisciplinari (informatica, biologia, chimica) e approcci avanzati come il NIAPU per affrontare problemi complessi in modo integrato.
Obiettivo formativo: Argomenti di carattere generale: sanità digitale, informatica di livello avanzato e lingua inglese scientifica. Normativa in materia sanitaria: i principi etici e civili del S.S.N. e normativa su materie oggetto delle singole professioni sanitarie, con acquisizione di nozioni di sistema (17)
Le lezioni sono 100% online e saranno accompagnate da moduli e slides, oltre a molti esercizi interattivi che metteranno alla prova le tue abilità e ciò che hai appreso.
Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.
Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.
Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.
01. Grafi e Graph Neural Networks
- 01.01 I Grafi e la loro Importanza
- 01.02 Graph Learning e Graph Neural Networks
02. Applicazioni in Bioinformatica
- 02.01 Introduzione alla Bioinformatica
- 02.02 Predire Geni Associati a Malattie con le GNNs
- 02.03 Sessione Pratica – Predire Geni Associati a Malattie con le GNNs (1)
- 02.04 Sessione Pratica – Predire Geni Associati a Malattie con le GNNs (2)
03. Applicazioni in Chemoinformatica
- 03.01 Introduzione alla Chemoinformatica
- 03.02 Compound Activity Prediction
- 03.03 Sessione Pratica – Compound Activity Prediction usando le GNNs
- 03.04 Protein-Ligand Affinity Prediction
- 03.05 Sessione Pratica – Protein-Ligand Affinity Prediction usando le GNNs
04. Explainability per Graph Neural Networks
- 04.01 GNNExplainer
- 04.02 Introduzione agli Shapley Values
- 04.03 GraphSVX
- 04.04 EdgeSHAPer
- 04.05 SubgraphX
- 04.06 XGNN
- 04.07 Metriche di Valutazione e Riepilogo
05. Explainability per GNNs in Biomedicina
- 05.01 Explainability per Disease Gene Prioritization
- 05.02 Sessione Pratica – Explainability per Disease Gene Prioritization
- 05.03 Explainability per Compound Activity Predictions
- 05.04 Sessione Pratica – Explainability per Compound Activity Predictions
- 05.05 Explainability per Compound Potency Predictions
- 05.06 Sessione Pratica – Explainability per Compound Potency Predictions
06. Argomenti Avanzati
- 06.01 Network-Informed Adaptive Positive-Unlabeled Learning (NIAPU)
- 06.02 Network Diffusion-based e Biology-Informed Topological Features
- 06.03 Usare NIAPU con GNNs ed Explainability per Gene Discovery
07. Verifica finale
08. Scheda di valutazione del corso
09. Certificato
Descrizione Docenti
Ho conseguito un dottorato in Data Science presso il Dipartimento di Informatica, Automatica e Gestionale dell’Università Sapienza di Roma a gennaio 2024. Ho ottenuto la laurea magistrale in Ingegneria Informatica nel 2019, sempre alla Sapienza, con una tesi sull’interpretazione delle reti neurali in bioinformatica. Nel 2017 ho conseguito la laurea triennale nella stessa università, con una tesi sull’intelligenza artificiale applicata ai robot di sorveglianza. I miei attuali interessi di ricerca si concentrano sul machine learning, in particolare sulle reti neurali artificiali e le loro applicazioni in ambito medico, con un focus specifico sull’explainability del deep learning in bioinformatica, genomica e chemoinformatica.
-
Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!
Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;
Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;
-
Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.
A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;
Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.
Massima flessibilitá con il tuo orario lavorativo.
