(486032) Machine Learning in biologia strutturale: comprendere la struttura delle proteine
Il corso “Machine Learning in biologia strutturale: comprendere la struttura delle proteine, accreditato da Agenas (ID evento: 486032), si propone come un’introduzione all’utilizzo del clustering, una tecnica di machine learning non supervisionato, nel contesto della biologia strutturale, ed in particolare della struttura delle proteine. Dopo un’introduzione sulla struttura e sulle funzioni biologiche delle proteine, si focalizzerà sugli algoritmi di clustering e sulle loro applicazioni nel campo delle proteine. Infine, verrà presentato un caso di studio pratico tramite un tutorial guidato, in cui i partecipanti avranno l’opportunità di applicare il clustering ad un vero problema di stampo biologico.
Il corso è suddiviso in tre moduli:
- Modulo 1: Struttura e funzioni delle proteine:
Verranno introdotti concetti fondamentali di biochimica come gli amminoacidi, il legame peptidico e la struttura delle proteine. Sarà affrontato il concetto di riconoscimento molecolare, la funzione biologica delle proteine e il ruolo degli enzimi. Il modulo si concluderà con una dimostrazione pratica di visualizzazione di una struttura tridimensionale di una proteina utilizzando il software VMD. - Modulo 2: Teoria del clustering:
Verrà introdotto il concetto di machine learning non supervisionato e di clustering.
Si approfondirà il concetto di clustering attraverso lo studio dettagliato dell’algoritmo K-means e la sua applicazione nel contesto biologico. Saranno discussi esempi pratici di applicazione del clustering nello studio delle proteine. - Modulo 3: Tutorial pratico sul clustering:
Dopo aver sviluppato da zero un esempio di algoritmo di clustering K-means, verrà presentato un tutorial pratico in cui lo si applicherà ad un dataset contenente informazioni strutturali di una proteina.
L’obiettivo di questo corso è fornire un’introduzione teorica e delle competenze pratiche per comprendere e utilizzare il clustering come strumento di analisi nel contesto della struttura delle proteine. Tale conoscenza aprirà nuove prospettive di ricerca e applicazioni nel campo della bioinformatica e della biologia strutturale.
Il completamento del corso e il superamento della relativa verifica finale permettono ai professionisti sanitari iscritti a un Albo professionale in Italia di ottenere 7 crediti formativi.
- Acquisizione competenze tecnico-professionali:
Il corso consente di sviluppare conoscenze di base in biochimica e biologia strutturale, con particolare attenzione alla struttura e funzione delle proteine, agli amminoacidi e al riconoscimento molecolare. Sul piano tecnico, fornisce competenze nell’utilizzo di strumenti di visualizzazione molecolare (come VMD) e introduce all’implementazione e applicazione di algoritmi di machine learning non supervisionato, in particolare il clustering K-means, anche attraverso esercitazioni pratiche e analisi di dataset reali. - Acquisizione competenze di processo:
Gli studenti imparano a strutturare un flusso di analisi dati completo: dalla comprensione del problema biologico alla selezione delle caratteristiche rilevanti, fino alla scelta e applicazione di metodi di clustering. Vengono acquisite capacità di preprocessing dei dati (normalizzazione, selezione dei parametri), valutazione dei risultati (metodo del gomito, interpretazione dei cluster) e utilizzo di strumenti computazionali per l’analisi iterativa e la validazione dei modelli. - Acquisizione competenze di sistema:
Il corso sviluppa una visione integrata tra biologia e metodi computazionali, permettendo di comprendere come tecniche di machine learning possano supportare lo studio dei sistemi biologici complessi. Gli studenti acquisiscono la capacità di collegare conoscenze teoriche e applicazioni pratiche nel contesto della bioinformatica, valutando il ruolo del clustering nell’analisi della struttura proteica e nelle potenziali applicazioni, ad esempio nel drug design e nella ricerca scientifica.
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)
Deep Learning Italia struttura le sue lezioni in maniera molto semplice: all’interno di ogni sezione ci sono video esplicativi, in cui il docente spiega la lezione, corredati da slides.
Il percorso di apprendimento solitamente è intervallato da test a risposta multipla che permettono di monitorare la comprensione degli argomenti di studio e si conclude con un test pratico finalenel quale verranno valutate le competenze acquisite durante il corso python machine learning.
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. Struttura e funzione delle proteine
- 01.01 Macromolecole, funzioni delle proteine, esempio efflux pump
- 01.02 Amminoacidi con enfasi su legami disolfuro e amminoacidi idrofobici
- 01.03 Legame peptidico, flessibilità
- 01.04. Polipeptidi e proteine, ripiegamento, struttura delle proteine
- 01.05 Riconoscimento molecolare
- 01.06 Enzimi
- 01.07 Esercitazione VMD 1
- 01.08 Esercitazione VMD 1
02. Teoria del clustering
- 02.01 Intro al clustering
- 02.02 Features, un po’ di brusio
- 02.03 Clustering agglomerativo, metrica e matrice delle distanze
- 02.04 Gromacs e clustering di strutture proteiche
- 02.05 K-means: centri e centroidi
- 02.06 K-means: centri e centroidi parte 2, definizione del numero dei cluster
- 02.07 Metodo del gomito e applicazione al drug design (k-medoid)
- 02.08 Clustering: case study
- 02.09 Clustering: case study 2
- 02.10 Clustering: case study 3
03. Tutorial sul clustering
- 03.01 Iris dataset, algoritmo K-means da zero (1)
- 03.02 Algoritmo K-means da zero (2)
- 03.03 Algoritmo K-means da zero (3)
- 03.04 Algoritmo K-means da zero (4)
- 03.05 Clustering di proteine: dataset, librerie, correlazione
- 03.06 Normalizzazione, parametri di K-means (1)
- 03.07 Parametri di K-means (2)
- 03.08 Scatter plot dei cluster e loro popolazione
- 03.09 Popolazione dei cluster ed identificazione dei rappresentativi
- 03.10 Metodo del gomito
- 03.11 Metodo del gomito, plot 3D
- 03.12 K-means++, generazione di altri dataset (blobs, circles, moons)
04. Verifica finale
05. Scheda di valutazione del corso
06. Certificato
Descrizione Docenti
Andrea Basciu laureato con lode in Fisica nel 2016, ha ottenuto il Dottorato di Ricerca in Fisica nel 2020, lavorando allo sviluppo di algoritmi computazionali per lo studio dell’interazione tra farmaci e proteine. Successivamente ha lavorato per diversi anni come assegnista di ricerca in Biofisica Computazionale al Dipartimento di Fisica dell’Università di Cagliari. Nel 2022 ha inoltre concluso un master universitario in “Machine learning e big data nella medicina di precisione e nella ricerca biomedica”. Ha pubblicato diversi articoli scientifici nel campo dello studio computazionale delle biomolecole, ed è stato docente di diversi corsi universitari di machine learning applicato alla biofisica computazionale. Attualmente è responsabile del reparto di machine learning per due società, WAY4WARD e GEA Space, attive nel campo dell’ingegneria aerospaziale.
-
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.
- Ottieni crediti ECM
