Corso Graph Neural Networks and Explainability – Applicazioni nella Biomedicina
Il corso tratta l'uso dei grafi e delle GNNs in bioinformatica e chemoinformatica, con particolare attenzione all'explainability e a metodi avanzati, includendo sessioni pratiche per predire geni e composti attivi.
Corso Graph Neural Networks and Explainability – Applicazioni nella Biomedicina
Il corso esplora l’importanza dei grafi e delle GNNs, applicandoli a bioinformatica e chemoinformatica, con un focus sull’explainability e metodi avanzati di apprendimento. Include sessioni pratiche per la predizione di geni e composti attivi.
Il corso esplora l’importanza dei grafi e delle GNNs, applicandoli a bioinformatica e chemoinformatica, con un focus sull’explainability e metodi avanzati di apprendimento. Include sessioni pratiche per la predizione di geni e composti attivi.
Cosa Imparerai nel corso?
Il corso 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 corso 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.
Struttura delle lezioni
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.
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 può seguire il corso?
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.
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
- 01.02 Quiz
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)
- 02.04 Quiz
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
- 03.05 Quiz
04. Explainability per Graph Neural Networks
-
- 04.01 GNNExplainer
- 04.01 Quiz
- 04.02 Introduzione agli Shapley Values
- 04.02 Quiz
- 04.03 GraphSVX
- 04.03 Quiz
- 04.04 EdgeSHAPer
- 04.04 Quiz
- 04.05 SubgraphX
- 04.05 Quiz
- 04.06 XGNN
- 04.06 Quiz
- 04.06 Metriche di Valutazione e Riepilogo
- 04.06 Quiz
- 04.06 Quiz di argomento
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
- 05.06 Quiz
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
- 06.03 Quiz
01. Grafi e Graph Neural Networks
-
- 01.01 I Grafi e la loro Importanza
- 01.02 Graph Learning e Graph Neural Networks
- 01.02 Quiz
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)
- 02.04 Quiz
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
- 03.05 Quiz
04. Explainability per Graph Neural Networks
-
- 04.01 GNNExplainer
- 04.01 Quiz
- 04.02 Introduzione agli Shapley Values
- 04.02 Quiz
- 04.03 GraphSVX
- 04.03 Quiz
- 04.04 EdgeSHAPer
- 04.04 Quiz
- 04.05 SubgraphX
- 04.05 Quiz
- 04.06 XGNN
- 04.06 Quiz
- 04.06 Metriche di Valutazione e Riepilogo
- 04.06 Quiz
- 04.06 Quiz di argomento
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
- 05.06 Quiz
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
- 06.03 Quiz
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.
-
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.
Massima flessibilitá con il tuo orario lavorativo.
