Machine Learning in biologia strutturale: comprendere la struttura delle proteine
Machine Learning in biologia strutturale: comprendere la struttura delle proteine
Negli ultimi decenni, l’approccio computazionale allo studio delle biomolecole ha acquisito una rilevanza sempre maggiore nel contesto della comprensione molecolare dei meccanismi fondamentali della vita. In questo scenario, le tecniche di machine learning stanno diventando sempre più rilevanti per coloro che desiderano studiare il mondo della biologia da una prospettiva quantitativa. Questo corso introduttivo esplorerà l’utilizzo del clustering, una tecnica di machine learning non supervisionato, nel contesto della biologia strutturale, ed in particolare della struttura delle proteine. 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.
Negli ultimi decenni, l’approccio computazionale allo studio delle biomolecole ha acquisito una rilevanza sempre maggiore nel contesto della comprensione molecolare dei meccanismi fondamentali della vita. In questo scenario, le tecniche di machine learning stanno diventando sempre più rilevanti per coloro che desiderano studiare il mondo della biologia da una prospettiva quantitativa. Questo corso introduttivo esplorerà l’utilizzo del clustering, una tecnica di machine learning non supervisionato, nel contesto della biologia strutturale, ed in particolare della struttura delle proteine. 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.
Cosa Imparerai nel corso?
Il corso 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, il corso 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 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, il corso 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.
Struttura delle lezioni
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.
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 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.
Modulo 1: struttura e funzione delle proteine
- macromolecole, funzioni delle proteine, esempio efflux pump
- amminoacidi con enfasi su legami disolfuro e amminoacidi idrofobici
- legame peptidico, flessibilità
- polipeptidi e proteine, ripiegamento, struttura delle proteine
- riconoscimento molecolare
- enzimi
- esercitazione VMD 1
- esercitazione VMD 1
Modulo 2: teoria del clustering
- intro al clustering
- features, un po’ di brusio
- clustering agglomerativo, metrica e matrice delle distanze
- gromacs e clustering di strutture proteiche
- K-means: centri e centroidi
- K-means: centri e centroidi parte 2, definizione del numero dei cluster
- metodo del gomito e applicazione al drug design (k-medoid)
- clustering: case study
- clustering: case study 2
- clustering: case study 3
Modulo 3: tutorial sul clustering
- Iris dataset, algoritmo K-means da zero (1)
- algoritmo K-means da zero (2)
- algoritmo K-means da zero (3)
- algoritmo K-means da zero (4)
- clustering di proteine: dataset, librerie, correlazione
- normalizzazione, parametri di K-means (1)
- parametri di K-means (2)
- scatter plot dei cluster e loro popolazione
- popolazione dei cluster ed identificazione dei rappresentativi
- metodo del gomito
- metodo del gomito, plot 3D
- K-means++, generazione di altri dataset (blobs, circles, moons)
Certificato
Modulo 1: struttura e funzione delle proteine
- macromolecole, funzioni delle proteine, esempio efflux pump
- amminoacidi con enfasi su legami disolfuro e amminoacidi idrofobici
- legame peptidico, flessibilità
- polipeptidi e proteine, ripiegamento, struttura delle proteine
- riconoscimento molecolare
- enzimi
- esercitazione VMD 1
- esercitazione VMD 1
Modulo 2: teoria del clustering
- intro al clustering
- features, un po’ di brusio
- clustering agglomerativo, metrica e matrice delle distanze
- gromacs e clustering di strutture proteiche
- K-means: centri e centroidi
- K-means: centri e centroidi parte 2, definizione del numero dei cluster
- metodo del gomito e applicazione al drug design (k-medoid)
- clustering: case study
- clustering: case study 2
- clustering: case study 3
Modulo 3: tutorial sul clustering
- Iris dataset, algoritmo K-means da zero (1)
- algoritmo K-means da zero (2)
- algoritmo K-means da zero (3)
- algoritmo K-means da zero (4)
- clustering di proteine: dataset, librerie, correlazione
- normalizzazione, parametri di K-means (1)
- parametri di K-means (2)
- scatter plot dei cluster e loro popolazione
- popolazione dei cluster ed identificazione dei rappresentativi
- metodo del gomito
- metodo del gomito, plot 3D
- K-means++, generazione di altri dataset (blobs, circles, moons)
Certificato
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.
-
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.
-
Accesso Lifelong
-
Accesso Lifelong
