Yapay Zeka ile İlaç Keşfi Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, ilaç keşfi sürecinin hedef belirlemeden aday optimizasyonuna kadar olan aşamalarında yapay zeka yöntemlerini uygulamak isteyen araştırma ekipleri için tasarlanmış ileri düzey bir programdır. Katılımcılar RDKit ile molekül temsili, QSAR ve ADMET modelleri, grafik sinir ağları, yerleştirme, protein yapı tahmini ve üretken molekül tasarımını Python laboratuvarlarında uygular.

Neden Bu Eğitim?

Keşif Hattının Tamamı. Hedef seçimi, vurucu bulma, öncü optimizasyonu ve ADMET aşamalarının her birinde yapay zekanın rolünü görün.

Kimyaya Saygılı Modelleme. İskelet bazlı veri bölme, uygulanabilirlik alanı ve sentezlenebilirlikle gerçekçi sonuç veren modeller kurun.

Güncel Yöntemler. AlphaFold, eş katlama modelleri, Chemprop ve REINVENT gibi güncel açık araçlarla uygulamalı çalışın.

“Yapay zeka kimyagerin sezgisinin yerini almaz; ona milyonlarca olasılık içinden denemeye değer olanı gösterir.”

Ön Koşullar

Python Deneyimi — Python, pandas ve scikit-learn ile veri işleme ve temel model eğitimi yapabilmek.
Kimya Temeli — Organik kimya, fonksiyonel gruplar ve temel farmakoloji kavramlarına aşinalık.
Makine Öğrenmesi — Regresyon, sınıflandırma, çapraz doğrulama ve aşırı öğrenme kavramlarını bilmek.
Hesaplama Ortamı — Conda ile paket kurulabilen bir bilgisayar; tercihen GPU'lu bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiİlaç keşfi hattını ve yapay zekanın katkı noktalarını tanımak, molekülleri hesaplamalı olarak temsil etmek ve biyoaktivite verisini modellemeye hazır hale getirmek.

Modül 1

İlaç Keşfi Hattı ve Yapay Zeka

Hedef belirleme, vurucu bulma ve öncü optimizasyonu
Klinik öncesi ve klinik aşamalarda yıpranma nedenleri
Tasarla-üret-test-analiz et (DMTA) döngüsü
Yapay zekanın hız ve isabet katkısı: gerçekçi beklentiler
Klinik aşamaya ulaşmış YZ destekli adaylardan dersler
Tartışma: Keşif hattında en büyük darboğaz nerede?

Modül 2

Molekül Temsilleri ve RDKit

SMILES, InChI ve moleküler grafik temsilleri
RDKit ile molekül okuma, standartlaştırma ve çizim
Fizikokimyasal tanımlayıcılar: logP, TPSA, molekül ağırlığı
Morgan (ECFP) parmak izleri ve Tanimoto benzerliği
Alt yapı arama ve SMARTS örüntüleri
Laboratuvar: RDKit ile tanımlayıcı ve parmak izi üretimi

Modül 3

Biyoaktivite Veritabanları

ChEMBL, PubChem ve BindingDB veri kaynakları
Protein Veri Bankası (PDB) ve yapı kalitesi ölçütleri
IC50, Ki ve pIC50 dönüşümleri ve ölçüm heterojenliği
ChEMBL web servisleriyle hedef bazlı veri çekme
Açık veri ile kurum içi deney verisinin farkları
Laboratuvar: Bir kinaz hedefi için aktivite veri seti

Modül 4

Veri Kürasyonu ve İlaç Benzerliği

Tuz ayırma, tautomer ve stereokimya standardizasyonu
Tekrarlı ölçümlerin birleştirilmesi ve aykırı değerler
Lipinski beşli kuralı, QED ve ilaç benzerliği
PAINS ve reaktif grup filtreleriyle yanlış pozitifler
Kimyasal uzayın UMAP ile görselleştirilmesi
Günün değerlendirmesi ve QSAR gününe köprü

Günün hedefiAktivite ve ADMET özelliklerini tahmin eden modeller kurmak, gerçekçi veri bölme ve uygulanabilirlik analizi yapmak ve GNN'leri klasik yöntemlerle karşılaştırmak.

Modül 1

Klasik QSAR Modelleri

QSAR'ın temelleri ve yapı-aktivite ilişkisi
Parmak izleriyle Random Forest ve XGBoost modelleri
Rastgele, iskelet ve zamana dayalı veri bölme
Uygulanabilirlik alanı ve güvenilir tahmin sınırı
Aktivite uçurumları (activity cliffs) ve model hataları
Laboratuvar: İskelet bölmeli QSAR modeli kurulumu

Modül 2

ADMET ve Güvenlilik Tahmini

Çözünürlük, geçirgenlik ve metabolik kararlılık
hERG kardiyotoksisitesi ve CYP inhibisyonu tahmini
Therapeutics Data Commons (TDC) kıyas veri setleri
Çok görevli öğrenme ile ilişkili özelliklerin tahmini
Belirsizlik kestirimi ve karar için güven aralıkları
Laboratuvar: TDC ile ADMET tahmin panelinin kurulması

Modül 3

Grafik Sinir Ağları

Molekülün grafik olarak kodlanması: atom ve bağ özellikleri
Mesaj geçişli sinir ağları (MPNN) mantığı
Chemprop ile yönlü mesaj geçişli ağ (D-MPNN) eğitimi
PyTorch Geometric ve DeepChem ekosistemleri
GNN ile parmak izi modellerinin dürüst karşılaştırması
Laboratuvar: Chemprop ile çözünürlük tahmini

Modül 4

Ön Eğitimli Kimya Modelleri

Öz denetimli molekül temsil öğrenimi yaklaşımları
SMILES tabanlı dil modelleri ve gömme vektörleri
Az veriyle transfer öğrenme ve ince ayar
3B konformasyon bilgisini kullanan modeller
Ön eğitimin küçük veri setlerinde gerçek katkısı
Günün özeti ve yapı tabanlı tasarım gününe hazırlık

Günün hedefiProtein yapı tahmini araçlarını kullanmak, bağlanma cebini belirlemek, yerleştirme ve ML tabanlı poz tahminiyle sanal tarama yapmak ve sonuçları eleştirel yorumlamak.

Modül 1

Protein Yapısı Tahmini

Protein yapısının ilaç tasarımındaki önemi
AlphaFold 2 ve AlphaFold Protein Structure Database
pLDDT ve PAE güven ölçütlerinin yorumlanması
ESMFold ile hızlı yapı tahmini ve sınırları
Esnek bölgeler ve apo-holo yapı farkları
Laboratuvar: Bir hedef proteinin yapı modelinin analizi

Modül 2

Bağlanma Cebi ve Eş Katlama Modelleri

fpocket ile bağlanma cebi tespiti ve önceliklendirme
Protein-ligand etkileşim türleri ve farmakofor
AlphaFold 3 ile protein-ligand kompleks tahmini
Boltz ve Chai-1 gibi açık eş katlama modelleri
Tahmin edilen komplekslerin deneysel yapıyla kıyası
Demo: Eş katlama ile ligand bağlanma pozu tahmini

Modül 3

Moleküler Yerleştirme

AutoDock Vina ile protein ve ligand hazırlığı
Skorlama fonksiyonları ve bilinen sınırlılıkları
DiffDock ile makine öğrenmesi tabanlı poz tahmini
Makine öğrenmesiyle yeniden skorlama yaklaşımları
Pozların RMSD ve etkileşim profiliyle doğrulanması
Laboratuvar: Bilinen inhibitörlerle yerleştirme doğrulaması

Modül 4

Sanal Tarama ve Fizik Tabanlı Yöntemler

Ligand ve yapı tabanlı sanal taramanın birleştirilmesi
Milyonlarca bileşik için kademeli tarama hunisi
Zenginleştirme faktörü ve tuzak (decoy) setleriyle ölçüm
OpenMM ile moleküler dinamik simülasyonuna giriş
Serbest enerji hesaplamalarının rolü ve maliyeti
Günün değerlendirmesi ve üretken tasarım gününe köprü

Günün hedefiÜretken modellerle çok amaçlı molekül tasarlamak, sentezlenebilirliği ve retrosentezi değerlendirmek ve aktif öğrenmeyle deney döngüsünü verimli biçimde yönlendirmek.

Modül 1

Üretken Molekül Modelleri

SMILES tabanlı dil modelleri ve varyasyonel otokodlayıcılar
Grafik tabanlı ve fragman tabanlı üretim yaklaşımları
Hedef cebine koşullu 3B difüzyon modelleri
Geçerlilik, yenilik ve çeşitlilik metrikleri
GuacaMol ve MOSES kıyaslama çerçeveleri
Demo: Önceden eğitilmiş üreticiyle molekül örnekleme

Modül 2

Çok Amaçlı Optimizasyon ve REINVENT

Pekiştirmeli öğrenmeyle üreticinin yönlendirilmesi
REINVENT 4 ile skorlama bileşenleri tanımlama
Aktivite, ADMET ve benzerlik hedeflerini dengeleme
İskelet atlama ve R-grubu dekorasyonu senaryoları
Ödül istismarı ve kimyasal olarak anlamsız çıktılar
Laboratuvar: REINVENT ile çok amaçlı tasarım koşusu

Modül 3

Sentezlenebilirlik ve Retrosentez

SA skoru ve sentezlenebilirlik tahmin modelleri
AiZynthFinder ile retrosentez rota planlama
Ticari yapı taşı kataloglarıyla üretilebilirlik kontrolü
Reaksiyon tahmin modelleri ve veri kısıtları
Medisinal kimyager geri bildiriminin döngüye katılımı
Laboratuvar: Üretilen adaylar için retrosentez analizi

Modül 4

Aktif Öğrenme ve Deney Döngüsü

Bayesçi optimizasyon ve edinim fonksiyonları
Keşif-sömürü dengesiyle sonraki deney seçimi
Belirsizliğe dayalı toplu (batch) molekül seçimi
Otomatik laboratuvarlar ve kapalı döngü keşif
Kimya görevlerinde LLM ajanları ve güvenlik sınırları
Günün özeti ve hedef keşfi gününe hazırlık

Günün hedefiOmik ve bilgi grafı verileriyle hedef ve yeniden konumlandırma fırsatlarını değerlendirmek, düzenleyici beklentileri tanımak ve uçtan uca ilaç tasarım projesini sunmak.

Modül 1

Hedef Keşfi ve Yeniden Konumlandırma

Genetik kanıt ve omik verilerle hedef önceliklendirme
Open Targets Platform ile hedef-hastalık ilişkileri
Biyomedikal bilgi grafları ve bağlantı tahmini
Protein dil modelleriyle hedef özelliklerinin çıkarımı
İlaç yeniden konumlandırma (drug repurposing) yaklaşımı
Uygulama: Bir hastalık için hedef önceliklendirme analizi

Modül 2

Klinik Gelişimde Yapay Zeka

Biyobelirteç temelli hasta seçimi ve stratifikasyon
Klinik çalışma merkez seçimi ve hasta alımı tahmini
Dil modelleriyle protokol ve dahil etme kriteri analizi
Farmakovijilansta sinyal tespiti ve metin madenciliği
Sentetik kontrol kolları ve gerçek dünya kanıtı
Vaka: YZ destekli hasta seçimiyle çalışma tasarımı

Modül 3

Düzenleyici Çerçeve, Veri ve Fikri Mülkiyet

EMA'nın ilaç yaşam döngüsünde YZ yansıma belgesi
FDA'nın ilaç düzenleyici kararlarında YZ taslak rehberi
Model dokümantasyonu, izlenebilirlik ve güvenilirlik
Veri paylaşımı, federe öğrenme ve MELLODDY örneği
YZ ile tasarlanan moleküllerde patent ve buluşçuluk
Tartışma: Açık bilim ve rekabet avantajı dengesi

Modül 4

İlaç Tasarım Projesi ve Kapanış

Grup projesi: hedef, veri, model, üretim ve seçim hattı
Aday molekül listesinin medisinal kimya savunusu
Proje sunumları ve kod incelemesi geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
İleri öğrenme kaynakları, veri setleri ve kapanış

Eğitim Kazanımları

Kemoinformatik — RDKit ile molekülleri standartlaştırıp tanımlayıcı, parmak izi ve benzerlik analizleri yapabileceksiniz.
Veri Kürasyonu — ChEMBL ve PubChem verilerini birim, tekrar ve yapı sorunlarından arındırarak modellemeye hazırlayabileceksiniz.
QSAR ve ADMET — İskelet bölmeli doğrulama ve uygulanabilirlik alanıyla güvenilir aktivite ve ADMET modelleri kurabileceksiniz.
Grafik Sinir Ağları — Chemprop ve PyTorch Geometric ile molekül özelliklerini tahmin eden GNN modelleri eğitebileceksiniz.
Yapı Tabanlı Tasarım — AlphaFold, eş katlama modelleri ve AutoDock Vina ile bağlanma pozu tahmini ve sanal tarama yapabileceksiniz.
Üretken Tasarım — REINVENT ile aktivite, ADMET ve sentezlenebilirliği dengeleyen çok amaçlı molekül tasarımı yapabileceksiniz.
Aktif Öğrenme — Bayesçi optimizasyonla sonraki deneyleri seçerek tasarla-üret-test döngüsünü daha verimli yönetebileceksiniz.
Uçtan Uca Proje — Hedef seçiminden aday listesine uzanan, medisinal kimya gerekçesi olan bir hesaplamalı keşif hattı kuracaksınız.

Kimler İçin Uygundur?

Hesaplamalı kimyagerler
medisinal kimyagerler
kemoinformatik uzmanları
ilaç ve biyoteknoloji şirketlerinin Ar-Ge veri bilimcileri ile farmasötik bilimler alanındaki araştırmacılar.

Sıkça Sorulan Sorular

Yapay Zeka ile İlaç Keşfi Eğitimi kimler için uygundur?

Program; hesaplamalı ve medisinal kimyagerler, kemoinformatik uzmanları, ilaç ve biyoteknoloji şirketlerinin Ar-Ge veri bilimcileri ile farmasötik bilimler alanındaki akademik araştırmacılar için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 5 tam gün ve 20 modülden oluşur. Kemoinformatik temelleri, QSAR ve ADMET, yapı tabanlı tasarım, üretken molekül tasarımı ile hedef keşfi ve klinik gelişim günleri işlenir; son gün tasarım projesi sunulur.

Katılım için kimya veya programlama bilgisi gerekiyor mu?

Evet. Python ve scikit-learn ile temel model eğitimi deneyimi ve organik kimya ile farmakoloji kavramlarına aşinalık beklenir. Kimya altyapısı zayıf veri bilimcilere eğitim öncesi okuma listesi önerilir.

Eğitimde hangi açık kaynak araçlar kullanılıyor?

RDKit, scikit-learn, XGBoost, Chemprop, PyTorch Geometric, DeepChem, AutoDock Vina, DiffDock, fpocket, OpenMM, REINVENT 4 ve AiZynthFinder kullanılır; ChEMBL, PDB, TDC ve Open Targets verileri işlenir.

Kurum kendi bileşik verileriyle çalışabilir mi, sertifika veriliyor mu?

Kapalı kurum gruplarında gizlilik koşulları sağlanarak kurum içi aktivite verileriyle proje yapılabilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

YAPAY ZEKA İLE İLAÇ KEŞFİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

İlaç Keşfi Hattı ve Yapay Zeka

Molekül Temsilleri ve RDKit

Biyoaktivite Veritabanları

Veri Kürasyonu ve İlaç Benzerliği

Klasik QSAR Modelleri

ADMET ve Güvenlilik Tahmini

Grafik Sinir Ağları

Ön Eğitimli Kimya Modelleri

Protein Yapısı Tahmini

Bağlanma Cebi ve Eş Katlama Modelleri

Moleküler Yerleştirme

Sanal Tarama ve Fizik Tabanlı Yöntemler

Üretken Molekül Modelleri

Çok Amaçlı Optimizasyon ve REINVENT

Sentezlenebilirlik ve Retrosentez

Aktif Öğrenme ve Deney Döngüsü

Hedef Keşfi ve Yeniden Konumlandırma

Klinik Gelişimde Yapay Zeka

Düzenleyici Çerçeve, Veri ve Fikri Mülkiyet

İlaç Tasarım Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi