Этот курс знакомит вас с тем, как методы искусственного интеллекта применяются на разных этапах разработки лекарственных молекул: от подготовки и анализа химических данных до докинга, прогнозирования свойств и генерации новых структур. Вы освоите ключевые инструменты, научитесь работать с базами данных и применять современные модели для решения типичных задач drug discovery, формируя целостное понимание роли AI в создании лекарств.
Отличный курс, который даёт перспективу и не разработчикам о математической и ML стороне, и разработчикам о существующих инструментах, базах и подходах, мягко вводит в домен. Для обзорного ознакомления с тем, что вообще происходит в области, так вообще замечательный. Остальное уже прощупывается на практике и более углублённо в плане математики/кода при желании. Отдельно оценила то, что по сравнению с остальными курсами, даются объяснения некорректности в случае неправильных ответов
Для меня как для программиста было очень полезно
Хочется искренне поблагодарить за этот курс!
Он оказался невероятно полезным и практически ориентированным: от работы с базами данных (PDB, PubChem, ChEMBL) до тонкостей молекулярного докинга и нейросетевых моделей.
Особенно понравилось:
1) Реальная работа с данными: поиск структур в PDB, расчёт дескрипторов через RDKit, валидация докинга
2) Логичный прогресс: от простых правил (Липински, фильтры токсичности) к сложным темам (LSTM, GNN) и материал усваивается постепенно и осознанно
3) Интеграция инструментов: автоматизация через API, скрипты на Python, визуализация в PyMOL
4) Живые примеры: задания делают теорию осязаемой
5) Подсказки при ошибках: иногда хочется не просто увидеть «неверно», а понять, почему выбранный ответ не подошёл — это супер удобно.
Полезный курс, действительно помогает понять, как программирование и ИИ могут быть использованы для дизайна лекарств. Материал изложен довольно хорошо, есть различные практические задания. Рекомендую!
