Consulta de Guías Docentes



Academic Year/course: 2021/22

33424 - MULTISCALE, MACHINE LEARNING AND QSAR METHODS APPLIED TO BIOMOLECULES

This is a non-sworn machine translation intended to provide students with general information about the course. As the translation from Spanish to English has not been post-edited, it may be inaccurate and potentially contain errors. We do not accept any liability for errors of this kind. The course guides for the subjects taught in English have been translated by their teaching teams


Information of the subject

Code - Course title:
33424 - MULTISCALE, MACHINE LEARNING AND QSAR METHODS APPLIED TO BIOMOLECULES
Degree:
748 -
762 -
Faculty:
104 - Facultad de Ciencias
Academic year:
2021/22

1. Course details

1.1. Content area

MULTISCALE, MACHINE LEARNING AND QSAR METHODS APPLIED TO BIOMOLECULES

1.2. Course nature

Optional

1.3. Course level

Máster (EQF/MECU 7)

1.4. Year of study

2

1.5. Semester

Second semester

1.6. ECTS Credit allotment

6.0

1.7. Language of instruction

English. 

1.8. Prerequisites

There not prerequisites. 

1.9. Recommendations

No applicable. 

1.10. Minimum attendance requirement

Attendance is mandatory. 

1.11. Subject coordinator

Noelia Faginas Lago (University of Perugia). 

1.12. Competences and learning outcomes

1.12.1. Competences

BASIC AND GENERAL

CG01 - Students are able to promote, in academic and professional contexts, technological and scientific progress within a society based on knowledge and respect for: a) fundamental rights and equal opportunities between men and women, b) the principles of equal opportunities and universal accessibility for people with disabilities and c) the values of a culture of peace and democratic values.

CG04 - Students develop critical thinking and reasoning and know how to communicate them in an egalitarian and non-sexist way both orally and in writing, in their own language and in a foreign language.

CB7 - Students are able to apply their acquired knowledge and problem-solving skills in new or unfamiliar environments within broader (or multidisciplinary) contexts related to their field of study.

CB10 - That students possess the learning skills that will enable them to continue studying in a largely self-directed or autonomous manner.

TRANSVERSALS

CT02 - The student is organised in his/her work, demonstrating that he/she knows how to manage the time and resources available to him/her.

CT09 - Ability to obtain, select, elaborate and process information from different sources with objective criteria, prioritising them according to their quality and relevance.

CT10 - Predict and control the evolution of complex situations through the development of new and innovative work methodologies adapted to the scientific/research and professional field.

CT11 - Identify and rigorously select the appropriate methodology to formulate hypotheses, define problems and design work strategies specific to research with an emphasis on ethical commitment.

SPECIFIC

SC13 - Students are able to handle the most common programming techniques in physics and chemistry and are familiar with the essential calculation tools in these areas.

SC16 - The student is able to discern between the different existing methods and how to select the most appropriate one for each problem.

SC19 - The student is familiar with the computational techniques that, based on molecular mechanics and dynamics, are the basis for the design of molecules of interest in fields such as pharmacology, petrochemistry, etc.

1.12.2. Learning outcomes

not applicable. 

1.12.3. Course objectives

The aim of this course is to provide students with the basic knowledge of machine learning techniques and QSAR (Quantitative Structure-Activity Relationship) methods applied to small and large molecular systems, such as simple reagents or biomolecules. Machine Learning (ML) allows teams to solve problems by learning from data. In recent years ML has been increasingly applied to a wide variety of chemical challenges, from improving computational chemistry to drug and material design and even synthesis planning. This course aims to introduce this rapidly growing reality.

1.13. Course contents

1. Introduction to Cloud Computing.

2. Virtualisation and container architectures.

3. Big Data management services and automatic deployments.

4. Binary classification of proteins using Machine learning approach.

5. Multiscale modelling of biochemical processes.

6. High-throughput molecular dynamics: theory and applications.

7. Introduction to deep learning and Tensorflow.

8. Multiscale molecular dynamics of biomolecules.

9. Machine learning possibilities.

10. QSAR methods applied to biomolecules.

1.14. Course bibliography

Combined Quantum Mechanics/Molecular Mechanics (QM/MM) Methods in Computational Enzymology M.W. van der Kamp and A. J. Mulholland Biochemistry 2013.

QM/MM Methods for Biomolecular Systems H. M. Senn and W. Thiel (2009), QM/MM Methods for Biomolecular Systems. Angewandte Chemie Int. Ed. 2009. 

A Hybrid Potential Reaction Path and Free Energy Study of the Chorismate Mutase Reaction S. Martí, J. A., V. Moliner, E. Silla, I. Tuñón, J. Bertrán, and M. J. Field Journal of the American Chemical Society 2001.

2. Teaching-and-learning methodologies and student workload

2.1. Contact hours

 

#Hours

Percentage of face-to-face activities (minimum 33% of the total).

43

Percentage of non-face-to-face activities.

82

2.2. List of training activities

 

Face-to-face activities

Nº hours

Theoretical lessons in the classroom

20

Computer-based practices

20

Evaluation activities

3

3. Evaluation procedures and weight of components in the final grade

3.1. Regular assessment

The final mark for the course will be based on: 20% final exam of the course and 80% corresponding to the delivery of a report of exercises proposed by the professor.

3.1.1. List of evaluation activities

 

 

Evaluation activity

%

Final exam

20

Exercises

80

3.2. Resit

The evaluation will be based on the delivery of a report with the proposed exercises.

3.2.1. List of evaluation activities

Evaluation activity

%

Exercicses

100

Continuous evaluation

0

4. Proposed workplan

The course will be organized by University of Perugia. 


Curso Académico: 2021/22

33424 - MULTIESCALA, MACHINE LEARNING Y MÉTODOS QSAR APLICADOS A BIOMOLÉCULAS


Información de la asignatura

Código - Nombre:
33424 - MULTIESCALA, MACHINE LEARNING Y MÉTODOS QSAR APLICADOS A BIOMOLÉCULAS
Titulación:
748 - Máster Erasmus Mundus en Química Teórica y Modelización Computacional
762 - Máster en Química Teórica y Modelización Computacional (2021)
Centro:
104 - Facultad de Ciencias
Curso Académico:
2021/22

1. Detalles de la asignatura

1.1. Materia

MULTIESCALA, MACHINE LEARNING Y MÉTODOS QSAR APLICADOS A BIOMOLÉCULAS.

1.2. Carácter

Optativa

1.3. Nivel

Máster (MECES 3)

1.4. Curso

2

1.5. Semestre

Segundo semestre

1.6. Número de créditos ECTS

6.0

1.7. Idioma

Inglés

1.8. Requisitos previos

No hay. 

1.9. Recomendaciones

No aplica.

1.10. Requisitos mínimos de asistencia

La asistencia a clases es obligatoria. 

1.11. Coordinador/a de la asignatura

Noelia Faginas Lago (Universidad de Perugia). 

1.12. Competencias y resultados del aprendizaje

1.12.1. Competencias

BÁSICAS Y GENERALES

CG01 - Los estudiantes son capaces de fomentar, en contextos académicos y profesionales, el avance tecnológico y científico dentro de una sociedad basada en el conocimiento y en el respeto a: a) los derechos fundamentales y de igualdad de oportunidades entre hombres y mujeres, b) los principios de igualdad de oportunidades y accesibilidad universal de las personas con discapacidad y c) los valores propios de una cultura de paz y de valores democráticos.

CG04 - Los estudiantes desarrollan un pensamiento y razonamiento crítico y saben comunicarlos de manera igualitaria y no sexista tanto en forma oral como escrita, en su lengua propia y en una lengua extranjera.

CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida auto dirigido o autónomo.

TRANSVERSALES

CT02 - El/la estudiante es organizado en el trabajo demostrando que sabe gestionar el tiempo y los recursos de que dispone.

CT09 - Capacidad de obtener, seleccionar, elaborar y procesar información proveniente de fuentes diversas con criterios objetivos, priorizándolas según su calidad y pertinencia.

CT10 - Predecir y controlar la evolución de situaciones complejas mediante el desarrollo de nuevas e innovadoras metodologías de trabajo adaptadas al ámbito científico/investigador y profesional

CT11 - Identificar y seleccionar con rigor la metodología adecuada para formular hipótesis, definir problemas y diseñar estrategias de trabajo propias de la investigación incidiendo en el compromiso ético

ESPECÍFICAS

CE13 - Los estudiantes manejan las técnicas más usuales de programación en física y en química y está familiarizado con las herramientas de cálculo esenciales en estas áreas.

CE16 - El/la estudiante es capaz de discernir entre los diferentes métodos existentes y cómo seleccionar el más adecuado para cada problema.

CE19 - El/la estudiante está familiarizado con las técnicas computacionales que, basadas en la mecánica y dinámica molecular, son la base del diseño de moléculas de interés en campos tales como farmacología, petroquímica, etc.

1.12.2. Resultados de aprendizaje

No aplica. 

1.12.3. Objetivos de la asignatura

El objetivo de este curso es proporcionar a los estudiantes los conocimientos básicos de técnicas de aprendizaje automático y métodos QSAR (Quantitative Structure-Activity Relationship) aplicados a sistemas moleculares de pequeño y gran tamaño, tales como reactivos simples o biomoléculas.
 
El Machine Learning (ML) permite a los equipos solucionar problemas aprendiendo de los datos. En los últimos años el ML se ha aplicado, cada vez más, a una amplia variedad de desafíos químicos, desde la mejora de la química computacional hasta el diseño de medicamentos y materiales e incluso la planificación de síntesis. Esta curso nace con el propósito de introducir esta realidad de rápido crecimiento.

1.13. Contenidos del programa

1. Introducción al Cloud Computing.

2. Virtualización y arquitecturas contenedoras.

3. Servicios de gestión del Big Data y despliegues automáticos.

4. Clasificación binaria de proteínas mediante enfoque del Machine learning.

5. Modelado multiescala de procesos bioquímicos.

6. Dinámica Molecular de alto rendimiento: teoría y aplicaciones.

7. Introducción al Deep learning y al Tensorflow.

8. Dinámica molecular multiescala de biomoléculas.

9. Posibilidades del Machine learning.

10. Métodos QSAR aplicados a biomoléculas.

1.14. Referencias de consulta

Combined Quantum Mechanics/Molecular Mechanics (QM/MM) Methods in Computational Enzymology M.W. van der Kamp and A. J. Mulholland Biochemistry 2013.

QM/MM Methods for Biomolecular Systems H. M. Senn and W. Thiel (2009), QM/MM Methods for Biomolecular Systems. Angewandte Chemie Int. Ed. 2009. 

A Hybrid Potential Reaction Path and Free Energy Study of the Chorismate Mutase Reaction S. Martí, J. A., V. Moliner, E. Silla, I. Tuñón, J. Bertrán, and M. J. Field Journal of the American Chemical Society 2001.

2. Metodologías docentes y tiempo de trabajo del estudiante

2.1. Presencialidad

 

#Horas

Porcentaje de actividades presenciales (mínimo 33% del total).

43

Porcentaje de actividades no presenciales.

82

2.2. Relación de actividades formativas

Actividades presenciales

Nº horas

Clases teóricas en aula

20

Practicas con medios informáticos

20

Actividades de evaluación

3

3. Sistemas de evaluación y porcentaje en la calificación final

3.1. Convocatoria ordinaria

La nota final de la asignatura se basará en: 20% examen final de la asignatura y un 80% correspondiente a la entrega de un informe de ejercicios propuestos por el profesor.

3.1.1. Relación actividades de evaluación

Actividad de evaluación

%

Examen final

20

Ejercicios propuestos

80

3.2. Convocatoria extraordinaria

La evaluación se basará en la entrega de un informe con los ejercicios propuestos. 

3.2.1. Relación actividades de evaluación

Actividad de evaluación

%

Ejercicios propuestos.

100

Evaluación continua

0

4. Cronograma orientativo

El curso lo organizará la Universidad de Perugia.