- Trainer/in: Simone Aureli
- Trainer/in: Maria Bzowka
- Trainer/in: Raphaël Feser
- Trainer/in: Yiannis Galdadas
- Trainer/in: Francesco Luigi Gervasio
- Trainer/in: Stéphane Guerrier
- Trainer/in: Luca Insolia
- Trainer/in: Mucyo Karemera
- Trainer/in: Samuel Orso
- Trainer/in: Nicola Piasentin
- Trainer/in: Valerio Rizzi
- Trainer/in: Douglas Teodoro
- Trainer/in: David Vicente Alvarez
- Trainer/in: Anthony Yazdani
|
Ce cours a pour objectif général l’acquisition des technologies numériques dans le cadre des sciences pharmaceutiques fondamentales et cliniques. Une attention particulière sera donnée à la modélisation de phénomènes biologiques, à l'analyse de données pour la pharmacie digitale et l'utilisation de modèles d'apprentissage automatique (neural networks) pour les sciences pharmaceutiques (par exemple, pour vérifier les ordonnances). Les objectifs sont les suivants : • Savoir utiliser les méthodes de visualisation moléculaire. • Connaître les techniques de modélisation de docking pour la découverte de médicaments et la pratique clinique. • Comprendre les principes de base du criblage virtuel et son utilisation dans la découverte de médicaments. Connaître les bases des grands modèles linguistiques alimentés par l'IA, y compris leurs avantages et leurs limites. • Planifier et réaliser la collecte puis l’analyse de données scientifiques selon diverses méthodes. • Savoir utiliser des méthodes d’analyse statistique ainsi que d'apprentissage machine pour diverses données simulées ou collectées en sciences pharmaceutiques. • Apprendre à utiliser des plateformes d’analyse statistique des données.
Il est important de noter que la partie théorique sera enregistrée, mais que la partie pratique, qui est obligatoire, ne le sera pas. A la fin de chaque partie pratique, vous devrez remplir des questionnaires à choix multiples ou faire des exercices (en utilisant chatgpt pour la partie ML, par exemple) qui seront comptabilisés pour l'examen, qui est en mode contrôle continu. |