Questo e' un corso introduttivo agli elementi fondamentali della modellistica molecolare e dello sviluppo di farmaci assistito dal calcolatore (computer-assisted drug design, CADD). CADD e' oggi parte integrante di pressoche' ogni programma di sviluppo di farmaci e la comprensione delle piu' comuni applicazioni di questa disciplina e' pertanto componente importante del profilo di ogni futuro professionista in ambito farmaceutico, biomedico e delle scienze della vita.  

Nella seconda parte del corso, verra' anche introdotta la disciplina dell'apprendimento automatico (machine learning) con particolare riferimento alle sue applicazioni in ambito di ricerca e sviluppo dei farmaci

Al termine del corso, lo studente sara' in grado di interrogare database online e utilizzare semplici risorse disponibili nel pubblico dominio

Lezioni frontali

• Introduzione alla Modellistica Molecolare
• Rappresentazioni di Molecole
• Il Concetto di Similarita' tra Molecole
• Progettazione di Librerie di Molecole
• Breve Introduzione agli Approcci Quanto-Meccanici
• Il Concetto di Force Field
• Approcci Ligand-based
• Approcci Structure-based:
  • Modellazione per Omologia
  • Docking
  • Screening Virtuale
• Dinamica Molecolare
• Introduzione al Machine Learning
• Applicazioni di Machine Learning allo Sviluppo di Farmaci

Computer Lab

• Docking and Relazioni Struttura-Attivita'
• Dinamica Molecolare: Set-up e Analisi delle Traiettorie
• Machine Learning: Generare Nuove Molecole

Il corso non presuppone abilita' di programmazione

Conoscenza e capacità di comprensione: progettare ed eseguire simulazioni che complementino e si integrino con la chimica di sintesi, la farmacologia e tutte le altre discipline che contribuiscono alle fasi iniziali dello sviluppo di un farmaco. 

Conoscenza e capacità di comprensione applicate: comprendere i dettagli del contributo fornito dalla modellistica molecolare: i) all' identificazione degli hit, ii) all' esplorazione della relazione struttura-attivita', e iii) all'ottimizzazione di risorse in fase di ottimizzazione di un lead.

Autonomia di giudizio: sviluppare una adeguata sensibilita' in termini di aspettative per i risultati forniti dai metodi simulativi, in base alla tecnica specifica utilizzata, le risorse computazionali impiegate, e l'entita' dei risultati sperimentali che hanno contribuito ad informare la simulazione.

Abilita' comunicative: la terminologia specifica (si noti, ad esempio, la preponderanza di anglicismi nella descrizione del corso) puo' costituire una barriera nella comunicazione tra modellisti e sperimentali. Avere una conoscenza ancorchè basilare della terminologia adottata in ambito CADD pone lo studente in una posizione di vantaggio in un futuro contesto lavorativo interdisciplinare.      

Capacità di apprendere: gli studenti apprenderanno: i) come ricercare risorse disponibili online, interpretare i risultati di un approccio computazionale, svolgere in autonomia semplici simulazioni.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Esercitazioni svolte dal docente durante il corso

Modalità didattiche

Lezioni frontali con almeno 3 sessioni applicate (aula informatica)

Obblighi

La frequenza è fortemente consigliata ma non è obbligatoria

Testi di studio

Testo consigliato:

• Leszczynski, Handbook of Computational Chemistry, Springer

Per l'esame

• Materiale (slides) fornito e illustrato durante le lezioni

Extra/Per Consultazione:

• Leach, Molecular Modelling: Principles and Applications, Pearson
• Leach, Gillet, An introduction to Chemoinformatics, Springer
• Gressling, Data Science in Chemistry, De Gruyter

Modalità di
accertamento

L'accertamente della preparazione avviene mediante esame orale.

Allo studente è richiesto di esporre e commentare brevemente un articolo scientifico precedentemente selezionato e concordato con il docente. Un elenco di possibili articoli viene fornito al termine del corso. A partire da questa presentazione vengono poi accertate le competenze acquisite sugli argomenti proposti con domande di carattere ampio e concettuale.

Interpretazione del voto

• 28 - 30 e lode: lo studente mostra una comprensione estesa e critica delle tecniche di modellistica molecolare (come la tecnica funziona, quali sono le sue basi teoriche, quali sono le sue implementazioni principali) illustrate nel corso, ne comprende i vantaggi, i limiti e la fase di applicazione nell'ambito del processo di drug discovery. Lo studente ha acquisito la terminologia corretta. Messo di fronte ad un semplice scenario in ambito sviluppo di farmaci che implichi l'impiego di tecniche di modellistica molecolare (case study), lo studente è in grado di formulare suggerimenti e strategie pertinenti in maniera pressochè indipendente.
• 24 - 27: come sopra, ma la comprensione delle tecniche di modellistica molecolare illustrate nel corso (come la tecnica funziona, quali sono le sue basi teoriche, quali sono le sue implementazioni principali) mostra qualche lacuna, e/o la comprensione dei vantaggi, dei limiti e nonchè della fase di applicazione di queste tecniche nell'ambito del processo di drug discovery non è sempre corretta al 100%. Lo studente ha acquisito una terminologia prevalentemente corretta. Messo di fronte ad un semplice scenario in ambito sviluppo di farmaci che implichi l'impiego di tecniche di modellistica molecolare (case study), lo studente è in grado di formulare suggerimenti e strategie pertinenti purchè guidato.
• 18 - 23: come sopra, ma la comprensione delle tecniche di modellistica molecolare illustrate nel corso (come la tecnica funziona, quali sono le sue basi teoriche, quali sono le sue implementazioni principali) evidenzia limiti importanti, così come la comprensione dei vantaggi, dei limiti e nonchè della fase di applicazione di queste tecniche nell'ambito del processo di drug discovery è incompleta. Lo studente ha acquisito solo parzialmente le terminologia propria della disciplina. Permane un approccio nozionistico alla disciplina e, messo di fronte ad un semplice scenario in ambito sviluppo di farmaci che implichi l'impiego di tecniche di modellistica molecolare (case study), lo studente fatica a formulare suggerimenti e strategie pertinenti anche se guidato.
• Insufficiente: la comprensione delle tecniche di modellistica molecolare illustrate nel corso è insufficiente negli aspetti tecnici (come la tecnica funziona, quali sono le sue basi teoriche, quali sono le sue implementazioni principali). Per quanto concerne la comprensione dei vantaggi, dei limiti e nonchè della fase di applicazione di queste tecniche nell'ambito del processo di drug discovery, la comprensione è fortemente incompleta se non totalmente assente. Lo studente non ha acquisito o ha acquisito solo parzialmente le terminologia propria della disciplina.

Disabilità e DSA

Le studentesse e gli studenti che hanno registrato la certificazione di disabilità o la certificazione di DSA presso l'Ufficio Inclusione e diritto allo studio, possono chiedere di utilizzare le mappe concettuali (per parole chiave) durante la prova di esame.

A tal fine, è necessario inviare le mappe, due settimane prima dell’appello di esame, alla o al docente del corso, che ne verificherà la coerenza con le indicazioni delle linee guida di ateneo e potrà chiederne la modifica.

Modalità didattiche

Nessuna differenza rispetto agli studenti frequentanti, fatto salvo il caloroso invito a frequentare