| Nome del corso di laurea |
Biologia |
| Codice insegnamento |
A005340 |
| Curriculum |
Biomolecolare |
| Docente responsabile |
Maria Noelia Faginas Lago |
| Docenti |
- Maria Noelia Faginas Lago
- Paola Belanzoni
|
| Ore |
- 47 Ore - Maria Noelia Faginas Lago
- 10 Ore - Paola Belanzoni
|
| CFU |
6 |
| Regolamento |
Coorte 2025 |
| Erogato |
Erogato nel 2025/26 |
| Erogato altro regolamento |
|
| Attività |
Affine/integrativa |
| Ambito |
Attività formative affini o integrative |
| Settore |
CHIM/03 |
| Anno |
1 |
| Periodo |
Primo Semestre |
| Tipo insegnamento |
Opzionale (Optional) |
| Tipo attività |
Attività formativa monodisciplinare |
| Lingua insegnamento |
Inglese |
| Contenuti |
In questo corso i diversi metodi di chimica computazionale comunemente impiegati per la simulazione di processi BIO saranno spiegati durante le lezioni teoriche (35 ore), tra cui la dinamica molecolare classica, Umbrella sampling e metodi ibridi di meccanica quantistica/meccanica molecolare (QM/MM). Inoltre, durante gli esercizi al computer (12 ore) applicazioni di diversi processi BIO con software gratuiti: AmberTools, Orca, VMD, DL_POLY. Una seconda parte è rivolta a fornire una comprensione di base degli algoritmi e dei concetti principali del machine learning (ML), con un focus sull’analisi di dati provenienti da simulazioni molecolari. Successivamente, andremmo ad esplorare come il machine learning può potenziare l’analisi e la previsione di dati ottenuti da simulazioni di dinamica molecolare classica. |
| Testi di riferimento |
1. M. P. Allen & D. J. Tildesley – Computer Simulation of Liquids¿Oxford University Press (Second Edition, 2017) 2. D. Frenkel & B. Smit – Understanding Molecular Simulation¿Academic Press (Second Edition, 2001) 3. Aurélien Géron – Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow¿O'Reilly Media (3rd Edition, 2022) |
| Obiettivi formativi |
Lo studente sarà in grado di combinare simulazioni MD e ML per analizzare in modo avanzato biosistemi complessi, identificando pattern nascosti, predicendo comportamenti molecolari e potenzialmente accelerando le simulazioni e di applicare tecniche ML di base a dataset molecolari ed esplorare strutture complesse e dinamiche nascoste. |
| Prerequisiti |
* Nozioni di base di fisica, chimica computazionale e programmazione. * Conoscenze fondamentali di algebra lineare e statistica |
| Metodi didattici |
Lezione frontali e laboratorio con il computer. |
| Altre informazioni |
Per informazioni sui servizi di supporto agli studenti con disabilita e/o DSA visita la pagina https://www.unipg.it/disabilita-e-dsa |
| Modalità di verifica dell'apprendimento |
Esame orale con presentazione progetto. |
| Programma esteso |
Modulo 1: Introduzione alla Dinamica Molecolare (MD) * Fondamenti della meccanica classica applicata ai sistemi molecolari * Equazioni del moto e metodi di integrazione numerica * Campi di forza: descrizione delle interazioni atomiche * Software e strumenti per la dinamica molecolare (DL_POLY, AMBER) Modulo 2: Simulazioni di Sistemi Biologici * Modelli molecolari per proteine, DNA e membrane * Condizioni al contorno e termostati/barostati * Tecniche di campionamento avanzate (Replica Exchange, Metadynamics) * Validazione e analisi dei risultati delle simulazioni Modulo 3: Introduzione al Machine Learning per la Dinamica Molecolare * Nozioni di base di machine learning (ML) e deep learning (DL) * Algoritmi di apprendimento supervisionato e non supervisionato * Framework di ML per le simulazioni molecolari (TensorFlow, PyTorch, scikit-learn) * Dataset e feature engineering per sistemi molecolari Modulo 4: Applicazioni del Machine Learning alla Dinamica Molecolare * Predizione di proprietà molecolari con ML * Accelerazione delle simulazioni con ML (potenziali di forza appresi, surrogate models) * Generazione di traiettorie molecolari tramite reti neurali * Riduzione della dimensionalità e clustering di stati conformazionali Modulo 5: Casi Studio e Applicazioni * Simulazione di interazioni proteina-ligando * Studio di transizioni conformazionali (es. folding) * Dinamica di membrane e canali ionici * Applicazioni in drug discovery * Analisi di mutazioni e patologie a livello molecolare |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile |
4 |
