Currículo

Ciências de Dados em Ciências Farmacêuticas e do Medicamento CdDeCFedM

Contextos

ECTS

4.0 (para cálculo da média)

Objectivos

O objetivo central é capacitar os estudantes com os conhecimentos necessários em ciência de dados para aplicação em casos reais de descoberta de fármacos. As competências adquiridas terão utilidade generalizada no atual panorama de investigação. De modo a melhor compreender os mecanismos moleculares de doença, as ferramentas informáticas quando aplicadas a uma pergunta biológica são de extrema importância. Neste curso projetamos que os estudantes sejam capazes, não só de produzir, mas também interpretar dados de uma forma autónoma, utilizando bases de dados de cohorts já disponibilizadas. Iremos guiar os estudantes por bases de dados online como NCBI, cbioportal, miRbase, entre outas, bem como data mining em ensemble, ualcan, firebrowse, entre outros. Estas ferramentas são um excelente ponto de partida, tanto para gerar dados preliminares, como para confirmar uma teoria. Por outro lado, os estudantes vão adquirir competências em ferramentas de modelação de pequenas moléculas, incluindo software especializado para docking molecular e modelação por farmacóforo. O objetivo é fundamentar o desenho de moléculas com base em informação prévia e disponível ao público. Finalmente, os alunos irão adquirir conhecimentos essenciais em machine learning através de plataformas como KNIME para previsão de propriedades físico-químicas e biológicas de pequenas moléculas.

Programa

Ensino Teórico: A utilização de ferramentas computacionais para informar decisões no desenvolvimento de fármacos é uma prática validada. Não são expectáveis conhecimentos prévios em programação por parte dos estudantes. Quimioinformática (3h): Serão abordadas diversas metodologias centradas na estrutura de proteínas e ligandos: 1) bases de dados públicas, suas vantagens e desvantagens; 2) identificação de fármacos baseados em ligandos e estrutura do receptor (incluindo software disponível); 3) descritores químicos; 4) aprendizagem automática (machine learning) e modelos preditivos de atividade e/ou propriedades físico-químicas. Bioioinformática (3h): Serão abordados conhecimentos teóricos em alinhamento de sequências de nucleótidos/aminoácidos bem como da importância dos modelos matemáticos e estatísticos em investigação farmacêutica: 1) bases de dados públicas; 2) princípios estatísticos em bioinformática; 3) bases de dados de Cohorts; 4) introdução a Next generation sequencing. Aulas Práticas (10h): são centradas em apresentação de casos estudo e discussão de conceitos. Complementam a introdução teórica com prática hands-on em software científico: 1) MOE (modelação por farmacóforo, docking, manipulação de bases de dados); 2) KNIME (manipulação de bases de dados, no code machine learning); 3) Programação em Python e introdução a bibliotecas de utilidade em química e machine learning; 4) online cohort database; 5) GraphPad, análise de dados e bioestatística; 6) introdução ao QIIME2 (pipeline de bioinformática designado para analisar comunidades microbianas). Aulas Laboratoriais (10h): execução de um projeto de investigação centrado num alvo de interesse farmacológico. O objetivo é a aplicação prospetiva de metodologias apresentadas nas aulas teóricas e práticas para a resolução de casos reais.

Método de Avaliação

A avaliação recorre a metodologias de aprendizagem ativa. É centrada na execução e apresentação de um projeto que simula a descoberta de potenciais hits ou leads para alvos de relevância terapêutica, utilizando métodos computacionais. Avaliação: contínua (40%); apresentação oral de trabalho (24%; 10 minutos + 10 minutos de discussão) e relatório escrito (36%; máximo 4 páginas).

Carga Horária

Bibliografia

Principal

• The Practice of Medicinal Chemistry: (4th Edition; ed. C Wemuth, D Aldous, P Raboisson, D Rognan 2005 Academic Press, London, UK (2005).
• Data mining in clinical big data: theal. frequently used databases, steps, and methodological models.: Wu WT, Li YJ, Feng AZ, Li L, Huang T, Xu AD, et al 2021 Mil. Med. Res. [Internet]. 2021;8:1–12. Available from: https://mmrjournal.biomedcentral.com/articles/10.1186/s40779-021-00338-zData mining in clinical big data: the frequently used databases, steps, and methodological models. Mil. Med. Res. [Internet]. 2021;8:1–12. Available from: https://mmrjournal.biomedcentral.com/articles/10.1186/s40779-021-00338-z
• Big data in basic and translational cancer research.: Jiang P, Sinha S, Aldape K, Hannenhalli S, Sahinalp C, Ruppin E. 2022 Nat. Rev. Cancer [Internet]. 2022;22:625–639. Available from: https://www.nature.com/articles/s41568-022-00502-0

Secundária

Disciplinas de Execução

2024/2025 - 2º Semestre