Contenidos

Contenidos teóricos

• Bases de datos de compuestos químicos: PubChem, ChEMBL, SureChEMBL
• Representación de estructuras químicas (SMILES, SDF/Mol, InchI)
• Ontologías y clasificadores: clasificación estructural automática de entidades químicas: ChEBI, Classyfire (Whishart Lab)
• Fingerprints moleculares para cálculos de similitud química (MACCS, ECFP, ASP)
• Búsquedas de similitud entre compuestos químicos: fingerprints, algoritmos, metricas (Tanimoto, Dice, Braun-Blanquet)
• Caracterización fisicoquímica de compuestos químicos y predicciones de biodisponibilidad, absorción, ADMET, características relacionadas a la drogabilidad
• Agrupamiento (clustering) de compuestos

Contenidos Prácticos

• Introducción a Programación en Python y a Jupyter notebooks (Google Colab)
• Bases de Datos: PubChem, ChEMBL, SureChEMBL
• Representación de estructuras químicas en Python usando RDKit (SMILES, SDF/Mol, InchI)
• Calcular similitud: fingerprints, búsquedas por similitud química, búsquedas por subestructura
• Caracterización fisicoquímica: Lipinski, RO3, Brenk, Egan
• Extracción de features químicas para clusterización, Análisis de Componentes Principales

Bibliografía

• The RDKit Book - Open source cheminformatics and machine learning
• Artificial Intelligence in Drug Discovery (2021) - Edited by Nathan Brown. Royal Society of Chemistry, ISBN 978-1-78801-547-9
• Chemogenomics in Drug Discovery (2004) - Edited by Hugo Kubinyi & Gerhard Müller. Wiley-VCH, ISBN 3-527-30987-X