PTENPublicações
Início›Cursos

Cursos & Notebooks Profissionais

Notebooks Python completos, comentados e prontos para executar e adaptar. Cada curso inclui pipeline reprodutível e código aberto. Alguns cursos incluem também video-aulas gravadas que percorrem o pipeline passo-a-passo — ver o badge na ficha de cada curso.

Diagnóstico por Biomarcadores
BIO·04·2026 8 módulos · Pipeline completo

Diagnóstico por Biomarcadores

Da biologia do biomarcador ao classificador clínico validado — a assinatura mínima de biomarcadores com rigor estatístico, inteiramente em código.

Stack: Python · NumPy · SciPy · pandas · scikit-learn · XGBoost · matplotlib · SHAP
  • Biomarcadores: taxonomia BEST/FDA-NIH & alta dimensão (p≫n)
  • Dados: simulador realista de painel molecular & panorama
  • Pré-processamento: QC, imputação (kNN/MICE) & correção de batch
  • Modelagem sem vazamento: LR-elastic, RF, SVM, GB, XGB + CV aninhada
  • Análise diferencial: Mann-Whitney + FDR (BH), volcano & heatmap
  • Validação: ROC/PR, calibração + Brier, DCA & teste de permutação
  • Interpretação: SHAP, beeswarm, parcimónia & assinatura mínima
  • Reprodutibilidade: SHAP, parcimónia · TRIPOD+AI & tradução clínica
Apenas3000 MT
Adquirir
Docking Molecular
DOCK·05·2026 10 capítulos · Pipeline completo

Docking Molecular

Do receptor à triagem virtual — pipeline prático de docking com AutoDock Vina e GNINA, validado por redocking, inteiramente em código.

Stack: Python · RDKit · AutoDock Vina · GNINA · Meeko · PDBFixer · OpenMM · py3Dmol
  • Introdução: o que é docking, componentes essenciais & critério de validação
  • Preparação do receptor: limpeza, PDBFixer, PROPKA3, OpenMM & PDBQT (Meeko)
  • Preparação de ligantes: protonação, tautómeros, conformações 3D & Gasteiger
  • Caixa de busca: definição pelo ligante de referência & fpocket
  • Docking com AutoDock Vina: execução, poses & tabela de afinidades
  • Validação com AutoDock Vina: RMSD vs cristal (in-place & superposição)
  • Docking com GNINA: pontuação por CNN & concordância (Spearman)
  • Análise & impacto: hits, interações (ProLIF) & visualização 3D
Apenas2500 MT
Adquirir
Diagnóstico por Testes Rápidos (TDR)
TDR·04·2026 8 módulos · Pipeline completo

Diagnóstico por Testes Rápidos (TDR)

Da bioestatística da acurácia ao leitor de cassetes por IA — métricas clínicas interpretáveis com intervalos de confiança, inteiramente em código.

Stack: Python · NumPy · SciPy · scikit-learn · statsmodels · TensorFlow · OpenCV · SHAP
  • Fundamentos: fluxo lateral, tabela 2×2 & pipeline diagnóstico
  • Desenho do estudo: padrão de referência, vieses & relato STARD
  • Tamanho amostral & coorte simulada realista
  • Métricas: Sen/Esp/VPP/VPN/LRs/DOR/Youden + IC de Wilson
  • ROC, AUC & limiar ótimo (DeLong, Youden) + nomograma de Fagan
  • Concordância & padrão-ouro imperfeito: κ, Bland-Altman, ICC, LCA
  • Meta-análise de acurácia: bivariado, SROC, forest plots, HSROC
  • Leitura por IA & avaliação: CNN, Grad-CAM, calibração, DCA
Apenas3000 MT
Adquirir
Diagnóstico por Imagens Médicas
IMG·01·2026 8 módulos · Pipeline completo

Diagnóstico por Imagens Médicas

Da matemática ao diagnóstico com aprendizado profundo — rigor estatístico, interpretabilidade e validação clínica, inteiramente em código.

Stack: Python · PyTorch · torchvision · timm · MONAI · MedMNIST · scikit-learn
  • Modalidades de imagem & as duas grandes tarefas
  • Dados: DICOM/NIfTI, windowing de TC, split por paciente
  • Pré-processamento, augmentation responsável & desbalanceamento
  • Classificação: CNN + ViT + Swin + ConvNeXt + EfficientNet
  • Avaliação rigorosa: AUC (DeLong), limiar, calibração & DCA
  • Interpretabilidade: Grad-CAM & verificações de sanidade
  • Segmentação: U-Net++ · Attention U-Net · TransUNet · MedSAM
  • Validação clínica: generalização, equidade & incerteza (CLAIM)
Apenas3000 MT
Adquirir
Diagnóstico por Infravermelho (FTIR)
IR·04·2026 7 módulos · Pipeline completo

Diagnóstico por Infravermelho (FTIR)

Da física da radiação infravermelha ao classificador clínico — biomarcadores espectrais interpretáveis, com rigor estatístico, inteiramente em código.

Stack: Python · NumPy · SciPy · scikit-learn · pandas · XGBoost · SHAP
  • Física do IR: vibração molecular & a impressão digital bioquímica
  • Espectros ATR-FTIR de soro & estrutura dos dados
  • Pré-processamento: linha de base (ALS), Savitzky-Golay, SNV
  • Análise exploratória: PCA, t-SNE & detecção de outliers
  • Biomarcadores discriminantes: número de onda & razões de bandas
  • Classificadores: PLS-DA, Random Forest, SVM & XGBoost
  • Validação: métricas clínicas, ROC, permutação & validação cruzada
  • Interpretação: dos números de onda aos biomarcadores (VIP/SHAP)
Apenas3000 MT
Adquirir
Quimioinformática & QSAR
QSAR·08·2026 10 módulos · Pipeline completo

Quimioinformática & QSAR

Da aquisição de dados ao modelo QSAR interpretável — pipeline completo de quimioinformática, validado e reprodutível, inteiramente em código.

Stack: Python · RDKit · ChEMBL · scikit-learn · XGBoost · LightGBM · Optuna · SHAP
  • Aquisição de compostos: PubChem, ChEMBL, DrugBank, BindingDB & ZINC (FAIR)
  • EDA, estatística & filtragem de bioatividade ChEMBL (pChEMBL)
  • Curadoria com RDKit, descritores (RDKit/Mordred) & drug-likeness
  • Descritores para ML de regressão & dados de deep learning (GNN)
  • Seleção de variáveis (Boruta) & triagem rápida de modelos
  • Otimização de hiperparâmetros (Optuna) & ensembles
  • Testes estatísticos entre modelos & validação rigorosa
  • Interpretabilidade (SHAP/LIME) & domínio de aplicabilidade
Apenas5000 MT
Adquirir
Descoberta Computacional de Fármacos +20 video-aulas
CADD·06·2026 7 partes · Pipeline completo

Descoberta Computacional de Fármacos

Da ChEMBL ao modelo QSAR validado — pipeline de bioinformática para descoberta de fármacos, do dado bruto à previsão, inteiramente em código e com aulas pré-gravadas.

Stack: Python · RDKit · ChEMBL · scikit-learn · LazyPredict · Optuna · SHAP · seaborn
  • Coleta de dados: extração de compostos & IC₅₀ a partir do ChEMBL
  • Análise exploratória: limpeza, pIC₅₀ & classificação de bioatividade
  • Descritores de Lipinski: normalidade, correlações & testes não paramétricos
  • Fingerprints moleculares: Morgan / ECFP4 como descritores estruturais
  • Modelos baseline: comparação ampla com LazyPredict (com & sem PCA)
  • Modelos otimizados: HistGB & Random Forest + filtragem por resíduos
  • Otimização com Optuna & domínio de aplicabilidade (Jaccard / kNN)
  • Validação externa: aplicação em conjunto independente & relato
+20 video-aulas gravadas Dados reais · ChEMBL Validado externamente
Apenas5750 MT
Adquirir

O que recebe

📦 Notebook completo

Código Python comentado (.ipynb), pronto para executar no Colab e adaptar à sua base.

🎬 Video-aulas EM ALGUNS

Cursos selecionados incluem aulas pré-gravadas que percorrem o pipeline passo-a-passo. Indicado com badge na ficha.

⚡ Entrega imediata

Após confirmação do pagamento, recebe o material por e-mail ou WhatsApp. Sem espera.

🎯 Pipeline finalizado

Conteúdo reprodutível e validado, pronto a usar em projetos académicos ou clínicos.

Tem dúvidas? Fale comigo.

Posso adaptar cursos a necessidades específicas ou criar pipelines à medida.

WhatsApp +258 868 627 522