23 notebooks
Fundamentos
Base de programação e ciência de dados: Python, análise e visualização, estatística, machine learning, deep learning, NLP e aprendizagem por reforço.
Pythonpandasscikit-learnTensorFlowPyTorchAzure ML
Projetos
Um portefólio de trabalho computacional: 271 notebooks em descoberta de fármacos assistida por computador, machine learning, análise de dados e diagnóstico por inteligência artificial. Estão organizados em oito áreas, dos fundamentos de programação e estatística aos estudos de caso aplicados, e a maioria corre no Google Colab.
271Notebooks compilados
8Áreas temáticas
23De fundamentos e dados
73Em estudos de caso
· Áreas
O que está compilado
Cada área é autocontida e segue um padrão único de figuras de qualidade de publicação, com exportação vetorial.
90 notebooks
Quimioinformática e QSAR
Descritores e impressões digitais moleculares, modelos QSAR e o pipeline completo de machine learning para descoberta de fármacos, com dados reais.
RDKitChEMBLPubChemXGBoostChempropSHAP
49 notebooks
Docking e Dinâmica Molecular
Predição de estrutura, docking, dinâmica molecular, cálculo de energias livres (MM-GBSA e PBSA) e modelação farmacofórica.
AutoDock VinaGNINAColabFoldOpenMMpy3Dmol
19 notebooks
Desenho De Novo
Geração de novas moléculas com modelos generativos, de cadeias SMILES a grafos moleculares, guiada por propriedades alvo.
REINVENT4ReLeaSEGraphINVENTMolGANPyTorch
13 notebooks
Diagnóstico por IA
Diagnóstico com deep learning: imagem médica, testes de diagnóstico rápido, biomarcadores e espetroscopia de infravermelho.
TensorFlowKerasCNNscikit-learn
73 notebooks
Estudos de Caso
Projetos aplicados de ponta a ponta: análogos contra Candida albicans e optimização do Lapatinib.
RDKitChEMBLscikit-learnDockingMD
3 notebooks
ADMET e Farmacovigilância
Predição de propriedades ADMET (absorção, distribuição, metabolismo, excreção e toxicidade) e análise de sinais de farmacovigilância.
ADMET-AIscikit-learnpandas
1 notebook
Bibliometria
Análises bibliométricas de literatura científica e um guião de escrita para estruturar a tese e os artigos.
PythonRedes de citação
· Também
Trabalho de análise de dados
Para além da química computacional, faço o trabalho clássico de analista de dados: limpeza e preparação de dados, estatística, visualização, modelos preditivos e relatórios. A área de fundamentos reúne esse percurso, do Python à modelação, e os mesmos métodos sustentam os estudos de caso aplicados.
Como entrego
- Dados: recolha, limpeza e preparação, com pipelines reprodutíveis.
- Modelação: machine learning e deep learning, com validação honesta.
- Interpretação: SHAP, domínio de aplicabilidade e testes estatísticos.
- Figuras: qualidade de publicação, exportação vetorial.
- Formato: notebooks prontos a correr no Google Colab.
Colaboração
Precisa de análise de dados ou de um pipeline de descoberta?
Adapto estes métodos a um alvo, um conjunto de dados ou um projeto de investigação. Diga-me o que precisa e vemos o melhor caminho.
Falar pelo WhatsApp