2026-143-12

Predikce biologické aktivity sloučenin generovaných pomocí AI

Vedoucí práce: Prof. Daniel Svozil, Ph.D.

Konzultant: Ing. Valeriia Fil

Podstata a cíl práce

Virtuální knihovny navržené molekulovými AI generátory mají velký potenciál při objevování nových léčiv, nicméně identifikace biologicky aktivních sloučenin v takových knihovnách stále představuje nemalou výzvu. Cílem práce je analýza výstupů vybraných molekulových generátorů a návrh predikčního modelu pro odhad biologické aktivity vygenerovaných sloučenin se zahrnutím jeho domény aplikovatelnosti.

Náplň činnosti studenta

Student obdrží výstupy z různých molekulových generátorů, jako jsou Molpher, DrugEx a REINVENT, a připraví data pro tvorbu predikčního modelu za použití scaffoldové analýzy zaměřené na identifikaci strukturálních podobností a biologicky aktivních vzorů mezi generovanými sloučeninami. Následně student implementuje vybranou AI/ML techniku (např. XGBoost) k predikci biologické aktivity vygenerovaných sloučenin a provede optimalizaci hyperparametrů modelu pro zlepšení přesnosti predikcí. Dále student provede analýzu domény aplikovatelnosti predikčního modelu a vyhodnotí jeho schopnost spolehlivě predikovat biologickou aktivitu neznámých látek.

Doplňující informace

Místo řešení: Ústav informatiky a chemie (143)

Téma je možné zvolit pro následující specializace