دوره مقدمه‌ای بر محاسبات در طراحی دارو همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در طراحی دارو

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مبانی برنامه نویسی برای محاسبات علمی
• 2. آشنایی با زبان برنامه نویسی پایتون
• 3. نصب و پیکربندی محیط توسعه
• 4. متغیرها، انواع داده، و عملگرها در پایتون
• 5. ساختارهای کنترلی: حلقه ها و شرط ها
• 6. توابع و ماژول ها در پایتون
• 7. مقدمه ای بر ساختمان داده ها: لیست ها، دیکشنری ها، مجموعه ها
• 8. آشنایی با کتابخانه NumPy برای محاسبات عددی
• 9. آرایه های NumPy: ایجاد، اندیس گذاری، و برش
• 10. عملیات ریاضی بر روی آرایه ها
• 11. جبر خطی با NumPy
• 12. آشنایی با کتابخانه SciPy برای محاسبات علمی پیشرفته
• 13. بهینه سازی با SciPy
• 14. برازش منحنی و رگرسیون
• 15. آمار و احتمال با SciPy
• 16. حل معادلات دیفرانسیل
• 17. توابع ویژه
• 18. مقدمه ای بر طراحی دارو
• 19. مفاهیم پایه داروشناسی
• 20. ساختار پروتئین و اسیدهای نوکلئیک
• 21. برهمکنش لیگاند-پروتئین
• 22. روش های تجربی در کشف دارو
• 23. مقدمه ای بر محاسبات سطح بالا
• 24. معماری کامپیوتر برای محاسبات علمی
• 25. موازی سازی و همزمانی
• 26. آشنایی با کلاسترها و ابررایانه ها
• 27. مدل های برنامه نویسی موازی: MPI و OpenMP
• 28. بهینه سازی کد برای HPC
• 29. Profiling و Benchmarking
• 30. معرفی سیستم عامل لینوکس
• 31. دستورات اصلی لینوکس برای مدیریت فایل و سیستم
• 32. اسکریپت نویسی Bash
• 33. استفاده از SSH و SCP
• 34. نصب نرم افزارهای مورد نیاز در لینوکس
• 35. آشنایی با سیستم مدیریت بسته ها
• 36. مقدمه ای بر داکر (Docker)
• 37. کانتینرسازی و مزایای آن
• 38. ایجاد و مدیریت Docker image ها
• 39. Docker Compose
• 40. استفاده از Docker برای HPC
• 41. روش های محاسباتی در طراحی دارو
• 42. غربالگری مجازی
• 43. دکینگ مولکولی (Molecular Docking)
• 44. شبیه سازی دینامیک مولکولی (Molecular Dynamics Simulation)
• 45. محاسبه انرژی اتصال
• 46. مدل سازی همولوژی
• 47. روش های کوانتومی در شیمی
• 48. انجام غربالگری مجازی با Autodock Vina
• 49. آماده سازی فایل های ورودی
• 50. اجرای داکینگ و تحلیل نتایج
• 51. بررسی ساختارهای داک شده
• 52. بهینه سازی ساختارهای داک شده
• 53. شبیه سازی دینامیک مولکولی با GROMACS
• 54. آماده سازی فایل های ورودی GROMACS
• 55. تعریف توپولوژی و پارامترها
• 56. اجرای شبیه سازی و تحلیل مسیر
• 57. محاسبه خواص ترمودینامیکی
• 58. آنالیز RMSD و RMSF
• 59. تحلیل انرژی
• 60. معرفی نرم افزارهای طراحی دارو
• 61. Schrödinger Suite
• 62. MOE (Molecular Operating Environment)
• 63. CCDC
• 64. Open Source Alternatives
• 65. Data Analysis and Visualization
• 66. Matplotlib
• 67. Seaborn
• 68. PyMOL
• 69. R for Statistical Analysis
• 70. Machine Learning in Drug Discovery
• 71. Introduction to Machine Learning
• 72. Supervised Learning
• 73. Unsupervised Learning
• 74. Feature Selection and Engineering
• 75. Model Validation and Evaluation
• 76. Machine Learning with scikit-learn
• 77. Deep Learning for Drug Discovery
• 78. Introduction to Neural Networks
• 79. Convolutional Neural Networks (CNNs)
• 80. Recurrent Neural Networks (RNNs)
• 81. Graph Neural Networks (GNNs)
• 82. Deep Learning Frameworks: TensorFlow and PyTorch
• 83. Applications of Machine Learning in Drug Discovery
• 84. Drug Target Identification
• 85. Lead Optimization
• 86. Predicting Drug-Target Interactions
• 87. Virtual Screening with Machine Learning
• 88. ADMET Prediction
• 89. Data Mining and Knowledge Discovery
• 90. Databases for Drug Discovery
• 91. Extracting and Analyzing Data
• 92. Building Knowledge Graphs
• 93. Integrating Data Sources
• 94. Cloud Computing for Drug Discovery
• 95. Introduction to Cloud Computing
• 96. Amazon Web Services (AWS)
• 97. Google Cloud Platform (GCP)
• 98. Azure
• 99. Using Cloud Resources for HPC
• 100. Cost Optimization