فلش‌کارت‌های آموزشی کشف کاربردهای جدید داروها با استفاده از خوشه‌بندی عمیق تعبیه‌شده و شبکه‌های عصبی گراف

کشف کاربردهای جدید داروها با هوش مصنوعی: دوره جامع کشف کاربردهای جدید داروها با هوش مصنوعی: دوره جامع آیا می‌خواهید آینده‌ی داروسازی را رقم بزنید؟ در دنیای امروز، کشف داروهای جدید فرآیندی پرهزینه و زم...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 99,988 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف کاربردهای جدید داروها با استفاده از خوشه‌بندی عمیق تعبیه‌شده و شبکه‌های عصبی گراف

موضوع کلی: هوش مصنوعی در کشف دارو

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی گراف در دارویابی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر کشف دارو و چالش‌های آن
  • 2. فرآیند سنتی کشف و توسعه دارو
  • 3. مفهوم و اهمیت کشف کاربردهای جدید داروها (Drug Repurposing)
  • 4. مزایای اقتصادی و زمانی Drug Repurposing
  • 5. جایگاه هوش مصنوعی در تحول فرآیند کشف دارو
  • 6. تاریخچه و پیشرفت‌های یادگیری ماشین در داروسازی
  • 7. نقش یادگیری عمیق در کشف و طراحی دارو
  • 8. مقدمه‌ای بر شبکه‌های عصبی گراف در علوم زیستی
  • 9. مروری بر مقاله "Drug Repurposing Using Deep Embedded Clustering and Graph Neural Networks"
  • 10. اهداف و ساختار کلی دوره آموزشی
  • 11. مبانی ساختار شیمیایی مولکول‌ها
  • 12. نمایش داده‌های مولکولی: SMILES و SMARTS
  • 13. نمایش داده‌های مولکولی: Fingerprints (اثر انگشت‌های مولکولی)
  • 14. نمایش داده‌های مولکولی: Morgan Fingerprints و ECFP
  • 15. گراف‌های مولکولی: نمایش اتم‌ها و پیوندها
  • 16. داده‌های هدف دارویی (Target Data): پروتئین‌ها و ژن‌ها
  • 17. داده‌های بیماری (Disease Data): مفاهیم و دسته‌بندی‌ها
  • 18. داده‌های بیانی ژن و پروتئین (Omics Data)
  • 19. پایگاه‌های داده شیمیایی و بیولوژیکی (DrugBank, ChEMBL, PubChem, LINCS)
  • 20. آماده‌سازی و پیش‌پردازش داده‌ها در حوزه داروسازی
  • 21. مبانی یادگیری ماشین: رگرسیون، طبقه‌بندی و خوشه‌بندی
  • 22. نورون‌های مصنوعی و مدل Perceptron
  • 23. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
  • 24. توابع فعال‌سازی و نقش آن‌ها در شبکه‌های عصبی
  • 25. بهینه‌سازها (Optimizers) در یادگیری عمیق (SGD, Adam)
  • 26. پس‌انتشار خطا (Backpropagation) و بهینه‌سازی
  • 27. مفهوم Overfitting و روش‌های منظم‌سازی (Regularization)
  • 28. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
  • 29. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
  • 30. مفهوم Embedding و یادگیری نمایش‌های نهفته
  • 31. مفهوم و معماری Autoencoderها
  • 32. کاربرد Autoencoderها برای کاهش ابعاد و فشرده‌سازی داده
  • 33. Autoencoderهای Denoising برای حذف نویز از داده‌ها
  • 34. Variational Autoencoderها (VAE): مبانی و کاربردها
  • 35. Autoencoderهای کانولوشنی برای داده‌های ساختاریافته
  • 36. Deep Generative Models: مقدمه‌ای بر GANs و کاربردهای آن
  • 37. یادگیری نمایش‌های نهفته (Latent Representations) برای داده‌های پیچیده
  • 38. ارزیابی کیفیت و ویژگی‌های فضای نهفته (Latent Space)
  • 39. ارتباط Autoencoderها با خوشه‌بندی
  • 40. آموزش بدون نظارت و نیمه‌نظارت در یادگیری عمیق
  • 41. مبانی نظریه گراف: گره‌ها، یال‌ها و ویژگی‌ها
  • 42. انواع گراف: جهت‌دار، بدون جهت، وزن‌دار و چندگانه
  • 43. نمایش ماتریسی گراف‌ها: ماتریس مجاورت و ماتریس لاپلاسین
  • 44. گراف‌های مولکولی: نمایش ساختار شیمیایی و زیرساختارها
  • 45. گراف‌های تعاملی دارو-پروتئین و پروتئین-پروتئین
  • 46. گراف‌های شبکه‌های بیماری و مسیرهای بیولوژیکی
  • 47. ویژگی‌های گره (Node Features) و ویژگی‌های یال (Edge Features) در گراف‌ها
  • 48. آماده‌سازی داده‌های گرافی برای ورودی به مدل‌های یادگیری عمیق
  • 49. محدودیت‌های روش‌های سنتی ML روی داده‌های گراف
  • 50. نرم‌افزارها و کتابخانه‌های کار با گراف‌ها (NetworkX, PyTorch Geometric)
  • 51. معرفی شبکه‌های عصبی گراف (GNNs): انگیزه و اهداف
  • 52. مفهوم پیام‌رسانی (Message Passing) در GNNs
  • 53. لایه‌های کانولوشنی گراف (Graph Convolutional Layers)
  • 54. شبکه عصبی کانولوشنی گراف (GCN): معماری و عملکرد
  • 55. کاربرد GCN برای طبقه‌بندی گره و پیش‌بینی ویژگی گره
  • 56. شبکه عصبی Attention گراف (GAT): اهمیت روابط بین گره‌ها
  • 57. GraphSAGE: یادگیری تعمیم‌پذیر برای گراف‌های بزرگ و ناشناخته
  • 58. طبقه‌بندی گراف (Graph Classification): روش‌های Pooling در GNNs
  • 59. یادگیری نمایش گرافی (Graph Embeddings) برای کل گراف
  • 60. انتخاب معماری GNN مناسب برای مسائل داروسازی
  • 61. مقدمه‌ای بر خوشه‌بندی و الگوریتم‌های سنتی (K-means, DBSCAN)
  • 62. چالش‌های خوشه‌بندی در فضاهای با ابعاد بالا
  • 63. نیاز به یادگیری نمایش‌های مناسب برای خوشه‌بندی مؤثر
  • 64. مفهوم خوشه‌بندی عمیق (Deep Clustering)
  • 65. Pre-training در DEC: استفاده از Autoencoder برای فضای نهفته اولیه
  • 66. فضای نهفته و تعریف نقاط خوشه‌بندی مرکزی در DEC
  • 67. تابع هدف خوشه‌بندی در DEC: استفاده از KL Divergence
  • 68. مراحل بهینه‌سازی مشترک در الگوریتم DEC
  • 69. پارامترهای مهم و تنظیم آن‌ها در Deep Embedded Clustering
  • 70. مزایای DEC نسبت به خوشه‌بندی سنتی در داده‌های پیچیده
  • 71. معماری کلی سیستم پیشنهادی در مقاله (DEC و GNN)
  • 72. تولید نمایش‌های گرافی (Graph Embeddings) با استفاده از GNN
  • 73. انتخاب و مهندسی ویژگی‌های مناسب گره‌ها برای GNN در داروسازی
  • 74. استفاده از Autoencoder روی نمایش‌های گرافی برای یادگیری فضای نهفته اولیه
  • 75. ترکیب GNNs با خوشه‌بندی برای یادگیری ویژگی‌های خوشه‌گرا
  • 76. طراحی تابع هدف کلی مدل ترکیبی برای Drug Repurposing
  • 77. رویکرد آموزشی مرحله‌ای (Pre-training و Fine-tuning) در مدل
  • 78. خوشه‌بندی دارو-بیماری: یافتن گروه‌های دارو با اثرات مشابه بر بیماری‌ها
  • 79. خوشه‌بندی مبتنی بر اثرات مولکولی (Molecular Signature Clustering)
  • 80. تفسیر خوشه‌ها و ارتباط آن‌ها با مکانیسم اثر دارو و بیماری‌ها
  • 81. GNNهای سلسله‌مراتبی (Hierarchical GNNs) برای ساختارهای چندسطحی
  • 82. GNNهای مبتنی بر Message Passing پیشرفته (MPNNs)
  • 83. گراف‌های ناهمگون (Heterogeneous Graphs) در داروسازی
  • 84. یادگیری نمایش‌های تعبیه‌شده برای گراف‌های ناهمگون
  • 85. کاربرد Adversarial Autoencoder (AAE) در تولید فضای نهفته پایدار
  • 86. شبکه‌های عصبی گراف زمانی-مکانی (Spatio-Temporal GNNs)
  • 87. مدل‌های قابل تفسیر (Explainable AI) برای GNNs در داروسازی
  • 88. پیش‌بینی تعاملات دارو-دارو و عوارض جانبی با GNNs
  • 89. تولید مولکولی با GNNs و مدل‌های Generative (VAEs/GANs)
  • 90. کاربردهای دیگر GNN در کشف دارو (مانند پیش‌بینی خواص فیزیکوشیمیایی)
  • 91. انتخاب و آماده‌سازی مجموعه داده‌های مرتبط با مقاله (LINCS L1000)
  • 92. ابزارهای نرم‌افزاری و کتابخانه‌ها: PyTorch Geometric، DeepChem، RDKit
  • 93. پیاده‌سازی گام به گام مدل GNN برای تولید Embeddings
  • 94. پیاده‌سازی گام به گام مدل DEC برای خوشه‌بندی
  • 95. معیارهای ارزیابی خوشه‌بندی (ARI, NMI, Silhouette Score)
  • 96. معیارهای ارزیابی عملکرد Drug Repurposing (Precision, Recall, F1-score)
  • 97. تحلیل حساسیت مدل و تنظیم هایپرپارامترها
  • 98. چالش‌های مدل‌سازی، مقیاس‌پذیری و محدودیت‌های داده
  • 99. محدودیت‌ها و جهت‌گیری‌های تحقیقاتی آینده در این حوزه
  • 100. مطالعه موردی: کشف کاربرد جدید برای یک داروی خاص با رویکرد آموزش‌دیده
SMART LEARNING PLATFORM
از مطالعه تا یادگیری ماندگار
فراتر از یک مجموعه فلش‌کارت؛ تجربه‌ای تعاملی برای یادگیری، تمرین، مرور هوشمند و مشاهده مسیر پیشرفت شما، همراه با امکان دریافت گواهی پایان دوره در دوره‌های واجد شرایط.
مرور فاصله‌دار آمار یادگیری گواهی دوزبانه
یادگیری را به یک مسیر قابل پیگیری تبدیل کنید
با ورود به سامانه آموزشی، محتوای دوره را به‌صورت مرحله‌ای دنبال کنید، فلش‌کارت‌ها را مرور کنید، دانش خود را با پرسش‌ها و آزمون‌ها بسنجید و روند پیشرفتتان را در طول مسیر ببینید.
⟳
مرور فاصله‌دار هوشمند
با مرور زمان‌دار، کارت‌های تازه و کارت‌های سررسیدشده را بر اساس برنامه مرور دنبال کنید. ارزیابی پاسخ‌ها به زمان‌بندی مرورهای بعدی کمک می‌کند تا تمرین متناسب‌تری داشته باشید.
◉
مشاهده مسیر پیشرفت
میزان مشاهده فلش‌کارت‌ها، فعالیت‌های مرور، عملکرد آزمون‌ها و آمار یادگیری را بررسی کنید و تصویر روشن‌تری از مسیر آموزشی خود داشته باشید.
▤
یادگیری مرحله‌به‌مرحله
فصل‌ها و بخش‌های آموزشی را به ترتیب دنبال کنید، مطالب دیده‌نشده را پیدا کنید و بدون سردرگمی به ادامه مسیر برگردید.
✓
تمرین و سنجش آموخته‌ها
با نکته‌های آموزشی، پرسش و پاسخ، کوییزها و آزمون‌های پایان فصل، دانسته‌های خود را تمرین کنید و بخش‌هایی را که به توجه بیشتری نیاز دارند بشناسید.
SMART REVIEW
هر بار، مرور هدفمندتر
لازم نیست هر روز از ابتدا درباره اینکه چه چیزی را مرور کنید تصمیم بگیرید. سامانه، صف مرور روزانه را بر اساس کارت‌های تازه و موعد مرور کارت‌ها آماده می‌کند. شما پاسخ را ارزیابی می‌کنید و برنامه مرور با توجه به آن تنظیم می‌شود.
دوباره
برای کارت‌هایی که به تمرین زودتر نیاز دارند.
سخت
برای پاسخ‌هایی که با دشواری به یاد آمده‌اند.
خوب
برای پاسخ‌هایی که به‌درستی به یاد آورده‌اید.
آسان
برای کارت‌هایی که پاسخ آن‌ها را به‌آسانی می‌دانید.
برنامه مرور بر اساس ارزیابی شما تنظیم می‌شود؛ مرور منظم می‌تواند به تثبیت آموخته‌ها کمک کند، اما به‌تنهایی تضمین‌کننده تسلط کامل نیست.
محتوا را به شیوه‌های مختلف تمرین کنید
ساختار دوره‌ها متناسب با موضوع آموزشی طراحی شده است و ممکن است انواع مختلفی از محتوا را در بر بگیرد.
نکته‌های ساده
برای مرور سریع مفاهیم اصلی و نکات کلیدی.
نکته‌های رسمی
برای تمرین تعاریف، اصطلاحات و بیان دقیق علمی.
کوییز
برای سنجش درک مطلب و بررسی گزینه صحیح.
پرسش و پاسخ
برای تمرین یادآوری و سنجش میزان تسلط بر مطالب.
محتوای هر دوره بر اساس ساختار و امکانات فعال همان دوره ارائه می‌شود.
LEARN ANYWHERE
همراه شما روی مرورگر
برای استفاده از نسخه تحت وب، کافی است با حساب کاربری خود وارد سامانه شوید. بدون نیاز به نصب یک برنامه اختصاصی، می‌توانید از مرورگر سازگار روی گوشی، تبلت یا رایانه به دوره‌های در دسترس خود مراجعه کنید.
گوشی هوشمند
برای مطالعه در زمان‌های کوتاه
تبلت و لپ‌تاپ
برای مطالعه و مرور راحت‌تر
حساب کاربری شخصی
برای دسترسی به دوره‌های مجاز شما
COURSE COMPLETION CERTIFICATE
گواهی پایان دوره؛ ثبت دستاورد شما
در دوره‌هایی که امکان دریافت گواهی برای آن‌ها فعال است، می‌توانید پس از تکمیل شرایط آموزشی، درخواست گواهی پایان دوره ثبت کنید.
شرایط درخواست گواهی
✓ داشتن دسترسی دارای قابلیت گواهی برای دوره مربوطه.
✓ تکمیل اطلاعات لازم در پروفایل، شامل کد ملی معتبر، عکس پرسنلی و نام و نام خانوادگی انگلیسی.
✓ مشاهده تمام فلش‌کارت‌های فعال دوره.
✓ قبولی در آزمون‌های پایان فصل، در صورت وجود آزمون برای فصل‌ها.
فارسی و انگلیسی
پس از تأیید و انتشار، نسخه‌های فارسی و انگلیسی گواهی در دسترس قرار می‌گیرند.
استعلام آنلاین
گواهی منتشرشده دارای QR Code و لینک اختصاصی برای بررسی آنلاین اعتبار آن است.
دانلود و چاپ
پس از انتشار گواهی، امکان دریافت نسخه PDF فارسی و انگلیسی و چاپ آن فراهم است.
توجه: ثبت درخواست به معنای صدور قطعی نیست. درخواست گواهی پس از بررسی و تأیید ادمین منتشر می‌شود. این گواهی، گواهی پایان دوره آموزشی است و به‌خودی‌خود معادل مدرک دانشگاهی یا مدرک رسمی مورد تأیید نهادهای دولتی نیست.
یادگیری را شروع کنید؛ پیشرفت را دنبال کنید
با تمرین منظم، مرور هدفمند و پیگیری مسیر آموزشی خود، قدم‌به‌قدم دانش و مهارت‌هایتان را گسترش دهید.
هر کارت، یک قدم به جلو
امکانات محتوایی، مرور و گواهی بر اساس سطح دسترسی و تنظیمات هر دوره متفاوت است.
نگاهی به محیط سامانه

یادگیری هوشمند، قدم‌به‌قدم

با محیط سامانه آموزشی آشنا شوید و نمونه‌هایی از فضای یادگیری، فلش‌کارت‌ها و ابزارهای مرور و تمرین را مشاهده کنید.

تصویر نمونه اول از سامانه آموزشی و فلش‌کارت‌ها
محیط سامانه آموزشی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه دوم از سامانه آموزشی و فلش‌کارت‌ها
یادگیری و مرور مطالب
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه سوم از سامانه آموزشی و فلش‌کارت‌ها
تجربه مطالعه تعاملی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه چهارم از سامانه آموزشی و فلش‌کارت‌ها
امکانات بیشتر سامانه
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید

یادگیری فراتر از مطالعه معمولی
با فلش‌کارت‌های آموزشی، مرور هدفمند و تمرین مستمر، مطالب را فعالانه یاد بگیرید و مسیر پیشرفت خود را دنبال کنید.

تگ‌ها: AI in Drug Discovery Artificial Intelligence Cheminformatics Deep Embedded Clustering (DEC) Deep Learning drug discovery Drug repurposing Graph Learning Graph Neural Networks (GNN) Machine Learning کشف دارو کشف کاربردهای جدید داروها هوش مصنوعی یادگیری عمیق

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.