Ricordare - Al termine del corso lo studente sarà in grado di richiamare le definizioni fondamentali di Intelligenza Artificiale, Machine Learning e Deep Learning, nonché le principali fasi del processo di drug discovery and development. Saprà elencare i principali ambiti di applicazione dell’AI nello sviluppo di farmaci, inclusi target identification, virtual screening, hit-to-lead, retrosintesi e predizione delle proprietà ADMET.

Capire - Lo studente sarà in grado di spiegare il funzionamento generale dei modelli computazionali impiegati nella progettazione di farmaci, comprendendo la differenza tra approcci structure-based e ligand-based, modelli QSAR, algoritmi generativi e strumenti di pianificazione sintetica assistita da AI. Saprà descrivere come l’integrazione tra dati biologici, chimici e farmacocinetici contribuisca a rendere più efficiente il processo di sviluppo.

Applicare - Lo studente sarà in grado di utilizzare i concetti appresi per interpretare casi studio reali e simulare processi decisionali tipici del drug discovery. Saprà applicare i principi di relazione struttura–attività, valutare predizioni di proprietà ADMET e interpretare risultati di screening virtuale o docking molecolare. Sarà in grado di collegare dati strutturali e biologici alla selezione di potenziali candidati farmaco.

Analizzare - Lo studente saprà scomporre un problema complesso di scoperta di farmaci nelle sue diverse componenti (target, ligando, proprietà farmacocinetiche, sintesi), identificando relazioni tra struttura chimica, attività biologica e profilo ADMET. Sarà in grado di confrontare approcci sperimentali, computazionali e machine learning, riconoscendone punti di forza, limiti e ambiti di applicabilità.

Valutare - Lo studente sarà in grado di formulare giudizi critici sull’affidabilità dei modelli di AI, considerando qualità dei dati, validazione sperimentale e sostenibilità dei percorsi  di sintesi proposti. Saprà valutare strategie alternative di progettazione e ottimizzazione di molecole, tenendo conto di efficacia, sicurezza, fattibilità sintetica e impatto economico.

Creare - Al termine del corso lo studente sarà in grado di proporre strategie integrate per l’identificazione e l’ottimizzazione di nuovi candidati farmaci, combinando strumenti di AI e conoscenze chimico-farmaceutiche. Saprà delineare un flusso di lavoro razionale che includa selezione del target, progettazione di molecole,, valutazione ADMET e pianificazione sintetica, sviluppando un approccio innovativo e interdisciplinare alla ricerca farmaceutica.