Généralités
Catalogue de formation, page 24
Dates: 15 et 16 Mai 2017.
Code: 1179 Référence: SGI17-0301
Renseignements et inscriptions :
Sandra GRISINELLI
Tél.: 03 68 85 49 98 (Sauf le mercredi)
Fax : 03 68 85 49 29
s.grisinelli unistra.fr
Frais de participation :
825 euros Repas de midi pris en charge par les organisateurs.
Personnes concernées
Chimistes (Bac 3 ou plus), techniciens supérieurs (DUT) ayant une expérience en gestion des bases de données, logiciels de modélisation, souhaitant élargir leur domaine de compétence.
Objectifs
La modélisation QSAR (Quantitative Structure Activity Relationship) en Chémoinformatique, vise à construire des modèles statistiques prédictifs reliant la structure chimique de composés à leurs propriétés physico-chimiques ou biologiques. Ces modèles recherchent et exploitent des régularités dans les données stockées dans les bases de données en chimie. Il importe donc de maîtriser la façon dont on stocke et recherche de l’information sur des molécules. Les approches Chémoinformatiques sont très utilisées dans l’industrie chimique pour modéliser les propriétés physico-chimiques de molécules et des matériaux, ainsi que dans l’industrie pharmaceutique pour effectuer des criblages virtuels ou prédire des propriétés pharmacodynamiques et pharmacocinétiques.
Pré-requis
Connaissances de base en informatique.
Programme
Systèmes de gestion des bases de données en chimie. Bases de données et sources d’information en Chimie (SciFinder, PubChem, ChEMBL, ChemSpider). Recherche structurale, sous-structurale, superstructurale et par similarité. Représentation de structures chimiques par ordinateur : chaînes de caractères (SMILES, SMARTS, INCHI), chaînes de bits (fingerprints), graphes moléculaires (table de connectivité, matrice de distance, ...). Formats d’échange : MOL, RXN, SDF, RDF.
Descripteurs, espace chimique. Similarité et diversité de composés et de réactions chimiques. Conception de chimiothèque. Méthodes de fouille de données en chimie : MLR, régression logistique, réseaux neuronaux, SVM, Naïve Bayes, arbres de décision. Modèles QSAR de classification et de régression : leur obtention et validation. Domaine d’applicabilité de modèles. Criblage virtuel basées sur les ligands.
Méthodes pédagogiques
L’enseignement se déroulera au sein de la Faculté de Chimie, dans une salle réservée à cette formation, équipée de 21 PC LINUX, d’une imprimante et d’un vidéo projecteur.
Les cours seront délivrés en Anglais et Français.
Logiciels utilisés dans les cours : ChemAxon, MOE, ISIDA, WEKA.
Nature et sanction de la formation
Cette formation constitue une action d’adaptation et de développement des compétences. Elle donne lieu à la délivrance d’une attestation de participation.
Une évaluation en fin de formation permet de mesurer la satisfaction des stagiaires ainsi que l’atteinte des objectifs de formation (connaissances, compétences, adhésion, confiance) selon les niveaux 1 et 2 du modèle d’évaluation de l’efficacité des formations Kirkpatrick.
Intervenants
- Alexandre Varnek, Professeur à l’Université de Strasbourg.
- Gilles Marcou, Maître de Conférences à l’Université de Strasbourg.
- Dragos Horvath, Directeur de Recherche au CNRS.
Responsable scientifique
M. Gilles MARCOU, Maître de Conférences, Faculté de Chimie.
Courriel : g.marcou unistra.fr