Parcourir les catégories
Explorer
Fiverr Pro
Français
$
USD
Je réaliserai des docking moléculaires, modélisation QSAR et découverte de médicaments avec ML
Chercheur en bioinformatique
Spécialisé en bioinformatique, biologie computationnelle et génomique, je comble le fossé essentiel entre les données expérimentales brutes et les connaissances biologiques exploitables. En utilisant ...
À propos de ce service
Accélérez votre processus de découverte de médicaments avec une analyse computationnelle rigoureuse basée sur l'apprentissage automatique et la structure!
Travaillez-vous sur l'optimisation de leads, le profilage de cibles ou la prédiction de bioactivité ? Les modèles d'apprentissage automatique standard échouent souvent à généraliser car ils reposent sur des divisions aléatoires qui surajustent aux séries chimiques. Je propose des workflows de découverte de médicaments computationnelle de bout en bout, de niveau publication, adaptés à votre cible biologique. En combinant l'apprentissage automatique sensible aux scaffolds (Random Forest, Extra Trees, SVR), l'IA explicable (SHAP) et le docking moléculaire (AutoDock Vina), je vous aide à identifier, interpréter et prioriser des molécules candidates à fort potentiel tout en tenant compte des mutations de résistance.
FAQ
Traduction automatique
Quelles données d'entrée dois-je fournir ?
Vous pouvez fournir un fichier CSV, Excel ou SDF contenant vos composés avec des chaînes SMILES et des valeurs de bioactivité (comme IC50 ou pIC50), ou simplement me donner le nom de votre protéine cible et je pourrai extraire des données de ChEMBL pour vous.
Pourquoi utiliser une division par scaffold plutôt qu'une division aléatoire train/test ?
Les divisions aléatoires placent souvent des analogues chimiquement similaires dans les deux ensembles, ce qui fausse la précision. La division par scaffold teste la véritable capacité du modèle à généraliser à des structures chimiques totalement nouvelles.
Les scores de docking sont-ils traités comme des affinités de liaison expérimentales absolues ?
Non. Les scores d'AutoDock Vina et les analyses de contact résiduels sont utilisés comme des signaux de classement et de priorisation structurale robustes pour guider la sélection expérimentale des leads.
Quels langages et outils de programmation utilisez-vous ?
Le pipeline est construit avec Python (scikit-learn, RDKit, SHAP) pour l'apprentissage automatique et la chimioinformatique, ainsi qu'AutoDock Vina et Meeko pour le docking moléculaire.
Que vais-je recevoir après la fin de la commande ?
Vous recevrez des scripts Python bien documentés ou des notebooks Jupyter, des figures haute résolution (comme des graphiques SHAP et des poses de docking), ainsi qu’un rapport récapitulatif complet des résultats.
