Studenti získají zápočet za aktivní účast, řešení domácích úkolů a odevzdání dvou semestrálních projektů z obou témat. Klasifikace bude formou klasifikovaného zápočtu, kde výsledná známka bude kombinace známek z obou okruhů.

Students will receive credit for active participation, completion of homework assignments, and submission of two semester projects from both topics. Grading will be in the form of a graded credit, where the final grade is a combination of grades from both sections.

Doporučená:

• Guha, Rajarshi, Bender, Andreas. Computational approaches in cheminformatics and bioinformatics. Hoboken: Wiley, , xviii, 264 s., [8]. obr. příl s. ISBN 978-0-470-38441-1.

R: Pilgrim, Mark: Dive Into Python 3. Apress, 2009. ISBN 978-1430224150

R: Stevens, Tim J.; Boucher, Wayne: Python Programming for Biology. Cambridge University Press, 2015. ISBN 978-0-521-89583-5 (hardback), 978-0-521-72009-0 (paperback)

A: Necaise, Rance D.: Data Structures and Algorithms Using Python. John Wiley & Sons, Inc, 2011. ISBN 978-0470618295

A: Lee, Kent D.; Hubbart, Steve: Data Structures and Algorithms with Python. Springer, 2015. ISBN 978-3-319-13071-2

A: Bassi, Sebastian: Python for Bioinformatics. Chapman & Hall/CRC, 2009. ISBN 978-1-58488-929-8

Výuka probíhá formou kombinace přednášek a praktických cvičení. Přednášky poskytují teoretický základ a přehled aktuálních trendů v bioinformatice a cheminformatice prostřednictvím případových studií. Praktická cvičení se zaměřují na hands-on práci se softwarem (např. RDKit, nástroje pro docking a QSAR), kde studenti řeší reálné úkoly na reálných datech. Důraz je kladen na analytické myšlení, skupinovou diskuzi a iterativní vývoj řešení. Semestr završují samostatné projekty, jejichž zpracování a prezentace podporují integraci znalostí a komunikační dovednosti.

The teaching combines lectures and practical exercises. Lectures provide a theoretical foundation and overview of current trends in bioinformatics and cheminformatics through case studies. Practical sessions focus on hands-on work with software (e.g., RDKit, docking and QSAR tools), where students solve real tasks or real data. Emphasis is placed on analytical thinking, group discussion, and iterative solution development. The semester culminates in independent projects, with their processing and presentation fostering knowledge integration and communication skills.

1. Úvod do bioinformatiky a cheminformatiky. Případové studie z literatury a praxe.

2. Bioinformatika 1 – obsah bude doplněn.

3. Bioinformatika 2 – obsah bude doplněn.

4. Bioinformatika 3 – obsah bude doplněn.

5. Bioinformatika 4 – obsah bude doplněn.

6. Bioinformatika 5 – obsah bude doplněn.

7. Základní nástroje cheminformatiky

• molekulová podobnost

• strukturní identifikátory (InChI, SMILES)

• knihovna RDKit

8. Virtuální screening

• předzpracování chemických struktur

• hledání podobných molekul (pomocí fingerprintů a farmakoforových modelů)

• vizualizace chemického prostoru

9. QSAR modelování

• ML metody ve virtuálním screeningu

• manifestace typických ML problémů na chemických datech

• specifika validace ML modelů na chemických datových množinách

10. Molekulové dokování

• důležité protein-ligand interakce

• základy molekulového modelování (sílová pole, skórovací funkce)

• aplikace dokování při virtuálním screeningu

11.-13. Zadání a zpracování samostatného projektu

14. Prezentace projektu

1. Introduction to bioinformatics and cheminformatics. Case studies from literature and practice.

2. Bioinformatics 1 – content to be supplemented.

3. Bioinformatics 2 – content to be supplemented.

4. Bioinformatics 3 – content to be supplemented.

5. Bioinformatics 4 – content to be supplemented.

6. Bioinformatics 5 – content to be supplemented.

7. Basic cheminformatics tools

• molecular similarity

• structural identifiers (InChI, SMILES)

• RDKit library

8. Virtual screening

• preprocessing of chemical structures

• searching for similar molecules (using fingerprints and pharmacophore models)

• visualization of chemical space

9. QSAR modeling

• ML methods in virtual screening

• manifestations of typical ML problems on chemical data

• specifics of ML model validation on chemical datasets

10. Molecular docking

• important protein-ligand interactions

• basics of molecular modeling (force fields, scoring functions)

• applications of docking in virtual screening

11.-13. Assignment and processing of independent project

14. Project presentation

webové stránky předmětu na https://moodle.vscht.cz/

web pages of the course at https://moodle.vscht.cz/

Díky poměrně unikátní stavbě jazyka Python se studenti seznámí s tak rozdílnými přístupy k řešení problémů jako je použití iterátorů, uzávěrů, prvků funkcionálního programování a dalších. Zároveň se naučí pracovat se základními kameny každé seriózní programátorské práce - testováním a laděním programů a zaznamenávání svého postupu pomocí nástrojů pro správu verzí (DVCS).

Thanks to Python's uniqueness students will be able to apply such diversified techniques as iterators, closures and functional constructs to name just a few. Also they will learn principles of program testing and debugging and distributed version control systems (DVCS) which are essential parts of every serious programming work.

Základy programování (ideálně Python), úvod do lineární algebry a statistiky, organická chemie.

Basics of programming (ideally Python), introduction to linear algebra and statistics, organic chemistry.

Základy programování (ideálně Python), úvod do lineární algebry a statistiky, organická chemie.

Basics of programming (ideally Python), introduction to linear algebra and statistics, organic chemistry.