KE561: Kemisk og farmaceutisk data science

Intern kursuskode

KE561

Kommentar

Kurset samlæses med kursus FA516.

Indgangskrav

Kurset kan ikke følges, hvis studerende har fulgt eller bestået FA516.

Faglige forudsætninger

Kurset bygger videre på viden opnået i den første del af bacheloruddannelsen i kemi.

Studerende, der følger kurset, forventes at:

have generel viden om kemi, farmaci og kemiske data opnået fra eksperimentelle eller beregningsbaserede studier
have kendskab til programmeringsbegreber og basal scripting (fx gennem tidligere erfaring med R eller lignende sprog)
have kendskab til grundlæggende statistik, herunder deskriptiv statistik, simpel regression og begreber for modelvurdering
have kendskab til grundlæggende lineær algebra, herunder vektorer og matricer
kunne arbejde med kvantitative datasæt, herunder tabulære data og grafiske repræsentationer

Formål

Dette kursus introducerer datavidenskabelige metoder anvendt i moderne kemisk og farmaceutisk forskning. De studerende lærer, hvordan kemiske data struktureres, kurateres, visualiseres og analyseres ved hjælp af beregningsværktøjer. Gennem øvelser og projektarbejde anvender de statistiske metoder og maskinlæring på molekylære og eksperimentelle datasæt. Kurset har særligt fokus på reproducerbare workflows og praktisk dataanalyse med relevans for kemiske og farmaceutiske problemstillinger.

Målbeskrivelse

Viden

Den studerende har viden om:

almindelige typer kemiske og farmaceutiske data og deres beregningsmæssige repræsentation
principper for datarensning, præprocessering og visualisering af videnskabelige datasæt
molekylære repræsentationer anvendt i kemoinformatik, herunder deskriptorer, fingerprints og grafbaserede repræsentationer
grundlæggende statistiske læringsmetoder og maskinlæringsmetoder til prædiktion og klassifikation
betydningen af reproducerbare beregningsmæssige workflows i videnskabelig dataanalyse

Færdigheder

Den studerende kan:

anvende til analyse af kemiske- og farmaceutiske datasæt
klargøre og præprocessere datasæt til analyse, herunder datarensning og feature-generering
visualisere kemiske og eksperimentelle data og fortolke trends og mønstre
implementere og evaluere maskinlæringsmodeller til prædiktion af molekylære egenskaber
udføre simple generative modelleringsopgaver for molekyler eller kemiske repræsentationer
dokumentere analyser og beregningsmæssige workflows i et reproducerbart notebook-baseret format

Kompetencer

Den studerende kan:

anvende datavidenskabelige metoder til analyse og fortolkning af kemiske og farmaceutiske datasæt
kritisk vurdere prædiktive modeller og deres begrænsninger i kemiske problemstillinger
samarbejde i grupper om at designe og implementere et beregningsbaseret analyseworkflow
formidle resultater i en struktureret rapport, der kombinerer dataanalyse, kode og videnskabelig fortolkning

Indhold

Følgende hovedemner indgår i kurset:

introduktion til kemisk og farmaceutisk datavidenskab samt typiske datatyper
datahåndtering og præprocessering af tabulære kemiske datasæt
datavisualisering og eksplorativ dataanalyse
molekylære repræsentationer og deskriptorer ved brug af kemoinformatikværktøjer
statistiske læringsmetoder til regression og klassifikation
maskinlæringsworkflows og modelvurdering
introducerende deep learning-metoder til molekylær prædiktion
generative modeller for molekyler eller molekylære repræsentationer
reproducerbare workflows til dataanalyse
projektbaseret analyse af kemiske eller farmaceutiske datasæt

Litteratur

Se itslearning for litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Efterår

Udprøvninger

Projektrapport

EKA

N530068102

Censur

Intern prøve, en bedømmer

Bedømmelse

Bestået/Ikke bestået

Identifikation

Fulde navn og SDU brugernavn

Sprog

Følger, som udgangspunkt, undervisningssprog

Hjælpemidler

Tilladt, nærmere beskrivelse af eksamensreglerne vil blive offentliggjort i itslearning.

ECTS-point

Uddybende information

Project exam based on a written submission in the form of a notebook containing code, documentation, analysis, and interpretation.

Format

Students work in groups of 3–4. Each group submits a single notebook containing:

dataset curation and preprocessing
exploratory data analysis
molecular representation or feature generation
implementation of at least one machine learning model
model evaluation and interpretation
background explanation and scientific discussion
The notebook must contain executable code and documentation and must run without modification, producing the reported results. This requirement ensures that the computational workflow is reproducible.

Assessment criteria

Assessment is based on the overall quality of the submitted work. To obtain a passing grade the submission must demonstrate:

functioning and reproducible code
correct data handling and preprocessing
appropriate use and evaluation of machine learning models
scientifically sound interpretation of the results
adequate background explanation and documentation of the analysis.

Re-examination

Re-examination consists of a revised version of the project submission, addressing identified deficiencies in the original report.

Vejledende antal undervisningstimer

40 timer per semester

Undervisningsform

Planlagte undervisningstimer

Samlet antal planlagte undervisningstimer: 40

Heraf:

Fælles undervisning i klasse/auditorium: 10

Fælles undervisning i laboratorium: 30

Kort beskrivelse af de planlagte undervisningsaktiviteter

Introduktionsfase

Centrale begreber, metoder og værktøjer inden for kemisk og farmaceutisk datavidenskab introduceres gennem forelæsninger kombineret med korte, vejledte øvelser. Der afholdes ca. 10 undervisningsgange, hver bestående af en times forelæsning efterfulgt af en times superviseret øvelsessession. Disse undervisningsgange introducerer teoretiske begreber, beregningsværktøjer og strategier for dataanalyse.

Træningsfase

De studerende opbygger praktiske færdigheder gennem computerbaserede øvelser i Python og relevante datavidenskabelige biblioteker. Ca. 15 øvelsessessioner á to timer er afsat til praktisk arbejde i Jupyter notebooks, hvor de studerende arbejder med datapræprocessering, visualisering, molekylære repræsentationer og maskinlæringsanalyser.

Studiefase

De studerende arbejder i grupper med et projekt baseret på analyse af et kemisk eller farmaceutisk datasæt. Projektet integrerer datakuratering, modeludvikling og fortolkning af resultater i et reproducerbart beregningsworkflow. Resultatet dokumenteres i en skriftlig rapport ledsaget af eksekverbar kode, så de studerende kan konsolidere og anvende kursets begreber og metoder.

Øvrige planlagte studieaktiviteter

Selvstudiet strækker sig over hele kurset. De studerende gennemgår undervisningsmateriale, læser relevant baggrundslitteratur og arbejder med supplerende øvelser relateret til de beregningsmæssige emner introduceret i undervisningen.

Forberedelse til de computerbaserede øvelsessessioner omfatter gennemgang af relevante programmeringsbegreber og datavidenskabelige metoder samt klargøring af Jupyter notebooks eller kodemodeller til øvelserne. De studerende kan desuden arbejde med udleverede datasæt og dokumentation for de anvendte værktøjer.

Mellem undervisningsgangene videreudvikler de studerende deres programmerings- og dataanalysefærdigheder ved at udbygge øvelsesnotebooks, afprøve alternative modeller eller parametre og forbedre deres workflows. Arbejdet uden for de planlagte undervisningstimer omfatter også forberedelse af det afsluttende gruppeprojekt, herunder dataanalyse, dokumentation af kode og udarbejdelse af den afsluttende rapport.

Ansvarlig underviser

Navn	E-mail	Institut
Casper Steinmann Svendsen	steinmann@sdu.dk	Institut for Fysik, Kemi og Farmaci

Skemaoplysninger

Odense

Vis fuldt skema

Administrationsenhed

Fysik, kemi og Farmaci

Team hos Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil	Uddannelse	Semester	Udbuds periode

Overgangsordninger

Overgangsordninger beskriver, hvordan et kursus erstatter et andet kursus, når der ændres i et studieforløb.

Hvis der er lavet en overgangsordning for et kursus vil den fremgå af oversigten.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.