Ver categorias
Explorar
Fiverr Pro
Português
$
USD
Vou fazer docking molecular, modelagem QSAR e descoberta de drogas com IA
Pesquisador em Bioinformática
Especializada em bioinformática, biologia computacional e genômica, eu conecto a lacuna crítica entre dados experimentais brutos e insights biológicos que fazem a diferença. Usando frameworks computac...
Sobre este Serviço
Acelere seu pipeline de descoberta de medicamentos com análise computacional rigorosa baseada em machine learning e estrutura!
Você está trabalhando na otimização de candidatos, perfil de alvo ou previsão de bioatividade? Modelos padrão de machine learning muitas vezes não conseguem generalizar porque dependem de divisões aleatórias que se ajustam demais às séries químicas. Eu entrego fluxos de trabalho completos, de nível de publicação, para descoberta de medicamentos, adaptados ao seu alvo biológico. Combinando machine learning consciente de scaffolds (Random Forest, Extra Trees, SVR), IA explicável (SHAP) e docking molecular (AutoDock Vina), ajudo você a identificar, interpretar e priorizar moléculas candidatas de alto potencial, levando em conta mutações de resistência.
Perguntas frequentes
Tradução automática
Que dados de entrada preciso fornecer?
Você pode fornecer um arquivo CSV, Excel ou SDF contendo seus compostos com strings SMILES e valores de bioatividade (como IC50 ou pIC50), ou simplesmente me passar o nome da sua proteína alvo e eu posso curar os dados do ChEMBL para você.
Por que usar divisão consciente de scaffolds ao invés de uma divisão aleatória de treino/teste?
Divisões aleatórias frequentemente colocam analógicos quimicamente semelhantes em ambos os conjuntos, o que inflaciona falsamente a precisão. A divisão de scaffolds testa a verdadeira capacidade do modelo de generalizar para estruturas químicas totalmente novas.
Scores de docking são considerados como afinidades de ligação experimentais absolutas?
Não. Scores do AutoDock Vina e análises de contato de resíduos são usados como sinais robustos de classificação estrutural e priorização para orientar a seleção experimental de candidatos.
Quais linguagens de programação e ferramentas você usa?
O pipeline foi construído usando Python (scikit-learn, RDKit, SHAP) para machine learning e quimioinformática, junto com AutoDock Vina e Meeko para docking molecular.
O que receberei após a conclusão do pedido?
Você receberá scripts Python bem documentados ou Jupyter Notebooks, figuras de alta resolução (como gráficos SHAP e poses de docking) e um relatório resumido completo dos resultados.
