- Di processo
- Il corso sviluppa la capacità di gestire l’intero processo di analisi basata su gnns: dalla comprensione del problema e modellazione dei dati in forma di grafo, fino alla costruzione, validazione e interpretazione dei modelli predittivi. Gli studenti imparano a integrare fasi teoriche e pratiche, a valutare le performance dei modelli tramite metriche adeguate e a interpretarne i risultati in modo critico, anche attraverso strumenti di explainability. Viene inoltre rafforzata la capacità di affrontare problemi complessi in ambito biomedico seguendo workflow strutturati e replicabili.
- Professionali
- Il corso consente di sviluppare competenze specialistiche nell’ambito del machine learning su grafi, con particolare riferimento alle graph neural networks (gnns). Gli studenti imparano a modellare dati complessi come grafi, applicare algoritmi di graph learning e utilizzare strumenti avanzati per la predizione in bioinformatica (es. Geni associati a malattie) e chemoinformatica (es. Attività dei composti e affinità protein-ligand). Vengono inoltre acquisite competenze nell’utilizzo di tecniche di explainability (come gnnexplainer, shapley values e metodi affini) e nell’implementazione pratica di modelli tramite esercitazioni applicative.
- Di sistema
- Il corso favorisce una visione sistemica nell’applicazione delle gnns, mettendo in relazione modelli di apprendimento, dati biologici e chimici e contesti applicativi reali. Gli studenti acquisiscono la capacità di comprendere l’impatto delle tecnologie di graph learning all’interno di sistemi più ampi, come la ricerca biomedica e la scoperta di farmaci. Inoltre, sviluppano consapevolezza rispetto all’importanza dell’interpretabilità dei modelli nei contesti critici, integrando conoscenze interdisciplinari (informatica, biologia, chimica) e approcci avanzati come il niapu per affrontare problemi complessi in modo integrato.