• ES Español
• EN English

3.14. Química Computacional y Teórica (CTC)

La Química Computacional y Teórica proporciona fundamentos teóricos y herramientas computacionales para predecir y simular el comportamiento químico. Este subconjunto orientado a la computación cubre el modelado molecular, el aprendizaje automático para la predicción de propiedades químicas y el diseño computacional de fármacos, directamente relevantes para bioinformática, IA y ciencia de datos.

Área de Conocimiento (KA)	CS Core	KA Core
3.14.1 Modelado Molecular y Simulación	Electivo
3.14.2 Aprendizaje Automático en el Descubrimiento Químico	Electivo
3.14.3 Diseño Computacional de Fármacos	Electivo

3.14.1. CTC/Modelado Molecular y Simulación ↑ Volver arriba

Principios de la mecánica y la dinámica molecular para estudiar la estructura y el movimiento de sistemas moleculares, con conexiones a la simulación y los métodos de muestreo basados en física en computación.
Temas:
Core

• Funciones de energía potencial de campo de fuerza: términos de enlace, ángulo, torsión e interacciones no enlazantes
• Dinámica molecular: algoritmos de integración numérica, condiciones de frontera periódicas y termostatos
• Métodos de Monte Carlo para el muestreo conformacional: criterio de Metropolis y muestreo por importancia
• Modelos de solvatación implícitos y explícitos para simulaciones moleculares en fase condensada
• Perturbación de energía libre e integración termodinámica para la estimación de afinidades de unión relativas

Aprendizaje esperado (Learning Outcomes):
Core:

1. Describir los componentes de un campo de fuerza de mecánica molecular estándar y la interpretación física de cada término de energía [Familiarizarse]
2. Configurar y ejecutar una simulación de dinámica molecular, monitoreando la conservación de energía, la equilibración de temperatura y los observables estructurales [Usar]
3. Evaluar la estabilidad y convergencia de una trayectoria de dinámica molecular usando RMSD, perfiles de energía y observables termodinámicos [Evaluar]

3.14.2. CTC/Aprendizaje Automático en el Descubrimiento Químico ↑ Volver arriba

Aplicación del aprendizaje estadístico y el aprendizaje profundo para predecir propiedades moleculares, acelerar el descubrimiento químico y generar nuevas estructuras moleculares relevantes para IA y ciencia de datos.
Temas:
Core

• Representaciones moleculares: notación SMILES, huellas digitales moleculares y codificaciones de grafos moleculares
• Modelos de relación cuantitativa estructura-actividad (QSAR) usando regresión supervisada y clasificación
• Redes Neuronales de Grafos (GNN) para aprender propiedades moleculares directamente de estructuras de grafos químicos
• Modelos generativos (VAE, difusión, basados en transformadores) para el diseño molecular de novo
• Validación de modelos: validación cruzada, dominio de aplicabilidad y diversidad del espacio químico en conjuntos de entrenamiento

Aprendizaje esperado (Learning Outcomes):
Core:

1. Definir y comparar diferentes representaciones moleculares y explicar su idoneidad para tareas específicas de aprendizaje automático [Familiarizarse]
2. Entrenar un modelo de regresión QSAR para predecir una propiedad molecular a partir de descriptores y evaluar su desempeño con métricas estándar de regresión [Usar]
3. Evaluar la validez, diversidad y novedad de las moléculas generadas por un modelo de aprendizaje profundo usando métricas de referencia estándar [Evaluar]

3.14.3. CTC/Diseño Computacional de Fármacos ↑ Volver arriba

Enfoques computacionales basados en estructura y en ligando para identificar y optimizar moléculas candidatas a fármacos, relevantes para las cadenas de descubrimiento de fármacos impulsadas por IA.
Temas:
Core

• Acoplamiento molecular: algoritmos de búsqueda conformacional y funciones de puntuación para la predicción de poses de unión
• Cribado virtual de bibliotecas de compuestos contra dianas proteicas para priorizar candidatos a fármacos
• Predicción de propiedades ADMET: absorción, distribución, metabolismo, excreción y toxicidad
• Modelado de farmacóforos y enfoques de cribado virtual basados en ligando
• Identificación y caracterización de sitios de unión en proteínas para el diseño de fármacos basado en estructura

Aprendizaje esperado (Learning Outcomes):
Core:

1. Identificar las interacciones intermoleculares clave entre un ligando y el sitio activo de una proteína a partir de un complejo acoplado computacionalmente [Familiarizarse]
2. Realizar un estudio de acoplamiento molecular, clasificar las poses de unión predichas según la función de puntuación y seleccionar candidatos para análisis posterior [Usar]
3. Diseñar y ejecutar un flujo de trabajo de cribado virtual para identificar posibles inhibidores de enzimas a partir de una base de datos de compuestos [Evaluar]