Curricula CS-UNI

3.13. Química Computacional y Teórica (CTC)

Esta área de conocimiento introduce los fundamentos teóricos y las herramientas computacionales utilizadas para predecir y simular el comportamiento químico. Abarca el modelado molecular, cálculos de mecánica cuántica y el papel emergente de la ciencia de datos y el aprendizaje automático en el descubrimiento químico.

área de Conocimiento (Knowledge Area-KA) (KA)	Core Tier1	Core Tier2	Electivo
3.13.1 Modelado Molecular y Simulación			No
line:11924?? Teoría del Funcional de la Densidad (DFT)			No
3.13.2 Aprendizaje Automático en el Descubrimiento Químico			No
3.13.3 Diseño de Fármacos Computacional			No

3.13.1. CTC/Modelado Molecular y Simulación

Principios de la mecánica molecular y simulaciones de dinámica molecular para estudiar la estructura y el movimiento de sistemas químicos y biológicos complejos.
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 en fase líquida
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]

3.13.2. CTC/Aprendizaje Automático en el Descubrimiento Químico

Aplicación del aprendizaje estadístico y la inteligencia artificial para predecir propiedades moleculares y acelerar el descubrimiento de nuevos materiales.
Temas:
Core

Descriptores químicos: huellas moleculares (fingerprints), SMILES y 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]

3.13.3. CTC/Diseño de Fármacos Computacional

Enfoques basados en la estructura y en el ligando para la identificación y optimización de compuestos líder en la investigación farmacéutica.
Temas:
Core

Acoplamiento molecular (docking): algoritmos de búsqueda y funciones de puntuación
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 cribado virtual de librerías químicas
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]