STRUMENTI STATISTICI E INFORMATICI PER L'ANALISI DEI DATI

Al termine del corso, gli studenti saranno in grado di applicare metodi statistici avanzati per l'analisi e l'interpretazione di dati complessi nel campo della chimica e tecnologia farmaceutiche. Saranno capaci di progettare esperimenti scientifici adeguati, utilizzando disegni sperimentali come quelli fattoriali, e di utilizzare software statistici avanzati come R e Python per l'analisi e la visualizzazione dei dati. Inoltre, sapranno implementare analisi multivariate per la riduzione della dimensionalità e la classificazione dei dati, eseguire regressioni lineari e non lineari, e ottimizzare processi sintetici. Comprenderanno e applicheranno modelli farmacocinetici e farmacodinamici avanzati, validando metodi analitici secondo le linee guida ICH. Saranno in grado di gestire database utilizzando SQL e applicheranno conoscenze di intelligenza artificiale e medicina in silico per l'analisi predittiva e la personalizzazione delle terapie. Infine, condurranno progetti di ricerca completi, dalla formulazione dell'ipotesi alla presentazione dei risultati, rispettando le normative vigenti e i principi etici nella gestione e nell'analisi dei dati.

Mediante lezioni frontali ed esercitazioni pratiche alla fine di ogni unità di apprendimento (quando previste).

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.

A garanzia di pari opportunità e nel rispetto delle leggi vigenti, gli studenti interessati possono chiedere un colloquio personale in modo da programmare eventuali misure compensative e/o dispensative, in base agli obiettivi didattici ed alle specifiche esigenze.

E' possibile rivolgersi anche al docente referente CInAP (Centro per l’integrazione Attiva e Partecipata - Servizi per le Disabilità e/o i DSA) del nostro Dipartimento, prof.ssa Santina Chiechio.

• Conoscenze solide in chimica organica, analitica e fisica. 
  
• Nozioni di base di statistica e matematica.
• Competenze informatiche di base.

Frequenza obbligatoria secondo le norme del regolamento didattico del CdS in CTF come riportato nel link: http://www.dsf.unict.it/corsi/lm-13_ctf/regolamento-didattico.

Modulo 1: Introduzione alla Statistica nel Contesto Farmaceutico

Importanza dell'analisi statistica nella ricerca e sviluppo di farmaci.

Modulo 2: Disegno Sperimentale e Analisi dei Dati

• Progettazione sperimentale in chimica farmaceutica 
  
• Disegni fattoriali completi e frazionari.
  
• Analisi della Varianza (ANOVA)
  
• ANOVA a una via e a due vie.
• Regressione Lineare e Non Lineare
  
• Modelli di regressione multipla.

Modulo 3: Analisi Multivariata

• Analisi delle Componenti Principali (PCA) 
• Riduzione della dimensionalità dei dati.
• Metodi di Classificazione e Clustering
  
• Analisi Discriminante Lineare (LDA). 
• Algoritmi di clustering (K-means, gerarchico).

Modulo 4: Strumenti Informatici per l'Analisi e la Visualizzazione dei Dati

• Software Statistici Avanzati
  
• Utilizzo di R e Python per l'analisi statistica.
• Fogli di Calcolo Avanzati
  
• Analisi dei dati con Excel: Solver, Data Analysis ToolPak.
• Gestione dei Database
  
• Introduzione a SQL per l'estrazione e la manipolazione dei dati.

Modulo 5: Applicazioni Statistiche in Chimica e Tecnologia Farmaceutiche

• Analisi dei dati di sintesi chimica 
  
• Ottimizzazione dei processi sintetici.
• Farmacocinetica e Farmacodinamica Avanzata 
  
• Modelli compartimentali.
• Validazione dei Metodi Analitici
  
• Parametri di validazione secondo le linee guida ICH.

Modulo 6: IA e Medicina In Silico: Cenni

Il materiale sarà disponibile su studium o nella pagina del docente e/o fornito a lezione.

Prova scritta sulle conoscenze acquisite ed eventuale valutazione del progetto.

1) Quale delle seguenti affermazioni descrive meglio l'Analisi delle Componenti Principali (PCA)?

A) È un metodo di regressione per predire una variabile dipendente basata su variabili indipendenti.

B) È una tecnica di classificazione supervisionata per assegnare campioni a categorie predefinite.

C) È una tecnica di riduzione della dimensionalità che trasforma variabili correlate in un set di componenti non correlate.

D) È un algoritmo di clustering utilizzato per raggruppare dati simili senza etichette predefinite.

2) In farmacocinetica, quale modello compartimentale descrive meglio un farmaco che si distribuisce rapidamente e uniformemente nell'organismo dopo l'assorbimento?

A) Modello monocompartimentale. 

B) Modello bicompartimentale.

C) Modello tricompartimentale.

D) Modello non compartimentale.