GRAPH NEURAL NETWORKS AND EXPLAINABILITY – APPLICAZIONI NELLA BIOMEDICINA

---

Approfondimento

Il corso "graph neural networks and explainability – applicazioni nella biomedicina" offre un’opportunità unica di approfondire l’applicazione delle graph neural networks (gnns) nel contesto della biomedicina. In un mondo in cui le tecnologie di apprendimento automatico stanno rivoluzionando la ricerca scientifica, questo corso si propone di fornire una visione sistemica che integra modelli di apprendimento, dati biologici e chimici e reali contesti applicativi. Attraverso un approccio interdisciplinare che combina informatica, biologia e chimica, gli studenti acquisiranno competenze fondamentali per comprendere come le gnns possano impattare significativamente la ricerca biomedica e la scoperta di nuovi farmaci.

Gli obiettivi formativi del corso sono orientati a sviluppare competenze tecniche specifiche nel campo del machine learning applicato ai grafi. I partecipanti impareranno a modellare dati complessi come grafi e ad applicare algoritmi di graph learning, focalizzandosi su applicazioni pratiche in bioinformatica e chemoinformatica. Inoltre, il corso offre un approfondimento sulle tecniche di explainability, come gnnexplainer e shapley values, che sono essenziali per valutare e interpretare i risultati dei modelli in contesti critici, garantendo una maggiore trasparenza nelle decisioni basate su tali tecnologie.

La gestione dell'intero processo di analisi basata su gnns è un altro aspetto chiave del corso. Gli studenti saranno guidati dalla comprensione del problema alla modellazione dei dati, fino alla costruzione, validazione e interpretazione dei modelli predittivi. Questa formazione non solo fornisce competenze tecniche, ma sviluppa anche un approccio critico e analitico nella valutazione delle performance dei modelli, rendendo i partecipanti pronti a affrontare problemi complessi in ambito biomedico seguendo workflow strutturati e replicabili. Con un focus sulle applicazioni pratiche e teoriche, questo corso rappresenta un passo fondamentale per professionisti interessati a integrare le gnns nella loro pratica.