وصف الخدمة

ما الذي نحاول إنجازه؟
في مجال اكتشاف الأدوية، يحتاج جزيء الدواء إلى الارتباط بهدف بروتيني داخل الجسم لكي يحقق التأثير المطلوب. تُعرف قوة هذا الارتباط بـ "الألفة" (Affinity)، والتي يُقاس هنا بمؤشر pKd (مقياس لوغاريتمي):

pKd أعلى = ارتباط أقوى = دواء أكثر فعالية.

تفاصيل البيانات:

يتضمن Dataset الخاص بالكامل: 68 دواء × 379 هدف بروتيني = 30,056 زوجاً من أزواج (الدواء والبروتين).

يحتوي كل زوج على قيمة pKd مقاسة ومحددة نهدف إلى توقعها بدقة.

هدفنا الأساسي:
بناء نموذج تعلّم آلي (Machine Learning) قادر -بالاعتماد على التركيب الجزيئي للدواء وتسلسل الأحماض الأمينية للبروتين- على التنبؤ بمدى قوة ارتباطهما ببعضهما البعض بدقة عالية.

مميزات الخدمة

حل دقيق ومخصص: بناء نموذج تعلم آلي (Machine Learning) احترافي ومخصص بالكامل للتنبؤ بألفة الارتباط بين الأدوية والبروتينات (Drug-Target Affinity).

تحليل متقدم للبيانات: التعامل مع البيانات الحيوية المعقدة (التراكيب الجزيئية للأدوية وتسلسلات الأحماض الأمينية للبروتينات) باستخدام أحدث خوارزميات الذكاء الاصطناعي.

كود نظيف ومنظم: تسليم كود برمجي (Python / Jupyter Notebook) مكتوب بعناية، موثّق بالكامل، وسهل القراءة والتعديل.

تقييم دقيق للأداء: تقديم مقاييس تقييم واضحة للنموذج (مثل MSE/RMSE/R2) لضمان أعلى دقة ممكنة في التنبؤ بقيم الـ pKd.

دعم فني ومتابعة: إمكانية شرح الكود للعميل والإجابة عن أي استفسارات تقنية تخص المشروع.

معرض الأعمال

ما الذي ستستلمه

ملف الكود البرمجي كاملاً (Python Script أو Jupyter Notebook بصيغة .ipynb).

ملخص أو تقرير بسيط يوضح نتائج تدريب النموذج وأداءه على البيانات.

ملف النموذج المدرَب جاهزاً للاستخدام والتنبؤ المباشر (Model Weights / Pickle file).