Единственная в России программа дополнительного профессионального образования о применении AlphaFold 3, графовых нейросетей, диффузионных моделей и активного обучения в реальных R&D-пайплайнах. Три месяца, 100 академических часов, гибрид с двухдневным лабораторным практикумом на кампусе МФТИ. По итогам — персональный 12-месячный AI-roadmap исследовательского подразделения, защищённый перед комиссией.
Конкуренты на Западе публикуют работы на AlphaFold 3 и диффузионных моделях для молекул. Отставание измеримо: пять лет и растёт каждый квартал. Доступ к frontier-конференциям и коллаборациям ограничен, а внутри страны не сложилось сообщества, где эту методологию можно обсуждать на уровне R&D-лидеров.
В группе — сильные учёные: кандидаты и доктора наук, авторы публикаций в Nature Communications и JACS. Но современного ML не знает никто. Брать data scientist со стороны бесполезно: он не читает вашу предметную литературу и не понимает, что именно значимо в эксперименте. Нужен гибрид — PI, который понимает и domain, и модели.
Правление требует AI-стратегию для R&D на 2027 год. Можно написать про «внедрение ИИ» в тридцати слайдах, но обосновать бюджет, KPI и дорожную карту на уровне финансовой защиты — нельзя. Нет методологии — нет денег.
С какой задачи начать: структурное предсказание белков, скрининг молекул, ML-потенциалы поверх DFT, retrosynthesis, autoML для experimental design? Ответ зависит от данных, инфраструктуры и горизонта. Эту карту нужно нарисовать, а не купить — программа устроена как мастерская рисования этой карты.
Отвечает за портфель научных проектов на 500+ млн ₽. Нужен личный roadmap и методология защиты AI-инвестиций перед правлением. Задачи: structure-based drug design, de novo молекулярный дизайн, virtual screening.
Ведёт научную группу в институте или вузе. Ищет computational workflow, которую можно поставить до конца года и защитить грантовой заявкой. Задачи: GNN для свойств материалов, ML-потенциалы, active learning для DFT.
Отвечает за инновационный контур химического или промышленного холдинга. Задачи: auto-ML для experimental design, цифровые двойники, AI-assisted scale-up, retrosynthesis, robotic lab integration.
Программа не подходит, если у вас нет научного или инженерного бэкграунда и вы ищете общий курс по ML «для менеджеров». Мы работаем на уровне R&D-лидеров с 10+ годами исследовательской деятельности.
Программа не подходит, если вы ищете hands-on-курс для data scientist по написанию production-кода. Наш фокус — методология, стратегия и computational workflow для исследовательских задач, а не ML-инжиниринг.
Каждый модуль завершается артефактом — кратким техническим отчётом, который встаёт в ваш итоговый capstone-roadmap. По формату — micro-paper: problem, method, evidence, decision.
Типы моделей, метрики, bias/variance, как читать arXiv и понимать state-of-the-art. Лекции ведёт профессор ФПМИ.
AlphaFold 3, GNN, MACE/M3GNet, диффузионные модели, transformers для реакций. Разбор свежих статей + приглашённые эксперты.
FAIR-принципы, data-lake, версионирование, метаданные для научных датасетов, reproducibility, контроль качества.
Методология защиты инвестиций, сценарии ROI, KPI для исследовательских AI-инициатив, ответы на возражения финблока.
Два дня в действующих лабораториях ФБМФ / ФМХФ / материаловедения: real workflow, GPU-кластер, MD / DFT / docking, FAIR-data на практике.
Два дня защиты перед закрытой комиссией преподавателей. Разбор, peer-review внутри когорты, финальный документ с визой.
В модуле 2 вы выбираете один из трёх потоков. Модули 1, 3, 4, 5, 6 проходят совместно — это сохраняет cross-domain нетворк когорты.
AlphaFold 3, multi-chain complexes, RoseTTAFold All-Atom, protein-ligand interactions.
SchNet, M3GNet, MACE, универсальные interatomic potentials, кристаллические структуры.
Трансформеры для предсказания реакций, generative chemistry на диффузионных моделях.
Преподают те, кто ведёт computational science в России. Лекции, разборы, консультации по capstone — прямо от научных руководителей.
Сокращение числа экспериментальных итераций при hit-to-lead на целевом портфеле. Описание архитектуры pipeline, стека и команды: 2 computational scientist + 4 химика + managed cloud GPU.
Внедрение графовых нейросетей и active learning в R&D-подразделение химического холдинга. Ускорение цикла «гипотеза → проверка» с 6 месяцев до 5 недель. Экономия DFT-бюджета.
Методология budgeting для исследовательской AI-инициативы с вероятностным outcome. По итогам защиты в биотех-компании создан AI Drug Discovery unit и утверждён бюджет на 2027 год.
«Программа дала то, чего я не получил ни за одной внутренней инициативой в холдинге, — структурированный взгляд на AI в R&D и готовый roadmap, который я защитил перед советом директоров с бюджетом на 2027 год. Лабораторный практикум на ФБМФ стал неожиданным центром тяжести».
«Двадцать лет в материаловедении, скептик к ML. Модуль по GNN и ML-потенциалам перевернул отношение: за три месяца с группой запустили pilot на active learning, DFT-бюджет сократили втрое».
Научные интересы: графовые нейросети, применение ML к естественно-научным задачам. Ведёт модули 01, 03 и общие лекции модуля 02.
→ M·01 · M·03 · M·02 commonАвтор работ в Nature Communications и JACS. Ведёт Track γ (Chemistry), участвует в лабораторном практикуме.
→ Track γ · M·05Публикации в Bioinformatics, Nucleic Acids Research. Ведёт Track α (Life Sciences), курирует лабораторный практикум на треке.
→ Track α · M·05Участвует в модулях 02 и 04: опыт интеграции ML в мегасайенс-установки и нейтронные источники, архитектура data-lake для R&D.
→ M·02 · M·04Frontier-методы генеративного моделирования молекул, практика применения диффузионных моделей. Track α и модуль 02.
→ Track α · M·02Приглашённый эксперт. Разбирает реальные pipeline AI-drug discovery в российской фарме и организационные модели AI-group внутри R&D.
→ Track α · M·04 guest320 000 ₽индивидуально или корпоративно без групповой скидки
256 000 ₽−20% для сотрудников вузов, НИИ, РАН, РАМН
280 000 ₽за человека, группа от 3 сотрудников одной организации
· Возможна оплата частями (2—3 платежа) · Оформление через корпоративный договор · Возврат: полный в течение 5 дней после старта, далее — пропорционально пройденному материалу до окончания M·02 ·
Формально — нет. Но программа ориентирована на исследовательских лидеров: типичный слушатель — кандидат или доктор наук, либо PI с эквивалентным исследовательским опытом. Если у вас нет степени, но есть 10+ лет R&D-практики, приходите на собеседование — решение индивидуальное.
Да. Модуль 01 — системный ML-ликбез для учёных, рассчитанный именно на тех, у кого нет формального ML-образования, но есть научная зрелость. Критичен научный бэкграунд, ML мы научим.
На собеседовании научный руководитель сопоставит ваши R&D-задачи с тремя треками: Life Sciences, Material Sciences, Chemistry. Если тема на стыке — поможем выбрать тот трек, который даст максимум переноса в практику.
Программа рассчитана на работающих R&D-лидеров: онлайн-модули в вечернем режиме, материалы доступны в записи, peer review — недельные дедлайны. Очные модули — 4 дня за 3 месяца, планируются заблаговременно.
Опосредованно да. M·04 (AI + R&D strategy) и capstone (persona roadmap) дают структуру, на которую ложится грантовое обоснование. По запросу — консультация по заявкам в РНФ, Приоритет-2030, мегагранты.
Со всеми слушателями подписывается NDA. Capstone защищается перед закрытой комиссией преподавателей; сторонние наблюдатели не допускаются. Учебные кейсы — на обезличенных или открытых данных.
Удостоверение о повышении квалификации государственного образца МФТИ (100 ак. часов). Отдельно — выписка о защите capstone с указанием темы вашего R&D AI roadmap.
Лекции, обсуждения, peer review и защита — на русском. Первоисточники (статьи, документация, доклады международных экспертов) — на английском. Свободное чтение научного английского необходимо.
Отбор — собеседование с научным руководителем программы. Когорта 2026 — 20—25 исследовательских лидеров. Стартуем 12 октября 2026.
Received: 16 Apr 2026 · Accepted after peer interview · Published online on cohort start.