AI蛋白質(zhì)設(shè)計線上實操直播課
2025 年 2 月 13 日，諾獎得主、華盛頓大學(xué)David Baker團(tuán)隊在Science期刊發(fā)表了題為：Computational design of serine hydrolases 的研究論文。
該研究利用 AI 從頭設(shè)計了具有復(fù)雜活性位點的絲氨酸水解酶，這也是首次從頭設(shè)計一種新的酶，其能夠加快一個四步化學(xué)反應(yīng)（該反應(yīng)對于許多生物和工業(yè)過程至關(guān)重要，其中包括塑料降解和回收），其催化效率是之前設(shè)計的水解酶催化效率的 6 萬倍。
這項研究是酶工程領(lǐng)域的一個里程碑，表明了我們現(xiàn)在已經(jīng)可以設(shè)計出具有天然活性的酶，而且這些設(shè)計的酶甚至能夠?qū)嶋H應(yīng)用。
David Baker教授表示，酶是在溫和的條件下加速化學(xué)反應(yīng)的蛋白質(zhì)，而即使是最優(yōu)秀的人類化學(xué)家也做不到這一點。利用 AI 設(shè)計新的酶來應(yīng)對各種化學(xué)挑戰(zhàn)，無論是合成藥物化合物還是分解微塑料，都將使我們得以利用大自然的高效率，而無需以來刺激性溶劑或化石燃料。
主講老師來自北京大學(xué)，從事AI for science方向研究，目前的主要研究方向是人工智能輔助的蛋白質(zhì)等分子體系的采樣，在分子模擬上由豐富的實戰(zhàn)經(jīng)驗。已在JCIM、communications physics等國際期刊上發(fā)表數(shù)篇文章，其設(shè)計的蛋白質(zhì)采樣算法UFConf的發(fā)表文章，被選為JCIM雜志的當(dāng)期封面文章以及編輯推薦，具有廣泛的影響力。
專題一、蛋白質(zhì)設(shè)計概述與工具準(zhǔn)備
1.為什么要做蛋白質(zhì)設(shè)計？
蛋白質(zhì)廣闊的可能結(jié)構(gòu)空間
2.蛋白質(zhì)設(shè)計方法分類
目前最佳解決方案：
蛋白質(zhì)結(jié)構(gòu)預(yù)測：Alphafold2,Rosettafold2
固定結(jié)構(gòu)序列預(yù)測：ProteinMPNN
從頭設(shè)計：RFDiffusion+ProteinMPNN+Alphafold2迭代
3.Vscode的使用，ssh連接超算集群（實操）
VScode的安裝
Remote ssh插件安裝
~/.ssh/config中配置username, ip信息
4.Linux的配置，創(chuàng)建python環(huán)境（實操）
Conda create -n env_name python=3.9
5.超算作業(yè)提交（實操）
Slurm作業(yè)管理系統(tǒng)的教學(xué)，sbatch, salloc,scancel的使用
6.生成模型概覽，特別講Diffusion model理論
通過本天培訓(xùn)學(xué)員將掌握：
本專題將介紹蛋白質(zhì)設(shè)計的基本背景和意義，以及一些工具的基本知識。分為如下幾個部分：首先將介紹蛋白質(zhì)設(shè)計的意義以及當(dāng)前蛋白質(zhì)設(shè)計的主要方法，包括Alphafold2、Rosettafold2等結(jié)構(gòu)預(yù)測方法，ProteinMPNN等逆折疊模型以及RFDiffusion等結(jié)構(gòu)設(shè)計方法。接著，課程將引導(dǎo)學(xué)員安裝并配置VScode，進(jìn)行SSH連接超算集群的配置，并介紹Linux環(huán)境的搭建，為后續(xù)的計算實驗做好準(zhǔn)備。最后將通過幾個簡單的例子來介紹在超算集群上提交作業(yè)的方式。將根據(jù)課程進(jìn)度來決定是否講解生成模型的基本原理。
專題二、深度學(xué)習(xí)蛋白質(zhì)結(jié)構(gòu)預(yù)測方法
1.基于深度學(xué)習(xí)的模型--Alphafold2、Rosettafold
AF2成功的原因：
a.利用MSA信息
b.Transformer提取行縱MSA的信息
c.Recycling
d.自蒸餾數(shù)據(jù)集（pLDDT的引入）
2. AF2 本地運行（實操）
2.1基于Alphafold2的復(fù)現(xiàn)工作—Openfold、Unifold
3.Alphafold2上機(jī)實操
3.1MSA由mmseqs2 api生成，不需要下載結(jié)構(gòu)和序列的數(shù)據(jù)集（需要3TB的空間）
4.基于語言模型的模型—ESMfold（實操）
4.1ESMfold的邏輯：用Masked LM替代掉AF2中的MSA模塊
4.2ESMfold安裝：（確保nvcc安裝）
5.蛋白質(zhì)多鏈結(jié)構(gòu)預(yù)測—Alphafold multimer
6.蛋白-核酸復(fù)合物預(yù)測—RosetaffoldNA（實操）
Add nucleic acid representation
7.蛋白-核酸-小分子復(fù)合物預(yù)測—Rosetaffold-all atom, Alphafold3
通過本天培訓(xùn)學(xué)員將掌握：
本專題將詳細(xì)講解多種蛋白質(zhì)結(jié)構(gòu)預(yù)測模型，包括Alphafold2、Rosettafold2、ESMfold、RosettafoldNA、Rosettafold All Atom和AlphaFold3。分為如下幾個部分：首先我們將介紹Alphafold2模型的基本原理以及其成功的原因，接著我們會介紹ESMfold的基本原理，并進(jìn)行上機(jī)實操演示，接著我們會介紹Alphafold-multimer相比單鏈預(yù)測的主要難點，接下來我們會介紹一些蛋白質(zhì)和其他分子復(fù)合物的預(yù)測模型RosettafoldNA、Rosettafold All Atom和AlphaFold3。然后我們會上機(jī)實際操作如何以最簡便的方式本地運行Alphafold2，無需加載龐大的數(shù)據(jù)集。在本專題最后我們會進(jìn)行一個論文復(fù)現(xiàn)，利用MSA子采樣來提升Alphafold2的采樣多樣性。讓學(xué)員都能夠掌握多種蛋白質(zhì)結(jié)構(gòu)預(yù)測模型的使用
專題三、深度學(xué)習(xí)蛋白質(zhì)多構(gòu)象采樣方法與模型
蛋白質(zhì)多構(gòu)象預(yù)測（模擬）
1. 基于傳統(tǒng)物理能量的方法—分子動力學(xué)MD
2. 基于MSA操縱的方法—MSA subsampling、AF cluster（實操）
MSA subsampling方法子采樣AF2的MSA輸入
MSA subsampling方法
2.1環(huán)境配置與AF2一樣
2.2AF_cluster方法
2.3環(huán)境配置與AF2一樣運行
2.4生成MSA
2.5模型預(yù)測
3.基于生成模型的方法—Alphaflow、UFConf、DiGAlphaflow uses flow matching（實操）
3.1Alphaflow方法
3.2python環(huán)境配置運行
3.3input_csv代表蛋白的序列信息
3.4msa_dir代表MSA的路徑
3.5weights代表使用的模型
3.6.samples代表采樣數(shù)目
4.UFConf使用Diffusion model（實操）
通過本天培訓(xùn)學(xué)員將掌握：
本專題將介紹蛋白質(zhì)多構(gòu)象采樣的方法與模型，主要包括MSA操縱和生成模型兩大類方法。分為如下幾個部分：首先我們會介紹MSA操縱的方法，我們將講解MSA subsampling和AF_cluster方法；接著我們會介紹生成模型的方法，將介紹Alphaflow和UFConf模型。接下來我們會進(jìn)行AF_cluster文獻(xiàn)中的案例復(fù)現(xiàn)。最后我們將介紹UFConf模型的上手實踐，并對不同的蛋白質(zhì)采樣方法作以對比。讓學(xué)員都能夠掌握蛋白質(zhì)多構(gòu)象采樣方法與模型使用工具
專題四、深度學(xué)習(xí)蛋白質(zhì)數(shù)據(jù)集挖掘工具與蛋白質(zhì)口袋搜索工具
1.蛋白質(zhì)數(shù)據(jù)集挖掘工具
1.1序列比對和聚類工具
1.2BLAST速度慢
2.序列快速比對工具M(jìn)Mseqs2
2.1.對角線上的k-mer短序列匹配
22.table查找對應(yīng)target序列上k-mer出現(xiàn)的位置
2.3.target序列和query序列的匹配
3.結(jié)構(gòu)比對和聚類工具
3.1TM-align
4.結(jié)構(gòu)快速比對工具Foldseek
41Foldseek團(tuán)隊與mmseqs系列對比
5.Foldseek上機(jī)實操
6、深度學(xué)習(xí)蛋白質(zhì)口袋搜索工具
6.1.蛋白質(zhì)口袋搜索
6.2Alpha sphere
7.基于結(jié)構(gòu)的蛋白質(zhì)口袋搜索工具--Fpocket、CavityPlus（實操）
8.基于軌跡（多構(gòu)象）的蛋白質(zhì)口袋搜索—Mdpocket（實操）
9.基于深度學(xué)習(xí)的蛋白質(zhì)小分子結(jié)合位點預(yù)測工具—Diffdock
Diffdock上機(jī)實操
通過本天培訓(xùn)學(xué)員將掌握：
本專題將詳細(xì)介紹蛋白質(zhì)數(shù)據(jù)集挖掘工具，重點講解序列比對工具mmseqs2和結(jié)構(gòu)比對工具foldseek的應(yīng)用。分為如下幾個部分：首先我們會介紹序列比對的方法概覽，并簡要演示傳統(tǒng)的序列比對方法如BLAST；接下來我們會介紹更有效的序列比對方法mmseqs2，并進(jìn)行上機(jī)演示; 接下來我們將介紹結(jié)構(gòu)比對方法，首先我們會簡要介紹TM_align方法，接下來我們將重點介紹foldseek方法，并進(jìn)行上機(jī)演示，我們會演示其html網(wǎng)頁可視化和csv文件輸入的不同結(jié)果展示方式。讓學(xué)員掌握數(shù)據(jù)集挖掘工具的使用
蛋白質(zhì)口袋搜索的傳統(tǒng)方法與基于深度學(xué)習(xí)的創(chuàng)新方法。分為如下幾個部分：首先我們會介紹基于結(jié)構(gòu)的口袋搜索方法的基本原理，重點講解fpocket工具，并進(jìn)行上機(jī)演示；接下來我們會介紹基于深度學(xué)習(xí)的蛋白質(zhì)小分子結(jié)合位點預(yù)測方法DiffDock，并進(jìn)行上機(jī)演示，學(xué)員將了解這兩種工具的理論基礎(chǔ)，并通過實際操作演示，掌握如何進(jìn)行蛋白質(zhì)口袋的識別與分析。
專題五、深度學(xué)習(xí)在蛋白質(zhì)設(shè)計中的應(yīng)用
1.基于深度學(xué)習(xí)的蛋白質(zhì)設(shè)計概覽
2.結(jié)構(gòu)生成模型--RFDiffusion
3.RFDiffusion是一個conditional的結(jié)構(gòu)生成模型（實操）
3.3.RFDiffusion：基于RosettaFold
3.4.RFDiffusion-All-Atom：基于RosettaFold-All-Atom
3.5.RFDiffusion上機(jī)實操
3.6.RFDiffusion設(shè)計骨架結(jié)構(gòu)
4.逆折疊模型--ProteinMPNN（實操）
4.1inverse folding模型
4.2ProteinMPNN逆折疊設(shè)計序列上機(jī)實操
5.利用AF2提高蛋白質(zhì)設(shè)計的成功率（實操）
5.1Alphafold2折疊設(shè)計序列
5.2篩選選Alphafold2中pLDDT較高的序列
5.3預(yù)測結(jié)構(gòu)作迭代
6.Binder design設(shè)計流程
6.1RFDiffusion設(shè)計binder
6.2ProteinMPNN-FastRelax Binder Design設(shè)計
6.3AF2 complex prediction設(shè)計
7.結(jié)構(gòu)序列生成模型--ProteinGenerator
7.1ProteinGenerator是結(jié)構(gòu)和序列的生成
通過本天培訓(xùn)學(xué)員將掌握：
本專題將深入探討深度學(xué)習(xí)在蛋白質(zhì)設(shè)計中的應(yīng)用。包括如下內(nèi)容：首先我們會介紹基于深度學(xué)習(xí)的蛋白質(zhì)設(shè)計概覽，接下來我們會介紹RFDiffusion（結(jié)構(gòu)生成模型）、ProteinMPNN（逆折疊模型）、ProteinGenerator（結(jié)構(gòu)與序列生成模型）的基礎(chǔ)理論；接著我們會介紹如何利用Alphafold2來提升蛋白質(zhì)設(shè)計的成功率；之后我們會進(jìn)行上機(jī)實操，包括常見的蛋白質(zhì)設(shè)計任務(wù)，具體包括RFDiffusion的不同使用模式、monomer motif scaffolding的迭代優(yōu)化、 binder design的迭代優(yōu)化。學(xué)員將通過實操，學(xué)習(xí)如何利用AlphaFold2提高蛋白質(zhì)設(shè)計的成功率。我們會在本專題最后進(jìn)行david baker 設(shè)計TNFR binder的論文復(fù)現(xiàn)。讓學(xué)員都能夠掌握david baker 的核心技術(shù)
專題六、基于深度學(xué)習(xí)的酶設(shè)計與語言模型的蛋白質(zhì)設(shè)計
1.深度學(xué)習(xí)酶設(shè)計（實操）
11.酶設(shè)計基本原理
1.2.酶學(xué)性質(zhì)預(yù)測
1.3.RFDiffusionAA模型
1.4RFDiffusionAA與RFDiffusion對比
2.基于語言模型的蛋白質(zhì)設(shè)計
2.1Progen模型（實操）
2.2Progen的訓(xùn)練
2.3conditional tag下的語言模型訓(xùn)練
3.ESM2、ESM3（實操）
3.1多模態(tài)ESM3語言模型
3.2序列、結(jié)構(gòu)和功能三個模塊的訓(xùn)練
頂刊復(fù)現(xiàn)：
1.Diego del Alamo et al. (2022) Sampling alternative conformational states of transporters and receptors with AlphaFold2 eLife.
2.Wayment-Steele, H.K., Ojoawo, A., Otten, R. et al. Predicting multiple conformations via sequence clustering and AlphaFold2. Nature 625, 832–839 (2024).
3.Matthias Gl?gl et al. ,Target-conditioned diffusion generates potent TNFR superfamily antagonists and agonists.Science386,1154-1161(2024).
通過本天培訓(xùn)學(xué)員將掌握：
最后，本專題將介紹酶設(shè)計的基本原理及基于語言模型的蛋白質(zhì)設(shè)計方法。分為如下幾個部分：首先我們會介紹RFDiffusionAA（基于小分子的蛋白質(zhì)設(shè)計模型）的基本原理，接下來我們會通過上機(jī)實操來演示酶設(shè)計的一個例子；接下來我們會介紹一些蛋白質(zhì)語言模型，包括Progen、ESM2和ESM3的基本原理，架構(gòu)，并進(jìn)行上機(jī)演示。讓學(xué)員能夠掌握蛋白質(zhì)語言模型的使用
免費贈送視頻
史無前例福利
（可點擊藍(lán)色字體查看）
（可點擊藍(lán)色字體查看）
報名AI蛋白設(shè)計直播課可以得到往期兩期不同專題錄播課！
（含資料、視頻、代碼）
報一得三！超值福利！ 快速學(xué)會AI蛋白質(zhì)設(shè)計！助力發(fā)Nature
CADD計算機(jī)輔助藥物設(shè)計線上直播課
藥物研發(fā)是一個漫長而昂貴的過程，常常需要花費數(shù)十億美元和數(shù)年時間。藥物的設(shè)計和發(fā)現(xiàn)過程中，計算機(jī)輔助藥物設(shè)計已經(jīng)成為了一種重要的方法。計算機(jī)輔助藥物設(shè)計（CADD）通過模擬和計算預(yù)測藥物的性質(zhì)、藥效、毒性和代謝，為藥物設(shè)計的每個環(huán)節(jié)提供準(zhǔn)確的信息和指導(dǎo)。計算機(jī)輔助藥物設(shè)計不僅可以加快發(fā)現(xiàn)新藥物的速度，也可以大大減少發(fā)現(xiàn)過程中的花費?？ㄍ衅绽?、多佐胺、奧司他韋、阿利克侖、諾拉曲特等許多已獲批準(zhǔn)的藥物均采用過CADD進(jìn)行了優(yōu)化。CADD能夠快速高效地進(jìn)行預(yù)測、設(shè)計、合成和評價，大大減少藥物研發(fā)周期、成本和風(fēng)險，提高了研發(fā)的效率和可行性
技術(shù)方法
分子對接
?分子對接的優(yōu)勢:主要包括高效性、經(jīng)濟(jì)性和可視化?。分子對接是一種利用計算機(jī)模擬預(yù)測小分子與受體蛋白相互作用的方法，能夠在較短時間內(nèi)篩選大量化合物，找到與受體結(jié)合能力較強(qiáng)的分子，從而加速藥物研發(fā)的進(jìn)程?。相比傳統(tǒng)的藥物篩選方法，分子對接能夠節(jié)省大量研發(fā)成本，降低實驗失敗的風(fēng)險?。此外，通過分子對接，研究人員可以直觀地觀察分子與受體的結(jié)合方式，有助于理解藥物與靶標(biāo)之間的相互作用機(jī)制?
分子對接常用軟件:
?AutoDock?：由Scripps Research Institute開發(fā)的免費開源軟件，支持剛性和柔性對接。它使用拉馬克遺傳算法來優(yōu)化配體在受體結(jié)合位點的放置，并包含多種評分函數(shù)來評估結(jié)合親和力。支持多種輸入文件格式，如PDB、MOL2和SDF?
?AutoDock Vina?：AutoDock的改進(jìn)版本，具有更高的計算效率和更好的性能。它能夠在短時間內(nèi)找到分子之間的最佳結(jié)合方式，廣泛應(yīng)用于藥物發(fā)現(xiàn)和生物化學(xué)研究?
Discovery Studio?：由Dassault Systèmes BIOVIA開發(fā)，包含一系列分子對接、虛擬篩選、蛋白質(zhì)建模和分子動力學(xué)模擬分析工具?
本次分子對接培訓(xùn)主要采用?AutoDock Vina?，完全開源免費。
本次培訓(xùn)主要講解10種對接方法有：金屬酶蛋白對接、蛋白-多糖對接、核酸-小分子對接、柔性對接、共價對接、蛋白-水合對接、蛋白-水分子-配體對接、抗體對接、大分子對接蛋白-多肽對接、大分子蛋白-蛋白對接。
虛擬篩選
?虛擬篩選在藥物發(fā)現(xiàn)中的應(yīng)用優(yōu)勢主要包括以下幾個方面?：
?高效性和低成本?：虛擬篩選通過計算機(jī)模擬技術(shù)，能夠在短時間內(nèi)對大量分子進(jìn)行高通量篩選，顯著減少了實驗篩選所需化合物的數(shù)量，從而降低了研發(fā)成本和時間?。此外，虛擬篩選不需要復(fù)雜的實驗設(shè)備和高昂的實驗費用，使得藥物研發(fā)更加經(jīng)濟(jì)高效?
?縮短研發(fā)周期?：傳統(tǒng)的藥物研發(fā)方法依賴于大量的實驗篩選，過程繁瑣且耗時。虛擬篩選能夠快速評估和篩選潛在的藥物分子，顯著縮短了藥物研發(fā)的周期。統(tǒng)計顯示，虛擬篩選的陽性率維持在5%-30%之間，且成功輔助藥物設(shè)計的案例正逐年增加?
?提高成功率?：虛擬篩選通過計算機(jī)模擬和生物數(shù)據(jù)分析，能夠幫助研究人員篩選出潛在的藥物候選分子，極大地提高了藥物發(fā)現(xiàn)的效率和成功率?1。此外，結(jié)合分子動力學(xué)模擬等手段，可以進(jìn)一步評估藥物候選分子的穩(wěn)定性和體內(nèi)行為，優(yōu)化候選分子，從而提高藥物的研發(fā)成功率?
?適用于多種藥物類型?：虛擬篩選不僅可以應(yīng)用于小分子藥物的篩選，還可以在抗體藥物、疫苗以及其他生物制品的研發(fā)過程中發(fā)揮重要作用?1。這使得虛擬篩選在生物醫(yī)藥領(lǐng)域的適用范圍更廣，能夠滿足不同類型藥物研發(fā)的需求。
?減少實驗需求?：通過虛擬篩選，可以大幅減少實驗篩選的需求，降低實驗失敗的風(fēng)險。例如，MCE公司的虛擬篩選服務(wù)通過高效的分子對接技術(shù)和精準(zhǔn)的打分函數(shù)，能夠大幅減少實驗篩選的化合物數(shù)量，提高發(fā)現(xiàn)理想先導(dǎo)物的可能性?
分子動力學(xué)模擬
??GROMACS在分子動力學(xué)模擬中的優(yōu)勢主要包括以下幾個方面?：
?高性能和并行計算能力?：GROMACS以其驚人的計算效率而受到青睞，尤其在并行計算和GPU加速方面表現(xiàn)卓越。它能夠在大型超級計算機(jī)上高效運行
?開源和免費?：GROMACS遵循LGPL協(xié)議，是開源軟件，用戶可以在Github上找到其開源代碼。這使得GROMACS在學(xué)術(shù)界廣泛使用，并且用戶可以自由地修改和擴(kuò)展其功能?
?廣泛的力場支持?：GROMACS支持多種力場，包括AMBER、CHARMM、GROMOS和OPLS等，這使得它能夠模擬不同類型的分子體系?此外，它還支持Martini粗?；Ｐ秃突贕BSA的隱式溶劑模型?
?豐富的分析工具?：GROMACS提供了大量的分析工具，用戶不必再為常規(guī)分析編寫任何程序。它還包括軌跡可視化工具，可以顯示模擬結(jié)果?
?良好的用戶界面和文檔?：GROMACS的操作簡單，用戶可以通過命令行進(jìn)行操作，且其拓?fù)湮募蛥?shù)文件格式友好，易于閱讀和設(shè)置。此外，GROMACS提供了詳細(xì)的免費使用手冊，幫助用戶更好地使用軟件?
培訓(xùn)優(yōu)勢
一、課程設(shè)置優(yōu)勢：
本次培訓(xùn)采取線上直播授課，7天42個小時從理論到實操，手把手教授軟件安裝，課程長期解疑，CADD計算機(jī)輔助藥物設(shè)計技術(shù)全覆蓋，報名成功就發(fā)送預(yù)習(xí)視頻
二、學(xué)習(xí)資料優(yōu)勢：
本次培訓(xùn)提供上課所有使用軟件的安裝包，PPT資料1000余頁，課程每天會提供回放觀看
三、培訓(xùn)經(jīng)驗優(yōu)勢：
我們有長達(dá)4年50余期的培訓(xùn)經(jīng)驗，受訓(xùn)學(xué)員達(dá)5000余人，學(xué)員好評100%，其中不乏有發(fā)表多篇CNS的學(xué)員
部分學(xué)員評價
CADD計算機(jī)輔助藥物設(shè)計線上直播課表
1
講師簡介
計算機(jī)輔助藥物設(shè)計主講老師來自國內(nèi)高校北京協(xié)和醫(yī)院藥物研究所，老師主要擅長藥物虛擬篩選、計算機(jī)輔助藥物設(shè)計、人工智能藥物發(fā)現(xiàn)、分子對接、分子動力學(xué)等方面的研究，已發(fā)表sci十余篇！有十余年的CADD研究經(jīng)驗。
第一天
上午
背景與理論知識以及工具準(zhǔn)備
1.PDB數(shù)據(jù)庫的介紹和使用
1.1數(shù)據(jù)庫簡介
1.2靶點蛋白的結(jié)構(gòu)查詢與選取
1.3靶點蛋白的結(jié)構(gòu)序列下載
1.5批量下載蛋白晶體結(jié)構(gòu)
2.Pymol的介紹與使用
2.1軟件基本操作及基本知識介紹
2.2蛋白質(zhì)-配體相互作用圖解
2.3蛋白-配體小分子表面圖、靜電勢表示
2.4蛋白-配體結(jié)構(gòu)疊加與比對
2.5繪制相互作用力
3.notepad的介紹和使用
3.1優(yōu)勢及主要功能介紹
3.2界面和基本操作介紹
3.3插件安裝使用
下午
一般的蛋白
-配體分子對接講解
1.對接的相關(guān)理論介紹
1.1分子對接的概念及基本原理
1.2分子對接的基本方法
1.3分子對接的常用軟件
1.4分子對接的一般流程
2.常規(guī)的蛋白-配體對接
2.1收集受體與配體分子
2.2復(fù)合體預(yù)構(gòu)象的處理
2.3準(zhǔn)備受體、配體分子
2.4蛋白-配體對接
2.5對接結(jié)果的分析
以新冠病毒蛋白主蛋白酶靶點及相關(guān)抑制劑為例
第二天
虛擬篩選
1.小分子數(shù)據(jù)庫的介紹與下載
2.相關(guān)程序的介紹
2.1 openbabel的介紹和使用
2.2 chemdraw的介紹與使用
3.虛擬篩選的前處理
4.虛擬篩選的流程及實戰(zhàn)演示
案例：篩選新冠病毒主蛋白酶抑制劑
5.結(jié)果分析與作圖
6.藥物ADME預(yù)測
6.1ADME概念介紹
6.2預(yù)測相關(guān)網(wǎng)站及軟件介紹
6.3預(yù)測結(jié)果的分析
第三天
1.大分子對接實例
蛋白-蛋白對接
1.1蛋白-蛋白對接的應(yīng)用場景
1.2相關(guān)程序的介紹
1.3目標(biāo)蛋白的收集以及預(yù)處理
1.4使用算例進(jìn)行運算
1.5關(guān)鍵殘基的預(yù)設(shè)
1.6結(jié)果的獲取與文件類型
1.7結(jié)果的分析
以目前火熱的靶點
PD-1/PD-L1等為例。
2.蛋白-多肽對接與實例
2.1蛋白-多肽相互作用
2.2蛋白-多肽對接算法
2.3蛋白-多肽對接流程
2.4不同條件下參數(shù)的設(shè)置
2.5蛋白-多肽對接實例
SARS-CoV-2強(qiáng)效D型多肽抑制劑
3.金屬酶蛋白的對接實例
涉及金屬酶蛋白的對接
3..1金屬酶蛋白-配體的背景介紹
3.2蛋白與配體分子的收集與預(yù)處理
3.3金屬離子的處理
3.4金屬輔酶蛋白-配體的對接
3.5結(jié)果分析
以人類法尼基轉(zhuǎn)移酶及其抑制劑為例
4.蛋白-多糖分子對接
4.1蛋白-多糖相互作用
4.2對接處理的要點
4.3蛋白-多糖分子對接的流程
4.4蛋白-多糖分子對接
4.5相關(guān)結(jié)果分析
以α-糖苷轉(zhuǎn)移酶和多糖分子對接為例
5.核酸-小分子對接
5.1核酸-小分子的應(yīng)用現(xiàn)狀
5.2相關(guān)的程序介紹
5.3核酸-小分子的結(jié)合種類
5.4核酸-小分子對接
5.5相關(guān)結(jié)果的分析
以人端粒
g -四鏈和配體分子對接為例。
操作流程介紹及實戰(zhàn)演示
第四天
拓展對接的使用方法
1.柔性對接
1.1柔性對接的使用場景介紹
1.2柔性對接的優(yōu)勢
1.3蛋白-配體的柔性對接
重點：柔性殘基的設(shè)置方法
1.4相關(guān)結(jié)果的分析
以周期蛋白依賴性激酶
2（CDK2）與配體1CK為例
2.共價對接
2.1兩種共價對接方法的介紹
2.1.1柔性側(cè)鏈法
2.1.2兩點吸引子法
2.2蛋白和配體的收集以及預(yù)處理
2.3共價藥物分子與靶蛋白的共價對接
2.4結(jié)果的對比
以目前火熱的新冠共價藥物為例。
3.蛋白-水合對接
3.1水合作用在蛋白-配體相互作用中的意義及方法介紹
3.2蛋白和配體的收集以及預(yù)處理
3.3對接相關(guān)參數(shù)的準(zhǔn)備
重點：水分子的加入和處理
3.4蛋白-水分子-配體對接
3.5結(jié)果分析
以乙酰膽堿結(jié)合蛋白
(AChBP)與尼古丁復(fù)合物為例
第五天
1.抗體對接
1.1抗體建模
1.2抗體抗原對接
2.其他抗原抗體生成模型的介紹
3.Linux系統(tǒng)基本知識
3.1Linux系統(tǒng)簡介
3.2常用命令介紹
3.3基本操作介紹
第六天
1.分子動力學(xué)模擬
1.1實例演示
1.2指導(dǎo)安裝Gromacs 2019.6
2.分子動力學(xué)概述
2.1分子動力學(xué)模擬原理及一般流程
3.Gromacs介紹
2.Gromacs命令介紹
2.1蛋白拓?fù)湮募墨@取
2.2溶劑化盒子的設(shè)置
2.3mdp文件的介紹
2.4后處理命令介紹
第七天
1.溶菌酶在溶劑條件下的動力學(xué)模擬
2.拓?fù)湮募慕?/p>
3.體系電中性
4.能量最小化
5.NPT\NVT
6.無限制的MD模擬
7.主蛋白酶及其抑制劑在溶劑條件下的動力學(xué)模擬
8.非標(biāo)準(zhǔn)殘基的拓?fù)鋮?shù)建立
AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計視頻回放課
講師簡介
AIDD授課老師，有十余年的計算機(jī)算法研究和程序設(shè)計經(jīng)驗。研究方向涉及人工智能藥物發(fā)現(xiàn)，深度學(xué)習(xí)藥物靶標(biāo)識別，CADD等。一作身份發(fā)表SCI論文數(shù)篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊。
第一天
1.AIDD概述及藥物綜合數(shù)據(jù)庫介紹
2.人工智能輔助藥物設(shè)計AIDD概述
3.安裝環(huán)境
(1)anaconda
(2)vscode
(3)pycharm
(4)虛擬環(huán)境
4.第三方庫基本使用方法
(1)numpy
(2)pandas
(3)matplotlib
(4)requests
5.多種藥物綜合數(shù)據(jù)庫的獲取方式
(1)KEGG（requests爬蟲）
(2)Chebi（libChEBIpy）
(3)PubChem（pubchempy / requests）
(4)ChEMBL（chembl_webresource_client）
(5)BiGG（curl）
(6)PDB（pypdb）
第二天 ML-based AIDD
1.機(jī)器學(xué)習(xí)
(1)機(jī)器學(xué)習(xí)種類：
①監(jiān)督學(xué)習(xí)
②無監(jiān)督學(xué)習(xí)
③強(qiáng)化學(xué)習(xí)
(2)典型機(jī)器學(xué)習(xí)方法
①決策樹
②支持向量機(jī)
③樸素貝葉斯
④神經(jīng)網(wǎng)絡(luò)
⑤卷積神經(jīng)網(wǎng)絡(luò)
(3)模型的評估與驗證
(4)分類評估：準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)、ROC曲線、AUC計算
(5)回歸評估：平均絕對誤差、均方差、R2分?jǐn)?shù)、可釋方差分?jǐn)?shù)
(6)交叉驗證
2.sklearn工具包基本使用
3.rdkit工具包的基本使用
4.化合物編碼方式和化合物相似性理論知識
5.項目實戰(zhàn)1：基于ADME和Ro5的分子篩選
6.項目實戰(zhàn)2：基于化合物相似性的配體篩選
7.項目實戰(zhàn)3：基于化合物相似性的分子聚類
8.項目實戰(zhàn)4: 基于機(jī)器學(xué)習(xí)的生物活性預(yù)測
9.項目實戰(zhàn)5：基于機(jī)器學(xué)習(xí)的分子毒性預(yù)測
第三天GNN-based AIDD
1.圖神經(jīng)網(wǎng)絡(luò)
(1)框架介紹: PyG，DGL，TorchDrug
(2)圖神經(jīng)網(wǎng)絡(luò)消息傳遞機(jī)制
(3)圖神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集設(shè)計
(4)圖神經(jīng)網(wǎng)絡(luò)節(jié)點預(yù)測、圖預(yù)測任務(wù)和邊預(yù)測任務(wù)實戰(zhàn)
2.論文精講：DeepTox: Toxicity Prediction using Deep Learning
3.項目實戰(zhàn)1：基于圖神經(jīng)網(wǎng)絡(luò)的分子毒性預(yù)測
(1)SMILES分子數(shù)據(jù)集構(gòu)建PyG圖數(shù)據(jù)集
(2)基于GNN進(jìn)行分子毒性預(yù)測
4.項目實戰(zhàn)2：基于圖神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)-配體相互作用預(yù)測
(1)蛋白質(zhì)分子圖形化，構(gòu)建PyG圖數(shù)據(jù)集
(2)基于GIN進(jìn)行網(wǎng)絡(luò)搭建及相互作用預(yù)測
第四天NLP-based AIDD
1.自然語言處理
(1)Encoder-Decoder模型
(2)循環(huán)神經(jīng)網(wǎng)絡(luò) RNN
(3)Seq2seq
(4)Attention
(5)Transformer
2.項目實戰(zhàn)1：基于自然語言的分子毒性預(yù)測
(1)SMILES分子數(shù)據(jù)集詞向量表示方法
(2)基于NLP模型進(jìn)行分子毒性預(yù)測
3.項目實戰(zhàn)2：基于Transformer的有機(jī)化學(xué)反應(yīng)產(chǎn)量預(yù)測 （Prediction of chemical reaction yields using deep learning）
4.論文精讀及代碼講解：《Mapping the space of chemical reactions using attention-based neural networks》
第五天 分子生成與藥物設(shè)計
1.分子生成模型
(1)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
(2)變分自動編碼器VAE
(3)生成對抗網(wǎng)絡(luò)GAN
(4)強(qiáng)化學(xué)習(xí)RL
2.項目實戰(zhàn)1: 基于圖數(shù)據(jù)的小分子化合物生成模型《A Graph to Graphs Framework for Retrosynthesis Prediction》
3.項目實戰(zhàn)2: 基于NLP的抗體生成模型《Generative language modeling for antibody design》
授課時間
AI蛋白質(zhì)設(shè)計線上實操直播授課時間
2025.04.12-2025.04.13 （09：00-11：30--13：30-17：00）
2025.04.19-2024.04.20 （09：00-11:30--13：30-17：00）
2025.04.26-2025.04.27 （09：00-11:30--13：30-17：00）
共計6天的課 通過騰訊會議直播 線上實操 提供全部錄播
CADD計算機(jī)輔助藥物設(shè)計線上直播授課時間
2025.04.19-2024.04.20 （09：00-11:30--13：30-17：00）
2025.04.22-2025.04.25 (19:00-22:00)
2025.04.26-2025.04.27 （09：00-11:30--13：30-17：00）
2025.04.28-2025.04.29(19:00-22:00)
共計7天的課 通過騰訊會議直播 線上實操 提供全部錄播
AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計錄播課（免費贈送）
共計五天的錄播課 ，提供全部視頻、資料、軟件、代碼
培訓(xùn)費用超值福利
課程報名費用：
AI蛋白質(zhì)設(shè)計線上實操直播課：
公費價：每人每班￥6880元 （含報名費、培訓(xùn)費、資料費、提供課后全程回放資料）
自費價：每人每班￥6580元 （含報名費、培訓(xùn)費、資料費、提供課后全程回放資料）
CADD計算機(jī)輔助藥物設(shè)計線上直播課
公費價：每人每班￥5880元 （含報名費、培訓(xùn)費、資料費、提供課后全程回放資料）
自費價：每人每班￥5580元 （含報名費、培訓(xùn)費、資料費、提供課后全程回放資料）
AIDD人工智能藥物發(fā)現(xiàn)回放課(即報即學(xué))
重磅優(yōu)惠:
優(yōu)惠1：
報二送一（同時報名兩個班贈送一個學(xué)習(xí)班，贈送班任選）
兩班同報：10880元 （原價18640）
三班同報：14880元 （原價23620）
特惠一：24880元 （可免費學(xué)習(xí)一整年本單位舉辦的任意課程）
特惠二：28880元（可免費學(xué)習(xí)兩整年本單位舉辦的任意課程）
優(yōu)惠2：提前報名繳費可享受300元優(yōu)惠（僅限十五名）
優(yōu)惠3：報名直播課程可贈送往期課程回放（報兩個班贈送全部回放）
（可點擊跳轉(zhuǎn)詳情鏈接）：
回放一：
回放二：
回放三：
回放四：
回放五：
回放六：
回放七：
回放八：
回放九：
報名咨詢方式（請二維碼掃描下方微信）
微信：766728764
電子郵箱：m15238680799@163.com
電話：15238680799
引用往期參會學(xué)員的一句話：
發(fā)現(xiàn)真的是腳踏實地的同時 需要偶爾仰望星空 非常感謝各位對我們培訓(xùn)的認(rèn)可！祝愿各位心想事成
熱門跟貼