AI蛋白質設計線上實操直播課

2025 年 2 月 13 日，諾獎得主、華盛頓大學David Baker團隊在Science期刊發表了題為：Computational design of serine hydrolases 的研究論文。

該研究利用 AI 從頭設計了具有復雜活性位點的絲氨酸水解酶，這也是首次從頭設計一種新的酶，其能夠加快一個四步化學反應（該反應對于許多生物和工業過程至關重要，其中包括塑料降解和回收），其催化效率是之前設計的水解酶催化效率的 6 萬倍。

這項研究是酶工程領域的一個里程碑，表明了我們現在已經可以設計出具有天然活性的酶，而且這些設計的酶甚至能夠實際應用。

David Baker教授表示，酶是在溫和的條件下加速化學反應的蛋白質，而即使是最優秀的人類化學家也做不到這一點。利用 AI 設計新的酶來應對各種化學挑戰，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，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等分子體系的采樣，在分子模擬上由豐富的實戰經驗。已在JCIM、communications physics等國際期刊上發表數篇文章，其設計的蛋白質采樣算法UFConf的發表文章，被選為JCIM雜志的當期封面文章以及編輯推薦，具有廣泛的影響力。

專題一、蛋白質設計概述與工具準備

1.為什么要做蛋白質設計？

蛋白質廣闊的可能結構空間

2.蛋白質設計方法分類

目前最佳解決方案：

蛋白質結構預測：Alphafold2,Rosettafold2

固定結構序列預測：ProteinMPNN

從頭設計：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，創建python環境（實操）

Conda create -n env_name python=3.9

5.超算作業提交（實操）

Slurm作業管理系統的教學，sbatch, salloc,scancel的使用

6.生成模型概覽，特別講Diffusion model理論

通過本天培訓學員將掌握：

本專題將介紹蛋白質設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：首先將介紹蛋白質設計的意義以及當前蛋白質設計的主要方法，包括Alphafold2、Rosettafold2等結構預測方法，ProteinMPNN等逆折疊模型以及RFDiffusion等結構設計方法。接著，課程將引導學員安裝并配置VScode，進行SSH連接超算集群的配置，并介紹Linux環境的搭建，為后續的計算實驗做好準備。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的方式。將根據課程進度來決定是否講解生成模型的基本原理。

專題二、深度學習蛋白質結構預測方法

1.基于深度學習的模型--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.自蒸餾數據集（pLDDT的引入）

2. AF2 本地運行（實操）

2.1基于Alphafold2的復現工作—Openfold、Unifold

3.Alphafold2上機實操

3.1MSA由mmseqs2 api生成，不需要下載結構和序列的數據集（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.蛋白質多鏈結構預測—Alphafold multimer

6.蛋白-核酸復合物預測—RosetaffoldNA（實操）

Add nucleic acid representation

7.蛋白-核酸-小分子復合物預測—Rosetaffold-all atom, Alphafold3

通過本天培訓學員將掌握：

本專題將詳細講解多種蛋白質結構預測模型，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，并進行上機實操演示，接著我們會介紹Alphafold-multimer相比單鏈預測的主要難點，接下來我們會介紹一些蛋白質和其他分子復合物的預測模型RosettafoldNA、Rosettafold All Atom和AlphaFold3。然后我們會上機實際操作如何以最簡便的方式本地運行Alphafold2，無需加載龐大的數據集。在本專題最后我們會進行一個論文復現，利用MSA子采樣來提升Alphafold2的采樣多樣性。讓學員都能夠掌握多種蛋白質結構預測模型的使用

專題三、深度學習蛋白質多構象采樣方法與模型

蛋白質多構象預測（模擬）

1. 基于傳統物理能量的方法—分子動力學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環境配置與AF2一樣

2.2AF_cluster方法

2.3環境配置與AF2一樣運行

2.4生成MSA

2.5模型預測

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代表采樣數目

4.UFConf使用Diffusion model（實操）

通過本天培訓學員將掌握：

本專題將介紹蛋白質多構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。接下來我們會進行AF_cluster文獻中的案例復現。最后我們將介紹UFConf模型的上手實踐，并對不同的蛋白質采樣方法作以對比。讓學員都能夠掌握蛋白質多構象采樣方法與模型使用工具

專題四、深度學習蛋白質數據集挖掘工具與蛋白質口袋搜索工具

1.蛋白質數據集挖掘工具

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MMseqs2

2.1.對角線上的k-mer短序列匹配

22.table查找對應target序列上k-mer出現的位置

2.3.target序列和query序列的匹配

3.結構比對和聚類工具

3.1TM-align

4.結構快速比對工具Foldseek

41Foldseek團隊與mmseqs系列對比

5.Foldseek上機實操

6、深度學習蛋白質口袋搜索工具

6.1.蛋白質口袋搜索

6.2Alpha sphere

7.基于結構的蛋白質口袋搜索工具--Fpocket、CavityPlus（實操）

8.基于軌跡（多構象）的蛋白質口袋搜索—Mdpocket（實操）

9.基于深度學習的蛋白質小分子結合位點預測工具—Diffdock

Diffdock上機實操

通過本天培訓學員將掌握：

本專題將詳細介紹蛋白質數據集挖掘工具，重點講解序列比對工具mmseqs2和結構比對工具foldseek的應用。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，并進行上機演示; 接下來我們將介紹結構比對方法，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，并進行上機演示，我們會演示其html網頁可視化和csv文件輸入的不同結果展示方式。讓學員掌握數據集挖掘工具的使用

蛋白質口袋搜索的傳統方法與基于深度學習的創新方法。分為如下幾個部分：首先我們會介紹基于結構的口袋搜索方法的基本原理，重點講解fpocket工具，并進行上機演示；接下來我們會介紹基于深度學習的蛋白質小分子結合位點預測方法DiffDock，并進行上機演示，學員將了解這兩種工具的理論基礎，并通過實際操作演示，掌握如何進行蛋白質口袋的識別與分析。

專題五、深度學習在蛋白質設計中的應用

1.基于深度學習的蛋白質設計概覽

2.結構生成模型--RFDiffusion

3.RFDiffusion是一個conditional的結構生成模型（實操）

3.3.RFDiffusion：基于RosettaFold

3.4.RFDiffusion-All-Atom：基于RosettaFold-All-Atom

3.5.RFDiffusion上機實操

3.6.RFDiffusion設計骨架結構

4.逆折疊模型--ProteinMPNN（實操）

4.1inverse folding模型

4.2ProteinMPNN逆折疊設計序列上機實操

5.利用AF2提高蛋白質設計的成功率（實操）

5.1Alphafold2折疊設計序列

5.2篩選選Alphafold2中pLDDT較高的序列

5.3預測結構作迭代

6.Binder design設計流程

6.1RFDiffusion設計binder

6.2ProteinMPNN-FastRelax Binder Design設計

6.3AF2 complex prediction設計

7.結構序列生成模型--ProteinGenerator

7.1ProteinGenerator是結構和序列的生成

通過本天培訓學員將掌握：

本專題將深入探討深度學習在蛋白質設計中的應用。包括如下內容：首先我們會介紹基于深度學習的蛋白質設計概覽，接下來我們會介紹RFDiffusion（結構生成模型）、ProteinMPNN（逆折疊模型）、ProteinGenerator（結構與序列生成模型）的基礎理論；接著我們會介紹如何利用Alphafold2來提升蛋白質設計的成功率；之后我們會進行上機實操，包括常見的蛋白質設計任務，具體包括RFDiffusion的不同使用模式、monomer motif scaffolding的迭代優化、 binder design的迭代優化。學員將通過實操，學習如何利用AlphaFold2提高蛋白質設計的成功率。我們會在本專題最后進行david baker 設計TNFR binder的論文復現。讓學員都能夠掌握david baker 的核心技術

專題六、基于深度學習的酶設計與語言模型的蛋白質設計

1.深度學習酶設計（實操）

11.酶設計基本原理

1.2.酶學性質預測

1.3.RFDiffusionAA模型

1.4RFDiffusionAA與RFDiffusion對比

2.基于語言模型的蛋白質設計

2.1Progen模型（實操）

2.2Progen的訓練

2.3conditional tag下的語言模型訓練

3.ESM2、ESM3（實操）

3.1多模態ESM3語言模型

3.2序列、結構和功能三個模塊的訓練

頂刊復現：

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).

通過本天培訓學員將掌握：

最后，本專題將介紹酶設計的基本原理及基于語言模型的蛋白質設計方法。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設計模型）的基本原理，接下來我們會通過上機實操來演示酶設計的一個例子；接下來我們會介紹一些蛋白質語言模型，包括Progen、ESM2和ESM3的基本原理，架構，并進行上機演示。讓學員能夠掌握蛋白質語言模型的使用

免費贈送視頻

史無前例福利

（可點擊藍色字體查看）

（可點擊藍色字體查看）

報名AI蛋白設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！ 快速學會AI蛋白質設計！助力發Nature

CADD計算機輔助藥物設計線上直播課

藥物研發是一個漫長而昂貴的過程，常常需要花費數十億美元和數年時間。藥物的設計和發現過程中，計算機輔助藥物設計已經成為了一種重要的方法。計算機輔助藥物設計（CADD）通過模擬和計算預測藥物的性質、藥效、毒性和代謝，為藥物設計的每個環節提供準確的信息和指導。計算機輔助藥物設計不僅可以加快發現新藥物的速度，也可以大大減少發現過程中的花費。卡托普利、多佐胺、奧司他韋、阿利克侖、諾拉曲特等許多已獲批準的藥物均采用過CADD進行了優化。CADD能夠快速高效地進行預測、設計、合成和評價，大大減少藥物研發周期、成本和風險，提高了研發的效率和可行性

技術方法

分子對接

?分子對接的優勢:主要包括高效性、經濟性和可視化?。分子對接是一種利用計算機模擬預測小分子與受體蛋白相互作用的方法，能夠在較短時間內篩選大量化合物，找到與受體結合能力較強的分子，從而加速藥物研發的進程?。相比傳統的藥物篩選方法，分子對接能夠節省大量研發成本，降低實驗失敗的風險?。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合方式，有助于理解藥物與靶標之間的相互作用機制?

分子對接常用軟件:

?AutoDock?：由Scripps Research Institute開發的免費開源軟件，支持剛性和柔性對接。它使用拉馬克遺傳算法來優化配體在受體結合位點的放置，并包含多種評分函數來評估結合親和力。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。它能夠在短時間內找到分子之間的最佳結合方式，廣泛應用于藥物發現和生物化學研究?

Discovery Studio?：由Dassault Systèmes BIOVIA開發，包含一系列分子對接、虛擬篩選、蛋白質建模和分子動力學模擬分析工具?

本次分子對接培訓主要采用?AutoDock Vina?，完全開源免費。

本次培訓主要講解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

?虛擬篩選在藥物發現中的應用優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模擬技術，能夠在短時間內對大量分子進行高通量篩選，顯著減少了實驗篩選所需化合物的數量，從而降低了研發成本和時間?。此外，虛擬篩選不需要復雜的實驗設備和高昂的實驗費用，使得藥物研發更加經濟高效?

?縮短研發周期?：傳統的藥物研發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的周期。統計顯示，虛擬篩選的陽性率維持在5%-30%之間，且成功輔助藥物設計的案例正逐年增加?

?提高成功率?：虛擬篩選通過計算機模擬和生物數據分析，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現的效率和成功率?1。此外，結合分子動力學模擬等手段，可以進一步評估藥物候選分子的穩定性和體內行為，優化候選分子，從而提高藥物的研發成功率?

?適用于多種藥物類型?：虛擬篩選不僅可以應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過程中發揮重要作用?1。這使得虛擬篩選在生物醫藥領域的適用范圍更廣，能夠滿足不同類型藥物研發的需求。

?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，降低實驗失敗的風險。例如，MCE公司的虛擬篩選服務通過高效的分子對接技術和精準的打分函數，能夠大幅減少實驗篩選的化合物數量，提高發現理想先導物的可能性?

分子動力學模擬

??GROMACS在分子動力學模擬中的優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加速方面表現卓越。它能夠在大型超級計算機上高效運行

?開源和免費?：GROMACS遵循LGPL協議，是開源軟件，用戶可以在Github上找到其開源代碼。這使得GROMACS在學術界廣泛使用，并且用戶可以自由地修改和擴展其功能?

?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粗粒化模型和基于GBSA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行操作，且其拓撲文件和參數文件格式友好，易于閱讀和設置。此外，GROMACS提供了詳細的免費使用手冊，幫助用戶更好地使用軟件?

培訓優勢

一、課程設置優勢：

本次培訓采取線上直播授課，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計算機輔助藥物設計技術全覆蓋，報名成功就發送預習視頻

二、學習資料優勢：

本次培訓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、培訓經驗優勢：

我們有長達4年50余期的培訓經驗，受訓學員達5000余人，學員好評100%，其中不乏有發表多篇CNS的學員

部分學員評價

CADD計算機輔助藥物設計線上直播課表

1

講師簡介

計算機輔助藥物設計主講老師來自國內高校北京協和醫院藥物研究所，老師主要擅長藥物虛擬篩選、計算機輔助藥物設計、人工智能藥物發現、分子對接、分子動力學等方面的研究，已發表sci十余篇！有十余年的CADD研究經驗。

第一天

上午

背景與理論知識以及工具準備

1.PDB數據庫的介紹和使用

1.1數據庫簡介

1.2靶點蛋白的結構查詢與選取

1.3靶點蛋白的結構序列下載

1.5批量下載蛋白晶體結構

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-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-配體結構疊加與比對

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.常規的蛋白-配體對接

2.1收集受體與配體分子

2.2復合體預構象的處理

2.3準備受體、配體分子

2.4蛋白-配體對接

2.5對接結果的分析

以新冠病毒蛋白主蛋白酶靶點及相關抑制劑為例

第二天

虛擬篩選

1.小分子數據庫的介紹與下載

2.相關程序的介紹

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演示

案例：篩選新冠病毒主蛋白酶抑制劑

5.結果分析與作圖

6.藥物ADME預測

6.1ADME概念介紹

6.2預測相關網站及軟件介紹

6.3預測結果的分析

第三天

1.大分子對接實例

蛋白-蛋白對接

1.1蛋白-蛋白對接的應用場景

1.2相關程序的介紹

1.3目標蛋白的收集以及預處理

1.4使用算例進行運算

1.5關鍵殘基的預設

1.6結果的獲取與文件類型

1.7結果的分析

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不同條件下參數的設置

2.5蛋白-多肽對接實例

SARS-CoV-2強效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結果分析

以人類法尼基轉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相關結果分析

以α-糖苷轉移酶和多糖分子對接為例

5.核酸-小分子對接

5.1核酸-小分子的應用現狀

5.2相關的程序介紹

5.3核酸-小分子的結合種類

5.4核酸-小分子對接

5.5相關結果的分析

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柔性對接的優勢

1.3蛋白-配體的柔性對接

重點：柔性殘基的設置方法

1.4相關結果的分析

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柔性側鏈法

2.1.2兩點吸引子法

2.2蛋白和配體的收集以及預處理

2.3共價藥物分子與靶蛋白的共價對接

2.4結果的對比

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處理

3.3對接相關參數的準備

重點：水分子的加入和處理

3.4蛋白-水分子-配體對接

3.5結果分析

以乙酰膽堿結合蛋白

(AChBP)與尼古丁復合物為例

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系統基本知識

3.1Linux系統簡介

3.2常用命令介紹

3.3基本操作介紹

第六天

1.分子動力學模擬

1.1實例演示

1.2指導安裝Gromacs 2019.6

2.分子動力學概述

2.1分子動力學模擬原理及一般流程

3.Gromacs介紹

2.Gromacs命令介紹

2.1蛋白拓撲文件的獲取

2.2溶劑化盒子的設置

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模擬

2.拓撲文件的建立

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模擬

8.非標準殘基的拓撲參數建立

AIDD人工智能藥物發現與設計視頻回放課

講師簡介

AIDD授課老師，有十余年的計算機算法研究和程序設計經驗。研究方向涉及人工智能藥物發現，深度學習藥物靶標識別，CADD等。一作身份發表SCI論文數篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊。

第一天

1.AIDD概述及藥物綜合數據庫介紹

2.人工智能輔助藥物設計AIDD概述

3.安裝環境

(1)anaconda

(2)vscode

(3)pycharm

(4)虛擬環境

4.第三方庫基本使用方法

(1)numpy

(2)pandas

(3)matplotlib

(4)requests

5.多種藥物綜合數據庫的獲取方式

(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.機器學習

(1)機器學習種類：

①監督學習

②無監督學習

③強化學習

(2)典型機器學習方法

①決策樹

②支持向量機

③樸素貝葉斯

④神經網絡

⑤卷積神經網絡

(3)模型的評估與驗證

(4)分類評估：準確率、精確率、召回率、F1分數、ROC曲線、AUC計算

(5)回歸評估：平均絕對誤差、均方差、R2分數、可釋方差分數

(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1：基于ADME和Ro5的分子篩選

6.項目實戰2：基于化合物相似性的配體篩選

7.項目實戰3：基于化合物相似性的分子聚類

8.項目實戰4: 基于機器學習的生物活性預測

9.項目實戰5：基于機器學習的分子毒性預測

第三天GNN-based AIDD

1.圖神經網絡

(1)框架介紹: PyG，DGL，TorchDrug

(2)圖神經網絡消息傳遞機制

(3)圖神經網絡數據集設計

(4)圖神經網絡節點預測、圖預測任務和邊預測任務實戰

2.論文精講：DeepTox: Toxicity Prediction using Deep Learning

3.項目實戰1：基于圖神經網絡的分子毒性預測

(1)SMILES分子數據集構建PyG圖數據集

(2)基于GNN進行分子毒性預測

4.項目實戰2：基于圖神經網絡的蛋白質-配體相互作用預測

(1)蛋白質分子圖形化，構建PyG圖數據集

(2)基于GIN進行網絡搭建及相互作用預測

第四天NLP-based AIDD

1.自然語言處理

(1)Encoder-Decoder模型

(2)循環神經網絡 RNN

(3)Seq2seq

(4)Attention

(5)Transformer

2.項目實戰1：基于自然語言的分子毒性預測

(1)SMILES分子數據集詞向量表示方法

(2)基于NLP模型進行分子毒性預測

3.項目實戰2：基于Transformer的有機化學反應產量預測 （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 分子生成與藥物設計

1.分子生成模型

(1)循環神經網絡RNN

(2)變分自動編碼器VAE

(3)生成對抗網絡GAN

(4)強化學習RL

2.項目實戰1: 基于圖數據的小分子化合物生成模型《A Graph to Graphs Framework for Retrosynthesis Prediction》

3.項目實戰2: 基于NLP的抗體生成模型《Generative language modeling for antibody design》

授課時間

AI蛋白質設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計算機輔助藥物設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人工智能藥物發現與設計錄播課（免費贈送）

共計五天的錄播課 ，提供全部視頻、資料、軟件、代碼

培訓費用超值福利

課程報名費用：

AI蛋白質設計線上實操直播課：

公費價：每人每班￥6880元 （含報名費、培訓費、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、培訓費、資料費、提供課后全程回放資料）

CADD計算機輔助藥物設計線上直播課

公費價：每人每班￥5880元 （含報名費、培訓費、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、培訓費、資料費、提供課后全程回放資料）

AIDD人工智能藥物發現回放課(即報即學)

重磅優惠:

優惠1：

報二送一（同時報名兩個班贈送一個學習班，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 （可免費學習一整年本單位舉辦的任意課程）

特惠二：28880元（可免費學習兩整年本單位舉辦的任意課程）

優惠2：提前報名繳費可享受300元優惠（僅限十五名）

優惠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

引用往期參會學員的一句話：

發現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的認可！祝愿各位心想事成