科学家不是苦行僧！神级“大佬”实现Nature/Science双发!生命科学领域再创新高度！

第一天

上午

导论与基础

1. 蛋白质三维结构的预测对于药物发现的重要性

1.1 同源建模

1.2 从头建模

2. 蛋白质（酶/靶点）活性位点在药物发现的重要性

3. 药物发现中的关键结构特征（特别是小分子）

4. 药物辅助发现常用的计算方法

4.1 分子对接

4.2 虚拟筛选

4.3 分子动力学模拟

4.4 其他

下午

1. PDB数据库的介绍

1.1 检索蛋白

1.2 页面功能及解读

1.3 数据的下载

1.4 PDB文件格式的解读

2. PyMol

2.1 软件介绍

2.2 基本操作介绍

2.3 蛋白及小分子表面图、静电势表示

2.4 绘制相互作用图及制作简单动画

第二天

上午

同源建模

1. 同源建模原理介绍

1.1 同源建模的功能及使用场景

1.2 同源建模的方法

2. Swiss-Model 同源建模；

2.1 同源蛋白的搜索（blast等方法）

2.2 蛋白序列比对

2.3 蛋白模板选择

2.4 蛋白模型搭建

2.5 模型评价（蛋白拉曼图）

2.6 蛋白模型优化                       

实例讲解与练习：用2019-nCoV spike蛋白序列建模，根据相应参数和方法评价模型

下午

小分子构建

1. ChemDraw软件介绍

1.1 小分子结构构建

1.2 小分子理化性质（如分子量、clogP等）计算

1.3 分别构建大环、氨基酸、DNA、RNA等分子

小分子化合物库

2 小分子数据库

2.1 DrugBank、ZINC、ChEMBL等数据库介绍及使用

2.2 天然产物、中药成分数据库介绍及使用

第三天

上午

1. 分子对接基础

1.1 分子对接原理

1.2 分子对接分类

1.3 分子对接打分函数

2. 常规分子对接实践

2.1 对接的执行

2.1.1 药物分子配体的准备

2.1.2 蛋白受体的准备

2.1.3 受体格点计算

2.1.3 执行半柔性对接

下午

1.2对接结果评价

1.2.1 晶体结构构象进行对比

1.2.2 能量角度评价对接结果

1.2.3 聚类分析评价对接结果

1.2.4 最优结合构象的选择

2 对接其他方式的实现

第四天

上午

1 柔性对接

1.1 小分子配体优化准备

1.2 蛋白受体的准备

1.3 柔性残基的定义

1.4 蛋白受体格点计算

1.5 柔性对接计算及结果评价

1.6 半柔性对接与柔性对接比较与选择

2 柔性对接其他方式的实现

下午

基于受体的药物发现

1 虚拟筛选的准备

1.1 小分子文件的不同格式

1.2 openbabel最实用功能的介绍

1.3 小分子不同格式的转化

2. 基于对接的虚拟筛选

2.1 虚拟筛选定义、流程构建及演示

2.2 靶点蛋白选择、化合物库获取

2.3 虚拟筛选

2.4 结果分析（打分值、能量及相互作用分析）

第五天

上午

一些特殊的分子对接

1.小分子-小分子对接

1.1小分子-小分子相互作用简介

1.2小分子结构预处理

1.3小分子-小分子对接（糖-小分子为例）

1.4对接结果展示与分析

2. 蛋白-核酸对接

3. 蛋白-蛋白对接

下午

基于配体的药物发现

1. 3D-QSAR模型构建（Sybyl软件）

1.1 小分子构建

1.2 创建小分子数据库

1.3 小分子加电荷及能量优化

1.4 分子活性构象确定及叠合

1.5 创建3D-QSAR模型

1.6 CoMFA和CoMSIA模型构建

1.7 测试集验证模型

1.8 模型参数分析

1.9 模型等势图分析

1.10 3D-QSAR模型指导药物设计

第六天

上午

1. linux系统介绍

2.常用命令介绍

3. linux上程序的安装（gromacs）

下午

MD实践一：溶剂化下蛋白质分子动力学模拟

全面熟悉分子动力学模拟的一般流程

第七天

上午

MD实践二：溶剂化下蛋白质-配体的分子动力学模拟

掌握处理非标准残基的力场拟合

下午

分子动力学模拟中的常用分析命令

蛋白-配体结合自由能的结算

第一天

1     人工智能药物发现(AIDD)简介

2     机器学习和深度学习在药物发现领域的应用

2.1  分子属性预测与优化

2.2  虚拟筛选

2.3  药物副作用预测与安全性评估

2.4  新药分子设计

3     工具介绍与安装

3.1  Anaconda3/Pycharm 安装

3.2  Numpy 基础

3.3  Pandas 基础

3.4  Matplotlib 基础

3.5  Scikit-learn 基础

3.6  Pytorch 基础

3.7  RDKit 基础

第二天

1     机器学习简介

1.1     机器学习四要素

1.2     数据模块

1.3     核心和高级 API

2     回归算法与应用

2.1     线性回归

2.2     Lasso 回归

2.3     Ridge 回归

2.4     ElasticNset 弹性网络

3     分类算法与应用

3.1     逻辑回归

3.2     朴素贝叶斯

3.3     KNN

3.4     SVC

3.5     决策树

3.6     随机森林

3.7     集成学习

4     聚类算法

4.1     KMeans

4.2     密度聚类 DBSCAN

5     降维

5.1     奇异值分解 SVD

5.2     主成分分析 PCA

5.3     非负矩阵分解 NMF

6     模型的评估方法和评价指标

6.1     超参数优化

6.2     交叉验证

6.3     评价指标

7     特征工程

8     机器学习药物发现案例（一）

——化合物生物活性分类模型

9     机器学习药物发现案例（二）

——化合物生物活性回归模型

10   机器学习药物发现案例（三）

—— 药物副作用预测模型

第三天

1     深度学习与药物发现（ 一）

1.1  深度神经网络

1.2  正向和反向传播

1.3  优化方法

1.3.1  梯度下降增加动力

1.3.2   自适应学习

1.3.3  Adam

1.4  损失函数

1.4.1  平均绝对误差

1.4.2  均方误差损失函数

1.4.3  交叉熵损失函数

1.5  卷积神经网络

1.5.1  卷

1.5.2  填充和步幅

1.5.3  池化层

1.5.4  LeNet 网络

1.5.5  AlexNet 网络

2     深度学习药物发现案例（一）

—— 药物-药物相互作用预测模型

第四天

1     深度学习与药物发现（ 二）

1.1  循环神经网络

1.2  消息传递神经网络

1.3   图卷积神经网络

1.4   图注意力神经网络

1.5   图采样和聚合

2     深度学习药物发现案例（二）

—— 药物靶标相互作用预测模型

3     深度学习药物发现案例（三）

—— 药物重定位模型

第五天

1     深度学习与药物发现 （三）

1.1  注意力机制

1.2   自注意力模型

1.3  多头自注意力模型

1.4  交叉注意力模型

1.5  Transformer 模型

2     深度学习药物发现案例（四）

—— 药物-药物相互作用预测模型

3     深度学习药物发现案例（五）

—— 药物靶标结合亲和力预测模型

          蛋白质晶体结构解析课表

上下滑动查看更多内容

第一天

机器学习及相关概念介绍

机器学习基本概念介绍

常用机器学习模型介绍

主成分分析

一致性聚类分析

ROC曲线及时间依赖的ROC曲线

生存分析及生存曲线

预后模型介绍

R语言入门

R语言概述

R软件及R包安装

R语言语法及数据类型

条件语句

循环

函数

常用的机器学习相关的R包介绍

第二天

机器学习在生物医学中的应用案例分享

利用机器学习方法筛选疾病相关的生物标志物

机器学习+生存分析预测患病风险

机器学习+生存分析预测患者预后

常用生物医学公共数据库介绍

TCGA数据库介绍

TCGA数据库表达谱数据下载

TCGA临床数据下载

合并TCGA表达谱数据

GEO数据库介绍

GEO数据库检索

GEO数据下载

第三天

机器学习+ GEO公共数据，复现科研文章

差异表达分析

主成分分析

机器学习模型构建

特征筛选及重要性评估

模型评估及ROC曲线绘制

构建nomogram模型，绘制列线图

矫准曲线绘制

决策曲线绘制

一致性聚类分析

GSEA分析

第四天

机器学习+TCGA公共数据，复现科研文章

差异表达分析

主成分分析

火山图，热图绘制

GO和KEGG富集分析及可视化

生存分析，生存曲线绘制

一致性聚类分析

训练集，测试集拆分

单因素，多因素cox分析

Lasso回归分析

风险评估模型构建

riskscore计算

Nomogram模型构建，绘制列线图

时间依赖ROC曲线绘制

矫准曲线，决策曲线绘制

第五天

ceRNA网格构建

miRNA，lncRNA，circRNA介绍

miRNA，lncRNA，circRNA相关数据库及工具介绍

ceRNA案例分享

实操部分

差异mRNA，lncRNA，miRNA分析

火山图，热图，聚类图，柱状图

差异表达基因GO,KEGG富集分析，气泡图，柱状图，KEGG通路图展示

生存分析，生存曲线绘制

mRNA，lncRNA表达相关性分析，相关性散点图

mRNA, lncRNA, miRNA网络构建

cytoscape展示ceRNA网络，hub基因筛选

第一天

理论部分

深度学习算法介绍

1.有监督学习的神经网络算法

1.1全连接深度神经网络DNN在基因组学中的应用举例

1.2卷积神经网络CNN在基因组学中的应用举例

1.3循环神经网络RNN在基因组学中的应用举例

1.4图卷积神经网络GCN在基因组学中的应用举例

2.无监督的神经网络算法

2.1自动编码器AE在基因组学中的应用举例

2.2生成对抗网络GAN在基因组学中的应用举例

实操内容

1.Linux操作系统

1.1常用的Linux命令

1.2 Vim编辑器

1.3基因组数据文件管理, 修改文件权限

1.4查看探索基因组区域

2.Python语言基础

2.1.Python包安装和环境搭建

2.2.常见的数据结构和数据类型

第二天

理论部分

基因组学基础

1. 基因组数据库

2. 表观基因组

3. 转录基因组

4. 蛋白质组

5. 功能基因组

实操内容

基因组常用深度学习框架

1. 安装并介绍深度学习工具包tensorflow, keras，pytorch

2. 在工具包中识别深度学习模型要素

2.1.数据表示

2.2.张量运算

2.3.神经网络中的“层”

2.4.由层构成的模型

2.5.损失函数与优化器

2.6.数据集分割

2.7.过拟合与欠拟合

3.基因组数据处理

3.1安装并使用keras_dna处理各种基因序列数据如BED、 GFF、GTF、BIGWIG、BEDGRAPH、WIG等

3.2使用keras_dna设计深度学习模型

3.3使用keras_dna分割训练集、测试集

3.4使用keras_dna选取特定染色体的基因序列等

第三天

理论部分

卷积神经网络CNN在基因调控预测中的应用

1. Chip-Seq中识别基序特征G4，如DeepG4

2. Chip-Seq中预测DNA甲基化，DeepSEA

3. Chip-Seq中预测转录调控因子结合，DeepSEA

实操内容

复现卷积神经网络CNN识别基序特征DeepG4、非编码基因突变DeepSEA复现DeepG4从Chip-Seq中识别G4特征

1. 安装selene_sdk，复现DeepSEA从Chip-Seq中预测DNA甲基化，非编码基因突变

第四天

理论部分

深度学习在识别拷贝数变异DeepCNV

1. SNP微阵列中预测拷贝数变异CNV，DeepCNV

2. RNA-Seq中预测premiRNA，dnnMiRPre

实操内容

1. 复现DeepCNV利用SNP微阵列联合图像分析识别拷贝数变异

2. 复现循环神经网络RNN工具 dnnMiRPre，从RNA-Seq中预测premiRNA 

第五天

理论部分

深度学习在识别及疾病表型及生物标志物上的应用

1. 从基因表达数据中识别乳腺癌分型的深度学习工具DeepType

实操内容

1. 复现DeepType，从METABRIC乳腺癌数据中区分乳腺癌亚型

第六天

理论部分

深度学习在预测药物反应机制上的应用

1. 联合肿瘤基因标记及药物分子结构预测药物反应机制的深度学习工具SWnet

实操内容

1. 预处理药物分子结构信息

2. 计算药物相似性

3. 在不同数据集上构建self-attention SWnet

4. 评估self-attention SWnet

5. 构建多任务的SWnet

6. 构建单层SWnet

7. 构建带权值层的SWnet