随着生物信息学和人工智能的不断进步，越来越多的创新工具进入了科研人员的视野，推动了科学研究的快速发展。在这些工具中，AlphaFold 3无疑是近年来最为引人注目的一个。作为DeepMind团队推出的最新版本，AlphaFold 3不仅在蛋白质结构预测方面展现了突破性的进展，还通过开源的形式让全球的科研人员能够利用这个强大的工具。分子对接是通过受体特征及受体和药物小分子之间的相互作用来进行药物设计的方法，目的是找到蛋白和配体最佳结合构象，确保复合物结合自由能最低。分子对接如今已成为了计算机辅助药物设计、生物化学研究的重要手段和必备技能。
在药物研发的早期阶段，虚拟筛选（Virtual Screening, VS）是一种强大的计算筛选方法，可以从海量化合物库中快速筛选潜在的药物候选分子，大幅降低实验成本。然而，这种方法往往依赖高质量的蛋白质三维结构，而实验解析蛋白结构的过程费时费力，使得一些重要靶点的结构数据仍然缺失。
近年来，AlphaFold2 的突破性进展使得基于人工智能的蛋白质结构预测成为可能，但它预测的大多数蛋白结构是未结合配体的apo结构，在分子对接中的表现不如结合配体的holo结构。于是，新一代的AlphaFold3横空出世，它可以预测蛋白-配体复合物（holo结构），让计算机药物筛选的准确度更进一步。那么，AlphaFold3 真的能帮助提升虚拟筛选的效果吗？近日，一篇最新研究对此进行了深入评估，带来了令人兴奋的发现。
十大热门
01 AI蛋白质设计
02 合成生物与基因电路设计
03 CADD计算机辅助药物设计
04 AIDD人工智能药物发现与设计
05 蛋白晶体结构解析
06 机器学习代谢组学
07 深度学习在基因组学中的应用
08 深度学习在质谱蛋白组学中的应用
09 机器学习微生物组学
10 CRISPR-Cas9基因编辑技术
以下为内容分析
01.
AI蛋白设计
第一天
蛋白质结构及分子动力学基础
a）蛋白质设计概述
b）蛋白质结构基础
pdb文件格式详解
数据库详解
c）分子动力学基础
分子-蛋白对接
蛋白-蛋白对接
可视化软件pymol使用
AMBER分子动力学模拟
高斯加速分子动力学模拟
模拟轨迹分析
MM-GB/PBSA方法计算结合自由能
分子动力学模拟在酶改造中的应用
第二天
a）Python、Numpy基础
b）经典模型
线性及非线性映射：线性回归、逻辑回归
聚类：K-近邻聚类
核方法：支持向量机
树方法：决策树、随机森林
神经网络：多层感知机
scikit-learn 基本调用实操
c）深度学习
深度神经网络DNN
卷积神经网络CNN
循环神经网络RNN
d）前沿架构及复现
Transformer
BERT
GPT
ViT
第三天
蛋白结构预测及其下游应用
a）蛋白结构预测背景介绍
b）Alphafold
AF和AF2的差异与创新
AF3的差异与创新
Alphafold使用详解
c）基于Alphafold的下游应用
基于AF2的蛋白-蛋白对接/蛋白-多肽对接
利用AF2做多构象预测和功能发现
基于AF2的环肽设计
d）trrosetta幻想设计
e）基于ProteinMPNN的蛋白质设计
MPNN模型简介
设计流程
方法比较
第四天
蛋白质的AI生成模型
扩散模型
a）RFdiffusion实现蛋白结构设计
蛋白Binder生成
蛋白骨架设计
单体蛋白从头生成
多聚体蛋白从头生成
RFdiffusion在酶改造中的应用
b）Chroma的基本构架与实现
蛋白构象空间全空间采样
c）ProteinGenerator蛋白质骨架与序列设计
与rfdiffusion的异同
蛋白语言模型
a）ProGEN与ProGEN2
模型构架讲解
与基于结构方法的比较
性能与改进
b）ESM-fold
ESM-fold的基本架构
ESMfold网络讲解
与alphafold方法的对比
ESM-fold的性能评估
c） 基于大语言模型的下游应用
孤儿蛋白结构的预测
大型蛋白复合物结构预测
基于蛋白语言模型的酶设计
第五天
基于深度学习的蛋白质挖掘与改造
a)基于alphafold的酶挖掘
b)通过预测蛋白复合物发现生命过程新机制
c)基于大语言模型的新酶挖掘
d)深度学习从基因组挖掘全新蛋白
e)综合：结合多种深度学习与计算工具的蛋白改造流程
02.
合成生物与基因电路设计
第一天
合成生物学基础概念与应用领域剖析
1.深度解读合成生物学精准定义，系统阐述其涵盖研究内容，沿着发展历程脉络回溯，展望未来趋势，全方位扫描应用领域。
2.通过详实案例分析，将合成生物学在医药、农业、工业等实际场景的应用具象化，让学员感知其变革力量。
生物元件功能精讲与标准化设计准则
1.聚焦生物元件，如启动子精准调控转录起始、终止子界定转录终点、RBS 驱动核糖体结合开启翻译。
2.结合 BioBrick 元件设计范式与应用实例，传授生物元件模块化设计黄金法则，助力学员掌握构建标准化生物模块的精髓。
第二天
基因线路逻辑架构搭建与实例演练
1.开启基因线路逻辑世界大门，详细拆解与、或、非基本逻辑门运作原理及设计技巧。
2.引入 iGEM 竞赛中经典逻辑门线路应用案例，手把手指导学员实践操作，使其能独立构思简单基因线路并洞悉其功能。
复合元件整合与电路深度设计
以前两天所学生物元件、基因线路知识为基石，引导学员梳理合成生物学核心玩法。亲手设计、搭建、分析经典电路，实现知识融会贯通，掌握复杂电路中各模块协同运作奥秘。
第三天
代谢途径精细构建与优化策略
1.深入讲解代谢途径搭建步骤，剖析定向进化、代谢工程等优化策略。
2.以青蒿素生物合成途径优化为典型案例，传授从理论到实践的代谢途径设计方法，助力学员提升生物合成效率。
基因组合成与编辑技术前沿
1.系统讲解基因组合成底层原理、多元方法，深度剖析 CRISPR/Cas9 等基因组编辑技术原理。
2.结合海量案例，呈现基因组合成与编辑技术在定制生物、精准医疗等前沿领域的实际应用。
第四天
底盘生物特性解析与应用
1.引入底盘生物概念，剖析常见底盘生物（如大肠杆菌、酵母菌等）特性。
2.讲解其在基因线路搭载、基因表达中的关键作用，结合实例探讨如何依据项目需求选择适配底盘生物，实现高效基因操作。
合成生物系统搭建与优化实践
1.全方位讲解合成生物系统定义、分类，通过案例剖析系统构建流程，传授优化策略。
2.组织实践操作，让学员亲身体验合成生物系统的构建与优化全过程，学会依据反馈调控系统参数。
第五天
合成生物学数学建模与性能分析
1.开启生物系统数学建模之旅，介绍常微分方程、逻辑模型等常用建模方法。
2.结合基因线路动力学模拟案例，指导学员运用数学模型精准分析生物系统性能，为系统设计与优化提供量化支撑。
合成生物学全景总结与未来瞻望
1.回溯课程所学知识，通过多领域案例分析，展现合成生物学应用广度与深度。
2.组织学员热烈讨论未来发展趋势、潜在影响，着重介绍伦理、生物安全与生物安保等关键议题，培养学员全面视角。
03.
CADD计算机辅助药物设计
第一天
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
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
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
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
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
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
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
部分模型案例图片
04.
AIDD人工智能药物发现与设计
第一天
AIDD概述及药物综合数据库学习
1.人工智能辅助药物设计AIDD概述
2.安装环境
1.anaconda
2.vscode
3.虚拟环境
4.切换pip和conda镜像源
3.第三方库基本使用方法
1.numpy （数据计算工具）
2.pandas （数据清洗工具）
3.matplotlib （结果可视化绘图工具）
4.requests （数据库爬虫工具）
4.多种药物综合数据库的获取方式
1.KEGG（requests爬虫）
2.Chebi（libChEBIpy）
3.PubChem（pubchempy / requests）
4.ChEMBL（chembl_webresource_client）
5.BiGG（curl）
DeepChem集成MoleculeNet数据库介绍及下载
第二天
机器学习辅助药物设计
1.机器学习理论知识概述
2.机器学习种类：
1.监督学习
2.无监督学习
3.强化学习
3.典型机器学习方法
1.决策树
2.支持向量机
3.朴素贝叶斯
4.神经网络
5.卷积神经网络
4.模型的评估与验证：准确率、精确率、召回率、F1分数、ROC曲线、AUC计算，平均绝对误差、均方差、R2分数、可释方差分数，交叉验证等
5.sklearn工具包基本使用
6.化合物编码方式和化合物相似性理论知识
7.rdkit工具包的关于分子的基本使用
1.RDKit安装
2.基于RDKit的分子读写
3.基于RDKit的分子绘制
4.基于RDKit的分子指纹与分子描述符
5.基于RDKit的化合物相似性与子结构
6.基于 RDKit 与 Python3 的构象与 RMSD 计算
8.项目实战
1.项目实战1：基于ADME和Ro5的分子筛选
2.项目实战2：基于化合物相似性的配体筛选
3.项目实战3：基于化合物相似性的分子聚类
4.项目实战4: 基于机器学习的生物活性预测
项目实战5：基于机器学习的分子毒性预测
第三天
图神经网络辅助药物设计
1.图神经网络基础知识
1.框架介绍: PyG，DGL，TorchDrug
2.图神经网络消息传递机制
3.图神经网络数据集设计
4.图神经网络节点预测、图预测任务和边预测任务实战
2.项目实战1: 基于DeepChem进行分子特征提取及图卷积搭建
3.项目实战2：基于图神经网络的分子毒性预测
1.SMILES分子数据集构建PyG图数据集
2.基于GNN进行分子毒性预测
4.项目实战3：基于图神经网络的蛋白质-配体相互作用预测
1.蛋白质分子图形化，构建PyG图数据集
2.基于GIN进行网络搭建及相互作用预测
第四天
自然语言处理辅助药物设计
1.自然语言处理概述
1.文本类语言的向量表示方法
2.Encoder-Decoder模型
3.循环神经网络模型
4.Seq2seq模型
5.Attention注意力机制
6.Transformer模型
2.项目实战
1.基于无监督的Seq2Seq模型进行分子表示学习
2.基于Transformer模型的反应表示方法
3.基于自然语言处理的化学反应分类任务
4.基于BERT模型的化学反应产量预测任务
第五天
药物设计项目实战
1.分子生成与药物设计
1.基于 RDKit 处理化学信息学中的反应方程式
2.基于 RDKit 绘制化学反应
3.基于 RDKit 和 SMARTS 的化学反应处理
4.基于RDKit的化学反应指纹与化学反应相似度计算、
5.基于 RDKit 通过 SMARTS 定义反应模式来生成反应产物
2.蛋白质相关与药物设计
1.蛋白质数据库介绍与相关数据爬取
1.PDB数据库
2.UniProt数据库
2.基于RDKit的蛋白质基本处理
3.项目实战1：基于NGLView可视化的蛋白质-配套相互作用
4.项目实战2: 基于机器学习的蛋白质-配体相互作用亲和力预测
5.项目实战3: 基于蛋白质三维结构使用原子卷积网络的进行蛋白质-配体相互作用预测
6.项目实战4：基于序列的蛋白质属性预测
7.项目实战5：基于结构的蛋白质属性预测
05.
蛋白晶体结构解析
第一天
蛋白质结晶前准备
课程介绍和蛋白质结构功能基本介绍
提纯蛋白质,确定浓度、pH值、缓冲液等条件,控制蛋白质稳定性等。
1、目的蛋白质信息检索与调查
- 利用生物信息学工具搜集目标蛋白质的基因序列、结构域、同源蛋白质的信息
- 分析目标蛋白质的理化性质,如分子量、等电点、聚合程度、稳定性等
2、质粒制备
- 设计引物,克隆目标基因到表达载体
- 转化表达宿主,提取重组质粒
- 质粒测序等验证目标基因插入
3、蛋白质纯化
- 选择合适的诱导表达等条件,表达可溶性或不溶性重组蛋白
- 裂解菌体,释放重组蛋白质
- 蛋白质纯化:亲和层析、离子交换层析、凝胶过滤等层析技术的原理和实践等
4、蛋白质不表达和包涵体问题
- 分析不表达的原因,优化诱导条件
- 改进溶解缓冲液条件,提高蛋白从包涵体中释放
5、蛋白质活性鉴定
- 进行Western Blot或酶活性实验验证蛋白质活性
6、蛋白质结晶前分析
- 测定蛋白质的纯度、聚合状态、稳定性等
- 优化缓冲液条件,调整蛋白质到适宜的pH和离子浓度等
第二天
蛋白质结晶与衍射数据收集
利用协同结晶筛选获得蛋白质结晶,在同步辐射光源下收集衍射数据。
1、蛋白质结晶
- 蛋白质结晶的基本原理
- 蛋白质结晶的影响因素
- 蛋白质结晶的基本方法
- 结晶条件筛选策略- 结晶条件筛选策略
- 没有晶体或者改善晶体质量的策略
- 晶体后处理
- 晶体冻存的基本原理和策略
2、SSRF（同步辐射光源） 的介绍
- SSRF简介
- SSRF的光源优势
- SSRF的实验站介绍
3、蛋白质晶体衍射数据收集
- X射线结晶学基本原理
- 晶体探针和晶体定位
- 晶体测试和优化
- 衍射数据收集参数设定和收集策略
- 衍射数据处理和分析
第三天
蛋白质晶体结构解析软件安装
安装相关计算机程序,如Phenix, XDS, Pymol等用于后续的数据处理与模型建立。
1、下载和安装简要介绍
2、蛋白质晶体结构解析软件安装
- CCP4安装
- Phenix安装
- Coot安装
- PyMol安装
- 其他结构解析支持软件安装
依次介绍CCP4、Phenix、Coot、PyMol等主要的结构解析软件的下载和安装方法。也可以介绍一些结构解析中需要的其他软件工具的安装。
Index、integrate与scale & merge等软件使用和介绍
利用软件index及integrate衍射点,scale& merge等处理衍射数据以校正强度。
1、晶体结构学基础知识
- 晶体学中的衍射理论基础
- 布拉格定律和倒易空间
- 晶体的对称性
2、蛋白质晶体结构解析流程
- 蛋白质的表达与纯化
- 蛋白质的结晶
- X射线晶体学数据收集
- 晶体结构解析流程概述
3、Index和integrate
- Indexing的目的和原理
- Integration的目的和过程
4、Scale & merge
- Scale & merge的目的——校正数据
- Scale& merge常用方法
5、使用Scala/XSCALE/Aimless等进行Scale & merge
- Scala/XSCALE/Aimless等软件介绍
- Scala/XSCALE/Aimless进行数据scale& merge的步骤
6、使用HKL2000进行index、integrate和scale & merge
- HKL2000软件介绍
- 使用HKL2000进行indexing
- 使用HKL2000进行integration
- 使用HKL2000进行scaling & merge
第四天
相位解析、电子密度重构、分子结构模型构建修正和优化与结构提交
利用直接法/分子置换法/M(S)AD/M(S)IR 等等相位解析方法确定蛋白质框架,手动模型构建余下结构,进行修正和优化后达到标准后提交蛋白质坐标库。
1、直接法/分子置换法/M(S)AD/M(S)IR 等方法解析相位
（1）直接法/分子置换法/M(S)AD/M(S)IR等的基本原理
(2) 直接法/分子置换法/M(S)AD/M(S)IR等的目的
(3) 常用的软件介绍
(4) 直接法/分子置换法/M(S)AD/M(S)IR等的具体操作步骤
2．电子密度修饰：
（1）电子密度修饰的基本原理：
（2）电子密度修饰的目的
（3）电子密度修饰的常用软件介绍
（4）电子密度修饰的具体操作步骤
3．电子密度重构
（1）电子密度重构的目的和基本原理
（2）电子密度重构的操作
4、蛋白质晶体结构模型构建
(1) 蛋白质序列比对确定构建起始模型
(2) 主链构建方法
(3) 侧链构建方法
(4) 构建完成后的模型检查
5、蛋白质晶体结构修正与优化
(1) 能量最小化原理
(2) 模拟退火原理
(3) 分子动力学模拟原理
(4) 优化过程中的评估标准
（5）结构修正常用软件介绍
（6）结构修证的具体操作步骤
6、蛋白质晶体结构验证
（1）结构验证的目的和基本原理
(2) Ramachandran图分析
(3) 各类键长和键角分布
(4) 密接点分析
(5) B因子分布
(6) 电子密度匹配度评价
（7）各种指标与统计数据
7、蛋白质晶体结构提交到PDB
(1) PDB数据提交要求
(2) 各项验证确认无误后压缩需提交文件
(3) 在PDB网站提交表单,上传文件,等待审核结果，回复信息
第五天
蛋白质晶体结构展示与分析 、结构与功能的关系
5.1 利用Pymol等软件分析并展示蛋白质的二级结构、三级结构,活性口袋等结构信息。
1、pdb格式文件简介
- pdb文件概述:包含蛋白质晶体学数据的标准格式
- 原子坐标:记录每个原子的xyz坐标
- 温度因子:记录每个原子的热运动参数
- 二级结构:记录α螺旋和β片层的位置
- 结构注解:记录配体、酶活性中心等重要结构信息
2、PyMOL制作蛋白质晶体结构图
- PyMOL简介:流行的分子可视化软件
- 加载pdb文件
- 显示蛋白质链、α螺旋和β片层
- 调整视角、变色和放大关键结构
- 导出高质量图像3、使用PyMOL制作蛋白质配体结合位点信息
- 识别蛋白质与配体的相互作用
- 突出显示配体结合位点残基
- 在结合位点生成表面模型
- 制作配体结合位点的特写图
4、使用PyMOL调查蛋白质的温度因子B-factors
- 显示温度因子putty图
- 分析柔性域和稳定域
- 与酶活性中心和功能位点的关系
5、使用PyMOL重叠对比不同的蛋白质晶体结构
- 载入不同状态的pdb文件
- 重叠对齐蛋白质结构
- 比较构象变化,如酶动力学过程中的不同中间状态6、使用PyMOL显示蛋白质晶体结构中配体的电子密度图
- 加载包含配体密度的pdb文件
- 显示2Fo-Fc 和 Fo-Fc电子密度图
- 检查配体与电子密度的匹配程度
- 评估配体定位和取向的准确性7、使用PyMOL结合Chimera实现同步显示非对称单元的蛋白质分子
- 在PyMOL中显示蛋白质非对称单元
- 在Chimera中同步显示非对称单元
- 细节对比不同分子中的相同结构
- 分析蛋白质多聚体形成的分子间相互作用
5.2 生物大分子结构介绍
5.3 结构与功能关系：
（1）如何分析结构与功能关系：
（2）分析结构的目的：
（3）结构与功能关系的研究手段：
（4）结构能带来什么？
（5）测定结构之后的思路介绍
06.
机器学习代谢组学
第一天
A1 代谢物及代谢组学的发展与应用
（1） 代谢与生理过程；
（2） 代谢与疾病；
（3） 非靶向与靶向代谢组学；
（4） 空间代谢组学与质谱成像（MSI）；
（5） 代谢组学与药物和生物标志物；
（6） 代谢流与机制研究。A2 代谢通路及代谢数据库
（1） 几种经典代谢通路简介；
（2） 三大常见代谢物库：HMDB 、METLIN 和 KEGG;
（3） 代谢组学原始数据库：Metabolomics Workbench 和 Metabolights. A3 参考资料推荐
A4 代谢组学实验流程简介
A5 色谱 、质谱硬件与原理解析
（1） 色谱分析原理与构造；
（2） 色谱仪和色谱柱的选择；
（3） 色谱的流动相：梯度洗脱法；
（4） 离子源、质量分析器与质量检测器解析；
（5） 质谱分析原理及动画演示；
（6） 色谱质谱联用技术（LC-MS）；
第二天
B1 代谢物样本处理与抽提
（1） 各种组织、血液和体液等样本的提取流程与注意事项；
（2） 代谢物抽提流程与注意事项；
（3） 样本及代谢物的运输与保存问题；
B2 LC-MS 数据质控与搜库
（1） LC-MS 实验过程中 QC 和 Blank 样本的设置方法；
（2） LC-MS 上机过程的数据质控监测和分析；
（3） 代谢组学上游分析原理——基于 Compound Discoverer 与 Xcms 软件；
（4） Xcms 软件数据转换、提峰、峰对齐与搜库；
B3 R 软件基础
（1） R 和 Rstudio 的安装；
（2） Rstudio 的界面配置；
（3） R 中的基础运算和统计计算；
（4） R 中的包：包，函数与参数的使用；
（5） R 语言语法，数据类型与数据结构；
（6） R 基础画图；
B4 ggplot2
（1） ggplot2 简介
（2） ggplot2 的画图哲学；
（3） ggplot2 的配色系统；
（4） ggplot2 数据挖掘与作图实战；
第三天
机器学习
C1 有监督式机器学习在代谢组学数据处理中的应用
（1） 人工智能、机器学习、深度学习的关系；
（2） 回归算法：从线性回归、Logistic 回归与 Cox 回归讲起；
（3） PLS-DA 算法：PCA 降维后没有差异的数据还有救吗？
（4） VIP score 的意义及选择；
（5） 分类算法：决策树，随机森林和贝叶斯网络模型；
C2 一组代谢组学数据的分类算法实现的 R 演练
(1) 数据解读；
(2) 演练与操作；
C3 无监督式机器学习在代谢组学数据处理中的应用
（1） 大数据处理中的降维；
（2） PCA 分析作图；
（3） 三种常见的聚类分析：K-means、层次分析与 SOM
（4） 热图和 hcluster 图的 R 语言实现；
C4 一组代谢组学数据的降维与聚类分析的 R 演练
(1) 数据解析；
(2) 演练与操作；
第四天
D1 在线代谢组分析网页 Metaboanalyst 操作
（1） 用 R 将数据清洗成网页需要的格式；
（2） 独立组、配对组和多组的数据格式问题；
（3） Metaboanalyst 中的上游分析（原始数据峰提取、峰对齐与搜库）
（4） Metaboanalyst 的 pipeline 以及参数设置和注意事项；
（5） Metaboanalyst 的结果查看和导出；
（6） Metaboanalyst 的数据编辑；
（7） 全流程演练与操作。
D2 代谢组学数据清洗与 R 语言进阶
（1） 代谢组学中的 t、fold-change 和响应值；
（2） 数据清洗流程；
（3） R 语言 tidyverse；
（4） 数据预处理：数据过滤与数据标准化（样本的 Normalization 和代谢物的 Scaling）；
（5） 代谢组学数据清洗演练；
第五天
E1 文献数据分析部分复现（1 篇）
（1） 文献深度解读；
（2） 实操：从原始数据下载到图片复现；
（3） 学员实操。
E2 机器学习与代谢组学顶刊解读（3 篇）；
（1） Signal Transduction and Targeted Therapy 一篇有关饥饿对不同脑区代谢组学影响变
化的小鼠脑组织代谢图谱类的文献；(数据库型)
（2） Cell 一篇代谢组学孕妇全程血液代谢组学分析得出对孕周和孕产期预测的代谢标志物
的文献；(生物标志物型)
（3） Nature 一篇对胰腺癌患者肠道菌群的代谢组学分析找到可以提高化疗效果的代谢物的
文献。(机制研究型)
07.
深度学习在基因组学中的应用
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
基因组常用深度学习框架
1. 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
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
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
3. 安装深度学习工具包 tensorflow, keras，pytorch，在工具包中识别深度学
习模型要素
第二天
理论部分
1. 介绍 keras_dna 平台，搭建基因组学常用深度学习应用案例
2. 深度学习模型 DeepG4 从 Chip-Seq 及 DnaseSeq 中识别基序特征 G4
实操内容
1.基因组数据处理搭建深度学习模型
1.1 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
1.2 使用 keras_dna 设计深度学习模型
1.3 使用 keras_dna 分割训练集、测试集
1.4 使用 keras_dna 选取特定染色体的基因序列等
2.使用 keras_dna 平台复现 DeepG4 模型，从 Chip-Seq 中识别 G4 特征
第三天
理论部分
深度学习在基因调控预测中的应用
1. selene_sdk 预测 DNA 甲基化及转录调控因子等 DeepSEA
2. 循环神经网络 RNN 从 RNA 序列中预测 pre-miRNA，dnnMiRPre
实操内容
复现卷积神经网络 CNN 识别基序特征 DeepG4、基因调控因子 DeepSEA，
1. 安装 selene_sdk，复现 DeepSEA 预测 DNA 甲基化，非编码基因变异等基因调
控因子
2. 复现循环神经网络 RNN 工具 dnnMiRPre，从 RNA-Seq 中预测 pre-miRNA
第四天
理论部分
深度学习在预测疾病表型及生物标志物上的应用
1. 从高维基因表达数据中识别乳腺癌分型的自动编码机深度学习工具
DeepType
2. 深度学习在识别拷贝数变异 DeepCNV 模型
实操内容
1. 复现 DeepType，从 METABRIC 乳腺癌数据中区分乳腺癌亚型
2. 解析 DeepType 中新的乳腺癌亚型的标志基因
3. 复现 DeepCNV 利用 SNP 微阵列联合图像分析识别拷贝数变异
第五天
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
08.
深度学习在质谱蛋白组学中的应用
第一天
蛋白质组学测序技术及数据库
理论讲解
1.蛋白质组学测序质谱技术
2.介绍蛋白质组学数据库
3.深度学习解析蛋白质组学模型介绍
GPU服务器上机实操
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
深度学习识别质谱测序中蛋白质肽的理化性质
上午 理论讲解
1.深度学习模型预测色谱法保留时间及碎片离子浓度Prosit
2.深度学习预测质谱测序中截面碰撞CCS工具DeepCollisionalCrossSection
3.深度学习预测单细胞蛋白组学覆盖率DeepSCP模型
下午 深度学习模型Python代码解析及GPU服务器上机实操
1.复现深度学习模型预测色谱法保留时间及碎片离子浓度Prosit模型
2.复现深度学习预测质谱测序中截面碰撞工具DeepCollisionalCrossSection
3.复现深度学习预测单细胞蛋白组学覆盖率DeepSCP模型
第三天
深度学习识别肽及肽组装
上午 理论讲解
1.深度学习从宏蛋白组学中识别肽 DeepFilter模型
2.深度学习从蛋白质数据库中识别肽DeepDIA模型
3.深度学习实现肽组装DeepNovo 及DeepNovo-DIA模型
下午 深度学习模型Python代码解析及GPU服务器上机实操
1.复现深度学习从宏蛋白组学中识别肽 DeepFilter模型
2.复现深度学习从蛋白质数据库识别肽DeepDIA模型
复现深度学习实现肽组装DeepNovo及DeepNovo-DIA模型
第四天
深度学习识别翻译后修饰结合位点识别疾病及药物靶点
上午 理论讲解
1.胶囊网络深度学习模型预测翻译后修饰结合位点模型CapsNet_PTM
2.注意力机制深度学习预测MHC I 结合位点ACME模型
3.深度学习模型PUFFIN量化Peptide-MHC结合不确定性提升药物设计中高亲和力肽筛选
4.深度学习模型预测癌症抗原ACP-MHCNN 模型
下午 深度学习模型Python代码解析及GPU服务器上机实操
1.复现胶囊网络深度学习模型预测翻译后修饰结合位点模型CapsNet_PTM
2.复现注意力机制深度学习预测pan-specific MHC I 结合位点ACME模型
3.复现深度学习模型PUFFIN量化Peptide-MHC结合不确定性提升药物设计中高亲和力肽筛选
4.复现深度学习模型预测癌症抗原ACP-MHCNN模型
第五天
深度学习识别蛋白质功能
上午 理论讲解
1.深度学习模型3D卷积网络预测蛋白质-蛋白质相互作用DeepRank
2.深度学习模型量化蛋白质表达DLNetworkForProteinAbundance
3.基于自然语言注意力机制深度学习模型预测蛋白质功能SPROF-GO
4.深度学习模型PCfun 预测蛋白质复合物Gene Ontology功能
下午 深度学习模型Python代码解析及GPU服务器上机实操
1.复现深度学习模型3D卷积网络预测蛋白质-蛋白质相互作用DeepRank
2.复现深度学习模型量化蛋白质表达DLNetworkForProteinAbundance
3.复现基于自然语言注意力机制深度学习模型预测蛋白质功能SPROF-GO
4.复现深度学习模型PCfun 预测蛋白质复合物Gene Ontology功能
09.
机器学习微生物组学
第一天
1. 微生物学基础知识回顾
2. 机器学习基本概念介绍
a. 什么是机器学习
b. 监督学习、无监督学习
c. 常用机器学习模型介绍
3. 混淆矩阵
4. ROC 曲线
第二天
R 语言简介与实操
1. R 语言概述
2. R studio 软件与 R 包安装
3. R 语言语法及数据类型
4. 条件语句和循环
Linux 实操
1. Linux 操作系统
2. Linux 操作系统的安装与设置
3. 网络配置与服务进程管理
4. Linux 的远程登录管理
5. 常用的 Linux 命令
6. 在 Linux 下获取基因数据
7. Shell script 与 Vim 编辑器
第三天
微生物组常用分析方法（实操）
1. 微生物丰度分析
2. 转录组丰度分析
3. 进化树分析
4. 降维分析
第四天
机器学习在微生物组学中的应用案例分享
1. 疾病预测应用：利用机器学习基于微生物组学数据预测疾病状态
2. 肠道菌群研究：机器学习研究饮食对肠道微生物的影响
第五天
机器学习模型训练和分析（实操）
1. 加载数据及数据归一化
2. 构建训练模型（GLM, RF, SVM）
3. 模型参数优化
4. 模型错误率曲线绘制
5. 混淆矩阵计算
6. 重要特征筛选
7. 模型验证，ROC 曲线绘制利用模型进行预测
利用机器学习基于微生物组学数据预测宿主表型
1. 加载数据
2. 数据归一化
3. OUT 特征处理
4. 机器学习模型构建（RF, KNN, SVM, Lasso 等多种机器学习方法）
5. 绘制 ROC 曲线，比较不同机器学习模型模型性能评估
利用机器学习基于临床特征和肠道菌群预测疾病风险
1. 加载数据
2. 机器学习模型构建（RF, gbm, SVM 等等）
3. 交叉验证
4. 模型性能评估
10.
CRISPR-Cas9基因编辑技术
第一天
绪论
1.课程简介与学习目标
2.基因编辑技术概述
2.1 基因编辑的定义、核心原理与技术分类
2.2 基因编辑与合成生物学的交叉
3.技术应用领域全景图
3.1基础研究
3.2农业育种
3.3疾病治疗
3.4生物制造
4.伦理与安全问题初探
4.1 脱靶效应与基因驱动
4.2 人类胚胎编辑的伦理边界
第二天
基因编辑技术发展简史
1.1 ZFN
1.2 TALENs
1.3 局限性CRISPR技术的革命性突破
2.1 原核生物免疫机制的发现历程
2.2 Cas9系统在真核细胞的应用验证
2.3里程碑事件与诺贝尔奖解读
2.4中国科学家在基因编辑领域的突出贡献
第三天
CRISPR常用工具与实操
CRISPR-Cas系统
1.1 CRISPR系统的起源与机制
1.2 主要工具酶的特征与选择（实操）
1.3 sgRNA的设计与优化（实操）
1.4 CRISPR 筛选（CRISPR Screnning）
1.5 CRISPR-Cas系统在模式生物中的应用
1.6 CRISPR-Cas系统与CAR-T细胞治疗
碱基编辑器（Base Editing）
2.1 腺嘌呤碱基编辑器（ABE）
2.2 脱氨酶的活性优化及对脱靶效应的控制
2.3 胞嘧啶碱基编辑器（CBE）
2.4 C-to-T编辑的特异性与效率平衡
2.5 利用碱基编辑器构建动物模型
2.6 单核苷酸突变矫正
先导编辑（Prime Editing）
3.1 逆转录酶的特点与选择
3.2 pegRNA的设计与优化（实操）
3.3 双pegRNA编辑系统
3.4 PM359治疗慢性肉芽肿病
CRISPR激活与抑制系统（CRISPRa/i）
4.1 dCas9
4.2 dCas9与转录激活因子、转录抑制因子的融合
4.3 CRISPRa在干细胞重编程中的应用
4.4 CRISPRa/i研究癌症相关基因的功能网络
其他基因编辑工具
5.1 大片段DNA精准操纵工具
5.2 Cre-loxP系统在模式动物中的应用
第四天
递送系统
CRISPR递送系统概述
1.1 CRISPR技术的基本原理和发展历程
1.2 CRISPR递送系统的重要性和挑战
病毒载体递送系统
2.1 病毒载体的类型和特点（如腺相关病毒AAV）
2.3病毒载体的构建和优化
2.3 病毒载体在CRISPR递送中的应用和案例分析
非病毒递送系统
3.1 纳米颗粒（如脂质纳米颗粒LNP）的设计与应用
3.2 电穿孔技术的原理和应用
3.3 非病毒递送系统的优缺点分析
植物病毒递送系统
4.1 植物-弹状病毒在CRISPR递送中的应用
4.2 植物病毒递送系统的优化和挑战
第五天
CRISPR应用
CRISPR在基础研究中的应用
1.1 CRISPR在基因功能研究中的应用
1.2 CRISPR在疾病模型创建中的应用
1.3 CRISPR在基因调控研究中的应用
CRISPR在遗传病治疗中的应用
2.1 遗传病数据库的建立和应用
2.2 CRISPR治疗遗传病的案例分析
2.3FDA批准的CRISPR疗法介绍（镰状细胞贫血、杜氏肌肉营养不良、癌症的免疫疗法）
小结与展望
基本内容小结+当前技术瓶颈分析
1.1 递送效率与组织靶向性难题
1.2复杂性状的多基因协同编辑
新兴技术发展方向
2.1 DNA 聚合酶编辑器
2.2 CRISPR 引导的重组酶和转座子
2.3 表观基因组编辑
2.4 RNA编辑
2.5 AI与基因编辑
新型CRISPR工具
临床转化路线图
3.1 体内编辑与体外编辑的产业化路径
3.2 基因编辑疗法监管体系的国际比较
基因编辑的道德考量和安全性
学习目标
01
AI蛋白质设计
这一课程旨在为学生提供深度学习与蛋白质设计领域的全面知识。通过讲授深度学习的基本概念和前沿技术，学生将理解深度学习在生物信息学特别是蛋白质设计中的具体应用。学生将了解如何使用主流深度学习框架PyTorch进行模型构建与优化，并通过实践操作掌握蛋白质结构预测、蛋白质功能预测和分子对接等关键技术。课程将介绍AlphaFold等先进模型，并探讨其在药物发现中的重要性。同时通过多肽设计、逆向中心法则等专题，学生将全面了解从功能推导结构和从零开始设计蛋白质的策略。
02
合成生物与基因电路设计
通过理论与实践结合，掌握合成生物学基础、基因电路设计、代谢途径优化、基因编辑技术及数学建模，培养学员在合成生物领域的创新能力和系统思维，为未来研究与应用奠定基础。
03
CADD计算机辅助药物设计
掌握包括PDB数据库、靶点蛋白、蛋白质-配体、蛋白-配体小分子、蛋白-配体结构、notepad的介绍和使用、分子对接、蛋白-配体对接、虚拟筛选、蛋白-蛋白对接、蛋白-多糖分子对接、蛋白-水合对接、Linux安装、gromacs分 子动力学全程实操、溶剂化分子动力学模拟
04
AIDD人工智能药物发现设计
本课程让学员了解药物发现的前沿背景，学习人工智能领域的各类常见算法，熟悉工具包的安装与使用，掌握一定的算法编程能力，能够运用计算机方法研究药物相关问题。通过大量的案例讲解和实践操作，具备一定的AIDD模型构建和数据分析能力
05
蛋白晶体结构解析
让学员了解蛋白质晶体结构解析的原理、方法与技术，学习分子克隆、蛋白表达纯化、蛋白结晶方法、软件安装，蛋白结构数据处理，得到高分辨率的蛋白晶体结构。使学员通过本次课程的学习，很轻松地解析出蛋白晶体结构，并进行晶体结构的精修。
06
机器学习代谢组学
熟悉代谢组学和机器学习相关硬件和软件；熟悉代谢组学从样本处理到数据分析的全流程；能复现至少1篇CNS或子刊级别的代谢组学文章图片。
07
深度学习在基因组学中的应用
深入学习与了解深度学习基本框架与逻辑，同时掌握基本的生物信息学软件（Linux、R、python等）的使用，让学员能更好的应对基因组数据，挖掘出超越已有知识的新知识。而构建好的深度学习模型去探求新的研究思路和寻找新的潜在生物学机制，更好的服务于自身的科学研究和探索的过程中
08
深度学习在蛋白组学中的应用
通过对这些深度学习在蛋白组学中的应用案例进行深度讲解和实操，让学员能够掌握深度学习分析蛋白组学数据流程，系统学习深度学习及蛋白组学理论知识及熟悉软件代码实操，熟练掌握这些前沿的分析工具的使用以及研究创新深度学习算法解决生物学及临床疾病问题与需求。
09
机器学习微生物组学
课程将涵盖机器学习技术在微生物数据分析中的应用，包括基因组序列分析、基因调控网络构建和多组学数据整合等，并带领学员们深度使用R语言，Python语言实地操作演示。
10
CRISPR-Cas9基因编辑技术
课程从全局出发，由浅入深，课程通过基础入门+应用案例实操演练的方式，从最初的原理讲解到最后的应用实战，学完本课程你将掌握基因编辑技术的相关原理及其应用，此外可以学到基因编辑系统的优化策略，可以学到如何操作常用的生物学软件。能够快速运用到自己的科研项目和课题上。
讲师介绍
01 AI蛋白质设计
授课老师来自北大人工智能学院，作为核心成员参与过清华某初创公司大语言模型项目，主导过北大长沙研究院的核心项目智能体的开发，此外和包括百度，字节等多个公司和北大的合作中作为主要负责人，累计参与项目金额超过千万。目前发过多篇ACL等计算机顶会和sci论文。
02 合成生物与基因电路设计
两位授课老师均来自清华大学，干湿结合分别引领本课程的实验设计和建模分析，研究方向涉及植物生物学、合成生物学与生物信息学。在对应领域中科院一区有多篇产出，同时曾作为队长和评委多次参加过合成生物学（iGEM）顶级赛事，曾获得全球十佳项目（TOP10）和多个单项奖及提名。
03 CADD计算机辅助药物设计
杨教授在计算机/人工智能辅助药物设计（CADD/AIDD）领域具有多年的研究经验，熟悉分子对接和虚拟筛选，分子动力学模拟、先导物优化、人工智能等计算工具和方法，在J. Med. Chem， J. Chem. Inf. Model，J. Phys. Chem. B, Frontiers in Pharmacology 等国际主流期刊发表学术论文20余篇，主持或参与国家自然科学基金、河南省重点研发、企业横向项目十余项。
04 AIDD人工智能药物发现与设计
AIDD授课老师曹老师，有十余年的计算机算法研究和程序设计经验。研究方向涉及生物信息学，深度学习，药物合成路径设计，药物不良反应等。发明专利5项，参与国家重点科研项目4项，发表SCI高水平论文10篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊。
05 蛋白晶体结构解析
范教授毕业于中国科学院生物物理研究所，师从著名结构生物学家王院士，具有美国耶鲁大学留学六年多的背景，为大学独立PI，研究方向是结构生物学和免疫学。范老师在多种国际期刊上发表论文30余篇，包括国际顶尖杂志PNAS两篇，一区top2篇等；并主持国家自然科学基金面上项目等，担任中国晶体学会生物大分子专业委员会委员，担任国家自然科学基金评审专家和上海光源用户课题评审专家等；并且应邀担任国际著名学术杂志Nature Communication和Journal of Virology, Structure等的审稿人。
06 机器学习代谢组学
讲老师来自985高校神经科学博士，主要利用代谢组学、转录组学和分子生物学等技术研究神经内科慢性病的发病机制和生物标志物。擅长高效液相色谱-质谱联用（LC-MS）技术进行非靶向和靶向代谢组学从样本制备到数据分析的全流程研究，以及多组学大数据的生物信息学整合分析。5年内在J Clin Invest, EBioMedicine, Cell Death Dis, Cell Death Discov, Nanotoxicology等杂志发表SCI论文10篇。
07 深度学习在基因组学中的应用
主讲老师刘老师，生物信息学PI，有十余年的测序数据分析经验。研究领域涉及人工智能、自然语言处理、功能基因组学、转录组学、miRNA及靶基因网络分析，单细胞测序数据分析，基因调控网络时序分析，蛋白质互作网络分析，多组学联合分析等。主持省自然科学基金等项目4项，发表SCI论文23篇，论著一部。
08 深度学在质谱蛋白组学中的应用
主讲老师刘老师，生物信息学博士，从事生物信息及医学人工智能研究 15 年，开发过数个生物信息学工具，发表 SCI 论文 20 余篇，其中人工智能算法文章近 10 篇，编著医学数据分析实用教材一部，研究致力于医学人工智能在复杂疾病诊疗中的应用。
09 机器学习微生物组学
主讲老师来自清华大学，研究方向包括生物信息学、机器学习与微生物基因组学，大模型与蛋白质定向进化等。同时他在图神经网络和疾病药物靶向等知识图谱技术方面有丰富的经验，带领并指导多次团队在国际基因工程竞赛（iGEM）中获得国际金牌，并一作发表了多篇一区高水平SCI论文。
10 CRISPR-Cas9基因编辑技术
主讲老师均来自清华大学、浙江大学、西湖大学等国内顶尖高校，他们在基因编辑及相关领域拥有深厚的学术背景和丰富的研究经验。在博士期间深入研究基因编辑技术，发表了多篇高水平论文（包括子刊和多篇一区文章）并有各类系统扎实的设计实操经验，助力学员们在基因编辑领域取得更大的进步和发展。
授课时间
AI蛋白质设计
2025.4.12全天（9-11点半-1点半-5点）
2025.4.13全天（9-11点半-1点半-5点）
2025.4.15晚上授课（19：00-22：00）
2025.4.16晚上授课（19：00-22：00）
2025.4.17晚上授课（19：00-22：00）
2025.4.18晚上授课（19：00-22：00）
2025.4.19全天（9-11点半-1点半-5点）
腾讯会议直播上课课后提供直播回放
合成生物与基因电路设计
2025.4.17全天（9-11点半-1点半-5点）
2025.4.18全天（9-11点半-1点半-5点）
2025.4.19全天（9-11点半-1点半-5点）
2025.4.20全天（9-11点半-1点半-5点）
2025.4.21全天（9-11点半-1点半-5点）
腾讯会议直播上课课后提供直播回放
CADD计算机辅助药物设计
2025.4.08晚上授课（19：00-22：00）
2025.4.09晚上授课（19：00-22：00）
2025.4.10晚上授课（19：00-22：00）
2025.4.11晚上授课（19：00-22：00）
2025.4.13全天（9-11点半-1点半-5）
2005.4.14晚上授课（19：00-22：00）
2005.4.15晚上授课（19：00-22：00）
2005.4.17晚上授课（19：00-22：00）
2005.4.18晚上授课（19：00-22：00）
2025.4.19全天（9-11点半-1点半-5）
2025.4.20全天（9-11点半-1点半-5）
腾讯会议直播上课课后提供直播回放
AIDD人工智能药物发现与设计
2025.4.12全天（9-11点半-1点半-5）
2025.4.13全天（9-11点半-1点半-5）
2025.4.15晚上授课（19：00—22：00）
2025.4.16晚上授课（19：00—22：00）
2025.4.17晚上授课（19：00—22：00）
2025.4.18晚上授课（19：00—22：00）
2025.4.20全天（9-11点半-1点半-5）
腾讯会议直播上课课后提供直播回放
蛋白晶体结构解析
2025.4.19全天（9-11点半-1点半-5）
2025.4.20全天（9-11点半-1点半-5）
2025.4.22晚上（19：00—22：00）
2025.4.23晚上（19：00—22：00）
2025.4.24晚上（19：00—22：00）
2025.4.25晚上（19：00—22：00）
2025.4.26全天（9-11点半-1点半-5）
腾讯会议直播上课课后提供直播回放
机器学习代谢组学
2025.4.19全天（9-11点半-1点半-5）
2025.4.20全天（9-11点半-1点半-5）
2025.4.22晚上授课（19：00—22：00）
2025.4.23晚上授课（19：00—22：00）
2025.4.24晚上授课（19：00—22：00）
2025.4.25晚上授课（19：00—22：00）
2025.4.26全天（9-11点半-1点半-5）
腾讯会议直播上课课后提供直播回放
深度学习在基因组学中的应用
2025.4.12全天（9-11点半-下午1点半-5）
2025.4.13全天（9-11点半-下午1点半-5）
2025.4.14全天（9-11点半-下午1点半-5）
2025.4.15全天（9-11点半-下午1点半-5）
2025.4.16全天（9-11点半-下午1点半-5）
腾讯会议直播上课课后提供直播回放
深度学习在质谱蛋白组学中的应用
2025.4.22全天（9-11点半-1点半-5）
2025.4.23全天（9-11点半-1点半-5）
2025.4.24全天（9-11点半-1点半-5）
2025.4.25全天（9-11点半-1点半-5）
2025.4.26全天（9-11点半-1点半-5）
腾讯会议直播上课课后提供直播回放
机器学习微生物组学
2025.4.22晚上授课（19：00—22：00）
2025.4.23晚上授课（19：00—22：00）
2025.4.24晚上授课（19：00—22：00）
2025.4.25晚上授课（19：00—22：00）
2025.4.26全天（9-11点半-1点半-5）
2025.4.27全天（9-11点半-1点半-5）
2025.4.28晚上授课（19：00—22：00）
2025.4.29晚上授课（19：00—22：00）
腾讯会议直播上课课后提供直播回放
CRISPR-Cas9基因编辑技术
2025.4.21晚上授课（19：00—22：00）
2025.4.22晚上授课（19：00—22：00）
2025.4.23晚上授课（19：00—22：00）
2025.4.24晚上授课（19：00—22：00）
2025.4.26全天（9-11点半-1点半-5）
2025.4.27全天（9-11点半-1点半-5）
2025.4.28晚上授课（19：00—22：00）
2025.4.29晚上授课（19：00—22：00）
腾讯会议直播上课课后提供直播回放
报名费用及福利
1.AI蛋白质设计
公费价：每人每班￥6380 元
自费价：每人每班￥5880元
2.合成生物与基因电路设计
3.CADD计算机辅助药物设计
4.AIDD人工智能药物发现
5.蛋白晶体结构解析
6.机器学习代谢组学
7.深度学习在基因组学中的应用
8.深度学习在质谱蛋白组学中的应用
9.机器学习微生物组学
10.CRISPR-Cas9基因编辑技术
公费价：每人每班￥5880
自费价：每人每班￥5480
优惠一
报二赠一：10880
（赠送课程任选）
优惠二
报三赠一：13880
（赠送课程任选）
报四赠二：18880元
（赠送课程任选）
特惠三
全报：25880
两年内可免费参加本公司举办的任何课程（不限次数及课程，包括之后的新开课）
限时福利：报名成功后转发朋友圈或转发50人以上群聊即可获得300元现金红包（只限前15名）
报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销 。报名缴费后即可获得全套预习资料供大家课前准备
证书：参加培训并通过考试的学员，可以申请获得工业和信息化部工业文化发展中心颁发的“工业强国建设素质素养提升尚工行动”岗位能力适应评测证书。该证书可在中心官网查询，可作为能力评价，考核和任职的重要依据。评测证书查询网址：
www.miit-icdc.org（自愿申请，须另行缴纳考试费500元/人）
官方联系人
联系人：苏老师
报名咨询电话：13783571273（同V）
往期学员好评截图：
