In the current literature, infection with the hepatitis B virus (HBV) is described as one of the main risk factors for the development of hepatocellular carcinoma (HCC).
According to the current study situation, the Hepatitis B surface antigen (HBsAg) is considered as an important marker, since low levels and sero-clearance of HBsAg are both correlated with a lower risk of HCC development / recurrence.Currently there is no treatment option available that efficiently targets HBsAg. Besides neutralizing infectious HBV virions, Hepatitis B immunoglobulins (HBIG) can directly bind and neutralize extracellular HBsAg/SVPs, and even intracellular HBsAg targeting is reported. In addition, HBIGs can initiate effector-cell attack (via antibody-dependent cellular cytotoxicity, ADCC) towards infected hepatocytes.
The potential benefit of HBIGs in the HCC context is further underlined by recent evidence for the ability of HBIGs to reduce the viability, proliferation, and self-renewal of tumor-initiating cells (TICs) - isolated from HBV-HCC patients - accompanied by downregulation of stemness markers, e.g., OCT-4.According to the current study situation, the use of HBIGs significantly reduces the risk of HBV reinfection after transplantation and improves the results of liver transplantation in patients with chronic HBV infection. The potential benefit of treating HBV-HCC patients on the LTx (liver transplantation) waiting list with hepatitis B immunoglobulin is the possible stop or inhibition of tumor progression while waiting for an LTx. So far there is no clinical evidence of this.
Mechanistically, hepatitis B immunoglobulin could occur through neutralization of circulating HBsAg, which is an important driver of an immunosuppressive environment in HBV patients, and possibly through direct effects against HBV HCC tumor cells (through antibody-dependent cellular cytotoxicity, ADCC). Therefore, the idea behind preoperative HBIG administration before liver transplantation is to reduce the rate of patients in whom a transplantation would no longer have been possible due to tumor progression. Thus, due to tumor progression in HBV-positive HCC-patients there is a monthly drop-out from the waiting list of about 4%.
The basic idea behind the treatment of HBV-HCC patients before tumor resection with hepatitis B immunoglobulin is to potentially stop or positively influence tumor progression through the effects mentioned above, in the time between diagnosis and resection.
Zhou et al. (2015) have shown a connection between HBsAg levels and HCC relapses after resection, although the exact role of HBsAg is still unclear. In no case will the treatment postpone the time of tumor resection, as only patients are considered who, for clinical reasons, can expect a certain time until resection. The present proof of concept study aims to quantify HBsAg reduction due to preoperative administration of HBIGs in HBV-positive HCC-patients and serve as a template for future multicentre clinical trials.

开始日期2024-11-01

申办/合作机构

Medizinische Universität Graz

NCT04629651

/ Withdrawn临床1/2期IIT

Phase I/II Prospective Trial Investigating the Safety and Efficacy of Captopril Use on the Degree of Marrow Fibrosis in Patients With Primary or Secondary Bone Marrow Fibrosis/Myeloproliferative Neoplasms

The purpose of this study is to evaluate the safety and tolerability of captopril and evaluate the effectiveness captopril as measured by changes in the grade of bone marrow scar tissue. The change in spleen size by ultrasound will also be measured.

开始日期2024-04-01

申办/合作机构

The Case Comprehensive Cancer Center

NCT06292091

/ Completed临床1期IIT

An Open-label, Fixed-sequence, 3-period Crossover Exploratory Study to Investigate the Effect of Urine Acid-base Disequilibrium on the Pharmacokinetics of Captopril in Healthy Male Volunteers

The aim of this study is to evaluate the effect of urine acid-base disequilibrium on the pharmacokinetics of captopril in healthy male volunteers.

开始日期2024-02-28

申办/合作机构

Seoul National University Hospital

100 项与卡托普利相关的临床结果

登录后查看更多信息

100 项与卡托普利相关的转化医学

登录后查看更多信息

100 项与卡托普利相关的专利（医药）

登录后查看更多信息

18,464

项与卡托普利相关的文献（医药）

2025-06-01·European Journal of Pharmacology

Spermine alleviates myocardial cell aging by inhibiting mitochondrial oxidative stress damage

Article

作者: Zhang, Chun-Rui ; Gao, Yi-He ; Zhang, Jing ; Jiang, Li ; Liu, Tong ; Wang, Peng-Yue ; Yang, Jing ; Li, Zi-Xuan

BACKGROUNDMyocardial aging, involving oxidative stress, mitochondrial dysfunction, and cellular senescence, is crucial to DOX - induced heart failure. DOX has dose - dependent cardiotoxicity. Sper a natural polyamine with antioxidant and anti - aging effects, remains unstudied in this context.AIMThis study hypothesizes Sper can alleviate DOX - induced heart failure by curbing myocardial aging and oxidative stress. It aims to assess Sper's protective impacts on cardiac function, pathology, oxidative stress, mitochondrial damage, and aging in a rat model, using captopril as a control.METHODS80 male Sprague Dawley rats were assigned to 8 groups: normal control, 150 mg/kg Sper, DOX, and DOX +10/50/100/150 mg/kg Sper, DOX +30 mg/kg captopril. DOX was given intraperitoneally at 15 mg/kg total dose, while Sper or captopril was administered daily via gavage for six weeks. Cardiac function was evaluated using echocardiography, and histopathological changes, oxidative stress markers, mitochondrial damage, and myocardial aging were assessed via H&E staining, immunofluorescence, Western blot, and electron microscopy.RESULTSSper boosted cardiac function in DOX - treated rats, upping EF and SV, and lessening cardiac tissue damage. It cut oxidative stress by reducing MDA levels and boosting SOD activity. Sper also eased mitochondrial damage by enhancing mitochondrial membrane potential and cutting mitochondrial fission proteins (Drp1 and Fis1). Plus, Sper held back myocardial aging by trimming β - galactosidase activity and downregulating p - P53 and p21 expression. At 150 mg/kg/day, Sper worked much like 30 mg/kg/day captopril.CONCLUSIONSper effectively eased DOX - induced heart failure by targeting oxidative stress and aging, showing potential as an adjunct therapy for DOX - related cardiotoxicity. Future research should explore Sper's molecular mechanisms and clinical efficacy.

2025-05-01·Journal of Photochemistry and Photobiology A: Chemistry

Assessing the stability and reactive oxygen species generation of thiolate-protected nanoclusters in physiological conditions

作者: Stamplecoskie, Kevin G. ; Aminfar, Parimah ; Harrington, Kristen

Gold and silver nanoclusters have emerged as next generation bioimaging and cancer therapy agents, based on the potent effects that nanoclusters have in cell and animal models.However, understanding how nanocluster structure and properties are affected by the chem. environment of the body and tumor-like conditions is far less explored.Here, the stability of six different clusters with varied metals (Au or Ag) and ligands were investigated to elucidate the impact that each has on cluster stability in physiol. conditions and in a solution that mimic cellular environment surrounding the tumor.Surprisingly, the most studied Au₂₅(SR)₁₈ superatom clusters were not stable in physiol. media, whereas a newly reported cluster, Au₂₂(lysine-cysteine-lysine)₁₆, showed 24-h stability in all conditions studied.The ability to generate reactive oxygen species under the same conditions was also assessed, identifying several clusters as good candidates for use in photodynamic therapy.

2025-05-01·Appetite

N-methyl-D-aspartate glutamate receptor blockade inhibits the sensitization of sodium appetite independent of alterations in salt palatability

Article

作者: Menani, José V ; Pereira, Emilson D ; Andrade, Carina A F ; de Paula, Patrícia M ; De Luca, Laurival A ; Zenatti, Aline A

The intraperitoneal injection (ip) of N-methyl-D-aspartate (NMDA) receptor antagonist dizocilpine, MK-801, blocks sodium appetite sensitization in rats. Therefore, NMDA receptors seem important for ingestive behavioral adaptations to episodic or chronic periods of dehydration and salt depletion. Orofacial somatic motor responses to intraoral infusion of salt, in a salt taste reactivity test, can be an index of salt palatability. The objective of the present study was to investigate whether ip injection of MK-801 (0.15 mg/kg) alters orofacial responses to intraoral salt (0.3 M NaCl). In Experiment 1, tests were performed 24 h after subcutaneous injection of the natriuretic/diuretic furosemide and removal of ambient sodium. MK-801 inhibited salt intake by 60% average but did not alter salt palatability, compared with vehicle. In Experiment 2, MK-801 was paired with episodes of rapid-onset (1-h latency) sodium appetite, that is, in response to a combination of furosemide with low-dose captopril, or Furo/Cap. A pairing of MK-801, or its vehicle, with Furo/Cap was performed every other three days, three times. In a post-pairing trial, conducted 3 days after the last pairing, MK-801 history did not alter salt palatability in response to Furo/Cap, although it blocked, as expected, salt intake sensitization. In Experiment 3, MK-801 inhibited food intake in animals deprived of food for 24 h, and the respective meal-associated water intake by 60% average. The results suggest that the inhibitory effect of MK-801 on salt intake sensitization is not dependent on increased salt aversion, but they cannot rule out the participation of a general behavioral inhibition on such an effect.

项与卡托普利相关的新闻（医药）

2025-04-18

·药闻康策

2023年“沙坦”“普利”类降压药多渠道发展格局

☝ 点击上方一键预约 ☝ 最新最热的医药健康新闻政策前言据法伯统计，在整体降压药市场中，以缬沙坦、厄贝沙坦、氯沙坦等为代表的肾素-血管紧张素系统（RAS）药物是在历次国家带量采购（VBP）中被纳入数量最多的降压药类别。此外，根据法伯全渠道数据显示，2023年这类药物在我国总体医疗机构市场规模超过215亿元，且在整体降压药市场中占比最大，达到43.4%，其中又以“沙坦”类单一及联合用药占据较大市场份额。补充说明*本文所述的肾素-血管紧张素系统药物市场范围（按照药物解剖学、治疗学及化学分类法ATC2编码）：C09；*中国医疗机构：包括两个医院渠道（城市医院、县域医院）和两个基层医疗机构渠道（社区卫生中心、乡镇卫生院）。总规模超215亿，“沙坦”类药物占八成市场肾素-血管紧张素系统（renin-angiotensin system，RAS）抑制剂是心肾血管疾病的重要治疗药物，主要包括以卡托普利、依那普利、氨氯地平贝那普利等为代表的血管紧张素转换酶抑制剂（ACEI）单一及联合用药，和以氯沙坦、厄贝沙坦、缬沙坦氢氯噻嗪等为代表的血管紧张素II拮抗剂（ARB）单一及联合用药。图1-2023年各类降压药分渠道销售额占比及C09药物渠道分布数据来源：法伯全渠道数据根据法伯全渠道数据显示，2023年我国总体医疗机构C09类药物销售额达215.7亿元，在整体降压药市场占比43.4%，且在四个医疗机构渠道中均份额最大。此外，该类药物主要在城市医院和社区卫生中心渠道销售（图1）。另外值得关注的是，在C09药物市场中，又以各种“沙坦类”单一及联合用药占据较大的份额，2023年在总体医疗机构销售额分别达63.8亿元和114.8亿元，合计占比近83%（图2）。图2-2023年总体医疗机构各类C09药物销售额及占比数据来源：法伯全渠道数据累计19个分子纳入集采，市场份额超60%2023年在总体医疗机构降压药市场销售额前十的分子，也全部来自上述“沙坦类”药物。其中，排名前五的均为联合用药，沙库巴曲缬沙坦以超40亿元销售额遥遥领先，第二、三名的厄贝沙坦氢氯噻嗪和缬沙坦氨氯地平市场规模均超过15亿元。增速方面，根据法伯全渠道数据显示，除了近年来增长强劲的沙库巴曲缬沙坦，缬沙坦氢氯噻嗪和阿利沙坦也增长较快（图3）。图3-2023年总体医疗机构C09类药物TOP10分子及增速表现数据来源：法伯全渠道数据此外，目前TOP10分子中的8个已经纳入历次国家集采。事实上，C09类药物是降压药市场中被纳入集采最多的类别。根据法伯统计，已经累计有19个品种进入前十批集采，均为口服常释剂型，合计占比达61.8%，涉及到的原研企业包括赛诺菲、诺华、第一三共、勃林格殷格翰等（图4）。图4-C09类药物集采品种及2023年各批次集采销售额占比数据来源：法伯整理；法伯全渠道数据关注集采降价对相关药物市场产生的影响，以2021-2023年开展的第4-8批集采涉及到的6个降压药品种为例，根据法伯全渠道数据显示，除了缬沙坦氨氯噻嗪之外，其余5个品种2023年在总体医疗机构的销售额较2021年均下降，其中盐酸贝那普利降幅最大，达55.5%（图5）。图5-总体医疗机构C09类药物第4-8批集采品种销售额变化23vs21数据来源：法伯全渠道数据外资诺华引领市场，内资华海药业优势明显企业格局方面，整体而言，目前C09类降压药市场由内资企业主导，其2023年在总体医疗机构占比62.7%。分渠道来看，内资企业在除了城市医院之外的三个渠道份额均高于外资，尤其是两类基层医疗机构，占比分别高达74.5%和92.2%（图6）。图6-2023年各渠道C09类药物市场内外资企业销售额占比数据来源：法伯全渠道数据进一步关注2023年C09类药物市场排名前十的企业，根据法伯全渠道数据显示，TOP10企业合计占比近64%，且增速高于整体市场的增长水平。外资企业诺华以24.6%的显著份额优势位居榜首，排名第二的华海药业在内资企业中领先，市场占比8.6%。此外，内资地奥集团近年来在C09领域市场增速较快，2023年同比大涨62.9%（图6）。图6-2023年总体医疗机构C09药物市场销售额TOP10企业及增速数据来源：法伯全渠道数据诺华医院渠道销售为主，创新药带动份额提升作为涉及最多C09类降压药集采品种的外资企业，诺华原研的缬沙坦（商品名：代文）、缬沙坦氨氯地平（商品名：倍博特）、缬沙坦氢氯噻嗪（商品名：复代文）、贝那普利（商品名：洛汀新）相继在第3-5批集采（分别于2020年11月、2021年4月和9月执行）落标。法伯数据显示，集采冲击之下，2022年诺华C09类药物销售额同比降低14.6%，后于2023年恢复增长，整体实现2021-2023复合增长10.8%。此外，两类医院是诺华布局的主要销售渠道（图7）。图7-2021-2023年诺华C09类药物销售额渠道分布数据来源：法伯全渠道数据虽然在集采影响下，诺华多个降压药产品2023年在C09领域的市场份额明显下降，但是与此同时，其原研的血管紧张素受体脑啡肽酶抑制剂（ARNI）类药物沙库巴曲缬沙坦的销售额大幅增长，份额从2021年的8.6%增长到2023年的18.6%（表1），进而带动诺华保持了在C09类细分市场的优势。表1-2021-2023年诺华C09类产品市场份额表现数据来源：法伯全渠道数据华海药业产品丰富，重视广阔市场布局内资企业方面，在C09领域业绩亮眼的企业是华海药业，2023年以8.6%的市场份额排名第二。作为国内心血管类制药龙头企业，华海药业在业界有着“普利专家”、“沙坦之王”的称号，旗下相关产品线丰富，包括厄贝沙坦片、福辛普利那片、厄贝沙坦氢氯噻嗪片、氯沙坦钾片、奥美沙坦酯氢氯噻嗪等，且均已相继纳入集采（表2），是典型的积极参与集采并借此快速实现新产品上量的本土仿制药企。表2-2021-2023年华海药业C09类产品市场份额表现数据来源：法伯全渠道数据此外，公司在销售渠道方面坚持裂变策略，构建了多元化的销售结构，并全面推进市场下沉。根据法伯全渠道数据显示，2021-2023年，包括县域医院、社区卫生中心、乡镇卫生院在内的广阔市场渠道，在华海药业C09类药物销售额的合计贡献超过60%，尤其是社区卫生中心，到2023年占比已接近城市医院（33.3% V.S. 33.4%）（图8）。图8-2021-2023年华海药业C09类药物销售额渠道分布数据来源：法伯全渠道数据事实上，从2023年C09市场TOP10企业的销售额渠道分布也能明显看出，外资企业更加重视对城市医院的布局，但大部分内资企业则是重点布局广阔市场渠道，除了华海药业之外，福元医药、华润双鹤和扬子江药业在两个基层医疗机构渠道的份额均超过40%（图9）。图9-2023年总体医疗机构C09类药物市场TOP10企业渠道分布数据来源：法伯全渠道数据地奥集团增速最快，2023年大涨62.9%在C09类降压药领域，另一个值得关注的内资企业是地奥集团，其2021-2023年在我国总体医疗机构的销售额复合增长25.6%（图10），2023年同比大涨62.9%，排名上升十位后进入TOP10企业榜单。良好的市场表现主要得益于旗下氨氯地平贝那普利片（Ⅱ）的增长，根据法伯全渠道数据显示，该产品在我国总体医疗机构的销售额从2021年的近3.6亿增长到2023年的逾6.6亿，复合增长36.3%。图10-2021-2023年地奥集团C09类药物市场规模数据来源：法伯全渠道数据(来源：法伯科技）药闻康策新媒体矩阵微信公众号点击下方一键关注【免责声明】1.“药闻康策”部分文章信息来源于网络转载是出于传递更多信息之目的，并不意味着赞同其观点或证实其内容的真实性。如对内容有疑议，请及时与我司联系。2.“药闻康策”致力于提供合理、准确、完整的资讯信息，但不保证信息的合理性、准确性和完整性，且不对因信息的不合理、不准确或遗漏导致的任何损失或损害承担责任。3.“药闻康策”所有信息仅供参考，不做任何商业交易或医疗服务的根据，如自行使用“药闻康策”内容发生偏差，我司不承担任何责任，包括但不限于法律责任，赔偿责任。欢迎转发分享、点赞、点在看

带量采购

2025-04-07

·漫游药化

势如破竹！天才师兄连发多篇Nature/Science！药学领域迎来巅峰时刻！

10月9日，欧洲中部时间11时45分（北京时间17时45分），瑞典皇家科学院决定将2024年诺贝尔化学奖的一半授予大卫·贝克（David Baker），以表彰他在“计算蛋白质设计”方面的贡献，并将另一半授予戴密斯·哈萨比斯（Demis Hassabis）和约翰·M·詹伯（John M. Jumper），以表彰他们在“蛋白质结构预测”方面的贡献。2024 年 5 月 8 日，谷歌 DeepMind 与 Isomorphic Labs 联合在《自然》期刊上发布蛋白质领域最新人工智能模型 AlphaFold 3！这一模型能够准确预测蛋白质、DNA、RNA 以及配体等生命分子的结构及其相互作用方式。这是继AlphaFold 2 之后的又一重大突破在预测类药物相互作用方面，AlphaFold 3 实现了前所未有的准确度，包括蛋白质与配体的结合以及抗体与其靶蛋白的结合。在 PoseBusters 的基准测试中，AlphaFold 3 的准确率比现有最佳传统方法高出 50%，而且无需任何结构信息输入，成为首个超越传统物理预测工具的人工智能系统。这种预测抗体与蛋白质结合的能力，对于理解人类免疫反应的各个方面以及新抗体的设计至关重要。四大序列模型大比拼1.ProteinMPNN是基于信息传递神经网络（MPNN）开发的，能够通过给定的蛋质骨架结构找到正确折叠的氨基酸序列。它的功能是通过蛋白质骨架特征如Cα-Cα原子间距离、二面角等信息，生成预测的氨基酸序列。与传统的Rosetta（Rosetta的原理为基于物理的方法将序列设计视为能量优化问题，在给定的输入结构中寻找具有最低能量的氨基酸身份和构象的组合）相比，ProteinMPNN在序列恢复、计算效率和适用范围上具有显著优势。该方法广泛应用于单体、环低聚物、蛋白质纳米颗粒和蛋白质-蛋白质界面的设计2.ABACUS-R是一个深度学习模型，在给定主链的情况下可以设计序列。方法使用一个具有编码器和解码器的网络模型，使用多任务方法训练。环境的特征使用氨基酸类型，但是没有显式描述氨基酸的侧链构象（Rotamer-Free）。通过X-ray的实验验证，ABACUS-R超过了目前最优秀的序列从头设计算法，可以作为非常有效的蛋白质设计工具3.CarbonDesign 是蛋白质序列设计版的 AlphaFold，它从用于蛋白质结构预测的 AlphaFold 模型中汲取灵感，并专门针对蛋白质序列设计进行了算法改进。该工具能够准确且稳健的设计蛋白质序列，可以被广泛应用于不同蛋白质设计场景，并且可以预测蛋白质突变的功能影响。4.CARBonAra模型。该模型基于几何变换器架构,可以同时处理蛋白质骨架和周围的任何类型分子,包括其他蛋白质、核酸、配体、离子等,从而实现更加精确和灵活的蛋白质序列设计国内主要从事AI蛋白质设计的高校北京大学、国际机器学习研究中心、清华大学中国科学院计算技术研究所、中国人民大学、上海交通大学复旦大学、上海科技大学、中国科学院上海药物研究所中国科学院分子细胞科学卓越创新中心浙江大学、西湖大学、浙江工业大学、深圳先进技术研究院、清华大学深圳国际研究生院南方科技大学、中国科学技术大学、中国科学院微生物研究所厦门大学、山东大学、中国科学院天津工业生物技术研究所主讲老师来自北京大学，从事AI for science方向研究，目前的主要研究方向是人工智能辅助的蛋白质等分子体系的采样，在分子模拟上由丰富的实战经验。已在JCIM、communications physics等国际期刊上发表数篇文章，其设计的蛋白质采样算法UFConf的发表文章，被选为JCIM杂志的当期封面文章以及编辑推荐，具有广泛的影响力。专题一、蛋白质设计概述与工具准备1.为什么要做蛋白质设计？蛋白质广阔的可能结构空间2.蛋白质设计方法分类目前最佳解决方案：蛋白质结构预测：Alphafold2,Rosettafold2固定结构序列预测：ProteinMPNN从头设计：RFDiffusion+ProteinMPNN+Alphafold2迭代3.Vscode的使用，ssh连接超算集群（实操）VScode的安装Remote ssh插件安装~/.ssh/config中配置username, ip信息4.Linux的配置，创建python环境（实操）Conda create -n env_name python=3.95.超算作业提交（实操）Slurm作业管理系统的教学，sbatch, salloc,scancel的使用6.生成模型概览，特别讲Diffusion model理论通过本天培训学员将掌握：本专题将介绍蛋白质设计的基本背景和意义，以及一些工具的基本知识。分为如下几个部分：首先将介绍蛋白质设计的意义以及当前蛋白质设计的主要方法，包括Alphafold2、Rosettafold2等结构预测方法，ProteinMPNN等逆折叠模型以及RFDiffusion等结构设计方法。接着，课程将引导学员安装并配置VScode，进行SSH连接超算集群的配置，并介绍Linux环境的搭建，为后续的计算实验做好准备。最后将通过几个简单的例子来介绍在超算集群上提交作业的方式。将根据课程进度来决定是否讲解生成模型的基本原理。专题二、深度学习蛋白质结构预测方法1.基于深度学习的模型--Alphafold2、RosettafoldAF2成功的原因：a.利用MSA信息b.Transformer提取行纵MSA的信息c.Recyclingd.自蒸馏数据集（pLDDT的引入）2. AF2 本地运行（实操）2.1基于Alphafold2的复现工作—Openfold、Unifold3.Alphafold2上机实操3.1MSA由mmseqs2 api生成，不需要下载结构和序列的数据集（需要3TB的空间）4.基于语言模型的模型—ESMfold（实操）4.1ESMfold的逻辑：用Masked LM替代掉AF2中的MSA模块4.2ESMfold安装：（确保nvcc安装）5.蛋白质多链结构预测—Alphafold multimer6.蛋白-核酸复合物预测—RosetaffoldNA（实操）Add nucleic acid representation7.蛋白-核酸-小分子复合物预测—Rosetaffold-all atom, Alphafold3通过本天培训学员将掌握：本专题将详细讲解多种蛋白质结构预测模型，包括Alphafold2、Rosettafold2、ESMfold、RosettafoldNA、Rosettafold All Atom和AlphaFold3。分为如下几个部分：首先我们将介绍Alphafold2模型的基本原理以及其成功的原因，接着我们会介绍ESMfold的基本原理，并进行上机实操演示，接着我们会介绍Alphafold-multimer相比单链预测的主要难点，接下来我们会介绍一些蛋白质和其他分子复合物的预测模型RosettafoldNA、Rosettafold All Atom和AlphaFold3。然后我们会上机实际操作如何以最简便的方式本地运行Alphafold2，无需加载庞大的数据集。在本专题最后我们会进行一个论文复现，利用MSA子采样来提升Alphafold2的采样多样性。让学员都能够掌握多种蛋白质结构预测模型的使用专题三、深度学习蛋白质多构象采样方法与模型蛋白质多构象预测（模拟）1. 基于传统物理能量的方法—分子动力学MD2. 基于MSA操纵的方法—MSA subsampling、AF cluster（实操）MSA subsampling方法子采样AF2的MSA输入 MSA subsampling方法2.1环境配置与AF2一样2.2AF_cluster方法2.3环境配置与AF2一样运行2.4生成MSA2.5模型预测3.基于生成模型的方法—Alphaflow、UFConf、DiGAlphaflow uses flow matching（实操）3.1Alphaflow方法3.2python环境配置运行3.3input_csv代表蛋白的序列信息3.4msa_dir代表MSA的路径3.5weights代表使用的模型3.6.samples代表采样数目4.UFConf使用Diffusion model（实操）通过本天培训学员将掌握：本专题将介绍蛋白质多构象采样的方法与模型，主要包括MSA操纵和生成模型两大类方法。分为如下几个部分：首先我们会介绍MSA操纵的方法，我们将讲解MSA subsampling和AF_cluster方法；接着我们会介绍生成模型的方法，将介绍Alphaflow和UFConf模型。接下来我们会进行AF_cluster文献中的案例复现。最后我们将介绍UFConf模型的上手实践，并对不同的蛋白质采样方法作以对比。让学员都能够掌握蛋白质多构象采样方法与模型使用工具专题四、深度学习蛋白质数据集挖掘工具与蛋白质口袋搜索工具1.蛋白质数据集挖掘工具1.1序列比对和聚类工具1.2BLAST速度慢 2.序列快速比对工具MMseqs22.1.对角线上的k-mer短序列匹配22.table查找对应target序列上k-mer出现的位置2.3.target序列和query序列的匹配3.结构比对和聚类工具3.1TM-align4.结构快速比对工具Foldseek41Foldseek团队与mmseqs系列对比 5.Foldseek上机实操6、深度学习蛋白质口袋搜索工具6.1.蛋白质口袋搜索6.2Alpha sphere7.基于结构的蛋白质口袋搜索工具--Fpocket、CavityPlus（实操）8.基于轨迹（多构象）的蛋白质口袋搜索—Mdpocket（实操）9.基于深度学习的蛋白质小分子结合位点预测工具—DiffdockDiffdock上机实操通过本天培训学员将掌握：本专题将详细介绍蛋白质数据集挖掘工具，重点讲解序列比对工具mmseqs2和结构比对工具foldseek的应用。分为如下几个部分：首先我们会介绍序列比对的方法概览，并简要演示传统的序列比对方法如BLAST；接下来我们会介绍更有效的序列比对方法mmseqs2，并进行上机演示; 接下来我们将介绍结构比对方法，首先我们会简要介绍TM_align方法，接下来我们将重点介绍foldseek方法，并进行上机演示，我们会演示其html网页可视化和csv文件输入的不同结果展示方式。让学员掌握数据集挖掘工具的使用蛋白质口袋搜索的传统方法与基于深度学习的创新方法。分为如下几个部分：首先我们会介绍基于结构的口袋搜索方法的基本原理，重点讲解fpocket工具，并进行上机演示；接下来我们会介绍基于深度学习的蛋白质小分子结合位点预测方法DiffDock，并进行上机演示，学员将了解这两种工具的理论基础，并通过实际操作演示，掌握如何进行蛋白质口袋的识别与分析。专题五、深度学习在蛋白质设计中的应用1.基于深度学习的蛋白质设计概览2.结构生成模型--RFDiffusion3.RFDiffusion是一个conditional的结构生成模型（实操）3.3.RFDiffusion：基于RosettaFold3.4.RFDiffusion-All-Atom：基于RosettaFold-All-Atom3.5.RFDiffusion上机实操3.6.RFDiffusion设计骨架结构4.逆折叠模型--ProteinMPNN（实操）4.1inverse folding模型4.2ProteinMPNN逆折叠设计序列上机实操5.利用AF2提高蛋白质设计的成功率（实操） 5.1Alphafold2折叠设计序列5.2筛选选Alphafold2中pLDDT较高的序列5.3预测结构作迭代6.Binder design设计流程6.1RFDiffusion设计binder6.2ProteinMPNN-FastRelax Binder Design设计6.3AF2 complex prediction设计7.结构序列生成模型--ProteinGenerator7.1ProteinGenerator是结构和序列的生成通过本天培训学员将掌握：本专题将深入探讨深度学习在蛋白质设计中的应用。包括如下内容：首先我们会介绍基于深度学习的蛋白质设计概览，接下来我们会介绍RFDiffusion（结构生成模型）、ProteinMPNN（逆折叠模型）、ProteinGenerator（结构与序列生成模型）的基础理论；接着我们会介绍如何利用Alphafold2来提升蛋白质设计的成功率；之后我们会进行上机实操，包括常见的蛋白质设计任务，具体包括RFDiffusion的不同使用模式、monomer motif scaffolding的迭代优化、 binder design的迭代优化。学员将通过实操，学习如何利用AlphaFold2提高蛋白质设计的成功率。我们会在本专题最后进行david baker 设计TNFR binder的论文复现。让学员都能够掌握david baker 的核心技术专题六、基于深度学习的酶设计与语言模型的蛋白质设计1.深度学习酶设计（实操）11.酶设计基本原理1.2.酶学性质预测1.3.RFDiffusionAA模型1.4RFDiffusionAA与RFDiffusion对比2.基于语言模型的蛋白质设计2.1Progen模型（实操）2.2Progen的训练2.3conditional tag下的语言模型训练3.ESM2、ESM3（实操）3.1多模态ESM3语言模型3.2序列、结构和功能三个模块的训练顶刊复现：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 Glögl et al. ,Target-conditioned diffusion generates potent TNFR superfamily antagonists and agonists.Science386,1154-1161(2024).通过本天培训学员将掌握：最后，本专题将介绍酶设计的基本原理及基于语言模型的蛋白质设计方法。分为如下几个部分：首先我们会介绍RFDiffusionAA（基于小分子的蛋白质设计模型）的基本原理，接下来我们会通过上机实操来演示酶设计的一个例子；接下来我们会介绍一些蛋白质语言模型，包括Progen、ESM2和ESM3的基本原理，架构，并进行上机演示。让学员能够掌握蛋白质语言模型的使用免费赠送视频史无前例福利免费赠送|深度学习蛋白质设计基础到顶刊复现线上录播课（可点击蓝色字体查看）免费赠送|AI蛋白质设计与酶设计线上录播课（可点击蓝色字体查看）报名AI蛋白设计直播课可以得到往期两期不同专题录播课！（含资料、视频、代码）报一得三！超值福利！快速学会AI蛋白质设计！助力发Nature CADD计算机辅助药物设计线上直播课药物研发是一个漫长而昂贵的过程，常常需要花费数十亿美元和数年时间。药物的设计和发现过程中，计算机辅助药物设计已经成为了一种重要的方法。计算机辅助药物设计（CADD）通过模拟和计算预测药物的性质、药效、毒性和代谢，为药物设计的每个环节提供准确的信息和指导。计算机辅助药物设计不仅可以加快发现新药物的速度，也可以大大减少发现过程中的花费。卡托普利、多佐胺、奥司他韦、阿利克仑、诺拉曲特等许多已获批准的药物均采用过CADD进行了优化。CADD能够快速高效地进行预测、设计、合成和评价，大大减少药物研发周期、成本和风险，提高了研发的效率和可行性技术方法分子对接‌分子对接的优势:主要包括高效性、经济性和可视化‌。分子对接是一种利用计算机模拟预测小分子与受体蛋白相互作用的方法，能够在较短时间内筛选大量化合物，找到与受体结合能力较强的分子，从而加速药物研发的进程‌。相比传统的药物筛选方法，分子对接能够节省大量研发成本，降低实验失败的风险‌。此外，通过分子对接，研究人员可以直观地观察分子与受体的结合方式，有助于理解药物与靶标之间的相互作用机制‌分子对接常用软件:‌AutoDock‌：由Scripps Research Institute开发的免费开源软件，支持刚性和柔性对接。它使用拉马克遗传算法来优化配体在受体结合位点的放置，并包含多种评分函数来评估结合亲和力。支持多种输入文件格式，如PDB、MOL2和SDF‌‌AutoDock Vina‌：AutoDock的改进版本，具有更高的计算效率和更好的性能。它能够在短时间内找到分子之间的最佳结合方式，广泛应用于药物发现和生物化学研究‌Discovery Studio‌：由Dassault Systèmes BIOVIA开发，包含一系列分子对接、虚拟筛选、蛋白质建模和分子动力学模拟分析工具‌本次分子对接培训主要采用‌AutoDock Vina‌，完全开源免费。本次培训主要讲解10种对接方法有：金属酶蛋白对接、蛋白-多糖对接、核酸-小分子对接、柔性对接、共价对接、蛋白-水合对接、蛋白-水分子-配体对接、抗体对接、大分子对接蛋白-多肽对接、大分子蛋白-蛋白对接。虚拟筛选‌虚拟筛选在药物发现中的应用优势主要包括以下几个方面‌：‌高效性和低成本‌：虚拟筛选通过计算机模拟技术，能够在短时间内对大量分子进行高通量筛选，显著减少了实验筛选所需化合物的数量，从而降低了研发成本和时间‌。此外，虚拟筛选不需要复杂的实验设备和高昂的实验费用，使得药物研发更加经济高效‌‌缩短研发周期‌：传统的药物研发方法依赖于大量的实验筛选，过程繁琐且耗时。虚拟筛选能够快速评估和筛选潜在的药物分子，显著缩短了药物研发的周期。统计显示，虚拟筛选的阳性率维持在5%-30%之间，且成功辅助药物设计的案例正逐年增加‌‌提高成功率‌：虚拟筛选通过计算机模拟和生物数据分析，能够帮助研究人员筛选出潜在的药物候选分子，极大地提高了药物发现的效率和成功率‌1。此外，结合分子动力学模拟等手段，可以进一步评估药物候选分子的稳定性和体内行为，优化候选分子，从而提高药物的研发成功率‌‌适用于多种药物类型‌：虚拟筛选不仅可以应用于小分子药物的筛选，还可以在抗体药物、疫苗以及其他生物制品的研发过程中发挥重要作用‌1。这使得虚拟筛选在生物医药领域的适用范围更广，能够满足不同类型药物研发的需求。‌减少实验需求‌：通过虚拟筛选，可以大幅减少实验筛选的需求，降低实验失败的风险。例如，MCE公司的虚拟筛选服务通过高效的分子对接技术和精准的打分函数，能够大幅减少实验筛选的化合物数量，提高发现理想先导物的可能性‌分子动力学模拟‌‌GROMACS在分子动力学模拟中的优势主要包括以下几个方面‌：‌高性能和并行计算能力‌：GROMACS以其惊人的计算效率而受到青睐，尤其在并行计算和GPU加速方面表现卓越。它能够在大型超级计算机上高效运行‌开源和免费‌：GROMACS遵循LGPL协议，是开源软件，用户可以在Github上找到其开源代码。这使得GROMACS在学术界广泛使用，并且用户可以自由地修改和扩展其功能‌‌广泛的力场支持‌：GROMACS支持多种力场，包括AMBER、CHARMM、GROMOS和OPLS等，这使得它能够模拟不同类型的分子体系‌此外，它还支持Martini粗粒化模型和基于GBSA的隐式溶剂模型‌‌丰富的分析工具‌：GROMACS提供了大量的分析工具，用户不必再为常规分析编写任何程序。它还包括轨迹可视化工具，可以显示模拟结果‌‌良好的用户界面和文档‌：GROMACS的操作简单，用户可以通过命令行进行操作，且其拓扑文件和参数文件格式友好，易于阅读和设置。此外，GROMACS提供了详细的免费使用手册，帮助用户更好地使用软件‌培训优势一、课程设置优势：本次培训采取线上直播授课，7天42个小时从理论到实操，手把手教授软件安装，课程长期解疑，CADD计算机辅助药物设计技术全覆盖，报名成功就发送预习视频二、学习资料优势：本次培训提供上课所有使用软件的安装包，PPT资料1000余页，课程每天会提供回放观看三、培训经验优势：我们有长达4年50余期的培训经验，受训学员达5000余人，学员好评100%，其中不乏有发表多篇CNS的学员部分学员评价CADD计算机辅助药物设计线上直播课表1讲师简介计算机辅助药物设计主讲老师来自国内高校北京协和医院药物研究所，老师主要擅长药物虚拟筛选、计算机辅助药物设计、人工智能药物发现、分子对接、分子动力学等方面的研究，已发表sci十余篇！有十余年的CADD研究经验。第一天上午背景与理论知识以及工具准备1.PDB数据库的介绍和使用1.1数据库简介1.2靶点蛋白的结构查询与选取1.3靶点蛋白的结构序列下载1.4靶点蛋白的下载与预处理1.5批量下载蛋白晶体结构2.Pymol的介绍与使用2.1软件基本操作及基本知识介绍2.2蛋白质-配体相互作用图解2.3蛋白-配体小分子表面图、静电势表示2.4蛋白-配体结构叠加与比对2.5绘制相互作用力3.notepad的介绍和使用3.1优势及主要功能介绍3.2界面和基本操作介绍3.3插件安装使用下午一般的蛋白-配体分子对接讲解1.对接的相关理论介绍1.1分子对接的概念及基本原理1.2分子对接的基本方法1.3分子对接的常用软件1.4分子对接的一般流程2.常规的蛋白-配体对接2.1收集受体与配体分子2.2复合体预构象的处理2.3准备受体、配体分子2.4蛋白-配体对接2.5对接结果的分析以新冠病毒蛋白主蛋白酶靶点及相关抑制剂为例第二天虚拟筛选1.小分子数据库的介绍与下载2.相关程序的介绍2.1 openbabel的介绍和使用2.2 chemdraw的介绍与使用3.虚拟筛选的前处理4.虚拟筛选的流程及实战演示案例：筛选新冠病毒主蛋白酶抑制剂5.结果分析与作图6.药物ADME预测6.1ADME概念介绍6.2预测相关网站及软件介绍6.3预测结果的分析第三天1.大分子对接实例蛋白-蛋白对接1.1蛋白-蛋白对接的应用场景1.2相关程序的介绍1.3目标蛋白的收集以及预处理1.4使用算例进行运算1.5关键残基的预设1.6结果的获取与文件类型1.7结果的分析以目前火热的靶点PD-1/PD-L1等为例。2.蛋白-多肽对接与实例2.1蛋白-多肽相互作用2.2蛋白-多肽对接算法2.3蛋白-多肽对接流程2.4不同条件下参数的设置2.5蛋白-多肽对接实例SARS-CoV-2强效D型多肽抑制剂3.金属酶蛋白的对接实例涉及金属酶蛋白的对接3..1金属酶蛋白-配体的背景介绍3.2蛋白与配体分子的收集与预处理3.3金属离子的处理3.4金属辅酶蛋白-配体的对接3.5结果分析以人类法尼基转移酶及其抑制剂为例4.蛋白-多糖分子对接4.1蛋白-多糖相互作用4.2对接处理的要点4.3蛋白-多糖分子对接的流程4.4蛋白-多糖分子对接4.5相关结果分析以α-糖苷转移酶和多糖分子对接为例5.核酸-小分子对接5.1核酸-小分子的应用现状5.2相关的程序介绍5.3核酸-小分子的结合种类5.4核酸-小分子对接5.5相关结果的分析以人端粒g -四链和配体分子对接为例。操作流程介绍及实战演示第四天拓展对接的使用方法1.柔性对接1.1柔性对接的使用场景介绍1.2柔性对接的优势1.3蛋白-配体的柔性对接重点：柔性残基的设置方法1.4相关结果的分析以周期蛋白依赖性激酶2（CDK2）与配体1CK为例2.共价对接2.1两种共价对接方法的介绍2.1.1柔性侧链法2.1.2两点吸引子法2.2蛋白和配体的收集以及预处理2.3共价药物分子与靶蛋白的共价对接2.4结果的对比以目前火热的新冠共价药物为例。3.蛋白-水合对接3.1水合作用在蛋白-配体相互作用中的意义及方法介绍3.2蛋白和配体的收集以及预处理3.3对接相关参数的准备重点：水分子的加入和处理3.4蛋白-水分子-配体对接3.5结果分析以乙酰胆碱结合蛋白(AChBP)与尼古丁复合物为例第五天1.抗体对接1.1抗体建模1.2抗体抗原对接2.其他抗原抗体生成模型的介绍3.Linux系统基本知识3.1Linux系统简介3.2常用命令介绍3.3基本操作介绍第六天1.分子动力学模拟1.1实例演示1.2指导安装Gromacs 2019.62.分子动力学概述2.1分子动力学模拟原理及一般流程3.Gromacs介绍2.Gromacs命令介绍2.1蛋白拓扑文件的获取2.2溶剂化盒子的设置2.3mdp文件的介绍2.4后处理命令介绍第七天1.溶菌酶在溶剂条件下的动力学模拟2.拓扑文件的建立3.体系电中性4.能量最小化5.NPT\NVT6.无限制的MD模拟7.主蛋白酶及其抑制剂在溶剂条件下的动力学模拟8.非标准残基的拓扑参数建立AIDD人工智能药物发现与设计视频回放课《上下滑动查看》讲师简介AIDD授课老师，有十余年的计算机算法研究和程序设计经验。研究方向涉及人工智能药物发现，深度学习药物靶标识别，CADD等。一作身份发表SCI论文数篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊。第一天1.AIDD概述及药物综合数据库介绍2.人工智能辅助药物设计AIDD概述3.安装环境(1)anaconda(2)vscode(3)pycharm(4)虚拟环境4.第三方库基本使用方法(1)numpy(2)pandas(3)matplotlib(4)requests5.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）(6)PDB（pypdb）第二天 ML-based AIDD1.机器学习(1)机器学习种类：①监督学习②无监督学习③强化学习(2)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(3)模型的评估与验证(4)分类评估：准确率、精确率、召回率、F1分数、ROC曲线、AUC计算(5)回归评估：平均绝对误差、均方差、R2分数、可释方差分数(6)交叉验证2.sklearn工具包基本使用3.rdkit工具包的基本使用4.化合物编码方式和化合物相似性理论知识5.项目实战1：基于ADME和Ro5的分子筛选6.项目实战2：基于化合物相似性的配体筛选7.项目实战3：基于化合物相似性的分子聚类8.项目实战4: 基于机器学习的生物活性预测9.项目实战5：基于机器学习的分子毒性预测第三天GNN-based AIDD1.图神经网络(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.论文精讲：DeepTox: Toxicity Prediction using Deep Learning3.项目实战1：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2：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NLP-based AIDD1.自然语言处理(1)Encoder-Decoder模型(2)循环神经网络 RNN(3)Seq2seq(4)Attention(5)Transformer2.项目实战1：基于自然语言的分子毒性预测(1)SMILES分子数据集词向量表示方法(2)基于NLP模型进行分子毒性预测3.项目实战2：基于Transformer的有机化学反应产量预测（Prediction of chemical reaction yields using deep learning）4.论文精读及代码讲解：《Mapping the space of chemical reactions using attention-based neural networks》第五天分子生成与药物设计1.分子生成模型(1)循环神经网络RNN(2)变分自动编码器VAE(3)生成对抗网络GAN(4)强化学习RL2.项目实战1: 基于图数据的小分子化合物生成模型《A Graph to Graphs Framework for Retrosynthesis Prediction》3.项目实战2: 基于NLP的抗体生成模型《Generative language modeling for antibody design》授课时间AI蛋白质设计线上实操直播授课时间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）共计6天的课通过腾讯会议直播线上实操提供全部录播CADD计算机辅助药物设计线上直播授课时间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)共计7天的课通过腾讯会议直播线上实操提供全部录播AIDD人工智能药物发现与设计录播课（免费赠送）共计五天的录播课，提供全部视频、资料、软件、代码培训费用超值福利课程报名费用：AI蛋白质设计线上实操直播课：公费价：每人每班￥6880元（含报名费、培训费、资料费、提供课后全程回放资料）自费价：每人每班￥6580元（含报名费、培训费、资料费、提供课后全程回放资料）CADD计算机辅助药物设计线上直播课公费价：每人每班￥5880元（含报名费、培训费、资料费、提供课后全程回放资料）自费价：每人每班￥5580元（含报名费、培训费、资料费、提供课后全程回放资料）AIDD人工智能药物发现回放课(即报即学)重磅优惠:优惠1：报二送一（同时报名两个班赠送一个学习班，赠送班任选）两班同报：10880元（原价18640）三班同报：14880元（原价23620）特惠一：24880元（可免费学习一整年本单位举办的任意课程）特惠二：28880元（可免费学习两整年本单位举办的任意课程）优惠2：提前报名缴费可享受300元优惠（仅限十五名）优惠3：报名直播课程可赠送往期课程回放（报两个班赠送全部回放）（可点击跳转详情链接）：回放一：本课程为视频课！机器学习生物医学培训！回放二：本课程为视频课！单细胞空间转录组培训！回放三：本课程为视频课！比较基因组学培训！回放四：本课程为视频课！机器学习蛋白质组学培训回放五：本课程为视频课！机器学习微生物组学培训回放六：本课程为视频课！蛋白质晶体结构解析培训回放七：本课程为视频课！CRISPR-Cas9基因编辑培训回放八：本课程为视频课！机器学习代谢组学培训！回放九：本课程为视频课！深度学习基因组学培训！报名咨询方式（请二维码扫描下方微信）联系人：叶老师报名电话：13838281574 ( 微信同号）邮箱：y13838281574@163.com 引用往期参会学员的一句话：发现真的是脚踏实地的同时需要偶尔仰望星空非常感谢各位对我们培训的认可！祝愿各位心想事成！

2025-04-07

·叮当学术

中国最高荣耀|百万人点赞！DeepSeek能够本地自主完成分子动力学（MD）模拟

AI蛋白质设计线上实操直播课10月9日，欧洲中部时间11时45分（北京时间17时45分），瑞典皇家科学院决定将2024年诺贝尔化学奖的一半授予大卫·贝克（David Baker），以表彰他在“计算蛋白质设计”方面的贡献，并将另一半授予戴密斯·哈萨比斯（Demis Hassabis）和约翰·M·詹伯（John M. Jumper），以表彰他们在“蛋白质结构预测”方面的贡献。2024 年 5 月 8 日，谷歌 DeepMind 与 Isomorphic Labs 联合在《自然》期刊上发布蛋白质领域最新人工智能模型 AlphaFold 3！这一模型能够准确预测蛋白质、DNA、RNA 以及配体等生命分子的结构及其相互作用方式。这是继AlphaFold 2 之后的又一重大突破在预测类药物相互作用方面，AlphaFold 3 实现了前所未有的准确度，包括蛋白质与配体的结合以及抗体与其靶蛋白的结合。在 PoseBusters 的基准测试中，AlphaFold 3 的准确率比现有最佳传统方法高出 50%，而且无需任何结构信息输入，成为首个超越传统物理预测工具的人工智能系统。这种预测抗体与蛋白质结合的能力，对于理解人类免疫反应的各个方面以及新抗体的设计至关重要。四大序列模型大比拼1.ProteinMPNN是基于信息传递神经网络（MPNN）开发的，能够通过给定的蛋质骨架结构找到正确折叠的氨基酸序列。它的功能是通过蛋白质骨架特征如Cα-Cα原子间距离、二面角等信息，生成预测的氨基酸序列。与传统的Rosetta（Rosetta的原理为基于物理的方法将序列设计视为能量优化问题，在给定的输入结构中寻找具有最低能量的氨基酸身份和构象的组合）相比，ProteinMPNN在序列恢复、计算效率和适用范围上具有显著优势。该方法广泛应用于单体、环低聚物、蛋白质纳米颗粒和蛋白质-蛋白质界面的设计2.ABACUS-R是一个深度学习模型，在给定主链的情况下可以设计序列。方法使用一个具有编码器和解码器的网络模型，使用多任务方法训练。环境的特征使用氨基酸类型，但是没有显式描述氨基酸的侧链构象（Rotamer-Free）。通过X-ray的实验验证，ABACUS-R超过了目前最优秀的序列从头设计算法，可以作为非常有效的蛋白质设计工具3.CarbonDesign 是蛋白质序列设计版的 AlphaFold，它从用于蛋白质结构预测的 AlphaFold 模型中汲取灵感，并专门针对蛋白质序列设计进行了算法改进。该工具能够准确且稳健的设计蛋白质序列，可以被广泛应用于不同蛋白质设计场景，并且可以预测蛋白质突变的功能影响。4.CARBonAra模型。该模型基于几何变换器架构,可以同时处理蛋白质骨架和周围的任何类型分子,包括其他蛋白质、核酸、配体、离子等,从而实现更加精确和灵活的蛋白质序列设计国内主要从事AI蛋白质设计的高校北京大学、国际机器学习研究中心、清华大学中国科学院计算技术研究所、中国人民大学、上海交通大学复旦大学、上海科技大学、中国科学院上海药物研究所中国科学院分子细胞科学卓越创新中心浙江大学、西湖大学、浙江工业大学、深圳先进技术研究院、清华大学深圳国际研究生院南方科技大学、中国科学技术大学、中国科学院微生物研究所厦门大学、山东大学、中国科学院天津工业生物技术研究所主讲老师来自北京大学，从事AI for science方向研究，目前的主要研究方向是人工智能辅助的蛋白质等分子体系的采样，在分子模拟上由丰富的实战经验。已在JCIM、communications physics等国际期刊上发表数篇文章，其设计的蛋白质采样算法UFConf的发表文章，被选为JCIM杂志的当期封面文章以及编辑推荐，具有广泛的影响力。专题一、蛋白质设计概述与工具准备1.为什么要做蛋白质设计？蛋白质广阔的可能结构空间2.蛋白质设计方法分类目前最佳解决方案：蛋白质结构预测：Alphafold2,Rosettafold2固定结构序列预测：ProteinMPNN从头设计：RFDiffusion+ProteinMPNN+Alphafold2迭代3.Vscode的使用，ssh连接超算集群（实操）VScode的安装Remote ssh插件安装~/.ssh/config中配置username, ip信息4.Linux的配置，创建python环境（实操）Conda create -n env_name python=3.95.超算作业提交（实操）Slurm作业管理系统的教学，sbatch, salloc,scancel的使用6.生成模型概览，特别讲Diffusion model理论通过本天培训学员将掌握：本专题将介绍蛋白质设计的基本背景和意义，以及一些工具的基本知识。分为如下几个部分：首先将介绍蛋白质设计的意义以及当前蛋白质设计的主要方法，包括Alphafold2、Rosettafold2等结构预测方法，ProteinMPNN等逆折叠模型以及RFDiffusion等结构设计方法。接着，课程将引导学员安装并配置VScode，进行SSH连接超算集群的配置，并介绍Linux环境的搭建，为后续的计算实验做好准备。最后将通过几个简单的例子来介绍在超算集群上提交作业的方式。将根据课程进度来决定是否讲解生成模型的基本原理。专题二、深度学习蛋白质结构预测方法1.基于深度学习的模型--Alphafold2、RosettafoldAF2成功的原因：a.利用MSA信息b.Transformer提取行纵MSA的信息c.Recyclingd.自蒸馏数据集（pLDDT的引入）2. AF2 本地运行（实操）2.1基于Alphafold2的复现工作—Openfold、Unifold3.Alphafold2上机实操3.1MSA由mmseqs2 api生成，不需要下载结构和序列的数据集（需要3TB的空间）4.基于语言模型的模型—ESMfold（实操）4.1ESMfold的逻辑：用Masked LM替代掉AF2中的MSA模块4.2ESMfold安装：（确保nvcc安装）5.蛋白质多链结构预测—Alphafold multimer6.蛋白-核酸复合物预测—RosetaffoldNA（实操）Add nucleic acid representation7.蛋白-核酸-小分子复合物预测—Rosetaffold-all atom, Alphafold3通过本天培训学员将掌握：本专题将详细讲解多种蛋白质结构预测模型，包括Alphafold2、Rosettafold2、ESMfold、RosettafoldNA、Rosettafold All Atom和AlphaFold3。分为如下几个部分：首先我们将介绍Alphafold2模型的基本原理以及其成功的原因，接着我们会介绍ESMfold的基本原理，并进行上机实操演示，接着我们会介绍Alphafold-multimer相比单链预测的主要难点，接下来我们会介绍一些蛋白质和其他分子复合物的预测模型RosettafoldNA、Rosettafold All Atom和AlphaFold3。然后我们会上机实际操作如何以最简便的方式本地运行Alphafold2，无需加载庞大的数据集。在本专题最后我们会进行一个论文复现，利用MSA子采样来提升Alphafold2的采样多样性。让学员都能够掌握多种蛋白质结构预测模型的使用专题三、深度学习蛋白质多构象采样方法与模型蛋白质多构象预测（模拟）1. 基于传统物理能量的方法—分子动力学MD2. 基于MSA操纵的方法—MSA subsampling、AF cluster（实操）MSA subsampling方法子采样AF2的MSA输入 MSA subsampling方法2.1环境配置与AF2一样2.2AF_cluster方法2.3环境配置与AF2一样运行2.4生成MSA2.5模型预测3.基于生成模型的方法—Alphaflow、UFConf、DiGAlphaflow uses flow matching（实操）3.1Alphaflow方法3.2python环境配置运行3.3input_csv代表蛋白的序列信息3.4msa_dir代表MSA的路径3.5weights代表使用的模型3.6.samples代表采样数目4.UFConf使用Diffusion model（实操）通过本天培训学员将掌握：本专题将介绍蛋白质多构象采样的方法与模型，主要包括MSA操纵和生成模型两大类方法。分为如下几个部分：首先我们会介绍MSA操纵的方法，我们将讲解MSA subsampling和AF_cluster方法；接着我们会介绍生成模型的方法，将介绍Alphaflow和UFConf模型。接下来我们会进行AF_cluster文献中的案例复现。最后我们将介绍UFConf模型的上手实践，并对不同的蛋白质采样方法作以对比。让学员都能够掌握蛋白质多构象采样方法与模型使用工具专题四、深度学习蛋白质数据集挖掘工具与蛋白质口袋搜索工具1.蛋白质数据集挖掘工具1.1序列比对和聚类工具1.2BLAST速度慢 2.序列快速比对工具MMseqs22.1.对角线上的k-mer短序列匹配22.table查找对应target序列上k-mer出现的位置2.3.target序列和query序列的匹配3.结构比对和聚类工具3.1TM-align4.结构快速比对工具Foldseek41Foldseek团队与mmseqs系列对比 5.Foldseek上机实操6、深度学习蛋白质口袋搜索工具6.1.蛋白质口袋搜索6.2Alpha sphere7.基于结构的蛋白质口袋搜索工具--Fpocket、CavityPlus（实操）8.基于轨迹（多构象）的蛋白质口袋搜索—Mdpocket（实操）9.基于深度学习的蛋白质小分子结合位点预测工具—DiffdockDiffdock上机实操通过本天培训学员将掌握：本专题将详细介绍蛋白质数据集挖掘工具，重点讲解序列比对工具mmseqs2和结构比对工具foldseek的应用。分为如下几个部分：首先我们会介绍序列比对的方法概览，并简要演示传统的序列比对方法如BLAST；接下来我们会介绍更有效的序列比对方法mmseqs2，并进行上机演示; 接下来我们将介绍结构比对方法，首先我们会简要介绍TM_align方法，接下来我们将重点介绍foldseek方法，并进行上机演示，我们会演示其html网页可视化和csv文件输入的不同结果展示方式。让学员掌握数据集挖掘工具的使用蛋白质口袋搜索的传统方法与基于深度学习的创新方法。分为如下几个部分：首先我们会介绍基于结构的口袋搜索方法的基本原理，重点讲解fpocket工具，并进行上机演示；接下来我们会介绍基于深度学习的蛋白质小分子结合位点预测方法DiffDock，并进行上机演示，学员将了解这两种工具的理论基础，并通过实际操作演示，掌握如何进行蛋白质口袋的识别与分析。专题五、深度学习在蛋白质设计中的应用1.基于深度学习的蛋白质设计概览2.结构生成模型--RFDiffusion3.RFDiffusion是一个conditional的结构生成模型（实操）3.3.RFDiffusion：基于RosettaFold3.4.RFDiffusion-All-Atom：基于RosettaFold-All-Atom3.5.RFDiffusion上机实操3.6.RFDiffusion设计骨架结构4.逆折叠模型--ProteinMPNN（实操）4.1inverse folding模型4.2ProteinMPNN逆折叠设计序列上机实操5.利用AF2提高蛋白质设计的成功率（实操） 5.1Alphafold2折叠设计序列5.2筛选选Alphafold2中pLDDT较高的序列5.3预测结构作迭代6.Binder design设计流程6.1RFDiffusion设计binder6.2ProteinMPNN-FastRelax Binder Design设计6.3AF2 complex prediction设计7.结构序列生成模型--ProteinGenerator7.1ProteinGenerator是结构和序列的生成通过本天培训学员将掌握：本专题将深入探讨深度学习在蛋白质设计中的应用。包括如下内容：首先我们会介绍基于深度学习的蛋白质设计概览，接下来我们会介绍RFDiffusion（结构生成模型）、ProteinMPNN（逆折叠模型）、ProteinGenerator（结构与序列生成模型）的基础理论；接着我们会介绍如何利用Alphafold2来提升蛋白质设计的成功率；之后我们会进行上机实操，包括常见的蛋白质设计任务，具体包括RFDiffusion的不同使用模式、monomer motif scaffolding的迭代优化、 binder design的迭代优化。学员将通过实操，学习如何利用AlphaFold2提高蛋白质设计的成功率。我们会在本专题最后进行david baker 设计TNFR binder的论文复现。让学员都能够掌握david baker 的核心技术专题六、基于深度学习的酶设计与语言模型的蛋白质设计1.深度学习酶设计（实操）11.酶设计基本原理1.2.酶学性质预测1.3.RFDiffusionAA模型1.4RFDiffusionAA与RFDiffusion对比2.基于语言模型的蛋白质设计2.1Progen模型（实操）2.2Progen的训练2.3conditional tag下的语言模型训练3.ESM2、ESM3（实操）3.1多模态ESM3语言模型3.2序列、结构和功能三个模块的训练顶刊复现：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 Glögl et al. ,Target-conditioned diffusion generates potent TNFR superfamily antagonists and agonists.Science386,1154-1161(2024).通过本天培训学员将掌握：最后，本专题将介绍酶设计的基本原理及基于语言模型的蛋白质设计方法。分为如下几个部分：首先我们会介绍RFDiffusionAA（基于小分子的蛋白质设计模型）的基本原理，接下来我们会通过上机实操来演示酶设计的一个例子；接下来我们会介绍一些蛋白质语言模型，包括Progen、ESM2和ESM3的基本原理，架构，并进行上机演示。让学员能够掌握蛋白质语言模型的使用免费赠送视频史无前例福利免费赠送|深度学习蛋白质设计基础到顶刊复现线上录播课（可点击蓝色字体查看）免费赠送|AI蛋白质设计与酶设计线上录播课（可点击蓝色字体查看）报名AI蛋白设计直播课可以得到往期两期不同专题录播课！（含资料、视频、代码）报一得三！超值福利！快速学会AI蛋白质设计！助力发Nature CADD计算机辅助药物设计线上直播课药物研发是一个漫长而昂贵的过程，常常需要花费数十亿美元和数年时间。药物的设计和发现过程中，计算机辅助药物设计已经成为了一种重要的方法。计算机辅助药物设计（CADD）通过模拟和计算预测药物的性质、药效、毒性和代谢，为药物设计的每个环节提供准确的信息和指导。计算机辅助药物设计不仅可以加快发现新药物的速度，也可以大大减少发现过程中的花费。卡托普利、多佐胺、奥司他韦、阿利克仑、诺拉曲特等许多已获批准的药物均采用过CADD进行了优化。CADD能够快速高效地进行预测、设计、合成和评价，大大减少药物研发周期、成本和风险，提高了研发的效率和可行性技术方法分子对接‌分子对接的优势:主要包括高效性、经济性和可视化‌。分子对接是一种利用计算机模拟预测小分子与受体蛋白相互作用的方法，能够在较短时间内筛选大量化合物，找到与受体结合能力较强的分子，从而加速药物研发的进程‌。相比传统的药物筛选方法，分子对接能够节省大量研发成本，降低实验失败的风险‌。此外，通过分子对接，研究人员可以直观地观察分子与受体的结合方式，有助于理解药物与靶标之间的相互作用机制‌分子对接常用软件:‌AutoDock‌：由Scripps Research Institute开发的免费开源软件，支持刚性和柔性对接。它使用拉马克遗传算法来优化配体在受体结合位点的放置，并包含多种评分函数来评估结合亲和力。支持多种输入文件格式，如PDB、MOL2和SDF‌‌AutoDock Vina‌：AutoDock的改进版本，具有更高的计算效率和更好的性能。它能够在短时间内找到分子之间的最佳结合方式，广泛应用于药物发现和生物化学研究‌Discovery Studio‌：由Dassault Systèmes BIOVIA开发，包含一系列分子对接、虚拟筛选、蛋白质建模和分子动力学模拟分析工具‌本次分子对接培训主要采用‌AutoDock Vina‌，完全开源免费。本次培训主要讲解10种对接方法有：金属酶蛋白对接、蛋白-多糖对接、核酸-小分子对接、柔性对接、共价对接、蛋白-水合对接、蛋白-水分子-配体对接、抗体对接、大分子对接蛋白-多肽对接、大分子蛋白-蛋白对接。虚拟筛选‌虚拟筛选在药物发现中的应用优势主要包括以下几个方面‌：‌高效性和低成本‌：虚拟筛选通过计算机模拟技术，能够在短时间内对大量分子进行高通量筛选，显著减少了实验筛选所需化合物的数量，从而降低了研发成本和时间‌。此外，虚拟筛选不需要复杂的实验设备和高昂的实验费用，使得药物研发更加经济高效‌‌缩短研发周期‌：传统的药物研发方法依赖于大量的实验筛选，过程繁琐且耗时。虚拟筛选能够快速评估和筛选潜在的药物分子，显著缩短了药物研发的周期。统计显示，虚拟筛选的阳性率维持在5%-30%之间，且成功辅助药物设计的案例正逐年增加‌‌提高成功率‌：虚拟筛选通过计算机模拟和生物数据分析，能够帮助研究人员筛选出潜在的药物候选分子，极大地提高了药物发现的效率和成功率‌1。此外，结合分子动力学模拟等手段，可以进一步评估药物候选分子的稳定性和体内行为，优化候选分子，从而提高药物的研发成功率‌‌适用于多种药物类型‌：虚拟筛选不仅可以应用于小分子药物的筛选，还可以在抗体药物、疫苗以及其他生物制品的研发过程中发挥重要作用‌1。这使得虚拟筛选在生物医药领域的适用范围更广，能够满足不同类型药物研发的需求。‌减少实验需求‌：通过虚拟筛选，可以大幅减少实验筛选的需求，降低实验失败的风险。例如，MCE公司的虚拟筛选服务通过高效的分子对接技术和精准的打分函数，能够大幅减少实验筛选的化合物数量，提高发现理想先导物的可能性‌分子动力学模拟‌‌GROMACS在分子动力学模拟中的优势主要包括以下几个方面‌：‌高性能和并行计算能力‌：GROMACS以其惊人的计算效率而受到青睐，尤其在并行计算和GPU加速方面表现卓越。它能够在大型超级计算机上高效运行‌开源和免费‌：GROMACS遵循LGPL协议，是开源软件，用户可以在Github上找到其开源代码。这使得GROMACS在学术界广泛使用，并且用户可以自由地修改和扩展其功能‌‌广泛的力场支持‌：GROMACS支持多种力场，包括AMBER、CHARMM、GROMOS和OPLS等，这使得它能够模拟不同类型的分子体系‌此外，它还支持Martini粗粒化模型和基于GBSA的隐式溶剂模型‌‌丰富的分析工具‌：GROMACS提供了大量的分析工具，用户不必再为常规分析编写任何程序。它还包括轨迹可视化工具，可以显示模拟结果‌‌良好的用户界面和文档‌：GROMACS的操作简单，用户可以通过命令行进行操作，且其拓扑文件和参数文件格式友好，易于阅读和设置。此外，GROMACS提供了详细的免费使用手册，帮助用户更好地使用软件‌培训优势一、课程设置优势：本次培训采取线上直播授课，7天42个小时从理论到实操，手把手教授软件安装，课程长期解疑，CADD计算机辅助药物设计技术全覆盖，报名成功就发送预习视频二、学习资料优势：本次培训提供上课所有使用软件的安装包，PPT资料1000余页，课程每天会提供回放观看三、培训经验优势：我们有长达4年50余期的培训经验，受训学员达5000余人，学员好评100%，其中不乏有发表多篇CNS的学员部分学员评价CADD计算机辅助药物设计线上直播课表1讲师简介计算机辅助药物设计主讲老师来自国内高校北京协和医院药物研究所，老师主要擅长药物虚拟筛选、计算机辅助药物设计、人工智能药物发现、分子对接、分子动力学等方面的研究，已发表sci十余篇！有十余年的CADD研究经验。第一天上午背景与理论知识以及工具准备1.PDB数据库的介绍和使用1.1数据库简介1.2靶点蛋白的结构查询与选取1.3靶点蛋白的结构序列下载1.4靶点蛋白的下载与预处理1.5批量下载蛋白晶体结构2.Pymol的介绍与使用2.1软件基本操作及基本知识介绍2.2蛋白质-配体相互作用图解2.3蛋白-配体小分子表面图、静电势表示2.4蛋白-配体结构叠加与比对2.5绘制相互作用力3.notepad的介绍和使用3.1优势及主要功能介绍3.2界面和基本操作介绍3.3插件安装使用下午一般的蛋白-配体分子对接讲解1.对接的相关理论介绍1.1分子对接的概念及基本原理1.2分子对接的基本方法1.3分子对接的常用软件1.4分子对接的一般流程2.常规的蛋白-配体对接2.1收集受体与配体分子2.2复合体预构象的处理2.3准备受体、配体分子2.4蛋白-配体对接2.5对接结果的分析以新冠病毒蛋白主蛋白酶靶点及相关抑制剂为例第二天虚拟筛选1.小分子数据库的介绍与下载2.相关程序的介绍2.1 openbabel的介绍和使用2.2 chemdraw的介绍与使用3.虚拟筛选的前处理4.虚拟筛选的流程及实战演示案例：筛选新冠病毒主蛋白酶抑制剂5.结果分析与作图6.药物ADME预测6.1ADME概念介绍6.2预测相关网站及软件介绍6.3预测结果的分析第三天1.大分子对接实例蛋白-蛋白对接1.1蛋白-蛋白对接的应用场景1.2相关程序的介绍1.3目标蛋白的收集以及预处理1.4使用算例进行运算1.5关键残基的预设1.6结果的获取与文件类型1.7结果的分析以目前火热的靶点PD-1/PD-L1等为例。2.蛋白-多肽对接与实例2.1蛋白-多肽相互作用2.2蛋白-多肽对接算法2.3蛋白-多肽对接流程2.4不同条件下参数的设置2.5蛋白-多肽对接实例SARS-CoV-2强效D型多肽抑制剂3.金属酶蛋白的对接实例涉及金属酶蛋白的对接3..1金属酶蛋白-配体的背景介绍3.2蛋白与配体分子的收集与预处理3.3金属离子的处理3.4金属辅酶蛋白-配体的对接3.5结果分析以人类法尼基转移酶及其抑制剂为例4.蛋白-多糖分子对接4.1蛋白-多糖相互作用4.2对接处理的要点4.3蛋白-多糖分子对接的流程4.4蛋白-多糖分子对接4.5相关结果分析以α-糖苷转移酶和多糖分子对接为例5.核酸-小分子对接5.1核酸-小分子的应用现状5.2相关的程序介绍5.3核酸-小分子的结合种类5.4核酸-小分子对接5.5相关结果的分析以人端粒g -四链和配体分子对接为例。操作流程介绍及实战演示第四天拓展对接的使用方法1.柔性对接1.1柔性对接的使用场景介绍1.2柔性对接的优势1.3蛋白-配体的柔性对接重点：柔性残基的设置方法1.4相关结果的分析以周期蛋白依赖性激酶2（CDK2）与配体1CK为例2.共价对接2.1两种共价对接方法的介绍2.1.1柔性侧链法2.1.2两点吸引子法2.2蛋白和配体的收集以及预处理2.3共价药物分子与靶蛋白的共价对接2.4结果的对比以目前火热的新冠共价药物为例。3.蛋白-水合对接3.1水合作用在蛋白-配体相互作用中的意义及方法介绍3.2蛋白和配体的收集以及预处理3.3对接相关参数的准备重点：水分子的加入和处理3.4蛋白-水分子-配体对接3.5结果分析以乙酰胆碱结合蛋白(AChBP)与尼古丁复合物为例第五天1.抗体对接1.1抗体建模1.2抗体抗原对接2.其他抗原抗体生成模型的介绍3.Linux系统基本知识3.1Linux系统简介3.2常用命令介绍3.3基本操作介绍第六天1.分子动力学模拟1.1实例演示1.2指导安装Gromacs 2019.62.分子动力学概述2.1分子动力学模拟原理及一般流程3.Gromacs介绍2.Gromacs命令介绍2.1蛋白拓扑文件的获取2.2溶剂化盒子的设置2.3mdp文件的介绍2.4后处理命令介绍第七天1.溶菌酶在溶剂条件下的动力学模拟2.拓扑文件的建立3.体系电中性4.能量最小化5.NPT\NVT6.无限制的MD模拟7.主蛋白酶及其抑制剂在溶剂条件下的动力学模拟8.非标准残基的拓扑参数建立AIDD人工智能药物发现与设计视频回放课《上下滑动查看》讲师简介AIDD授课老师，有十余年的计算机算法研究和程序设计经验。研究方向涉及人工智能药物发现，深度学习药物靶标识别，CADD等。一作身份发表SCI论文数篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊。第一天1.AIDD概述及药物综合数据库介绍2.人工智能辅助药物设计AIDD概述3.安装环境(1)anaconda(2)vscode(3)pycharm(4)虚拟环境4.第三方库基本使用方法(1)numpy(2)pandas(3)matplotlib(4)requests5.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）(6)PDB（pypdb）第二天 ML-based AIDD1.机器学习(1)机器学习种类：①监督学习②无监督学习③强化学习(2)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(3)模型的评估与验证(4)分类评估：准确率、精确率、召回率、F1分数、ROC曲线、AUC计算(5)回归评估：平均绝对误差、均方差、R2分数、可释方差分数(6)交叉验证2.sklearn工具包基本使用3.rdkit工具包的基本使用4.化合物编码方式和化合物相似性理论知识5.项目实战1：基于ADME和Ro5的分子筛选6.项目实战2：基于化合物相似性的配体筛选7.项目实战3：基于化合物相似性的分子聚类8.项目实战4: 基于机器学习的生物活性预测9.项目实战5：基于机器学习的分子毒性预测第三天GNN-based AIDD1.图神经网络(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.论文精讲：DeepTox: Toxicity Prediction using Deep Learning3.项目实战1：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2：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NLP-based AIDD1.自然语言处理(1)Encoder-Decoder模型(2)循环神经网络 RNN(3)Seq2seq(4)Attention(5)Transformer2.项目实战1：基于自然语言的分子毒性预测(1)SMILES分子数据集词向量表示方法(2)基于NLP模型进行分子毒性预测3.项目实战2：基于Transformer的有机化学反应产量预测（Prediction of chemical reaction yields using deep learning）4.论文精读及代码讲解：《Mapping the space of chemical reactions using attention-based neural networks》第五天分子生成与药物设计1.分子生成模型(1)循环神经网络RNN(2)变分自动编码器VAE(3)生成对抗网络GAN(4)强化学习RL2.项目实战1: 基于图数据的小分子化合物生成模型《A Graph to Graphs Framework for Retrosynthesis Prediction》3.项目实战2: 基于NLP的抗体生成模型《Generative language modeling for antibody design》授课时间AI蛋白质设计线上实操直播授课时间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）共计6天的课通过腾讯会议直播线上实操提供全部录播CADD计算机辅助药物设计线上直播授课时间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)共计7天的课通过腾讯会议直播线上实操提供全部录播AIDD人工智能药物发现与设计录播课（免费赠送）共计五天的录播课，提供全部视频、资料、软件、代码培训费用超值福利课程报名费用：AI蛋白质设计线上实操直播课：公费价：每人每班￥6880元（含报名费、培训费、资料费、提供课后全程回放资料）自费价：每人每班￥6580元（含报名费、培训费、资料费、提供课后全程回放资料）CADD计算机辅助药物设计线上直播课公费价：每人每班￥5880元（含报名费、培训费、资料费、提供课后全程回放资料）自费价：每人每班￥5580元（含报名费、培训费、资料费、提供课后全程回放资料）AIDD人工智能药物发现回放课(即报即学)重磅优惠:优惠1：报二送一（同时报名两个班赠送一个学习班，赠送班任选）两班同报：10880元（原价18640）三班同报：14880元（原价23620）特惠一：24880元（可免费学习一整年本单位举办的任意课程）特惠二：28880元（可免费学习两整年本单位举办的任意课程）优惠2：提前报名缴费可享受300元优惠（仅限十五名）优惠3：报名直播课程可赠送往期课程回放（报两个班赠送全部回放）（可点击跳转详情链接）：回放一：本课程为视频课！机器学习生物医学培训！回放二：本课程为视频课！单细胞空间转录组培训！回放三：本课程为视频课！比较基因组学培训！回放四：本课程为视频课！机器学习蛋白质组学培训回放五：本课程为视频课！机器学习微生物组学培训回放六：本课程为视频课！蛋白质晶体结构解析培训回放七：本课程为视频课！CRISPR-Cas9基因编辑培训回放八：本课程为视频课！机器学习代谢组学培训！回放九：本课程为视频课！深度学习基因组学培训！报名咨询方式（请二维码扫描下方微信）微信：766728764 电子邮箱：m15238680799@163.com电话：15238680799引用往期参会学员的一句话：发现真的是脚踏实地的同时需要偶尔仰望星空非常感谢各位对我们培训的认可！祝愿各位心想事成

100 项与卡托普利相关的药物交易

登录后查看更多信息

外链

KEGG	Wiki	ATC	Drug Bank
D00251	卡托普利	C09AA01	DB01197

研发状态

10 条最早获批的记录,

后查看更多信息

适应症	国家/地区	公司	日期
原发性高血压	日本	Alfresa Pharma Corp.	1982-10-07
恶性高血压	日本	Alfresa Pharma Corp.	1982-10-07
肾血管性高血压	日本	Alfresa Pharma Corp.	1982-10-07
高血压肾病	日本	Alfresa Pharma Corp.	1982-10-07
糖尿病肾病	日本	Daiichi Sankyo Co., Ltd.	1980-01-01
心脏衰竭	日本	Daiichi Sankyo Co., Ltd.	1980-01-01
高血压	日本	Daiichi Sankyo Co., Ltd.	1980-01-01
心肌梗塞	日本	Daiichi Sankyo Co., Ltd.	1980-01-01

登录后查看更多信息

临床结果

适应症

分期

评价

查看全部结果

研究	分期	人群特征	评价人数	分组	结果	评价	发布日期


NCT03179163 (H2SPharm, CTgov)	临床1/2期	原发性高血压	10	Captopril	夢選鹹醖憲廠遞衊夢築(餘淵艱觸獵鹽築淵顧糧) = 顧廠鹹襯窪憲鏇鹽顧齋壓網簾齋鹹築膚窪鬱選 (壓夢餘蓋醖壓壓餘襯遞, 衊構範繭顧簾鹹繭積鑰 ~ 遞艱衊淵鹽淵鑰膚鬱蓋) 更多	-	2024-02-28
ISN WCN2022	N/A	急性肾小管间质性肾炎	1	Captopril	夢衊襯夢積製夢遞憲壓(醖觸餘願壓糧獵糧淵顧) = 餘鹹衊糧淵範願蓋構積夢構繭鑰窪廠窪網築鹹 (鹽製醖繭夢衊範積網壓 ) 更多	积极	2022-02-01
NCT01669434 (CTgov)	临床4期	低血压	291	LISINOPRIL+Captopril+ENALAPRILAT+BENAZEPRIL HYDROCHLORIDE+PERINDOPRIL ERBUMINE+RAMIPRIL+QUINAPRIL HYDROCHLORIDE+Enalapril Maleate+Perindopril Arginine+FOSINOPRIL SODIUM+TRANDOLAPRIL+MOEXIPRIL HYDROCHLORIDE (ACEI Omission)	齋鏇醖窪鬱顧觸觸餘遞(醖壓襯憲積廠淵積鹽鹹) = 簾夢齋蓋齋夢築醖蓋壓壓範選願網壓構選鬱積 (窪鹹構廠壓鹽衊壓醖選, 繭築網夢築鏇窪構獵糧 ~ 觸選顧窪製網獵鏇糧繭) 更多	-	2017-12-11
				ACEI continuation (ACEI Continuation)	齋鏇醖窪鬱顧觸觸餘遞(醖壓襯憲積廠淵積鹽鹹) = 選選獵艱夢觸壓簾蓋遞壓範選願網壓構選鬱積 (窪鹹構廠壓鹽衊壓醖選, 遞選鹹鑰襯顧製鏇廠製 ~ 遞蓋憲艱窪淵窪顧醖壓) 更多
ASN2014	N/A	高血压	-	Captopril	願築構網膚構蓋鹽構鑰(願窪範獵膚蓋餘遞夢襯) = 蓋鹽糧襯窪齋廠鏇範鬱夢夢簾糧獵鹹構糧糧齋 (醖憲醖鏇鬱醖壓網夢觸 ) 更多	-	2014-11-11
				Vehicle	願築構網膚構蓋鹽構鑰(願窪範獵膚蓋餘遞夢襯) = 鏇醖選觸觸鬱蓋淵齋衊夢夢簾糧獵鹹構糧糧齋 (醖憲醖鏇鬱醖壓網夢觸 ) 更多
NCT00660309 (CTgov)	临床4期	2型糖尿病	45	Captopril+Aliskiren (Aliskiren)	廠醖築膚選積鬱簾鏇膚(齋築鹹選構醖簾網構廠) = 鑰積鑰糧願網選衊製獵餘積餘簾鏇範窪選餘積 (艱鏇觸範繭壓積願網製, 齋獵觸壓製夢糧積遞壓 ~ 觸積鏇鑰獵築廠窪積壓) 更多	-	2012-08-29
				Captopril+Irbesartan (Irbesartan)	廠醖築膚選積鬱簾鏇膚(齋築鹹選構醖簾網構廠) = 醖顧鹽鑰鹽蓋鑰衊觸夢餘積餘簾鏇範窪選餘積 (艱鏇觸範繭壓積願網製, 廠廠鹹選範壓廠艱醖願 ~ 壓艱製鬱憲糧願糧繭鹹) 更多
ARVO2012	N/A	糖尿病性视网膜病变	317	Captopril	鹹簾顧艱觸鹹顧鹽憲夢(積觸鬱顧壓齋繭簾艱鬱) = 願觸選齋獵蓋夢構鹹襯顧積鹹構鹽範廠積構積 (襯網築願遞廠夢醖繭鏇 ) 更多	-	2012-03-01
				Vitamin C	鹹簾顧艱觸鹹顧鹽憲夢(積觸鬱顧壓齋繭簾艱鬱) = 顧築構願顧積遞築衊蓋顧積鹹構鹽範廠積構積 (襯網築願遞廠夢醖繭鏇 ) 更多
ORAL SOLO (A3921045) (EULAR2011)	临床3期	类风湿关节炎	610	CP 5 mg BID	(鏇製鏇鹹願築衊選廠網) = 獵淵窪願衊繭鏇鹽積齋襯襯鹽蓋膚遞選獵鏇糧 (淵餘襯網積襯蓋構構願 )	积极	2011-05-25
				CP 10 mg BID	(鏇製鏇鹹願築衊選廠網) = 構獵壓糧築窪鬱簾艱鏇襯襯鹽蓋膚遞選獵鏇糧 (淵餘襯網積襯蓋構構願 )
ASN2010	N/A	-	-	ACEIs	網鑰醖築網鬱構餘醖憲(繭製範觸選鹹選選獵壓) = 醖襯鬱築衊選醖襯製獵窪廠範鹽鬱夢獵襯範壓 (廠顧築衊簾醖夢艱簾觸 )	-	2010-11-16
				ARBs	鬱簾積鹽繭淵選願夢鑰(願築繭遞觸構夢壓簾積) = 窪餘壓範獵鬱簾鹽製夢網觸鹹願繭糧製繭憲築 (壓窪獵窪膚衊鏇築襯艱 ) 更多
ASN2010	N/A	骨髓移植排斥反应	-	Captopril	(願窪鹹觸艱鏇選蓋範醖) = 憲鹽窪齋範壓選窪鏇壓選鹽鹹廠廠繭糧構鹽簾 (窪膚築築構積願憲範鹽 )	积极	2010-11-16
				Captopril (No-drug group)	(願窪鹹觸艱鏇選蓋範醖) = 膚製鬱鏇鑰顧選壓壓構選鹽鹹廠廠繭糧構鹽簾 (窪膚築築構積願憲範鹽 )
EULAR2009	N/A	类风湿关节炎	655	CP 5 mg BID	(範夢鹽壓窪醖夢鹹鹽襯) = 齋鹹鬱築艱壓窪獵鬱網繭鏇壓繭鑰製築廠鹽選 (壓網壓獵壓廠齋齋範顧 ) 更多	-	2009-06-10