Artemisinin

以下文章来源于安徽省科创投资有限公司/安徽国控投资有限公司公众号科创汇投，作者张达 2000年，人类基因组草图的绘制完成，首次将“生命天书”摊开在科学的聚光灯下；2006年，青蒿素前体的生物全合成在酵母中重现，微生物代谢工程改写了延续千年的植物提取史；2013年，CRISPR-Cas9基因编辑技术在哺乳动物细胞中的首次应用，更以“分子剪刀”般的精准度，将“设计生命”从科幻小说推进到实验室操作台；而今合成生物学用“工程思维”改造“生命系统”的理念深入人心，从设计细胞工长到创新生物疗法，正革新人类健康生活——这串跨越20余年的技术坐标，不仅是合成生物学的成长印记，更暗藏着一场“生物制造革命”的关键密码。 当基因合成与测序成本以超摩尔定律的速度降低，当基因编辑工具的迭代让“定制化细胞工厂”从理论走向现实，当代谢工程与发酵工程突破“从克级到万吨级”的放大难题，合成生物学正以“设计-构建-测试-学习”（DBTL）的核心理念，将“用微生物生产药物、用细胞发酵替代石化工艺、用生物合成重塑消费”从实验室梦想变为产业现实。 站在“双碳”目标与生物经济交汇的历史节点，这场静悄悄的革命已不局限于技术突破。合成生物技术正在医药创新、化工替代、消费升级等领域掀起绿色低碳浪潮，更在资本的热捧与政策的护航下，加速从“前沿科技”向“万亿级战略产业”跃迁。 本篇报告作为合成生物产业系列研究的微观篇，通过对合成生物产业驱动要素、合成生物产业化考量、合成生物产业发展趋势等进行简要阐述，旨在探讨合成生物产业未来前景和发展机遇。 一、合成生物产业驱动要素 合成生物学通过替代高能耗、高排放的石化路线，通过生物反应器发酵或催化等绿色低碳生物合成方式生产涵盖生物医药、化工材料、食品营养保健、个护消费、农业技术等细分领域相关产品，是实现“双碳”目标的关键技术路径之一。在技术创新、政策支持、市场需求和资本投入的共同推动下，合成生物产业迎来了前所未有的发展机遇，成为万亿级战略性新兴产业的重要组成。 图1多要素驱动合成生物产业快速发展 1.技术创新 随着基因测序和基因编辑的技术飞跃，特别是融合人工智能（AI）和自动化技术在促进效率提升的同时成本大幅度降低，基因测序成本以超摩尔速度下降，生命系统构建和测试的能力得到显著提升，使得从全基因组层面设计和构建微生物细胞工厂成为现实。合成生物相关底层技术与关键核心技术研发不断取得突破，推动了合成生物技术应用和产业化进程。 回顾生物技术的发展，新型基因编辑、干细胞重编程、药物递送载体等原创性合成生物底层技术，以及AlphaFold等人工智能模型均由西方国家开发并快速产业化应用。广泛应用于制药、生物发酵和科研的CHO细胞、毕赤巴斯德酵母、大肠杆菌、质粒等工程菌株和载体相关专利均由西方科研机构或公司开发并持有。近年来，中国在合成生物学基础研究和应用开发领域取得了许多原始发现和创新成果，在人工染色体合成、新型基因编辑、生物底盘构建、定量工程生物学、生物元件工程、计算生物学等方面研究成果凸显。中国合成生物技术相关创新研发逐步与国际接轨并得到认可，加快追赶步伐并在一些领域达到国际水准。从人工合成酵母染色体、二氧化碳到淀粉的从头合成、异体通用型CAR-T治疗自身免疫疾病等重大突破性进展，中国已成为国际合成生物学领域的一支重要力量。 相对于西方发达国家，中国合成生物产业虽然起步稍晚，但发展势头强劲。基础研究突破促进科研成果转化和产业发展，活跃的资本市场推动以高校科研院所成果转化、传统企业转型和创新型药物研发为代表的合成生物相关企业快速增长。氨基酸、维生素等传统产品的技术升级不断推进，进一步巩固行业主导地位，长链二元酸、丙氨酸等大宗化学品市场占有率实现世界领先。随着基因编辑、载体递送、干细胞、RNA设计合成等前沿技术的发展，合成生物技术助力以抗体类药物、细胞与基因治疗（CGT）为代表的创新药物不断涌现。中国本土创新药企在资本市场上也受到跨国企业青睐，近年来中国创新药企通过License-out（对外授权）实现历史性突破。 2.政策支持 合成生物技术要有效转化为真实的生产力，需要依靠从基础研究到成果转化所形成的创新链与产业链，并获得政、产、学、研、金等各个环节的支持。在促进创新链与产业链融合方面，政府可通过政策和服务等措施，一方面激励企业增加研发投入，提升研发能力；另一方面通过国有资本投资引领和优化行业标准和审批准入等举措促进产业有序发展。 全球多个国家和地区都出台了推动合成生物产业发展的政策措施。美、英等国连续发布了多个合成生物学科技和产业发展路线图。中国高度重视和支持合成生物产业发展，以合成生物技术赋能生物制造，将生物制造写入“十四五”规划，并出台了一系列支持政策，旨在推动生物基材料、生物能源、生物医药、生态环保等领域的发展。同时地方政策密集加码，各大城市纷纷抢抓合成生物技术创新和产业化制高点，上海、北京、天津、深圳、杭州、合肥、常州、芜湖等已发布专项产业规划，产业集群效应加速成型。 当前合成生物相关新产品的商业化进程依然面临诸多挑战。在市场开拓方面，政府引导和政策支持能够快速拓展产品场景应用，如蚌埠市促进聚乳酸（PLA）等生物基材料应用，相继制定印发《蚌埠市生物基材料产业发展规划（2019年—2025年）》、《关于推广应用生物基可降解塑料制品防止白色污染的实施意见》等举措，加快打造生物基千亿级产业发展；在产品功效确认、行业资质认证等方面，新产品可能面临市场准入壁垒，中国在食品领域继续保持严监管，而在个护消费领域已呈加快审批趋势。以食品营养保健领域为例，涉及基因修饰微生物生产工艺的合成生物产品，需要经过农业部、卫健委等不同部委的安全认证和审批才能进入市场，安全测试和审查需要耗费1-2年时间和数以百万元计的测试费用。 在当前合成生物产业关键发展期，政府政策对于产业的发展和引导显得尤为重要。未来以碳税为代表的碳中和政策逐步落地，会进一步促进生物制造对传统工艺的成本优势，加速合成生物对传统工艺的替代。其中深圳尝试以“小切口”立法护航合成生物产业大发展。2025年4月28日，深圳市七届人大常委会第三十八次会议上，《深圳经济特区促进合成生物产业创新发展若干规定（草案）》首次提请审议，拟构建以企业为主体、市场为导向、应用可预期的产业体系，实现从源头创新到技术转化再到产业应用各个层面的协同联动。2024年7月5日，国常会审议通过《全链条支持创新药发展实施方案》，囊括了研发、审批、进院、支付、投融资五大核心环节。随着多元化支付体系的日趋完善，生物医药支付端有望迎来增量资金，进一步向差异化创新乃至罕见病用药予以倾斜，加快创新药物的临床应用，打开其商业化前景。 3.市场需求 市场需求是合成生物产业发展的根本驱动力，中国庞大的消费人口为合成生物产业市场潜力提供支撑。生物医药是当前合成生物应用最广泛的应用领域，以抗体和基因与细胞治疗（CGT）为代表的创新生物疗法在肿瘤、自身免疫、心血管等疾病领域将继续充实未被满足的临床需求。同时，在食品、农业、个护和化工材料等领域，绿色低碳的合成生物技术展现出巨大的应用潜力和市场前景。 传统生物医药研发，通常是基于解决下游应用端需求（适应症范畴、作用靶点等）出发主导上游技术创新。与生物医药领域不同，当前阶段涉及多个领域的合成生物相关产品、尤其是新产品研发思路都是从上游技术端向下游应用端线性推进，产品研发完成后亟需场景应用拓展打开市场空间。合成生物产业尤其在消费品领域涌现许多新品种，其市场需求有待消费者被教育开发、生产成本的降低和场景应用拓展；同时一些传统小品种在大规模生物合成获取后增加消费者可及性，市场需求存在提升空间。 4.资本投入 近年来，国内政策对于合成生物产业的支持力度不断加大，高校和科研院所的创新研发也呈现多点开花的态势，科技与产业的结合吸引了到大量国际及国内资本对于合成生物赛道的关注，而资本的注入正不断加速技术从实验室走向市场的进程。在政策和技术创新的推动下，合成生物相关投融资事件呈现高速增长的态势。 合成生物领域的公司数量不断增加，投融资规模也在不断扩大。资本的涌入为合成生物技术产业化研究和应用提供资金支持，推动了行业的快速发展。合成生物产业在2021-2022年到达投融资高峰后，投资市场依旧活跃，面对国外Zymergen（2022年Zymergen被同行Ginkgo Bioworks并购并正式从美国纳斯达克交易所摘牌）、Amyris（2023年Amyris申请破产保护）等明星企业挫折，市场趋于理性。但资本仍持续涌入具有清晰技术路径、成本优势和商业化前景的领域（如生物医药、生物基材料、高价值化学品、AI赋能平台等）。中国依托完备的制造业体系而产生的成本控制和产业链协同优势，投融资在合成生物领域活跃度显著提升。当前各主要省份均在加紧布局合成生物产业集群，从以国投集团、招商局等为代表的央企到各省市地方国资投资平台，均积极参与合成生物产业投资，通过直投和专业基金平台，撬动更多社会资本和专业资本等外部资本，通过投资孵化与招引优质项目相结合，发挥国资引领作用。 二、合成生物产业化考量 合成生物产业化要想取得成功，核心在于有效解决成本控制、规模化放大生产以及选品与应用场景拓展三大挑战。成本控制方面，需通过全链条技术创新、生产要素优化以及政策红利来构建持续的成本优势。规模化放大生产则高度依赖深厚的工程化能力，需精准把握产能放大规律模型、审慎选择合适的工艺路线。在选品与应用场景拓展方面，大宗化学品对企业研发投入和厂房设备设施重资产投入，大宗产品对价格的敏感性要求企业对成本的极致控制才能取得竞争优势。种类繁多的高附加值精细化学品依然是当前合成生物产业关注的重要细分领域，并积极通过拓展应用场景来实现商业化的突破。 1.成本控制 除生物创新药外，合成生物相关企业通常不能长久依托技术护城河，更重要的是如何保持成本优势，考验企业的量产能力和综合成本控制。由于技术的可复制和替代性，生产工艺在当前实际竞争中的重要程度，在某些阶段可能比技术要求更高。通过生物合成替代传统工艺，成本是关键。 2006年J.D.Keasling等通过代谢途径重构实现在酵母中直接合成青蒿素前体，打通青蒿素的生物合成路径后由Amyris公司进行产业化探索，但直至今日中国通过种植提取青蒿素的产量仍然占据世界青蒿素产量的一半以上，核心原因就是从植物黄花蒿茎叶中提取生产青蒿素的成本更低。华恒生物与中科院天津工业生物技术研究所联合研发的发酵法生产L-丙氨酸技术，成功实现了微生物厌氧发酵规模化生产L-丙氨酸。通过技术创新获取成本和绿色低碳优势，华恒生物L-丙氨酸短时间内占据全球第一市场份额，全球市占率高达70%。 通过涵盖生物合成路径设计、发酵工艺优化、生物反应器工程及下游分离纯化等技术创新是突破合成生物成本壁垒的关键，同时现阶段政府政策支持对成本控制可以产生显著影响，加快市场化进程。如欧盟碳交易体系通过市场化机制为负碳技术创造额外收益，随着碳价攀升，合成生物技术在提升碳转化效率的同时，其碳信用收益将加速技术从实验室向规模化应用的转化，凸显政策驱动对产业可持续发展的重要性。除此之外，原料、培养基的成本和稳定供应，也必须提前考量。特别是对于大宗产品，工厂产能规划到万吨级别时，上游原料价格波动、原料运输成本，乃至水、电、蒸汽和污水处理等，都直接影响产品的成本。 2.实验室走向大规模生产 从实验室的克级或千克级产品到吨级的放大生产，并不是简单的线性放大，多个环节都有可能发生偏离，同时下游产品分离纯化甚至污水处理等工序的技术路线选择，都会影响产品的转化效率和成本。放大生产是合成生物产业化最关键的环节之一，需要深厚的工程化能力和经验积累。大规模生产本身作为重资产投入，企业试错成本高，需要企业能够在资本市场持续融资，并综合技术、市场、政策等风险谨慎决策。 蓝晶微生物聚羟基脂肪酸酯（PHA）产品生产底盘菌株最初采用盐单胞菌属（Halomonas）的嗜盐菌，其可在高浓度盐水中生长，在小试中无需灭菌工艺处理且能够避免杂菌污染，但在实际放大生产中其产生的大量高盐高有机质污水处理成本高，最终蓝晶微生物放弃嗜盐菌。与此同时，微构工场仍采用嗜盐菌作为底盘生产PHA，放大生产中通过回收利用发酵废液实现原料和污水处理的成本降低。 以Amyris的明星产品法尼烯为例，其最早承担着Amyris公司替代化石燃料的“生物燃料之梦”，但重资产投入在巴西建厂后发现大规模放大生产中不能复制小试生产的产品转化率，导致在成本上无法与化石燃料具备优势，Amyris押注大宗生物燃料单品导致其股价曾在1年内跌去94%。在生物燃料碰壁后，Amyris放弃了生物能源颠覆世界的想法，决定专注于制造小批量高附加值的精细化学品。 3.产品与应用场景拓展 除生物医药领域外，合成生物相关企业单个品种达到市场份额10亿元级屈指可数。对于大宗产品，量产对成本控制、产业化能力要求高，大宗品种的发酵生产规模要达到千吨或万吨级，并摊薄生产成本，才能拿到一定的市场份额。合成生物大宗单品对传统工艺产品的替代潜力，随着成本控制的进一步优化和场景应用不断拓展，尤其是生物基材料及其单体有望进一步突破传统化工产业主导格局。 在生物燃料碰壁后，Amyris决定专注于制造小批量精细化学品，法尼烯作为前体物质本身有很强的拓展性，经过简单的后续反应就可以合成角鲨烯等高附加值产品。Amyris是首家实现生物合成角鲨烯量产的公司，年销量约2000吨。大宗化学品通常通过以量换价，少数如华恒生物L-丙氨酸因通过技术创新在成本上远低于传统工艺的产品外，多数产品较低的利润率只有通过放量来实现收益。当前阶段，合成生物企业更多布局于高附加值的精细化学品，涉及品种繁多。涵盖个护消费、食品营养保健等“小而美”精细化学品仍然是合成生物产业关注的重要细分领域。 当前合成生物产业热度高涨，省内各地市配套政策正在发力。但同业竞争的发展态势可能存在估值泡沫嫌疑与热点产品的重复过度布局，最终只有具备核心竞争力和产业化赋能能力以及由此在技术和成本上具备竞争优势的企业长久立足。下表1简要罗列当前合成生物产业在生物医药、化工材料、食品营养保健、个护消费、农业技术等细分领域重点和热点产品类别。 表1合成生物细分领域重点和热点产品类别 值得一提的是，合肥市发改委专门成立场景创新处，并成立市属国企性质的场景创新公司，实行“处司联动”运作机制，把产品“应用场景”变为企业“发展前景”，通过场景创新促进新业态新模式发展。在合肥市场景公司的牵线搭桥下，恒鑫生活与微构工场合作，双方基于PHA与PLA材料的共混改性共同拓展生物可降解材料应用，恒鑫生活已成功荣获中国首张PHA淋膜纸制产品的DIN证书，将有力推进PHA在消费级包装材料的应用场景拓展。 我们对合成生物主要赛道未来五年的发展潜力进行了研究分析，结合细分赛道毛利率、未来五年复合增长率（CAGR）和市场规模等数据，绘制了下图2。 图2合成生物细分赛道市场潜力 结合合成生物产业的驱动要素、产业化挑战及未来趋势，建议重点关注具备技术壁垒、成本优势及场景拓展潜力的企业。 1）核心赛道：生物医药（首选高确定性赛道） 生物医药是合成生物产业当前规模最大、商业化最成熟的领域，兼具高毛利（60%+）与市场空间（2030年预计1800亿元）。建议关注ADC、双抗、CGT（细胞与基因治疗）等创新药物研发企业，关注企业创新药出海和具备对外授权（License-out）的能力或潜力。 2）潜力赛道：工业制造（大宗产品替代） 包含大宗化学品和生物基材料的工业制造是合成生物替代传统化工的关键领域，未来五年CAGR超30%，2030年市场规模预计1200亿元。建议关注3-羟基丙酸（3-HP）和PHA等潜在大单品。 3）高增长赛道：个护消费（小品种撬动大市场） 个护消费领域（如玻尿酸、新型胶原蛋白、麦角硫因、角鲨烯等）毛利率高（50%+），且监管相对宽松，是合成生物应用的“小而美”赛道之一。 三、合成生物产业发展趋势 合成生物技术在生物医药、化工材料、食品营养保健、个护消费、农业技术、生物能源等细分领域已展现出巨大的应用潜力和市场价值。正如中国工程院院士杨胜利在《合成生物学路线图2030：驱动下一代生物制造的引擎》一书的序言中指出，“合成生物学的发展远未到达巅峰，随着合成生物技术迭代发展，赋能应用不断拓宽，必将在未来生物经济振兴中发挥核心作用，为全球可持续发展提供全新解决方案”。未来生物医药将继续占据合成生物产业核心地位，同时依托技术创新在重要大宗产品上有望进一步突破传统化工工艺成本优势，实现合成生物替代。合成生物相关单一品种市场空间虽有限，但产品在应用场景拓展的潜力决定其市场规模和增长空间，小品种有望开拓大市场。底层技术创新与跨学科技术融合将进一步推动合成生物产业发展。合成生物相关产品的成本控制需要依托技术上的进一步突破，同时场景需求上尤其是生物医药领域一方面亟需通过技术创新开发疗效更好的药物保障人民生命健康，另一方面需要政府在创新支付等政策方面给予更大力度的支持。 1.生物医药创新引领 生物医药仍是合成生物产业中集中度最高、产业规模最大、投融资最活跃的细分领域。当前国际上超过10亿美元销售额的“重磅炸弹”药物大部分为创新生物药，合成生物技术将继续在生物医药领域引领创新疗法突破。随着2015年中国药政审评审批新政逐步推进，以生物医药为代表的合成生物产业飞速发展，2024年NMPA批准48个创新药上市，高于FDA同期批准的44个品种。2025年上半年，我国共批准创新药43个，同比增长59%，这一数字再次刷新了历史同期的最高纪录，接近2024年全年总量。中国在创新药研发管线方面的规模已占全球四分之一左右，每年开展的临床试验数量约3000项，突显中国在全球创新药研发领域举足轻重的地位。中国依靠强有力的技术创新与工业制造水平在创新药出海和原料药出口方面持续增长。2025年，国产创新药的国际市场热潮不断升温，海外授权交易（Licence-out）屡次刷新历史纪录。 据GlobalData统计，2024年跨国企业与中国创新药企的授权交易总额高达415亿美元，较2023年增长66%，创下历史新高。这些交易涉及康方生物、恒瑞、康诺亚、再鼎、乐普、百济神州等一批中国创新药企，其产品涵盖ADC、双抗、RNAi等热门赛道。2025年5月三生制药PD1/VEGF双抗药物SSGJ-707中国外权益授权给辉瑞制药，以首付款12.50亿美元（7月24日最终生效协议追加首付款1.5亿美元将中国内地商业化权益也打包出售），48亿美元里程碑付款以及双位数百分比的销售分成刷新纪录。据DealForma数据显示，2025年迄今首付款超5000万美元的授权协议中，中国企业已占42%，几乎每两笔就有一笔来自中国。2025年4月，美国国家新兴生物技术安全委员会（NSCEB）发布了一份极具分量的报告《Charting the Future of Biotechnology》，首次从国家安全高度全面审视美国生物医药面临的全球竞争格局，将中国生物医药产业视作最具战略挑战性的对手，侧面凸显中国从“医药大国”加速挺进“创新药强国”。 2.突破大单品生产成本 在大宗化学品领域，通过合成生物技术可合成的大宗化学品主要是有机酸类、有机醇类和氨基酸类等，未来提升空间大。由于大单品对价格高度敏感，关注合成生物技术在成本、低碳环保上的优势。当前合成生物对传统化工产品还没有形成规模性的替代，其中杜邦公司以生物发酵法制造1,3-丙二醇，华恒生物以厌氧发酵法生产L-丙氨酸以及凯赛生物长链二元酸生物合成均以成本优势快速占领市场份额。随着合成生物技术的进步和产业化发展，合成生物必将在传统化工领域突破更多的大单品种，实现更多“十亿级”单品替代，重塑部分化工产业链格局。其中3-羟基丙酸（3-HP）和PHA是值得关注的潜在大单品。 3-HP作为生物塑料合成的关键单体和前体物质，是潜在的第三大生物基平台化合物，美国能源部曾将其列为12种最具开发潜力的平台化合物之一。国内包括中科院青岛能源所、华东理工大学、北京化工大学、江南大学等高校科研院所开展相关生物合成研究，北京微构工场、上海吉态来生物、上海华灏化学等多家企业已布局，国外LG化学处于领先地位，预计即将实现商业化生产。以PHA为代表的新型生物基聚合材料可通过微生物代谢途径合成，其性质类似热塑性塑料且兼具环保可生物降解。虽然部分PHA类型其材料性质已展现出媲美当前主流的石油基聚合材料的优点，但PHA的相对较高的生产成本阻碍了其商业化进程。随着应用场景开发拓展、技术与工艺优化进一步降低成本，PHA有望放量成为新型大单品。 3.小品种的大市场 以食品营养保健和个护为代表的消费品领域是合成生物最广泛的应用场景之一，有望成为未来增速最快的合成生物应用赛道。合成生物技术将持续为相关领域带来创新产品，产品涉及品种多，很多在研新品种处于研发向商业化转化阶段，正在积极寻求监管体系的突破和批准。现阶段单个品种市场规模并不大，同时市场规模有待培育和提升空间，这取决于后续应用场景的拓展以及相关部门的政策引导。相对于食品营养保健新品种的严监管，监管审批相对宽松友好、市场潜力大的个护领域将继续是投资应用热点之一。 高附加值小品种能够给予企业相对较高的利润空间，优秀的合成生物企业通常是某一领域的“单项冠军”或潜在“单项冠军”，并依托相关领域打造全产业链产品矩阵。有限且可预测的市场规模和增长空间决定了单个产品的市场份额在一定时间内只能由少数几家在技术和成本控制等方面优势突出的企业占据市场，过度重复布局导致的最终结局是大部分研发企业经过市场的洗礼被淘汰或重新开辟新品种。 随着技术创新研发迭代，“小品种”市场空间能够通过消费者开发教育、生产成本降低、规模放量和场景应用拓展，从而撬动“大市场”。曾经需要从鸡冠中提取的玻尿酸从昂贵的医药原料通过合成生物技术已成为普通人可负担的化妆品普及成分，玻尿酸作为化妆品功效成分成长为“百亿级”品种。 4.人工智能+合成生物成为新趋势 技术进步和自动化程度提升等推动基因测序与基因合成成本急剧降低，随着新型基因编辑等底层技术与应用快速发展，绿色低碳与成本可控的合成生物产业化进程将进一步重塑传统生产制造业。在科技创新与产业创新深度融合的大背景下，尽管合成生物学在多个领域展现出广阔的应用前景，但但其产业化进程却因技术成熟度、市场拓展等多重因素而呈现出不同的速度。当前在植物光合作用路径重构、木质纤维素高效利用、类器官转化、针对实体瘤的细胞与基因治疗药物开发等赛道亟需相关原创性、颠覆性前沿技术的进一步突破，并进一步完善“基础研究-中试验证/临床验证-产业落地”全链条转化体系，加速合成生物创新技术成果转化与应用。 当前以人工智能（AI）与合成生物技术为代表的跨学科融合对加快合成生物产业发展的重要助推作用。AI技术可进行高效的基因注释、蛋白质功能预测、药物设计、基因线路设计、代谢网络优化、复杂微生物群落表征等，加快传统研发进程。同时通过机器学习算法对生物系统进行模拟和预测，大大提高了生物系统设计的成功率和效率。国内多个上市合成生物代表企业布局AI技术研发与应用。凯赛生物于2023年初投资了AI 蛋白质设计平台公司分子之心，并开展相关技术合作。川宁生物于2024年与金珵科技签署战略合作协议，双方拟利用AI辅助合成生物学研发并合作开发新产品。华恒生物持续深化“生物+ AI”融合布局，拟投资3.2亿元在长丰县建设“人工智能精准发酵及蛋白质工程共享示范项目”。 四、总结 合成生物学的崛起，不仅是一场技术革命，更是人类对“设计生命”能力的跨越式突破，其深远影响已超越单一产业范畴，成为重塑全球生物经济格局的核心力量。依托“基础研究突破—技术转化加速—产业集群发展”的全链条优势，我国已从“技术跟随者”逐步向“规则共建者”转变。人工染色体合成、二氧化碳合成淀粉等原始创新奠定理论根基，华恒生物L-丙氨酸、凯赛生物长链二元酸等产业化标杆验证工程化能力，深圳立法、合肥“场景创新”等政策探索则为中国合成生物产业发展提供参考方案。 企业成功的核心要素包括底层技术创新（如基因编辑、生物底盘构建）、工程化放大能力（从实验室到万吨级生产）、成本控制（全链条技术与工艺优化+政策红利）及场景拓展（通过应用开发打开市场空间）。随着技术迭代与政策完善，合成生物有望重塑传统制造业格局，成为生物经济时代的核心引擎。生物医药将持续引领创新，工业制造（大宗产品替代）、个护消费与食品营养（小品种拓展）是增长核心，AI技术融合则是产业升级的关键推手。聚焦具备“技术壁垒+成本优势+场景拓展潜力”的企业，同时关注政策支持区域的集群化机会，依托全产业链协同发展。 未来，合成生物产业的竞争将不再局限于单一技术或产品，而是“底层技术原创性—工程放大确定性—场景应用延展性”的生态化竞争。企业需突破“实验室思维”，构建从基因线路设计到万吨级生产的全流程控制能力；政策需进一步打通“创新支付—产品准入认证—资本支持”的堵点，通过政策倾斜助力产业发展；资本则应更关注“技术-成本-场景”三维度可验证的项目，避免重复布局热点单品。更值得期待的是，合成生物学与AI、自动化等技术的深度融合，将催生“智能生物制造”新模式。通过AI预测代谢网络、革新蛋白质人工设计、自动化优化生产工艺，最终实现从“试错式研发”到“精准化设计”的范式跃迁。这一变革不仅将加速传统化工、医药、消费等领域的绿色替代，更可能开辟“生物-数字”融合的新赛道，为人类解决能源、环境、健康等全球性挑战提供“生物+数字”的双重解决方案。 即将到来的“十五五”时期是中国合成生物产业实现跨越式发展的战略机遇期。抓住机遇，需多管齐下：持续强化底层技术创新与跨学科融合，突破产业化成本与放大瓶颈；深化政产学研金协同，优化政策服务体系与要素支撑；资本加速产业推进，精准投向具有核心竞争力和商业化前景的细分领域，引导企业合理布局和行业良性发展；积极拓展多元化应用场景，培育市场需求。作为生物经济的重要组成成分，预计随着关键技术的突破和场景应用的拓展，合成生物产业占工业产值比重将持续提升，从基础化学品到创新医疗产业链，进一步强化中国在全球合成生物产业的地位和影响力。 参考资料： 赛迪智库《2025年我国生物制造行业发展形势展望报告》 华安证券《生物制造大有可为，助力新一波产业革命浪潮》 王晓梅等.全球合成生物学发展现状及对我国的启示.生物技术通报，2023,39（2）：292-302 深圳特区报《以“小切口”立法护航合成生物产业大发展》 凯赛生物、华恒生物、梅花生物、华熙生物、川宁生物等上市企业网站及年报 END

药物不良反应（ADRs）仍然是安全治疗发展的主要障碍之一。一个关键挑战是我们对它们的潜在机制理解有限。在这项研究中，我们调查了具有相似临床表现的ADRs和疾病表型（DPs）是否具有机制上的相似性。为此，我们构建了一个全面的知识图谱，并应用图表示学习来量化具有临床表现相似的ADRs和DPs之间的机制相似性。我们的分析揭示了在特定系统器官类别（包括心脏、精神和代谢紊乱）中的ADRs和DPs之间存在大量的机制重叠。这些发现表明，与特定DPs相关的蛋白质相互作用的药物更有可能引起具有相似表型的ADRs。通过整合药物诱导和疾病相关的表型，我们的方法为ADR机制提供了新的见解，并支持对ADR风险较低的药物进行优先排序。这项工作通过将表型相似性和分子机制联系起来，有助于推动更安全和更针对性的治疗开发。 2025年热门专题，助您发顶刊  1.AI蛋白质设计  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人工智能药物发下与设计  5.机器学习代谢组学 6.深度学习基因组学  7. 机器学习生物医学 8. AI智慧医疗影像技术 9.多模态医疗 AI 大模型  以下为具体课程内容安排 01 AI蛋白质设计 内容可向下滑动 第一天：导论 + 工具资源 + Baker组设计流程 课程导论与AI在生物医药领域的应用 课程内容、目标和安排介绍 AI在现代生物学和医学研究中的革命性作用 蛋白质设计与药物发现的基本概念 重要的工具和资源网站 蛋白质结构数据库: PDB, AlphaFold DB 序列数据库: UniProt, GenBank 计算工具平台: Google Colab, PyMOL, ChimeraX 在线服务: Robetta, SWISS-MODEL Baker诺奖实验室的蛋白质设计哲学与流程 介绍David Baker教授和IPD（蛋白质设计研究所） 核心思想:从功能出发，设计全新的蛋白质结构。 Rosetta软件:蛋白质设计的基石，从序列到结构，再从结构到序列。 设计流程:确定问题:识别需要解决的生物学问题（如，中和病毒、靶向癌细胞）。结构设计:在计算机上设计能够实现该功能的蛋白质三维结构。序列反向设计:找到能够折叠成目标结构的氨基酸序列。实验验证:通过湿实验（wet lab）合成并验证设计的蛋白质。 实例:讲解利用Rosetta设计新冠病毒中和蛋白或自组装纳米笼的案例。 第二天：深度学习基础 NumPy与PyTorch入门 NumPy:学习多维数组（Tensor）的操作， PyTorch:介绍其基本概念，如张量、自动求导（autograd）和计算图。实例:使用NumPy进行矩阵运算，使用PyTorch搭建一个简单的线性回归模型。 神经网络基础模型 全连接网络 (DNN):基本结构和原理。卷积神经网络 (CNN):在图像识别中的应用，以及如何应用于结构生物学（如：将蛋白质结构视为3D图像）。循环神经网络 (RNN/LSTM):处理序列数据的利器，及其在蛋白质序列分析中的应用。 展望深度学习在生物医药中的应用：基因组学，医学影像，蛋白质组学 实践：使用Google Colab，加载一个简单的生物数据集（如，根据蛋白质序列判断其是否为膜蛋白）。利用PyTorch搭建一个简单的CNN或RNN模型，对数据进行分类，并理解其基本训练过程。 第三天：AlphaFold系列预测模型 蛋白质折叠问题与AlphaFold的诞生 "Levinthal's paradox"和蛋白质折叠问题的复杂性。 CASP竞赛和AlphaFold 1的突破。 AlphaFold 2的核心思想: Evoformer模块：融合多序列比对（MSA）和蛋白质结构信息。Attention机制的应用。端到端的结构预测。 AlphaFold 2的结构与原理详解 输入特征：MSA和氨基酸对的几何关系。输出：每个残基的精确三维坐标和pLDDT置信度分数。PAE（Predicted Aligned Error）图的解读和应用。 AlphaFold-Multimer 和 AlphaFold 3 AlphaFold-Multimer:从单体到复合物的结构预测。 AlphaFold 3:预测范围扩展到蛋白质、DNA、RNA、配体等多种分子类型，及其在药物设计中的巨大潜力。 第四天：RFdiffusion系列生成模型 + MPNN  生成式AI与蛋白质设计 从“预测”到“创造”的范式转变。 介绍扩散模型（Diffusion Model）的基本原理（加噪和去噪过程）。 RoseTTAFold Diffusion (RFdiffusion) 详解 RFdiffusion如何从随机噪声中生成全新的蛋白质骨架。无条件生成（Unconditional generation）基于骨架的生成（Scaffolding）功能位点限定生成（Inpainting） ProteinMPNN 功能:在给定的蛋白质骨架上设计出合理的氨基酸序列（Inverse Folding）。 MPNN如何与RFdiffusion协同工作：RFdiffusion生成骨架，MPNN填充序列。 任务:使用RFdiffusion的Colab notebook，尝试生成一个具有特定对称性（如C3对称）的蛋白质骨架。将生成的骨架输入到ProteinMPNN中，获得氨基酸序列。使用AlphaFold 2验证生成的序列是否能折叠成预期的结构。 第五天：ESM语言模型和抗体/多肽药物和酶设计全流程 蛋白质语言模型 (Protein Language Models, PLM) 将蛋白质序列视为“语言”，氨基酸视为“单词”。 ESM (Evolutionary Scale Modeling) 系列模型: ESM-1b, ESM-2: 从海量序列中学习蛋白质的语法和语义。ESM-IF1 (Inverse Folding): 结构到序列的预测。ESMFold: 无需MSA的快速结构预测。 抗体/多肽药物设计全流程 靶点发现与验证:确定要靶向的抗原；传统方法:噬菌体展示、杂交瘤技术；亲和力与特异性优化:通过计算模拟和定点突变进行优化；成药性评估:稳定性、溶解度、免疫原性预测。 深度学习辅助的酶工程 介绍如何利用机器学习和深度学习来指导和加速酶的定向进化。并掌握利用计算模型优化酶性能的前沿方法。 基础知识讲解：酶、能量与适应性景观；酶催化与过渡态理论 (Transition State Theory)；Theozyme与计算酶设计:适应性景观 (Fitness Landscape)； 从诺奖工作看酶的定向进化（Frances H. Arnold定向进化领域的先驱）传统定向进化实验流程与机器学习指导的定向进化 02 合成生物与基因电路设计 内容可向下滑动 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 内容可向下滑动 第一天 1.CADD药物设计概论 1.1计算机辅助药物设计的发源和基本概念 1.2计算机辅助药物设计中常用的计算方法 2.  基于结构的药物设计方法 1.1 基于结构的药物设计方法概论 1.2 蛋白质数据库的介绍：uniprot、PDB、AlphafldDB 3. 高质量画图软件pymol 使用详解 1.1 蛋白小分子相互作用、蛋白-蛋白相互作用绘制等 1..2 蛋白及小分子表面图、静电势表示等 第二天 1.蛋白质结构处理方法 1.1蛋白质结构预测方法理论介绍及使用 1.2蛋白质缺失残基处理、残基质子态确定、单点突变等处理方法 2.小分子结构处理方法 1.1常用的小分子数据库介绍：zinc，chembl、pubchem、神农Alpha等 1.2Chemdraw的使用及小分子性质计算 第三天 1. 蛋白-小分子对接的基本流程与技巧 1.1 分子对接的原理 1.2 基于autudock和autodock vina的分子对接步骤详解 1.3 对接结果的分析与挑选技巧 第四天 1.特殊的分子对接的基本流程与技巧 1.1蛋白-小分子柔性对接步骤详解 1.2蛋白-蛋白/DNA/RNA，小分子-小分子对接方法详解 2. 基于分子对接的虚拟筛选详解 1.1 虚拟筛选的流程与处理 1.2 虚拟筛选的结果分析与技巧 第五天 1.Openbael的使用 1.1小分子不同的表示形式、文件格式介绍 1.2Openbabel的文件格式转换、分子结构生成介绍 2.ADMET介绍和反向找靶介绍 3.QSAR模型介绍及操作 1.1 QSAR模型的基本原理 1.2 3DQSAR--COMFA和COMSIA模型的构建与结果分析 第六天 1.Linux系统操作 1.1Linux系统介绍 1.2Linux常用命令操作 2.分子动力学模拟介绍 1.1分子动力学模拟理论介绍 1.2常用软件和一般流程介绍 第七天 1.MD实践 1.1溶剂化下蛋白质分子动力学模拟 1.2 溶剂化下蛋白质-配体的分子动力学模拟 1.3  MD结果分析 2. 答疑： 1.1 课程知识答疑 1.2 学员实际课题思路答疑 部分模型案例图片 04 AIDD人工智能药物发现与设计 内容可向下滑动 第1天：环境搭建与深度学习基本知识讲解 1.AIDD概述：从CADD到AIDD 2.软件安装与环境搭建 (1)anaconda (2)vscode (3)环境变量的配置 (4)切换pip和conda镜像源 (5)虚拟环境的创建 3.RDKIT工具包的使用 (1)基于RDKit的分子读写 (2)基于RDKit的分子绘制 (3)基于RDKit的分子指纹与分子描述符 (4)基于RDKit的化合物相似性与子结构 4.药物综合数据库的获取方法 (1)基于requests的基本爬虫操作 (2)小分子数据库PubChem数据获取（pubchempy / requests） (3)蛋白质数据库PDB、UniProt数据获取 5.深度学习辅助药物设计 (1)神经网络基本概念与sklearn工具包介绍 (2)图神经网络与消息传递机制基本知识 (3)Transformer模型基本知识：分词、位置编码、注意力机制、编码器、解码器、预训练-微调框架、huggingface 生态介绍 (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，交叉验证等第2天：顶刊复现专题1——分子与生化反应的表示学习与性质预测助力药物发现 培训背景：在人工智能辅助药物发现（AIDD）中，分子与生化反应的表示学习与性质预测是整个研究流程的基石。分子的结构决定其功能，如何将复杂的分子结构和生化反应过程有效地表示为计算模型能够理解的形式，是实现高效预测和优化的前提。通过构建合理的分子表示（如图神经网络、SMILES编码、指纹等），我们可以让AI模型捕捉关键的化学特征，进而用于预测分子的物理化学性质、生物活性、毒性等，为后续的虚拟筛选、分子生成与反应设计提供可靠基础。因此，本专题不仅奠定了AIDD中建模与预测能力的核心能力框架，也为整个药物发现过程中的智能决策打下了坚实基础。 培训内容1: Nature Machine Intelligence｜基于注意力的神经网络在化学反应空间映射中的应用《Mapping the space of chemical reactions using attention-based neural networks》 1.数据集 1.1.Pistachio数据集：包含260万化学反应，来自专利数据，涵盖792个反应类别。数据经过去重和有效性过滤（使用RDKit）。 1.2.USPTO 1k TPL数据集：基于USPTO专利数据，包含44.5万反应，通过原子映射和模板提取生成1,000个反应模板类别。 1.3.Schneider 50k数据集：公开数据集，包含5万反应，50个类别，用于与传统指纹方法对比。 2.模型。研究对比了两种Transformer架构： 2.1.BERT分类器：基于编码器的模型，通过掩码语言建模预训练后，在分类任务上微调，使用[CLS]标记的嵌入作为反应指纹（rxnfp）。 2.2.Seq2Seq模型：编码器-解码器结构，将分类任务分解为超类、类别和具体反应的层级预测。两者均采用简化版BERT（隐藏层256维），输入为未标注的SMILES序列，无需反应物-试剂区分或原子映射。 3.训练。模型训练分为两步： 3.1.预训练：BERT通过掩码SMILES令牌预测任务进行自监督学习，学习反应通用表示。 3.2.微调：在分类任务上优化模型，使用交叉熵损失，学习率2×10⁻⁵，序列长度512。评估采用混淆熵（CEN）和马修斯相关系数（MCC）以处理数据不平衡。 培训内容2: TOP期刊｜基于深度学习的生化反应产量预测《Prediction of chemical reaction yields using deep learning》  1.数据。研究使用了三类数据： 1.1.Buchwald-Hartwig HTE数据集：包含3955个Pd催化C-N偶联反应，涵盖15种卤化物、4种配体、3种碱和23种添加剂组合，产率通过统一实验测量，数据质量高。   1.2.Suzuki-Miyaura HTE数据集：包含5760个反应，涉及15对亲电/亲核试剂、12种配体、8种碱和4种溶剂的组合，产率分布均匀。   1.3.USPTO专利数据集：从公开专利中提取，包含不同规模（克级与亚克级）的反应产率，数据噪声大且分布不一致，需通过邻近反应产率平滑处理以提升模型表现。 2.模型。核心模型基于预训练的rxnfp（反应指纹）BERT架构，新增回归层构成Yield-BERT。输入为标准化反应SMILES，通过自注意力机制捕捉反应中心及关键试剂的上下文信息。模型无需手工特征（如DFT计算描述符），直接端到端预测产率。实验表明，其性能优于传统方法（如随机森林和分子指纹拼接），尤其在HTE数据上接近化学描述符的预测水平，且参数鲁棒性高（超参数调整影响小）。 3.训练。训练分为两步： 3.1.预训练：BERT通过掩码语言任务学习SMILES的通用表示。   3.2.微调：采用简单Transformers库和PyTorch框架，以MSE损失优化回归层，学习率（2×10⁻⁵）和dropout率（0.1–0.8）为主要调参对象。HTE数据采用随机/时间划分验证，USPTO数据通过邻近反应产率平滑缓解噪声影响。小样本实验（5%训练数据）显示模型能快速筛选高产反应，指导合成优化。 培训内容3: TOP期刊｜基于T5Chem模型的生化反应表示学习与性质预测: 《Unified Deep Learning Model for Multitask Reaction Predictions with Explanation》 1.数据来源和处理。通过自监督预训练与PubChem分子数据集进行训练，以实现对四种不同类型的化学反应预测任务的优异性能。模型处理包括反应类型分类、正向反应预测、单步逆合成和反应产率预测。 2.模型架构和原理。T5Chem模型是基于自然语言处理中的“Text-to-Text Transfer Transformer”(T5)框架开发的统一深度学习模型，该模型通过适应T5框架来处理多种化学反应预测任务。T5Chem模型包含编码器-解码器结构，并根据任务类型引入了任务特定的提示和不同的输出层，如分子生成头、分类头和回归头，以处理序列到序列的任务、反应类型分类和产品产率预测。 3.训练过程和细节。 3.1.T5Chem模型首先在PubChem的97 million分子上进行自监督预训练，使用BERT类似的“masked language modeling”目标。 3.2.在预训练阶段，源序列中的tokens被随机掩蔽，模型的目标是预测被掩蔽的正确的tokens。 3.3.预训练完成后，模型在下游的监督任务中进行微调，使用不同的任务特定提示和输出层。 3.4.模型在测试阶段通过生成分子token by token的方式进行预测，直到生成“句子结束标记”或达到最大预测长度。 通过培训可以掌握的内容： 1.分子与化学反应的表示方法。学习如何将分子和化学反应编码为机器可处理的格式，如SMILES（Simplified Molecular-Input Line-Entry System）和反应SMILES。理解分子指纹（如Morgan指纹）和反应指纹（如rxnfp）的构建方式，以及它们在化学信息学中的应用。掌握Transformer架构（如BERT）如何用于化学反应的特征提取，并生成具有化学意义的向量表示。 2.深度学习在化学反应预测中的应用。了解如何利用序列到序列（Seq2Seq）模型和BERT进行化学反应分类（如反应类型识别）和产率预测。学习如何通过自注意力机制分析化学反应的关键部分（如反应中心、试剂影响），提高模型的可解释性。掌握如何利用预训练+微调策略，使模型在少量标注数据下仍能取得良好性能。 3.数据驱动的化学研究范式。认识不同数据来源（如高通量实验HTE、专利数据USPTO）的特点及其对模型训练的影响。学习如何处理数据噪声，并通过数据平滑、邻近分析等方法优化模型表现。了解小样本学习在化学中的应用，例如如何用5%-10%的训练数据筛选高产率反应，指导实验优化。第3天：顶刊复现专题2——蛋白质的表示学习与性质预测助力药物发现 培训背景：在AIDD中，蛋白质是药物作用的主要靶标，其结构与功能的复杂性决定了药物设计的成败。蛋白质的表示学习与性质预测是理解分子-靶点相互作用、发现候选药物的重要环节。蛋白质，尤其是酶，作为药物的主要作用靶点，其功能、结构与动力学性质直接影响药物的设计与效果。本专题通过两篇前沿研究工作展开讲解：*《Enzyme function prediction using contrastive learning》展示了如何利用对比学习从蛋白质序列中提取高质量的功能表征，实现对酶功能的精确预测；《CatPred》*则提出了一个整合性深度学习框架，用于体外酶动力学参数（如Km、kcat等）的预测，这对于建立药效模型与优化先导化合物至关重要。这些方法显著提升了蛋白质建模的准确性与泛化能力，为AI驱动的靶点发现、机制理解及候选药物筛选提供了强有力的支持。 培训内容1:  Nature Communication｜体外酶动力学参数深度学习的综合框架《CatPred: a comprehensive framework for deep learning in vitro enzyme kinetic parameters》 CatPred 提出了一种全面的深度学习框架，用于预测体外酶动力学参数（kcat、Km、Ki），以解决实验测定成本高、数据稀疏和泛化能力差的问题。该方法不仅提供了准确的预测，还引入了对预测不确定性的量化，支持对训练集外（out-of-distribution）酶序列的稳健预测。此外，作者还构建了新的标准化数据集（CatPred-DB），并对多种酶表示方法进行了系统比较。 1.数据：CatPred 使用的数据集来自 BRENDA 和 SABIO-RK 数据库，作者构建了 CatPred-DB，包括：23197 条 kcat，41174 条 Km和11929 条 Ki 数据，每条记录都包含酶的氨基酸序列、AlphaFold 或 ESMFold 预测的结构、底物的 SMILES 表达式。数据经过清洗和标准化处理，去除缺失值和重复值，并对参数取对数转换以符合正态分布。 2.模型：CatPred 采用模块化设计，酶和底物分别通过不同的神经网络模块进行表征学习，并采用 概率回归 输出（高斯分布形式的均值和方差），允许进行 不确定性估计（aleatoric + epistemic）。 3.训练 3.1.所有模型采用负对数似然损失函数（NLL）训练，以同时预测参数均值和不确定性。 3.2.使用训练-验证-测试三分法（80%-10%-10%），并设立“训练集外”的测试子集用于泛化能力评估。 3.3.为了评估不确定性，CatPred 使用 10个模型的集成，通过不同初始参数训练，以此量化 epistemic uncertainty。 3.4.模型训练时考虑了不同相似性（序列identity<99%、80%、60%、40%）的测试集，体现其鲁棒性。 培训内容2: Science｜基于对比学习的蛋白质分类属性预测《Enzyme function prediction using contrastive learning》 1.数据来源和处理： CLEAN模型的训练基于UniProt数据库中的高质量数据，该数据库收录了约1.9亿个蛋白质序列。CLEAN模型以氨基酸序列作为输入，输出按可能性排序的酶功能列表（以EC编号为例）。为了验证CLEAN的准确性和鲁棒性，作者进行了广泛的in silico实验，并将CLEAN应用于内部收集的未表征的卤酶数据库（共36个）进行EC编号注释，随后通过案例研究进行体外实验验证。 2.模型架构和原理： CLEAN模型采用了对比学习框架，目标是学习一个酶的嵌入空间，其中欧几里得距离反映了功能相似性。嵌入是指蛋白质序列的数值表示，它由机器可读，同时保留了酶携带的重要特征和信息。在CLEAN的任务中，具有相同EC编号的氨基酸序列具有较小的欧几里得距离，而具有不同EC编号的序列则具有较大的距离。 3.训练过程和细节： 3.1.在训练过程中，CLEAN模型使用对比损失函数进行监督训练，通过优先选择与锚点（anchor）嵌入具有小欧几里得距离的负序列，以提高训练效率。 3.2.模型使用语言模型ESM1b获得的蛋白质表示作为前馈神经网络的输入，输出层产生细化的、功能感知的输入蛋白质嵌入。 3.3.预测时，通过计算查询序列与所有EC编号聚类中心之间的成对距离来预测输入蛋白质的EC编号。 3.4.CLEAN还开发了两种方法来从输出排名中预测自信的EC编号：一种是贪婪方法，另一种是基于P值的方法。 通过培训可以掌握的内容： 1. 蛋白质表示学习的基本方法：理解蛋白质序列、结构信息如何被编码为适用于深度学习模型的向量表示，包括基于序列的预训练模型（如ESM、ProtBERT）和结构感知模型的原理与应用。 2. 对比学习在生物功能预测中的应用：深入学习对比学习策略，掌握如何通过正负样本构建来提升蛋白质功能分类模型的判别能力。 3. 酶动力学参数预测建模框架：学员将理解如何结合序列、结构及辅助特征，利用深度学习模型预测关键的酶学参数（如Km、kcat），并掌握模型架构设计与性能评估的思路。 4. 评估与可解释性分析方法：学习如何分析模型预测结果，评估性能指标，并探索特征重要性等可解释性技术，帮助理解模型的决策依据。 5. 应用于真实药物研发场景的思维框架：建立从蛋白质建模到下游任务（如药物筛选、作用机制分析）的系统性理解，增强将AI方法应用于实际生物医药问题的能力。第4天：顶刊复现专题3——基于深度学习的分子生成助力药物发现培训背景：分子生成是化学、生物学和材料科学等领域的关键技术，对于新药开发、新材料设计和化学反应预测具有重要意义。传统的分子生成方法依赖于专家知识和试错实验，耗时且成本高昂。随着人工智能技术的发展，特别是自然语言处理和扩散模型在分子生成中的应用，我们现在能够利用计算模型来加速这一过程。本课程将介绍从NLP到扩散模型的设计模式，这些模型能够理解和生成分子结构，从而提高分子设计的效率和准确性。通过本课程的学习，参与者将能够掌握分子生成的最新技术和方法，以及如何将这些技术应用于实际问题。培训内容1： Nature Communication｜基于端到端的图生成框架的分子生成：《Retrosynthesis prediction using an end-to-end graph generative architecture for molecular graph editing》 1.数据来源和处理：Graph2Edits模型使用了公开可用的基准数据集USPTO-50k，包含50016个反应，这些反应被正确地原子映射并分类为10种不同的反应类型。数据集被分为40k、5k、5k的反应用于训练、验证和测试集。 2.模型架构和原理：Graph2Edits模型是一个端到端的图生成架构，基于图神经网络（GNN）预测产品图的编辑序列，并根据预测的编辑序列顺序生成中间体和最终反应物。该模型将半模板方法的两阶段过程（识别反应中心和完成合成子）合并为一锅学习，提高了在复杂反应中的适用性，并使预测结果更易于解释。模型的核心是图编码器和自回归模型，用于生成编辑序列，并应用这些编辑来推断中间体和反应物。 3.训练过程和细节： 3.1.Graph2Edits模型使用有向消息传递神经网络（D-MPNN）作为图编码器，以获取原子表示和全局图特征，并预测原子/键编辑和终止符号。 3.2.模型训练使用教师强制策略，即使用真实的编辑序列作为模型输入。在每个编辑步骤中，模型会计算所有可能的编辑的概率，并选择最高分的k个编辑，将这些编辑应用于输入图以获得k个中间体。 3.3.在生成过程中，如果达到最大步骤数或图表示指示终止，则生成分支将停止。 3.4.最终，根据可能性对前k个编辑序列和图进行排名，收集为最终预测结果。 培训内容2 Nature Computational Science｜基于等变扩散模型的分子生成网络《Structure-based drug design with equivariant diffusion models》 1.简单介绍。这篇文献提出了一种基于结构的药物设计方法（SBDD），利用SE(3)-等变扩散模型（DiffSBDD）生成与蛋白质结合口条件匹配的新颖小分子配体。该方法通过将SBDD问题建模为三维条件生成任务，能够一次性生成所有原子位置，克服了传统自回归方法因顺序生成而丢失全局上下文的局限性。DiffSBDD不仅支持从头分子设计，还能通过属性优化、负向设计和分子局部修饰（inpainting）等多种任务灵活应用。 2.数据总结。该研究使用了CrossDocked和Binding MOAD两个数据集进行训练和评估。 2.1.CrossDocked数据集包含40,344个训练蛋白-配体对和130个测试对，验证集规模为246个，确保不同集合中的蛋白质来自不同的酶分类主类以避免过拟合。 2.2.Binding MOAD数据集经过筛选后用于测试，分析限于所有方法均能生成样本的78个CrossDocked和119个Binding MOAD目标。此外，数据集处理涉及移除损坏条目，并通过Zenodo公开提供处理后的数据和采样分子，确保研究可重复性。 3.模型总结。DiffSBDD是一个SE(3)-等变扩散模型，以蛋白质结合口为条件生成三维分子结构，采用3D图表示（原子坐标和类型），避免了传统方法中从密度图回推分子结构的复杂后处理。模型设计尊重三维空间的旋转和平通过培训可以掌握的内容： 1.自然语言处理（NLP）在分子生成中的应用：掌握如何使用NLP技术来理解和生成分子结构。学习如何将自然语言描述转换为分子结构（SMILES字符串）。 2.扩散模型在分子生成中的应用：理解扩散模型的基本原理及其在分子生成中的优势。学习如何使用扩散模型来优化分子生成过程。 3.数据预处理和特征工程：学习如何处理和准备用于训练分子生成模型的数据集。掌握如何从原始数据中提取有用的特征以提高模型性能。 4.模型架构和原理：深入理解MolT5，TGM-DLM和GraphEdits模型的架构和工作原理。学习如何设计和实现这些模型以处理复杂的分子生成任务。 5.训练过程和细节：掌握模型训练的全过程，包括预训练和微调。学习如何调整模型参数和训练策略以优化性能。 6.评估和验证：学习如何使用各种指标（如BLEU分数、Tanimoto相似性等）来评估生成的分子。掌握如何验证模型生成的分子的有效性和准确性。 7.模型解释和可视化：学习如何解释模型的预测结果，以及如何使用可视化工具来理解分子生成过程。 8.最新研究进展和技术趋势：了解分子生成领域的最新研究进展和技术趋势。学习如何将最新的研究成果应用于实际工作。第5天：顶刊复现专题4: 结合分子动力学的蛋白质-配体复合物相互作用动态预测 培训背景：蛋白质-配体相互作用的预测是现代药物发现和生物工程领域的核心任务之一，其重要性不言而喻。在药物开发过程中，准确预测蛋白质与小分子配体的结合位点、三维结构以及亲和力，不仅能够揭示分子间相互作用的机制，还能显著加速候选药物的筛选与优化，降低研发成本和时间。传统实验方法如X射线晶体学和核磁共振虽然精确，但耗时长、成本高，且难以应对大规模筛选需求。而随着深度学习和人工智能技术的快速发展，计算方法在蛋白质-配体预测中展现出巨大潜力。 研究内容1:  Nature Communication｜交互作用感知的蛋白质-配体对接和亲和力预测模型《Interformer: an interaction-aware model for protein-ligand docking and affinity prediction》 1.简要介绍：本研究提出了一种名为Interformer的基于Graph-Transformer架构的统一模型，用于蛋白-配体对接和亲和力预测。针对现有深度学习模型忽略蛋白与配体原子间非共价相互作用建模的不足，Interformer引入了交互感知混合密度网络（MDN）来明确捕捉氢键和疏水相互作用，并结合负采样策略和伪Huber损失函数，通过对比学习优化相互作用分布，提升对接姿势的准确性和亲和力预测的鲁棒性。 2.数据集：研究使用了PDBBind时间分割测试集（333个样本）评估对接准确性，Posebusters基准测试验证物理合理性，以及内部真实世界数据集测试泛化能力。训练数据来源于PDBBind晶体结构数据库。 3.模型：Interformer基于Graph-Transformer架构，包括：(1) 图表示模块，将原子作为节点、邻近关系作为边；(2) 掩码自注意力（MSA）机制，通过Intra-Blocks和Inter-Blocks分别捕捉配体/蛋白内部及两者间的相互作用；(3) 交互感知MDN，融合四种高斯分布模拟常规力、疏水作用和氢键；(4) 边缘输出层整合节点和边特征预测能量；(5) 姿势评分和亲和力模块基于虚拟节点预测正确姿势和实验亲和力值。 4.训练细节：训练分两阶段：首先基于晶体结构训练能量模型生成负样本，随后联合正负样本训练姿势评分和亲和力模型。采用负对数似然损失优化MDN，二元交叉熵损失优化姿势评分，伪Huber损失（σ=4）优化亲和力预测（单位IC50、Kd、KI，经负对数归一化）。蒙特卡洛采样生成候选姿势， 研究内容2:Nature Communication｜分子动力学驱动的蛋白质-配体复合物结构动态预测《DynamicBind: predicting ligand-specific protein-ligand complex structure with a deep equivariant generative model》 1.简单介绍：本研究提出了一种名为DynamicBind的深度学习方法，用于预测配体特异性的蛋白-配体复合物结构。传统分子对接方法通常将蛋白视为刚性或仅部分柔性，难以处理蛋白的大尺度构象变化，而分子动力学模拟虽然能捕捉动态构象，但计算成本高昂。DynamicBind通过等变几何扩散网络构建平滑的能量景观，高效模拟蛋白从无配体（apo）状态到配体结合（holo）状态的构象转变，无需依赖holo结构或大量采样。 2.数据集：研究基于PDBbind2020数据库（19,443个蛋白-配体复合物晶体结构），按时间划分：2019年前的数据用于训练和验证，2019年的数据用于测试。额外构建了Major Drug Targets (MDT)测试集（599对），聚焦激酶、GPCR等主要药物靶点，要求AlphaFold预测结构与晶体结构的pocket RMSD>2Å，确保测试难度。训练中通过AlphaFold预测结构与晶体结构插值生成蛋白部分的样本。 3.模型：DynamicBind是一个基于图神经网络的等变生成模型，使用粗粒化表示（蛋白以Cα节点和侧链二面角表示，配体以重原子节点表示），输出包括蛋白和配体的平移、旋转、扭转角更新，以及结合亲和力和cLDDT置信度评分。模型通过学习从apo到holo的“morph-like”变换，优化能量景观，包含63.67百万参数。 4.训练细节：训练在8块Nvidia A100 80GB GPU上进行5天，输入为添加morph变换的蛋白decoy构象和加高斯噪声的配体构象，目标是去噪操作。损失函数包括八项（配体和蛋白的平移、旋转、扭转等），通过Kabsch算法对齐apo和holo结构，结合扩散噪声调整构象过渡。推理时迭代20次更新初始结构。 通过培训可以掌握的内容： 1.蛋白质-配体复合物结构预测：学员将学习如何利用深度学习方法（如NeuralPLexer）从蛋白序列和配体分子图预测复合物的三维结构，理解多尺度几何建模和扩散过程在捕捉原子级分辨率结构及构象变化中的作用，并掌握其在盲对接和柔性结合位点恢复中的应用。 2.对接姿势生成与优化：掌握基于Graph-Transformer架构和蒙特卡洛采样生成对接姿势的技术，学习如何通过姿势评分和对比学习（如伪Huber损失）优化姿势选择，提升对接准确性（如RMSD<2Å的成功率）。 3.亲和力预测的计算方法：学员将了解如何从对接姿势预测实验亲和力值（如IC50、Kd、KI），掌握基于虚拟节点和对比学习的姿势敏感性训练策略，以提高亲和力预测的鲁棒性和实际应用价值。 4.模型评估与基准测试：熟悉常用基准数据集（如PDBBind）和评价指标（如RMSD、lDDT-BS、TM-score）的使用，理解如何通过时间分割测试集和物理合理性检查评估模型的泛化能力和性能。 5.实际药物设计的应用：通过案例分析（如Interformer筛选出高亲和力小分子），学习如何将这些预测技术应用于酶工程和药物发现，加速候选分子的筛选和优化过程。 05 机器学习代谢组学  内容可向下滑动 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) 06 深度学习基因组学 内容可向下滑动 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 07 机器学习生物医学 内容可向下滑动 第一天 机器学习及生物医学中应用简介 机器学习基本概念介绍 常用机器学习模型介绍（GLM,RF,SVM） 主成分分析（PCA） 一致性聚类分析 ROC曲线和时间依赖的ROC曲线 生存分析基本概念介绍（生存曲线） 预后模型介绍（单因素，多因素cox回归，lasso回归） 午休 R语言简介 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+生存分析预测样本类型 机器学习+生存分析预测患者预后 机器学习+蛋白组学+代谢组学分析 机器学习+单细胞数据分析 午休 常用生物医学公共数据库介绍 TCGA数据库介绍 TCGA数据库下载RNAseq，miRNA-seq数据 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 单细胞数据库介绍 第三天 机器学习应用于TCGA转录组数据，构建预后模型 差异表达分析 主成分分析（PCA） 火山图，热图绘制 GO和KEGG富集分析，柱形图，气泡图绘制 生存分析，生存曲线绘制 一致性聚类分析（ConsensusClusterPlus） 训练集，测试集拆分 午休 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 时间依赖ROC曲线（Time-dependent ROC） 矫正曲线，决策曲线绘制 第四天 机器学习应用于GEO表达谱数据，构建分类模型 差异表达分析 主成分分析（PCA） 构建预测模型（SVM,RF,GLM） 特征筛选及重要性评估 模型评估（ROC曲线绘制） 午休 构建nomogram模型 Nomogram模型评估 矫正曲线绘制 决策曲线绘制 一致性聚类分析 GSEA分析 第五天 机器学习应用于代谢组学+蛋白组学数据，复现cell文章 代谢组学+蛋白组学数据处理，差异表达分析 火山图，分组热图，多组箱型图展示差异表达分析结果 构建Random Forest模型 重要代谢物+蛋白筛选 绘制ROC曲线 独立测试集检测模型表现 午休 机器学习应用于单细胞数据分析 数据质控及归一化 线性降维和非线性降维(PCA, tSNE, UMAP) 聚类分析（cluster） 鉴定细胞marker基因 细胞亚群注释（手动和机器学习自动注释） 部分模型案例图片 08 AI智慧医疗影像技术  内容可向下滑动 第一天 智慧医疗中的图像处理与分析概论 1、阐述智慧医疗定义，回溯其发展历程，剖析当下智慧医疗多元应用场景，如远程诊断、智能辅助决策等，展望未来在精准医疗、个性化治疗方面的潜力。 2、深入讲解医疗图像在智慧医疗体系里的重要性，从辅助诊断、治疗规划到疗效评估全流程解析，明确课程知识、技能双目标，梳理学习计划，强调结合实际案例的实践导向。 医疗图像的基本类型和获取方法 1、详细科普医疗图像主要类型，简要介绍X射线成像原理、CT断层扫描机制、MRI磁共振成像特色、超声成像的声波利用，每种类型搭配实际应用场景，如X射线在骨折检测，MRI在脑部病变诊断的应用。 第二天 图像处理和分析的基本技术和算法 1、实操演示图像预处理技术，展示去噪算法应用、增强视觉效果手段、对比度调整技巧的实际效果，如使用OpenCV进行高斯模糊去噪、中值滤波去除椒盐噪声，直方图均衡化增强对比度，每种方法结合具体医学图像案例，如去除X光图像中的噪声，增强CT图像的对比度，展示实际的OpenCV代码示例。 2、简要讲解边缘检测原理，对比常用边缘检测算子如Sobel、Canny算子的效果，解读形态学操作如腐蚀、膨胀在图像处理中的功效，展示如何用OpenCV实现这些操作。 3、拆解图像分割技术，简要介绍阈值分割法、区域分割策略、边缘分割原理，结合医学图像案例，如用阈值分割法分离MRI图像中的脑组织，用区域生长算法标记肿瘤区域，用边缘分割勾勒器官轮廓，展示如何用Python和OpenCV实现这些分割方法，提供相关的代码示例和实际的图像处理结果。 深度学习在医疗图像分析中的应用 1、从基础概念入手，介绍深度学习框架，简要讲解CNN卷积神经网络架构，说明卷积层、池化层、全连接层的作用，结合医学图像识别中的应用案例，讲解如何用深度学习模型实现图像分类、目标检测和分割。 2、结合实际案例，剖析深度学习在图像分类、目标检测、分割中的应用流程，实操演示常用深度学习模型YOLOv5在医疗图像里的调用与优化，提供实际的模型定义和训练代码示例，如用YOLOv5检测X光图像中的肺结节，展示如何配置模型参数、加载预训练模型、训练和优化模型，实现医学图像的目标检测任务。 第三天 Transformer 技术在医疗图像分析中的应用 1、讲解Transformer基本原理，简要介绍架构里自注意力机制运作逻辑，说明自注意力机制如何捕捉图像中不同区域之间的长距离依赖关系，提升模型对上下文的理解。 2、分享Transformer在医疗图像分析中的前沿应用案例，如基于Transformer的模型在医学图像分割、分类和目标检测中的应用，讲解如何利用Transformer架构的全局特征提取能力提升诊断准确性，以脑肿瘤分割为例，演示Transformer如何更准确地识别肿瘤边界。 3、指导学员动手实践，使用Transformer模型进行医疗图像分析任务，提供相关的代码示例和开源项目链接，如用Vision Transformer（ViT）实现医学图像分类，展示如何将医学图像分割成patches并输入到Transformer中，实现端到端的分类任务。 多模态数据融合在医疗图像分析中的应用 1、阐述多模态数据概念，列举常见类型，如影像、文本报告、生理数据融合，讲解多模态数据在医学诊断中的互补优势，如影像数据提供组织结构信息，文本报告包含症状和病史，生理数据反映身体机能状态。           2、介绍多模态数据融合方法，如特征级融合、决策级融合技术，结合实际案例，如融合CT图像和临床指标对疾病分期，演示如何用Python实现特征级融合，将不同模态的数据拼接成多维特征向量，输入到机器学习模型中进行分类或回归任务。          3、分析多模态融合在提升医疗图像分析准确性上的作用，展示实际的多模态数据融合代码示例，如用Keras或PyTorch实现多个神经网络分支分别处理不同模态的数据，最后在决策层进行融合。 第四天 医疗图像分析在疾病诊断和治疗中的实际案例 1、以肺结节筛查诊断为切入点，展示图像分析辅助医生精准定位、良恶性判断流程，通过超声、CT、MRI 等检查手段对病情进行综合评估和诊断，提供实际的肺结节检测代码示例和数据集，讲解如何用深度学习模型在胸部CT图像中自动检测肺结节，并根据结节特征判断良恶性。 2、延伸至肿瘤识别与分割，讲解如何利用图像处理技术勾勒肿瘤边界，探讨心血管疾病诊断评估，通过血管影像分析病情，展示实际的心血管疾病诊断代码示例和数据集，如用U-Net模型分割脑部MRI图像中的肿瘤区域，用血管成像技术分析冠状动脉狭窄程度。 图像处理工具与实践与深度学习模型的训练 1、介绍常用图像处理工具OpenCV、MATLAB 功能模块，实操演示图像处理算法实现与优化技巧，提供实际的图像处理代码示例和优化方法，如用OpenCV实现医学图像的量化、特征分析等功能，用MATLAB进行快速傅里叶变换和小波变换。 2、指导学员使用OpenCV完成图像预处理和分析任务，上手深度学习框架训练医疗图像分类模型，掌握模型调参方法，提供实际的模型训练代码示例和调参技巧，如在ResNet模型的基础上进行微调，优化学习率、批量大小、正则化参数等。 第五天 医疗图像分析项目设计与实施 1、引导学员进行项目需求分析，规划项目整体架构，涵盖数据收集、处理、模型选择到结果评估全流程，强调项目的临床实用性和快速部署，鼓励学员结合实际工作中的问题设计项目主题。 2、提供结构化的课程学习计划，围绕主题进行拓展学习和实践，推荐相关书籍、学术论文、在线课程和实操项目资源，辅助学习者深化理解课程知识，提升专业技能。 09 多模态医疗AI大模型  内容可向下滑动 第一天：医学AI与大语言模型基础 课程目标：让学员了解大语言模型和医疗AI的基础，掌握相关技术的核心概念。 ·第1讲：医学AI的大脑——理解大语言模型的核心技术 o大语言模型的诞生和发展 o医学信息化现状与痛点分析 o医疗大模型的诞生和发展（Med-PaLM ; MedGamma等）  ·第2讲：自然语言处理NLP基础 o自然语言处理NLP基本概念和发展历程 oRNN,LSTM等基础深度学习模型介绍 oHuggingface使用 第二天：大模型的微调技术和RAG技术 课程目标：让学员理解和学习使用微调技术和RAG技术用于医学领域。 ·第3讲：大语言模型LLM基础 oTransformer之前的时代：大语言模型LLM的发展 o解构Transformer架构 o解构Mamba架构 ·第4讲：微调技术与RAG技术 o微调技术（LoRA、QLoRA） oRAG技术 oOllama介绍 o例子：如何构建一个基于ollama构造自己的第一个语言模型 第三天：多模态学习与跨模态应用 课程目标：深入了解多模态AI的核心技术，掌握跨模态数据融合与实际应用。  ·第5讲：多模态融合核心技术 o多模态概念 o多模态核心基础（表示，融合，对齐，转换和协同学习） o多模态经典模型和核心技术（CLIP和对比学习） o示例：Google DeepMind开源的MedGamma多模态医学大模型实践  第四天：智能导诊与临床工作流 课程目标：了解AI在临床决策支持和工作流中的应用，重点介绍智能导诊与自动化文档生成。  第7讲：AI赋能的临床工作流——从自动化文档到药物研发 o自动化文档与报告生成 o前沿领域：药物研发与手术机器人 o案例分析：如何通过AI提高诊断效率，减轻医生行政负担 第五天：伦理、安全、未来展望 课程目标：讨论医学AI的伦理、安全性、私问题，并展望未来的发展趋势。 第8讲：数字时代的希波克拉底誓言——伦理、隐私、安全与法规 o医学数据的安全性 o医学AI监管框架 o商业化路径分析（药企/医院） 第9讲：创新应用场景 o可穿戴设备 oLLM健康预警（阿里CT检测胃癌） o中医智能体质辨识研讨：抗癌药物新靶点发现 第10讲：人机协同的未来——构建值得信赖的临床AI伙伴 o总结课程核心内容 o探讨精准医疗的发展趋势 oAI最终目标是增强医生能力、减轻认知负荷、与医生无缝协作 授课时间 1 AI蛋白质设计 2025.09.18晚上授课（19：00-22：00） 2025.09.19晚上授课（19：00-22：00） 2025.09.20全天（9点-11点半-1点半-5点） 2025.09.21全天（9点-11点半-1点半-5点） 2025.09.23晚上授课（19：00-22：00） 2025.09.24晚上授课（19：00-22：00） 2025.09.25晚上授课（19：00-22：00） 2025.09.26晚上授课（19：00-22：00） 腾讯会议直播上课课后提供直播回放 2 合成生物与基因电路设计 2025.09.27全天（9点-11点半-1点半-5点） 2025.09.28晚上授课（19：00-22：00） 2025.09.29晚上授课（19：00-22：00） 2025.10.10晚上授课（19：00-22：00） 2025.10.12全天（9点-11点半-1点半-5点） 2025.10.13晚上授课（19：00-22：00） 2025.10.14晚上授课（19：00-22：00） 2025.10.15晚上授课（19：00-22：00） 腾讯会议直播上课课后提供直播回放 3 CADD计算机辅助药物设计 2025.09.27全天（9点-11点半-1点半-5点） 2025.09.28晚上授课（19：00-22：00） 2025.09.29晚上授课（19：00-22：00） 2025.10.12全天（9点-11点半-1点半-5点） 2025.10.13晚上授课（19：00-22：00） 2025.10.14晚上授课（19：00-22：00） 2025.10.15晚上授课（19：00-22：00） 2025.10.16晚上授课（19：00-22：00） 2025.10.18全天（9点-11点半-1点半-5点） 2025.10.19全天（9点-11点半-1点半-5点） 腾讯会议直播上课课后提供直播回放 4 AIDD人工智能药物发现与设计 2025.09.18晚上授课（19：00-22：00） 2025.09.19晚上授课（19：00-22：00） 2025.09.20全天（9点-11点半-1点半-5点） 2025.09.21全天（9点-11点半-1点半-5点） 2025.09.23晚上授课（19：00-22：00） 2025.09.24晚上授课（19：00-22：00） 2025.09.25晚上授课（19：00-22：00） 2025.09.26晚上授课（19：00-22：00） 腾讯会议直播上课课后提供直播回放 5 机器学习代谢组学 2025.10.10晚上授课（19：00-22：00） 2025.10.11晚上授课（19：00-22：00） 2025.10.12全天（9点-11点半-1点半-5点） 2025.10.14晚上授课（19：00-22：00） 2025.10.15晚上授课（19：00-22：00） 2025.10.16晚上授课（19：00-22：00） 2025.10.17晚上授课（19：00-22：00） 2025.10.18全天（9点-11点半-1点半-5点） 腾讯会议直播上课课后提供直播回放 6 深度学习基因组学 2025.10.12全天（9点-11点半-1点半-5点） 2025.10.18全天（9点-11点半-1点半-5点） 2025.10.19全天（9点-11点半-1点半-5点） 2025.10.25全天（9点-11点半-1点半-5点） 2025.10.26全天（9点-11点半-1点半-5点） 腾讯会议直播上课课后提供直播回放 7 机器学习生物医学 2025.08.24全天（9点-11点半-1点半-5点） 2025.08.25晚上授课（19：00—22：00） 2025.08.26晚上授课（19：00—22：00） 2025.08.27晚上授课（19：00—22：00） 2025.08.28晚上授课（19：00—22：00） 2025.08.30全天（9点-11点半-1点半-5点） 腾讯会议直播上课课后提供直播回放 8 AI智慧医疗影像技术 2025.08.12 晚上授课(19:00-22:00) 2025.08.13 晚上授课(19:00-22:00) 2025.08.14 晚上授课(19:00-22:00) 2025.08.15 晚上授课(19:00-22:00) 2025.08.16全天 (9点-12点-2-5点) 2025.08.17全天 (9点-12点-2-5点) 2025.08.18晚上授课(19:00-22:00) 2025.08.19晚上授课:(19:00-22:00) 腾讯会议直播上课课后提供直播回放 9 多模态医学AI大模型 2025.08.20晚上授课:(19:00-22:00) 2025.08.21晚上授课(19:00-22:00) 2025.08.22晚上授课(19:00-22:00) 2025.08.23全天(9点-12点-2点-5点) 2025.08.24全天(9点-12点-2点-5点) 2025.08.25晚上授课(19:00-22:00) 2025.08.26晚上授课(19:00-22:00) 2025.08.27晚上授课(19:00-22:00) 2025.08.28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 AI蛋白质设计     公费价：每人每班￥6380 元    自费价：每人每班￥5880元 CADD计算机辅助药物设计 AIDD人工智能药物发现 机器学习代谢组学 深度学习在基因组学中的应用 合成生物与基因电路设计 公费价：每人每班￥5880 自费价：每人每班￥5480 AI智慧医疗影像技术 机器学习生物医学 多模态AI医疗大模型 公费价：每人每班￥4680 自费价：每人每班￥4380 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） 特惠福利：报名就送之前课程回放（包含全套课程回放和课件资料ppt） （点击文字查看详情安排） 单细胞测序与空间转录组 深度学习宏基因组学 蛋白晶体结构解析 深度学习质谱蛋白组学 机器学习微生物组学 CRISPR-Cas9基因编辑技术 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） SIMPLICITY 官方联系人 联系人：苏老师， 报名咨询电话：17513373798（同V）