Nature世界首例！药物靶点的高分辨率结构可以促进下一代疗法的合理设计！

2024-03-24

寡核苷酸

与小分子抑制剂结合的药物靶点的高分辨率结构可以促进下一代疗法的合理设计。然而，基于结构的方法在难结晶大分子中的应用受到低温电子显微镜（cryo-EM）的分辨率和通量的限制。在这里，我们使用高分辨率冷冻电镜来确定CDK激活激酶的结构，CDK激活激酶是细胞生长和分裂的主要调节因子，处于游离和核苷酸结合状态，并与15种抑制剂复合物，分辨率高达1.8 Å。我们的结构提供了对细胞周期蛋白依赖性激酶 7 活性位点中抑制剂相互作用和水分子网络的详细见解，并提供了对抑制剂选择性机制的见解，从而为下一代疗法的合理设计奠定了基础。这些结果为在基于结构的药物设计中使用高分辨率冷冻电镜建立了方法学框架。01、CADD计算机辅助药物设计目标：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02、AIDD人工智能药物发现与设计目标：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03、蛋白晶体结构解析目标：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。04、机器学习代谢组学目标：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。05、深度学习基因组学目标：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。06、机器学习微生物组学目标：通过本次培训多个案例的系统讲解让参会学员学会机器学习在微生物组数据分析流程，能够快速运用到自己的科研项目和课题上。07、CRISPR-Cas9基因编辑技术目标：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。08、单颗粒冷冻电镜结构解析目标：冷冻电镜结构解析课程致力于培养学员掌握冷冻电镜在结构生物学和基于结构的药物设计中的应用，掌握单颗粒冷冻电镜结构解析原理，实验方法和实际应用。通过深入的理论讲解和实际操作，学员将逐步建立对这一关键领域的深刻理解。# Shopping Guide以下为内容介绍WORK OVERVIEWNO.1CADD计算机辅助药物设计内容可向下滑动第一天导论与基础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. PyMol2.1 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NO.2 AIDD人工智能药物发现与设计内容可向下滑动第一天1 人工智能药物发现(AIDD)简介2 机器学习和深度学习在药物发现领域的应用2.1 分子属性预测与优化2.2 虚拟筛选2.3 药物副作用预测与安全性评估2.4 新药分子设计3 工具介绍与安装3.1 Anaconda3/Pycharm 安装3.2 Numpy 基础3.3 Pandas 基础3.4 Matplotlib 基础3.5 Scikit-learn 基础3.6 Pytorch 基础3.7 RDKit 基础第二天1 机器学习简介1.1 机器学习四要素1.2 数据模块1.3 核心和高级 API2 回归算法与应用2.1 线性回归2.2 Lasso 回归2.3 Ridge 回归2.4 ElasticNset 弹性网络3 分类算法与应用3.1 逻辑回归3.2 朴素贝叶斯3.3 KNN3.4 SVC3.5 决策树3.6 随机森林3.7 集成学习4 聚类算法4.1 KMeans4.2 密度聚类 DBSCAN5 降维5.1 奇异值分解 SVD5.2 主成分分析 PCA5.3 非负矩阵分解 NMF6 模型的评估方法和评价指标6.1 超参数优化6.2 交叉验证6.3 评价指标7 特征工程8 机器学习药物发现案例（一）——化合物生物活性分类模型9 机器学习药物发现案例（二）——化合物生物活性回归模型10 机器学习药物发现案例（三）—— 药物副作用预测模型图1. 副作用在药物-药物相似性网络中传播。第三天1 深度学习与药物发现（一）1.1 深度神经网络1.2 正向和反向传播1.3 优化方法1.3.1 梯度下降增加动力1.3.2 自适应学习1.3.3 Adam1.4 损失函数1.4.1 平均绝对误差1.4.2 均方误差损失函数1.4.3 交叉熵损失函数1.5 卷积神经网络1.5.1 卷积层1.5.2 填充和步幅1.5.3 池化层1.5.4 LeNet 网络1.5.5 AlexNet 网络2 深度学习药物发现案例（一）—— 药物-药物相互作用预测模型图 2. 利用药物关联网络特征和深度神经网络识别药物之间潜在相互作用事件。第四天1 深度学习与药物发现（二）1.1 循环神经网络1.2 消息传递神经网络1.3 图卷积神经网络1.4 图注意力神经网络1.5 图采样和聚合2 深度学习药物发现案例（二）—— 药物靶标相互作用预测模型3 深度学习药物发现案例（三）—— 药物重定位模型第五天1 深度学习与药物发现（三）1.1 注意力机制1.2 自注意力模型1.3 多头自注意力模型1.4 交叉注意力模型1.5 Transformer 模型2 深度学习药物发现案例（四）—— 药物-药物相互作用预测模型3 深度学习药物发现案例（五）—— 药物靶标结合亲和力预测模型图 4.将药物和蛋白质信息关联起来的带有注意力区块的AttentionDTA模型NO.3 蛋白晶体结构解析内容可向下滑动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NO.4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）部分模型案例图片NO.5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实操内容1.Linux操作系统1.1常用的Linux命令1.2 Vim编辑器1.3基因组数据文件管理, 修改文件权限1.4查看探索基因组区域2.Python语言基础2.1.Python包安装和环境搭建2.2.常见的数据结构和数据类型第二天基因组学基础1. 基因组数据库2. 表观基因组3. 转录基因组4.蛋白质组5. 功能基因组实操内容基因组常用深度学习框架1. 安装并介绍深度学习工具包tensorflow, keras，pytorch 2. 在工具包中识别深度学习模型要素2.1.数据表示2.2.张量运算2.3.神经网络中的“层”2.4.由层构成的模型2.5.损失函数与优化器2.6.数据集分割2.7.过拟合与欠拟合3.基因组数据处理3.1安装并使用keras_dna处理各种基因序列数据如BED、 GFF、GTF、BIGWIG、BEDGRAPH、WIG等3.2使用keras_dna设计深度学习模型3.3使用keras_dna分割训练集、测试集3.4使用keras_dna选取特定染色体的基因序列等第三天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. 降维分析第四天理论部分深度学习在识别拷贝数变异DeepCNV1. SNP微阵列中预测拷贝数变异CNV，DeepCNV2. RNA-Seq中预测premiRNA，dnnMiRPre实操内容1. 复现DeepCNV利用SNP微阵列联合图像分析识别拷贝数变异复现循环神经网络RNN工具 dnnMiRPre，从RNA-Seq中预测premiRNA第五天理论部分深度学习在识别及疾病表型及生物标志物上的应用1. 从基因表达数据中识别乳腺癌分型的深度学习工具DeepType实操内容1.复现DeepType，从METABRIC乳腺癌数据中区分乳腺癌亚型第六天理论部分深度学习在预测药物反应机制上的应用1. 联合肿瘤基因标记及药物分子结构预测药物反应机制的深度学习工具SWnet实操内容1. 预处理药物分子结构信息2. 计算药物相似性3. 在不同数据集上构建self-attention SWnet4. 评估self-attention SWnet5. 构建多任务的SWnet6. 构建单层SWnet7. 构建带权值层的SWnet部分模型案例图片NO.6机器学习微生物组学内容可向下滑动第一天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编辑器下·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.模型性能评估部分模型案例图片NO.7CRISPR-Cas9基因编辑技术内容可向下滑动第一天基因编辑简介1.基因编辑基本概念介绍2.使用单基因遗传病数据库 (实操)3. 5524种单基因遗传病的发病率及对应基因4.使用网站查找突变位点周围碱基选择基因编辑工具(实操)5.基因编辑历史6.TALEN7.Zinc finger8.Base editor9.Prime editor第二天1.如何选择正确Cas9蛋白类型2.单碱基编辑(base editor) gRNA设计和软件(实操)3.sgRNA修饰4.手动设计PegRNA的八个要点(实操)5.七种PegRNA辅助设计软件6. 查找不同PAM的Cas9的碱基序列7. 设计Cas9 mRNA及其体外转录所需的DNA8. 如何设计深度测序(NSG)所需的引物9. 如何准备深度测序(NGS)所需样品10. Sleeping beauty11. PiggyBac12. 肽核酸Peptide nucleic acids13. 外显子跳读Exon skipping14. 介绍CRISPR knock out库 (GeCKO v2.0)15. 简单介绍Base editing在微生物中的应用第三天1.AAV递送(组织靶向)2.脂质体递送3.核糖核蛋白递送4.高分子递送5.Viral like particles递送6.外泌体递送7.无机纳米粒递送8. 电转9. 超声10. 显微注射11. PAM高通量筛选的6篇文章12. Cas9-DNA-gRNA晶体结构13.单基因遗传病细胞订制14.单基因遗传病动物模型定制第四天1.动物模型2.质粒3.分子克隆基础4.AAV设计(实操)5.Base editing文章分析6.Prime editing 相关的140篇文章概览7.如何提高Prime editing效率8.Prime editing 相关的87篇研究文章概览9.如何提高Prime editing效率10.NGS引物设计11.NGS测序结果分析第五天1.基因编辑已经批准的药物2. 临床试验3.主要公司、科学家和专利4.副作用和退市的产品5.FDA政策6.CRISPR在诊断中的应用7.CRISPR library8.CRISPR与单细胞测序9. CRISPR与表观遗传学10. CIRPSR在植物学中的应用11. CRISPR在微生物学中的应用12. NGS类型及原理13. 3个基因序列的数据库(涵植物基因)14. 2023年BE和PE领域热点15. 设计课题与评价(实操)NO.8 冷冻电镜结构解析内容可向下滑动第一天一、冷冻电镜的起源和发展1，冷冻电镜的起源2，冷冻电镜原理3，相机的发展4，冷冻制样方法的发展二、冷冻电镜的应用概述1，单颗粒冷冻电镜（single particle Cryo-EM analysis）2，原位冷冻电镜（cryo-ET）3，微晶电子衍射（Micro-ED）第二天三、冷冻电镜在结构解析中的应用1，结构解析方法概述2，单颗粒冷冻电镜方法的应用3，单颗粒冷冻电镜在结构解析和药物开发中的应用四、冷冻透射电镜的构造和成像原理1，基本概念2，冷冻透射电镜的构造3，成像原理简介第三天五、冷冻电镜的样品处理1，冷冻电镜样品概述2，冷冻电镜样品类型和处理方法3，样品制备方法及优缺点4，冷冻载网的选择（载网类型及特点）六、冷冻电镜高分辨数据收集1，数据收集软件2，数据收集流程和注意事项3，数据分析和评价第四天七、冷冻电镜数据处理1，数据处理基本原理软件介绍2，数据处理过程基本概念3，软件使用，数据处理流程及注意事项4，数据处理软件的注意事项和软件系统的相互转换第五天八、电镜map图的展示和处理1， Chimera，ChimeraX 软件下载安装2，软件基本使用规则3， Chimera在冷冻电镜数据处理中的应用九、模型搭建和结构修正1， Coot，Phenix 软件的下载安装2，模型搭建基本流程3，结构修正及评价讲师介绍01.「CADD计算机辅助药物设计」主讲老师来自国内高校、中科院等单位，老师主要擅长深度学习、机器学习、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02.「AIDD人工智能药物发现与设计」授课老师余老师，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，药物靶标识别，药物不良反应等。参与了国自然基金2项，主持了省厅级科研项目3项。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。03.「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，为独立PI。研究方向是结构生物学和免疫学；除了深钻结构生物学和免疫学，还在积极参与和推动结构生物学的教育工作，应邀在多所高校或者科研研究所开展结构生物学课程讲授，在多种国际期刊上发表论文30余篇，均为SCI，作为第一作者或通讯作者4篇一区，包括国际顶尖杂志PNAS两篇，一区top2篇等。并承担国家自然科学基金面上项目等；作为国际著名学术杂志Nature Communication和Journal of Virology, Structure等的审稿人。04.「CRISPR-Cas9基因编辑技术」主讲老师来自加州大学生物医学工程专业博士，曾在麻省理工和哈佛大学从事基因编辑研究，在耶鲁大学从事基因递送工作。文章发表在Nature Biomedical Engineering, Nature Communications等杂志上。曾在天使投资机构工作，主要投资基因编辑、单细胞测序、AI制药等方向的创业公司。05.「机器学习代谢组学」主讲老师来自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。06.「机器学习微生物组学」主讲老师来自生物科技公司核心高管，曾在麻省理工学院、加州大学旧金山分校等机构工作，过去5年科研工作发表于Cell, PNAS等杂志07.「深度学习基因组学」主讲老师刘老师，生物信息学博士，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.「冷冻电镜结构解析」来自中科院所毕业的结构生物学博士，主要利用单颗粒冷冻电镜手段研究作用于药物靶点的的分子机制和基于结构的药物设计。目前主要研究方向为膜蛋白及病毒相关蛋白的结构研究。5年内在国内外顶尖杂志包括Nature,NatureCommunications，Cell Research 等杂志发表文章数篇。授课时间及地点CADD计算机辅助药物设计2024.04.16-2024.04.19晚上授课（晚19：00—晚22：00）2024.04.20-2024.04.21全天授课（上午9：00-11：30下午13：30-17：00）2024.04.22-2024.04.25晚上授课（晚19：00—晚22：00）2024.04.27全天授课（上午9：00-11：30下午13：30-17：00）腾讯会议直播形式机器学习代谢组学2024.04.13-2024.04.14全天授课（上午9：00-11：30下午13：30-17：00）2024.04.16-2024.04.19晚上授课（晚19：00—晚22：00）2024.04.20全天授课（上午9：00-11：30下午13：30-17：00）腾讯会议直播形式深度学习基因组学2024.04.15-2024.04.18晚上授课（晚19：00—晚22：00）2024.04.20-2024.04.21全天授课（上午9：00-11：30下午13：30-17：00）2024.04.23-2024.04.26晚上授课（晚19：00—晚22：00）腾讯会议直播形式机器学习微生物2024.04.08-2024.04.11晚上授课（晚19：00—晚22：00）2024.04.13-2024.04.14全天授课（上午9：00-11：30下午13：30-17：00）2024.04.16-2024.04.17晚上授课（晚19：00—晚22：00）腾讯会议直播形式CRISPR-Cas9基因编辑技术2024.04.15-2024.04.18晚上授课（晚19：00—晚22：00）2024.04.20-2024.04.21全天授课（上午9：00-11：30下午13：30-17：00）2024.04.23-2024.04.24晚上授课（晚19：00—晚22：00）腾讯会议直播形式蛋白晶体结构解析2024.04.08-2024.04.11晚上授课（晚18：30—晚21：30）2024.04.13-2024.04.14全天授课（上午9：00-11：30下午14：00-17：30）2024.04.16-2024.04.17晚上授课（晚18：30—晚21：30）腾讯会议直播形式AIDD人工智能药物发现与设计2024.04.08-2024.04.11晚上授课（晚19：00—晚22：00）2024.04.13-2024.04.14全天授课（上午9：00-11：30下午13：30-17：00）2024.04.16-2024.04.17晚上授课（晚19：00—晚22：00）腾讯会议直播形式冷冻电镜结构解析2024.04.15-17-18-19晚上授课（晚19：00—晚22：00）2024.04.20-2024.04.21全天授课（上午9：00-11：30下午13：30-17：00）2024.04.22号、24号晚上授课（晚19：00—晚22：00）腾讯会议直播形式报名费用及福利CADD计算机辅助药物设计；AIDD人工智能药物发现；蛋白晶体结构解析；冷冻电镜结构解析；深度学习基因组学；每班公费价：5880每班自费价：5480机器学习代谢组学；机器学习微生物组学；CRISPR-Cas9基因编辑；（机器学习生物医学免费赠送）每班公费价：5380每班自费价：5080优惠一：两班同报9880元另外赠送一个学习名额（可任意选择一个课程赠送）优惠二：三班同报13880元另外赠送一个学习名额（可任意选择一个课程赠送）优惠三：四班同报17880元另外赠送两个学习名额（可任意选择两个课程赠送）优惠四：全部报名学习25880元（一年内可免费参加我司举办的任何课程，不限课程及次数）福利：报名缴费后即可获得往期全套视频回放及PPT资料提供预习结业证书：参加培训并通过考试的学员，可以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学员反馈官方联系人/扫码咨询详情联系人：孙老师电话：18638251323（同V）声明：此内容由第三方提供、授权发布或者转载自第三方；本内容一切版权及连带责任由第三方负责，与本公众号无关。据此内容作出的任何判断，后果自负。