Fujian Provincial Hospital

第25届世界肺癌大会（WCLC）将于2024年9月7日至10日在美国圣地亚哥隆重召开。作为肺癌领域的年度盛会，届时将有众多重磅研究结果公布。我国医药企业深耕肺癌领域，探索肺癌新型治疗策略，以期造福更多肺癌患者。今年，恒瑞医药共有9款创新药的11项研究成果入围大会，其中3项研究入选口头报告（Oral），8项研究接收为壁报。 9款创新药包括4款已上市产品：注射用卡瑞利珠单抗（艾瑞卡®）、甲磺酸阿帕替尼片（艾坦®）、阿得贝利单抗注射液（艾瑞利®）、氟唑帕利胶囊（艾瑞颐®），以及5款未上市产品：TROP-2抗体偶联药物SHR-A1921、抗PD-L1/TGF-βRII双抗SHR-1701、IL-15融合蛋白SHR-1501、KRASG12D抑制剂HRS-4642以及多靶点受体酪氨酸激酶抑制剂法米替尼。日前，大会官网公布了摘要标题[1]，一文速览恒瑞医药肺癌领域研究进展。 01 Oral：OA04.05 英文题目：SHR-A1921, A TROP-2 Targeted Antibody-Drug Conjugate (ADC), In Patients (pts) with Advanced Small-Cell Lung Cancer (SCLC) 中文题目：靶向TROP-2抗体偶联药物(ADC) SHR-A1921治疗晚期小细胞肺癌(SCLC) 作者：王洁教授 国家癌症中心/中国医学科学院北京协和医学院肿瘤医院 02 Mini Oral：MA01.05 英文题目：Efficacy and Safety of Neoadjuvant Camrelizumab and Apatinib Combined with Chemotherapy in Stage IIIA (N2) NSCLC: A Single Arm, Phase II Trial 中文题目：新辅助卡瑞利珠单抗和阿帕替尼联合化疗治疗IIIA（N2）期NSCLC的疗效和安全性：一项单臂、II期试验 作者：潘小杰教授 福建医科大学省立临床医学院/福建省立医院 03 Mini Oral：MA11.07 英文题目：Preliminary Efficacy and Safety of SHR-1701 Plus Fluzoparib as Maintenance Therapy for Patients with Advanced Lung Squamous Cell Carcinoma 中文题目：SHR-1701联合氟唑帕利作为晚期肺鳞状细胞癌患者维持治疗的初步疗效和安全性 作者：张永昌教授 湖南省肿瘤医院 04 Poster：P1.13A.05 英文题目：Preliminary Results of A Phase II Study of Camrelizumab Combined with Chemotherapy Followed by Concurrent Chemoradiotherapy for LD-SCLC 中文题目：卡瑞利珠单抗联合化疗后同步放化疗治疗LD-SCLC的II期研究初步结果 作者：许亚萍教授、胡敏教授 上海市肺科医院 05 Poster：P1.13A.08 英文题目：Biomarker Analysis of Camrelizumab Plus Nab-paclitaxel and Carboplatin as First-Line Treatment for Extensive-Stage Small-Cell Lung Cancer 中文题目：卡瑞利珠单抗联合白蛋白结合型紫杉醇和卡铂一线治疗广泛期小细胞肺癌的生物标志物分析 作者：任胜祥教授 上海市肺科医院 06 Poster：P4.11E.12/P4.11E.12 英文题目：First Line Camrelizumab for Brain Metastases of NSCLC (CTONG 2003): A Randomized Controlled Trial 中文题目：卡瑞利珠单抗一线治疗NSCLC脑转移(CTONG 2003)：一项随机对照试验 作者：吴一龙教授、黎扬斯博士 广东省人民医院 07 Poster：P1.06B.10 英文题目：Post-hoc Biomarker Analysis of Adebrelimab Plus Chemotherapy and Sequential Radiotherapy as First-Line Therapy for ES-SCLC 中文题目：阿得贝利单抗联合化疗和序贯放疗一线治疗ES-SCLC的事后生物标志物分析 作者：王琳琳教授 山东省第一医科大学附属肿瘤医院 08 Poster：P1.02C.03 英文题目：A Novel IL-15 Superagonist SHR-1501 Promotes Immune Response in Lung Cancer via Modulating Tumor Microenvironment 中文题目：新型IL-15超级激动剂SHR-1501通过调节肿瘤微环境促进肺癌免疫应答 作者：Q.Zhang教授 上海市肺科医院 09 Poster：P3.12E.03 英文题目：Anti-Tumor Efficacy of HRS-4642 and its Potential Combination with Proteasome Inhibition in KRAS G12D-Mutant Cancer 中文题目：HRS-4642在KRASG12D突变型癌症中的抗肿瘤疗效及其与蛋白酶体抑制的潜在联合 作者：任胜祥教授 上海市肺科医院 10 E-Poster：EP.13A.01 英文题目：Preliminary Efficacy and Safety of Adebrelimab Plus Famitinib as Later-line Treatment for Extensive-Stage Small Cell Lung Cancer: A Phase 2 Trial 中文题目：阿得贝利单抗联合法米替尼用于广泛期小细胞肺癌后线治疗的初步疗效和安全性：一项2期试验 作者：刘雨桃教授 中国医学科学院肿瘤医院 11 E-Poster：EP.13A.02 英文题目：Adebrelimab Combined with Famitinib and Chemotherapy as First-Line Therapy for ES-SCLC: A Phase II, Single-Arm Exploratory Research 中文题目：阿得贝利单抗联合法米替尼和化疗一线治疗ES-SCLC的一项II期、单臂探索性研究 作者：赵艳滨教授 哈尔滨医科大学附属肿瘤医院 《健康中国行动（2019-2030年）》提出，到2030年总体癌症五年生存率不低于46.6%。抗肿瘤药物是癌症患者控制和治疗疾病的重要希望。作为一家创新型国际化制药企业，恒瑞医药多年来针对中国高发肿瘤领域持续展开技术攻关，已上市的16款创新药中抗肿瘤创新药占比过半。未来，恒瑞医药将继续坚持“以患者为中心”的理念，重创新，强研发，力争研制出更多更好的新药，服务健康中国，惠及全球患者。  参考文献： [1]https://cattendee.abstractsonline.com/meeting/20598?view=appendToCards&initialSearchId=1&searchId=21 声明： 1. 本新闻旨在分享学术前沿动态，仅供医疗卫生专业人士基于学术目的参阅，非广告用途。 2. 恒瑞医药不对任何药品和/或适应症作推荐。 3. 本新闻中涉及的信息仅供参考，请遵从医生或其他医疗卫生专业人士的意见或指导。医疗卫生专业人士作出的任何与治疗有关的决定应根据患者的具体情况并遵照药品说明书。 撰稿：中央医学事务部 排版：马瑞璘 责编：李玉莹 往期精选 |  研发创新  | 恒瑞医药新突破！中国首个自研阿片类镇痛创新药富马酸泰吉利定获批上市 代谢领域再下一城！恒瑞医药糖尿病创新药瑞格列汀（瑞泽唐®）获批 |  国际化  | 海外BD再传捷报！恒瑞医药GLP-1类创新药组合实现海外许可 恒瑞医药与默克达成合作，携手推进癌症创新疗法 |  重磅奖项  | 喜报！恒瑞医药荣获2023年度国家科技进步奖 恒瑞医药连续六年入选全球制药企业50强榜单！ |  社会公益  | “健康中国行·重走长征路”项目启动仪式圆满举行！恒瑞提供公益支持，助力健康中国 恒瑞医药集团向中国扶贫基金会捐赠3000万设立“健康帮扶基金”

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。 深度学习在蛋白质设计领域的前沿研究主要集中在蛋白质结构预测、蛋白质序列设计、蛋白质-蛋白质相互作用预测、蛋白质功能注释和蛋白质优化与筛选等方面。这些研究方向为开发新的功能性蛋白质和药物靶点提供了新思路，并在生物医学、药物研发和生物材料等领深度学习在蛋白质设计领域的应用被认为是当前的前沿研究方向之一，深度学习在蛋白质设计领域的不断发展为新药研发、生物制药、生命科学研究等领域带来了许多创新和机会               2024年最值得期待的三大技术 一、深度学习蛋白质设计 二、CADD计算机辅助药物设计 echnology 深度学习在蛋白质设计领域的前沿研究主要集中在蛋白质结构预测、蛋白质序列设计、蛋白质-蛋白质相互作用预测、蛋白质功能注释和蛋白质优化与筛选等方面。这些研究方向为开发新的功能性蛋白质和药物靶点提供了新思路，并在生物医学、药物研发和生物材料等领深度学习在蛋白质设计领域的应用被认为是当前的前沿研究方向之一，蛋白质结构预测与设计领域的未来将充满创新和跨学科的发展，为解决生物医学、生物工程和生物能源等方面的重大问题提供更多可能性。 蛋白质折叠和结构预测：深度学习模型可以预测蛋白质的三维结构，这对理解蛋白质的功能和开展蛋白质设计至关重要。通过深度神经网络模型和注意力机制的应用，可以更准确地预测蛋白质的折叠和结构。 蛋白质序列设计：深度学习可以用于预测蛋白质序列的功能和稳定性。通过神经网络模型和自然语言处理技术的结合，可以设计出具有特定功能和稳定性的蛋白质序列，例如酶活性、药物靶点等。 蛋白质-蛋白质相互作用预测：深度学习模型可以预测蛋白质和蛋白质之间的相互作用，从而帮助设计新的蛋白质复合物和抗体。 蛋白质功能注释和预测：深度学习可以进行蛋白质功能注释和预测，识别蛋白质的功能域、结构域和功能位点等。这有助于预测蛋白质的功能和相应的生物学作用。 蛋白质优化和筛选：深度学习可以用于优化和筛选设计出的蛋白质。通过神经网络和生成对抗网络的应用，可以提高蛋白质的稳定性、可溶性和活性，以满足特定的设计要求。 蛋白质-蛋白质相互作用预测：深度学习可用于预测蛋白质与蛋白质之间的相互作用，从而实现蛋白质和配体的高效率设计和筛选等。 近年来发过哪些顶刊以及方向： Nature communications| 使用基于结构的残基偏好进行蛋白质设计 Nature biotechnology| 用于功能性蛋白质设计的机器学习 Scientific reports| Deep-WET：一种基于深度学习的方法，使用具有加权特征的词嵌入技术预测 DNA 结合蛋白 Cell Systems| 深度学习为蛋白设计开启了新时代 Nat. Comput. Sci| 基于深度学习的无rotamer蛋白质设计 Comput Struct Biotech| 深度学习用于蛋白质设计：从结构到序列与功能 本课程围绕蛋白设计基础与前沿工作展开讲述，从蛋白结构的预测与优化到蛋白的从头设计进行深度教学，本课程主要面向有编程基础的学员，对基础知识进行详细讲解，并且会结合前沿文献讲解相关技术的应用。帮助学员们， 通过本次培训学员将了解蛋白质设计的底层逻辑与基本规则，并掌握蛋白质设计中的常见蛋白质设计算法的实际操作，具备基本的蛋白质设计算法开发的基础能力及前沿视野。 01 深度学习蛋白质设计课表 第一天： 深度学习蛋白质设计的相关概念及基础 1. 基础概念 a. 什么是深度学习 b. 什么是蛋白质设计 c.    python 简介 d.   inux 与 VS code 简介 2. 如何描述一个蛋白质的状态 a. 量子力学： 含时薛定谔方程 b. 量子化学： 定态薛定谔方程 c. 全原子分子动力学模拟：朗之万方程 d. 粗粒化模拟： 广义朗之万方程 e.    马尔科夫态模型： 主方程 3. 常用的分析/可视化蛋白质及相关分子的方法 a. 获得并观察一条蛋白序列的 MSA b. 用 pymol 或 chimeraX 可视化蛋白质分子体系  c. 小分子结构的生成与优化： rdkit 与 GAMESS d. 分子动力学模拟轨迹可视化： VMD e. 通用序列/结构分析软件包： biopython    f. 生物大分子编辑平台： Discovery Studio  g. 位点冲突分析： Frustratomete h. 简易生物分子空腔与通道分析： CAIN 4. 深度学习蛋白质设计与传统蛋白质设计之间的差异 a.  深度学习的本质 b. 传统方法： 通过物理能量推测概率 c. 深度学习： 直接从数据中找到概率分布的规律 d. 深度学习与传统的物理方法还是存在紧密联系的 e. 深度学习蛋白质设计的强大之处 f. 功能蛋白设计的滑铁卢： 玻尔兹曼废墟 5. 结构模型 vs 语言模型 a. 结构模型： 基于图神经网络 b. 语言模型： 天涯若比 c. 结构模型的优势及劣势 d. 语言模型的优势及劣势 e. 走向融合 第二天： 蛋白质设计的先行者： 蛋白质结构预测 1. 在 AlphaFold 之前人们如何做蛋白质结构预测 a. 基于物理能量函数： rosetta b. 传统分子对接 c. 分子动力学模拟 d. 同源序列分析 2. AlphaFold 系列历史 a. AlphaFold： 开创一个时代 b. AlphaFold2： 终结一个时代 c. AlphaFold3： 走向未来 3. AlphaFold3 原理解析 a. 本质上不是从序列到结构， 而是从 MSA 到结构 b. 注意力机制 c. 扩散模型 d. AlphaFold3 的成绩与不足 4. AlphaFold 实际操作与结果分析 a.AlphaFold2 实操  b.AlphaFold2 分析  c.AlphaFold3 实操  d.AlphaFold3 分析 e.别忽视结构之外的信息 5.其它深度学习蛋白质结构预测软件简介 a.trRosetta b.OmegaFold c.ESMFold 第三天 蛋白质设计基础: 从经典力场到深度学习 1. 如何计算蛋白质构象的能量？ a) 蛋白质可视化与编辑常用方法 i. pymol使用方法简介 ii. chimera使用方法简介 iii. pdb文件格式详解 iv. 使用python biopython、pymol等库编辑蛋白质结构 b) 分子力学、溶剂化能简介 i. 分子力学公式形式 ii. 溶剂化能的计算方法 iii. MM/PBSA方法计算结合自由能 2. 基于统计势函数的蛋白质设计方法——Rosetta a) 统计势函数的一般定义 b) 蛋白质设计中的统计势函数 i. Rosetta统计势定义 ii. Rosetta能量函数常见项及物理意义 c) 基于Rosetta势函数的蛋白设计 i. 设计流程 ii. 实验结果 3. 蛋白-蛋白对接的强大——无先验知识的蛋白质药物设计流程 a) 蛋白-蛋白对接简介 i. 蛋白-蛋白对接的定义 ii. RifGen对接方法介绍 b) 蛋白质药物设计 i. 设计流程 ii. 实验结果 4. 深度学习强势登场——蛋白质设计模型ProteinMPNN a) MPNN 消息传递神经网络简介 b) ProteinMPNN模型简介 i. 模型结构介绍（输入、输出、参数……） ii. 模型使用（主编程语言Python） c) 基于ProteinMPNN的蛋白质设计 i. 设计流程 ii. 实验结果 5. 平分秋色还是天壤之别？两种蛋白设计方法的比较 a) 深度学习模型具有更高的序列恢复率 b) 深度学习模型可实现rosetta、alphafold不可完成的设计任务 c) 深度学习模型的短板 第四天： 深度学习蛋白质骨架设计 1.为什么要走先设计骨架再设计序列的道路 2.传统的蛋白质骨架设计 a.简单粗暴的结构拼接 b.理性地突变氨基酸以得到理想的结构 c.RosettaRemodel 简介 3.基于优化能量的蛋白质骨架设计模型： SCUBA a.SCUBA 的基本原理其实很简单 b.核心难点以及克服方法 c.SCUBA 实际操作 d. 不足之处 4. 基于扩散模型的蛋白质骨架设计模型 a.改写时代的 RFdiffusion b. 结合了 GAN 的 SCUBA-D  c.结合了 VQ 的 PVQD 5.实际的骨架从头设计流程：以结合蛋白从头设计为例 a.功能口袋的选取 b.带限制条件的骨架生成 c.迭代优化 d. 特殊手段  第五天  基于Alphafold的下游应用 1. AF2多体蛋白结构预测的关键问题与解决途径 1.1 多序列比对中序列拼接配对问题 1.2 模板匹配问题 2. 利用AF2做蛋白和多肽柔性对接 2.1蛋白质表面几何物理化学互补问题 2.3 多肽柔性/构象处理 3. 利用AF2做蛋白结构和序列新设计 3.1 trrosetta幻想设计 3.2 AF2序列和结构幻想设计 4. 利用AF2做结构聚类发现新结构和功能 4.1 alphadatabase数据库结构简介与分析 4.2 foldseek结构比对工具介绍 4.3 新结构与新功能 5. 利用AF2做多构象预测和功能发现 5.1 MSA采样聚类分析及结构预测 5.2 不同MSA可以预测构象之间的转变和功能 6. 利用AF2的部分算法模块做模型质量评估和侧链构象等   6.1 三角机制提升蛋白质模型质量评估 6.2 局部三角机制和evoformer用于蛋白质侧链预测 第五天： 深度学习蛋白质序列设计 1. 传统的蛋白质序列设计 a.基于力场 b. 基于同源序列 c. 走向数据驱动： ABACUS 与 ABACUS2 d. ABACUS2 实际操作 2. 改变一个时代的杰作： ProteinMPNN a. 在 GNN 之前： 基于 CNN 的序列设计 b.ProteinMPNN 框架解析 c.ProteinMPNN 的广泛应 d.ProteinMPNN 实际操作 e. 潜在的问题 3. 其他的序列设计模型 a. ESM-IF 简介 b. ABACUS-R 简介 c. ABACUS-R 实际操作  4.神奇的 CarbonDesign a.受 AlphaFold 的启发 b.CarbonDesign 框架解析 c.CarbonDesign 成功的原因 d. 然而序列恢复率高并不等价于功能蛋白序列设计成功率高 5.基于结构的序列设计之梦魇： 本征无序区 a. 什么是本征无序区， 为什么会存在本征无序区 b. 本征无序区对蛋白质的功能是至关重要的 c. 本征无序区序列设计欠佳的核心原因 d. 当前的解决方案 第六天： 深度学习蛋白质设计前沿 1. 基于配体分子的功能蛋白设计 a. 骨架设计： RFdiffusionAllAtoms b. 序列设计： LigandMPNN 2. 结构-序列协同设计 a. 为什么理论上协同设计要优于传统设计 b.协同设计的难点 c.当前协同设计所取得的进展 3. 动态蛋白质结构预测与设计 4.KAN 在深度学习蛋白质设计中的潜在应用  a. 机器学习的可解释性 b.物理信息机器学习 c.Kolmogorov-Arnold 表示定理 d.KAN vs MLP e.KAN 潜在的优势 5.如何避免玻尔兹曼废墟是核心问题 6.展望未来 a.基于化学反应机理的酶从头设计 b.找到功能蛋白的蛋白质空间分布的 extropy 结构预测基础： 学生将学会通过生物信息学工具分析蛋白质序列，预测其二级结构和三维结构，并理解结构与功能之间的关联。 模型应用与评估： 学生将能够使用机器学习和深度学习模型进行蛋白质结构预测，同时学习如何评估模型的准确性和可靠性，选择正确的工具加以应用。 药物设计： 掌握与蛋白质结构预测相关的药物设计原理，学会设计靶向特定蛋白质的药物分子与多肽药物分子，理解蛋白类药靶相互作用的机制。 03 通过课程学习您将得到 基于深度学习的通用型蛋白设计模型近几年来发展迅速，本课程围绕蛋白设计基础与前沿工作展开讲述，从蛋白结构的预测与优化到蛋白的从头设计进行深度教学，本课程从零基础开始讲解，对基础知识进行详细讲解，并且会结合前沿文献讲解相关技术的应用。帮助学员们， 通过本次培训学员将了解蛋白质设计的底层逻辑与基本规则，并掌握蛋白质设计中的常见蛋白质设计算法的实际操作，具备基本的蛋白质设计算法开发的基础能力及前沿视野。 04 授课架构 1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿 2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握 3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答 05 课程解疑、学员评价以及资料 老师针对每一个学员的培训疑问都会耐心解答,每次培训将近2000余次解疑 将近300余页PPT还有相应代码，提供软件安装和指导，报名成功就发送预习视频进行预习 讲师介绍  主讲老师来自中国TOP高校，在国内顶尖教授组中从事人工智能蛋白质设计研究，目前的主要研究方向是酶与结合蛋白的设计和人工智能在进化尺度上的蛋白质设计。有着丰富的实战经验。已在Applied Physics Letters，eLife，Nucleic Acids Research，ACS Omega，Journal of Molecular Biology等国际知名期刊上发表数篇工作 02 CADD计算机辅助药物设计 课程目标 Science Technology CADD计算机辅助药物设计：依据生物化学、酶学、分子生物学以及遗传学等生命科学的研究成果，以计算机化学为基础，通过计算机的模拟、计算和预算药物与受体生物大分子之间的相互作用，考察药物与靶点的结构互补、性质互补等，设计出合理的药物分子。它是设计和优化先导化合物的方法，特别是在食品、生物、化学、医药、植物、疾病方面应泛！靶点的发现与确证是现代新药研发的第一步，也是新药创制过程中的瓶颈之一。 计算机辅助药物设计（computer aided drug design）是以计算机化学为基础，通过计算机的模拟、计算和预算药物与受体生物大分子之间的关系，设计和优化先导化合物的方法。计算机辅助药物设计实际上就是通过模拟和计算受体与配体的这种相互作用，进行先导化合物的优化与设计。计算机辅助药物设计大致包括活性位点分析法、数据库搜寻、全新药物设计 01 CADD计算机辅助药物设计课表 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 拓展对接的使用方法 1.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.涉及金属酶蛋白的对接 2.1金属酶蛋白-配体的背景介绍 2.2蛋白与配体分子的收集与预处理 2.3金属离子的处理 2.4金属辅酶蛋白-配体的对接 2.5结果分析 以人类法尼基转移酶及其抑制剂为例 3.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 分子动力学模拟（linux与gromacs使用安装） 1. linux系统的介绍和简单使用 1.1 linux常用命令行 1.2 linux上的常用程序安装 1.3体验：如何在linux上进行虚拟筛选 2.分子动力学的理论介绍 2.1分子动力学模拟的原理 2.2分子动力学模拟的方法及相关程序 2.3相关力场的介绍 3.gromacs使用及介绍 重点：主要命令及参数的介绍 4.origin介绍及使用 第六天 溶剂化分子动力学模拟的执行 1.一般的溶剂化蛋白的处理流程 2.蛋白晶体的准备 3.结构的能量最小化 4.对体系的预平衡 5.无限制的分子动力学模拟 6.分子动力学结果展示与解读 以水中的溶菌酶为例 第七天 蛋白-配体分子动力学模拟的执行 1.蛋白-配体在分子动力学模拟的处理流程 2.蛋白晶体的准备 3.蛋白-配体模拟初始构象的准备 4.配体分子力场拓扑文件的准备 4.1高斯的简要介绍 4.2 ambertool的简要介绍 4.3生成小分子的力场参数文件 5.对复合物体系温度和压力分别限制的预平衡 6.无限制的分子动力学模拟 7.分子动力学结果展示与解读 8.轨迹后处理及分析 以新冠病毒蛋白主蛋白酶靶点及相关抑制剂为例       02 课程目标 让学员熟练掌握：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、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、分子动力学等技术 03 培训对象 目前计算机辅助药物设计受众人体众多，列如CADD、药物设计、药学、药物研发、药物筛选、新药研发、药物化学、生物制药、免疫、天然产物、兽药研发，生物信息、中药药理、中药化学、网络药理、结构药理、食品安全、食品风味、食药研发、食品研发、抗肿瘤药物、肿瘤免疫、酶工程、遗传、抗体药物、农业工程、化学、有机合成、有机化学、结构生物、合成生物等众多科研人员。 04 培训架构 1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿 2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握 3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答 05 授课资料 老师备课PPT将近1000余页，培训软件都会提供以及指导安装    目前为止已经举办30余期，参会学员达3000余人，学员评价一致非常满意，算是国内CADD计算机辅助药物设计最好的培训课程 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，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，有十余年的研究经验，以第一作发表论文20余篇 讲师介绍  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，有十余年的研究经验。 授课时间安排 01 深度学习蛋白质设计授课时间 2024.08.17-2024.08.18（9：00-11：30）--（13：30-17：00） 2024.08.24-2024.08.25（9：00-11：30）--（13：30-17：00） 2024.08.28-2024.08.29（9：00-11：30）--（13：30-17：00） 共计全6天的课 通过腾讯会议直播    线上实操    提供全部录播 02 CADD计算机辅助药物设计授课时间 2024.08.10-2024.08.11（9：00-11：30）--（13：30-17：00） 2024.08.13-2024.08.16（9：00-11：30）--（13：30-17：00） 2024.8.20-2024.08.23（9：00-11：30）--（13：30-17：00） 共计全7天的课 通过腾讯会议直播    线上实操    提供全部录播 培训费用及福利 课程报名费用： 深度学习蛋白质设计： 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￥6480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： 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￥5480元 （含报名费、培训费、资料费、提供课后全程回放资料） 重磅优惠: 报二送一（同时报名两个班免费赠送一个学习名额赠送班任选） 报四送二（同时报名四个班免费赠送两个学习名额赠送班任选） 优惠1： 两班同报：10880元  （原价18640） 三班同报：14880元   （原价23620） 可免费学习一年特惠：24880元 （可免费学习一整年本单位举办的任意课程） 可免费学习两年特惠：（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） 报名学习课程可赠送往期课程回放（报多少赠多少） （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！ 回访二：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！AIDD人工智能药物设计培训！ 回放九：本课程为视频课！机器学习代谢组学培训！ 回放十：本课程为视频课！深度学习基因组学培训！ （蓝色字体可以点击查看       均为培训视频课） 培训特色及福利 1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿 2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握 3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答 授课方式：通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，电子PPT和教程开课前一周提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高！ 腾讯会议实时直播解答|手把手带着操作 学员对于培训给予高度评价 学员培训后投顶刊 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 引用本次参会学员的一句话： 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 往期参会单位 ▼ 国外院系高校；有来自麻省理工大学、University of Bristol (布里斯托大学)、加州伯克利大学、Osaka University(大版大学）、乔治梅森大学、加州理工大学、曼彻斯特大学 、莱斯大学、波士顿大学、德州 农工大学、德雷克大学、美国联合大学、普林斯顿大学、斯坦福大学、Imperial College London、KAUSTuniversity、理海大学、TheUniversityofQueensland、澳大利亚昆士兰大学、耶鲁大学、牛津大学、剑桥大学、匹兹堡大学、悉尼大学、多伦多大学、西雅图华盛顿大学、伦敦大学、杜克大学、东京大学、哥伦比亚大学、康奈尔大学、纽约大学、西北大学、布朗大学、华盛顿大学等  国内院系高校；有来自中山大学、清华大学、浙江大学、北京大学第一医院、中国医学科学院北京协和医院、西北民族大学、西南大学、山东大学、启元实验室、中国人民解放军总医院第一医学中心、广东海洋大学、武汉大学、中国农业大学、河南师范大学、南京工业大学、上海交通大学、南方科技大学、南京大学、中国医学科学院基础医学研究所、青海省农林科学院、天津中医药大学第一附属医院、山东大学、黑龙江八一农垦大学、南昌大学第二附属医院、台州市中心医院（台州学院附属医院）、宁波大 学附属人民医院、新疆农业大学、北京林业大学、广西医科大学、湖南文理学院、滨州医学院、滨州医学 院烟台附属医院、华南师范大学、中国环境科学研究院、云南师范大学、昆明理工大学、湖北医药学院、临港实验室、 苏州大学、福州大学、南方医院、南昌大学第二附属医院、深圳市中医院、湖南文理学院、河南科技学院、福建省立医院、中南大学湘雅医院、深圳市中医院、省立同德医院、内蒙古科技大学包头师范学院、 乌鲁木齐市疾病预防控制中心、中国林业科学研究院林业研究所、中国农业科学院兰州畜牧与兽药研究 所、鲁东大学、河北工程大学、南方医科大学珠江医院、首都医科大学附属北京妇产医院、重庆医科大学 附属第二医院、复旦大学上海医学院、陕西中医药大学附属医院、中国 医学科学院血液病医院（中国医学科学院血液学研究所）、深圳北京大学、 香港科技大学医学中心、天津市肿瘤医院、陆军特色医学中心、空军军医大学第一附属医院、江南大学、 中国科学院深圳先进技术研究院等5000余名学员还有很多公司和科研院所以及高校！感谢对我们培训的认可！还有许多因为时间冲突无法参加。这次我们诚挚邀请您来参加！ 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。

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。深度学习在蛋白质设计领域的前沿研究主要集中在蛋白质结构预测、蛋白质序列设计、蛋白质-蛋白质相互作用预测、蛋白质功能注释和蛋白质优化与筛选等方面。这些研究方向为开发新的功能性蛋白质和药物靶点提供了新思路，并在生物医学、药物研发和生物材料等领深度学习在蛋白质设计领域的应用被认为是当前的前沿研究方向之一，深度学习在蛋白质设计领域的不断发展为新药研发、生物制药、生命科学研究等领域带来了许多创新和机会              2024年最值得期待的三大技术一、深度学习蛋白质设计二、CADD计算机辅助药物设计三、AIDD人工智能药物发现设计echnology深度学习在蛋白质设计领域的前沿研究主要集中在蛋白质结构预测、蛋白质序列设计、蛋白质-蛋白质相互作用预测、蛋白质功能注释和蛋白质优化与筛选等方面。这些研究方向为开发新的功能性蛋白质和药物靶点提供了新思路，并在生物医学、药物研发和生物材料等领深度学习在蛋白质设计领域的应用被认为是当前的前沿研究方向之一，蛋白质结构预测与设计领域的未来将充满创新和跨学科的发展，为解决生物医学、生物工程和生物能源等方面的重大问题提供更多可能性。蛋白质折叠和结构预测：深度学习模型可以预测蛋白质的三维结构，这对理解蛋白质的功能和开展蛋白质设计至关重要。通过深度神经网络模型和注意力机制的应用，可以更准确地预测蛋白质的折叠和结构。蛋白质序列设计：深度学习可以用于预测蛋白质序列的功能和稳定性。通过神经网络模型和自然语言处理技术的结合，可以设计出具有特定功能和稳定性的蛋白质序列，例如酶活性、药物靶点等。蛋白质-蛋白质相互作用预测：深度学习模型可以预测蛋白质和蛋白质之间的相互作用，从而帮助设计新的蛋白质复合物和抗体。蛋白质功能注释和预测：深度学习可以进行蛋白质功能注释和预测，识别蛋白质的功能域、结构域和功能位点等。这有助于预测蛋白质的功能和相应的生物学作用。蛋白质优化和筛选：深度学习可以用于优化和筛选设计出的蛋白质。通过神经网络和生成对抗网络的应用，可以提高蛋白质的稳定性、可溶性和活性，以满足特定的设计要求。蛋白质-蛋白质相互作用预测：深度学习可用于预测蛋白质与蛋白质之间的相互作用，从而实现蛋白质和配体的高效率设计和筛选等。近年来发过哪些顶刊以及方向：Nature communications| 使用基于结构的残基偏好进行蛋白质设计Nature biotechnology| 用于功能性蛋白质设计的机器学习Scientific reports| Deep-WET：一种基于深度学习的方法，使用具有加权特征的词嵌入技术预测 DNA 结合蛋白Cell Systems| 深度学习为蛋白设计开启了新时代Nat. Comput. Sci| 基于深度学习的无rotamer蛋白质设计Comput Struct Biotech| 深度学习用于蛋白质设计：从结构到序列与功能本课程围绕蛋白设计基础与前沿工作展开讲述，从蛋白结构的预测与优化到蛋白的从头设计进行深度教学，本课程主要面向有编程基础的学员，对基础知识进行详细讲解，并且会结合前沿文献讲解相关技术的应用。帮助学员们， 通过本次培训学员将了解蛋白质设计的底层逻辑与基本规则，并掌握蛋白质设计中的常见蛋白质设计算法的实际操作，具备基本的蛋白质设计算法开发的基础能力及前沿视野。01深度学习蛋白质设计课表第一天   Python编程基础1. Python 基础➣Python 简介：了解Python的历史、特点和与其他编程语言的比较。➣安装和设置环境：安装Python，设置Python开发环境（如Anaconda、Jupyter notebook）。➣基本语法：数据类型（整数、浮点数、字符串、布尔值）、变量、基本运算符。➣控制结构：条件语句（if-else）、循环语句（for循环、while循环）。➣函数：定义函数、参数、返回值、作用域、递归。➣数据结构：列表、元组、字典、集合、操作和常用方法。➣文件操作：读写文件，文件与异常处理。2. Python 进阶➣类和对象：面向对象编程基础，创建类，实例化对象，理解封装、继承和多态。➣模块和包：导入标准模块，使用第三方包，创建自定义模块和包。➣高级功能：列表推导式、生成器、迭代器、装饰器和匿名函数。3. Python 在科学计算中的应用➣NumPy：数组创建、数组操作、数学计算、线性代数等。➣Matplotlib：基础图表、科学图形、图表定制。4. 数据分析与可视化➣Pandas：数据结构（Series、DataFrame）、数据载入、数据清洗、数据统计、数据合并。➣数据可视化：使用 Matplotlib 和 Seaborn 进行高级数据可视化。5. 蛋白质设计中的特定应用➣BioPython：序列处理、数据库访问、生物学数据的分析。➣脚本编写：自动化常见的蛋白质设计任务，如序列对比、结构预测。➣机器学习：使用Scikit-learn进行特征提取、模型训练、评估和优化。6. 实战项目➣项目1：蛋白质序列数据分析，如统计特定序列的频率、可视化序列分布等。➣项目2：蛋白质结构预测，使用机器学习技术预测蛋白质的二级结构或功能位点。➣项目3：开发一个小型的蛋白质设计工具，集成数据处理、分析及可视化功能。第二天  shell命令行操作基础1. Shell环境简介➣什么是Shell：了解Shell是什么，以及它如何与操作系统交互。➣不同类型的Shell：Bash, Zsh, Tcsh的介绍。➣访问Shell：如何打开终端窗口，基础的命令行界面操作。2. 基础命令➣文件系统操作：cd, ls, pwd, mkdir, rm, touch 等命令的使用。➣文件操作：cat, more, less, head, tail, grep, find等命令。➣权限和所有权：使用chmod, chown, chgrp改变文件的权限和所有权。➣文本处理：echo, cat, cut, sort, uniq, tr, awk, sed等工具的基本使用。➣归档和压缩：tar, gzip, gunzip, zip, unzip等命令。3. Shell脚本编写➣创建和执行Shell脚本：如何编写一个简单的脚本并使其可执行。➣变量和数据类型：学习如何在脚本中定义和使用变量。➣流程控制：➣条件语句：if, else, elif, case等语句的使用。➣循环结构：for, while, until循环的使用。➣函数：如何定义和使用函数。➣输入和输出：处理用户输入和脚本输出。➣引用和转义字符：学习如何在命令行中正确使用单引号、双引号和转义字符。4. 高级Shell编程➣调试Shell脚本：如何调试Shell脚本，包括设置和使用调试选项。➣正则表达式：基本正则表达式的应用，结合grep, sed, awk使用。➣环境管理：了解PATH和其他环境变量的作用和管理方法。➣脚本的安全性：编写安全的脚本以避免常见的安全问题。5. 实用案例和项目➣数据备份脚本：创建一个自动备份你的重要文件的脚本。➣文件整理脚本：编写一个自动整理下载文件夹中文件的脚本。➣PDB文件分析脚本的编写第三天 蛋白质设计基础: 从经典力场到深度学习1. 如何计算蛋白质构象的能量？a) 蛋白质可视化与编辑常用方法i. pymol使用方法简介ii. chimera使用方法简介iii. pdb文件格式详解iv. 使用python biopython、pymol等库编辑蛋白质结构b) 分子力学、溶剂化能简介i. 分子力学公式形式ii. 溶剂化能的计算方法iii. MM/PBSA方法计算结合自由能2. 基于统计势函数的蛋白质设计方法——Rosettaa) 统计势函数的一般定义b) 蛋白质设计中的统计势函数i. Rosetta统计势定义ii. Rosetta能量函数常见项及物理意义c) 基于Rosetta势函数的蛋白设计i. 设计流程ii. 实验结果3. 蛋白-蛋白对接的强大——无先验知识的蛋白质药物设计流程a) 蛋白-蛋白对接简介i. 蛋白-蛋白对接的定义ii. RifGen对接方法介绍b) 蛋白质药物设计i. 设计流程ii. 实验结果4. 深度学习强势登场——蛋白质设计模型ProteinMPNNa) MPNN 消息传递神经网络简介b) ProteinMPNN模型简介i. 模型结构介绍（输入、输出、参数……）ii. 模型使用（主编程语言Python）c) 基于ProteinMPNN的蛋白质设计i. 设计流程ii. 实验结果5. 平分秋色还是天壤之别？两种蛋白设计方法的比较a) 深度学习模型具有更高的序列恢复率b) 深度学习模型可实现rosetta、alphafold不可完成的设计任务c) 深度学习模型的短板第四天 Alphafold vs Rosettafold1.蛋白结构预测背景介绍2.早期蛋白质结构预测算法：从统计分析到深度残差网络2.1 直接耦合分析和互信息计算2.2 深度残差网络和蛋白质接触图预测2.3 蛋白质距离矩阵预测3. 几何约束的梯度下降法到端到端深度学习的蛋白结构预测3.1 trrosetta和alphafold简介3.2 端到端几何深度学习方法介绍4. AF和AF2的差异与创新4.1 第一代Alphafold简介4.2 Alphafold2详解5. Rosettafold详解5.1 SE3网络 第五天  基于Alphafold的下游应用1. AF2多体蛋白结构预测的关键问题与解决途径1.1 多序列比对中序列拼接配对问题1.2 模板匹配问题2. 利用AF2做蛋白和多肽柔性对接2.1蛋白质表面几何物理化学互补问题2.3 多肽柔性/构象处理3. 利用AF2做蛋白结构和序列新设计3.1 trrosetta幻想设计3.2 AF2序列和结构幻想设计4. 利用AF2做结构聚类发现新结构和功能4.1 alphadatabase数据库结构简介与分析4.2 foldseek结构比对工具介绍4.3 新结构与新功能5. 利用AF2做多构象预测和功能发现5.1 MSA采样聚类分析及结构预测5.2 不同MSA可以预测构象之间的转变和功能6. 利用AF2的部分算法模块做模型质量评估和侧链构象等  6.1 三角机制提升蛋白质模型质量评估6.2 局部三角机制和evoformer用于蛋白质侧链预测第六天  蛋白质的从头生成模型1. Rosettafold的基本架构回顾2. 基于Rosettafold的改进a) 有关扩散模型b) 基于扩散模型的模型修改3. RFdiffusion实现通用性蛋白结构生成a) 蛋白质binder生成b) 基于骨架结构的蛋白质结构生成c) 蛋白质单体的从头生成d) 多聚体蛋白的从头生成4. ProteinGenerator实现蛋白质骨架与序列的co-designa) 隐空间中的蛋白质序列-结构的联合分布b) 与rfdiffusion的异同5. Rosettafold AA实现多类生物大分子结构预测与生成a) 加入小分子结构预测器b) 将局部坐标系迁移到小分子结构6. Chroma的基本构架与实现a) 模型讲解b) 利用chroma逼近蛋白构象空间全空间采样与生成第七天  大语言模型在蛋白质设计中的应用及多肽设计1. ProGEN的基本实现a) 模型构架讲解b) 与基于结构方法的比较2. ProGEN的性能与改进 3. ESM-fold的基本构架a) ESM网络构架b) ESMfold网络讲解c) 与alphafold方法的对比4. ESM-fold的性能评估5. 基于大语言模型的蛋白质生成模型的下游应用a) 蛋白质结构的快速预测b) 大型蛋白复合物结构预测6. 多肽设计与蛋白质设计的区别与联系a) 分子结构稳定性i. 二级结构含量ii. 氢键网络与局部二级结构b) 分子的功能性异同c) 蛋白质设计方法在多肽设计面临的瓶颈7. 多肽设计算法a) 基于Rosetta实现多肽设计i. Flexpepdockii. Anchor extensionb) 基于RF diffusion实现多肽设计i. 参数的设定与优化方案ii. 生成结构的评估c) 基于alphafold 梯度下降进行多肽骨架和序列设计d) 多肽对接算法i. 基于Autodock 的多肽对接ii. 基于alphafold的多肽柔性对接iii. 其余对接算法8. 基于多肽蛋白复合物训练的深度学习多肽设计算法02课程目标结构预测基础： 学生将学会通过生物信息学工具分析蛋白质序列，预测其二级结构和三维结构，并理解结构与功能之间的关联。模型应用与评估： 学生将能够使用机器学习和深度学习模型进行蛋白质结构预测，同时学习如何评估模型的准确性和可靠性，选择正确的工具加以应用。药物设计： 掌握与蛋白质结构预测相关的药物设计原理，学会设计靶向特定蛋白质的药物分子与多肽药物分子，理解蛋白类药靶相互作用的机制。03通过课程学习您将得到基于深度学习的通用型蛋白设计模型近几年来发展迅速，本课程围绕蛋白设计基础与前沿工作展开讲述，从蛋白结构的预测与优化到蛋白的从头设计进行深度教学，本课程从零基础开始讲解，对基础知识进行详细讲解，并且会结合前沿文献讲解相关技术的应用。帮助学员们， 通过本次培训学员将了解蛋白质设计的底层逻辑与基本规则，并掌握蛋白质设计中的常见蛋白质设计算法的实际操作，具备基本的蛋白质设计算法开发的基础能力及前沿视野。04授课架构1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答05课程解疑、学员评价以及资料老师针对每一个学员的培训疑问都会耐心解答,每次培训将近2000余次解疑将近300余页PPT还有相应代码，提供软件安装和指导，报名成功就发送预习视频进行预习主讲老师们来自国内top1高校，组内工作主要聚焦新型蛋白质设计与蛋白质结构预测算法开发与自动化药物高通量筛选方向，已在Nature Chemistry子刊， JCAS，Angew，JMC，JCTC等权威期刊上发表SCI检索论文20余篇02CADD计算机辅助药物设计课程目标Science TechnologyCADD计算机辅助药物设计：依据生物化学、酶学、分子生物学以及遗传学等生命科学的研究成果，以计算机化学为基础，通过计算机的模拟、计算和预算药物与受体生物大分子之间的相互作用，考察药物与靶点的结构互补、性质互补等，设计出合理的药物分子。它是设计和优化先导化合物的方法，特别是在食品、生物、化学、医药、植物、疾病方面应泛！靶点的发现与确证是现代新药研发的第一步，也是新药创制过程中的瓶颈之一。计算机辅助药物设计（computer aided drug design）是以计算机化学为基础，通过计算机的模拟、计算和预算药物与受体生物大分子之间的关系，设计和优化先导化合物的方法。计算机辅助药物设计实际上就是通过模拟和计算受体与配体的这种相互作用，进行先导化合物的优化与设计。计算机辅助药物设计大致包括活性位点分析法、数据库搜寻、全新药物设计   01CADD计算机辅助药物设计课表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拓展对接的使用方法1.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.涉及金属酶蛋白的对接2.1金属酶蛋白-配体的背景介绍2.2蛋白与配体分子的收集与预处理2.3金属离子的处理2.4金属辅酶蛋白-配体的对接2.5结果分析以人类法尼基转移酶及其抑制剂为例3.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分子动力学模拟（linux与gromacs使用安装）1. linux系统的介绍和简单使用1.1 linux常用命令行1.2 linux上的常用程序安装1.3体验：如何在linux上进行虚拟筛选2.分子动力学的理论介绍2.1分子动力学模拟的原理2.2分子动力学模拟的方法及相关程序2.3相关力场的介绍3.gromacs使用及介绍重点：主要命令及参数的介绍4.origin介绍及使用第六天溶剂化分子动力学模拟的执行1.一般的溶剂化蛋白的处理流程2.蛋白晶体的准备3.结构的能量最小化4.对体系的预平衡5.无限制的分子动力学模拟6.分子动力学结果展示与解读以水中的溶菌酶为例第七天蛋白-配体分子动力学模拟的执行1.蛋白-配体在分子动力学模拟的处理流程2.蛋白晶体的准备3.蛋白-配体模拟初始构象的准备4.配体分子力场拓扑文件的准备4.1高斯的简要介绍4.2 ambertool的简要介绍4.3生成小分子的力场参数文件5.对复合物体系温度和压力分别限制的预平衡6.无限制的分子动力学模拟7.分子动力学结果展示与解读8.轨迹后处理及分析以新冠病毒蛋白主蛋白酶靶点及相关抑制剂为例      02课程目标让学员熟练掌握：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、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、分子动力学等技术03培训对象目前计算机辅助药物设计受众人体众多，列如CADD、药物设计、药学、药物研发、药物筛选、新药研发、药物化学、生物制药、免疫、天然产物、兽药研发，生物信息、中药药理、中药化学、网络药理、结构药理、食品安全、食品风味、食药研发、食品研发、抗肿瘤药物、肿瘤免疫、酶工程、遗传、抗体药物、农业工程、化学、有机合成、有机化学、结构生物、合成生物等众多科研人员。04培训架构1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答05授课资料老师备课PPT将近1000余页，培训软件都会提供以及指导安装    目前为止已经举办30余期，参会学员达3000余人，学员评价一致非常满意，算是国内CADD计算机辅助药物设计最好的培训课程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，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，有十余年的研究经验，以第一作发表论文20余篇SPORTS03AIDD人工智能药物发现与设计发现课程目标Science Technology AIDD人工智能药物发现与设计:是人工智能和机器学习技术使制药领域实现了现代化。目前机器学习和深度学习算法已被应用于多肽合成、虚拟筛选、毒性预测、药物监测和释放、药效团建模、定量构效关系、药物重定位、多药理和生理活性等药物发现过程。可以很好的将传统的面向化学的药物发现与人工智能药物设计相结合。此外，世界各地的系统生物学和化学科学家与计算科学家合作，开发现代ML算法和原理，大大的可以促进药物的发现和开发。   01AIDD人工智能药物发现与设计课表第一天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》第六天深度学习的蛋白质-配体相互作用预测蛋白质基本知识介绍蛋白质的基本格式：序列、二级结构、三级结构多重序列对比数据库介绍与相关数据爬取PDB数据库UniProt数据库KLIFS数据库基于RDKit的蛋白质基本处理基于RDKit的药效团特征与可视化基于RDKit的骨架和片段处理基于RDKit的分子3D构象生成与优化项目实战：基于序列的蛋白质属性预测项目实战：基于结构的蛋白质属性预测项目实战：基于深度学习的蛋白质-配体相互作用基于深度学习的结合位点比较和脱靶预测基于深度学习的蛋白质结合位点检测基于分子对接预测小分子在蛋白质结合位点的结合模式蛋白质-配体相互作用模型搭建基于蛋白质-配体相互作用分析器PLIP深入了解蛋白质-配体相互作用基于机器学习的分子对接来预测蛋白质-配体的结合亲和力（回归任务）基于三维构象的蛋白质-配体对接及NGLView可视化基于蛋白质三维数据使用原子卷积网络进行蛋白质-配体相互作用预测02课程目标AIDD人工智能药物发现与设计课程：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培训历程目前为止已经举办30余期，参会学员达2800余人，学员评价一致非常满意，填补了国内人工智能药物研发技术的空白04培训对象目前AIDD药物研发设计受众人体众多，列如CADD、药物设计、药学、药物研发、药物筛选、新药研发、药物化学、生物制药、免疫、天然产物、兽药研发，生物信息、中药药理、中药化学、网络药理、结构药理、食品安全、食品风味、食药研发、食品研发、抗肿瘤药物、肿瘤免疫、酶工程、遗传、抗体药物、农业工程、化学、有机合成、有机化学、结构生物、合成生物等众多科研人员。05培训架构1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答05授课老师 AIDD授课老师老师，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。授课时间安排01深度学习蛋白质设计授课时间2024.06.08-2024.06.09（9：00-11：30）--（13：30-17：00）2024.06.15-2024.06.16（9：00-11：30）--（13：30-17：00）2024.06.22-2024.06.23（9：00-11：30）--（13：30-17：00）2024.06.29（9：00-11：30）--（13：30-17：00）共计全7天的课 通过腾讯会议直播    线上实操    提供全部录播02CADD计算机辅助药物设计授课时间2024.06.08-2024.06.09（9：00-11：30）--（13：30-17：00）2024.06.15-2024.06.16（9：00-11：30）--（13：30-17：00）2024.06.22-2024.06.23（9：00-11：30）--（13：30-17：00）2024.06.29（9：00-11：30）--（13：30-17：00）共计全7天的课 通过腾讯会议直播    线上实操    提供全部录播 03AIDD人工智能药物发现与设计授课时间2024.06.11-2024.06.14 （19：00-22：00）2024.06.17-2024.06.20（19：00-22：00）2024.06.24-2024.06.27（19：00-22：00）共计全6天的课 通过腾讯会议直播    线上实操     提供全部录播培训费用及福利课程报名费用：深度学习蛋白质设计：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￥6480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与AIDD药物发现与设计：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￥5480元 （含报名费、培训费、资料费、提供课后全程回放资料）重磅优惠:报二送一（同时报名两个班免费赠送一个学习名额赠送班任选）报四送二（同时报名四个班免费赠送两个学习名额赠送班任选）优惠1：两班同报：10880元  （原价18640）三班同报：14880元   （原价23620）可免费学习一年特惠：24880元 （可免费学习一整年本单位举办的任意课程）可免费学习两年特惠：（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）报名学习课程可赠送往期课程回放（报多少赠多少）（可点击跳转详情链接）：回放一：机器学习生物医学回放二：机器学习单细胞分析专题回放三：单细胞空间转录组专题回放四：比较基因组学专题回放五：机器学习蛋白组学专题回放六：机器学习微生物专题回放七：蛋白质晶体结构解析回放八：机器学习代谢组学技术培训特色及福利1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答授课方式：通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，电子PPT和教程开课前一周提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高！腾讯会议实时直播解答|手把手带着操作学员对于培训给予高度评价学员培训后投顶刊报名咨询方式（请二维码扫描下方微信） 微信：766728764 电子邮箱：m15238680799@163.com 电话：15238680799引用本次参会学员的一句话：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！祝愿各位心想事成往期参会单位▼国外院系高校；有来自麻省理工大学、University of Bristol (布里斯托大学)、加州伯克利大学、Osaka University(大版大学）、乔治梅森大学、加州理工大学、曼彻斯特大学 、莱斯大学、波士顿大学、德州 农工大学、德雷克大学、美国联合大学、普林斯顿大学、斯坦福大学、Imperial College London、KAUSTuniversity、理海大学、TheUniversityofQueensland、澳大利亚昆士兰大学、耶鲁大学、牛津大学、剑桥大学、匹兹堡大学、悉尼大学、多伦多大学、西雅图华盛顿大学、伦敦大学、杜克大学、东京大学、哥伦比亚大学、康奈尔大学、纽约大学、西北大学、布朗大学、华盛顿大学等 国内院系高校；有来自中山大学、清华大学、浙江大学、北京大学第一医院、中国医学科学院北京协和医院、西北民族大学、西南大学、山东大学、启元实验室、中国人民解放军总医院第一医学中心、广东海洋大学、武汉大学、中国农业大学、河南师范大学、南京工业大学、上海交通大学、南方科技大学、南京大学、中国医学科学院基础医学研究所、青海省农林科学院、天津中医药大学第一附属医院、山东大学、黑龙江八一农垦大学、南昌大学第二附属医院、台州市中心医院（台州学院附属医院）、宁波大 学附属人民医院、新疆农业大学、北京林业大学、广西医科大学、湖南文理学院、滨州医学院、滨州医学 院烟台附属医院、华南师范大学、中国环境科学研究院、云南师范大学、昆明理工大学、湖北医药学院、临港实验室、 苏州大学、福州大学、南方医院、南昌大学第二附属医院、深圳市中医院、湖南文理学院、河南科技学院、福建省立医院、中南大学湘雅医院、深圳市中医院、省立同德医院、内蒙古科技大学包头师范学院、 乌鲁木齐市疾病预防控制中心、中国林业科学研究院林业研究所、中国农业科学院兰州畜牧与兽药研究 所、鲁东大学、河北工程大学、南方医科大学珠江医院、首都医科大学附属北京妇产医院、重庆医科大学 附属第二医院、复旦大学上海医学院、陕西中医药大学附属医院、中国 医学科学院血液病医院（中国医学科学院血液学研究所）、深圳北京大学、 香港科技大学医学中心、天津市肿瘤医院、陆军特色医学中心、空军军医大学第一附属医院、江南大学、 中国科学院深圳先进技术研究院等5000余名学员还有很多公司和科研院所以及高校！感谢对我们培训的认可！还有许多因为时间冲突无法参加。这次我们诚挚邀请您来参加！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。