第一天：導(dǎo)論?+ 工具資源 + Baker組設(shè)計流程

課程導(dǎo)論與AI在生物醫(yī)藥領(lǐng)域的應(yīng)用

課程內(nèi)容、目標(biāo)和安排介紹

AI在現(xiàn)代生物學(xué)和醫(yī)學(xué)研究中的革命性作用

蛋白質(zhì)設(shè)計與藥物發(fā)現(xiàn)的基本概念

重要的工具和資源網(wǎng)站

蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫:?PDB, AlphaFold DB

序列數(shù)據(jù)庫:?UniProt, GenBank

計算工具平臺:?Google Colab, PyMOL, ChimeraX

在線服務(wù):?Robetta, SWISS-MODEL

Baker諾獎實驗室的蛋白質(zhì)設(shè)計哲學(xué)與流程

介紹David Baker教授和IPD（蛋白質(zhì)設(shè)計研究所）

核心思想:從功能出發(fā)，設(shè)計全新的蛋白質(zhì)結(jié)構(gòu)。

Rosetta軟件:蛋白質(zhì)設(shè)計的基石，從序列到結(jié)構(gòu)，再從結(jié)構(gòu)到序列。

設(shè)計流程:確定問題:識別需要解決的生物學(xué)問題（如，中和病毒、靶向癌細(xì)胞）。結(jié)構(gòu)設(shè)計:在計算機(jī)上設(shè)計能夠?qū)崿F(xiàn)該功能的蛋白質(zhì)三維結(jié)構(gòu)。序列反向設(shè)計:找到能夠折疊成目標(biāo)結(jié)構(gòu)的氨基酸序列。實驗驗證:通過濕實驗（wet lab）合成并驗證設(shè)計的蛋白質(zhì)。

實例:講解利用Rosetta設(shè)計新冠病毒中和蛋白或自組裝納米籠的案例。

第二天：深度學(xué)習(xí)基礎(chǔ)

NumPy與PyTorch入門

NumPy:學(xué)習(xí)多維數(shù)組（Tensor）的操作，?PyTorch:介紹其基本概念，如張量、自動求導(dǎo)（autograd）和計算圖。實例:使用NumPy進(jìn)行矩陣運(yùn)算，使用PyTorch搭建一個簡單的線性回歸模型。

神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型

全連接網(wǎng)絡(luò)?(DNN):基本結(jié)構(gòu)和原理。卷積神經(jīng)網(wǎng)絡(luò)?(CNN):在圖像識別中的應(yīng)用，以及如何應(yīng)用于結(jié)構(gòu)生物學(xué)（如：將蛋白質(zhì)結(jié)構(gòu)視為3D圖像）。循環(huán)神經(jīng)網(wǎng)絡(luò)?(RNN/LSTM):處理序列數(shù)據(jù)的利器，及其在蛋白質(zhì)序列分析中的應(yīng)用。

展望深度學(xué)習(xí)在生物醫(yī)藥中的應(yīng)用：基因組學(xué)，醫(yī)學(xué)影像，蛋白質(zhì)組學(xué)

實踐：使用Google Colab，加載一個簡單的生物數(shù)據(jù)集（如，根據(jù)蛋白質(zhì)序列判斷其是否為膜蛋白）。利用PyTorch搭建一個簡單的CNN或RNN模型，對數(shù)據(jù)進(jìn)行分類，并理解其基本訓(xùn)練過程。

第三天：AlphaFold系列預(yù)測模型

蛋白質(zhì)折疊問題與AlphaFold的誕生

“Levinthal’s paradox”和蛋白質(zhì)折疊問題的復(fù)雜性。

CASP競賽和AlphaFold 1的突破。

AlphaFold 2的核心思想:

Evoformer模塊：融合多序列比對（MSA）和蛋白質(zhì)結(jié)構(gòu)信息。Attention機(jī)制的應(yīng)用。端到端的結(jié)構(gòu)預(yù)測。

AlphaFold 2的結(jié)構(gòu)與原理詳解

輸入特征：MSA和氨基酸對的幾何關(guān)系。輸出：每個殘基的精確三維坐標(biāo)和pLDDT置信度分?jǐn)?shù)。PAE（Predicted Aligned Error）圖的解讀和應(yīng)用。

AlphaFold-Multimer 和 AlphaFold 3

AlphaFold-Multimer:從單體到復(fù)合物的結(jié)構(gòu)預(yù)測。

AlphaFold 3:預(yù)測范圍擴(kuò)展到蛋白質(zhì)、DNA、RNA、配體等多種分子類型，及其在藥物設(shè)計中的巨大潛力。

第四天：RFdiffusion系列生成模型 + MPNN?

生成式AI與蛋白質(zhì)設(shè)計

從“預(yù)測”到“創(chuàng)造”的范式轉(zhuǎn)變。

介紹擴(kuò)散模型（Diffusion Model）的基本原理（加噪和去噪過程）。

RoseTTAFold Diffusion (RFdiffusion) 詳解

RFdiffusion如何從隨機(jī)噪聲中生成全新的蛋白質(zhì)骨架。無條件生成（Unconditional generation）基于骨架的生成（Scaffolding）功能位點(diǎn)限定生成（Inpainting）

ProteinMPNN

功能:在給定的蛋白質(zhì)骨架上設(shè)計出合理的氨基酸序列（Inverse Folding）。

MPNN如何與RFdiffusion協(xié)同工作：RFdiffusion生成骨架，MPNN填充序列。

任務(wù):使用RFdiffusion的Colab notebook，嘗試生成一個具有特定對稱性（如C3對稱）的蛋白質(zhì)骨架。將生成的骨架輸入到ProteinMPNN中，獲得氨基酸序列。使用AlphaFold 2驗證生成的序列是否能折疊成預(yù)期的結(jié)構(gòu)。

第五天：ESM語言模型和抗體/多肽藥物和酶設(shè)計全流程

蛋白質(zhì)語言模型?(Protein Language Models, PLM)

將蛋白質(zhì)序列視為“語言”，氨基酸視為“單詞”。

ESM (Evolutionary Scale Modeling) 系列模型:

ESM-1b, ESM-2: 從海量序列中學(xué)習(xí)蛋白質(zhì)的語法和語義。ESM-IF1 (Inverse Folding): 結(jié)構(gòu)到序列的預(yù)測。ESMFold: 無需MSA的快速結(jié)構(gòu)預(yù)測。

抗體/多肽藥物設(shè)計全流程

靶點(diǎn)發(fā)現(xiàn)與驗證:確定要靶向的抗原；傳統(tǒng)方法:噬菌體展示、雜交瘤技術(shù)；親和力與特異性優(yōu)化:通過計算模擬和定點(diǎn)突變進(jìn)行優(yōu)化；成藥性評估:穩(wěn)定性、溶解度、免疫原性預(yù)測。

深度學(xué)習(xí)輔助的酶工程

介紹如何利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)來指導(dǎo)和加速酶的定向進(jìn)化。并掌握利用計算模型優(yōu)化酶性能的前沿方法。

基礎(chǔ)知識講解：酶、能量與適應(yīng)性景觀；酶催化與過渡態(tài)理論?(Transition State Theory)；Theozyme與計算酶設(shè)計:適應(yīng)性景觀 (Fitness Landscape)；

從諾獎工作看酶的定向進(jìn)化（Frances H. Arnold定向進(jìn)化領(lǐng)域的先驅(qū)）傳統(tǒng)定向進(jìn)化實驗流程與機(jī)器學(xué)習(xí)指導(dǎo)的定向進(jìn)化

第一天

合成生物學(xué)基礎(chǔ)概念與應(yīng)用領(lǐng)域剖析

1.深度解讀合成生物學(xué)精準(zhǔn)定義，系統(tǒng)闡述其涵蓋研究內(nèi)容，沿著發(fā)展歷程脈絡(luò)回溯，展望未來趨勢，全方位掃描應(yīng)用領(lǐng)域。

2.通過詳實案例分析，將合成生物學(xué)在醫(yī)藥、農(nóng)業(yè)、工業(yè)等實際場景的應(yīng)用具象化，讓學(xué)員感知其變革力量。

生物元件功能精講與標(biāo)準(zhǔn)化設(shè)計準(zhǔn)則

1.聚焦生物元件，如啟動子精準(zhǔn)調(diào)控轉(zhuǎn)錄起始、終止子界定轉(zhuǎn)錄終點(diǎn)、RBS 驅(qū)動核糖體結(jié)合開啟翻譯。

2.結(jié)合 BioBrick 元件設(shè)計范式與應(yīng)用實例，傳授生物元件模塊化設(shè)計黃金法則，助力學(xué)員掌握構(gòu)建標(biāo)準(zhǔn)化生物模塊的精髓。

第二天

基因線路邏輯架構(gòu)搭建與實例演練

1.開啟基因線路邏輯世界大門，詳細(xì)拆解與、或、非基本邏輯門運(yùn)作原理及設(shè)計技巧。

2.引入 iGEM 競賽中經(jīng)典邏輯門線路應(yīng)用案例，手把手指導(dǎo)學(xué)員實踐操作，使其能獨(dú)立構(gòu)思簡單基因線路并洞悉其功能。

復(fù)合元件整合與電路深度設(shè)計

以前兩天所學(xué)生物元件、基因線路知識為基石，引導(dǎo)學(xué)員梳理合成生物學(xué)核心玩法。親手設(shè)計、搭建、分析經(jīng)典電路，實現(xiàn)知識融會貫通，掌握復(fù)雜電路中各模塊協(xié)同運(yùn)作奧秘。

第三天

代謝途徑精細(xì)構(gòu)建與優(yōu)化策略

1.深入講解代謝途徑搭建步驟，剖析定向進(jìn)化、代謝工程等優(yōu)化策略。

2.以青蒿素生物合成途徑優(yōu)化為典型案例，傳授從理論到實踐的代謝途徑設(shè)計方法，助力學(xué)員提升生物合成效率。

基因組合成與編輯技術(shù)前沿

1.系統(tǒng)講解基因組合成底層原理、多元方法，深度剖析 CRISPR/Cas9 等基因組編輯技術(shù)原理。

2.結(jié)合海量案例，呈現(xiàn)基因組合成與編輯技術(shù)在定制生物、精準(zhǔn)醫(yī)療等前沿領(lǐng)域的實際應(yīng)用。

第四天

底盤生物特性解析與應(yīng)用

1.引入底盤生物概念，剖析常見底盤生物（如大腸桿菌、酵母菌等）特性。

2.講解其在基因線路搭載、基因表達(dá)中的關(guān)鍵作用，結(jié)合實例探討如何依據(jù)項目需求選擇適配底盤生物，實現(xiàn)高效基因操作。

合成生物系統(tǒng)搭建與優(yōu)化實踐

1.全方位講解合成生物系統(tǒng)定義、分類，通過案例剖析系統(tǒng)構(gòu)建流程，傳授優(yōu)化策略。

2.組織實踐操作，讓學(xué)員親身體驗合成生物系統(tǒng)的構(gòu)建與優(yōu)化全過程，學(xué)會依據(jù)反饋調(diào)控系統(tǒng)參數(shù)。

第五天

合成生物學(xué)數(shù)學(xué)建模與性能分析

1.開啟生物系統(tǒng)數(shù)學(xué)建模之旅，介紹常微分方程、邏輯模型等常用建模方法。

2.結(jié)合基因線路動力學(xué)模擬案例，指導(dǎo)學(xué)員運(yùn)用數(shù)學(xué)模型精準(zhǔn)分析生物系統(tǒng)性能，為系統(tǒng)設(shè)計與優(yōu)化提供量化支撐。

合成生物學(xué)全景總結(jié)與未來瞻望

1.回溯課程所學(xué)知識，通過多領(lǐng)域案例分析，展現(xiàn)合成生物學(xué)應(yīng)用廣度與深度。

2.組織學(xué)員熱烈討論未來發(fā)展趨勢、潛在影響，著重介紹倫理、生物安全與生物安保等關(guān)鍵議題，培養(yǎng)學(xué)員全面視角。

第一天

1.CADD藥物設(shè)計概論

1.1計算機(jī)輔助藥物設(shè)計的發(fā)源和基本概念

1.2計算機(jī)輔助藥物設(shè)計中常用的計算方法

2.??基于結(jié)構(gòu)的藥物設(shè)計方法

1.1?基于結(jié)構(gòu)的藥物設(shè)計方法概論

1.2?蛋白質(zhì)數(shù)據(jù)庫的介紹：uniprot、PDB、AlphafldDB

3. 高質(zhì)量畫圖軟件pymol 使用詳解

1.1 蛋白小分子相互作用、蛋白-蛋白相互作用繪制等

1..2?蛋白及小分子表面圖、靜電勢表示等

第二天

1.蛋白質(zhì)結(jié)構(gòu)處理方法

1.1蛋白質(zhì)結(jié)構(gòu)預(yù)測方法理論介紹及使用

1.2蛋白質(zhì)缺失殘基處理、殘基質(zhì)子態(tài)確定、單點(diǎn)突變等處理方法

2.小分子結(jié)構(gòu)處理方法

1.1常用的小分子數(shù)據(jù)庫介紹：zinc，chembl、pubchem、神農(nóng)Alpha等

1.2Chemdraw的使用及小分子性質(zhì)計算

第三天

1. 蛋白-小分子對接的基本流程與技巧

1.1 分子對接的原理

1.2 基于autudock和autodock vina的分子對接步驟詳解

1.3 對接結(jié)果的分析與挑選技巧

第四天

1.特殊的分子對接的基本流程與技巧

1.1蛋白-小分子柔性對接步驟詳解

1.2蛋白-蛋白/DNA/RNA，小分子-小分子對接方法詳解

2. 基于分子對接的虛擬篩選詳解

1.1 虛擬篩選的流程與處理

1.2 虛擬篩選的結(jié)果分析與技巧

第五天

1.Openbael的使用

1.1小分子不同的表示形式、文件格式介紹

1.2Openbabel的文件格式轉(zhuǎn)換、分子結(jié)構(gòu)生成介紹

2.ADMET介紹和反向找靶介紹

3.QSAR模型介紹及操作

1.1 QSAR模型的基本原理

1.2 3DQSAR–COMFA和COMSIA模型的構(gòu)建與結(jié)果分析

第六天

1.Linux系統(tǒng)操作

1.1Linux系統(tǒng)介紹

1.2Linux常用命令操作

2.分子動力學(xué)模擬介紹

1.1分子動力學(xué)模擬理論介紹

1.2常用軟件和一般流程介紹

第七天

1.MD實踐

1.1溶劑化下蛋白質(zhì)分子動力學(xué)模擬

1.2?溶劑化下蛋白質(zhì)-配體的分子動力學(xué)模擬

1.3 ?MD結(jié)果分析

2. 答疑：

1.1 課程知識答疑

1.2 學(xué)員實際課題思路答疑

第1天：環(huán)境搭建與深度學(xué)習(xí)基本知識講解

1.AIDD概述：從CADD到AIDD

2.軟件安裝與環(huán)境搭建

(1)anaconda

(2)vscode

(3)環(huán)境變量的配置

(4)切換pip和conda鏡像源

(5)虛擬環(huán)境的創(chuàng)建

3.RDKIT工具包的使用

(1)基于RDKit的分子讀寫

(2)基于RDKit的分子繪制

(3)基于RDKit的分子指紋與分子描述符

(4)基于RDKit的化合物相似性與子結(jié)構(gòu)

4.藥物綜合數(shù)據(jù)庫的獲取方法

(1)基于requests的基本爬蟲操作

(2)小分子數(shù)據(jù)庫PubChem數(shù)據(jù)獲取（pubchempy / requests）

(3)蛋白質(zhì)數(shù)據(jù)庫PDB、UniProt數(shù)據(jù)獲取

5.深度學(xué)習(xí)輔助藥物設(shè)計

(1)神經(jīng)網(wǎng)絡(luò)基本概念與sklearn工具包介紹

(2)圖神經(jīng)網(wǎng)絡(luò)與消息傳遞機(jī)制基本知識

(3)Transformer模型基本知識：分詞、位置編碼、注意力機(jī)制、編碼器、解碼器、預(yù)訓(xùn)練–微調(diào)框架、huggingface?生態(tài)介紹

(4)模型的評估與驗證：準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)、ROC曲線、AUC計算，平均絕對誤差、均方差、R2分?jǐn)?shù)、可釋方差分?jǐn)?shù)，交叉驗證等

第2天：頂刊復(fù)現(xiàn)專題1——分子與生化反應(yīng)的表示學(xué)習(xí)與性質(zhì)預(yù)測助力藥物發(fā)現(xiàn)

培訓(xùn)背景：在人工智能輔助藥物發(fā)現(xiàn)（AIDD）中，分子與生化反應(yīng)的表示學(xué)習(xí)與性質(zhì)預(yù)測是整個研究流程的基石。分子的結(jié)構(gòu)決定其功能，如何將復(fù)雜的分子結(jié)構(gòu)和生化反應(yīng)過程有效地表示為計算模型能夠理解的形式，是實現(xiàn)高效預(yù)測和優(yōu)化的前提。通過構(gòu)建合理的分子表示（如圖神經(jīng)網(wǎng)絡(luò)、SMILES編碼、指紋等），我們可以讓AI模型捕捉關(guān)鍵的化學(xué)特征，進(jìn)而用于預(yù)測分子的物理化學(xué)性質(zhì)、生物活性、毒性等，為后續(xù)的虛擬篩選、分子生成與反應(yīng)設(shè)計提供可靠基礎(chǔ)。因此，本專題不僅奠定了AIDD中建模與預(yù)測能力的核心能力框架，也為整個藥物發(fā)現(xiàn)過程中的智能決策打下了堅實基礎(chǔ)。

培訓(xùn)內(nèi)容1:

Nature Machine Intelligence｜基于注意力的神經(jīng)網(wǎng)絡(luò)在化學(xué)反應(yīng)空間映射中的應(yīng)用《Mapping the space of chemical reactions using attention-based neural networks》

1.數(shù)據(jù)集

1.1.Pistachio數(shù)據(jù)集：包含260萬化學(xué)反應(yīng)，來自專利數(shù)據(jù)，涵蓋792個反應(yīng)類別。數(shù)據(jù)經(jīng)過去重和有效性過濾（使用RDKit）。

1.2.USPTO 1k TPL數(shù)據(jù)集：基于USPTO專利數(shù)據(jù)，包含44.5萬反應(yīng)，通過原子映射和模板提取生成1,000個反應(yīng)模板類別。

1.3.Schneider 50k數(shù)據(jù)集：公開數(shù)據(jù)集，包含5萬反應(yīng)，50個類別，用于與傳統(tǒng)指紋方法對比。

2.模型。研究對比了兩種Transformer架構(gòu)：

2.1.BERT分類器：基于編碼器的模型，通過掩碼語言建模預(yù)訓(xùn)練后，在分類任務(wù)上微調(diào)，使用[CLS]標(biāo)記的嵌入作為反應(yīng)指紋（rxnfp）。

2.2.Seq2Seq模型：編碼器–解碼器結(jié)構(gòu)，將分類任務(wù)分解為超類、類別和具體反應(yīng)的層級預(yù)測。兩者均采用簡化版BERT（隱藏層256維），輸入為未標(biāo)注的SMILES序列，無需反應(yīng)物–試劑區(qū)分或原子映射。

3.訓(xùn)練。模型訓(xùn)練分為兩步：

3.1.預(yù)訓(xùn)練：BERT通過掩碼SMILES令牌預(yù)測任務(wù)進(jìn)行自監(jiān)督學(xué)習(xí)，學(xué)習(xí)反應(yīng)通用表示。

3.2.微調(diào)：在分類任務(wù)上優(yōu)化模型，使用交叉熵?fù)p失，學(xué)習(xí)率2×10??，序列長度512。評估采用混淆熵（CEN）和馬修斯相關(guān)系數(shù)（MCC）以處理數(shù)據(jù)不平衡。

培訓(xùn)內(nèi)容2:

TOP期刊｜基于深度學(xué)習(xí)的生化反應(yīng)產(chǎn)量預(yù)測《Prediction of chemical reaction yields using deep learning》?

1.數(shù)據(jù)。研究使用了三類數(shù)據(jù)：

1.1.Buchwald-Hartwig HTE數(shù)據(jù)集：包含3955個Pd催化C-N偶聯(lián)反應(yīng)，涵蓋15種鹵化物、4種配體、3種堿和23種添加劑組合，產(chǎn)率通過統(tǒng)一實驗測量，數(shù)據(jù)質(zhì)量高。 ?

1.2.Suzuki-Miyaura HTE數(shù)據(jù)集：包含5760個反應(yīng)，涉及15對親電/親核試劑、12種配體、8種堿和4種溶劑的組合，產(chǎn)率分布均勻。 ?

1.3.USPTO專利數(shù)據(jù)集：從公開專利中提取，包含不同規(guī)模（克級與亞克級）的反應(yīng)產(chǎn)率，數(shù)據(jù)噪聲大且分布不一致，需通過鄰近反應(yīng)產(chǎn)率平滑處理以提升模型表現(xiàn)。

2.模型。核心模型基于預(yù)訓(xùn)練的rxnfp（反應(yīng)指紋）BERT架構(gòu)，新增回歸層構(gòu)成Yield-BERT。輸入為標(biāo)準(zhǔn)化反應(yīng)SMILES，通過自注意力機(jī)制捕捉反應(yīng)中心及關(guān)鍵試劑的上下文信息。模型無需手工特征（如DFT計算描述符），直接端到端預(yù)測產(chǎn)率。實驗表明，其性能優(yōu)于傳統(tǒng)方法（如隨機(jī)森林和分子指紋拼接），尤其在HTE數(shù)據(jù)上接近化學(xué)描述符的預(yù)測水平，且參數(shù)魯棒性高（超參數(shù)調(diào)整影響?。?。

3.訓(xùn)練。訓(xùn)練分為兩步：

3.1.預(yù)訓(xùn)練：BERT通過掩碼語言任務(wù)學(xué)習(xí)SMILES的通用表示。 ?

3.2.微調(diào)：采用簡單Transformers庫和PyTorch框架，以MSE損失優(yōu)化回歸層，學(xué)習(xí)率（2×10??）和dropout率（0.1–0.8）為主要調(diào)參對象。HTE數(shù)據(jù)采用隨機(jī)/時間劃分驗證，USPTO數(shù)據(jù)通過鄰近反應(yīng)產(chǎn)率平滑緩解噪聲影響。小樣本實驗（5%訓(xùn)練數(shù)據(jù)）顯示模型能快速篩選高產(chǎn)反應(yīng)，指導(dǎo)合成優(yōu)化。

培訓(xùn)內(nèi)容3:

TOP期刊｜基于T5Chem模型的生化反應(yīng)表示學(xué)習(xí)與性質(zhì)預(yù)測:?《Unified Deep Learning Model for Multitask Reaction Predictions with Explanation》

1.數(shù)據(jù)來源和處理。通過自監(jiān)督預(yù)訓(xùn)練與PubChem分子數(shù)據(jù)集進(jìn)行訓(xùn)練，以實現(xiàn)對四種不同類型的化學(xué)反應(yīng)預(yù)測任務(wù)的優(yōu)異性能。模型處理包括反應(yīng)類型分類、正向反應(yīng)預(yù)測、單步逆合成和反應(yīng)產(chǎn)率預(yù)測。

2.模型架構(gòu)和原理。T5Chem模型是基于自然語言處理中的“Text-to-Text Transfer Transformer”(T5)框架開發(fā)的統(tǒng)一深度學(xué)習(xí)模型，該模型通過適應(yīng)T5框架來處理多種化學(xué)反應(yīng)預(yù)測任務(wù)。T5Chem模型包含編碼器–解碼器結(jié)構(gòu)，并根據(jù)任務(wù)類型引入了任務(wù)特定的提示和不同的輸出層，如分子生成頭、分類頭和回歸頭，以處理序列到序列的任務(wù)、反應(yīng)類型分類和產(chǎn)品產(chǎn)率預(yù)測。

3.訓(xùn)練過程和細(xì)節(jié)。

3.1.T5Chem模型首先在PubChem的97 million分子上進(jìn)行自監(jiān)督預(yù)訓(xùn)練，使用BERT類似的“masked language modeling”目標(biāo)。

3.2.在預(yù)訓(xùn)練階段，源序列中的tokens被隨機(jī)掩蔽，模型的目標(biāo)是預(yù)測被掩蔽的正確的tokens。

3.3.預(yù)訓(xùn)練完成后，模型在下游的監(jiān)督任務(wù)中進(jìn)行微調(diào)，使用不同的任務(wù)特定提示和輸出層。

3.4.模型在測試階段通過生成分子token by token的方式進(jìn)行預(yù)測，直到生成“句子結(jié)束標(biāo)記”或達(dá)到最大預(yù)測長度。

通過培訓(xùn)可以掌握的內(nèi)容：

1.分子與化學(xué)反應(yīng)的表示方法。學(xué)習(xí)如何將分子和化學(xué)反應(yīng)編碼為機(jī)器可處理的格式，如SMILES（Simplified Molecular-Input Line-Entry System）和反應(yīng)SMILES。理解分子指紋（如Morgan指紋）和反應(yīng)指紋（如rxnfp）的構(gòu)建方式，以及它們在化學(xué)信息學(xué)中的應(yīng)用。掌握Transformer架構(gòu)（如BERT）如何用于化學(xué)反應(yīng)的特征提取，并生成具有化學(xué)意義的向量表示。

2.深度學(xué)習(xí)在化學(xué)反應(yīng)預(yù)測中的應(yīng)用。了解如何利用序列到序列（Seq2Seq）模型和BERT進(jìn)行化學(xué)反應(yīng)分類（如反應(yīng)類型識別）和產(chǎn)率預(yù)測。學(xué)習(xí)如何通過自注意力機(jī)制分析化學(xué)反應(yīng)的關(guān)鍵部分（如反應(yīng)中心、試劑影響），提高模型的可解釋性。掌握如何利用預(yù)訓(xùn)練+微調(diào)策略，使模型在少量標(biāo)注數(shù)據(jù)下仍能取得良好性能。

3.數(shù)據(jù)驅(qū)動的化學(xué)研究范式。認(rèn)識不同數(shù)據(jù)來源（如高通量實驗HTE、專利數(shù)據(jù)USPTO）的特點(diǎn)及其對模型訓(xùn)練的影響。學(xué)習(xí)如何處理數(shù)據(jù)噪聲，并通過數(shù)據(jù)平滑、鄰近分析等方法優(yōu)化模型表現(xiàn)。了解小樣本學(xué)習(xí)在化學(xué)中的應(yīng)用，例如如何用5%-10%的訓(xùn)練數(shù)據(jù)篩選高產(chǎn)率反應(yīng)，指導(dǎo)實驗優(yōu)化。

第3天：頂刊復(fù)現(xiàn)專題2——蛋白質(zhì)的表示學(xué)習(xí)與性質(zhì)預(yù)測助力藥物發(fā)現(xiàn)

培訓(xùn)背景：在AIDD中，蛋白質(zhì)是藥物作用的主要靶標(biāo)，其結(jié)構(gòu)與功能的復(fù)雜性決定了藥物設(shè)計的成敗。蛋白質(zhì)的表示學(xué)習(xí)與性質(zhì)預(yù)測是理解分子–靶點(diǎn)相互作用、發(fā)現(xiàn)候選藥物的重要環(huán)節(jié)。蛋白質(zhì)，尤其是酶，作為藥物的主要作用靶點(diǎn)，其功能、結(jié)構(gòu)與動力學(xué)性質(zhì)直接影響藥物的設(shè)計與效果。本專題通過兩篇前沿研究工作展開講解：*《Enzyme function prediction using contrastive learning》展示了如何利用對比學(xué)習(xí)從蛋白質(zhì)序列中提取高質(zhì)量的功能表征，實現(xiàn)對酶功能的精確預(yù)測；《CatPred》*則提出了一個整合性深度學(xué)習(xí)框架，用于體外酶動力學(xué)參數(shù)（如Km、kcat等）的預(yù)測，這對于建立藥效模型與優(yōu)化先導(dǎo)化合物至關(guān)重要。這些方法顯著提升了蛋白質(zhì)建模的準(zhǔn)確性與泛化能力，為AI驅(qū)動的靶點(diǎn)發(fā)現(xiàn)、機(jī)制理解及候選藥物篩選提供了強(qiáng)有力的支持。

培訓(xùn)內(nèi)容1:?

Nature Communication｜體外酶動力學(xué)參數(shù)深度學(xué)習(xí)的綜合框架《CatPred: a comprehensive framework for deep learning in vitro enzyme kinetic parameters》

CatPred?提出了一種全面的深度學(xué)習(xí)框架，用于預(yù)測體外酶動力學(xué)參數(shù)（kcat、Km、Ki），以解決實驗測定成本高、數(shù)據(jù)稀疏和泛化能力差的問題。該方法不僅提供了準(zhǔn)確的預(yù)測，還引入了對預(yù)測不確定性的量化，支持對訓(xùn)練集外（out-of-distribution）酶序列的穩(wěn)健預(yù)測。此外，作者還構(gòu)建了新的標(biāo)準(zhǔn)化數(shù)據(jù)集（CatPred-DB），并對多種酶表示方法進(jìn)行了系統(tǒng)比較。

1.數(shù)據(jù)：CatPred?使用的數(shù)據(jù)集來自?BRENDA?和?SABIO-RK?數(shù)據(jù)庫，作者構(gòu)建了?CatPred-DB，包括：23197?條?kcat，41174?條?Km和11929?條?Ki?數(shù)據(jù)，每條記錄都包含酶的氨基酸序列、AlphaFold?或?ESMFold?預(yù)測的結(jié)構(gòu)、底物的?SMILES?表達(dá)式。數(shù)據(jù)經(jīng)過清洗和標(biāo)準(zhǔn)化處理，去除缺失值和重復(fù)值，并對參數(shù)取對數(shù)轉(zhuǎn)換以符合正態(tài)分布。

2.模型：CatPred?采用模塊化設(shè)計，酶和底物分別通過不同的神經(jīng)網(wǎng)絡(luò)模塊進(jìn)行表征學(xué)習(xí)，并采用 概率回歸 輸出（高斯分布形式的均值和方差），允許進(jìn)行 不確定性估計（aleatoric + epistemic）。

3.訓(xùn)練

3.1.所有模型采用負(fù)對數(shù)似然損失函數(shù)（NLL）訓(xùn)練，以同時預(yù)測參數(shù)均值和不確定性。

3.2.使用訓(xùn)練–驗證–測試三分法（80%-10%-10%），并設(shè)立“訓(xùn)練集外”的測試子集用于泛化能力評估。

3.3.為了評估不確定性，CatPred?使用?10個模型的集成，通過不同初始參數(shù)訓(xùn)練，以此量化?epistemic uncertainty。

3.4.模型訓(xùn)練時考慮了不同相似性（序列identity<99%、80%、60%、40%）的測試集，體現(xiàn)其魯棒性。

培訓(xùn)內(nèi)容2:

Science｜基于對比學(xué)習(xí)的蛋白質(zhì)分類屬性預(yù)測《Enzyme function prediction using contrastive learning》

1.數(shù)據(jù)來源和處理：?CLEAN模型的訓(xùn)練基于UniProt數(shù)據(jù)庫中的高質(zhì)量數(shù)據(jù)，該數(shù)據(jù)庫收錄了約1.9億個蛋白質(zhì)序列。CLEAN模型以氨基酸序列作為輸入，輸出按可能性排序的酶功能列表（以EC編號為例）。為了驗證CLEAN的準(zhǔn)確性和魯棒性，作者進(jìn)行了廣泛的in silico實驗，并將CLEAN應(yīng)用于內(nèi)部收集的未表征的鹵酶數(shù)據(jù)庫（共36個）進(jìn)行EC編號注釋，隨后通過案例研究進(jìn)行體外實驗驗證。

2.模型架構(gòu)和原理：?CLEAN模型采用了對比學(xué)習(xí)框架，目標(biāo)是學(xué)習(xí)一個酶的嵌入空間，其中歐幾里得距離反映了功能相似性。嵌入是指蛋白質(zhì)序列的數(shù)值表示，它由機(jī)器可讀，同時保留了酶攜帶的重要特征和信息。在CLEAN的任務(wù)中，具有相同EC編號的氨基酸序列具有較小的歐幾里得距離，而具有不同EC編號的序列則具有較大的距離。

3.訓(xùn)練過程和細(xì)節(jié)：

3.1.在訓(xùn)練過程中，CLEAN模型使用對比損失函數(shù)進(jìn)行監(jiān)督訓(xùn)練，通過優(yōu)先選擇與錨點(diǎn)（anchor）嵌入具有小歐幾里得距離的負(fù)序列，以提高訓(xùn)練效率。

3.2.模型使用語言模型ESM1b獲得的蛋白質(zhì)表示作為前饋神經(jīng)網(wǎng)絡(luò)的輸入，輸出層產(chǎn)生細(xì)化的、功能感知的輸入蛋白質(zhì)嵌入。

3.3.預(yù)測時，通過計算查詢序列與所有EC編號聚類中心之間的成對距離來預(yù)測輸入蛋白質(zhì)的EC編號。

3.4.CLEAN還開發(fā)了兩種方法來從輸出排名中預(yù)測自信的EC編號：一種是貪婪方法，另一種是基于P值的方法。

通過培訓(xùn)可以掌握的內(nèi)容：

1.?蛋白質(zhì)表示學(xué)習(xí)的基本方法：理解蛋白質(zhì)序列、結(jié)構(gòu)信息如何被編碼為適用于深度學(xué)習(xí)模型的向量表示，包括基于序列的預(yù)訓(xùn)練模型（如ESM、ProtBERT）和結(jié)構(gòu)感知模型的原理與應(yīng)用。

2.?對比學(xué)習(xí)在生物功能預(yù)測中的應(yīng)用：深入學(xué)習(xí)對比學(xué)習(xí)策略，掌握如何通過正負(fù)樣本構(gòu)建來提升蛋白質(zhì)功能分類模型的判別能力。

3.?酶動力學(xué)參數(shù)預(yù)測建模框架：學(xué)員將理解如何結(jié)合序列、結(jié)構(gòu)及輔助特征，利用深度學(xué)習(xí)模型預(yù)測關(guān)鍵的酶學(xué)參數(shù)（如Km、kcat），并掌握模型架構(gòu)設(shè)計與性能評估的思路。

4.?評估與可解釋性分析方法：學(xué)習(xí)如何分析模型預(yù)測結(jié)果，評估性能指標(biāo)，并探索特征重要性等可解釋性技術(shù)，幫助理解模型的決策依據(jù)。

5.?應(yīng)用于真實藥物研發(fā)場景的思維框架：建立從蛋白質(zhì)建模到下游任務(wù)（如藥物篩選、作用機(jī)制分析）的系統(tǒng)性理解，增強(qiáng)將AI方法應(yīng)用于實際生物醫(yī)藥問題的能力。

第4天：頂刊復(fù)現(xiàn)專題3——基于深度學(xué)習(xí)的分子生成助力藥物發(fā)現(xiàn)

培訓(xùn)背景：分子生成是化學(xué)、生物學(xué)和材料科學(xué)等領(lǐng)域的關(guān)鍵技術(shù)，對于新藥開發(fā)、新材料設(shè)計和化學(xué)反應(yīng)預(yù)測具有重要意義。傳統(tǒng)的分子生成方法依賴于專家知識和試錯實驗，耗時且成本高昂。隨著人工智能技術(shù)的發(fā)展，特別是自然語言處理和擴(kuò)散模型在分子生成中的應(yīng)用，我們現(xiàn)在能夠利用計算模型來加速這一過程。本課程將介紹從NLP到擴(kuò)散模型的設(shè)計模式，這些模型能夠理解和生成分子結(jié)構(gòu)，從而提高分子設(shè)計的效率和準(zhǔn)確性。通過本課程的學(xué)習(xí)，參與者將能夠掌握分子生成的最新技術(shù)和方法，以及如何將這些技術(shù)應(yīng)用于實際問題。

培訓(xùn)內(nèi)容1：

Nature Communication｜基于端到端的圖生成框架的分子生成：《Retrosynthesis prediction using an end-to-end graph generative architecture for molecular graph editing》

1.數(shù)據(jù)來源和處理：Graph2Edits模型使用了公開可用的基準(zhǔn)數(shù)據(jù)集USPTO-50k，包含50016個反應(yīng)，這些反應(yīng)被正確地原子映射并分類為10種不同的反應(yīng)類型。數(shù)據(jù)集被分為40k、5k、5k的反應(yīng)用于訓(xùn)練、驗證和測試集。

2.模型架構(gòu)和原理：Graph2Edits模型是一個端到端的圖生成架構(gòu)，基于圖神經(jīng)網(wǎng)絡(luò)（GNN）預(yù)測產(chǎn)品圖的編輯序列，并根據(jù)預(yù)測的編輯序列順序生成中間體和最終反應(yīng)物。該模型將半模板方法的兩階段過程（識別反應(yīng)中心和完成合成子）合并為一鍋學(xué)習(xí)，提高了在復(fù)雜反應(yīng)中的適用性，并使預(yù)測結(jié)果更易于解釋。模型的核心是圖編碼器和自回歸模型，用于生成編輯序列，并應(yīng)用這些編輯來推斷中間體和反應(yīng)物。

3.訓(xùn)練過程和細(xì)節(jié)：

3.1.Graph2Edits模型使用有向消息傳遞神經(jīng)網(wǎng)絡(luò)（D-MPNN）作為圖編碼器，以獲取原子表示和全局圖特征，并預(yù)測原子/鍵編輯和終止符號。

3.2.模型訓(xùn)練使用教師強(qiáng)制策略，即使用真實的編輯序列作為模型輸入。在每個編輯步驟中，模型會計算所有可能的編輯的概率，并選擇最高分的k個編輯，將這些編輯應(yīng)用于輸入圖以獲得k個中間體。

3.3.在生成過程中，如果達(dá)到最大步驟數(shù)或圖表示指示終止，則生成分支將停止。

3.4.最終，根據(jù)可能性對前k個編輯序列和圖進(jìn)行排名，收集為最終預(yù)測結(jié)果。

培訓(xùn)內(nèi)容2

Nature Computational Science｜基于等變擴(kuò)散模型的分子生成網(wǎng)絡(luò)《Structure-based drug design with equivariant diffusion models》

1.簡單介紹。這篇文獻(xiàn)提出了一種基于結(jié)構(gòu)的藥物設(shè)計方法（SBDD），利用SE(3)-等變擴(kuò)散模型（DiffSBDD）生成與蛋白質(zhì)結(jié)合口條件匹配的新穎小分子配體。該方法通過將SBDD問題建模為三維條件生成任務(wù)，能夠一次性生成所有原子位置，克服了傳統(tǒng)自回歸方法因順序生成而丟失全局上下文的局限性。DiffSBDD不僅支持從頭分子設(shè)計，還能通過屬性優(yōu)化、負(fù)向設(shè)計和分子局部修飾（inpainting）等多種任務(wù)靈活應(yīng)用。

2.數(shù)據(jù)總結(jié)。該研究使用了CrossDocked和Binding MOAD兩個數(shù)據(jù)集進(jìn)行訓(xùn)練和評估。

2.1.CrossDocked數(shù)據(jù)集包含40,344個訓(xùn)練蛋白–配體對和130個測試對，驗證集規(guī)模為246個，確保不同集合中的蛋白質(zhì)來自不同的酶分類主類以避免過擬合。

2.2.Binding MOAD數(shù)據(jù)集經(jīng)過篩選后用于測試，分析限于所有方法均能生成樣本的78個CrossDocked和119個Binding MOAD目標(biāo)。此外，數(shù)據(jù)集處理涉及移除損壞條目，并通過Zenodo公開提供處理后的數(shù)據(jù)和采樣分子，確保研究可重復(fù)性。

3.模型總結(jié)。DiffSBDD是一個SE(3)-等變擴(kuò)散模型，以蛋白質(zhì)結(jié)合口為條件生成三維分子結(jié)構(gòu)，采用3D圖表示（原子坐標(biāo)和類型），避免了傳統(tǒng)方法中從密度圖回推分子結(jié)構(gòu)的復(fù)雜后處理。模型設(shè)計尊重三維空間的旋轉(zhuǎn)和平

通過培訓(xùn)可以掌握的內(nèi)容：

1.自然語言處理（NLP）在分子生成中的應(yīng)用：掌握如何使用NLP技術(shù)來理解和生成分子結(jié)構(gòu)。學(xué)習(xí)如何將自然語言描述轉(zhuǎn)換為分子結(jié)構(gòu)（SMILES字符串）。

2.擴(kuò)散模型在分子生成中的應(yīng)用：理解擴(kuò)散模型的基本原理及其在分子生成中的優(yōu)勢。學(xué)習(xí)如何使用擴(kuò)散模型來優(yōu)化分子生成過程。

3.數(shù)據(jù)預(yù)處理和特征工程：學(xué)習(xí)如何處理和準(zhǔn)備用于訓(xùn)練分子生成模型的數(shù)據(jù)集。掌握如何從原始數(shù)據(jù)中提取有用的特征以提高模型性能。

4.模型架構(gòu)和原理：深入理解MolT5，TGM-DLM和GraphEdits模型的架構(gòu)和工作原理。學(xué)習(xí)如何設(shè)計和實現(xiàn)這些模型以處理復(fù)雜的分子生成任務(wù)。

5.訓(xùn)練過程和細(xì)節(jié)：掌握模型訓(xùn)練的全過程，包括預(yù)訓(xùn)練和微調(diào)。學(xué)習(xí)如何調(diào)整模型參數(shù)和訓(xùn)練策略以優(yōu)化性能。

6.評估和驗證：學(xué)習(xí)如何使用各種指標(biāo)（如BLEU分?jǐn)?shù)、Tanimoto相似性等）來評估生成的分子。掌握如何驗證模型生成的分子的有效性和準(zhǔn)確性。

7.模型解釋和可視化：學(xué)習(xí)如何解釋模型的預(yù)測結(jié)果，以及如何使用可視化工具來理解分子生成過程。

8.最新研究進(jìn)展和技術(shù)趨勢：了解分子生成領(lǐng)域的最新研究進(jìn)展和技術(shù)趨勢。學(xué)習(xí)如何將最新的研究成果應(yīng)用于實際工作。

第5天：頂刊復(fù)現(xiàn)專題4:?結(jié)合分子動力學(xué)的蛋白質(zhì)–配體復(fù)合物相互作用動態(tài)預(yù)測

培訓(xùn)背景：蛋白質(zhì)–配體相互作用的預(yù)測是現(xiàn)代藥物發(fā)現(xiàn)和生物工程領(lǐng)域的核心任務(wù)之一，其重要性不言而喻。在藥物開發(fā)過程中，準(zhǔn)確預(yù)測蛋白質(zhì)與小分子配體的結(jié)合位點(diǎn)、三維結(jié)構(gòu)以及親和力，不僅能夠揭示分子間相互作用的機(jī)制，還能顯著加速候選藥物的篩選與優(yōu)化，降低研發(fā)成本和時間。傳統(tǒng)實驗方法如X射線晶體學(xué)和核磁共振雖然精確，但耗時長、成本高，且難以應(yīng)對大規(guī)模篩選需求。而隨著深度學(xué)習(xí)和人工智能技術(shù)的快速發(fā)展，計算方法在蛋白質(zhì)–配體預(yù)測中展現(xiàn)出巨大潛力。

研究內(nèi)容1:?

Nature Communication｜交互作用感知的蛋白質(zhì)–配體對接和親和力預(yù)測模型《Interformer: an interaction-aware model for protein-ligand docking and affinity prediction》

1.簡要介紹：本研究提出了一種名為Interformer的基于Graph-Transformer架構(gòu)的統(tǒng)一模型，用于蛋白–配體對接和親和力預(yù)測。針對現(xiàn)有深度學(xué)習(xí)模型忽略蛋白與配體原子間非共價相互作用建模的不足，Interformer引入了交互感知混合密度網(wǎng)絡(luò)（MDN）來明確捕捉氫鍵和疏水相互作用，并結(jié)合負(fù)采樣策略和偽Huber損失函數(shù)，通過對比學(xué)習(xí)優(yōu)化相互作用分布，提升對接姿勢的準(zhǔn)確性和親和力預(yù)測的魯棒性。

2.數(shù)據(jù)集：研究使用了PDBBind時間分割測試集（333個樣本）評估對接準(zhǔn)確性，Posebusters基準(zhǔn)測試驗證物理合理性，以及內(nèi)部真實世界數(shù)據(jù)集測試泛化能力。訓(xùn)練數(shù)據(jù)來源于PDBBind晶體結(jié)構(gòu)數(shù)據(jù)庫。

3.模型：Interformer基于Graph-Transformer架構(gòu)，包括：(1)?圖表示模塊，將原子作為節(jié)點(diǎn)、鄰近關(guān)系作為邊；(2)?掩碼自注意力（MSA）機(jī)制，通過Intra-Blocks和Inter-Blocks分別捕捉配體/蛋白內(nèi)部及兩者間的相互作用；(3)?交互感知MDN，融合四種高斯分布模擬常規(guī)力、疏水作用和氫鍵；(4)?邊緣輸出層整合節(jié)點(diǎn)和邊特征預(yù)測能量；(5)?姿勢評分和親和力模塊基于虛擬節(jié)點(diǎn)預(yù)測正確姿勢和實驗親和力值。

4.訓(xùn)練細(xì)節(jié)：訓(xùn)練分兩階段：首先基于晶體結(jié)構(gòu)訓(xùn)練能量模型生成負(fù)樣本，隨后聯(lián)合正負(fù)樣本訓(xùn)練姿勢評分和親和力模型。采用負(fù)對數(shù)似然損失優(yōu)化MDN，二元交叉熵?fù)p失優(yōu)化姿勢評分，偽Huber損失（σ=4）優(yōu)化親和力預(yù)測（單位IC50、Kd、KI，經(jīng)負(fù)對數(shù)歸一化）。蒙特卡洛采樣生成候選姿勢，

研究內(nèi)容2:

Nature Communication｜分子動力學(xué)驅(qū)動的蛋白質(zhì)–配體復(fù)合物結(jié)構(gòu)動態(tài)預(yù)測《DynamicBind: predicting ligand-specific protein-ligand complex structure with a deep equivariant generative model》

1.簡單介紹：本研究提出了一種名為DynamicBind的深度學(xué)習(xí)方法，用于預(yù)測配體特異性的蛋白–配體復(fù)合物結(jié)構(gòu)。傳統(tǒng)分子對接方法通常將蛋白視為剛性或僅部分柔性，難以處理蛋白的大尺度構(gòu)象變化，而分子動力學(xué)模擬雖然能捕捉動態(tài)構(gòu)象，但計算成本高昂。DynamicBind通過等變幾何擴(kuò)散網(wǎng)絡(luò)構(gòu)建平滑的能量景觀，高效模擬蛋白從無配體（apo）狀態(tài)到配體結(jié)合（holo）狀態(tài)的構(gòu)象轉(zhuǎn)變，無需依賴holo結(jié)構(gòu)或大量采樣。

2.數(shù)據(jù)集：研究基于PDBbind2020數(shù)據(jù)庫（19,443個蛋白–配體復(fù)合物晶體結(jié)構(gòu)），按時間劃分：2019年前的數(shù)據(jù)用于訓(xùn)練和驗證，2019年的數(shù)據(jù)用于測試。額外構(gòu)建了Major Drug Targets (MDT)測試集（599對），聚焦激酶、GPCR等主要藥物靶點(diǎn)，要求AlphaFold預(yù)測結(jié)構(gòu)與晶體結(jié)構(gòu)的pocket RMSD>2?，確保測試難度。訓(xùn)練中通過AlphaFold預(yù)測結(jié)構(gòu)與晶體結(jié)構(gòu)插值生成蛋白部分的樣本。

3.模型：DynamicBind是一個基于圖神經(jīng)網(wǎng)絡(luò)的等變生成模型，使用粗?；硎荆ǖ鞍滓?/span>Cα節(jié)點(diǎn)和側(cè)鏈二面角表示，配體以重原子節(jié)點(diǎn)表示），輸出包括蛋白和配體的平移、旋轉(zhuǎn)、扭轉(zhuǎn)角更新，以及結(jié)合親和力和cLDDT置信度評分。模型通過學(xué)習(xí)從apo到holo的“morph-like”變換，優(yōu)化能量景觀，包含63.67百萬參數(shù)。

4.訓(xùn)練細(xì)節(jié)：訓(xùn)練在8塊Nvidia A100 80GB GPU上進(jìn)行5天，輸入為添加morph變換的蛋白decoy構(gòu)象和加高斯噪聲的配體構(gòu)象，目標(biāo)是去噪操作。損失函數(shù)包括八項（配體和蛋白的平移、旋轉(zhuǎn)、扭轉(zhuǎn)等），通過Kabsch算法對齊apo和holo結(jié)構(gòu)，結(jié)合擴(kuò)散噪聲調(diào)整構(gòu)象過渡。推理時迭代20次更新初始結(jié)構(gòu)。

通過培訓(xùn)可以掌握的內(nèi)容：

1.蛋白質(zhì)–配體復(fù)合物結(jié)構(gòu)預(yù)測：學(xué)員將學(xué)習(xí)如何利用深度學(xué)習(xí)方法（如NeuralPLexer）從蛋白序列和配體分子圖預(yù)測復(fù)合物的三維結(jié)構(gòu)，理解多尺度幾何建模和擴(kuò)散過程在捕捉原子級分辨率結(jié)構(gòu)及構(gòu)象變化中的作用，并掌握其在盲對接和柔性結(jié)合位點(diǎn)恢復(fù)中的應(yīng)用。

2.對接姿勢生成與優(yōu)化：掌握基于Graph-Transformer架構(gòu)和蒙特卡洛采樣生成對接姿勢的技術(shù)，學(xué)習(xí)如何通過姿勢評分和對比學(xué)習(xí)（如偽Huber損失）優(yōu)化姿勢選擇，提升對接準(zhǔn)確性（如RMSD<2?的成功率）。

3.親和力預(yù)測的計算方法：學(xué)員將了解如何從對接姿勢預(yù)測實驗親和力值（如IC50、Kd、KI），掌握基于虛擬節(jié)點(diǎn)和對比學(xué)習(xí)的姿勢敏感性訓(xùn)練策略，以提高親和力預(yù)測的魯棒性和實際應(yīng)用價值。

4.模型評估與基準(zhǔn)測試：熟悉常用基準(zhǔn)數(shù)據(jù)集（如PDBBind）和評價指標(biāo)（如RMSD、lDDT-BS、TM-score）的使用，理解如何通過時間分割測試集和物理合理性檢查評估模型的泛化能力和性能。

5.實際藥物設(shè)計的應(yīng)用：通過案例分析（如Interformer篩選出高親和力小分子），學(xué)習(xí)如何將這些預(yù)測技術(shù)應(yīng)用于酶工程和藥物發(fā)現(xiàn)，加速候選分子的篩選和優(yōu)化過程。

第一天

A1 代謝物及代謝組學(xué)的發(fā)展與應(yīng)用

（1） ?代謝與生理過程；

（2） ?代謝與疾??；

（3） ?非靶向與靶向代謝組學(xué)；

（4） ?空間代謝組學(xué)與質(zhì)譜成像（MSI）；

（5） ?代謝組學(xué)與藥物和生物標(biāo)志物；

（6） ?代謝流與機(jī)制研究。A2 代謝通路及代謝數(shù)據(jù)庫

（1） ?幾種經(jīng)典代謝通路簡介；

（2） ?三大常見代謝物庫：HMDB 、METLIN 和 KEGG;

（3） 代謝組學(xué)原始數(shù)據(jù)庫：Metabolomics Workbench 和 Metabolights. A3 參考資料推薦

A4 代謝組學(xué)實驗流程簡介

A5 色譜 、質(zhì)譜硬件與原理解析

（1） ?色譜分析原理與構(gòu)造；

（2） ?色譜儀和色譜柱的選擇；

（3） ?色譜的流動相：梯度洗脫法；

（4） ?離子源、質(zhì)量分析器與質(zhì)量檢測器解析；

（5） ?質(zhì)譜分析原理及動畫演示；

（6） ?色譜質(zhì)譜聯(lián)用技術(shù)（LC-MS）；

第二天

B1 代謝物樣本處理與抽提

（1） 各種組織、血液和體液等樣本的提取流程與注意事項；

（2） 代謝物抽提流程與注意事項；

（3） 樣本及代謝物的運(yùn)輸與保存問題；

B2 LC-MS 數(shù)據(jù)質(zhì)控與搜庫

（1） LC-MS 實驗過程中 QC 和 Blank 樣本的設(shè)置方法；

（2） LC-MS 上機(jī)過程的數(shù)據(jù)質(zhì)控監(jiān)測和分析；

（3） 代謝組學(xué)上游分析原理——基于 Compound Discoverer 與 Xcms 軟件；

（4） Xcms 軟件數(shù)據(jù)轉(zhuǎn)換、提峰、峰對齊與搜庫；

B3 R 軟件基礎(chǔ)

（1） R 和 Rstudio 的安裝；

（2） Rstudio 的界面配置；

（3） R 中的基礎(chǔ)運(yùn)算和統(tǒng)計計算；

（4） R 中的包：包，函數(shù)與參數(shù)的使用；

（5） R 語言語法，數(shù)據(jù)類型與數(shù)據(jù)結(jié)構(gòu)；

（6） R 基礎(chǔ)畫圖；

B4 ggplot2

（1） ggplot2 簡介

（2） ggplot2 的畫圖哲學(xué)；

（3） ggplot2 的配色系統(tǒng)；

（4） ggplot2 數(shù)據(jù)挖掘與作圖實戰(zhàn)；

第三天

機(jī)器學(xué)習(xí)

C1 有監(jiān)督式機(jī)器學(xué)習(xí)在代謝組學(xué)數(shù)據(jù)處理中的應(yīng)用

（1） 人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系；

（2） 回歸算法：從線性回歸、Logistic 回歸與 Cox 回歸講起；

（3） PLS-DA 算法：PCA 降維后沒有差異的數(shù)據(jù)還有救嗎？

（4） VIP score 的意義及選擇；

（5） 分類算法：決策樹，隨機(jī)森林和貝葉斯網(wǎng)絡(luò)模型；

C2 一組代謝組學(xué)數(shù)據(jù)的分類算法實現(xiàn)的 R 演練

(1) 數(shù)據(jù)解讀；

(2) 演練與操作；

C3 無監(jiān)督式機(jī)器學(xué)習(xí)在代謝組學(xué)數(shù)據(jù)處理中的應(yīng)用

（1） 大數(shù)據(jù)處理中的降維；

（2） PCA 分析作圖；

（3） 三種常見的聚類分析：K-means、層次分析與 SOM

（4） 熱圖和 hcluster 圖的 R 語言實現(xiàn)；

C4 一組代謝組學(xué)數(shù)據(jù)的降維與聚類分析的 R 演練

(1) 數(shù)據(jù)解析；

(2) 演練與操作；

第四天

D1 在線代謝組分析網(wǎng)頁 Metaboanalyst 操作

（1） 用 R 將數(shù)據(jù)清洗成網(wǎng)頁需要的格式；

（2） 獨(dú)立組、配對組和多組的數(shù)據(jù)格式問題；

（3） Metaboanalyst 中的上游分析（原始數(shù)據(jù)峰提取、峰對齊與搜庫）

（4） Metaboanalyst 的 pipeline 以及參數(shù)設(shè)置和注意事項；

（5） Metaboanalyst 的結(jié)果查看和導(dǎo)出；

（6） Metaboanalyst 的數(shù)據(jù)編輯；

（7） 全流程演練與操作。

D2 代謝組學(xué)數(shù)據(jù)清洗與 R 語言進(jìn)階

（1） 代謝組學(xué)中的 t、fold-change 和響應(yīng)值；

（2） 數(shù)據(jù)清洗流程；

（3） R 語言 tidyverse；

（4） 數(shù)據(jù)預(yù)處理：數(shù)據(jù)過濾與數(shù)據(jù)標(biāo)準(zhǔn)化（樣本的 Normalization 和代謝物的 Scaling）；

（5） 代謝組學(xué)數(shù)據(jù)清洗演練；

第五天

E1 文獻(xiàn)數(shù)據(jù)分析部分復(fù)現(xiàn)（1 篇）

（1） 文獻(xiàn)深度解讀；

（2） 實操：從原始數(shù)據(jù)下載到圖片復(fù)現(xiàn)；

（3） 學(xué)員實操。

E2 機(jī)器學(xué)習(xí)與代謝組學(xué)頂刊解讀（3 篇）；

（1） Signal Transduction and Targeted Therapy 一篇有關(guān)饑餓對不同腦區(qū)代謝組學(xué)影響變

化的小鼠腦組織代謝圖譜類的文獻(xiàn)；(數(shù)據(jù)庫型)

（2） Cell 一篇代謝組學(xué)孕婦全程血液代謝組學(xué)分析得出對孕周和孕產(chǎn)期預(yù)測的代謝標(biāo)志物

的文獻(xiàn)；(生物標(biāo)志物型)

（3） Nature 一篇對胰腺癌患者腸道菌群的代謝組學(xué)分析找到可以提高化療效果的代謝物的

文獻(xiàn)。(機(jī)制研究型)

第一天

理論部分

深度學(xué)習(xí)算法介紹

1.有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法

1.1 全連接深度神經(jīng)網(wǎng)絡(luò) DNN 在基因組學(xué)中的應(yīng)用舉例

1.2 卷積神經(jīng)網(wǎng)絡(luò) CNN 在基因組學(xué)中的應(yīng)用舉例

1.3 循環(huán)神經(jīng)網(wǎng)絡(luò) RNN 在基因組學(xué)中的應(yīng)用舉例

1.4 圖卷積神經(jīng)網(wǎng)絡(luò) GCN 在基因組學(xué)中的應(yīng)用舉例

2.無監(jiān)督的神經(jīng)網(wǎng)絡(luò)算法

2.1 自動編碼器 AE 在基因組學(xué)中的應(yīng)用舉例

2.2 生成對抗網(wǎng)絡(luò) GAN 在基因組學(xué)中的應(yīng)用舉例

基因組常用深度學(xué)習(xí)框架

1. 介紹深度學(xué)習(xí)工具包 tensorflow, keras，pytorch

2. 在工具包中識別深度學(xué)習(xí)模型要素

2.1.數(shù)據(jù)表示

2.2.張量運(yùn)算

2.3.神經(jīng)網(wǎng)絡(luò)中的“層”

2.4.由層構(gòu)成的模型

2.5.損失函數(shù)與優(yōu)化器

2.6.數(shù)據(jù)集分割

2.7.過擬合與欠擬合

基因組學(xué)基礎(chǔ)

1. 基因組數(shù)據(jù)庫

2. 表觀基因組

3. 轉(zhuǎn)錄基因組

4. 蛋白質(zhì)組

5. 功能基因組

實操內(nèi)容

1.Linux 操作系統(tǒng)

1.1 常用的 Linux 命令

1.2 Vim 編輯器

1.3 基因組數(shù)據(jù)文件管理, 修改文件權(quán)限

1.4 查看探索基因組區(qū)域

2.Python 語言基礎(chǔ)

2.1.Python 包安裝和環(huán)境搭建

2.2.常見的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)類型

3.?安裝深度學(xué)習(xí)工具包 tensorflow, keras，pytorch，在工具包中識別深度學(xué)

習(xí)模型要素

第二天

理論部分

1. 介紹 keras_dna 平臺，搭建基因組學(xué)常用深度學(xué)習(xí)應(yīng)用案例2. 深度學(xué)習(xí)模型 DeepG4 從 Chip-Seq 及 DnaseSeq 中識別基序特征 G4

實操內(nèi)容

1.基因組數(shù)據(jù)處理搭建深度學(xué)習(xí)模型

1.1 安裝并使用 keras_dna 處理各種基因序列數(shù)據(jù)如 BED、 GFF、GTF、BIGWIG、

BEDGRAPH、WIG 等

1.2 使用 keras_dna 設(shè)計深度學(xué)習(xí)模型

1.3 使用 keras_dna 分割訓(xùn)練集、測試集

1.4 使用 keras_dna 選取特定染色體的基因序列等

2.使用 keras_dna 平臺復(fù)現(xiàn) DeepG4 模型，從 Chip-Seq 中識別 G4 特征

第三天

理論部分

深度學(xué)習(xí)在基因調(diào)控預(yù)測中的應(yīng)用

1. selene_sdk 預(yù)測 DNA 甲基化及轉(zhuǎn)錄調(diào)控因子等 DeepSEA

2. 循環(huán)神經(jīng)網(wǎng)絡(luò) RNN 從 RNA 序列中預(yù)測 pre-miRNA，dnnMiRPre

實操內(nèi)容

復(fù)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò) CNN 識別基序特征 DeepG4、基因調(diào)控因子 DeepSEA，

1. 安裝 selene_sdk，復(fù)現(xiàn) DeepSEA 預(yù)測 DNA 甲基化，非編碼基因變異等基因調(diào)

控因子

2. 復(fù)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò) RNN 工具 dnnMiRPre，從 RNA-Seq 中預(yù)測 pre-miRNA

第四天

理論部分

深度學(xué)習(xí)在預(yù)測疾病表型及生物標(biāo)志物上的應(yīng)用

1. 從高維基因表達(dá)數(shù)據(jù)中識別乳腺癌分型的自動編碼機(jī)深度學(xué)習(xí)工具

DeepType

2. 深度學(xué)習(xí)在識別拷貝數(shù)變異 DeepCNV 模型

實操內(nèi)容

1. 復(fù)現(xiàn) DeepType，從 METABRIC 乳腺癌數(shù)據(jù)中區(qū)分乳腺癌亞型

2. 解析 DeepType 中新的乳腺癌亞型的標(biāo)志基因

3. 復(fù)現(xiàn) DeepCNV 利用 SNP 微陣列聯(lián)合圖像分析識別拷貝數(shù)變異

第五天

理論部分

深度學(xué)習(xí)在預(yù)測藥物反應(yīng)機(jī)制上的應(yīng)用

1. 聯(lián)合腫瘤基因標(biāo)記及藥物分子結(jié)構(gòu)預(yù)測藥物反應(yīng)機(jī)制的深度學(xué)習(xí)工具 SWnet

實操內(nèi)容

1. 預(yù)處理藥物分子結(jié)構(gòu)信息

2. 計算藥物相似性

3. 在不同數(shù)據(jù)集上構(gòu)建 self-attention SWnet

4. 評估 self-attention SWnet

5. 構(gòu)建多任務(wù)的 SWnet

6. 構(gòu)建單層 SWnet

7. 構(gòu)建帶權(quán)值層的 SWnet

機(jī)器學(xué)習(xí)基本概念介紹

第二天

機(jī)器學(xué)習(xí)在生物醫(yī)學(xué)中的應(yīng)用案例分享

第三天

機(jī)器學(xué)習(xí)應(yīng)用于TCGA轉(zhuǎn)錄組數(shù)據(jù)，構(gòu)建預(yù)后模型

第四天

機(jī)器學(xué)習(xí)應(yīng)用于GEO表達(dá)譜數(shù)據(jù)，構(gòu)建分類模型

第五天

機(jī)器學(xué)習(xí)應(yīng)用于代謝組學(xué)+蛋白組學(xué)數(shù)據(jù)，復(fù)現(xiàn)cell文章

部分模型案例圖片

第一天

緒論

1.課程簡介與學(xué)習(xí)目標(biāo)

2.基因編輯技術(shù)概述

2.1 基因編輯的定義、核心原理與技術(shù)分類

2.2 基因編輯與合成生物學(xué)的交叉

3.技術(shù)應(yīng)用領(lǐng)域全景圖

3.1基礎(chǔ)研究

3.2農(nóng)業(yè)育種

3.3疾病治療

3.4生物制造

4.倫理與安全問題初探

4.1 脫靶效應(yīng)與基因驅(qū)動

4.2 人類胚胎編輯的倫理邊界

第二天

基因編輯技術(shù)發(fā)展簡史

1.1 ZFN

1.2 TALENs

1.3 局限性CRISPR技術(shù)的革命性突破

2.1 原核生物免疫機(jī)制的發(fā)現(xiàn)歷程

2.2 Cas9系統(tǒng)在真核細(xì)胞的應(yīng)用驗證

2.3里程碑事件與諾貝爾獎解讀

2.4中國科學(xué)家在基因編輯領(lǐng)域的突出貢獻(xiàn)

第三天

CRISPR常用工具與實操

CRISPR-Cas系統(tǒng)

1.1 CRISPR系統(tǒng)的起源與機(jī)制

1.2 主要工具酶的特征與選擇（實操）

1.3 sgRNA的設(shè)計與優(yōu)化（實操）

1.4 CRISPR 篩選（CRISPR Screnning）

1.5 CRISPR-Cas系統(tǒng)在模式生物中的應(yīng)用

1.6 CRISPR-Cas系統(tǒng)與CAR-T細(xì)胞治療

堿基編輯器（Base Editing）

2.1 腺嘌呤堿基編輯器（ABE）

2.2 脫氨酶的活性優(yōu)化及對脫靶效應(yīng)的控制

2.3 胞嘧啶堿基編輯器（CBE）

2.4 C-to-T編輯的特異性與效率平衡

2.5 利用堿基編輯器構(gòu)建動物模型

2.6 單核苷酸突變矯正

先導(dǎo)編輯（Prime Editing）

3.1 逆轉(zhuǎn)錄酶的特點(diǎn)與選擇

3.2 pegRNA的設(shè)計與優(yōu)化（實操）

3.3 雙pegRNA編輯系統(tǒng)

3.4 PM359治療慢性肉芽腫病

CRISPR激活與抑制系統(tǒng)（CRISPRa/i）

4.1 dCas9

4.2 dCas9與轉(zhuǎn)錄激活因子、轉(zhuǎn)錄抑制因子的融合

4.3 CRISPRa在干細(xì)胞重編程中的應(yīng)用

4.4 CRISPRa/i研究癌癥相關(guān)基因的功能網(wǎng)絡(luò)

其他基因編輯工具

5.1 大片段DNA精準(zhǔn)操縱工具

5.2 Cre-loxP系統(tǒng)在模式動物中的應(yīng)用

第四天

遞送系統(tǒng)

CRISPR遞送系統(tǒng)概述

1.1 CRISPR技術(shù)的基本原理和發(fā)展歷程

1.2 CRISPR遞送系統(tǒng)的重要性和挑戰(zhàn)

病毒載體遞送系統(tǒng)

2.1 病毒載體的類型和特點(diǎn)（如腺相關(guān)病毒AAV）

2.3病毒載體的構(gòu)建和優(yōu)化

2.3 病毒載體在CRISPR遞送中的應(yīng)用和案例分析

非病毒遞送系統(tǒng)

3.1 納米顆粒（如脂質(zhì)納米顆粒LNP）的設(shè)計與應(yīng)用

3.2 電穿孔技術(shù)的原理和應(yīng)用

3.3 非病毒遞送系統(tǒng)的優(yōu)缺點(diǎn)分析

植物病毒遞送系統(tǒng)

4.1 植物-彈狀病毒在CRISPR遞送中的應(yīng)用

4.2 植物病毒遞送系統(tǒng)的優(yōu)化和挑戰(zhàn)

第五天

CRISPR應(yīng)用

CRISPR在基礎(chǔ)研究中的應(yīng)用

1.1 CRISPR在基因功能研究中的應(yīng)用

1.2 CRISPR在疾病模型創(chuàng)建中的應(yīng)用

1.3 CRISPR在基因調(diào)控研究中的應(yīng)用

CRISPR在遺傳病治療中的應(yīng)用

2.1 遺傳病數(shù)據(jù)庫的建立和應(yīng)用

2.2 CRISPR治療遺傳病的案例分析

2.3FDA批準(zhǔn)的CRISPR療法介紹（鐮狀細(xì)胞貧血、杜氏肌肉營養(yǎng)不良、癌癥的免疫療法）

小結(jié)與展望

基本內(nèi)容小結(jié)+當(dāng)前技術(shù)瓶頸分析

1.1 遞送效率與組織靶向性難題

1.2復(fù)雜性狀的多基因協(xié)同編輯

新興技術(shù)發(fā)展方向

2.1 DNA 聚合酶編輯器

2.2 CRISPR 引導(dǎo)的重組酶和轉(zhuǎn)座子

2.3 表觀基因組編輯

2.4 RNA編輯

2.5 AI與基因編輯

新型CRISPR工具

臨床轉(zhuǎn)化路線圖

3.1 體內(nèi)編輯與體外編輯的產(chǎn)業(yè)化路徑

3.2 基因編輯療法監(jiān)管體系的國際比較

基因編輯的道德考量和安全性

第一天

智慧醫(yī)療中的圖像處理與分析概論

1、闡述智慧醫(yī)療定義，回溯其發(fā)展歷程，剖析當(dāng)下智慧醫(yī)療多元應(yīng)用場景，如遠(yuǎn)程診斷、智能輔助決策等，展望未來在精準(zhǔn)醫(yī)療、個性化治療方面的潛力。

2、深入講解醫(yī)療圖像在智慧醫(yī)療體系里的重要性，從輔助診斷、治療規(guī)劃到療效評估全流程解析，明確課程知識、技能雙目標(biāo)，梳理學(xué)習(xí)計劃，強(qiáng)調(diào)結(jié)合實際案例的實踐導(dǎo)向。

醫(yī)療圖像的基本類型和獲取方法

1、詳細(xì)科普醫(yī)療圖像主要類型，簡要介紹X射線成像原理、CT斷層掃描機(jī)制、MRI磁共振成像特色、超聲成像的聲波利用，每種類型搭配實際應(yīng)用場景，如X射線在骨折檢測，MRI在腦部病變診斷的應(yīng)用。

第二天

圖像處理和分析的基本技術(shù)和算法

1、實操演示圖像預(yù)處理技術(shù)，展示去噪算法應(yīng)用、增強(qiáng)視覺效果手段、對比度調(diào)整技巧的實際效果，如使用OpenCV進(jìn)行高斯模糊去噪、中值濾波去除椒鹽噪聲，直方圖均衡化增強(qiáng)對比度，每種方法結(jié)合具體醫(yī)學(xué)圖像案例，如去除X光圖像中的噪聲，增強(qiáng)CT圖像的對比度，展示實際的OpenCV代碼示例。

2、簡要講解邊緣檢測原理，對比常用邊緣檢測算子如Sobel、Canny算子的效果，解讀形態(tài)學(xué)操作如腐蝕、膨脹在圖像處理中的功效，展示如何用OpenCV實現(xiàn)這些操作。

3、拆解圖像分割技術(shù)，簡要介紹閾值分割法、區(qū)域分割策略、邊緣分割原理，結(jié)合醫(yī)學(xué)圖像案例，如用閾值分割法分離MRI圖像中的腦組織，用區(qū)域生長算法標(biāo)記腫瘤區(qū)域，用邊緣分割勾勒器官輪廓，展示如何用Python和OpenCV實現(xiàn)這些分割方法，提供相關(guān)的代碼示例和實際的圖像處理結(jié)果。

深度學(xué)習(xí)在醫(yī)療圖像分析中的應(yīng)用

1、從基礎(chǔ)概念入手，介紹深度學(xué)習(xí)框架，簡要講解CNN卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，說明卷積層、池化層、全連接層的作用，結(jié)合醫(yī)學(xué)圖像識別中的應(yīng)用案例，講解如何用深度學(xué)習(xí)模型實現(xiàn)圖像分類、目標(biāo)檢測和分割。

2、結(jié)合實際案例，剖析深度學(xué)習(xí)在圖像分類、目標(biāo)檢測、分割中的應(yīng)用流程，實操演示常用深度學(xué)習(xí)模型YOLOv5在醫(yī)療圖像里的調(diào)用與優(yōu)化，提供實際的模型定義和訓(xùn)練代碼示例，如用YOLOv5檢測X光圖像中的肺結(jié)節(jié)，展示如何配置模型參數(shù)、加載預(yù)訓(xùn)練模型、訓(xùn)練和優(yōu)化模型，實現(xiàn)醫(yī)學(xué)圖像的目標(biāo)檢測任務(wù)。

第三天

Transformer 技術(shù)在醫(yī)療圖像分析中的應(yīng)用

1、講解Transformer基本原理，簡要介紹架構(gòu)里自注意力機(jī)制運(yùn)作邏輯，說明自注意力機(jī)制如何捕捉圖像中不同區(qū)域之間的長距離依賴關(guān)系，提升模型對上下文的理解。

2、分享Transformer在醫(yī)療圖像分析中的前沿應(yīng)用案例，如基于Transformer的模型在醫(yī)學(xué)圖像分割、分類和目標(biāo)檢測中的應(yīng)用，講解如何利用Transformer架構(gòu)的全局特征提取能力提升診斷準(zhǔn)確性，以腦腫瘤分割為例，演示Transformer如何更準(zhǔn)確地識別腫瘤邊界。

3、指導(dǎo)學(xué)員動手實踐，使用Transformer模型進(jìn)行醫(yī)療圖像分析任務(wù)，提供相關(guān)的代碼示例和開源項目鏈接，如用Vision Transformer（ViT）實現(xiàn)醫(yī)學(xué)圖像分類，展示如何將醫(yī)學(xué)圖像分割成patches并輸入到Transformer中，實現(xiàn)端到端的分類任務(wù)。

多模態(tài)數(shù)據(jù)融合在醫(yī)療圖像分析中的應(yīng)用

1、闡述多模態(tài)數(shù)據(jù)概念，列舉常見類型，如影像、文本報告、生理數(shù)據(jù)融合，講解多模態(tài)數(shù)據(jù)在醫(yī)學(xué)診斷中的互補(bǔ)優(yōu)勢，如影像數(shù)據(jù)提供組織結(jié)構(gòu)信息，文本報告包含癥狀和病史，生理數(shù)據(jù)反映身體機(jī)能狀態(tài)。

2、介紹多模態(tài)數(shù)據(jù)融合方法，如特征級融合、決策級融合技術(shù)，結(jié)合實際案例，如融合CT圖像和臨床指標(biāo)對疾病分期，演示如何用Python實現(xiàn)特征級融合，將不同模態(tài)的數(shù)據(jù)拼接成多維特征向量，輸入到機(jī)器學(xué)習(xí)模型中進(jìn)行分類或回歸任務(wù)。

3、分析多模態(tài)融合在提升醫(yī)療圖像分析準(zhǔn)確性上的作用，展示實際的多模態(tài)數(shù)據(jù)融合代碼示例，如用Keras或PyTorch實現(xiàn)多個神經(jīng)網(wǎng)絡(luò)分支分別處理不同模態(tài)的數(shù)據(jù)，最后在決策層進(jìn)行融合。

第四天

醫(yī)療圖像分析在疾病診斷和治療中的實際案例

1、以肺結(jié)節(jié)篩查診斷為切入點(diǎn)，展示圖像分析輔助醫(yī)生精準(zhǔn)定位、良惡性判斷流程，通過超聲、CT、MRI 等檢查手段對病情進(jìn)行綜合評估和診斷，提供實際的肺結(jié)節(jié)檢測代碼示例和數(shù)據(jù)集，講解如何用深度學(xué)習(xí)模型在胸部CT圖像中自動檢測肺結(jié)節(jié)，并根據(jù)結(jié)節(jié)特征判斷良惡性。

2、延伸至腫瘤識別與分割，講解如何利用圖像處理技術(shù)勾勒腫瘤邊界，探討心血管疾病診斷評估，通過血管影像分析病情，展示實際的心血管疾病診斷代碼示例和數(shù)據(jù)集，如用U-Net模型分割腦部MRI圖像中的腫瘤區(qū)域，用血管成像技術(shù)分析冠狀動脈狹窄程度。

圖像處理工具與實踐與深度學(xué)習(xí)模型的訓(xùn)練

1、介紹常用圖像處理工具OpenCV、MATLAB 功能模塊，實操演示圖像處理算法實現(xiàn)與優(yōu)化技巧，提供實際的圖像處理代碼示例和優(yōu)化方法，如用OpenCV實現(xiàn)醫(yī)學(xué)圖像的量化、特征分析等功能，用MATLAB進(jìn)行快速傅里葉變換和小波變換。

2、指導(dǎo)學(xué)員使用OpenCV完成圖像預(yù)處理和分析任務(wù)，上手深度學(xué)習(xí)框架訓(xùn)練醫(yī)療圖像分類模型，掌握模型調(diào)參方法，提供實際的模型訓(xùn)練代碼示例和調(diào)參技巧，如在ResNet模型的基礎(chǔ)上進(jìn)行微調(diào)，優(yōu)化學(xué)習(xí)率、批量大小、正則化參數(shù)等。

第五天

醫(yī)療圖像分析項目設(shè)計與實施

1、引導(dǎo)學(xué)員進(jìn)行項目需求分析，規(guī)劃項目整體架構(gòu)，涵蓋數(shù)據(jù)收集、處理、模型選擇到結(jié)果評估全流程，強(qiáng)調(diào)項目的臨床實用性和快速部署，鼓勵學(xué)員結(jié)合實際工作中的問題設(shè)計項目主題。

2、提供結(jié)構(gòu)化的課程學(xué)習(xí)計劃，圍繞主題進(jìn)行拓展學(xué)習(xí)和實踐，推薦相關(guān)書籍、學(xué)術(shù)論文、在線課程和實操項目資源，輔助學(xué)習(xí)者深化理解課程知識，提升專業(yè)技能。