（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） 代謝流與機(jī)制研究；

（6） 代謝組學(xué)與藥物和生物標(biāo)志物。

A2 代謝組學(xué)實(shí)驗(yàn)流程簡(jiǎn)介

A3 色譜、質(zhì)譜硬件原理

（1） 色譜分析原理；

（2） 色譜的氣相、液相和固相；

（3） 色譜儀和色譜柱的選擇；

（4） 質(zhì)譜分析原理及動(dòng)畫(huà)演示；

（5） 正、負(fù)離子電離模式；

（6） 色譜質(zhì)譜聯(lián)用技術(shù)；

（7） LC-MS 的液相系統(tǒng)

A4 代謝通路及代謝數(shù)據(jù)庫(kù)

（1） 幾種經(jīng)典代謝通路簡(jiǎn)介；

（2） 能量代謝通路；

（3） 三大常見(jiàn)代謝物庫(kù)：HMDB、METLIN 和 KEGG;

（4） 代謝組學(xué)原始數(shù)據(jù)庫(kù)：Metabolomics Workbench 和Metabolights.

第二天

B1 代謝物樣本處理與抽提

（1） 組織、血液和體液樣本的提取流程與注意事項(xiàng)；

（2） 用 ACN 抽提代謝物的流程與注意事項(xiàng)；

（3） 樣本及代謝物的運(yùn)輸與保存問(wèn)題；

B2 LC-MS 數(shù)據(jù)質(zhì)控與搜庫(kù)

（1） LC-MS 實(shí)驗(yàn)過(guò)程中 QC 樣本的設(shè)置方法；

（2） LC-MS 上機(jī)過(guò)程的數(shù)據(jù)質(zhì)控監(jiān)測(cè)和分析；

（3） XCMS 軟件數(shù)據(jù)轉(zhuǎn)換與提峰；

B3 R 軟件基礎(chǔ)

（1） R 和 Rstudio 的安裝；

（2） Rstudio 的界面配置；

（3） R 的基本數(shù)據(jù)結(jié)構(gòu)和語(yǔ)法；

（4） 下載與加載包；

（5） 函數(shù)調(diào)用和 debug；

B4 ggplot2

（1） 安裝并使用 ggplot2

（2） ggplot2 的畫(huà)圖哲學(xué)；

（3） ggplot2 的配色系統(tǒng)；

（4） ggplot2 畫(huà)組合圖和火山圖；

第三天

機(jī)器學(xué)習(xí)

C1 無(wú)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(jiàn)的聚類(lèi)分析：K-means、層次分析與 SOM

（4） 熱圖和 hcluster 圖的 R 語(yǔ)言實(shí)現(xiàn)；

C2 一組代謝組學(xué)數(shù)據(jù)的降維與聚類(lèi)分析的 R 演練

(1) 數(shù)據(jù)解析；

(2) 演練與操作；

C3 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） 數(shù)據(jù)用 PCA 降維處理后仍然無(wú)法找到差異怎么辦？

（2） PLS-DA 找出最可能影響差異的代謝物；

（3） VIP score 和 coef 的意義及選擇；

（4） 分類(lèi)算法：支持向量機(jī)，隨機(jī)森林

C4 一組代謝組學(xué)數(shù)據(jù)的分類(lèi)算法實(shí)現(xiàn)的 R 演練

(1) 數(shù)據(jù)解讀；

(2) 演練與操作；

第四天

D1 代謝組學(xué)數(shù)據(jù)清洗與 R 語(yǔ)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(yǔ)言 tidyverse

（4） R 語(yǔ)言正則表達(dá)式；

（5） 代謝組學(xué)數(shù)據(jù)過(guò)濾；

（6） 代謝組學(xué)數(shù)據(jù) Scaling 原理與 R 實(shí)現(xiàn)；

（7） 代謝組學(xué)數(shù)據(jù)的 Normalization；

（8） 代謝組學(xué)數(shù)據(jù)清洗演練；

D2 在線代謝組分析網(wǎng)頁(yè) Metaboanalyst 操作

（1） 用 R 將數(shù)據(jù)清洗成網(wǎng)頁(yè)需要的格式；

（2） 獨(dú)立組、配對(duì)組和多組的數(shù)據(jù)格式問(wèn)題；

（3） Metaboanalyst 的 pipeline 和注意事項(xiàng)；

（4） Metaboanalyst 的結(jié)果查看和導(dǎo)出；

（5） Metaboanalyst 的數(shù)據(jù)編輯；

（6） 全流程演練與操作

第五天

E1 機(jī)器學(xué)習(xí)與代謝組學(xué)頂刊解讀（2-3 篇）；

（1） Nature Communication 一篇代謝組學(xué)小鼠腦組織樣本 database 類(lèi)型的文獻(xiàn)；

（2） Cell 一篇代謝組學(xué)患者血液樣本的機(jī)器學(xué)習(xí)與疾病判斷的文獻(xiàn)；

（3） 1-2 篇代謝組學(xué)與轉(zhuǎn)錄組學(xué)和蛋白組學(xué)結(jié)合的文獻(xiàn)。

E2 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(shí)操：從原始數(shù)據(jù)下載到圖片復(fù)現(xiàn)；

（3） 學(xué)員實(shí)操。

上下滑動(dòng)查看更多內(nèi)容

Part：專(zhuān)題四

深度學(xué)習(xí)在基因組學(xué)中的應(yīng)用

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(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)算法

2.1自動(dòng)編碼器AE在基因組學(xué)中的應(yīng)用舉例

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

實(shí)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(yǔ)言基礎(chǔ)

2.1.Python包安裝和環(huán)境搭建

2.2.常見(jiàn)的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)類(lèi)型

第二天

理論部分

基因組學(xué)基礎(chǔ)

1. 基因組數(shù)據(jù)庫(kù)

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(shí)操內(nèi)容

基因組常用深度學(xué)習(xí)框架

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

2. 在工具包中識(shí)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(guò)擬合與欠擬合

3.基因組數(shù)據(jù)處理

3.1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

3.2使用keras_dna設(shè)計(jì)深度學(xué)習(xí)模型

3.3使用keras_dna分割訓(xùn)練集、測(cè)試集

3.4使用keras_dna選取特定染色體的基因序列等

第三天

理論部分

卷積神經(jīng)網(wǎng)絡(luò)CNN在基因調(diào)控預(yù)測(cè)中的應(yīng)用

1. Chip-Seq中識(shí)別基序特征G4，如DeepG4

2. Chip-Seq中預(yù)測(cè)DNA甲基化，DeepSEA

3. Chip-Seq中預(yù)測(cè)轉(zhuǎn)錄調(diào)控因子結(jié)合，DeepSEA

實(shí)操內(nèi)容

復(fù)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)CNN識(shí)別基序特征DeepG4、非編碼基因突變DeepSEA復(fù)現(xiàn)DeepG4從Chip-Seq中識(shí)別G4特征

1. 安裝selene_sdk，復(fù)現(xiàn)DeepSEA從Chip-Seq中預(yù)測(cè)DNA甲基化，非編碼基因突變

第四天

理論部分

深度學(xué)習(xí)在識(shí)別拷貝數(shù)變異DeepCNV

1. SNP微陣列中預(yù)測(cè)拷貝數(shù)變異CNV，DeepCNV

2. RNA-Seq中預(yù)測(cè)premiRNA，dnnMiRPre

實(shí)操內(nèi)容

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

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(cè)premiRNA

第五天

理論部分

深度學(xué)習(xí)在識(shí)別及疾病表型及生物標(biāo)志物上的應(yīng)用

1. 從基因表達(dá)數(shù)據(jù)中識(shí)別乳腺癌分型的深度學(xué)習(xí)工具DeepType

實(shí)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

第六天

理論部分

深度學(xué)習(xí)在預(yù)測(cè)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(cè)藥物反應(yīng)機(jī)制的深度學(xué)習(xí)工具SWnet

實(shí)操內(nèi)容

1. 預(yù)處理藥物分子結(jié)構(gòu)信息

2. 計(jì)算藥物相似性

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

4. 評(píng)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

上下滑動(dòng)查看更多內(nèi)容

上下滑動(dòng)查看更多

Part.專(zhuān)題五

機(jī)器學(xué)習(xí)微生物組學(xué)課表

第一天

1. 微生物學(xué)基礎(chǔ)知識(shí)回顧

2. 機(jī)器學(xué)習(xí)基本概念介紹

a. 什么是機(jī)器學(xué)習(xí)

b. 監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)

c. 常用機(jī)器學(xué)習(xí)模型介紹

3. 混淆矩陣

4. ROC曲線

第二天

R語(yǔ)言簡(jiǎn)介與實(shí)操

1. R語(yǔ)言概述

2. R studio軟件與R包安裝

3. R語(yǔ)言語(yǔ)法及數(shù)據(jù)類(lèi)型

4. 條件語(yǔ)句和循環(huán)

Linux實(shí)操

1. Linux操作系統(tǒng)

2. Linux操作系統(tǒng)的安裝與設(shè)置

3. 網(wǎng)絡(luò)配置與服務(wù)進(jìn)程管理

4. Linux的遠(yuǎn)程登錄管理

5. 常用的Linux命令

6. 在Linux下獲取基因數(shù)據(jù)

7. Shell script與Vim編輯器

第三天

微生物組常用分析方法（實(shí)操）

1. 微生物豐度分析

2. 轉(zhuǎn)錄組豐度分析

3. 進(jìn)化樹(shù)分析

4. 降維分析

第四天

機(jī)器學(xué)習(xí)在微生物組學(xué)中的應(yīng)用案例分享

1. 疾病預(yù)測(cè)應(yīng)用：利用機(jī)器學(xué)習(xí)基于微生物組學(xué)數(shù)據(jù)預(yù)測(cè)疾病狀態(tài)

2. 腸道菌群研究：機(jī)器學(xué)習(xí)研究飲食對(duì)腸道微生物的影響

第五天

機(jī)器學(xué)習(xí)模型訓(xùn)練和分析（實(shí)操）

1. 加載數(shù)據(jù)及數(shù)據(jù)歸一化

2. 構(gòu)建訓(xùn)練模型（GLM, RF, SVM）

3. 模型參數(shù)優(yōu)化

4. 模型錯(cuò)誤率曲線繪制

5. 混淆矩陣計(jì)算

6. 重要特征篩選

7. 模型驗(yàn)證，ROC曲線繪制利用模型進(jìn)行預(yù)測(cè)

利用機(jī)器學(xué)習(xí)基于微生物組學(xué)數(shù)據(jù)預(yù)測(cè)宿主表型

1. 加載數(shù)據(jù)

2. 數(shù)據(jù)歸一化

3. OUT特征處理

4. 機(jī)器學(xué)習(xí)模型構(gòu)建（RF, KNN, SVM, Lasso等多種機(jī)器學(xué)習(xí)方法）

5. 繪制ROC 曲線，比較不同機(jī)器學(xué)習(xí)模型模型性能評(píng)估

利用機(jī)器學(xué)習(xí)基于臨床特征和腸道菌群預(yù)測(cè)疾病風(fēng)險(xiǎn)

1. 加載數(shù)據(jù)

2. 機(jī)器學(xué)習(xí)模型構(gòu)建（RF, gbm, SVM等等）

3. 交叉驗(yàn)證

4. 模型性能評(píng)估

上下滑動(dòng)查看更多內(nèi)容

Part.專(zhuān)題六

CADD計(jì)算機(jī)輔助藥物設(shè)計(jì)課表

第一天

上午

導(dǎo)論與基礎(chǔ)

1. 蛋白質(zhì)三維結(jié)構(gòu)的預(yù)測(cè)對(duì)于藥物發(fā)現(xiàn)的重要性

1.1 同源建模

1.2 從頭建模

2. 蛋白質(zhì)（酶/靶點(diǎn)）活性位點(diǎn)在藥物發(fā)現(xiàn)的重要性

3. 藥物發(fā)現(xiàn)中的關(guān)鍵結(jié)構(gòu)特征（特別是小分子）

4. 藥物輔助發(fā)現(xiàn)常用的計(jì)算方法

4.1 分子對(duì)接

4.2 虛擬篩選

4.3 分子動(dòng)力學(xué)模擬

4.4 其他

下午

1. PDB數(shù)據(jù)庫(kù)的介紹

1.1 檢索蛋白

1.2 頁(yè)面功能及解讀

1.3 數(shù)據(jù)的下載

1.4 PDB文件格式的解讀

2. PyMol

2.1 軟件介紹

2.2 基本操作介紹

2.3 蛋白及小分子表面圖、靜電勢(shì)表示

2.4 繪制相互作用圖及制作簡(jiǎn)單動(dòng)畫(huà)

第二天

上午

同源建模

1. 同源建模原理介紹

1.1 同源建模的功能及使用場(chǎng)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 蛋白序列比對(duì)

2.3 蛋白模板選擇

2.4 蛋白模型搭建

2.5 模型評(píng)價(jià)（蛋白拉曼圖）

2.6 蛋白模型優(yōu)化

實(shí)例講解與練習(xí)：用2019-nCoV spike蛋白序列建模，根據(jù)相應(yīng)參數(shù)和方法評(píng)價(jià)模型

下午

小分子構(gòu)建

1. ChemDraw軟件介紹

1.1 小分子結(jié)構(gòu)構(gòu)建

1.2 小分子理化性質(zhì)（如分子量、clogP等）計(jì)算

1.3 分別構(gòu)建大環(huán)、氨基酸、DNA、RNA等分子

小分子化合物庫(kù)

2 小分子數(shù)據(jù)庫(kù)

2.1 DrugBank、ZINC、ChEMBL等數(shù)據(jù)庫(kù)介紹及使用

2.2 天然產(chǎn)物、中藥成分?jǐn)?shù)據(jù)庫(kù)介紹及使用

第三天

上午

1. 分子對(duì)接基礎(chǔ)

1.1 分子對(duì)接原理

1.2 分子對(duì)接分類(lèi)

1.3 分子對(duì)接打分函數(shù)

2. 常規(guī)分子對(duì)接實(shí)踐

2.1 對(duì)接的執(zhí)行

2.1.1 藥物分子配體的準(zhǔn)備

2.1.2 蛋白受體的準(zhǔn)備

2.1.3 受體格點(diǎn)計(jì)算

2.1.3 執(zhí)行半柔性對(duì)接

下午

1.2對(duì)接結(jié)果評(píng)價(jià)

1.2.1 晶體結(jié)構(gòu)構(gòu)象進(jìn)行對(duì)比

1.2.2 能量角度評(píng)價(jià)對(duì)接結(jié)果

1.2.3 聚類(lèi)分析評(píng)價(jià)對(duì)接結(jié)果

1.2.4 最優(yōu)結(jié)合構(gòu)象的選擇

2 對(duì)接其他方式的實(shí)現(xiàn)

第四天

上午

1 柔性對(duì)接

1.1 小分子配體優(yōu)化準(zhǔn)備

1.2 蛋白受體的準(zhǔn)備

1.3 柔性殘基的定義

1.4 蛋白受體格點(diǎn)計(jì)算

1.5 柔性對(duì)接計(jì)算及結(jié)果評(píng)價(jià)

1.6 半柔性對(duì)接與柔性對(duì)接比較與選擇

2 柔性對(duì)接其他方式的實(shí)現(xiàn)

下午

基于受體的藥物發(fā)現(xiàn)

1 虛擬篩選的準(zhǔn)備

1.1 小分子文件的不同格式

1.2 openbabel最實(shí)用功能的介紹

1.3 小分子不同格式的轉(zhuǎn)化

2. 基于對(duì)接的虛擬篩選

2.1 虛擬篩選定義、流程構(gòu)建及演示

2.2 靶點(diǎn)蛋白選擇、化合物庫(kù)獲取

2.3 虛擬篩選

2.4 結(jié)果分析（打分值、能量及相互作用分析）

第五天

上午

一些特殊的分子對(duì)接

1.小分子-小分子對(duì)接

1.1小分子-小分子相互作用簡(jiǎn)介

1.2小分子結(jié)構(gòu)預(yù)處理

1.3小分子-小分子對(duì)接（糖-小分子為例）

1.4對(duì)接結(jié)果展示與分析

2. 蛋白-核酸對(duì)接

3. 蛋白-蛋白對(duì)接

下午

基于配體的藥物發(fā)現(xiàn)

1. 3D-QSAR模型構(gòu)建（Sybyl軟件）

1.1 小分子構(gòu)建

1.2 創(chuàng)建小分子數(shù)據(jù)庫(kù)

1.3 小分子加電荷及能量?jī)?yōu)化

1.4 分子活性構(gòu)象確定及疊合

1.5 創(chuàng)建3D-QSAR模型

1.6 CoMFA和CoMSIA模型構(gòu)建

1.7 測(cè)試集驗(yàn)證模型

1.8 模型參數(shù)分析

1.9 模型等勢(shì)圖分析

1.10 3D-QSAR模型指導(dǎo)藥物設(shè)計(jì)

第六天

上午

1. linux系統(tǒng)介紹

2.常用命令介紹

3. linux上程序的安裝（gromacs）

下午

MD實(shí)踐一：溶劑化下蛋白質(zhì)分子動(dòng)力學(xué)模擬

全面熟悉分子動(dòng)力學(xué)模擬的一般流程

第七天

上午

MD實(shí)踐二：溶劑化下蛋白質(zhì)-配體的分子動(dòng)力學(xué)模擬

掌握處理非標(biāo)準(zhǔn)殘基的力場(chǎng)擬合

下午

分子動(dòng)力學(xué)模擬中的常用分析命令

蛋白-配體結(jié)合自由能的結(jié)算

Part.專(zhuān)題七

AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計(jì)課表

第一天

1 人工智能藥物發(fā)現(xiàn)(AIDD)簡(jiǎn)介

2 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在藥物發(fā)現(xiàn)領(lǐng)域的應(yīng)用

2.1 分子屬性預(yù)測(cè)與優(yōu)化

2.2 虛擬篩選

2.3 藥物副作用預(yù)測(cè)與安全性評(píng)估

2.4 新藥分子設(shè)計(jì)

3 工具介紹與安裝

3.1 Anaconda3/Pycharm 安裝

3.2 Numpy 基礎(chǔ)

3.3 Pandas 基礎(chǔ)

3.4 Matplotlib 基礎(chǔ)

3.5 Scikit-learn 基礎(chǔ)

3.6 Pytorch 基礎(chǔ)

3.7 RDKit 基礎(chǔ)

第二天

1 機(jī)器學(xué)習(xí)簡(jiǎn)介

1.1 機(jī)器學(xué)習(xí)四要素

1.2 數(shù)據(jù)模塊

1.3 核心和高級(jí) API

2 回歸算法與應(yīng)用

2.1 線性回歸

2.2 Lasso 回歸

2.3 Ridge 回歸

2.4 ElasticNset 彈性網(wǎng)絡(luò)

3 分類(lèi)算法與應(yīng)用

3.1 邏輯回歸

3.2 樸素貝葉斯

3.3 KNN

3.4 SVC

3.5 決策樹(shù)

3.6 隨機(jī)森林

3.7 集成學(xué)習(xí)

4 聚類(lèi)算法

4.1 KMeans

4.2 密度聚類(lèi) DBSCAN

5 降維

5.1 奇異值分解 SVD

5.2 主成分分析 PCA

5.3 非負(fù)矩陣分解 NMF

6 模型的評(píng)估方法和評(píng)價(jià)指標(biāo)

6.1 超參數(shù)優(yōu)化

6.2 交叉驗(yàn)證

6.3 評(píng)價(jià)指標(biāo)

7 特征工程

8 機(jī)器學(xué)習(xí)藥物發(fā)現(xiàn)案例（一）

——化合物生物活性分類(lèi)模型

9 機(jī)器學(xué)習(xí)藥物發(fā)現(xiàn)案例（二）

——化合物生物活性回歸模型

10 機(jī)器學(xué)習(xí)藥物發(fā)現(xiàn)案例（三）

—— 藥物副作用預(yù)測(cè)模型

第三天

1 深度學(xué)習(xí)與藥物發(fā)現(xiàn)（ 一）

1.1 深度神經(jīng)網(wǎng)絡(luò)

1.2 正向和反向傳播

1.3 優(yōu)化方法

1.3.1 梯度下降增加動(dòng)力

1.3.2 自適應(yīng)學(xué)習(xí)

1.3.3 Adam

1.4 損失函數(shù)

1.4.1 平均絕對(duì)誤差

1.4.2 均方誤差損失函數(shù)

1.4.3 交叉熵?fù)p失函數(shù)

1.5 卷積神經(jīng)網(wǎng)絡(luò)

1.5.1 卷

1.5.2 填充和步幅

1.5.3 池化層

1.5.4 LeNet 網(wǎng)絡(luò)

1.5.5 AlexNet 網(wǎng)絡(luò)

2 深度學(xué)習(xí)藥物發(fā)現(xiàn)案例（一）

—— 藥物-藥物相互作用預(yù)測(cè)模型

第四天

1 深度學(xué)習(xí)與藥物發(fā)現(xiàn)（ 二）

1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

1.2 消息傳遞神經(jīng)網(wǎng)絡(luò)

1.3 圖卷積神經(jīng)網(wǎng)絡(luò)

1.4 圖注意力神經(jīng)網(wǎng)絡(luò)

1.5 圖采樣和聚合

2 深度學(xué)習(xí)藥物發(fā)現(xiàn)案例（二）

—— 藥物靶標(biāo)相互作用預(yù)測(cè)模型

3 深度學(xué)習(xí)藥物發(fā)現(xiàn)案例（三）

—— 藥物重定位模型

第五天

1 深度學(xué)習(xí)與藥物發(fā)現(xiàn) （三）

1.1 注意力機(jī)制

1.2 自注意力模型

1.3 多頭自注意力模型

1.4 交叉注意力模型

1.5 Transformer 模型

2 深度學(xué)習(xí)藥物發(fā)現(xiàn)案例（四）

—— 藥物-藥物相互作用預(yù)測(cè)模型

3 深度學(xué)習(xí)藥物發(fā)現(xiàn)案例（五）

—— 藥物靶標(biāo)結(jié)合親和力預(yù)測(cè)模型

上下滑動(dòng)查看更多內(nèi)容

副作用在藥物-藥物相似性網(wǎng)絡(luò)中傳播

利用藥物關(guān)聯(lián)網(wǎng)絡(luò)特征和深度神經(jīng)網(wǎng)絡(luò)識(shí)別藥物之間潛在相互作用事件

通過(guò)深度學(xué)習(xí)整合來(lái)自異構(gòu)網(wǎng)絡(luò)的鄰接信息以發(fā)現(xiàn)新的藥物靶點(diǎn)相互作用

將藥物和蛋白質(zhì)信息關(guān)聯(lián)起來(lái)的帶有注意力區(qū)塊的 AttentionDTA 模型

Part.專(zhuān)題八

蛋白質(zhì)晶體結(jié)構(gòu)解析課表

第一天

蛋白質(zhì)結(jié)晶前準(zhǔn)備

課程介紹和蛋白質(zhì)結(jié)構(gòu)功能基本介紹

提純蛋白質(zhì),確定濃度、pH值、緩沖液等條件,控制蛋白質(zhì)穩(wěn)定性等。

1、目的蛋白質(zhì)信息檢索與調(diào)查

– 利用生物信息學(xué)工具搜集目標(biāo)蛋白質(zhì)的基因序列、結(jié)構(gòu)域、同源蛋白質(zhì)的信息

– 分析目標(biāo)蛋白質(zhì)的理化性質(zhì),如分子量、等電點(diǎn)、聚合程度、穩(wěn)定性等

2、質(zhì)粒制備

– 設(shè)計(jì)引物,克隆目標(biāo)基因到表達(dá)載體

– 轉(zhuǎn)化表達(dá)宿主,提取重組質(zhì)粒

– 質(zhì)粒測(cè)序驗(yàn)證目標(biāo)基因插入

3、蛋白質(zhì)純化

– 選擇合適的誘導(dǎo)條件,表達(dá)可溶性或不溶性重組蛋白

– 裂解菌體,釋放重組蛋白質(zhì)

– 蛋白質(zhì)純化:親和層析、離子交換層析、凝膠過(guò)濾等

4、蛋白質(zhì)不表達(dá)和包涵體問(wèn)題

– 分析不表達(dá)的原因,優(yōu)化誘導(dǎo)條件

– 改進(jìn)溶解緩沖液條件,提高蛋白從包涵體中釋放

5、蛋白質(zhì)活性鑒定

– 進(jìn)行Western Blot或酶活性實(shí)驗(yàn)驗(yàn)證蛋白質(zhì)活性

6、蛋白質(zhì)結(jié)晶前分析

– 測(cè)定蛋白質(zhì)的純度、聚合狀態(tài)、穩(wěn)定性

– 優(yōu)化緩沖液條件,調(diào)整蛋白質(zhì)到適宜的pH和離子濃度

第二天

蛋白質(zhì)結(jié)晶與衍射數(shù)據(jù)收集

利用協(xié)同結(jié)晶篩選獲得蛋白質(zhì)結(jié)晶,在同步輻射光源下收集衍射數(shù)據(jù)。

1、蛋白質(zhì)結(jié)晶

– 蛋白質(zhì)結(jié)晶的基本原理

– 蛋白質(zhì)結(jié)晶的影響因素

– 蛋白質(zhì)結(jié)晶的基本方法

– 結(jié)晶條件篩選策略

2、SSRF（同步輻射光源） 的介紹

– SSRF簡(jiǎn)介

– SSRF的光源優(yōu)勢(shì)

– SSRF的實(shí)驗(yàn)站介紹

3、蛋白質(zhì)晶體衍射數(shù)據(jù)收集

– X射線結(jié)晶學(xué)基本原理

– 晶體探針和晶體定位

– 晶體測(cè)試和優(yōu)化

– 衍射數(shù)據(jù)收集參數(shù)設(shè)定

– 衍射數(shù)據(jù)處理和分析

第三天

蛋白質(zhì)晶體結(jié)構(gòu)解析軟件安裝

安裝相關(guān)計(jì)算機(jī)程序,如Phenix, XDS, Pymol等用于后續(xù)的數(shù)據(jù)處理與模型建立。

1、Linux系統(tǒng)安裝

– Linux系統(tǒng)選擇和安裝

– Linux系統(tǒng)基本命令

– Linux系統(tǒng)環(huán)境配置

2、蛋白質(zhì)晶體結(jié)構(gòu)解析軟件安裝

– CCP4安裝

– Phenix安裝

– Coot安裝

– PyMol安裝

– 其他結(jié)構(gòu)解析支持軟件安裝

蛋白質(zhì)結(jié)構(gòu)解析的各種軟件主要在Linux系統(tǒng)下使用。建議使用Linux系統(tǒng)。首先需要對(duì)Linux系統(tǒng)進(jìn)行簡(jiǎn)單的介紹,包括選擇發(fā)行版本、基本命令使用、環(huán)境變量配置等。然后依次介紹CCP4、Phenix、Coot、PyMol等主要的結(jié)構(gòu)解析軟件的下載、編譯和安裝方法。也可以介紹一些結(jié)構(gòu)解析中需要的其他軟件工具的安裝。通過(guò)這個(gè)章節(jié)的學(xué)習(xí),學(xué)生可以掌握在Linux系統(tǒng)上配置蛋白質(zhì)結(jié)構(gòu)解析的軟件環(huán)境。

Index、integrate與scale軟件使用和介紹

利用軟件index及integrate衍射點(diǎn),scale衍射數(shù)據(jù)以校正強(qiáng)度。

1、晶體結(jié)構(gòu)學(xué)知識(shí)

– 晶體學(xué)中的衍射理論基礎(chǔ)

– 布拉格定律和倒易格向量

– 晶體的對(duì)稱(chēng)性

2、蛋白質(zhì)晶體結(jié)構(gòu)解析流程

– 蛋白質(zhì)的表達(dá)與純化

– 蛋白質(zhì)的結(jié)晶

– X射線晶體學(xué)數(shù)據(jù)收集

– 晶體結(jié)構(gòu)解析流程概述

3、Index和integrate

– Indexing的目的和原理

– Integration的目的和過(guò)程

4、Scale

– Scale的目的——校正數(shù)據(jù)

– Scale常用方法

5、使用XSCALE功能進(jìn)行scale

– XSCALE軟件介紹

– 使用XSCALE進(jìn)行數(shù)據(jù)scale的步驟

6、使用HKL2000進(jìn)行index、integrate和scale

– HKL2000軟件介紹

– 使用HKL2000進(jìn)行indexing

– 使用HKL2000進(jìn)行integration

– 使用HKL2000進(jìn)行scaling

第四天

分子置換、構(gòu)建優(yōu)化與結(jié)構(gòu)提交

利用分子置換法確定蛋白質(zhì)框架,手動(dòng)構(gòu)建余下結(jié)構(gòu),進(jìn)行優(yōu)化后提交蛋白質(zhì)坐標(biāo)庫(kù)。

1、分子置換

(1) 分子置換的概念

(2) 分子置換的目的

(3) 常用的分子置換軟件介紹

(4) 分子置換的具體操作步驟

2、蛋白質(zhì)晶體結(jié)構(gòu)構(gòu)建

(1) 蛋白質(zhì)序列比對(duì)確定構(gòu)建起始模型

(2) 主鏈構(gòu)建方法

(3) 側(cè)鏈構(gòu)建方法

(4) 構(gòu)建完成后的模型檢查

3、蛋白質(zhì)晶體結(jié)構(gòu)優(yōu)化

(1) 能量最小化原理

(2) 模擬退火原理

(3) 分子動(dòng)力學(xué)模擬原理

(4) 優(yōu)化過(guò)程中的評(píng)估標(biāo)準(zhǔn)

4、蛋白質(zhì)晶體結(jié)構(gòu)驗(yàn)證

(1) Ramachandran圖分析

(2) 各類(lèi)鍵長(zhǎng)和鍵角分布

(3) 密接點(diǎn)分析

(4) B因子分布

(5) 電子密度匹配度評(píng)價(jià)

5、蛋白質(zhì)晶體結(jié)構(gòu)提交到PDB

(1) PDB數(shù)據(jù)提交要求

(2) 各項(xiàng)驗(yàn)證確認(rèn)無(wú)誤后壓縮需提交文件

(3) 在PDB網(wǎng)站提交表單,上傳文件,等待審核結(jié)果

第五天

蛋白質(zhì)晶體結(jié)構(gòu)展示

利用Pymol等軟件分析并展示蛋白質(zhì)的二級(jí)結(jié)構(gòu)、三級(jí)結(jié)構(gòu),活性口袋等結(jié)構(gòu)信息。

1、pdb格式文件簡(jiǎn)介

– pdb文件概述:包含蛋白質(zhì)晶體學(xué)數(shù)據(jù)的標(biāo)準(zhǔn)格式

– 原子坐標(biāo):記錄每個(gè)原子的xyz坐標(biāo)

– 溫度因子:記錄每個(gè)原子的熱運(yùn)動(dòng)參數(shù)

– 二級(jí)結(jié)構(gòu):記錄α螺旋和β片層的位置

– 結(jié)構(gòu)注解:記錄配體、酶活性中心等重要結(jié)構(gòu)信息2、PyMOL制作蛋白質(zhì)晶體結(jié)構(gòu)圖

– PyMOL簡(jiǎn)介:流行的分子可視化軟件

– 加載pdb文件

– 顯示蛋白質(zhì)鏈、α螺旋和β片層

– 調(diào)整視角、變色和放大關(guān)鍵結(jié)構(gòu)

– 導(dǎo)出高質(zhì)量圖像3、使用PyMOL制作蛋白質(zhì)配體結(jié)合位點(diǎn)信息

– 識(shí)別蛋白質(zhì)與配體的相互作用

– 突出顯示配體結(jié)合位點(diǎn)殘基

– 在結(jié)合位點(diǎn)生成表面模型

– 制作配體結(jié)合位點(diǎn)的特寫(xiě)圖4、使用PyMOL調(diào)查蛋白質(zhì)的溫度因子B-factors

– 顯示溫度因子putty圖

– 分析柔性域和穩(wěn)定域

– 與酶活性中心和功能位點(diǎn)的關(guān)系5、使用PyMOL重疊對(duì)比不同的蛋白質(zhì)晶體結(jié)構(gòu)

– 載入不同狀態(tài)的pdb文件

– 重疊對(duì)齊蛋白質(zhì)結(jié)構(gòu)

– 比較構(gòu)象變化,如酶動(dòng)力學(xué)過(guò)程中的不同中間狀態(tài)6、使用PyMOL顯示蛋白質(zhì)晶體結(jié)構(gòu)中配體的電子密度圖

– 加載包含配體密度的pdb文件

– 顯示2Fo-Fc 和 Fo-Fc電子密度圖

– 檢查配體與電子密度的匹配程度

– 評(píng)估配體定位和取向的準(zhǔn)確性7、使用PyMOL結(jié)合Chimera實(shí)現(xiàn)同步顯示非對(duì)稱(chēng)單元的蛋白質(zhì)分子

– 在PyMOL中顯示蛋白質(zhì)非對(duì)稱(chēng)單元

– 在Chimera中同步顯示非對(duì)稱(chēng)單元

– 細(xì)節(jié)對(duì)比不同分子中的相同結(jié)構(gòu)

– 分析蛋白質(zhì)多聚體形成的分子間相互作用

上下滑動(dòng)查看更多內(nèi)容

三、

講師介紹

CADD主講老師來(lái)自國(guó)內(nèi)高校、中科院等單位，老師主要擅長(zhǎng)深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、藥物虛擬篩選、計(jì)算機(jī)輔助藥物設(shè)計(jì)、人工智能藥物發(fā)現(xiàn)、分子對(duì)接、分子動(dòng)力學(xué)等方面的研究

AIDD授課老師余老師，有十余年的計(jì)算機(jī)算法研究和程序設(shè)計(jì)經(jīng)驗(yàn)。研究方向涉及生物信息學(xué)，深度學(xué)習(xí)，藥物靶標(biāo)識(shí)別，藥物不良反應(yīng)等。參與了國(guó)自然基金2項(xiàng)，主持了省廳級(jí)科研項(xiàng)目3項(xiàng)。一作身份發(fā)表SCI論文數(shù)篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊。

蛋白晶體結(jié)構(gòu)解析主講老師顧博士來(lái)自基礎(chǔ)醫(yī)學(xué)院醫(yī)學(xué)藥理學(xué)系教師。具有十年以上的高校教學(xué)經(jīng)驗(yàn)，承擔(dān)本科生、研究生的教學(xué)任務(wù)。主持省自然科學(xué)基金1項(xiàng)（已結(jié)題），發(fā)表SCI論文10余篇。參與編寫(xiě)教材5部，擔(dān)任人民衛(wèi)生出版社配套教材編委，高等教育出版社數(shù)字教材編委，另外主編教輔教材2部。獲省教學(xué)成果獎(jiǎng)二等獎(jiǎng)（排名第9），省一流本科課程（排名3），省在線開(kāi)放課程（排名3），擔(dān)任省藥理學(xué)會(huì)教學(xué)專(zhuān)委會(huì)委員，學(xué)系教學(xué)副主任。

CRISPR-Css9基因編輯主講老師來(lái)自加州大學(xué)生物醫(yī)學(xué)工程專(zhuān)業(yè)博士，曾在麻省理工和哈佛大學(xué)從事基因編輯研究，在耶魯大學(xué)從事基因遞送工作。文章發(fā)表在Nature Biomedical Engineering, Nature Communications等雜志上。曾在天使投資機(jī)構(gòu)工作，主要投資基因編輯、單細(xì)胞測(cè)序、AI制藥等方向的創(chuàng)業(yè)公司。

機(jī)器學(xué)習(xí)代謝組學(xué)主講老師來(lái)自985高校神經(jīng)科學(xué)博士，主要利用代謝組學(xué)、轉(zhuǎn)錄組學(xué)和分子生物學(xué)等技術(shù)研究神經(jīng)內(nèi)科慢性病的發(fā)病機(jī)制和生物標(biāo)志物。擅長(zhǎng)高效液相色譜-質(zhì)譜聯(lián)用（LC-MS）技術(shù)進(jìn)行非靶向和靶向代謝組學(xué)從樣本制備到數(shù)據(jù)分析的全流程研究，以及多組學(xué)大數(shù)據(jù)的生物信息學(xué)整合分析。5年內(nèi)在J Clin Invest, EBioMedicine, Cell Death Dis, Cell Death Discov, Nanotoxicology等雜志發(fā)表SCI論文10篇。

機(jī)器學(xué)習(xí)微生物組學(xué)主講老師來(lái)自生物科技公司核心高管，曾在麻省理工學(xué)院、加州大學(xué)舊金山分校等機(jī)構(gòu)工作，過(guò)去5年科研工作發(fā)表于Cell, PNAS等雜志

機(jī)器學(xué)習(xí)生物醫(yī)學(xué)主講老師生物信息學(xué)博士，有十余年的測(cè)序數(shù)據(jù)分析經(jīng)驗(yàn)。研究領(lǐng)域涉及機(jī)器學(xué)習(xí)，芯片數(shù)據(jù)分析，核酸及蛋白序列分析，DNA，RNA，甲基化測(cè)序數(shù)據(jù)分析，單細(xì)胞測(cè)序數(shù)據(jù)分析，miRNA及靶基因分析，生存分析及預(yù)后模型構(gòu)建等。具有5年培訓(xùn)經(jīng)驗(yàn)，對(duì)常用公共數(shù)據(jù)庫(kù)TCGA，NCBI, UCSC, GEO等非常熟悉。發(fā)表SCI論文30余篇，其中一作及并列一作15篇。

深度學(xué)習(xí)基因組學(xué)主講老師劉老師，生物信息學(xué)博士，有十余年的測(cè)序數(shù)據(jù)分析經(jīng)驗(yàn)。研究領(lǐng)域涉及人工智能、自然語(yǔ)言處理、功能基因組學(xué)、轉(zhuǎn)錄組學(xué)、miRNA及靶基因網(wǎng)絡(luò)分析，單細(xì)胞測(cè)序數(shù)據(jù)分析，基因調(diào)控網(wǎng)絡(luò)時(shí)序分析，蛋白質(zhì)互作網(wǎng)絡(luò)分析，多組學(xué)聯(lián)合分析等。主持省自然科學(xué)基金等項(xiàng)目4項(xiàng)，發(fā)表SCI論文23篇，論著一部。

四 培訓(xùn)對(duì)象

全國(guó)各大高校、企業(yè)、科研院所從事人工智能、生命科學(xué)、代謝工程、有機(jī)合成、天然產(chǎn)物、藥物、生物信息學(xué)、植物學(xué)，動(dòng)物學(xué)、化學(xué)化工，醫(yī)學(xué)、基因組學(xué)、農(nóng)業(yè)科學(xué)、植物學(xué)、動(dòng)物學(xué)，臨床醫(yī)學(xué)、食品科學(xué)與工程、腫瘤免疫與靶向治療、全基因組泛癌分析、人黏連蛋白折疊基因組機(jī)、病毒檢測(cè)、功能基因組、遺傳圖譜、基因挖掘變異、代謝組學(xué)、蛋白質(zhì)組學(xué)、轉(zhuǎn)錄組學(xué)、生物醫(yī)學(xué)、核酸、毒物學(xué)等研究科研人員及愛(ài)好者

五 學(xué)習(xí)目標(biāo)

CADD計(jì)算機(jī)輔助藥物設(shè)計(jì)：讓學(xué)員能夠掌握包括PDB數(shù)據(jù)庫(kù)、靶點(diǎn)蛋白、蛋白質(zhì)-配體、蛋白-配體小分子、蛋白-配體結(jié)構(gòu)、notepad的介紹和使用、分子對(duì)接、蛋白-配體對(duì)接、虛擬篩選、蛋白-蛋白對(duì)接、蛋白-多糖分子對(duì)接、蛋白-水合對(duì)接、Linux安裝、gromacs分子動(dòng)力學(xué)全程實(shí)操、溶劑化分子動(dòng)力學(xué)模擬

CRISPR-Cas9基因編輯技術(shù)：課程從全局出發(fā)，由淺入深，課程通過(guò)基礎(chǔ)入門(mén) 應(yīng)用案例實(shí)操演練的方式，從最初的原理講解到最后的應(yīng)用實(shí)戰(zhàn)，學(xué)完本課程你將掌握基因編輯技術(shù)的相關(guān)原理及其應(yīng)用，此外可以學(xué)到基因編輯系統(tǒng)的優(yōu)化策略，可以學(xué)到如何操作常用的生物學(xué)軟件。能夠快速運(yùn)用到自己的科研項(xiàng)目和課題上。

AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計(jì)：本課程讓學(xué)員了解藥物發(fā)現(xiàn)的前沿背景，學(xué)習(xí)人工智能領(lǐng)域的各類(lèi)常見(jiàn)算法，熟悉工具包的安裝與使用，掌握一定的算法編程能力，能夠運(yùn)用計(jì)算機(jī)方法研究藥物相關(guān)問(wèn)題。通過(guò)大量的案例講解和實(shí)踐操作，具備一定的AIDD模型構(gòu)建和數(shù)據(jù)分析能力

蛋白質(zhì)晶體結(jié)構(gòu)解析：近年來(lái)結(jié)構(gòu)生物學(xué)發(fā)展迅速并和其他學(xué)科相互滲透交叉,特別是受到結(jié)構(gòu)基因組學(xué)等熱點(diǎn)學(xué)科的極大帶動(dòng)。作為結(jié)構(gòu)生物學(xué)的基本手段和技術(shù),蛋白質(zhì)晶體學(xué)從解析簡(jiǎn)單的蛋白質(zhì)三維結(jié)構(gòu)延伸到解決各類(lèi)生物大分子及復(fù)合物結(jié)構(gòu),并更加注重研究結(jié)構(gòu)與功能之間的相互關(guān)系,派生出諸如基于結(jié)構(gòu)的藥物設(shè)計(jì)等應(yīng)用性很強(qiáng)的分支。生物技術(shù)及計(jì)算機(jī)技術(shù)的飛速發(fā)展,尤其是高通量技術(shù)在生物學(xué)領(lǐng)域的應(yīng)用,為蛋白質(zhì)晶體學(xué)帶來(lái)了全新的概念和更加廣闊的前景。

機(jī)器學(xué)習(xí)代謝組學(xué)：熟悉代謝組學(xué)和機(jī)器學(xué)習(xí)相關(guān)硬件和軟件；熟悉代謝組學(xué)從樣本處理到數(shù)據(jù)分析的全流程；能復(fù)現(xiàn)至少1篇CNS或子刊級(jí)別的代謝組學(xué)文章圖片。

機(jī)器學(xué)習(xí)微生物組學(xué)：通過(guò)本次培訓(xùn)多個(gè)案例的系統(tǒng)講解讓參會(huì)學(xué)員學(xué)會(huì)機(jī)器學(xué)習(xí)在微生物組數(shù)據(jù)分析流程，能夠快速運(yùn)用到自己的科研項(xiàng)目和課題上

機(jī)器學(xué)習(xí)生物醫(yī)學(xué)：通過(guò)本次學(xué)習(xí)，你將了解機(jī)器學(xué)習(xí)基本概念及常用機(jī)器學(xué)習(xí)模型的原理；生存分析及風(fēng)險(xiǎn)模型的構(gòu)建；R語(yǔ)言構(gòu)建常用機(jī)器學(xué)習(xí)模型；機(jī)器學(xué)習(xí)常見(jiàn)圖，表的繪制；生存分析，預(yù)后模型常見(jiàn)圖，表的繪制

深度學(xué)習(xí)基因組學(xué)：適于對(duì)深度學(xué)習(xí)、課程通過(guò)基礎(chǔ)入門(mén) 應(yīng)用案例實(shí)操演練的方式，從初學(xué)及應(yīng)用研究的角度出發(fā)，帶大家實(shí)戰(zhàn)演練多種深度學(xué)習(xí)模型（深度神經(jīng)網(wǎng)絡(luò) DNN、 卷積神經(jīng)網(wǎng)絡(luò) CNN、循環(huán)神經(jīng)網(wǎng)絡(luò) RNN、可變自動(dòng)編碼器 VAE、圖卷積神經(jīng)網(wǎng)絡(luò) GCN）在基因組學(xué)分析中的各種應(yīng)用：通過(guò)對(duì)這些深度學(xué)習(xí)在基因組學(xué)中的應(yīng)用案例進(jìn)行深度講解和實(shí)操，讓學(xué)員能夠掌 握深度學(xué)習(xí)分析高維基因組學(xué)、轉(zhuǎn)錄組學(xué)、蛋白組學(xué)等多組學(xué)數(shù)據(jù)流程，系統(tǒng)學(xué)習(xí)深度學(xué)習(xí)及基因組學(xué)理論知識(shí)及熟悉軟件代碼實(shí)操， 熟練掌握這些前沿的分析工具的使用以及研究創(chuàng)新深度學(xué)習(xí)算法解決生物學(xué)及臨床疾病問(wèn)題與需求。

六 課程特色

課程特色

1、課程特色–全面的課程技術(shù)應(yīng)用、原理流程、實(shí)例聯(lián)系全貫穿

2、學(xué)習(xí)模式–理論知識(shí)與上機(jī)操作相結(jié)合，讓零基礎(chǔ)學(xué)員快速熟練掌握

3、課程服務(wù)答疑–主講老師將為您實(shí)際工作中遇到的問(wèn)題提供專(zhuān)業(yè)解答

福利及授課方式

福利：報(bào)名繳費(fèi)成功贈(zèng)送報(bào)名班型全套預(yù)習(xí)資料，課后學(xué)習(xí)完畢提供全程錄像視頻回放，針對(duì)與培訓(xùn)課程內(nèi)容進(jìn)行長(zhǎng)期答疑，微信解疑群永不解散，參加本次課程的學(xué)員可免費(fèi)再參加一次本單位后期組織的相同的專(zhuān)題培訓(xùn)班（任意一期都可以）

授課方式：

通過(guò)騰訊會(huì)議線上直播，理論 實(shí)操的授課模式，老師手把手帶著操作，從零基礎(chǔ)開(kāi)始講解，電子PPT和教程開(kāi)課前一周提前發(fā)送給學(xué)員，所有培訓(xùn)使用軟件都會(huì)發(fā)送給學(xué)員，有什么疑問(wèn)采取開(kāi)麥共享屏幕和微信群解疑，學(xué)員和老師交流、學(xué)員與學(xué)員交流，培訓(xùn)完畢后老師長(zhǎng)期解疑，培訓(xùn)群不解散，往期培訓(xùn)學(xué)員對(duì)于培訓(xùn)質(zhì)量和授課方式一致評(píng)價(jià)極高！

七、授課時(shí)間

CADD計(jì)算機(jī)輔助藥物設(shè)計(jì)

2023.10.17-2023.10.20晚上授課

（晚19：00—晚22：00）

2023.10.21-2023.10.22全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計(jì)

2023.10.24-2023.10.27晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.31-2023.11.01晚上授課

（晚19：00—晚22：00）

蛋白晶體結(jié)構(gòu)解析

2023.10.17-2023.10.20晚上授課

（晚19：00—晚22：00）

2023.10.21-2023.10.22全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

CRISPR-Cas9基因編輯技術(shù)

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

2023.11.04-2023.11.05全天授課

（上午9：00-11：30下午13：30-17：00）

機(jī)器學(xué)習(xí)代謝組學(xué)

2023.10.24-2023.10.27晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.31-2023.11.01晚上授課

（晚19：00—晚22：00）

機(jī)器學(xué)習(xí)微生物組學(xué)

2023.10.17-2023.10.20晚上授課

（晚19：00—晚22：00）

2023.10.21-2023.10.22全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

機(jī)器學(xué)習(xí)生物醫(yī)學(xué)

2023.10.17-2023.10.20晚上授課

（晚19：00—晚22：00）

2023.10.21-2023.10.22全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

深度學(xué)習(xí)基因組學(xué)

2023.10.24-2023.10.27晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.31-2023.11.01晚上授課

（晚19：00—晚22：00）

2023.11.04全天授課

（上午9：00-11：30下午13：30-17：00）

報(bào)名費(fèi)用及福利

CADD計(jì)算機(jī)輔助藥物設(shè)計(jì)；

AIDD人工智能藥物發(fā)現(xiàn)；

蛋白晶體結(jié)構(gòu)解析；

深度學(xué)習(xí)基因組學(xué)；

公費(fèi)價(jià)：5880 自費(fèi)價(jià)：5480

每班價(jià)格

機(jī)器學(xué)習(xí)代謝組學(xué)；

機(jī)器學(xué)習(xí)微生物組學(xué)；

機(jī)器學(xué)習(xí)生物醫(yī)學(xué)；

CRISPR-Cas9基因編輯技術(shù)；

公費(fèi)價(jià)4880 自費(fèi)價(jià)4480

每班價(jià)格

優(yōu)惠一

兩班同報(bào)9880元另外贈(zèng)送一個(gè)課程

（贈(zèng)送一個(gè)班任選）

優(yōu)惠二

三班同報(bào)13880元

（贈(zèng)送一個(gè)班任選）

四班同報(bào)17880元

（贈(zèng)送兩個(gè)班任選）

特惠三

五班同報(bào)22880

（贈(zèng)送三個(gè)班任選）

一年內(nèi)可免費(fèi)參加本公司舉辦的任何課程（不限次數(shù)及課程）

證書(shū)：參加培訓(xùn)并通過(guò)考試的學(xué)員，可以申請(qǐng)獲得工業(yè)和信息化部工業(yè)文化發(fā)展中心頒發(fā)的“工業(yè)強(qiáng)國(guó)建設(shè)素質(zhì)素養(yǎng)提升尚工行動(dòng)”崗位能力適應(yīng)評(píng)測(cè)證書(shū)。該證書(shū)可在中心官網(wǎng)查詢(xún)，可作為能力評(píng)價(jià)，考核和任職的重要依據(jù)。評(píng)測(cè)證書(shū)查詢(xún)網(wǎng)址：www.miit-icdc.org（自愿申請(qǐng)，須另行繳納考試費(fèi)500元/人）

官方聯(lián)系方式

聯(lián)系人：汪老師

咨詢(xún)電話：17638148717（同V）

聽(tīng)說(shuō)99%的同學(xué)都來(lái)這里充電吖