我国的新兴科技(新兴科技有哪些)一篇读懂

预测反应并确定可提高化疗疗效的其他靶点是癌症研究的主要目标。通过对胰腺导管腺癌细胞进行大规模的体内和体外CRISPR敲除筛选，我们鉴定了其基因缺

 

预测反应并确定可提高化疗疗效的其他靶点是癌症研究的主要目标通过对胰腺导管腺癌细胞进行大规模的体内和体外CRISPR敲除筛选，我们鉴定了其基因缺失或药理抑制协同增加MEK信号抑制剂的细胞毒性的基因此外，我们表明，CRISPR活力评分与基础基因表达水平相结合，可以模拟全球细胞对药物治疗的反应。

我们通过体内CRISPR筛选（DREBIC）方法开发药物反应评估，并使用来自独立实验的大规模实验数据验证其疗效比较分析表明，DREBIC 可以高精度地预测来自各种组织的癌细胞中的药物反应，并识别各种癌症类型中 。

MEK 抑制剂致癌突变的治疗脆弱性间充质干细胞是干细胞家族的又一重要成员，源于发育早期的中胚层和外胚层间充质干细胞是一种具有自我复制能力和多向分化潜能的成体干细胞，属于非终末分化细胞，它既有间质细胞，又有内皮细胞及上皮细胞的特征。

间充质干细胞在体外特定的诱导条件下，可分化为脂肪、软骨、骨、肌肉、肌腱、神经、肝、心肌、胰岛β细胞和内皮等多种组织细胞，连续传代培养和冷冻保存后仍具有多向分化潜能不论是自体还是同种异源的间充质干细胞，一般都不会引起宿主的免疫反应。

由于该项研究资料和学习平台较少，信息技术公开度低，培训学习迫在眉睫，特此诚挚邀请您参加下述专题线上培训课程

2023最新八大热门专题

CADD计算机辅助药物设计机器学习代谢组学AIDD人工智能药物发现与设计机器学习微生物组学蛋白晶体结构解析机器学习在生物医学中的应用CRISPR-Cas9基因编辑技术深度学习基因组学

课程内容Part.专题一 CRISPR-Cas9基因编辑技术课表第一天基因编辑简介1.基因编辑基本概念介绍2.单基因遗传病数据库 (实操)3.基因编辑历史4.TALEN5.Zinc finger6.Base editor

7.Prime editor第二天1.如何选择正确Cas9蛋白类型2.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. 设计课题与评价(实操)

上下滑动查看更多内容

Part.专题二机器学习在生物医学中应用专题第一天机器学习及相关概念介绍机器学习基本概念介绍常用机器学习模型介绍主成分分析一致性聚类分析ROC曲线及时间依赖的ROC曲线生存分析及生存曲线预后模型介绍R语言入门

R语言概述R软件及R包安装R语言语法及数据类型条件语句循环函数常用的机器学习相关的R包介绍第二天机器学习在生物医学中的应用案例分享利用机器学习方法筛选疾病相关的生物标志物机器学习+生存分析预测患病风险机器学习+生存分析预测患者预后

常用生物医学公共数据库介绍TCGA数据库介绍TCGA数据库表达谱数据下载TCGA临床数据下载合并TCGA表达谱数据GEO数据库介绍GEO数据库检索GEO数据下载第三天机器学习+ GEO公共数据，复现科研文章

差异表达分析主成分分析机器学习模型构建特征筛选及重要性评估模型评估及ROC曲线绘制构建nomogram模型，绘制列线图矫准曲线绘制决策曲线绘制一致性聚类分析GSEA分析第四天机器学习+TCGA公共数据，复现科研文章

差异表达分析主成分分析火山图，热图绘制GO和KEGG富集分析及可视化生存分析，生存曲线绘制一致性聚类分析训练集，测试集拆分单因素，多因素cox分析Lasso回归分析风险评估模型构建riskscore计算

Nomogram模型构建，绘制列线图时间依赖ROC曲线绘制矫准曲线，决策曲线绘制第五天ceRNA网格构建miRNA，lncRNA，circRNA介绍miRNA，lncRNA，circRNA相关数据库及工具介绍

ceRNA案例分享实操部分差异mRNA，lncRNA，miRNA分析火山图，热图，聚类图，柱状图差异表达基因GO,KEGG富集分析，气泡图，柱状图，KEGG通路图展示生存分析，生存曲线绘制mRNA，lncRNA表达相关性分析，相关性散点图

mRNA, lncRNA, miRNA网络构建cytoscape展示ceRNA网络，hub基因筛选上下滑动查看更多内容结果展示：主成分分析（PCA）

差异表达分析热图

差异表达分析火山图

GO和KEGG富集分析

Part.专题三 机器学习代谢组学课表第一天 A1 代谢物及代谢组学的发展与应用（1） 代谢生理功能；（2） 代谢疾病；（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） 代谢流与机制研究；

（6） 代谢组学与药物和生物标志物A2 代谢组学实验流程简介A3 色谱、质谱硬件原理（1） 色谱分析原理；（2） 色谱的气相、液相和固相；（3） 色谱仪和色谱柱的选择；（4） 质谱分析原理及动画演示；（5） 正、负离子电离模式；

（6） 色谱质谱联用技术；（7） LC-MS 的液相系统A4 代谢通路及代谢数据库（1） 几种经典代谢通路简介；（2） 能量代谢通路；（3） 三大常见代谢物库：HMDB、METLIN 和 KEGG;（4） 代谢组学原始数据库：Metabolomics Workbench 和Metabolights.

第二天B1 代谢物样本处理与抽提（1） 组织、血液和体液样本的提取流程与注意事项；（2） 用 ACN 抽提代谢物的流程与注意事项；（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 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） XCMS 软件数据转换与提峰；B3 R 软件基础（1） R 和 Rstudio 的安装；（2） Rstudio 的界面配置；（3） R 的基本数据结构和语法；

（4） 下载与加载包；（5） 函数调用和 debug；B4 ggplot2（1） 安装并使用 ggplot2（2） ggplot2 的画图哲学；（3） ggplot2 的配色系统；（4） ggplot2 画组合图和火山图；

第三天机器学习C1 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；

C2 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；C3 有监督式机器学习在代谢组学数据处理中的应用（1） 数据用 PCA 降维处理后仍然无法找到差异怎么办？（2） PLS-DA 找出最可能影响差异的代谢物；

（3） VIP score 和 coef 的意义及选择；（4） 分类算法：支持向量机，随机森林C4 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；第四天D1 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） R 语言正则表达式；（5） 代谢组学数据过滤；（6） 代谢组学数据 Scaling 原理与 R 实现；

（7） 代谢组学数据的 Normalization；（8） 代谢组学数据清洗演练；D2 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 的 pipeline 和注意事项；（4） Metaboanalyst 的结果查看和导出；（5） Metaboanalyst 的数据编辑；（6） 全流程演练与操作第五天

E1 机器学习与代谢组学顶刊解读（2-3 篇）；（1） Nature Communication 一篇代谢组学小鼠脑组织样本 database 类型的文献；（2） Cell 一篇代谢组学患者血液样本的机器学习与疾病判断的文献；

（3） 1-2 篇代谢组学与转录组学和蛋白组学结合的文献。E2 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。上下滑动查看更多内容

Part：专题四深度学习在基因组学中的应用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理论部分基因组学基础

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，pytorch2. 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理论部分卷积神经网络CNN在基因调控预测中的应用1. Chip-Seq中识别基序特征G4，如DeepG4

2. Chip-Seq中预测DNA甲基化，DeepSEA3. Chip-Seq中预测转录调控因子结合，DeepSEA实操内容复现卷积神经网络CNN识别基序特征DeepG4、非编码基因突变DeepSEA复现DeepG4从Chip-Seq中识别G4特征

1. 安装selene_sdk，复现DeepSEA从Chip-Seq中预测DNA甲基化，非编码基因突变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，DeepCNV

2. 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2. 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 SWnet

4. 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上下滑动查看更多内容上下滑动查看更多Part.专题五 机器学习微生物组学课表

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. 模型性能评估上下滑动查看更多内容

Part.专题六CADD计算机辅助药物设计课表第一天上午导论与基础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 其他下午1. 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上午同源建模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

下午小分子构建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上午1. 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 执行半柔性对接下午1.2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上午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

Part.专题七 AIDD人工智能药物发现与设计课表第一天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 DBSCAN

5 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

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上下滑动查看更多内容

副作用在药物-药物相似性网络中传播

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

通过深度学习整合来自异构网络的邻接信息以发现新的药物靶点相互作用

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Part.专题八蛋白质晶体结构解析课表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- 质粒测序验证目标基因插入3、蛋白质纯化- 选择合适的诱导条件,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

- 优化缓冲液条件,调整蛋白质到适宜的pH和离子浓度第二天 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- 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、Linux系统安装。

- Linux系统选择和安装- Linux系统基本命令- Linux系统环境配置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

蛋白质结构解析的各种软件主要在Linux系统下使用建议使用Linux系统首先需要对Linux系统进行简单的介绍,包括选择发行版本、基本命令使用、环境变量配置等然后依次介绍CCP4、Phenix、Coot、PyMol等主要的结构解析软件的下载、编译和安装方法。

也可以介绍一些结构解析中需要的其他软件工具的安装通过这个章节的学习,学生可以掌握在Linux系统上配置蛋白质结构解析的软件环境Index、integrate与scale软件使用和介绍利用软件index及integrate衍射点,scale衍射数据以校正强度。

1、晶体结构学知识- 晶体学中的衍射理论基础- 布拉格定律和倒易格向量- 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- Scale的目的——校正数据- Scale常用方法5、使用XSCALE功能进行scale- XSCALE软件介绍- 使用XSCALE进行数据scale的步骤

6、使用HKL2000进行index、integrate和scale- HKL2000软件介绍- 使用HKL2000进行indexing- 使用HKL2000进行integration- 使用HKL2000进行scaling

第四天分子置换、构建优化与结构提交 利用分子置换法确定蛋白质框架,手动构建余下结构,进行优化后提交蛋白质坐标库1、分子置换(1) 分子置换的概念(2) 分子置换的目的(3) 常用的分子置换软件介绍(4) 分子置换的具体操作步骤。

2、蛋白质晶体结构构建(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3、蛋白质晶体结构优化(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4、蛋白质晶体结构验证(1) Ramachandran图分析(2) 各类键长和键角分布(3) 密接点分析(4) B因子分布(5) 电子密度匹配度评价5、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,等待审核结果第五天蛋白质晶体结构展示 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上下滑动查看更多内容

三、讲师介绍CADD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AIDD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。

蛋白晶体结构解析主讲老师顾博士来自基础医学院医学药理学系教师具有十年以上的高校教学经验，承担本科生、研究生的教学任务主持省自然科学基金1项（已结题），发表SCI论文10余篇参与编写教材5部，担任人民卫生出版社配套教材编委，高等教育出版社数字教材编委，另外主编教辅教材2部。

获省教学成果奖二等奖（排名第9），省一流本科课程（排名3），省在线开放课程（排名3），担任省药理学会教学专委会委员，学系教学副主任CRISPR-Css9基因编辑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。

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等杂志机器学习生物医学主讲老师生物信息学博士，有十余年的测序数据分析经验。

研究领域涉及机器学习，芯片数据分析，核酸及蛋白序列分析，DNA，RNA，甲基化测序数据分析，单细胞测序数据分析，miRNA及靶基因分析，生存分析及预后模型构建等具有5年培训经验，对常用公共数据库TCGA，NCBI, UCSC, GEO等非常熟悉。

发表SCI论文30余篇，其中一作及并列一作15篇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

四培训对象全国各大高校、企业、科研院所从事人工智能、生命科学、代谢工程、有机合成、天然产物、药物、生物信息学、植物学，动物学、化学化工，医学、基因组学、农业科学、植物学、动物学，临床医学、食品科学与工程、肿瘤免疫与靶向治疗、全基因组泛癌分析、人黏连蛋白折叠基因组机、病毒检测、功能基因组、遗传图谱、基因挖掘变异、代谢组学、蛋白质组学、转录组学、生物医学、核酸、毒物学等研究科研人员及爱好者

五学习目标CADD计算机辅助药物设计：让学员能够掌握包括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

CRISPR-Cas9基因编辑技术：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AIDD人工智能药物发现与设计：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蛋白质晶体结构解析：近年来结构生物学发展迅速并和其他学科相互渗透交叉,特别是受到结构基因组学等热点学科的极大带动作为结构生物学的基本手段和技术,蛋白质晶体学从解析简单的蛋白质三维结构延伸到解决各类生物大分子及复合物结构,并更加注重研究结构与功能之间的相互关系,派生出诸如基于结构的药物设计等应用性很强的分支。

生物技术及计算机技术的飞速发展,尤其是高通量技术在生物学领域的应用,为蛋白质晶体学带来了全新的概念和更加广阔的前景机器学习代谢组学：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。

机器学习微生物组学：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机器学习生物医学：通过本次学习，你将了解机器学习基本概念及常用机器学习模型的原理；生存分析及风险模型的构建；R语言构建常用机器学习模型；机器学习常见图，表的绘制；生存分析，预后模型常见图，表的绘制

深度学习基因组学：适于对深度学习、课程通过基础入门+应用案例实操演练的方式，从初学及应用研究的角度出发，带大家实战演练多种深度学习模型（深度神经网络 DNN、 卷积神经网络 CNN、循环神经网络 RNN、可变自动编码器 VAE、图卷积神经网络 GCN）在基因组学分析中的各种应用：通过对这些深度学习在基因组学中的应用案例进行深度讲解和实操，让学员能够掌 握深度学习分析高维基因组学、转录组学、蛋白组学等多组学数据流程，系统学习深度学习及基因组学理论知识及熟悉软件代码实操， 熟练掌握这些前沿的分析工具的使用以及研究创新深度学习算法解决生物学及临床疾病问题与需求。

六课程特色课程特色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

福利及授课方式福利：报名缴费成功赠送报名班型全套预习资料，课后学习完毕提供全程录像视频回放，针对与培训课程内容进行长期答疑，微信解疑群永不解散，参加本次课程的学员可免费再参加一次本单位后期组织的相同的专题培训班（任意一期都可以）

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！

七、授课时间CADD计算机辅助药物设计2023.10.17-2023.10.20晚上授课（晚19：00—晚22：00）2023.10.21-2023.10.22全天授课（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授课（晚19：00—晚22：00）2023.10.28-2023.10.29全天授课（上午9：00-11：30下午13：30-17：00）AIDD人工智能药物发现与设计

2023.10.24-2023.10.27晚上授课（晚19：00—晚22：00）2023.10.28-2023.10.29全天授课（上午9：00-11：30下午13：30-17：00）2023.10.31-2023.11.01晚上授课

（晚19：00—晚22：00）蛋白晶体结构解析2023.10.17-2023.10.20晚上授课（晚19：00—晚22：00）2023.10.21-2023.10.22全天授课（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授课（晚19：00—晚22：00）CRISPR-Cas9基因编辑技术2023.10.24-2023.10.25晚上授课（晚19：00—晚22：00）2023.10.28-2023.10.29全天授课

（上午9：00-11：30下午13：30-17：00）2023.11.04-2023.11.05全天授课（上午9：00-11：30下午13：30-17：00）机器学习代谢组学2023.10.24-2023.10.27晚上授课

（晚19：00—晚22：00）2023.10.28-2023.10.29全天授课（上午9：00-11：30下午13：30-17：00）2023.10.31-2023.11.01晚上授课（晚19：00—晚22：00）

机器学习微生物组学2023.10.17-2023.10.20晚上授课（晚19：00—晚22：00）2023.10.21-2023.10.22全天授课（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授课（晚19：00—晚22：00）机器学习生物医学2023.10.17-2023.10.20晚上授课（晚19：00—晚22：00）2023.10.21-2023.10.22全天授课

（上午9：00-11：30下午13：30-17：00）2023.10.24-2023.10.25晚上授课（晚19：00—晚22：00）深度学习基因组学2023.10.24-2023.10.27晚上授课（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授课（上午9：00-11：30下午13：30-17：00）2023.10.31-2023.11.01晚上授课（晚19：00—晚22：00）2023.11.04全天授课

（上午9：00-11：30下午13：30-17：00）

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；深度学习基因组学；公费价：5880 自费价：5480每班价格机器学习代谢组学；机器学习微生物组学；机器学习生物医学；CRISPR-Cas9基因编辑技术；

公费价4880 自费价4480每班价格优惠一两班同报9880元另外赠送一个课程（赠送一个班任选）优惠二三班同报13880元（赠送一个班任选）四班同报17880元（赠送两个班任选）特惠三五班同报22880

（赠送三个班任选）一年内可免费参加本公司举办的任何课程（不限次数及课程）证书：参加培训并通过考试的学员，可以申请获得工业和信息化部工业文化发展中心颁发的“工业强国建设素质素养提升尚工行动”岗位能力适应评测证书。

该证书可在中心官网查询，可作为能力评价，考核和任职的重要依据评测证书查询网址：www.miit-icdc.org（自愿申请，须另行缴纳考试费500元/人）

官方联系方式联系人：汪老师咨询电话：17638148717（同V）

听说99%的同学都来这里充电吖