ARTICLE · 1324954

最新课程!AI类器官+AI蛋白质设计与AI多肽抗菌肽设计与AI合成生物学!

发布时间：2026-11-07 10:15:37 最近访问：2026-11-07 10:15:38

顶尖专题课程

01 AI蛋白质设计线上直播课

02 AI类器官线上直播课

03 AI多肽设计抗菌肽设计线上直播课

04 AI抗体设计线上直播课

05 AI合成生物学线上直播课

06 AIDD人工智能药物设计进阶

优惠1：报二送一（同时报名两个班赠送一个学习班，赠送班任选）

优惠2：提前报名缴费可享受300元优惠（仅限前15名）

优惠3：报名直播课程可赠送往期课程回放

（报名一个直播课可以赠送两个回放）

（报名三个直播课赠送下面全部课程回放）

AI蛋白质设计线上直播课表

一、熟悉超算环境与蛋白质从头设计实践

1.环境搭建：Linux，VS code，Jupyter notebook*

a)超算的登录

b)Linux系统的常用shell命令：vim, ls, cd, less, rm等；

c)一些package安装的常用命令：pip, conda, source等。

d)Jupyter notebook的安装和使用。

e)VS code的基本配置：连接服务器；选择不同python版本的Interpreter；debug模式的使用等。

2.基础知识讲解

a)三类方法在不同程度上探索蛋白质序列空间：

i.蛋白质定向进化（directed evolution）

ii.固定蛋白质主链的序列设计（Fix-backbone protein design）

iii.蛋白质的从头设计（De novo protein design）

b)关键数据库：RCSB PDB， SCOPe， CATH， UniRef， BFD等

c)常见概念和名词： rotamer， scaffold， motif，domain，backbone，side-chain，apo和holo结构，

d)使用的不同模型的原理，transformer，diffusion模型，Flow Matching等。

3. Rfdiffusion3+ProteinMPNN生成序列

a)Rfdiffusion3生成蛋白质骨架结构，ProteinMPNN精细的生成氨基酸序列。

b)Rfdiffusion3的安装实操

c)Rfdiffusion3的使用实操

d)ProteinMPNN的安装实操

e)ProteinMPNN的使用实操

f)Rfdiffusion+ProteinMPNN生成序列，AphaFold2筛选序列。整体实操流程：

i.计算SAP（Spatial Aggregation Propensity）的值，选择3-6个氨基酸作为hotspot，即结合位点；这里需要使用Rosetta进行计算，首先将安装rosetta，准备蛋白，再计算每一个氨基酸的SAP值，将SAP数值映射到结构上。选择hotspot位点。

ii. Rfdiffusion结构设计，生成~10000个蛋白质主链结构；

根据上面挑选得到的hotspot位点，更改相应的hotspot参数，生成新的结构

iii.ProteinMPNN-FastRelax进行序列设计，每一个主链结构两个对应的序列，共设计~20000个序列；

iv.筛选:使用AlphaFold2预测设计结构，预测的置信度pAE<10，预测结构与设计结构的RMSD<1A，从中挑选95个进行实验验证。

4.其它的蛋白质设计方法的实操*

a)BindCraft——序列生成和筛选的自动化实现

BindCraft相比于Rfdiffusion+ProteinMPNN更加用户友好，一站式设计流程，序列的生成和筛选自动化实现。将讲解其中参数的设计和选择，如过滤序列条件、生成氨基酸的偏好性等。使用包括置信度评分（如AlphaFold2预测得到的pLDDT、ipTM）、物理指标（如Rosetta界面能量）和序列特征（如疏水性比例）进行筛选。

b)MIT开发的Bolzgen方法原理、安装使用讲解。

安装和使用boltzgen讲解，将详细讲解yaml配置文件的写法，以一个靶点为例，从头生成VHH与该靶点结合。

c)PPIFlow：基于flow-matching的生成方法，原理，安装和使用方法。

二、蛋白质结构预测和分析

1.蛋白质结构预测方法

1)从CASP比赛结果来简述蛋白质结构预测方法的发展。基于能量函数 -> 接触图的应用 -> 端到端的预测结构（AlphaFold2）。

2)AlphaFold2的模型相比于以前的方法有什么改进

a)将基于MSA和基于模板的方法整合，使用注意力机制进行MSA信息和模板信息的相互交流。

b)以前提取MSA信息为计算协方差矩阵，AlphaFold2创造性的直接将MSA信息作为输入，将图像识别的算法转变成了自然语言处理算法，减少了中间处理过程中的信息损失。

3)AlphaFold3相比于AlphaFold2改进了什么，还有什么不足。

a)扩展到了多种生物分子的复合物结构预测，包括蛋白质-DNA、蛋白质-RNA、蛋白质-小分子，并使用扩散模型。

b)复合物组装与动态预测缺陷，抗体-抗原复合物结构准确度有待提高。

4)运行网页server上的AlphaFold3预测结构

5)如何使用AlphaFold3预测蛋白质的糖基化，不同糖基化的类型的输入方法。

6)AlphaFold3输出结果分析，各项置信度指标的含义，以及如何判断预测的准确度，如pLDDT，ipTM，PTM，PAE。

7)本地部署和运行ColabFold，由于AlphaFold3在安装过程中需要下载大量资源，且不能商用，因此不演示AlphaFold3的安装过程，如有问题可以帮助解决。

2.蛋白质结构分析和可视化

1)pdb文件的解读，每一行中的内容代表什么含义。

2)用 pymol 可视化蛋白质结构*

a)pymol的基础操作讲解

b)如何将实验值投影到结构图的颜色上，如何画出发表文章中好看的图

3)计算蛋白质结构中两个氨基酸的距离*

a)使用python的文本文件操作实现

b)使用python中biopython包实现

3.蛋白质结构相关物理性质的计算*

1)二级结构的分类和计算

2)溶剂可及表面积（SASA）的讲解及计算

三：蛋白质序列分析，数据挖掘和训练数据准备

讲解和实操：

1.获得同源序列

1)了解不同蛋白质序列库，如UniRef90，UniClust30，Pfam等

2)了解不同工具原理并使用：NCBI BLAST，Jackhmmer，HHblits

3)给定一条蛋白质序列，比对序列库，生成多序列比对（MSA）*

2.对MSA进行频率分析*

1)使用python的文本文件操作实现

2)使用python中biopython包实现

3)绘制序列Logo，可视化的展示每个位点的氨基酸频率和保守性

3.序列的同源性计算和进化树的绘制*

1)不同同源性的计算方法及应用情景，氨基酸序列的identity和Similarity，BLOSUM62的介绍。

2)进化树的绘制

4.基于序列相似性阈值划分训练集和测试集*

1)为什么要做？避免数据泄露

2)选择相似性度量方法

3)相似性矩阵的计算

4)划分数据集

5.大规模蛋白质序列的聚类分析和去冗余*

1)为什么要做？防止过度学习某一类序列特征，消除序列偏差；也能防止训练过程中数据泄露。

2)聚类方法的选择，CD-HIT、MMseq2和Linclust

3)选择代表序列，去冗余

4)实际复现S2ALM这一模型文章中的聚类方法。mmseqs easy-cluster examples/DB.fasta clusterRes tmp --min-seq-id 0.7 -c 0.8 --cov-mode 1

四、蛋白质的大语言模型及其应用

1.基础知识讲解

1)介绍蛋白质的语言模型（26字母语言模型->20氨基酸字母表，上下文依赖->氨基酸的共进化）

2)为什么要开发蛋白质大语言模型？1. 相比于结构或功能信息，序列信息更加海量；2. 蛋白质序列通过进化而来，可以学习蛋白质基本规律，折叠，共进化等

3)模型架构和基础理论：transformer，多头注意力机制，Bert，GPT，T5等

2.基于Bert架构的蛋白质语言模型

1) ESM系列（ESM-1b、ESM-1v、ESM2、ESM C）

2)ESMFold：无需MSA信息的结构预测

3)使用抗体序列库训练的语言模型：Ablang，AntiBERTy

3.类似GPT的生成模型ProGen

1)36层Transformer解码器架构，包含12亿参数

2)引入“控制标签”（如蛋白质家族ID、功能属性）作为输入，生成蛋白质序列空间以外的新的蛋白质序列

3)成功生成新的溶菌酶

4.多模态的蛋白质语言模型ESM3

1)模型架构融合序列，结构和功能信息

2)相比于ESMFold，单体结构预测精度更好

3)基于多模态提示（序列、结构、功能关键词）设计新的蛋白质序列

4)ESM3的安装，生成序列，快速结构预测。*

5.蛋白质语言模型的应用和实战演练*

1)获得序列embedding以构建下游模型（Cell systmes文章举例），从文章github仓库中提炼序列embedding的代码并学习使用。

2)使用不同的蛋白质语言模型，零样本的预测蛋白质突变效应。

3)给定少量的突变效应数据作为训练数据，训练模型，预测新的突变效应值。

五、深度学习辅助酶设计

1.基础知识讲解

酶的过渡态理论，theozyme，fitness landscape，epistasis

2.酶学性质预测

1.DLKcat与GotEnzyme数据库介绍

2.UniKP:利用预训练模型挖掘、改造Kcat

3.CLEAN:基于对比学习的EC号预测挖掘稀有脱卤酶

3.蛋白质热稳定性改造

1.MutCompute介绍

2.利用MutCompute改造PETase(Nature)

3.ThermoMPNN介绍与使用*

4. Pythia介绍与使用*

4.从Frances H. Arnold（2018年因在酶的定向进化领域的贡献获得诺贝尔化学奖）的工作看酶的定向进化方法的发展

1.传统定向进化实验流程

2.MLDE（Mechine Learning Directed Evolution），学习序列与酶性能之间的映射关系，推荐新的突变组合（PNAS文章）

3.ftMLDE（focused training MLDE），主动学习流程，构建informative的训练数据（Cell Systems文章）。零样本突变效应预测挑选数据集，再通过小样本数据训练的策略微调。

5.酶的从头设计

1.从头设计Diels-Alder催化酶

a)基于Rosetta的Inside-out策略（Science文章）

b)通过Foldit蛋白质折叠游戏改善结构问题（Nat. Biotechnol.文章）；

c)Foldit蛋白质折叠游戏的实践*

2.从头设计荧光素酶，Family-wide hallucination，基于该酶家族的结构幻化出新的结构（Nature文章）

3.RFdiffusion+PLACER从头设计丝氨酸水解酶（Science文章）

6. 利用预测结构的相似性，挖掘序列的新酶功能（复现顶刊cell文章）*

1.InterPro数据库中下载数据

2.TM-score计算结构距离

3.UPGMA结构聚类，画出进化树

4.挑选序列

上下滑动查看更多

AI+类器官技术多场景应用与转化

线上直播课表

Day1：类器官技术基础、构建与 AI 技术融合

一、类器官技术发展与多场景应用全景

1.1 类器官定义与核心特征：三维培养、自组织、器官特异性结构与功能

1.2 从干细胞到类器官的发展脉络：多能干细胞、成体干细胞、肿瘤类器官

1.3 类器官在四大场景中的定位

1.4 新药研发：靶点发现、药物筛选、药效评价、毒性预测

1.5 精准医疗：患者来源类器官 (PDO) 指导个体化用药

1.6 再生医学：可移植功能单元、组织修复

1.7 疾病机制研究：遗传病、感染、肿瘤发生发展

1.8 类器官与传统模型的关系：细胞系、动物模型、器官芯片的边界与互补

1.9 关键数据库与资源：类器官样本库、HCA、公共类器官数据集

二、类器官构建核心技术与质控

2.1 干细胞诱导分化：多能干细胞定向分化、成体干细胞扩增

2.2 支架材料：Matrigel、水凝胶 (天然 / 合成)、微流控芯片

2.3 培养基优化：生长因子组合、小分子抑制剂、条件培养基

2.4 常见类器官类型构建要点：肝、肾、肠、肿瘤、脑、胰岛

2.5 患者来源类器官 (PDO) 的建立流程与样本处理

2.6 类器官质量控制与表征：形态学判读、标志物表达验证 (免疫荧光 /qPCR/ 流式)、功能验证 (CYP450/ TEER/MEA)、批次一致性与可重复性、成熟度评分卡

三、AI 与类器官的技术融合路径

3.1 类器官数据的采集与标准化

3.1.1 数据采集工具：高内涵成像 (HCI)、单细胞测序、微流控传感器

3.1.2 数据标准化挑战：批次效应、跨平台兼容性

3.1.3 数据完整性、可追溯性与合规要求 (为注册申报打基础)

3.2 AI 算法在类器官研究中的应用

3.2.1 计算机视觉：类器官形态学自动识别 (分割、计数、异常检测)

3.2.2 机器学习：药效 / 毒性分类模型 (随机森林、XGBoost)、回归模型 (剂量‑反应关系)

3.2.3 深度学习：卷积神经网络 (CNN) 处理类器官影像、图神经网络 (GNN) 整合多组学数据

3.2.4 基于 AI 的类器官药物敏感性预测

3.3 虚拟类器官与数字孪生技术

3.3.2 数字孪生：整合类器官实验数据与 AI 模型，构建动态预测系统

3.3.3 应用场景：药物筛选优先级排序、毒性预警

四、类器官数据合规与注册申报要点 (认知级)

4.1 类器官数据在 IND/NDA 申报中的使用现状

4.2 监管态度：FDA 现代化法案、NMPA 相关动态、动物替代趋势

4.3 数据完整性、可追溯性、标准化要求

4.4 合规风险点：批次效应、跨平台兼容性、数据可解释性

4.5 类器官数据支撑申报的典型场景与边界

Day 2：类器官在新药研发全链路中的实战应用

五、靶点发现、药物筛选与药效评价

5.1 类器官用于靶点验证：基因编辑 (CRISPR) 与类器官结合

5.2 高通量药物筛选的类器官模型选择：剂量‑反应设计、对照设置、Z 因子

5.3 药效评价实战：肿瘤类器官药敏测试 (PDX 替代，IC50/AUC/ 协同指数)、中药复方多成分协同作用分析、药效终点选择

5.4 肿瘤类器官高通量药敏筛选与化疗 / 靶向药响应评估

六、毒性预测与机制研究实战

6.1 毒性预测实战：肝类器官代谢毒性 (CYP450、DLI 预测)、肾类器官损伤标志物 (KIM‑1、NGAL)、心脏 / 肠类器官毒性评估要点

6.2 机制研究：AI 关联类器官基因表达与药物表型 (耐药相关通路挖掘、生物标志物发现) 毒性终点选择与数据解读

6.3 肝类器官 DILI 预测与药物肝毒性分级

七、类器官的高级构建与 AI 模型开发

7.1 类器官构建与表征的高级技术

7.1.1 复杂类器官构建：3D 生物打印 (定制化支架、肝小叶结构、多细胞共打印)、微流控芯片集成 (器官芯片联用、"肠‑肝轴" 共培养)、长期培养维持 (Wnt/Notch 信号通路优化、营养梯度设计)

7.1.2 高精度表征：空间多组学 (Visium 定位异质性)、功能动态监测 (MEA、Seahorse XF)、自动化质控 (AI 驱动成熟度评分卡)

7.2 AI 模型开发与优化关键技术

7.2.1 类器官数据 AI 预处理：影像数据增强 (旋转 / 裁剪 / 噪声注入、三维重建)、多组学数据对齐、缺失值填补 (GAN)

7.2.2 模型架构选择与优化：小样本场景 (迁移学习 esNet‑50 微调、元学习 MAML)、多任务学习 (联合预测药效 + 毒性)、可解释性 (Grad‑CAM、SHAP)

7.2.3 从 0 到 1 构建类器官药敏预测模型

八、类器官多模态数据整合与自动化

8.1 多模态数据整合与智能分析

8.1.1 多源数据融合策略：影像、组学、电生理、临床数据；GNN 构建 "类器官‑药物‑基因" 关联图谱、Transformer 跨模态注意力

8.1.2 智能分析场景：耐药机制挖掘 (动态影像 + 耐药基因时序)、复方药物协同效应 (浓度‑响应曲面建模)

8.2 自动化与高通量技术应用

8.2.1 硬件自动化：液体处理机器人 (96/384 孔板铺板、梯度稀释误差 < 2%)、自动化成像系统 (0pera Phenix 全孔扫描 + 实时分析)

8.2.2 AI 驱动流程优化：贝叶斯优化调整浓度 / 时间点、异常检测 (污染 / 死亡预警并触发干预)

8.3 基于公开数据集 (如 L1000) 构建简单药效预测模型，结果解读 (AUC / 准确率、模型边界)

Day3：类器官在精准医疗、再生医学与疾病机制研究中的应用

九、类器官在精准医疗中的应用

9.1 患者来源类器官 (PDO) 用于个体化用药指导

9.2 肿瘤类器官药敏与临床决策：临床验证路径、一致性评估

9.3 类器官生物样本库建设：样本采集、伦理、知情同意、存储

9.4 PDO 指导肿瘤患者用药的临床研究

十、类器官在再生医学中的应用

10.1 类器官作为可移植功能单元：肠、肝、胰岛类器官移植

10.2 组织修复与再生：类器官 + 支架材料 (水凝胶、脱细胞基质)

10.3 脱细胞羊膜 / 丝素水凝胶等生物材料与类器官结合

10.4 移植免疫与安全性考量：免疫原性、致瘤性、批次一致性

10.5 类器官移植修复动物模型

十一、类器官在疾病机制研究中的应用

11.1 遗传性疾病、感染性疾病、肿瘤发生发展机制

11.2 类器官与 CRISPR 基因编辑结合：疾病模型构建

11.3 表型分析与多组学整合：转录组、蛋白组、代谢组

11.4 生物标志物发现与靶点验证

11.5 类器官疾病模型解析致病机制

十二、类器官与器官芯片、多器官互作

12.1 器官芯片 (Organ‑on‑a‑Chip) 与类器官联用

12.2 多器官互作模型："肠‑肝轴"" 肝‑肾轴 " 共培养

12.3 微流控与传感器集成：实时监测、灌流培养

12.4 在药物吸收、代谢、毒性中的联合应用

Day 4：高级技术、数据合规与转化路径

十三、复杂类器官构建与高级表征

13.1 3D 生物打印：定制化支架、多细胞共打印 (肝实质 + 胆管细胞)

13.2 空间多组学：空间转录组定位类器官功能区与异质性

13.3 功能动态监测：MEA 电生理、Seahorse 代谢流分析

13.4 自动化质控：AI 驱动的形态学 + 功能批量评估 (成熟度评分卡)

十四、类器官数据合规与注册申报实战

14.1 类器官数据用于 IND/NDA 申报的案例解析

14.2 数据标准化与批次效应处理：统计方法、对照设置

14.3 监管沟通要点：Pre‑IND 会议、数据包准备

14.4 FDA/NMPA 相关动态与趋势

14.5 类器官数据申报的合规边界与风险控制

十五、类器官技术转化与产业化路径

15.1 从实验室到产业化的关键节点：标准化、规模化、质控体系

15.2 类器官产品化形态：试剂盒、服务、平台、样本库

15.3 知识产权与商业模式

15.4 产学研医协作：药企 + 医院 + 高校 + 材料企业

15.5 类器官技术转化路径解析；企业平台搭建与团队协作的实际考量 (原模块 9 内容融入)

十六、前沿趋势与未来展望

16.1 生成式 AI 在类器官图像增强与数据合成中的应用 (科普级)

16.2 基础模型 (Foundation Model) 在类器官多组学中的探索

16.3 类器官与器官芯片的标准化趋势

16.4 多场景应用的融合前景：研发 — 临床 — 再生 — 机制

上下滑动查看更多

AI多肽抗菌肽设计线上直播课表

一、多肽与深度学习设计导论

1. 从氨基酸到多肽（零基础起步）

1.1 氨基酸是什么：从最基础的化学结构讲起，介绍 20 种天然氨基酸的通式——每个氨基酸都由一个中心碳、一个氨基（–NH₂）、一个羧基（–COOH）和一个决定其性质的侧链 R 基组成。按侧链性质把它们归为疏水（如 Ala、Val、Leu、Ile、Phe）、极性不带电（如 Ser、Thr、Asn、Gln）、带正电（Lys、Arg、His）、带负电（Asp、Glu）四大类。课堂上会发一张“氨基酸性质速查表”，让学员对每个字母代表什么性质形成直觉，这是后面理解净电荷、疏水性、两亲性等设计参数的基础。

1.2 肽键与序列方向：讲解两个氨基酸如何通过一个氨基与另一个羧基脱水缩合形成肽键，多个氨基酸首尾相连即构成多肽链。强调序列是有方向的（从 N 端到 C 端读写），这一点在后续做序列生成、突变标注时非常关键。随后介绍单字母与三字母两套代码的对照，并现场带学员把一条真实抗菌肽序列（如 KWKLFKKI）逐个残基读出来，顺便观察它为什么带正电、为什么两亲。

1.3 多肽 vs 蛋白质：从长度（多肽通常在 50 个残基以内）和是否能形成稳定三维折叠两个角度区分二者。重点讲清多肽的“柔性”特点——很多多肽在游离状态下并没有单一固定构象，而是在与靶点结合时才诱导形成稳定结构（诱导契合），这正是多肽结构预测和设计比球状蛋白更棘手的根本原因，也为第二主题的结构预测埋下伏笔。

1.4 多肽的种类：系统介绍线性肽、环肽（头尾环化或二硫键环化）、订书肽（stapled peptide，通过化学桥固定螺旋）、以及含非天然氨基酸或 D-氨基酸的肽。结合配图逐一说明为什么这些结构改造能够显著提升多肽的稳定性、刚性与穿膜能力，让学员在一开始就建立“结构改造是多肽成药关键手段”的整体认识。

2. 多肽为什么重要（治疗性多肽）

2.1 多肽药物的优势与局限：优势方面，多肽结合特异性高、脱靶毒性低、可通过化学合成大规模制备，介于小分子与抗体之间兼具二者部分优点；局限方面，多肽半衰期短、口服利用度低、易被体内蛋白酶降解。课堂用一张“小分子 vs 多肽 vs 抗体”的对比表，从分子量、靶点类型、给药方式、成本等维度帮学员精准定位多肽药物的适用场景。

2.2 明星案例 GLP-1：以近年爆火的司美格鲁肽（semaglutide）为例，完整拆解一个多肽药物是如何被“工程化”的——通过关键位点的氨基酸替换抵抗 DPP-4 降解、再接上一条脂肪酸链借助白蛋白结合延长循环时间，最终把天然 GLP-1 只有几分钟的半衰期延长到约一周、实现每周一次给药。以此串起“活性—稳定性—给药方式”三者之间的设计取舍。

2.3 其他经典案例：再补充胰岛素（最早的多肽药物之一）、环孢素（天然环肽、少见地可口服、免疫抑制）、多黏菌素（一类抗菌肽/脂肽）等案例，说明不同结构类型（线性、环状、脂化）对应着不同的成药策略与适应症，帮助学员建立“结构—性质—用途”的对应感。

3. 多肽设计要解决的核心难题（逐条讲）

3.1 活性与特异性：设计的第一目标是让多肽能有效地结合并调控目标靶点，同时尽量避免结合到其他蛋白造成脱靶副作用。会讲清活性（结合得牢不牢、功能强不强）与特异性（认得准不准）常常需要权衡，是贯穿全课程的核心矛盾。

3.2 稳定性与半衰期：体内存在大量蛋白酶，会在特定位点（如胰蛋白酶偏好切在 Lys/Arg 之后）把多肽切碎；同时肾脏会快速清除小分子量的肽。讲清这两条降解/清除途径，为第六主题的环化、订书、D-氨基酸等稳定化改造手段做铺垫。

3.3 膜穿透与口服利用度：多肽通常带电、亲水、分子量偏大，很难穿过细胞膜或肠道上皮，这也是绝大多数多肽药物只能注射给药、靶点主要局限在细胞外的根本原因。理解这一点，才能明白为什么“细胞穿膜肽（CPP）”是一个独立且重要的研究方向。

3.4 免疫原性、毒性/溶血性：外源多肽可能引发免疫反应，某些高疏水/高正电的序列会破坏人体自身细胞膜造成溶血或细胞毒。强调在设计阶段就必须把“安全性”当作硬约束，与活性一起优化，而不是等到最后才补救。

4. 机器学习与大模型入门（面向零基础）

4.1 用手写数字识别建立直觉：借助最经典的手写数字识别例子，把机器学习拆解为“输入 → 模型 → 输出”三段——输入是一张图（或一条序列），模型是一堆可调参数，输出是一个类别或分数。由此自然引出训练集（用来学）、验证集（用来调）、测试集（用来公正评估）三者的分工。

4.2 特征与标签：讲清有监督学习的两个核心概念——把一条多肽用某种方式变成一串数字，就是“特征”；它对应的活性、毒性或是否为抗菌肽，就是“标签”。模型要做的，就是学习从特征到标签的映射关系。用多肽的真实例子替换抽象说法，降低理解门槛。

4.3 判别 vs 生成：用一句话讲清两类模型的分工——判别模型回答“这条肽好不好/是不是抗菌肽”（做打分、分类、预测），生成模型回答“帮我造一条符合要求的新肽”（做设计、生成）。整门课程正是围绕“判别 + 生成”这两条主线交替展开的。

4.4 过拟合与泛化：用“死记硬背题库 vs 真正学会解题”的比喻讲清过拟合，说明为什么必须留出测试集、为什么模型在训练集上的高分不能代表真实能力。特别强调在生物序列里一个常见陷阱：如果训练集和测试集含有高度相似的序列，会造成“数据泄漏”、严重高估性能，因此需要按序列相似度而非随机来划分数据。

4.5 从判别到大模型：解释什么叫“从头设计”（de novo design）——不再依赖已知的天然模板去改造，而是让模型直接生成全新的序列甚至结构。再说明为什么近年的大模型（蛋白质语言模型、扩散模型）让这件原本极难的事情第一次变得真正可行，为后续各主题定下总基调。

5. 动手：代码环境搭建 *

5.1 命令行/Linux 基础：带零基础学员认识终端，理解“用文字命令操作电脑”这件事，并掌握做科研计算最常用的一小撮命令与虚拟环境管理。

▸ 演示 cd（进目录）、ls（看文件）、mkdir（建目录）、cp/mv（复制移动）等基本命令，并创建一个课程项目文件夹 peptide-course/

▸ 用 conda create -n peptide-ai python=3.10 创建虚拟环境，再 conda activate peptide-ai 激活它，讲清“为每个项目单独建环境”的好处

5.2 VS Code + Jupyter：搭建一个既能写脚本、又能交互式探索数据的编程环境，这是后面所有实操的“主战场”。

▸ 在 VS Code 中打开项目文件夹、安装 Python/Jupyter 扩展、选择刚建好的 conda 内核

▸ 新建一个 .ipynb，在第一个 cell 里 print 一条多肽序列并运行，确认环境跑通

5.3 Python 极简入门：只挑做数据分析必需的最小知识集——变量、列表、字典、for 循环、条件判断、函数——用多肽相关的小例子把它们串起来，避免大而全的语法轰炸。

▸ 小练习：写一个函数 count_aa(seq)，输入一条序列、返回每种氨基酸出现的次数（用字典实现）

5.4 安装依赖：讲清“库”是什么、为什么要装，用 pip/conda 安装本课程会反复用到的 numpy、pandas、matplotlib、biopython，并介绍 requirements.txt 如何让环境可复现。

5.5 拓展：vibe coding（AI 辅助写代码）：现场演示如何用 AI 编程助手把一句自然语言需求（例如“读入这个 FASTA 并画出长度分布”）直接变成可运行代码，让零基础学员也能快速产出结果、把精力集中在生物问题本身而非语法细节上。

6. 动手：常用数据库与可视化 *

6.1 多肽数据库导览：介绍多肽研究中最常用的几个专业数据库，讲清各自收录什么数据、字段含义以及如何检索下载，让学员知道“做设计前去哪里找数据”。

▸ 在 APD3 / DBAASP 中按活性、来源检索抗菌肽，在 CPPsite 中检索细胞穿膜肽，在 PepBDB 中查肽-蛋白复合物结构

▸ 把感兴趣的一批序列导出为 FASTA 文件，供后续分析使用

6.2 PyMOL / Mol* 可视化：教学员把抽象的序列/坐标“看见”，建立结构直觉，这是理解结合、穿膜等机制的前提。

▸ 加载一条多肽的 PDB 文件，在 cartoon（卡通）与 stick（棒状）显示之间切换

▸ 旋转视角、测量残基间距离、给关键残基上色，并导出一张出版级结构图

6.3 biopython / biotite：用几行 Python 代码完成常见的序列/结构处理——读取 FASTA、计算序列长度、分子量与理论等电点（pI），以及解析 PDB/mmCIF 提取原子坐标，为实战项目的批量分析打基础。

7. 实战项目

7.1 数据获取：从 DBAASP 下载一批抗菌肽序列，用 pandas 把它们整理成一张规范的 CSV 表（包含序列、长度、活性标注等字段），并做基本的清洗（去重、去掉含非法字符的序列）。

7.2 性质画像：用 biopython 批量计算每条肽的净电荷、GRAVY 疏水性指数、螺旋倾向等描述符，再用 matplotlib 画出各性质的分布直方图与两两散点图，形成本课程的第一份“数据画像”报告，让学员亲手体会“数据长什么样”。

二、多肽的结构预测与表征

1. 先搞懂“结构”是什么

1.1 四级结构层次：系统讲解蛋白质/多肽结构的四个层次——一级结构（氨基酸序列本身）、二级结构（α 螺旋、β 折叠等局部规则构象）、三级结构（整条链在空间中的折叠方式）、四级结构（多条链的组装）。用配图把四个层次一一对应，让学员建立“序列决定结构、结构决定功能”的整体框架。

1.2 二级结构识别：详细讲α 螺旋与β 折叠各自的氢键规律和几何特征（螺距、方向），并训练学员在 PyMOL 里一眼认出它们。对多肽尤其重要的是两亲性 α 螺旋——这是抗菌肽、细胞穿膜肽发挥功能的常见结构基础。

1.3 短肽为什么“不好定”：深入解释短肽结构预测的难点——残基数量少、缺乏能够稳定折叠的疏水核心，导致其构象在溶液中高度动态、在多个状态之间快速切换，因此单一的静态预测结构往往不能真实代表它的行为。这一节帮学员对预测结果保持恰当的怀疑态度。

1.4 环化/订书如何锁构象：讲清环化、订书、二硫键等共价约束是如何大幅压缩多肽可及的构象空间、把它“锁定”在有活性的构象上的，从结构角度解释为什么这些改造既能提升稳定性、又常常能提升活性。

2. 为什么要预测结构

2.1 结构决定功能：用具体例子说明——结合口袋在形状和电荷上的互补决定了能否结合、两亲性螺旋的疏水面决定了能否插入细胞膜——让学员理解“想设计功能，必须先掌握结构”。

2.2 结构是设计的前提：指出后续几乎所有高级方法（分子对接、binder 从头设计、结合界面分析、结构层面的稳定化改造）都以三维结构为输入，因此结构预测是整个 AI 多肽设计流程的基础环节。

3. 传统预测方法（简要了解）

3.1 同源建模：介绍用 SWISS-MODEL / MODELLER 依据同源模板搭建结构的经典思路，并指出多肽往往缺乏合适同源模板、传统同源建模在多肽上常常失效的局限，从而引出深度学习方法的必要性。

3.2 分子动力学：讲解用力场在计算机中模拟肽在水环境里随时间运动、采样多种构象的思路，并借此建立“构象系综”（一个肽对应一群构象而非单一结构）的重要概念。

3.3 分子对接原理：说明分子对接是把配体或多肽放进受体口袋、用打分函数（近似结合能）来评估并排序不同结合姿势（pose）的过程，是研究“肽如何结合靶点”的基础工具。

3.4 动手：用 AutoDock Vina 做一次肽-受体对接 *

▸ 用 PyMOL/OpenBabel 准备受体：去除水分子、加氢、转换为 pdbqt 格式

▸ 在结合口袋周围定义对接盒子（center_x/y/z 与 size_x/y/z）

▸ 编写 config 并运行 vina，得到多个 pose 及其结合能（affinity, kcal/mol）

▸ 在 PyMOL 中载入最优 pose，观察氢键、盐桥等关键相互作用

4. AlphaFold 的直觉理解（不讲公式）

4.1 共进化信号：用通俗语言解释共进化——在漫长演化中，如果两个残基在空间上相互接触，它们往往会“成对地一起突变”以维持相互作用；因此从多序列比对（MSA）里统计出的这种共变信号，就成了推断三维接触、进而推断结构的核心线索。

4.2 注意力机制大白话：不写任何公式，用“阅读时该重点看哪些字”的比喻讲清注意力机制——模型会为每个残基学习它应该重点关注序列中的哪些其他残基，从而高效地捕捉远距离的相互作用。

4.3 AF2 两大部件：拆解 AlphaFold2 的核心流水线——EvoFormer 模块反复地在“MSA 表示”和“残基对表示”之间交换信息、提炼共进化与几何线索；结构模块再把这些抽象表示翻译成具体的三维坐标；最后通过 recycling（把输出再喂回输入）多轮迭代逐步精修。

4.4 AF3 与扩散：介绍 AlphaFold3 用扩散式生成的方式直接“画”出原子坐标，并把预测范围从单纯的蛋白扩展到蛋白-核酸-配体-离子的通用复合物，说明这对研究多肽与小分子、核酸共同作用的体系意义重大。

4.5 ESMFold：讲清 ESMFold 用蛋白质语言模型学到的表示直接替代了耗时的 MSA 搜索，因此可以在单条序列上秒级出结构，特别适合缺乏同源信息的人工设计短肽的快速筛查。

4.6 专题 AlphaFold3：作为专题深入讲 AF3 的关键变化（用 Pairformer 替代 EvoFormer、用扩散头生成坐标），演示它在预测肽-蛋白/肽-配体复合物上的能力，同时客观讨论它在高柔性多肽和弱结合体系上的局限与使用注意事项。

5. 动手：预测一条多肽的结构 *

5.1 ColabFold / AlphaFold2 预测单肽：使用 ColabFold（AlphaFold2 的轻量在线实现）完整跑一遍单肽预测，理解每一步在做什么。

▸ 在 ColabFold notebook 中粘贴目标序列，选择 MSA 模式（对短肽可对比 single-sequence 与建 MSA 的差异）

▸ 运行预测，下载 5 个模型的 PDB 及 pLDDT/PAE 结果文件

▸ 在 PyMOL 中按 b-factor(pLDDT) 着色查看结构，识别高/低置信区域

5.2 ESMFold 快速预测：用 ESMFold 的网页版或本地 API 对同一条序列一键出结构，直观感受它相比 AF2 在速度上的巨大优势以及在精度上的取舍。

5.3 对比分析：针对同一条柔性短肽，把 AF2 与 ESMFold 的预测结果叠合比较（计算 RMSD、对比 pLDDT），引导学员讨论“什么时候该信 AF2、什么时候用 ESMFold 就够了”，培养对预测结果的批判性判断。

6. 动手：预测复合物与环肽 *

6.1 肽-蛋白复合物：用 AlphaFold-Multimer 或 AF3 预测多肽与靶蛋白结合后的复合物结构，重点看界面区域的 pLDDT 与链间 PAE，用它们判断预测的结合模式是否可信——这是后续 binder 设计中反复要用到的技能。

6.2 环肽/大环肽：介绍并使用 HighFold 等专门处理环化约束的工具来预测环肽/大环肽结构，同时演示普通 AF2 在处理头尾环化、二硫键约束时的失真，让学员明白“选对工具”的重要性。

7. 动手：看懂预测结果好不好 *

7.1 pLDDT：讲清 pLDDT 是模型对每个残基局部结构的置信度打分（0–100），一般 >70 相对可信、>90 很可信，而柔性区/无序区往往偏低；教学员不要盲信一个漂亮的结构，而要先看置信度分布。

7.2 PAE：讲解预测对齐误差（PAE）热图如何反映“两个残基相对位置”的可信度，并演示如何用它判断不同结构域之间、以及肽-靶界面之间的相对摆放是否可靠。

7.3 fpocket：用 fpocket 在靶点结构上自动检测口袋并给出可药性（druggability）评分，帮助学员在设计前先定位“应该把结合肽做到哪里去”。

8. 实战项目

8.1 批量结构预测：对第一主题产出的一组候选肽用脚本批量调用 ESMFold 预测结构，按 pLDDT 自动筛选出高置信构象，体验“把单次操作工程化为批处理流程”的思路。

8.2 复合物分析：挑选一个感兴趣的靶点，预测一个肽-靶点复合物，用 PyMOL 标注界面残基、氢键与盐桥，产出一张带注释的结合模式图，并写一小段结合机制说明。

三、抗菌肽（AMP）设计

1. 认识抗菌肽

1.1 来源与定义：介绍抗菌肽是广泛存在于动物、植物、微生物体内的天然免疫效应分子，是宿主抵御病原的第一道防线；从序列上看，它们通常较短（约 10–50 个残基）、带正电、并具有两亲性，这些共性正是后续做预测和设计时最重要的特征。

1.2 分类：按二级结构把抗菌肽分为α 螺旋型（如 magainin、LL-37）、β 折叠型（常含二硫键，如 defensin）、环状型与延伸型（富含特定氨基酸如脯氨酸、色氨酸）四大类，并说明不同类型在稳定性、活性谱与设计难度上的差异。

1.3 为什么重要：结合当前全球抗生素耐药（AMR）的严峻形势，说明抗菌肽因主要作用于细菌膜的物理性质、细菌难以通过单点突变快速逃逸，被寄望为对抗“超级细菌”的新型武器，凸显这一研究方向的现实意义。

2. 抗菌肽是怎么杀菌的

2.1 膜破坏模型：详细讲解经典的桶板（barrel-stave）、地毯（carpet）、环孔（toroidal-pore）三种膜破坏模型——带正电的抗菌肽先通过静电吸附到带负电的细菌膜表面，再借助疏水面插入脂双层、最终破坏膜的完整性导致细菌死亡。理解机制有助于理解为什么电荷和两亲性如此关键。

2.2 胞内靶点：说明并非所有抗菌肽都靠破膜，一部分能穿过膜进入胞内，抑制 DNA/RNA 或蛋白质合成、干扰细胞分裂等，作用机制更接近传统抗生素。

2.3 为什么不容易耐药：解释由于抗菌肽针对的是细菌膜较为保守的整体物理化学性质，而非某个具体的蛋白靶点，细菌很难通过少数几个突变就获得抗性，这是抗菌肽相对传统抗生素的核心优势。

3. 哪些性质决定活性（关键参数 + 如何量化）

3.1 净电荷：抗菌肽的净电荷通常在 +2 到 +9 之间，正电有利于吸附到带负电的细菌膜。课堂讲解如何根据序列中带电残基数目和给定 pH 值计算净电荷，并讨论电荷过高可能带来的毒性问题。

3.2 疏水性：疏水性决定了肽插入膜的能力，可用 GRAVY 值或“疏水矩”来量化。强调这是一把双刃剑——适度疏水利于杀菌，过度疏水则容易破坏人体自身细胞膜、导致溶血。

3.3 两亲性：讲解两亲性指分子同时具备明显的亲水面和疏水面，对α 螺旋型抗菌肽可用“螺旋轮投影”直观展示极性/疏水残基是否分列两侧，并用疏水矩定量。两亲性是膜活性的关键结构基础。

3.4 螺旋度与长度：讨论螺旋倾向、序列长度对活性和选择性的综合影响——太短往往不足以形成稳定膜活性构象、太长则合成成本高且毒性风险上升，设计时需要在多个参数间寻找平衡。

4. 传统怎么设计和筛选

4.1 理化性质/模板改造：介绍最经典的做法——在一条已知的天然抗菌肽模板上做定点突变，系统调节净电荷、疏水性、两亲性，观察活性变化，逐步优化。这是理解后续 AI 方法的对照基线。

4.2 QSAR：讲解定量构效关系（QSAR）如何在“理化描述符”与“抗菌活性”之间建立回归关系，从而在实验之前就预测并指导优化方向，是机器学习进入这个领域之前的主流量化手段。

4.3 经典机器学习：介绍用支持向量机（SVM）、随机森林等传统模型配合人工设计特征来判别一条序列是否为抗菌肽的经典工作思路（如 CAMP、AMPScanner 等），为后面对比深度学习方法做铺垫。

5. 用模型来“打分”（判别模型）*

5.1 序列编码：系统讲解把一条氨基酸序列转化为模型可读数字的几种主流方式——one-hot 编码、理化性质向量、k-mer 频率，以及用预训练蛋白语言模型（如 ESM）直接提取的高维 embedding，并比较它们在信息量、数据需求和效果上的优劣。

5.2 抗菌活性预测：既介绍如何直接调用现成工具，也带学员从零训练一个属于自己的抗菌活性分类器，完整体验判别模型的构建流程。

▸ 准备正样本（已知 AMP）与负样本（非 AMP 序列），注意平衡与去冗余

▸ 为每条序列提取手工特征或 ESM embedding，构建特征矩阵

▸ 训练分类器（随机森林或小型 MLP），用交叉验证 + ROC-AUC/PR-AUC 评估

▸ 绘制 ROC 曲线、分析哪些特征最重要

5.3 毒性/溶血性预测：介绍并使用 HemoPI、ToxinPred 等工具对候选肽做溶血性、毒性预测，把“安全性”作为与活性并列的筛选维度，避免设计出高活性但高毒的序列。

5.4 手工特征 vs 端到端：通过在同一数据集上对比“传统理化特征 + 随机森林”与“蛋白语言模型微调”两条技术路线的表现，让学员直观理解深度学习/大模型带来的增益，以及它对数据量的要求。

6. 用模型来“造肽”（生成模型）

6.1 VAE：用“压缩再还原”的比喻讲清变分自编码器——把序列编码进一个连续的隐空间，再从隐空间解码回序列；训练好后可以在隐空间中采样或插值，从而生成全新的候选肽（以 HydrAMP 等抗菌肽生成工作为例）。

6.2 GAN：讲解生成对抗网络的核心思想——生成器不断尝试造出以假乱真的肽，判别器不断学习分辨真假，两者对抗训练直到生成器能产出逼真的序列（以 PepGAN 等思路为例），并讨论 GAN 在离散序列上训练不稳定的难点。

6.3 扩散模型：用“从一团噪声里逐步显影出图像”的直觉讲清扩散模型，说明它如何通过反复去噪来生成序列或结构（以 AMP-Diffusion 等思路为例），并点明它正是当前 RFdiffusion、AlphaFold3 等前沿方法的共同基石。

6.4 语言模型/大模型：讲解如何用 GPT 式自回归模型按条件“写”出抗菌肽，或用 BERT 式模型（如 ESM）通过掩码采样来生成/改造序列，把第五主题的大模型能力直接对接到抗菌肽设计上。

6.5 专题：深度学习引导的 AMP 发现闭环：以一篇代表性研究为主线，完整拆解现代抗菌肽发现的工业级闭环流程——用生成模型产出海量候选、经活性/毒性/新颖性多级计算过滤大幅缩小范围、挑选少量候选进行化学合成、再回到湿实验测定最小抑菌浓度（MIC）验证、并把实验结果回填数据反哺模型，形成“干湿结合”的迭代设计范式。

7. 实战项目

7.1 判别筛选：用第 5 节训练好的判别模型对一批候选肽进行抗菌活性打分和排序，结合毒性预测卡定阈值，输出一份“值得进一步关注”的候选短名单。

7.2 生成 + 过滤：用生成模型批量产出上千条候选序列，再串联抗菌活性、溶血性、与天然序列相似性等多个过滤器逐层筛选，最终留下多样且有潜力的 Top-N，完整体验“大量生成 + 严格过滤”的设计哲学。

7.3 文章复现：选取一篇有代表性的抗菌肽生成设计论文，复现其核心的设计-筛选流程，产出候选清单并逐条给出入选理由，训练学员阅读并落地前沿文献的能力。

四、靶点结合肽 / Binder 从头设计

1. 什么是结合肽 / binder

1.1 结合位置：讲清结合肽要真正发挥作用，必须精准占据靶点的功能位点或蛋白-蛋白相互作用界面，从而阻断或激活其功能；设计的第一件事就是想清楚“要结合到靶点的哪个部位”。

1.2 表位与热点：区分两个关键概念——表位（epitope）是靶点上被结合肽覆盖的整片区域，而热点（hotspot）是这片区域中贡献了绝大部分结合能的少数关键残基。讲解如何通过实验的丙氨酸扫描或计算方法找出 hotspot，并以此作为设计的“锚点”。

1.3 结合肽 vs 蛋白 binder：对比多肽结合物与更大的蛋白结合物——多肽更小、更灵活、更易化学合成和修饰，但可埋藏的结合面积小、天然亲和力往往偏弱，因此常需要环化、订书、引入非天然氨基酸等手段来弥补，这也串联起第六主题的优化方法。

2. 设计的整体流程（先看全貌）

2.1 三步法：先给学员一张全景图——现代从头 binder 设计通常分三步：先生成合理的三维骨架（决定“长什么形状”）、再为骨架设计氨基酸序列（决定“用哪些残基”）、最后回测验证并迭代优化（判断“靠不靠谱、要不要重做”）。理解这个总框架后再逐步深入每一步，学员不会迷失在工具细节里。

3. 第一步：生成骨架

3.1 RFdiffusion 直觉：用“从一团随机噪声出发、一步步去噪、逐渐长出合理蛋白主链”的直觉讲清 RFdiffusion；说明它既可以无条件生成全新结构，也可以在给定条件下定向生成，是目前从头结构设计最主流的扩散模型。

3.2 施加约束：讲解如何把设计意图“告诉”模型——指定要结合的靶点、锚定到指定的 hotspot、或围绕一段固定的功能 motif 生成支架（motif scaffolding），从而让生成的骨架天生就“面向靶点”。

▸ 准备靶点结构并确定 hotspot 残基编号

▸ 用 contigs 语法描述“靶点固定 + 结合肽长度范围”，设置 hotspot 参数

▸ 运行 RFdiffusion 生成多条候选骨架，并初步筛掉明显不合理的构象

3.3 专题 RFpeptides：作为专题介绍 RFpeptides 如何在 RFdiffusion 流程中引入环化处理，实现大环肽 binder 的从头设计，并结合已发表的实验验证成功案例，讲清这条路线的实际威力与适用范围 *

4. 第二步：设计序列 *

4.1 ProteinMPNN：讲解 ProteinMPNN 的作用——给定一条主链的三维坐标，预测每个位置放哪种氨基酸能最稳定地折叠成这个形状；并说明采样温度（temperature）如何在“保守可靠”和“多样探索”之间调节。

▸ 输入上一步生成的骨架 PDB

▸ 设置采样温度、指定需要固定或允许变化的位置（如保留界面关键残基）

▸ 批量生成多条候选序列，供下一步回测

4.2 多肽注意点：针对多肽的特殊性提醒若干实操细节——短肽两端的处理、环化位点残基的选择、以及尽量避免使用化学合成困难或易氧化的残基，让设计结果更容易真正被合成出来。

5. 第三步：验证与打分 *

5.1 AF2 回测：讲解 binder 设计中最重要的“自洽性”检验——把 ProteinMPNN 设计出的序列单独喂给 AlphaFold2 重新折叠，看它能否折回当初设计的目标构象；用 pLDDT 和与目标结构的 RMSD 来量化，是过滤失败设计最有效的手段之一。

5.2 界面评估：介绍一系列评估结合可信度的指标——界面 PAE（interaction PAE）、界面 pLDDT、界面接触残基数、以及近似结合能等，教学员综合这些指标判断哪些候选真正有希望结合。

5.3 迭代优化：强调从头设计是一个循环而非一次成功——对未通过回测的候选，回到骨架生成或序列设计步骤调整参数、重新生成，形成“生成—筛选—再生成”的迭代闭环，这也是真实设计工作的常态。

6. 实战项目

6.1 完整流程：选定一个真实靶点，完整走通 RFdiffusion 生成骨架 → ProteinMPNN 设计序列 → AlphaFold2 回测与排序的从头结合肽设计流水线，把本主题所有工具串成一条可复用的 pipeline。

6.2 输出：整理排名靠前的候选肽，产出结构图、界面指标汇总表与设计说明文档，形成一份可以拿去和实验合作者讨论的完整设计报告。

五、面向功能的多肽序列生成与大模型

1. 语言模型是什么（从头讲起）

1.1 序列即“句子”：用一个贯穿全章的核心类比——把 20 种氨基酸当作“字”、把一条蛋白/多肽序列当作一句“话”，那么让模型学习蛋白序列，本质上就和让它学习一门语言一样。这个类比帮零基础学员一下子抓住蛋白语言模型的直觉。

1.2 RNN 直觉：讲解早期的循环神经网络如何像人一样一个字一个字地顺序阅读、并用一个不断更新的“隐藏状态”记住前文，同时指出它在处理很长序列时容易“忘记”开头、难以捕捉长程依赖的固有缺陷。

1.3 Transformer 直觉：讲清 Transformer 用自注意力机制让序列中任意两个位置都能直接“对话”，因此既能高效并行计算、又特别擅长捕捉相距很远的残基之间的关联——这正是它取代 RNN、成为所有现代大模型基石的原因。

1.4 预训练在学什么：解释在海量无标注的天然蛋白序列上做“完形填空/接龙”式的自监督预训练，模型能够自发地学到氨基酸之间的搭配规律、进化保守性乃至结构倾向，从而得到一套可迁移到各种下游任务的通用表示。

2. 两种典型：BERT 与 GPT

2.1 BERT / 掩码式：讲解 BERT 式模型通过“完形填空”（随机遮住一些残基、让模型预测被遮住的是什么）来训练，因而特别擅长理解序列、给序列或突变打分，蛋白领域的 ESM 系列正属于这一类。

2.2 GPT / 自回归：讲解 GPT 式模型通过“文字接龙”（根据前面的残基预测下一个残基）来训练，因而天然擅长逐位地生成全新序列，是条件化蛋白/多肽生成的主力架构。

2.3 对应到多肽：把两类模型的分工落到多肽任务上——掩码式模型主要用于突变效应打分、天然性评估与特征提取，自回归/生成式模型主要用于按功能需求从头生成候选序列。

3. ESM 系列深入

3.1 ESM 系列模型演进：回顾 ESM-1b（650M 参数）→ ESM-2（8M 到 15B 多规格）→ ESMFold（结构预测）→ ESM-IF（反向折叠）的发展脉络；说明 ESM-2 是当前蛋白质序列表示的 state-of-the-art 模型，也是本课程做表征、打分与微调的默认主力模型。

3.2 ESM2-650M 架构解析：讲解 33 层 Transformer、1280 维 embedding、约 6.5 亿参数的规模；说明 ESM-2 在 UniRef50 上进行自监督预训练，通过掩码语言建模从数以亿计的天然序列中学到了蛋白质家族的进化约束与结构倾向，这也是它的 embedding 能广泛迁移的根本原因。

3.3 ESM2 在多肽评估中的应用（Perplexity 打分）：讲解 perplexity（困惑度）的直观含义——模型认为该序列“像不像”天然蛋白质；perplexity 越低，说明序列越符合天然蛋白质的统计规律，因而可以直接作为多肽“天然性 / 可折叠性”的一个廉价初筛指标，在做完生成后用它快速剔除明显不合理的序列。

▸ 用 transformers/fair-esm 加载 esm2_t33_650M_UR50D 模型与对应 tokenizer

▸ 对每条候选多肽逐位做掩码、累加对数似然，计算 (pseudo-)perplexity

▸ 按 perplexity 从低到高排序，剔除高困惑度（明显不像天然蛋白）的候选

3.4 从 ESM2 到 PepMLM（微调策略与条件化生成）：解释 PepMLM 如何在 ESM2-650M 的基础上，使用 PepNN 和 Propedia 数据库中的肽-蛋白配对数据进行微调；其核心变化在于把靶蛋白序列作为条件（condition）拼接进输入，强制模型学习“给定靶点、生成能与之结合的肽”的映射关系，从而把一个通用的蛋白语言模型改造成一个面向靶点的结合肽生成器。这一节把“预训练大模型 + 任务微调 + 条件化生成”的完整范式讲透。

4. 怎么让模型“按需求”生成

4.1 预训练 + 微调范式：讲清当今大模型应用的主流范式——先用海量通用数据预训练出一个“懂蛋白语言”的基座模型，再用相对少量的任务数据进行微调，让它专精于某个具体功能，这样既省数据又省算力。

4.2 条件生成：讲解条件生成的思想——把想要的功能标签、类别或靶点序列作为额外输入“条件”喂给模型，引导它只生成满足该条件的序列，而不是漫无目的地乱生成，这是可控设计的关键。

4.3 专题 ProGen / ZymCTRL：以 ProGen、ZymCTRL 为例讲解如何用控制标签（如蛋白家族、酶功能）来条件化地生成蛋白序列，并讨论如何把这套成熟思路迁移到多肽的功能条件生成上。

4.4 扩散生成功能肽：介绍在序列空间或结构空间上运用扩散模型、并结合条件约束来生成目标功能多肽的新兴思路，把第四主题的扩散结构生成与本章的功能序列生成联系起来。

5. 生成特定功能的肽

5.1 细胞穿膜肽（CPP）：讲解 CPP 的典型序列特征（富含精氨酸/赖氨酸、常具两亲性），以及为什么它是解决多肽“进不了细胞”这一核心难题的关键工具；并说明如何用条件生成模型定向产出 CPP 候选。

5.2 抗癌肽：介绍抗癌肽（尤其是膜裂解型）如何利用肿瘤细胞膜与正常细胞膜在电荷等方面的差异实现选择性杀伤，以及在设计时如何兼顾疗效与对正常细胞的安全性。

5.3 信号肽等：简要介绍信号肽、抗病毒肽、激素肽等其他功能肽的生成任务，说明本章方法框架具有很强的通用性，可迁移到各类功能目标。

5.4 动手：微调一个小模型生成目标肽 *

▸ 准备目标功能数据集（如 CPP 的正负样本），做清洗与划分

▸ 在 ESM2 或一个小型自回归模型上进行微调（可用 LoRA 等轻量方式降低算力需求）

▸ 从微调后的模型采样生成候选序列，去重并做初步长度/组成过滤

6. 生成完怎么评估好坏 *

6.1 天然相似性：用 BLAST 比对或 embedding 空间距离衡量生成序列与已知天然序列的接近程度；强调要在“足够像天然（可能可折叠、可表达）”和“足够新颖（有专利与创新价值）”之间取得平衡。

6.2 多样性：用序列聚类或计算候选之间的两两相似度来评估生成结果是否过于雷同——一个只会反复生成几乎相同序列的模型是没有实用价值的，多样性是衡量生成质量的重要维度。

6.3 结构合理性：用 ESMFold 或 AF2 对生成序列快速回测，看其能否折叠成 pLDDT 较高的合理结构，把结构不合理的候选提前淘汰。

6.4 成药性初筛：把第六主题的毒性、溶血性、稳定性等预测器作为前置过滤器接入生成流程，尽早剔除高风险候选，避免把宝贵的实验资源浪费在注定失败的序列上。

7. 实战项目

7.1 目标：以“设计一批细胞穿膜肽（CPP）”为具体目标，把本章学到的微调与条件生成方法真正用起来。

7.2 流程：完整走一遍数据准备→ 模型微调 → 批量生成 →（perplexity / 结构合理性 / 毒性）多指标联合筛选 → 输出 Top-N 候选并逐条说明入选理由的闭环，产出一份可交付的生成设计报告。

六、多肽性质预测、优化与工程改造（成药性）

1. 成药性到底看哪些指标

1.1 稳定性：讲解体内蛋白酶如何在特定位点降解多肽（例如胰蛋白酶偏好切在 Lys/Arg 之后），如何从序列上识别这些潜在的“易切位点”，并如何评估一条肽在血浆中的整体稳定性，这是多肽能否成药的第一道门槛。

1.2 半衰期：说明多肽的体内半衰期主要由肾小球滤过（与分子量相关）和酶解共同决定，并预告后面会讲到的延长策略——PEG 化、脂肪酸修饰、与白蛋白结合等，把“为什么半衰期短”和“怎么解决”连起来讲。

1.3 膜穿透性：分析影响多肽穿膜能力的主要因素（脂水分配系数 logP、净电荷、两亲性、分子量等），并介绍可用于预测穿膜概率的计算工具，呼应第一主题提出的“多肽进不了细胞”这一核心难题。

1.4 毒性与免疫原性：讲解需要评估的几类安全性风险——对红细胞的溶血性、对正常细胞的细胞毒性、以及可能引发免疫反应的 T 细胞表位，强调这些指标必须与活性同步优化。

2. 动手：用模型预测这些性质 *

2.1 稳定性/半衰期：用基于序列规则的方法标注出潜在的蛋白酶切割位点，并结合预测工具给每条候选肽打一个稳定性评分，产出一张“稳定性风险清单”。

2.2 膜穿透/CPP：使用 CellPPD 等在线/本地工具批量预测候选肽的细胞穿膜概率，筛选出更可能进入细胞、适合作用于胞内靶点的序列。

2.3 毒性/免疫原性：使用 ToxinPred 预测毒性、用免疫原性/表位预测工具评估免疫风险，把高风险候选在计算阶段就过滤掉，降低后续实验成本。

3. 从结构上让肽更“耐用”

3.1 环化：讲解头尾酰胺环化与二硫键环化两类主要环化方式，说明环化如何通过消除易被外切酶识别的自由末端、并限制构象自由度，来同时提升多肽的酶稳定性与结合活性。

3.2 订书肽：讲解订书肽如何通过在螺旋的两圈之间引入一条全碳或硫醚化学桥，把α 螺旋“钉”得更稳固，从而显著提升其蛋白酶抗性、结合亲和力乃至细胞穿透能力，是近年热门的多肽稳定化策略。

3.3 非天然氨基酸：介绍引入天然界不存在的氨基酸（如β-氨基酸、N-甲基化氨基酸等）如何让多肽逃避蛋白酶识别、并精细地调节其溶解度、刚性与穿膜性等理化性质。

3.4 D-氨基酸/逆序-D：讲解用 D 型氨基酸替换 L 型、乃至采用“逆序-D”（retro-inverso）策略，如何在尽量保持结合构象的同时，让多肽几乎完全逃脱只识别 L 型底物的蛋白酶降解，是提升稳定性的强力手段。

4. 用机器学习帮忙改造（优化）*

4.1 零样本突变效应预测：讲解如何用 ESM-1v / ESM-2 这类蛋白语言模型，在完全不需要额外训练数据的情况下（zero-shot），直接根据模型对突变前后序列的打分变化来预测某个突变是有益还是有害，从而快速圈定值得尝试的突变。

▸ 对目标肽的每个位置，枚举其所有可能的单点突变

▸ 用语言模型计算每个突变体相对野生型的对数似然差（打分）

▸ 按打分排序、挑出高分突变，并尝试将多个有益突变组合叠加

4.2 定向进化思路：讲解经典定向进化“构建突变库 → 高通量筛选 → 富集迭代”的实验范式，并说明机器学习如何通过预测有希望的突变、大幅减少需要实验筛选的轮次和规模，实现“更聪明地进化”。

4.3 Low-N 策略：讲解在实验数据极其有限（仅几十条）的现实场景下，如何借助预训练模型强大的先验表示，只用少量标注数据就训练出可用的性质预测或优化模型，解决生物领域普遍存在的“小数据”难题。

4.4 用自有数据训练小模型：手把手带学员把自己实验室积累的活性/稳定性等实测数据整理成规范训练集，在 ESM 等预训练表示之上微调一个轻量的回归/分类头，得到一个贴合自身课题的定制化预测模型。

5. 实战项目

5.1 全流程串讲：给定一条初始多肽，完整演示“性质预测 → 定位薄弱环节（如某处易被降解或毒性偏高）→ 用环化/突变等手段针对性优化 → 重新预测验证”的迭代闭环，把全课程学到的判别、生成、优化能力融会贯通。

5.2 学员小项目：给定一个真实的靶点或功能目标，让学员独立走一遍“设计 → 结构预测 → 性质预测 → 优化”的完整流程，最终产出一批候选多肽以及一份图文并茂的设计报告。

上下滑动查看更多

AI抗体设计线上直播课表

*涉及使用代码/计算工具的操作

第一天：代码基础，抗体基础，介绍各大药企在AI辅助抗体药物开发上的布局，复现GSK在抗体亲和力成熟上的工作

1.代码基础知识讲解，环境搭建：Linux，VS code*

a)超算的登录

b)Linux系统的常用shell命令：vim, ls, cd, less, rm等；

c)一些package安装的常用命令：pip, conda, source等。

d)VS code的基本配置：连接服务器；选择不同python版本的Interpreter；debug模式的使用等。

2.抗体基础知识讲解：

a)VDJ重排，germline，CDR区域，表位（epitope/paratope），抗体亲和力成熟，抗体的可开发性等概念介绍

b)不同抗体编号方案（Kabat，Chothia，IMGT）讲解，使用python自动化对抗体序列编号，并识别CDR区域*

c)抗体药物开发的基本流程

3.各大药企在AI辅助抗体药物开发上的布局：讲解各大药企公司发表的文献及报告:

a)Genetech的lab-in-the-loop,结合了实验和计算方法的迭代优化策略的工作b)Genmab手动建立了多样性的抗体可开发性数据集,以进行可开发性数据的训练和预测.

c)GSK、阿斯利康、诺和诺德等在抗体亲和力成熟上做的工作等。

4.抗体结构预测

1)通用蛋白结构预测模型：AlphaFold3。

u运行网页server上的AlphaFold3预测结构，https://alphafoldserver.com*

uAlphaFold3输出结果分析，各项置信度指标的含义，以及如何判断预测的准确度，如pLDDT，ipTM，PTM，PAE。

uAlphaFold3的安装过程讲解。

a)抗体专用结构预测模型：ImmuneBuilder，IgFold。实操如何在服务器安装和使用。

5.复现GSK在抗体亲和力成熟上的工作*

第二天：基于大语言模型的抗体亲和力成熟。

1.基础知识讲解

1)介绍蛋白质的语言模型（26字母语言模型->20氨基酸字母表，上下文依赖->氨基酸的共进化）

2)为什么要开发蛋白质大语言模型？

1. 相比于结构或功能信息，序列信息更加海量；

2. 蛋白质序列通过进化而来，可以学习蛋白质基本规律，折叠，共进化等

3)模型架构和基础理论：transformer，多头注意力机制，Bert，GPT，T5等

2.基于Bert架构的蛋白质语言模型

1)ESM系列（ESM-1b、ESM-1v、ESM2、ESM C）2)ESMFold：无需MSA信息的结构预测

3)多模态的蛋白质语言模型ESM3

4)使用抗体序列库训练的语言模型：Ablang，AntiBERTy

3.Adaptyv EGFR Binder比赛——设计靶向EGFR的更高亲和力binder。1)比赛结果展示

2)比赛排名靠前的抗体/蛋白是如何设计的

a)第一轮比赛，排名第一的方法：BindCraft

b)第二轮比赛，排名第一的方法：Cradle，在Cetuximab的基础上，用的LLM，突变了10个FR的氨基酸

c)第二轮比赛，排名第二的方法：对一个纳米抗体进行人源化改造

d)第二轮比赛，排名第三的方法：保留与结合重要的氨基酸，生成其它氨基酸RFdiffusion+inverse folding

4.零样本的抗体亲和力成熟*

1)Efficient evolution，基于序列的语言模型推荐突变点（Nat. Biotechnol.文章）

i.了解语言模型推荐突变点的原理；

ii.安装package和模型参数。https://github.com/brianhie/efficient-evolution

iii.运行以推荐突变点：python bin/recommend.py [sequence]

2)Structure evolution，基于结构的语言模型推荐突变点（Science文章）

i.了解inverse folding推荐突变点原理

ii.安装package和模型参数

1.git clonehttps://github.com/varun-shanker/structural-evolution.git

2.conda env create -f environment.yml

3.conda activate struct-evo

4.wget -P ~/.cache/torch/hub/checkpoints https://zenodo.org/records/12631662/files/esm_if1_20220410.zip

5.unzip ~/.cache/torch/hub/checkpoints/esm_if1_20220410.zip

iii.运行以推荐突变点：python bin/recommend.py examples/7mmo_abc_fvar.pdb \

--chain A --seqpath examples/7mmo_chainA_lib.fasta \

--outpath examples/7mmo_chainA_scores.csv \

--upperbound 109 --offset 1

5.小样本的抗体亲和力成熟*，在已有少量样本的亲和力数据下训练模型。使用MULTI-evolve的方法预测多点的组合突变。

第三天：抗体可开发性预测和优化1

1.抗体可开发性优化在药物开发过程中的意义，

2.衡量抗体可开发性要考虑的因素，如免疫原性、自聚集性、结合特异性、稳定性等等3.以一篇专利文件为例讲解AI辅助抗体改造的案例。Patent No.: US12110324B2。Generate:Biomedicines公司通过AI方法在tezepelumab上改成的一种靶向（TSLP）的长效单克隆抗体GB-0895。

4.抗体结构简单物理性质的计算：溶剂可及表面积（SASA）的讲解及计算；等电点的计算；蛋白质表面电荷分布的计算。*

5.讲解Ginkgo举办的抗体可开发性预测比赛的结果。6.公开的抗体可开发性数据的收集。

7.抗体性质预测的模型实践，展示在小样本的情景下训练机器学习模型*1)数据处理，划分数据集

2)模型构建，基于特征工程的机器学习模型（随机森林，XGboost，ElasticNet等）；学习根据蛋白质序列和结构信息构建常见特征。seq_features = feature_utils.get_all_seq_features(heavy_seq, light_seq, is_fv=True, isotype='igg1', lc_type='lambda')3)模型训练和评价，GridSearchCV交叉验证调参等4)模型的可解释性，特征重要性分析

第四天：抗体可开发性预测和优化2和抗体人源化

1.基于蛋白质语言模型的可开发性预测*

1)零样本的可开发性预测2)少样本的可开发性预测。给定抗体序列和相应的性质，构建下游模型预测。

a)数据处理，划分数据集

b)获得序列embedding以构建下游模型，实现蛋白质序列的不同方式encoding，包括"onehot", "georgiev", “esm”系列模型。

c)深度学习模型的构建。上游的大语言模型+下游简单线性层。

d)模型训练和评价：绘制训练曲线，训练集和测试集的评价指标随epoch的变化，2.免疫原性预测

1)免疫系统介绍，MHC-I和MHC-II，Anti-drug Antibody等基础概念

2)免疫原性预测是MHC结合肽段的预测

3)预测免疫原性。netMHCpan的原理讲解，安装和使用

3.抗体人源化

1)人源化的基础知识和流程。目标：保留亲和力+减小免疫原性+好的稳定性和可开发性。CDR移植到人源框架，回复突变，Vernier Zone，

2)Germline的搜索，IMGT/V-QUEST数据库搜索得到V 基因和J基因相似的人类germline序列。

3)人源化的经典方法biophi的原理讲解、安装和使用。

4)基于AI和基于物理能量（Rosetta）的方法是如何辅助抗体人源化的。

5)排除抗体序列的PTM。

第五天：抗体（scFv, VHH）的从头设计

1.从头设计的意义

1)跨膜蛋白例如GPCR，难以稳定表达为可溶性蛋白

2)VHH动物免疫羊驼成本高。

3)更高效快速获得候选分子

2.基础模型方法概念介绍：Diffusion模型、 flow-matching、全原子（all-atom）建模等

3.不同公司和方法模型、实验结果讲解

1)Rfdiffusion3+ProteinMPNN生成序列，AphaFold2筛选序列。将学会各个包的安装，不同参数的选择，结合的hotspot位点选择。

a)Rfdiffusion3结构设计，生成~10000个蛋白质主链结构；根据hotspot位点，生成新的结构：

./scripts/run_inference.py 'contigmap.contigs=[B1-100/0 100-100]' 'ppi.hotspot_res=[A30,A33,A34]' inference.output_prefix=test_outputs/binder_test inference.num_designs=10000

b)ProteinMPNN-FastRelax进行序列设计，每一个主链结构两个对应的序列，共设计~20000个序列；

c)筛选:使用AlphaFold2预测设计结构，预测的置信度pAE<10，预测结构与设计结构的RMSD<1A，从中挑选95个进行实验验证。

2)Nabla Bio开发的JAM（Joint Atomic Modeling）系统3)Chai2 Discovery开发的Chai-2方法，用以实现抗体的从头生成4)MIT开发的Bolzgen方法原理、安装使用讲解。

安装和使用boltzgen讲解，将详细讲解yaml配置文件的写法，以一个靶点为例，从头生成VHH与该靶点结合。

5)PPIFlow：基于flow-matching的生成方法，原理，安装和使用方法。

4.VHH的生成实践

1)确定纳米抗体序列框架（Framework区域）序列，生成CDR区域序列。分析整理纳米抗体序列，绘制序列保守性的Logo图，以此确定在生成VHH时，哪些位置的氨基酸需要固定。2)对生成的序列进行筛选。在亲和力、序列稳定性、可开发性等各个方面进行筛选。

a)预测结构与设计结构的RMSD，AlphaFold预测设计结构的置信度pAE等

b)筛选Cys，Met等氨基酸含量

c)减少电荷patch

d)根据等电点等性质筛选。

上下滑动查看更多

AI合成生物学线上直播课表

一、AI合成生物学总览与数据基础

1. 合成生物学的工程化框架

1.1 合成生物学的核心对象：parts、devices、circuits、pathways、genomes、cells。

1.2 从传统“试错式工程”到 AI 驱动的设计闭环。

1.3 DBTL 框架：Design、Build、Test、Learn。

1.4 AI 在 DBTL 中的位置：预测、生成、筛选、推荐、自动化实验、闭环优化。

1.5 为什么合成生物学需要 AI：组合空间巨大、上下文依赖强、实验成本高、数据噪声大。

2. AI 合成生物学的数据类型

2.1 DNA/RNA 序列数据：启动子、增强子、RBS、UTR、终止子、riboswitch、gRNA。

2.2 蛋白序列与结构数据：酶、受体、转录因子、变构开关、传感器结构域。

2.3 表达与表型数据：荧光、转录强度、产量、滴度、速率、动态范围、EC50。

2.4 多组学数据：转录组、蛋白组、代谢组、CRISPRi扰动数据。

2.5 高通量实验数据：MPRA、筛选库、条形码测序、自动化 biofoundry 数据。

3. AI 方法基础

3.1 监督学习：从序列或组学特征预测功能和表型。

3.2 生成模型：从目标功能反向生成 DNA、RNA、蛋白或线路方案。

3.3 主动学习与贝叶斯优化：决定下一轮最值得做的实验。

3.4 基础模型：蛋白语言模型、基因组语言模型、多模态生物模型。

3.5 AI agent：从单个预测工具到自动化实验设计助手。

3.6 模型评估：准确率、R2、MAE、外推能力、不确定性、实验验证成功率。

二、人工智能生物元件设计

1. 生物元件的基本类型

1.1 启动子：表达强度、细胞类型特异性、条件响应。

1.2 增强子与顺式调控元件：调控语法、motif组合、位置效应。

1.3 RBS、5'UTR 和翻译调控元件：核糖体结合、翻译效率、mRNA结构。

1.4 终止子与绝缘元件：表达边界、上下文隔离、转录终止效率。

1.5 riboswitch 与 RNA 元件：小分子响应、RNA结构调控、可编程传感。

1.6 蛋白元件：转录因子、结合结构域、酶、传感器受体、降解标签。

2. 传统元件设计与 AI 元件设计

2.1 传统方法：经验突变、motif拼接、文库筛选、理性设计。

2.2 AI 预测：从序列预测表达强度、特异性、响应曲线和上下文适配性。

2.3 AI 生成：按目标表达模式或细胞类型生成新调控序列。

2.4 AI 优化：在表达强度、特异性、稳定性和宿主负担之间做权衡。

2.5 关键难点：数据规模、实验噪声、宿主差异、序列上下文、模型可解释性。

3. 启动子与调控元件设计前沿

3.1 MPRA 数据如何训练调控元件模型。

3.2 深度学习如何学习调控语法：motif、位置、方向、组合关系。

3.3 细胞类型特异调控元件的机器引导设计。

3.4 PARM：从 DNA 序列预测 promoter activity。

3.5 DNA-Diffusion：扩散模型生成细胞类型特异调控序列。

3.6 微生物启动子生成与代谢工程中的表达调节。

实操：启动子、RBS 与调控元件快速判读*

使用 JASPAR 或 MEME Suite 对一段启动子/增强子序列做 motif 扫描或 motif discovery，观察模型如何把 DNA 序列转换成“转录因子结合位点/调控语法”线索；使用 Salis Lab Genetic Systems Calculator / RBS Calculator 输入 CDS 与目标翻译起始率，比较不同 RBS 设计对表达强度的影响。课堂产出为 motif 命中结果、RBS 设计结果截图和“哪些结果可以进入下一轮实验验证”的简短判断。

4. 本章重点

本章让学员理解：AI 元件设计的本质，是从“查已有元件”转向“按目标表达行为设计新元件”。元件设计是后续基因线路、代谢工程和传感器构建的基础。

三、AI基因线路设计

1. 基因线路基础

1.1 基因线路的概念：用 DNA 编写细胞行为。

1.2 基础逻辑门：NOT、AND、OR、NAND、NOR。

1.3 经典线路：toggle switch、repressilator、feed-forward loop、feedback control。

1.4 输入、处理与输出：诱导物、传感器、调控模块、报告基因。

1.5 线路性能指标：动态范围、响应速度、泄漏表达、鲁棒性、负载效应。

2. 为什么基因线路难设计

2.1 非线性动力学：Hill函数、反馈、双稳态、振荡。

2.2 宿主负载：转录翻译资源竞争、代谢压力、生长耦合。

2.3 上下文效应：元件连接后功能变化。

2.4 噪声与异质性：单细胞差异与群体平均的差别。

2.5 进化稳定性：突变、沉默、选择压力和线路失效。

3. 线路设计中的模型方法

3.1 ODE 机理模型：从参数和方程理解线路动态。

3.2 逻辑综合：从目标真值表到基因门组合。

3.3 Cello 与 Cello v2：把电子设计自动化思想迁移到遗传线路设计。

3.4 机器学习代理模型：快速预测线路行为。

3.5 高通量线路测量：从一个一个调试到大规模设计空间映射。

3.6 生成式线路设计：从目标动态功能反向生成线路结构。

实操：CelloCAD 逻辑线路自动设计演示*

使用 Cello / CelloCAD 输入简单逻辑需求，例如 AND、NOT 或两输入逻辑门，观察工具如何从高层逻辑规格转换为遗传门组合、元件库选择和候选 DNA 设计。课堂重点不做复杂线路调参，而是让学员理解“电子设计自动化思想如何迁移到基因线路设计”。

4. 本章重点

本章让学员理解：AI 基因线路设计并不是简单预测一个元件，而是在元件组合、动态行为、宿主环境和进化稳定性之间做系统设计。AI 的价值在于帮助探索巨大组合空间，并把线路设计从手工调参推向自动化。

四、AI基因组工程

1. 基因组工程基础

1.1 基因组工程的目标：敲除、插入、替换、调控、重写。

1.2 CRISPR-Cas 系统：Cas9、Cas12、Cas13 的基本差异。

1.3 base editing、prime editing、CRISPRa/i、epigenome editing。

1.4 gRNA、PAM、on-target、off-target、编辑窗口和递送方式。

1.5 合成生物学中的基因组工程：通路整合、宿主优化、基因组压缩、基因组重编码。

2. AI 如何辅助 CRISPR 设计

2.1 gRNA 活性预测：序列特征、GC含量、局部结构、染色质状态。

2.2 off-target 预测：相似序列、错配、插入缺失和安全评估。

2.3 编辑结果预测：indel分布、修复偏好、base editing效率。

2.4 多基因编辑与组合扰动设计。

2.5 CRISPRi/a 在代谢工程和线路调控中的应用。

3. AI 设计基因编辑器与基因组基础模型

3.1 从自然 CRISPR 系统挖掘到 AI 生成编辑器。

3.2 OpenCRISPR-1：AI 设计高功能基因编辑器的案例逻辑。

3.3 大规模基因组/宏基因组数据如何训练 CRISPR-Cas 模型。

3.4 Evo 2 等基因组语言模型：从单核苷酸分辨率理解和生成基因组序列。

3.5 基因组语言模型在变异解释、调控序列生成、合成基因组设计中的潜力。

3.6 AI 基因组工程的双重用途风险与安全边界。

实操：CRISPR 靶点与 gRNA 候选筛选*

使用 CHOPCHOP 或 CRISPOR 输入教学用基因名、基因组坐标或示例 DNA 序列，比较候选 gRNA 的 on-target 分数、PAM、GC 含量和 off-target 风险。

4. 本章重点

本章让学员理解：AI 基因组工程包括三个层次，一是优化 gRNA 和编辑实验，二是设计新的编辑器蛋白，三是用基因组基础模型理解和生成更大尺度的 DNA 程序。课程强调科研理解与安全边界，不提供高风险操作性设计五、AI代谢工程与细胞工厂

1. 代谢工程基础

1.1 代谢工程的目标：提高目标产物的产量、滴度、速率和稳定性。

1.2 细胞工厂：E. coli、Saccharomyces cerevisiae、Pseudomonas putida 等常用底盘。

1.3 通路设计：异源通路引入、关键酶优化、辅因子平衡。

1.4 代谢瓶颈：底物流向、能量供应、毒性、副产物、宿主负担。

1.5 传统策略：基因敲除、过表达、启动子调节、酶突变、适应性进化。

2. 代谢工程中的计算模型

2.1 Genome-scale metabolic model。

2.2 FBA、pFBA、FVA、MOMA 等约束模型。

2.3 COBRApy、COBRA Toolbox、cameo、StrainDesign。

2.4 从代谢网络模型到基因干预建议。

2.5 模型局限：参数缺失、调控缺失、动力学缺失、实验上下文差异。

3. AI 驱动的 DBTL 与菌株推荐

3.1 代谢工程为什么适合主动学习。

3.2 从组学数据、产量数据和构建信息训练模型。

3.3 贝叶斯优化与不确定性量化：选择下一轮最有价值的菌株。

3.4 ART：Automated Recommendation Tool 在合成生物学中的应用。

3.5 自动化 biofoundry：机器人实验、自动化测量和机器学习闭环。

3.6 CRISPRi 组合扰动与代谢通量调控。

实操：酶挖掘、通路候选与代谢流预测*

使用 BRENDA 或 Selenzyme 从一个目标反应出发筛选候选酶，关注 EC 编号、底物范围、来源物种和文献证据；使用 KBase Run Flux Balance Analysis 或 Escher-FBA 演示通量平衡分析，观察培养基、反应敲除或目标函数变化如何影响生长和目标产物通量。若课堂时间有限，本章只保留 KBase/Escher-FBA 的代谢流演示。

4. 本章重点

本章让学员理解：代谢工程不是单个基因的优化，而是细胞系统层面的资源重分配。AI 的价值在于把实验数据、组学数据、通路模型和下一轮设计建议连接起来，加速细胞工厂开发。

六、AI生物传感器设计

1. 生物传感器基础

1.1 生物传感器的作用：把不可见分子或细胞状态转化为可测信号。

1.2 传感器输入：小分子、代谢物、离子、蛋白、RNA、环境信号。

1.3 传感器输出：荧光、发光、颜色、电化学信号、抗性、生长优势。

1.4 传感器类型：转录因子传感器、riboswitch、CRISPR诊断、蛋白变构开关、FRET传感器。

1.5 传感器指标：特异性、灵敏度、动态范围、EC50、LOD、响应时间、背景噪声。

2. 生物传感器与合成生物学闭环

2.1 传感器是 DBTL 中 Test 环节的关键入口。

2.2 传感器如何支持高通量筛选。

2.3 传感器如何把代谢物浓度转化为训练数据。

2.4 传感器与代谢工程、酶工程、线路设计的结合。

2.5 传感器失效原因：交叉响应、泄漏表达、动态范围不足、宿主背景干扰。

3. AI 如何设计和优化传感器

3.1 受体设计：为目标小分子或蛋白设计识别结构域。

3.2 转录因子传感器改造：结合口袋、特异性和响应曲线优化。

3.3 变构蛋白开关：受体域和报告域的组合设计。

3.4 机器学习辅助突变库筛选。

3.5 剂量响应曲线建模与传感器变体排序。

3.6 生物传感器在细胞工厂开发中的闭环价值。

实操：酶与传感器蛋白性质预测*

使用 Protein-Sol 或 SoluProt 输入候选酶/传感器蛋白序列，快速预测可溶性表达倾向；使用 DeepSTABp、FireProt 2.0 或 DynaMut2 评估热稳定性或突变对稳定性的影响；如需补充活性/底物层面的判断，可演示 DeepMolecules 对 enzyme-substrate pair、kcat 或 KM 的预测。

4. 本章重点

本章让学员理解：生物传感器不仅是检测工具，更是 AI 合成生物学的“数据接口”。没有高质量传感器，许多代谢工程、酶工程和线路优化问题就无法高通量学习。

七、代码实战：复现成熟 AI-SynBio pipeline

1. 功能代码实战

2.1 生物元件生成主线：DNA-Diffusion

公开 Colab：

训练与序列生成

https://colab.research.google.com/github/pinellolab/DNA-Diffusion/blob/main/notebooks/training_and_sequence_generation.ipynb

使用 Hugging Face checkpoint 直接生成序列

https://colab.research.google.com/github/pinellolab/DNA-Diffusion/blob/main/notebooks/sequence_generation.ipynb

替换自定义数据训练与生成：https://colab.research.google.com/github/pinellolab/DNA-Diffusion/blob/main/notebooks/new_data_training_and_sequence_generation.ipynb

课堂用途：作为第一主线，演示“输入细胞类型/训练数据，输出候选合成调控 DNA 序列”的完整生成式 AI 流程。

2.2 调控效果评估主线：Enformer / AlphaGenome

公开 Colab：

DeepMind Enformer 使用示例

https://colab.research.google.com/github/deepmind/deepmind_research/blob/master/enformer/enformer-usage.ipynb

Google DeepMind AlphaGenome 可视化示例

https://colab.research.google.com/github/google-deepmind/alphagenome/blob/main/colabs/visualization_modality_tour.ipynb

课堂用途：与 DNA-Diffusion 串联，用生成出的候选 DNA 序列或示例变异片段，查看模型预测的调控效果。

2.3 代谢网络建模主线：COBRApy

公开 Colab：

COBRApy 代谢模型教学示例

https://colab.research.google.com/github/GibbonsLab/isb_course_2021/blob/main/models.ipynb

课堂用途：展示 FBA、通量平衡分析、培养基条件调整、基因敲除模拟和生长/产物权衡。

2.4 CRISPR 辅助设计主线：GuideHOM / CRISPR-GEM

公开 Colab：

GuideHOM gRNA on-target/off-target 预测

https://colab.research.google.com/drive/1VJkhQeqW1OkMG0VJoxcpML7LtnkvTX9e?usp=sharing

CRISPR-GEM 靶基因优先级分析

https://colab.research.google.com/github/jog822/CRISPR-GEM/blob/main/CRISPR_GEM_Github.ipynb

课堂用途：作为基因组工程备选实操，展示“候选靶点/候选基因输入，输出编辑效率、脱靶风险或靶基因优先级”的分析流程。

2.5 生物语言模型展示：Evo / Evo 2

公开 Colab：

Evo hello_evo 示例：https://colab.research.google.com/github/evo-design/evo/blob/main/scripts/hello_evo.ipynb

课堂用途：展示 DNA 语言模型如何读取、补全和生成序列。

2.6 GitHub 与顶刊 pipeline 拓展

PARM、ART、Cello v2、JBEI Isoprenol_CRISPRi、CRISPR-GPT 和 Evo 2 仍作为课程重要参考项目。其中 PARM 与 ART 更适合作为课后拓展或本地复现实验，不放在第一版课堂主跑流程中，避免安装依赖和运行环境占用过多授课时间。

2. 实操运用串联

DNA-Diffusion + Enformer：

串联方式：

第1步：打开 DNA-Diffusion 的 sequence_generation Colab，使用公开 checkpoint 生成一批候选调控 DNA 序列。

第2步：将候选序列整理成 FASTA 或 CSV，保留序列 ID、目标细胞类型、生成参数和模型得分。

第3步：打开 Enformer Colab，选取代表性候选序列或使用课程预置片段，查看模型预测的调控信号、基因表达相关轨迹或变异效应。

第4步：根据预测结果筛选候选序列，并回到 DNA-Diffusion 的生成参数或训练数据设计，形成“小型 DBTL 闭环”。

课堂说明：这条链路可以串联讲，但不设计成一键全自动 pipeline。正式授课时应提前准备中间 FASTA/CSV 样例、截图结果和备用输出，确保网络或 GPU 波动时仍能顺利讲解。

COBRApy + ART ：

COBRApy 负责稳定演示代谢模型和 FBA，ART 负责讲解机器学习如何推荐下一轮构建设计。该组合适合学员偏代谢工程、菌株设计或细胞工厂开发的班型。

GuideHOM + CRISPR-GEM：

GuideHOM 展示 gRNA 效率与脱靶风险评估，CRISPR-GEM 展示靶基因优先级分析。该组合适合学员偏基因组工程、功能基因筛选或 CRISPR 实验设计的班型。

3. 实战讲解流程

4.1 pipeline 背景：对应论文、解决什么问题、在课程主线中的位置。

4.2 代码仓库结构：README、安装文件、数据目录、模型文件、运行入口。

4.3 环境准备：Python/conda/docker/GPU需求、依赖安装、常见报错。

4.4 输入数据：序列、表达表、菌株数据、组学数据或逻辑规格文件。

4.5 运行流程：核心命令、关键参数、运行时间、输出目录。

4.6 输出解释：预测结果、候选排序、图表、模型分数、下一轮实验建议。

4.7 结果复盘：pipeline 的优点、限制、适用场景和迁移方式。

4.8 科研迁移：如何替换成自己的启动子、线路、代谢工程或传感器数据。

上下滑动查看更多

AIDD人工智能药物设计线上直播课表

第1天 AIDD基础——环境搭建、基本工具使用与数据库学习

从药物发现流程与常见数据形式入手，完成环境配置和工具练习，再通过ChEMBL案例掌握活性数据的获取与整理。

1. 【基础概念】AIDD概述：从CADD到AIDD，药物发现流程与常见AI任务

2. 【基础概念】分子与蛋白质数据：SMILES、SDF、FASTA与PDB

3. 【基础概念】常用数据库：PubChem、ChEMBL、PDB、UniProt；KEGG、Rhea及常用基准数据集简介

4. 【工具使用】Anaconda/Miniconda、VS Code、虚拟环境、环境变量与pip/conda镜像源配置

5. 【工具使用】requests数据下载，NumPy与pandas基本数据处理

6. 【工具使用】RDKit分子读写、描述符、指纹、构象与药效团；Open Babel格式转换

7. 【工具使用】Biopython、Biotite的蛋白质序列与结构读取

8. 【实战】创建虚拟环境、安装工具包并运行示例脚本

9. 【实战】使用RDKit计算分子描述符、指纹与相似性，生成简单构象并提取药效团特征

1. 【实战】RDKit分子操作与描述符计算

2. 【实战】RDKit分子指纹与相似性计算

3. 【实战】RDKit分子构象生成算法

4. 【实战】RDKit药效团提取与处理

5. 【实战】RDKit生化反应规则与应用

10. 【实战】使用requests下载文本、图片及数据库记录，获取分子结构与活性、蛋白质序列与结构

11. 【顶刊复现】Nucleic Acids Research｜ChEMBL数据库：《The ChEMBL Database in 2023: a drug discovery platform spanning multiple bioactivity data types and time periods》

1. 【基础概念】理解分子、靶点、测定实验与活性记录的关联

2. 【实战】获取示例靶点的结构与活性数据，完成单位核对、去重与导出

3. 【复现重点】数据库使用与数据整理流程

第2天药物分子虚拟筛选——分子性质预测

围绕分子性质预测与候选筛选，依次学习分子表示、模型训练和结果评价，再以abaucin发现案例串联完整的计算筛选流程。

1. 【基础概念】虚拟筛选与性质预测：生物活性、ADME与毒性，分类与回归任务

2. 【基础概念】分子表示：描述符、分子指纹与原子—化学键图

3. 【基础概念】模型评价：随机与骨架划分、交叉验证、分类与回归指标；候选排序与早期富集

4. 【AI技术】scikit-learn：决策树、随机森林、支持向量机与朴素贝叶斯

5. 【AI技术】PyTorch：张量、Dataset、DataLoader与简单神经网络训练

6. 【AI技术】GNN与PyG：消息传递、图级预测、Data对象与自定义Dataset

7. 【实战】基于ADME相关规则的分子过滤、基于相似性的配体筛选与分子聚类

8. 【实战】基于分子指纹和机器学习的生物活性或毒性预测，运行简单神经网络作为对照

9. 【实战】SMILES转分子图、构建Dataset，开展GNN分子毒性预测或HIV抑制活性预测

10. 【顶刊复现】Nature Chemical Biology｜深度学习发现针对鲍曼不动杆菌的窄谱抗菌分子abaucin：《Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii》

1. 【基础概念】理解实验抑菌数据、活性标签与定向消息传递神经网络（D-MPNN）

2. 【实战】使用公开数据子集开展小规模训练，或加载作者提供的模型预测候选分子

3. 【结果分析】结合预测得分、Tanimoto相似性与理化性质，完成候选排序和结构分析

4. 【复现重点】从实验数据整理、模型预测到候选筛选的计算流程；作用机制与生物实验验证作为结果解读内容

第3天新型药物分子从头设计——分子语言模型与多模态条件生成

从分子序列表示与Transformer出发，通过Hugging Face衔接MolGen预训练模型，再用SPMM学习结构—性质多模态建模与性质条件生成，重点练习模型推理和结果核验。

1. 【基础概念】从性质预测到分子设计：根据已有分子生成候选、性质条件生成与生成后筛选

2. 【基础概念】分子序列表示：SMILES与SELFIES，分词、词表、特殊标记、编码与解码

3. 【基础概念】多模态与生成条件：分子结构序列与数值性质向量，结构到性质、性质到结构的双向建模

4. 【基础概念】生成评价：化学有效性、唯一性、新颖性、多样性、目标性质与条件满足程度

5. 【AI技术】序列建模与Transformer

1. 【AI技术】RNN与Seq2Seq简介，Attention与Transformer基本原理

2. 【AI技术】编码器与解码器、自回归生成与下一token预测

6. 【AI技术】Hugging Face框架使用

1. 【AI技术】pipeline、模型与分词器，预训练、微调与推理的区别

2. 【实战】使用AutoTokenizer与AutoModelForSeq2SeqLM加载MolGen，完成输入编码、模型生成与输出解码

3. 【AI技术】束搜索与随机采样的基本思路，生成长度与返回候选数量的设置

7. 【AI技术】从分子语言模型到多模态条件生成

1. 【AI技术】MolGen：以SELFIES为输入和输出的分子序列建模

2. 【AI技术】SPMM：分子结构序列与性质向量的编码、信息交互及条件生成

3. 【AI技术】性质向量的计算与标准化，生成条件的设置和结果核验

8. 【实战】通过简单pipeline示例熟悉Hugging Face，理解分词器、模型与推理流程

9. 【实战】调整生成参数，比较候选分子的有效性、唯一性、与输入分子的相似性及结构多样性

10. 【拓展实战】基于分子预训练模型微调毒性分类任务，熟悉训练、保存与加载流程

11. 【顶会复现】ICLR（2024）｜MolGen分子语言模型：《Domain-Agnostic Molecular Generation with Chemical Feedback》

1. 【AI技术】理解SELFIES表示、Transformer编码器—解码器与分子序列生成

2. 【实战】从Hugging Face加载预训练模型与分词器，完成“示例分子输入—候选生成—结构解码”的流程

3. 【结果分析】分析生成参数对候选结构、性质与多样性的影响；化学反馈机制作为论文方法解读内容

4. 【复现重点】预训练模型推理与候选分析，复用Hugging Face的模型使用流程

12. 【顶刊复现·进阶案例】Nature Communications｜SPMM结构—性质多模态建模与条件生成：《Bidirectional generation of structure and properties through a single molecular foundation model》

1. 【AI技术】理解分子SMILES与数值性质向量两种模态，以及结构与性质之间的双向建模

2. 【实战】使用预训练模型，根据给定性质条件生成少量候选分子，观察条件变化对生成结果的影响

3. 【结果分析】用RDKit重新计算生成分子的性质，比较条件满足程度、有效性与结构多样性

4. 【复现重点】性质条件设置、模型推理与结果核验；复杂预训练目标作概念介绍

第4天蛋白质任务——功能预测、突变效应与酶工程

将前面学习的模型使用方法拓展到蛋白质，先理解序列、结构与预训练嵌入，再通过功能预测和酶工程案例学习对比学习与配对特征融合。

1. 【基础概念】蛋白质任务：功能分类、突变效应与酶催化性质预测

2. 【基础概念】蛋白质表示：氨基酸序列、预训练嵌入与残基结构图

3. 【基础概念】酶—底物配对数据及常见动力学参数简介

4. 【AI技术】蛋白质分词器与ESM等预训练模型的表示提取

5. 【AI技术】复用机器学习、MLP与GNN开展蛋白质预测

6. 【实战】从序列和PDB文件构建蛋白质数据结构，自定义原子与残基属性

7. 【实战】提取蛋白质序列嵌入，结合简单分类器开展功能预测

8. 【实战】基于序列预测TEM-1 β-内酰胺酶突变对实验测得功能的影响

9. 【顶刊复现】Science｜CLEAN基于对比学习的酶功能预测：《Enzyme function prediction using contrastive learning》

1. 【AI技术】蛋白质嵌入、对比学习与EC编号分配

2. 【实战】使用预训练模型开展功能预测，分析低相似性样本与多功能酶

3. 【结果分析】评价功能预测结果，理解置信度与类别不平衡

10. 【顶刊复现·进阶案例】Nature Communications｜CataPro辅助酶挖掘与工程改造：《Robust enzyme discovery and engineering with deep learning using CataPro》

1. 【AI技术】酶与底物的联合表示、动力学参数预测与候选排序

2. 【实战】使用整理好的配对样本开展预测，分析不同酶或突变体的排序

3. 【基础概念】衔接第5天：从蛋白质任务过渡到两个研究对象的联合建模

第5天相互作用与复合物——亲和力预测、口袋与条件分子生成

在分子与蛋白质建模的基础上，进一步学习复合物表示、三维等变建模和条件扩散，通过OpenVS与DiffSBDD串联结构虚拟筛选和口袋条件生成。

1. 【基础概念】复合物任务：相互作用预测、亲和力预测与口袋条件分子生成

2. 【基础概念】复合物表示：蛋白质—配体配对特征、结合口袋、三维坐标与联合图

3. 【基础概念】生成条件与评价：口袋、性质或固定片段；区分亲和力、对接评分与结构适配性

4. 【AI技术】GNN特征融合与蛋白质—配体联合建模

5. 【AI技术】不变性与等变性、EGNN基本原理；e3nn的Irreps与TensorProduct简介

6. 【AI技术】扩散模型：前向加噪、反向去噪、训练目标与条件采样

7. 【实战】读取蛋白质与配体，提取口袋、坐标与特征，开展GNN亲和力预测

8. 【实战】运行简单EGNN与e3nn示例，理解三维数据输入、特征与坐标更新

9. 【实战】运行简单加噪与去噪示例，调用预训练模型开展口袋条件生成，结合已有筛选代码评价候选分子

10. 【顶刊复现】Nature Communications｜OpenVS：主动学习加速超大规模结构虚拟筛选

1. 【工具使用】RosettaGenFF-VS打分与VSX/VSH分层对接。

2. 【AI技术】Morgan指纹、MLP代理模型与对接分数伪标签。

3. 【AI技术】高分选样与随机探索相结合的迭代筛选。

4. 【结果分析】候选过滤、结构聚类及KLHDC2/NaV1.7实验结果解读。

5. 【复现重点】小规模主动筛选循环、计算预算与候选富集分析。

11. 【顶刊复现·进阶案例】Nature Computational Science｜DiffSBDD基于等变扩散的结构条件药物设计：《Structure-based drug design with equivariant diffusion models》

1. 【AI技术】蛋白质口袋条件下的配体三维生成

2. 【实战】使用预训练模型完成口袋条件采样与固定片段补全案例

3. 【结果分析】结合第2天的性质预测与第3天的生成评价方法，形成候选分子的综合筛选结果

上下滑动查看更多

讲师介绍

AI蛋白质设计与AI抗体设计

主讲老师在学术界和工业界都有丰富算法开发和应用经验，博士毕业于国内顶尖课题组，从事蛋白质结构预测和蛋白质设计的研究工作，相关工作成果已在Cell Systems、Angew. Chem. Int. Ed.、JCIM等国际知名期刊发表论文。目前在知名药企担任高级研究员，主导AI驱动的大分子药物设计平台开发与团队管理。

AI多肽抗菌肽设计

。主讲老师长期从事人工智能驱动的多肽/蛋白质设计研究，主要方向为多肽从头设计、生成式大模型与深度学习算法开发及应用，在Nature biotechnology、Nature Communications、Advanced Science、ICLR、AAAI、KDD等顶级期刊和会议发表论文十余篇，在多肽药物设计、抗菌肽与靶点结合肽设计、生物序列建模等方向具有丰富的算法开发与实战经验。

AIDD药物设计

主讲老师来自天津大学，有十余年的计算机算法研究和程序设计经验。研究方向涉及深度学习药物发现，药物合成路径设计等。发表SCI高水平论文10篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊！讲课一致受到学员极高评价

AI合成生物学

主讲教师来自清华大学，兼具学术研究与产业应用背景，，来自国内顶尖生命科学与人工智能交叉研究团队。其研究方向与本课程“AI 驱动的合成生物学”高度契合，能够从前沿算法、真实科研案例和产业转化应用三个层面，系统讲解人工智能如何结合生物元件设计、基因线路构建、代谢工程优化与 DBTL 闭环。主讲教师及所在团队相关研究成果已发表于 PNAS、Angew. Chem. Int. Ed.、Nature、Science 等国际知名期刊，团队累计发表论文 300 余篇，具备扎实的科研积累与前沿课程开发基础。

AI类器官技术多场景应用与转化

主讲老师在学术界和工业界均有丰富的类器官开发与应用经验，博士毕业于国内顶尖课题组，长期从事类器官与人工智能交叉、类器官高通量构建与智能分析的研究工作，相关工作成果已在 microsystems&nanoengineering、Journal of Nanobiotechnology、Bio‑Design and Manufacturing 等国际知名期刊发表论文。目前在知名研究所担任副研究员，主导类器官自动化与 AI 辅助设计平台的开发与团队管理。

授课时间

AI多肽抗菌肽设计

2026.11.17 -2026.11.20(19:00-22:00)

2026.11.21 -2026.11.22(09:00-11:30--13:30-17:00)

2026.11.25 -2026.11.26(19:00-22:00)

AI抗体设计

2026.12.19 -2026.12.20(09:00-11:30--13:30-17:00)

2026.12.22 -2026.12.23(19:00-22:00)

2026.12.26 -2026.12.27(09:00-11:30--13:30-17:00)

AI蛋白质设计

2026.12.19-2026.12.20(09:00-11:30--13:30-17:00)

2026.12.22-2026.12.23(19:00-22:00)

2026.12.26 -2026.12.27(09:00-11:30--13:30-17:00)

AI类器官技术多场景应用与转化

2026.12.19-2026.12.20(09:00-11:30--13:30-17:00)

2026.12.26 -2026.12.27(09:00-11:30--13:30-17:00)

AI合成生物学

2026.11.07 -2026.11.08(09:00-11:30--13:30-17:00)

2026.11.11 -2026.11.12 (19:00-22:00)

2026.11.14 -2026.11.15(09:00-11:30--13:30-17:00)

AIDD人工智能药物设计进阶

2026.12.19-2026.12.20(09:00-11:30--13:30-17:00)

2026.12.22-2026.12.23(19:00-22:00)

2026.12.26 -2026.12.27(09:00-11:30--13:30-17:00)

腾讯会议线上直播授课提供全程录像回放

培训费用

课程报名费用：

AI蛋白质设计、AI＋多肽抗菌肽设计、AI抗体设计、AI合成生物学：

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￥6280元（含报名费、培训费、资料费、提供课后全程回放资料）

AIDD药物发现与设计，AI类器官技术多场景应用与转化：

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￥5280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:

优惠1：报二送一（同时报名两个班赠送一个学习班，赠送班任选）

两班同报：10880元

三班同报：14880元

四班同报：18880元

特惠一：24880元（可免费学习一整年本单位举办的任意课程）

特惠二：28880元（可免费学习两整年本单位举办的任意课程）

特惠三：48880元（终身会员可终身参加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（仅限前15名）

优惠3：报名直播课程可赠送往期课程回放

（报名一个直播课可以赠送两个回放）

（报名三个直播课赠送下面全部课程回放）

（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！

回放二：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！CRISPR-Cas9基因编辑培训！

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！深度学习基因组学培训！

回放八：本课程为视频课！机器学习微生物多组学联合分析！

报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销。报名缴费后即可获得全套预习资料供大家课前准备

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！