夜雨聆风主办单位
中国化工企业管理协会医药化工委员会
药成材信息技术（北京）有限公司 
各有关单位
抗体药物偶联物（ADC）凭借抗体靶向性 + 高活性载荷的精准递送机制，已成为全球抗肿瘤药物研发的核心赛道。随着多款 ADC 药物获批上市与商业化成功，国内创新药企、CRO/CDMO 机构加速布局，靶点发现、抗体优化、连接子 - 载荷组合、成药性评估等临床前研发环节成为竞争焦点。
传统 ADC 研发高度依赖经验筛选与试错迭代，普遍面临周期长、成本高、靶点稀缺、脱靶毒性、DAR 均一性难控、成药性预测不准等瓶颈，从靶点验证到临床前候选化合物（PCC）阶段耗时久、失败率高。与此同时，以大语言模型、图神经网络、多模态 AI、蛋白质结构预测为代表的智能技术快速落地，正在重构药物发现全流程，为 ADC 的多组分协同设计、高通量虚拟筛选、体内外特性精准预测提供全新解决方案。
当前行业普遍存在AI 技术与 ADC 研发场景脱节、工具不会用、流程跑不通、数据不闭环等落地难题，亟需一套覆盖靶点发现→抗体设计→连接子 - 载荷筛选→成药性优化→PCC 定型的全链条、可实操的 AI 应用体系，为此，我单位将于2026年4月在线上举办本次培训，详情如下：
会议安排
会议地点：线上直播
会议时间：2026年4月18日-4月19日
培训大纲
第一天 09:00-12:00 14:00-17:30
第一天：AI 赋能 ADC 靶点发现与抗体智能设计
上午（09:00-12:00）
一、ADC 研发全流程与 AI 变革
lADC的结构、作用机制与研发阶段划分
lAI重塑ADC：靶点/抗体/Linker/载荷/偶联全环节赋能（对应可落地的AI任务类型：分类、排序、回归、生成、主动学习）
l全球标杆案例与国内落地路径（以“数据—模型—验证—合规/可追溯”的落地路径拆解）
二、AI 驱动 ADC 靶点发现与验证（核心）
l理想ADC靶点：高特异性、高内化性、低正常组织表达（指标化与可验证化）
l多组学+知识图谱+NLP挖掘新靶点（证据来源、证据强度、冲突证据处理）
l单细胞/空间转录组与肿瘤异质性靶点筛选（亚群表达、空间邻域、靶点可及性）
内化效率、膜定位、内吞通路的AI可复现实操路线：
l路线A：显微/流式/高内涵成像→CNN/深度分割（CellProfiler+Cellpose/StarDist）→内化指数自动定量→监督学习回归/分类（高内化/低内化、内化速率分层）
l路线B：蛋白特征（跨膜结构、定位、GO、表达谱等）→传统机器学习打分（RandomForest/XGBoost思路）→ILS（Internalization Likelihood Score，内化可能性评分）
l靶点成药性与临床转化风险评估（证据分层、可转化风险、竞品态势与失败模式预警）
三、靶点发现工具实操与数据库
l公共/商业数据库使用（公共库提供手把手操作指南；商业库重点讲解字段含义与能力边界，无需依赖账号演示）
靶点AI打分平台实操（公开可复现）：
lOpen Targets（通过Web界面及GraphQL API拉取证据维度数据并完成导出）
lDepMap（用于肿瘤依赖性/脆弱性证据的补充与强化）
lHPA（针对正常组织表达、肿瘤表达及亚细胞定位证据进行补充与强化）
l基于证据维度构建可解释的靶点优先级模型（使用sklearn：对比线性模型与树模型，输出关键特征及决策依据）
l靶点优先级打分与立项决策（包含权重设置、敏感性分析、Go/No-Go判定标准、便于记录与审计的输出形式）
下午（14:00-17:30）
四、AI 辅助抗体智能设计与亲和力成熟
l抗体结构、人源化、稳定性与免疫原性控制（从“设计约束”角度构建可检查清单）
lAlphaFold3与结构预测（能力边界及适用场景）
l抗体结构预测实操：通过ColabFold/AF2 notebook运行VH/VL或Fv结构；解读pLDDT/PAE指标并说明其在工程决策中的应用
l表位-互补决定区预测与结合模式分析（结构驱动的界面特征挖掘与假设生成）
l高通量突变设计与亲和力优化（AI范式：候选生成→计算打分→主动学习筛选最小实验集；强调“减少实验次数”的量化思路）
五、ADC 抗体关键属性 AI 预测
l表达量、聚集性、稳定性、可开发性（以可复现工具输出为核心，清晰阐述端点含义、阈值标准与红旗信号）
l可开发性实操：TAP输出可交付报告（解读关键指标、识别高风险区域、提出工程化策略）
l去免疫原性与T细胞表位预测（操作流程、阈值设定、假阳性处理与验证建议）
l免疫原性实操：IEDB TepiTool（表位候选筛选、阈值参数设定、结果解读与优先级排序）
l偶联位点设计与均一性提升（位点工程+结构特征+机器学习思路）：基于结构暴露度、局部疏水性、电荷等特征构建可解释的位点优选打分体系；明确公开数据的能力边界及应对策略
l案例：靶点→抗体序列设计+可开发性评估
l课堂产出：结构预测结果+TAP报告+IEDB初步筛选+突变最小实验集建议（学员带走“AI产物”）
第二天 09:00-12:00 13:30-16:30
第二天：AI 优化 Linker - 载荷与成药性，直达 PCC
上午（09:00-12:00）
六、AI 驱动 Linker - 载荷协同设计
lLinker类型：可切割/不可切割特性、亲疏水性、循环稳定性（与PK及旁观者效应的关联）
l载荷：有效载荷、毒性、旁观者效应、耐药规避（与适应症场景绑定）
切割效率、血浆稳定性、释放动力学的AI可复现实操路径（面向公开数据可讲义化）：
lQSAR/图模型/GNN思路：通过RDKit生成logP、PSA、HBD/HBA等描述符
l利用sklearn开展稳定性/毒性风险的分类或回归分析（结合示例数据讲解方法、评估与复现流程）
l明确动力学端点公开数据的限制：以“代理端点+方法论+如何构建自有数据集”形成落地指南
DAR分布、偶联效率与工艺兼容性的AI应用位置与建模方法：
l可纳入模型的变量：位点、局部疏水性、电荷、反应条件、溶剂及比例、温度及时间等
lDoE数据向ML建模的最小闭环构建（不承诺公开端到端预测精度，强调模型的可解释性与可验证性）
七、ADC 成药性与 ADMET 智能预测
l吸收、分布、代谢、排泄与毒性（以payload侧为核心的可复现评估路径）
l心脏、肝脏与肾脏安全风险预测（端点解释、阈值设定及验证建议）
l多参数优化（MPO）与候选分子排序（权重设定、权衡关系解释及敏感性分析）
l实操贯穿：通过ADMETlab 2.0实现payload候选批量评估与MPO权重敏感性分析（讲解模型端点、不确定性及使用边界）
八、AI 虚拟筛选与先导化合物快速发现
l生成式AI设计全新ADC组件（训练数据与约束条件：合成可行性、毒性红线、可连接位点；提示词与约束生成演示；不将课堂成败完全依赖于生成结果）
l虚拟筛选流程与打分函数（可复现的最小化流程）：Vina对接→结果解释→CNN重打分（GNINA），明确“此处AI即指CNN评分函数”
l湿实验验证优先级与降本策略（从计算排序到最小实验集：验证顺序、成本控制与风险管控）
下午（14:00-17:30）
九、从Lead 到 PCC：AI + 实验闭环决策
lPCC标准：活性、选择性、稳定性、安全性、工艺性（公开口径+可执行验证计划）
l多维度评估体系与阶段门控（stage-gate）：评分表、权重、敏感性分析、Go/No-Go口径
l阶段门控排序器（机器学习实操）：将靶点分数、可开发性、免疫原性、ADMET、对接/重打分等信息汇总成一张表；通过可解释模型开展候选排序与关键驱动因素分析（强调可审计、可复现）
l常见失败原因与规避方案（内化不足、毒性、异质性、稳定性、免疫原性、工艺放大与一致性风险）
十、全流程案例复盘
l靶点→抗体→Linker-载荷→PCC端到端AI交付件复盘（各环节需产出可下载/可截图的AI结果，包括证据页、打分表、结构图、报告、ADMET结果、对接与CNN重打分排序）
l药企/CRO/AI平台协同模式（明确RACI职责、数据接口、交付物与验收标准，确保可交付、可复盘）
l案例：PCC方案设计
l基于给定适应症，输出靶点选择、抗体设计、Linker-载荷组合、ADMET分析及PCC候选
l交付物清单：1页PCC候选提名包、评分表、最小验证实验计划
授课老师：
樊凤辉，博士，生物医药工程高级工程师，泓惠医药科技(北京)有限责任公司创始人及首席科学家，北大博雅医药领域智库高级专家及客座教授，香港技术研究院教授。曾任职郑州安图实业生物药首席科学家，北京恩泽康泰生物科技有限公司药物研发副总裁，修正集团生物药研发总监，北京深度智耀科技有限公司人工智能蛋白算法资深科学家，清华大学分子生物学及结构生物学研究员等职位。主持及参与研发的的数个生物药产品成功上市。主持过国家863项目及国家重大创新项目。最近几年聚焦生物医药及人工智能和数智化在医药领域的应用的研究工作。
徐博，化学物理博士，现任某Biotech董事、AIDD/CADD部门负责人，省自然科学高级技术职称，市区两级海外高层次人才。主要研究生物计算及药物设计，特别是机器学习及AI驱动药物设计领域。曾赴欧美多所顶尖院校及科研机构从事博士后研究，主持开发AI小分子及大分子药物设计平台，为多领域研发管线进入临床提供计算支持，深耕PROTAC、ADC等药物设计方向。研究成果发表于Chem. Rev.、J. Chem. Phys.等知名期刊，多篇获评亮点及封面文章，兼任多个国际期刊同行评审人。
会议说明
1、理论讲解,实例分析,专题讲授,互动答疑
2、主讲嘉宾均为行业内资深专家，欢迎来电咨询
3、企业需要内训和指导，请与会务组联系
培训费用
会务费：4000元/单位（会务费包括：培训、研讨、 电子版资料、电子版培训证书、一年视频回放等）；（为了给企业节约学习成本及方便工作安排可以投屏全员观看+视频回看一年）
汇款账户
汇款请注明：（备注ADC AI）
户 名：药成材信息技术（北京）有限公司
开户行：中国工商银行股份有限公司房山支行良乡支行
账 号： 0200316909100078392
报名方式
本次会议限额100家企业参加，扫描下方二维码或者点击“阅读原文”，登记信息后，会务人员将与您沟通培训相关细节。
识别微信二维码，添加生物制品圈小编，符合条件者即可加入 生物制品微信群！ 请注明：姓名+研究方向！ 
版 权 声 明 本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观不本站。 
主办单位
中国化工企业管理协会医药化工委员会
各有关单位
抗体药物偶联物（ADC）凭借抗体靶向性 + 高活性载荷的精准递送机制，已成为全球抗肿瘤药物研发的核心赛道。随着多款 ADC 药物获批上市与商业化成功，国内创新药企、CRO/CDMO 机构加速布局，靶点发现、抗体优化、连接子 - 载荷组合、成药性评估等临床前研发环节成为竞争焦点。
传统 ADC 研发高度依赖经验筛选与试错迭代，普遍面临周期长、成本高、靶点稀缺、脱靶毒性、DAR 均一性难控、成药性预测不准等瓶颈，从靶点验证到临床前候选化合物（PCC）阶段耗时久、失败率高。与此同时，以大语言模型、图神经网络、多模态 AI、蛋白质结构预测为代表的智能技术快速落地，正在重构药物发现全流程，为 ADC 的多组分协同设计、高通量虚拟筛选、体内外特性精准预测提供全新解决方案。
当前行业普遍存在AI 技术与 ADC 研发场景脱节、工具不会用、流程跑不通、数据不闭环等落地难题，亟需一套覆盖靶点发现→抗体设计→连接子 - 载荷筛选→成药性优化→PCC 定型的全链条、可实操的 AI 应用体系，为此，我单位将于2026年4月在线上举办本次培训，详情如下：
会议安排
会议地点：线上直播
会议时间：2026年4月18日-4月19日
培训大纲
第一天 09:00-12:00 14:00-17:30
第一天：AI 赋能 ADC 靶点发现与抗体智能设计
上午（09:00-12:00）
一、ADC 研发全流程与 AI 变革
lADC的结构、作用机制与研发阶段划分
lAI重塑ADC：靶点/抗体/Linker/载荷/偶联全环节赋能（对应可落地的AI任务类型：分类、排序、回归、生成、主动学习）
l全球标杆案例与国内落地路径（以“数据—模型—验证—合规/可追溯”的落地路径拆解）
二、AI 驱动 ADC 靶点发现与验证（核心）
l理想ADC靶点：高特异性、高内化性、低正常组织表达（指标化与可验证化）
l多组学+知识图谱+NLP挖掘新靶点（证据来源、证据强度、冲突证据处理）
l单细胞/空间转录组与肿瘤异质性靶点筛选（亚群表达、空间邻域、靶点可及性）
内化效率、膜定位、内吞通路的AI可复现实操路线：
l路线A：显微/流式/高内涵成像→CNN/深度分割（CellProfiler+Cellpose/StarDist）→内化指数自动定量→监督学习回归/分类（高内化/低内化、内化速率分层）
l路线B：蛋白特征（跨膜结构、定位、GO、表达谱等）→传统机器学习打分（RandomForest/XGBoost思路）→ILS（Internalization Likelihood Score，内化可能性评分）
l靶点成药性与临床转化风险评估（证据分层、可转化风险、竞品态势与失败模式预警）
三、靶点发现工具实操与数据库
l公共/商业数据库使用（公共库提供手把手操作指南；商业库重点讲解字段含义与能力边界，无需依赖账号演示）
靶点AI打分平台实操（公开可复现）：
lOpen Targets（通过Web界面及GraphQL API拉取证据维度数据并完成导出）
lDepMap（用于肿瘤依赖性/脆弱性证据的补充与强化）
lHPA（针对正常组织表达、肿瘤表达及亚细胞定位证据进行补充与强化）
l基于证据维度构建可解释的靶点优先级模型（使用sklearn：对比线性模型与树模型，输出关键特征及决策依据）
l靶点优先级打分与立项决策（包含权重设置、敏感性分析、Go/No-Go判定标准、便于记录与审计的输出形式）
下午（14:00-17:30）
四、AI 辅助抗体智能设计与亲和力成熟
l抗体结构、人源化、稳定性与免疫原性控制（从“设计约束”角度构建可检查清单）
lAlphaFold3与结构预测（能力边界及适用场景）
l抗体结构预测实操：通过ColabFold/AF2 notebook运行VH/VL或Fv结构；解读pLDDT/PAE指标并说明其在工程决策中的应用
l表位-互补决定区预测与结合模式分析（结构驱动的界面特征挖掘与假设生成）
l高通量突变设计与亲和力优化（AI范式：候选生成→计算打分→主动学习筛选最小实验集；强调“减少实验次数”的量化思路）
五、ADC 抗体关键属性 AI 预测
l表达量、聚集性、稳定性、可开发性（以可复现工具输出为核心，清晰阐述端点含义、阈值标准与红旗信号）
l可开发性实操：TAP输出可交付报告（解读关键指标、识别高风险区域、提出工程化策略）
l去免疫原性与T细胞表位预测（操作流程、阈值设定、假阳性处理与验证建议）
l免疫原性实操：IEDB TepiTool（表位候选筛选、阈值参数设定、结果解读与优先级排序）
l偶联位点设计与均一性提升（位点工程+结构特征+机器学习思路）：基于结构暴露度、局部疏水性、电荷等特征构建可解释的位点优选打分体系；明确公开数据的能力边界及应对策略
l案例：靶点→抗体序列设计+可开发性评估
l课堂产出：结构预测结果+TAP报告+IEDB初步筛选+突变最小实验集建议（学员带走“AI产物”）
第二天 09:00-12:00 13:30-16:30
第二天：AI 优化 Linker - 载荷与成药性，直达 PCC
上午（09:00-12:00）
六、AI 驱动 Linker - 载荷协同设计
lLinker类型：可切割/不可切割特性、亲疏水性、循环稳定性（与PK及旁观者效应的关联）
l载荷：有效载荷、毒性、旁观者效应、耐药规避（与适应症场景绑定）
切割效率、血浆稳定性、释放动力学的AI可复现实操路径（面向公开数据可讲义化）：
lQSAR/图模型/GNN思路：通过RDKit生成logP、PSA、HBD/HBA等描述符
l利用sklearn开展稳定性/毒性风险的分类或回归分析（结合示例数据讲解方法、评估与复现流程）
l明确动力学端点公开数据的限制：以“代理端点+方法论+如何构建自有数据集”形成落地指南
DAR分布、偶联效率与工艺兼容性的AI应用位置与建模方法：
l可纳入模型的变量：位点、局部疏水性、电荷、反应条件、溶剂及比例、温度及时间等
lDoE数据向ML建模的最小闭环构建（不承诺公开端到端预测精度，强调模型的可解释性与可验证性）
七、ADC 成药性与 ADMET 智能预测
l吸收、分布、代谢、排泄与毒性（以payload侧为核心的可复现评估路径）
l心脏、肝脏与肾脏安全风险预测（端点解释、阈值设定及验证建议）
l多参数优化（MPO）与候选分子排序（权重设定、权衡关系解释及敏感性分析）
l实操贯穿：通过ADMETlab 2.0实现payload候选批量评估与MPO权重敏感性分析（讲解模型端点、不确定性及使用边界）
八、AI 虚拟筛选与先导化合物快速发现
l生成式AI设计全新ADC组件（训练数据与约束条件：合成可行性、毒性红线、可连接位点；提示词与约束生成演示；不将课堂成败完全依赖于生成结果）
l虚拟筛选流程与打分函数（可复现的最小化流程）：Vina对接→结果解释→CNN重打分（GNINA），明确“此处AI即指CNN评分函数”
l湿实验验证优先级与降本策略（从计算排序到最小实验集：验证顺序、成本控制与风险管控）
下午（14:00-17:30）
九、从Lead 到 PCC：AI + 实验闭环决策
lPCC标准：活性、选择性、稳定性、安全性、工艺性（公开口径+可执行验证计划）
l多维度评估体系与阶段门控（stage-gate）：评分表、权重、敏感性分析、Go/No-Go口径
l阶段门控排序器（机器学习实操）：将靶点分数、可开发性、免疫原性、ADMET、对接/重打分等信息汇总成一张表；通过可解释模型开展候选排序与关键驱动因素分析（强调可审计、可复现）
l常见失败原因与规避方案（内化不足、毒性、异质性、稳定性、免疫原性、工艺放大与一致性风险）
十、全流程案例复盘
l靶点→抗体→Linker-载荷→PCC端到端AI交付件复盘（各环节需产出可下载/可截图的AI结果，包括证据页、打分表、结构图、报告、ADMET结果、对接与CNN重打分排序）
l药企/CRO/AI平台协同模式（明确RACI职责、数据接口、交付物与验收标准，确保可交付、可复盘）
l案例：PCC方案设计
l基于给定适应症，输出靶点选择、抗体设计、Linker-载荷组合、ADMET分析及PCC候选
l交付物清单：1页PCC候选提名包、评分表、最小验证实验计划
授课老师：
樊凤辉，博士，生物医药工程高级工程师，泓惠医药科技(北京)有限责任公司创始人及首席科学家，北大博雅医药领域智库高级专家及客座教授，香港技术研究院教授。曾任职郑州安图实业生物药首席科学家，北京恩泽康泰生物科技有限公司药物研发副总裁，修正集团生物药研发总监，北京深度智耀科技有限公司人工智能蛋白算法资深科学家，清华大学分子生物学及结构生物学研究员等职位。主持及参与研发的的数个生物药产品成功上市。主持过国家863项目及国家重大创新项目。最近几年聚焦生物医药及人工智能和数智化在医药领域的应用的研究工作。
徐博，化学物理博士，现任某Biotech董事、AIDD/CADD部门负责人，省自然科学高级技术职称，市区两级海外高层次人才。主要研究生物计算及药物设计，特别是机器学习及AI驱动药物设计领域。曾赴欧美多所顶尖院校及科研机构从事博士后研究，主持开发AI小分子及大分子药物设计平台，为多领域研发管线进入临床提供计算支持，深耕PROTAC、ADC等药物设计方向。研究成果发表于Chem. Rev.、J. Chem. Phys.等知名期刊，多篇获评亮点及封面文章，兼任多个国际期刊同行评审人。
会议说明
1、理论讲解,实例分析,专题讲授,互动答疑
2、主讲嘉宾均为行业内资深专家，欢迎来电咨询
3、企业需要内训和指导，请与会务组联系
培训费用
会务费：4000元/单位（会务费包括：培训、研讨、 电子版资料、电子版培训证书、一年视频回放等）；（为了给企业节约学习成本及方便工作安排可以投屏全员观看+视频回看一年）
汇款账户
汇款请注明：（备注ADC AI）
户 名：药成材信息技术（北京）有限公司
开户行：中国工商银行股份有限公司房山支行良乡支行
账 号： 0200316909100078392
报名方式
本次会议限额100家企业参加，扫描下方二维码或者点击“阅读原文”，登记信息后，会务人员将与您沟通培训相关细节。识别微信二维码，添加生物制品圈小编，符合条件者即可加入 生物制品微信群！ 请注明：姓名+研究方向！ 版 权 声 明 本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观不本站。
