AlphaFold3横空出世，再次掀起AI学术圈巨震！预测所有生命分子结构相互作用

      在当前的科技浪潮中，人工智能（Artificial Intelligence, AI）正以前所未有的速度和规模渗透到人类生活的方方面面。特别是在生命科学和医学领域，AI的应用正逐步揭开生命奥秘的层层面纱，为人类健康带来革命性的变革。2024年5月8日，谷歌DeepMind公司宣布了其蛋白质结构预测工具AlphaFold的又一次重大升级——AlphaFold3的诞生，这一消息在科学界引起了巨大的轰动。AlphaFold3的问世，不仅仅是技术上的一次飞跃，更是对药物发现领域的巨大推动。它能够预测蛋白质与其他分子如DNA、RNA等的相互作用结构，这对于理解生命过程中的复杂机制、设计新药以及治疗疾病具有重要意义。AlphaFold3的发布，预示着AI在生物学研究中的应用将更加广泛和深入，它将帮助科学家们以前所未有的速度和精度探索生命的微观世界。然而，AlphaFold3的访问受到了限制，目前仅限于非商业用途，并且每天的预测次数也有限制。这一限制虽然在一定程度上影响了科研人员的研究工作，但也为商业化药物开发提供了保护。DeepMind的这一决策体现了科技与商业利益之间的微妙平衡，同时也反映了在推动科技进步的同时，如何保护知识产权和激励创新的复杂问题。

AlphaFold3的发布，是AI技术在生命科学领域应用的一个缩影。它不仅展示了AI的强大潜力，也提出了一系列新的挑战和问题。如何在保护科研自由和推动商业发展之间找到平衡？如何确保AI技术的发展能够惠及全人类，而不是仅仅成为少数人的专利？这些都是我们在未来的发展中需要深入思考的问题。

在生物信息学中，深度学习主要应用于以下几个方面：

1.基因表达谱分析：通过对基因表达谱数据进行深度学习，可以预测基因功能、发现新的生物标志物和生物路径径。

2.结构生物学预测：通过对结构生物学数据进行深度学习，可以预测蛋白质结构、功能和互动。

3.生物信息学数据集预处理：通过对生物信息学数据集进行深度学习，可以提高数据质量、减少噪声和缺失值，从而提高预测模型的准确性。

WORK OVERVIEW

内容可向下滑动                        

第一天

蛋白质结构及分子动力学基础

a）蛋白质设计概述

b）蛋白质结构基础 

pdb文件格式详解

数据库详解

同源建模

c）分子动力学基础

分子-蛋白对接

蛋白-蛋白对接

可视化软件pymol使用

AMBER分子动力学模拟

高斯加速分子动力学模拟

模拟轨迹RG,RMSD,RMSF,二级结构变化，PCA分析

MM-GB/PBSA方法计算结合自由能

实践范例: 蛋白和小分子配体的分子动力学模拟

第二天

机器学习与深度学习基本知识

a）经典模型

线性及非线性映射：线性回归、逻辑回归

聚类：K-近邻聚类

核方法：支持向量机

树方法：决策树、随机森林

神经网络：多层感知机

机器学习药物筛选分类案例实操

b）深度学习

深度神经网络DNN

卷积神经网络CNN

循环神经网络RNN

深度学习常用的loss介绍

模型评估与优化方法

  评估指标：准确率、召回率、F1分数等

  优化方法：正则化、Dropout等

超参数调优

  超参数对于模型的影响

  网格搜索、随机搜索

基于蛋白和分子图结构的深度学习案例实操

c）前沿架构原理及实操

Transformer

BERT

GPT

ViT

第三天

蛋白结构预测及其下游应用

a）蛋白结构预测背景介绍

b）Rosettafold和alphafold

AF和AF2的差异与创新

AF3的差异与创新

Alphafold使用详解

AlphaFold 3和AlphaFold 2的区别（包含实践示范：如何使用AlphaFold 3大模型开源服务器进行蛋白质结构预测以及相互作用预测）

Rosettafold详解

c）基于Alphafold的下游应用

基于AF的蛋白-蛋白对接/蛋白-多肽对接

利用AF2做多构象预测和功能发现

基于AF2的环肽设计

d）trrosetta幻想设计

e）基于ProteinMPNN的蛋白质设计

MPNN模型简介

设计流程

方法比较

第四天

蛋白质的从头生成模型

a）扩散模型

b）RFdiffusion实现蛋白结构设计

蛋白Binder生成

蛋白骨架设计

单体蛋白从头生成

多聚体蛋白从头生成

RoseTTAFold All-Atom大模型的介绍

c）Chroma的基本构架与实现

蛋白构象空间全空间采样

d）ProteinGenerator蛋白质骨架与序列设计

与rfdiffusion的异同

e）蛋白设计案例实操

第五天

lecture5 蛋白大语言模型的应用

a）ProGEN与ProGEN2

模型构架讲解

与基于结构方法的比较

性能与改进 

b）ESM-fold

ESM-fold的基本架构

ESMfold网络讲解

ESMFold大模型的实操

与alphafold方法的对比

ESM-fold的性能评估

c） 基于大语言模型的下游应用

孤儿蛋白结构的预测

大型蛋白复合物结构预测

d）多肽设计概览

基于RFdiffusion实现多肽设计

基于AF2的环肽设计

e）妙用ChatGPT

GPT直接用于生物体系的探索

 内容可向下滑动

第一天

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

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. PyMol

2.1 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

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

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

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

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

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

部分模型案例图片

内容可向下滑动

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

- 质粒测序等验证目标基因插入

3、蛋白质纯化

- 选择合适的诱导表达等条件,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、凝胶过滤等层析技术的原理和实践等

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、稳定性等

- 优化缓冲液条件,调整蛋白质到适宜的pH和离子浓度等

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- 结晶条件筛选策略

- 没有晶体或者改善晶体质量的策略

- 晶体后处理

- 晶体冻存的基本原理和策略

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和收集策略

- 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、下载和安装简要介绍

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

依次介绍CCP4、Phenix、Coot、PyMol等主要的结构解析软件的下载和安装方法。也可以介绍一些结构解析中需要的其他软件工具的安装。

Index、integrate与scale & merge等软件使用和介绍

利用软件index及integrate衍射点,scale& merge等处理衍射数据以校正强度。 

1、晶体结构学基础知识

- 晶体学中的衍射理论基础

- 布拉格定律和倒易空间

- 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 & merge

- Scale & merge的目的——校正数据

- Scale& merge常用方法

5、使用Scala/XSCALE/Aimless等进行Scale & merge

- Scala/XSCALE/Aimless等软件介绍

- Scala/XSCALE/Aimless进行数据scale& merge的步骤

6、使用HKL2000进行index、integrate和scale & merge

- HKL2000软件介绍

- 使用HKL2000进行indexing

- 使用HKL2000进行integration

- 使用HKL2000进行scaling & merge

第四天

相位解析、电子密度重构、分子结构模型构建修正和优化与结构提交

利用直接法/分子置换法/M(S)AD/M(S)IR 等等相位解析方法确定蛋白质框架,手动模型构建余下结构,进行修正和优化后达到标准后提交蛋白质坐标库。

1、 直接法/分子置换法/M(S)AD/M(S)IR 等方法解析相位

（1）直接法/分子置换法/M(S)AD/M(S)IR等的基本原理

(2) 直接法/分子置换法/M(S)AD/M(S)IR等的目的

(3) 常用的软件介绍

(4) 直接法/分子置换法/M(S)AD/M(S)IR等的具体操作步骤

2．电子密度修饰：

（1）电子密度修饰的基本原理：

（2）电子密度修饰的目的

（3）电子密度修饰的常用软件介绍

（4）电子密度修饰的具体操作步骤

3．电子密度重构

（1）电子密度重构的目的和基本原理

（2）电子密度重构的操作

4、蛋白质晶体结构模型构建

(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

5、蛋白质晶体结构修正与优化

(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

（5）结构修正常用软件介绍

（6）结构修证的具体操作步骤

6、蛋白质晶体结构验证

（1）结构验证的目的和基本原理

(2) Ramachandran图分析

(3) 各类键长和键角分布

(4) 密接点分析

(5) B因子分布

(6) 电子密度匹配度评价

（7）各种指标与统计数据

7、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，回复信息

第五天

蛋白质晶体结构展示与分析 、结构与功能的关系

5.1 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

5.2 生物大分子结构介绍

5.3 结构与功能关系：

（1）如何分析结构与功能关系：

（2）分析结构的目的：

（3）结构与功能关系的研究手段：

（4）结构能带来什么？

（5）测定结构之后的思路介绍

内容可向下滑动                        

第一天

A1 代谢物及代谢组学的发展与应用

（1） 代谢与生理过程；

（2） 代谢与疾病；

（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） 代谢组学与药物和生物标志物；

（6） 代谢流与机制研究。

A2 代谢通路及代谢数据库

（1） 几种经典代谢通路简介；                                

（2） 三大常见代谢物库：HMDB、METLIN 和 KEGG; 

（3） 代谢组学原始数据库：Metabolomics Workbench 和 Metabolights.

A3 参考资料推荐

A4 代谢组学实验流程简介 

A5 色谱、质谱硬件与原理解析

（1） 色谱分析原理与构造；

（2） 色谱仪和色谱柱的选择；

（3） 色谱的流动相：梯度洗脱法；

（4） 离子源、质量分析器与质量检测器解析；

（5） 质谱分析原理及动画演示；

（6） 色谱质谱联用技术（LC-MS）；

第二天

B1 代谢物样本处理与抽提

（1） 各种组织、血液和体液等样本的提取流程与注意事项；

（2） 代谢物抽提流程与注意事项；

（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 和 Blank 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） 代谢组学上游分析原理——基于 Compound Discoverer 与 Xcms 软件；

（4） Xcms 软件数据转换、提峰、峰对齐与搜库；

B3 R 软件基础

（1） R 和 Rstudio 的安装；

（2） Rstudio 的界面配置；

（3） R 中的基础运算和统计计算；

（4） R 中的包：包，函数与参数的使用；

（5） R 语言语法，数据类型与数据结构；

（6） R 基础画图；

B4 ggplot2 

（1） ggplot2 简介

（2） ggplot2 的画图哲学；

（3） ggplot2 的配色系统；

（4） ggplot2 数据挖掘与作图实战；

第三天

机器学习

C1 有监督式机器学习在代谢组学数据处理中的应用

（1） 人工智能、机器学习、深度学习的关系；

（2） 回归算法：从线性回归、Logistic 回归与 Cox 回归讲起；

（3） PLS-DA 算法：PCA 降维后没有差异的数据还有救吗？

（4） VIP score 的意义及选择；

（5） 分类算法：决策树，随机森林和贝叶斯网络模型；

C2 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；

C3 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；

C4 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；

第四天

D1 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 中的上游分析（原始数据峰提取、峰对齐与搜库） （4） Metaboanalyst 的 pipeline 以及参数设置和注意事项；

（5） Metaboanalyst 的结果查看和导出；

（6） Metaboanalyst 的数据编辑；

（7） 全流程演练与操作。

D2 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） 数据预处理：数据过滤与数据标准化（样本的 Normalization 和代谢物的 Scaling）；

（5） 代谢组学数据清洗演练；

第五天

E1 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。

E2 机器学习与代谢组学顶刊解读（3 篇）；

（1） Signal Transduction and Targeted Therapy 一篇有关饥饿对不同脑区代谢组学影响变 化的小鼠脑组织代谢图谱类的文献；(数据库型)

（2） Cell 一篇代谢组学孕妇全程血液代谢组学分析得出对孕周和孕产期预测的代谢标志物 的文献；(生物标志物型) 

（3） Nature 一篇对胰腺癌患者肠道菌群的代谢组学分析找到可以提高化疗效果的代谢物的 文献。(机制研究型）

部分模型案例图片

内容可向下滑动

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

基因组常用深度学习框架

1.介绍深度学习工具包tensorflow, keras，pytorch

2.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

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

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

3.安装深度学习工具包tensorflow, keras，pytorch，在工具包中识别深度学习模型要素

第二天

理论部分

1.介绍keras_dna平台，搭建基因组学常用深度学习应用案例

2.深度学习模型DeepG4从Chip-Seq及DnaseSeq中识别基序特征G4

实操内容

1.基因组数据处理搭建深度学习模型

1.1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

1.2使用keras_dna设计深度学习模型

1.3使用keras_dna分割训练集、测试集

1.4使用keras_dna选取特定染色体的基因序列等

2.使用keras_dna平台复现DeepG4模型，从Chip-Seq中识别G4特征

第三天

理论部分

深度学习在基因调控预测中的应用

1.selene_sdk预测DNA甲基化及转录调控因子等DeepSEA

2.循环神经网络RNN从RNA序列中预测pre-miRNA，dnnMiRPre

实操内容

复现卷积神经网络CNN识别基序特征DeepG4、基因调控因子DeepSEA，

1.安装selene_sdk，复现DeepSEA预测DNA甲基化，非编码基因变异等基因调控因子

2.复现循环神经网络RNN工具 dnnMiRPre，从RNA-Seq中预测pre-miRNA 

第四天

理论部分

深度学习在预测疾病表型及生物标志物上的应用

1.从高维基因表达数据中识别乳腺癌分型的自动编码机深度学习工具DeepType

2.深度学习在识别拷贝数变异DeepCNV模型

实操内容

1.复现DeepType，从METABRIC乳腺癌数据中区分乳腺癌亚型

2.解析DeepType中新的乳腺癌亚型的标志基因

3.复现DeepCNV利用SNP微阵列联合图像分析识别拷贝数变异

第五天

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 SWnet

5.构建多任务的SWnet

6.构建单层SWnet

7.构建带权值层的SWnet

内容可向下滑动

第一天

蛋白质组学测序技术及数据库

上午

理论讲解

1.蛋白质组学测序质谱技术

2.介绍蛋白质组学数据库

3.深度学习解析蛋白质组学模型介绍

下午GPU服务器上机实操

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

深度学习识别质谱测序中蛋白质肽的理化性质

上午 

理论讲解

1.深度学习模型预测色谱法保留时间及碎片离子浓度Prosit

2.深度学习预测质谱测序中截面碰撞CCS工具DeepCollisionalCrossSection

3.深度学习预测单细胞蛋白组学覆盖率DeepSCP模型

下午 

深度学习模型Python代码解析及GPU服务器上机实操

1.复现深度学习模型预测色谱法保留时间及碎片离子浓度Prosit模型

2.复现深度学习预测质谱测序中截面碰撞工具DeepCollisionalCrossSection

3.复现深度学习预测单细胞蛋白组学覆盖率DeepSCP模型

第三天

深度学习识别肽及肽组装

上午 理论讲解

1.深度学习从宏蛋白组学中识别肽 DeepFilter模型

2.深度学习从蛋白质数据库中识别肽DeepDIA模型

3.深度学习实现肽组装DeepNovo 及DeepNovo-DIA模型

下午 

深度学习模型Python代码解析及GPU服务器上机实操

1.复现深度学习从宏蛋白组学中识别肽 DeepFilter模型

2.复现深度学习从蛋白质数据库识别肽DeepDIA模型

3.复现深度学习实现肽组装DeepNovo及DeepNovo-DIA模型

第四天

深度学习识别翻译后修饰结合位点识别疾病及药物靶点

上午 

理论讲解 

1.胶囊网络深度学习模型预测翻译后修饰结合位点模型CapsNet_PTM

2.注意力机制深度学习预测MHC I 结合位点ACME模型 

3.深度学习模型PUFFIN量化Peptide-MHC结合不确定性提升药物设计中高亲和力肽筛选

4.深度学习模型预测癌症抗原ACP-MHCNN 模型

下午 

深度学习模型Python代码解析及GPU服务器上机实操

1.复现胶囊网络深度学习模型预测翻译后修饰结合位点模型CapsNet_PTM

2.复现注意力机制深度学习预测pan-specific MHC I 结合位点ACME模型 

3.复现深度学习模型PUFFIN量化Peptide-MHC结合不确定性提升药物设计中高亲和力肽筛选

4.复现深度学习模型预测癌症抗原ACP-MHCNN模型

第五天

深度学习识别蛋白质功能

上午 

理论讲解

1.深度学习模型3D卷积网络预测蛋白质-蛋白质相互作用DeepRank

2.深度学习模型量化蛋白质表达DLNetworkForProteinAbundance

3.基于自然语言注意力机制深度学习模型预测蛋白质功能SPROF-GO

4.深度学习模型PCfun 预测蛋白质复合物Gene Ontology功能

下午 

深度学习模型Python代码解析及GPU服务器上机实操

1.复现深度学习模型3D卷积网络预测蛋白质-蛋白质相互作用DeepRank

2.复现深度学习模型量化蛋白质表达DLNetworkForProteinAbundance

3.复现基于自然语言注意力机制深度学习模型预测蛋白质功能SPROF-GO

4.复现深度学习模型PCfun 预测蛋白质复合物Gene Ontology功能

学习目标

讲师介绍

引用本次参会学员的一句话：