🧐核震撼！Nature Food遥遥领先！IF=26.8，世界仅此一例！

AI蛋白质设计：可以帮助解决许多问题，包括设计具有功能的新蛋白质，包括基于蛋白质的药物、酶等。研究人员表示，AI深度学习网络极大简化了蛋白质的设计。任何时候，AI得出的新蛋白质结构完全是计算机‘构想’出来的。基于机器学习的方法能够快速创建具有多样结构和功能的生物分子，这些分子通常与任何已知蛋白质没有可检测的序列同源性。

机器学习：在基因组学、转录组学、蛋白质组学和代谢组学中的应用日益广泛。它通过分析大型生物数据集，发现基因表达、蛋白质相互作用和代谢通路等复杂关系，促进个性化医疗和疾病预测。机器学习算法能够处理高维数据，识别潜在生物标志物，并进行系统性分析，推动精准医学和新药研发的进步。

深度学习：在多个领域的应用主要集中在生物信息学、医学图像识别、病症预测、临床辅助决策和药物开发等方面，已有研究通过将该领域的文字、图像、信号等记录信息进行多维量化，利用深度学习开发多种模型进行数据特征学习、信息挖掘、状态模拟，完成了识别、评价、预测等功能。

学习目标：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

部分案例图：

讲师介绍：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。

学习目标：这一课程旨在为学生提供深度学习与蛋白质设计领域的全面知识。通过讲授深度学习的基本概念和前沿技术，学生将理解深度学习在生物信息学特别是蛋白质设计中的具体应用。学生将了解如何使用主流深度学习框架PyTorch进行模型构建与优化，并通过实践操作掌握蛋白质结构预测、蛋白质功能预测和分子对接等关键技术。课程将介绍AlphaFold等先进模型，并探讨其在药物发现中的重要性。同时通过多肽设计、逆向中心法则等专题，学生将全面了解从功能推导结构和从零开始设计蛋白质的策略。

部分案例图：

讲师介绍：授课老师来自北大人工智能学院，作为核心成员参与过清华某初创公司大语言模型项目，主导过北大长沙研究院的核心项目智能体的开发，此外和包括百度，字节等多个公司和北大的合作中作为主要负责人，累计参与项目金额超过千万。目前发过多篇ACL等计算机顶会和sci论文

学习目标：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

部分案例图：

讲师介绍：AIDD授课老师曹老师，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，药物合成路径设计，药物不良反应等。发明专利5项，参与国家重点科研项目4项，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。

学习目标：让学员了解蛋白质晶体结构解析的原理、方法与技术，学习分子克隆、蛋白表达纯化、蛋白结晶方法、软件安装，蛋白结构数据处理，得到高分辨率的蛋白晶体结构。使学员通过本次课程的学习，很轻松地解析出蛋白晶体结构，并进行晶体结构的精修。

部分案例图：

讲师介绍：范教授毕业于中国科学院生物物理研究所，师从著名结构生物学家王院士，具有美国耶鲁大学留学六年多的背景，为大学独立PI，研究方向是结构生物学和免疫学。范老师在多种国际期刊上发表论文30余篇，包括国际顶尖杂志PNAS两篇，一区top2篇等；并主持国家自然科学基金面上项目等，担任中国晶体学会生物大分子专业委员会委员，担任国家自然科学基金评审专家和上海光源用户课题评审专家等；并且应邀担任国际著名学术杂志Nature Communication和Journal of Virology, Structure等的审稿人。

学习目标：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。

部分案例图：

讲师介绍：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。

学习目标：深入学习与了解深度学习基本框架与逻辑，同时掌握基本的生物信息学软件（Linux、R、python等）的使用，让学员能更好的应对基因组数据，挖掘出超越已有知识的新知识。而构建好的深度学习模型去探求新的研究思路和寻找新的潜在生物学机制，更好的服务于自身的科学研究和探索的过程中。

部分案例图：

讲师介绍：主讲老师刘老师，生物信息学PI，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。

学习目标：本课程介绍先进的深度学习模型，如卷积神经网络、循环神经网络、图神经网络、自动编码机、注意力机制等在微生物宏基因组学分析中的应用，如提取宏基因组特征、病毒及噬菌体基因组分类和识别、基因组组装、预测疾病相关性、微生物功能预测等。

部分案例图：

讲师介绍：主讲老师刘老师，生物信息学博士，从事生物信息及医学人工智能研究 15 年，开发过数个生物信息学工具，发表 SCI 论文 20 余篇，其中人工智能算法文章近 10 篇，编著医学数据分析实用教材一部，研究致力于医学人工智能在复杂疾病诊疗中的应用。

学习目标：通过对这些深度学习在蛋白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蛋白组学数据流程，系统学习深度学习及蛋白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。

部分案例图：

讲师介绍：主讲老师刘老师，生物信息学博士，从事生物信息及医学人工智能研究 15 年，开发过数个生物信息学工具，发表 SCI 论文 20 余篇，其中人工智能算法文章近 10 篇，编著医学数据分析实用教材一部，研究致力于医学人工智能在复杂疾病诊疗中的应用。

学习目标：课程将涵盖机器学习技术在微生物数据分析中的应用，包括基因组序列分析、基因调控网络构建和多组学数据整合等，并带领学员们深度使用R语言，Python语言实地操作演示。

部分案例图：

讲师介绍：主讲老师来自清华大学，研究方向包括生物信息学、机器学习与微生物基因组学，大模型与蛋白质定向进化等。同时他在图神经网络和疾病药物靶向等知识图谱技术方面有丰富的经验，带领并指导多次团队在国际基因工程竞赛（iGEM）中获得国际金牌，并一作发表了多篇一区高水平SCI论文。

学习目标：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。

部分案例图：

讲师介绍：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。

报名费用及福利