95后博士连发Science，机器学习+深度学习在生命科学领域大发异彩！

   机器学习模型在生物医学应用中具有巨大的潜力。一个名为GradioHub的新平台为临床医生和生物医学研究人员提供了一种交互式和直观的方式来试用模型，并在真实世界的训练外数据上测试其可靠性。机器学习（ML）研究人员越来越多地成为跨学科合作的一部分，他们与领域专家密切合作，以应对高影响力的临床和生物医学挑战。例如，已经开发了ML算法，可以直接从皮肤病学和放射学图像中推断诊断，自动将医患对话中的信息转录为结构化的电子健康记录，并指导手术机器人自主执行某些物理操作。然而，ML模型对非技术用户的可访问性以及对它们在真实世界数据上的可靠性的质疑是阻碍ML更广泛部署并充分发挥其在生物医学中潜力的两个关键障碍。

  近年来“基因编辑行业正处于飞速发展的关键时期，涵盖了技术进展、商业化应用、伦理法规、投资合作等多个方面。在技术方面，CRISPR-Cas9技术的出现标志着基因编辑技术的重大突破，这一先进技术已广泛应用于生物医学、农业和疾病治疗等领域。它的精确和高效为整个行业的快速发展提供了强劲动力。商业化应用也在稳步推进。许多公司正在积极探索基于CRISPR的产品，如治疗遗传疾病的药物和改良作物的种子。

   机器学习技术以其独特的优势在各个领域崭露头角，引起了广泛的关注和研究。它的快速发展和广泛应用，正在改变着我们的生活方式和工作方式。本文将从机器学习技术的发展现状和未来趋势两个方面进行探讨。

  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。

机器学习代谢组学

机器学习微生物

CRISPR-Cas9基因编辑技术

深度学习基因组学

机器学习在生物医学中应用专题

蛋白晶体结构解析

冷冻电镜结构解析

CADD计算机辅助药物设计

AIDD人工智能药物发现

上下滑动查看更多内容

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

Part.专题五

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. 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

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

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 API

2     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     KNN

3.4     SVC

3.5     决策树

3.6     随机森林

3.7     集成学习

4     聚类算法

4.1     KMeans

4.2     密度聚类 DBSCAN

5     降维

5.1     奇异值分解 SVD

5.2     主成分分析 PCA

5.3     非负矩阵分解 NMF

6     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  Adam

1.4  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