关于举办“AI赋能药物研发及计算生物学实操培训班”的通知

各有关单位：

随着人工智能技术的迅猛发展，AI在药物研发与计算生物学领域的应用日益深入，正逐步改变传统新药发现的范式。AI能够加速靶点识别、分子设计、药物重定位及临床试验优化，显著提升研发效率、降低研发成本。近年来，众多AI驱动的生物技术公司涌现，并获得大量资本青睐，推动行业快速发展。然而，AI在药物研发中的实际应用仍面临数据质量、模型可解释性、临床转化等多重挑战，尚未实现根本性突破。当前，AI更多扮演“加速器”角色，其在靶点发现、分子生成、临床预测等方面的潜力亟待系统性掌握。本培训旨在帮助科研人员与产业从业者掌握AI赋能药物研发的核心技术与实操方法，推动计算生物学与AI的深度融合，提升创新能力与实战水平。详细通知如下：

一、主办单位：药成材信息技术（北京）有限公司

培训地点：南京市

培训时间：2026年9月4日-6日（4日全天报到）

二、培训目标：

参训人员可形成的实操成果

1. 独立完成蛋白单体、复合物结构预测及基础质量评价；

2. 完成一套网络药理学数据整理、网络构建、富集分析和可视化流程；

3. 独立完成受体—配体分子对接、构象筛选及结合模式科研出图；

4. 掌握 Amber 模拟体系制备、四阶段模拟运行和常用轨迹指标分析；

5. 完成从 ChEMBL 活性数据到机器学习回归模型的基础建模闭环。

三、课程大纲

模块一：AI 蛋白三维结构预测与质量评价

1.1 蛋白结构预测方法与工具选择

系统介绍同源建模、从头预测、深度学习预测及复合物预测等常用技术路线，对比不同方法的适用场景、数据要求和结果局限，帮助学员根据靶点类型、序列信息和研究目的快速选择合适的结构预测方案。

1.2 【技能实操一】AlphaFold2 云端结构预测（ColabFold）

教会您从零完成 ColabFold 环境与账号配置，规范输入蛋白序列并设置核心参数；现场演示单体及多聚体结构预测、任务运行监控、结果文件整理与打包下载，使学员能够独立完成蛋白三维结构的快速获取。

1.3 【技能实操二】预测结构质量评价与结果筛选

一步一步解读 pLDDT、PAE、覆盖度及多模型排序等质量指标，识别低置信度区域、柔性片段和潜在异常构象，并建立从预测到筛选到修正的标准化质量控制流程。

1.4 【技能实操三】AlphaFold3 在线服务器与复合物预测

介绍 AlphaFold3 在蛋白、核酸、小分子和离子复合物一体化预测方面的新能力，演示任务创建、组分设置、结果查看与结构下载，帮助学员理解其在靶点复合物构建和后续计算研究中的应用边界。

模块二：网络药理学完整研究流程实操

2.1 研究案例：灵芝干预乳腺癌的潜在机制解析

围绕“中药成分—作用靶点—疾病靶点—核心网络—功能通路”的研究主线，完整展示网络药理学课题从科学问题设计、数据获取到结果解释的全过程，避免仅停留在数据库堆叠和图形拼接层面。

2.2 【技能实操四】活性成分筛选与靶点信息标准化

教会您使用 TCMSP 等数据库获取候选成分，结合口服生物利用度、类药性等条件进行筛选；同步完成成分名称核对、靶点预测、UniProt 基因名映射和重复数据清理，形成可追溯的标准化数据表。

2.3 【技能实操五】疾病靶点检索与交集靶点构建

演示 GeneCards 等数据库的检索策略、相关性评分筛选和多来源数据整合，进一步完成药物靶点与疾病靶点的 Venn 交集分析，获得后续网络构建和功能研究所需的候选靶点集合。

2.4 【技能实操六】PPI 网络与核心靶点筛选

教会您使用 STRING 构建蛋白互作网络，完成物种、置信度和孤立节点等参数设置；将网络导入 Cytoscape，开展 Degree、Betweenness、Closeness 等拓扑分析并筛选核心靶点。

2.5 【技能实操七】GO/KEGG 富集分析与机制网络可视化

完成 GO 生物过程、细胞组分、分子功能和 KEGG 通路富集，讲解显著性指标、富集比例和关键通路的正确解读方法；同步制作成分—靶点—通路网络、气泡图和条形图，形成可用于论文的机制证据链。

模块三：分子对接与蛋白—配体相互作用分析

3.1 主流分子对接软件及技术路线介绍

对比 AutoDock、AutoDock Vina、Glide、ZDOCK 等常用工具的原理、优势与适用范围，明确小分子—蛋白、蛋白—蛋白及多肽—蛋白对接任务中的软件选择和结果评价重点。

3.2 【技能实操八】AutoDock Vina 完整对接流程

教会您完成受体蛋白与小分子的规范预处理，包括去除无关分子、补氢、加电荷、确定活性口袋及导出 pdbqt 文件；随后设置对接盒、编写 config 文件、运行对接并筛选优势构象。

3.3 【技能实操九】AutoDock4 网格文件与传统对接操作

演示 AutoGrid 网格参数设置、地图文件生成和 AutoDock4 对接参数配置，帮助学员理解传统网格对接的计算逻辑，并掌握日志文件、构象聚类和结合能结果的读取方法。

3.4 【技能实操十】PyMOL 结合模式可视化与科研出图

一步一步完成对接构象载入、受体与配体显示、氢键和关键残基标注、表面口袋展示及高分辨率图片输出，使学员能够制作规范、清晰且适用于论文和汇报的结合模式图。

模块四：Amber 分子动力学模拟与轨迹分析

4.1 分子动力学模拟原理与软件环境

介绍 Amber、GROMACS、LAMMPS 等主流模拟软件及基本流程，讲解力场、周期性边界、溶剂模型、能量最小化、系综和平衡模拟等核心概念，为后续上机实操建立必要的理论基础。

4.2 【技能实操十一】远程服务器连接与计算环境使用

教会您安装和配置 MobaXterm，完成服务器登录、文件上传下载、目录管理、命令执行和任务查看，解决初学者在 Linux 环境和远程计算资源使用中的常见障碍。

4.3 【技能实操十二】模拟体系文件制备

完整演示小分子参数生成、蛋白结构检查与预处理、力场加载、复合物组装、加水盒、添加离子和体系电中和，并通过 tleap 生成拓扑及坐标文件，建立可直接运行的溶剂化模拟体系。

4.4 【技能实操十三】四段式分子动力学模拟脚本

逐行拆解能量最小化、缓慢升温、NPT 平衡和生产模拟的输入文件，说明约束、温度、压力、时间步长、轨迹输出频率等关键参数，并指导学员提交和监控模拟任务。

4.5 【技能实操十四】轨迹处理、稳定性评价与结果作图

教会您使用 cpptraj 对轨迹进行去周期、对齐和抽帧，计算 RMSD、回旋半径、SASA 等常用指标；结合曲线变化判断体系稳定性、紧致性和溶剂暴露程度，形成规范的分析表格与科研图件。

模块五：机器学习辅助药物活性预测

5.1 实操案例：SRC 激酶抑制剂活性预测模型构建

以公开活性数据为基础，完整展示从数据检索、清洗、特征提取、模型训练到性能评价的机器学习建模流程，帮助学员理解人工智能在虚拟筛选和先导化合物优选中的实际应用。

5.2 【技能实操十五】ChEMBL 数据获取与活性值标准化

教会您检索 SRC 激酶相关化合物及 IC50 数据，筛选明确实验类型和单位的数据记录，并完成 IC50 单位统一及 pIC50 转换，构建适合机器学习建模的标准活性数据集。

5.3 【技能实操十六】化学数据清洗与结构标准化

一步一步完成重复化合物处理、无效结构和异常值过滤、盐离子去除、SMILES 规范化及基础数据检查，减少数据噪声和信息泄漏，提高后续模型结果的可信度。

5.4 【技能实操十七】分子描述符与 Morgan 指纹构建

演示分子量、脂水分配系数、氢键供受体等理化描述符的批量计算，以及 Morgan 分子指纹的生成和参数设置，讲解不同特征表征对模型学习能力和可解释性的影响。

5.5 【技能实操十八】回归模型训练与性能评价

教会您完成训练集与测试集划分，构建并比较多种回归模型，使用 MAE、RMSE、R² 等指标评价预测性能；同时识别过拟合、数据分布偏差和模型外推风险，输出可复用的建模流程和结果报告。

授课老师：韩葳葳，吉林大学生命科学学院教授、博士生导师。吉林省高层次人才，主要从事通过人工智能和分子动力学模拟指导酶分子的理性设计、药物分子的筛选和设计研究。近年来发表包括 Nature 子刊《Nat Commun》在内的高水平 SCI 论文 70+ 篇，授权（申报）3 项发明专利。先后主持包括军工 G1 项目（近 300 万），国家自然科学基金面上以及吉林省科技攻关项目在内的省部级项目以及横向课题等科技类项目项 10 余项。现任吉林省生物物理协会常务理事，CCF数字医学分会执行委员。获得吉林省自然成果奖二等奖两次，吉林省科技进步奖三等奖一次。在生物计算和高性能计算领域有非常扎实的理论和工作基础，具有很好的交叉学科背景，能够组织不同学术背景的科研工作者协同工作。

三、 会议费用

会务费：2800元/人（会务费包括：培训、实操指导、资料、培训证书、培训期间中餐、茶歇、现场服务器等）；住宿可统一安排，费用自理。培训需携带笔记本电脑，预装软件见第二轮通知。

四、 联系方式

马超  13240487419

附件二：AI赋能药物研发及计算生物学实操培训班--报名表