人工智能技术及在生物分子活性预测/药物发现中的应用专题
课程会带您一步步实操学习机器学习与深度学习的分类回归任务、分子特征、模型评估、参数优化与模型选择，并以微管蛋白为例，讲述机器学习在药物发现中的实战作用、DEEPCHEM集成的机器学习方法、DNN，GCN，GAT等主流深度学习多任务模型与分子生成模型理论与实践、并结合相关课题进行应用与实践，真正的进入人工智能药物发现的领域。
导师介绍
由全国重点大学、国家“双一流”、“211工程”重点建设高校副教授，硕士生导师主讲。近五年发表代表性论文10余篇，专利8项，软件著作8项，主持和参与国家级、省部级自然科学基金项目10余项。拥有多年抗癌药物分子设计合成及活性研究经验，主要擅长生物信息学、人工智能（深度学习）与数据挖掘等药物设计方法研究。
增值服务
1.凡报名学员将获得本次培训电子课件教材以便提前预习及随堂电子资料；
2.凡报名学员将获得课程相关Windows版本软件安装指导；
3.凡报名学员课程结束后可获得所学专题课程无限次回放视频；
4.价格优惠：（优惠活动最终解释权归主办方）
1）早鸟优惠：所有专题课程2023年9月8日前报名缴费均立减200元
2）同一人报名两个及以上专题课程可享受额外优惠（具体请咨询招生联系人）
参加培训并通过考试的学员，可以获得：由北京软研国际信息技术研究院培训中心颁发的《计算机辅助药物设计工程师》专业技能结业证书；
报名须知
报名费用
课程名称
原价（元）
优惠后价格（元）
高通量虚拟筛选技术
（五天）
4900
4700
计算机辅助药物设计
（五天）
4900
4700
人工智能技术
（五天）
4900
4700
AMBER（四天）
3900
3700
费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；
如需开具会议费的单位请联系招生老师发送会议邀请函；
福利赠送活动：
1)   报名本期专题一、专题二、专题三课程并缴费的学员，可获赠我单位往期Gromacs专题（三天）课程、薛定谔专题课程（两天）任选其一的直播课程录播视频回放。
2)  报名缴费本期专题四课程并缴费的学员，可获赠我单位往期Gromacs专题（三天）课程的直播课程录播视频回放。
联系方式
课程内容
人工智能技术及在生物分子活性预测、药物发现中的应用专题
第一天
CADD
理论讲解：
1.计算机辅助药物设计(CADD)简介
2.CADD的基本方法
2.1 分子对接 
2.2 药效团 
2.3 QSAR和QSPR 
2.4 分子相似度
2.5 各类药学研究数据库的介绍
实践讲解与演练：
1.基于VINA的药物虚拟筛选以及后续数据处理
2.反向对接与虚拟钓靶
3.基于分子相似度的虚拟筛选和反向钓靶
第二天
AIDD分类和回归
理论讲解：
3.AIDD简介
4.基于浅层机器学习的药物发现——分类和回归任务
4.1 分类模型的构建与应用
4.1.1逻辑回归算法原理
4.1.2朴素贝叶斯算法原理
4.1.3k最近邻算法原理
4.1.4支持向量机算法原理
4.1.5随机森林算法原理
4.1.6梯度提升算法原理
4.2 分子特征介绍
4.2.1分子描述符 
4.2.2分子指纹 
4.2.3分子图
4.3 模型评估方法
4.3.1交叉验证    
4.3.2外部验证
4.3.3分类模型的常用评价指标
4.3.4混淆矩阵
4.3.5准确率
4.3.6敏感性
4.3.7特异性
4.4 参数优化与模型选择
4.4.1超参数优化   
4.4.2模型选择的标准
实践讲解与演练：（分类模型的实例讲解与练习，以给定数据集为例，采用摩根指纹和MACCS指纹，讲解基于KNN，RF和SVM的CYPs抑制剂相关毒性预测模型的构建与使用。引导学员自行实现基于其他三种算法的毒性预测模型，并用于小分子化合物的毒性预测）
1.scikit-learn安装与使用简介
2.ADMET之CYPs抑制剂预测模型的构建
3.数据集的构建
4.数据集的分析
5.数据集拆分与建模
6.建模结果分析
第三天
生物分子活性预测
理论讲解:（以微管蛋白为例，讲述机器学习分类任务在药物发现中的实战作用，文献部分内容实战为主）
5.基于浅层学习分类的虚拟筛选
5.1 微管蛋白数据集收集
5.2 微管蛋白数据化学空间和骨架多样性分析
5.3 微管蛋白抑制剂分类预测模型的构建与应用
5.4模型的AD和Y-scrambling testing
5.5 微管蛋白抑制剂预测模型的解释性
实践讲解与演练：(以给定数据集为例，采用摩根指纹、MACCS指纹，及RDKit分子描述符，讲解NB，XGoost，SVM等微管蛋白预测模型的构建与使用。引导学员自行实现基于其他浅层机器学习的预测模型构建)
1.XGBoost安装与使用简介
2.分子活性预测之微管蛋白抑制剂预测模型的构建和虚拟筛选
第四天
深度学习药物发现
理论讲解：
6.基于深度学习的药物发现
6.1 深度学习的发展历程
6.1.1深度学习在药物开发中的应用
6.1.2   DNN
6.1.3   GCN
6.1.4   GAT
6.1.5   KGCN
6.1.6   FP-GNN
6.1.7   HiGNN
6.1.8   FG-BERT
实践讲解和演练：
（以案例介绍为主，讲述DEEPCHEM集成的机器学习方法和加载使用）
1.深度神经网络的常用框架介绍
1.1 PyTorch
1.2 TensorFlow
2.DEEPCHEM介绍与使用
3.采用优化的GCN方法构建回归模型，用于预测几类分子性质，包括ESOL、FreeSolv、Lipophilicity等数据集。
第五天
深度学习多任务模型与分子生成模型
理论讲解：
1.深度学习药物发现预测模型构建
2.深度学习模型加载、打包与本地程序开发
3.基于深度学习的分子生成模型
实例讲解与练习：
1.以给定数据集为例，使用 DNN，GCN，GAT等主流深度学习模型进行小分子抗乳腺活性分类预测研究，以重复文献为主，也会讲解乳腺预测的基本思路，逻辑和课题设想与实践。
2.多任务模型构建，以PARP四个亚型为例，讲解多任务深度学习模型的构建
3.深度分子生成模型的操作实践，以CDK9和ATR靶点为案例。
继续阅读
阅读原文