来源时间为:2022-01-15
计算机辅助药物设计(CADD)是以量子力学和分子力学的分子模拟理论为基础,通过模拟、计算或模型学习,预测药物与靶标分子之间的作用,筛选、设计和优化先导化合物的方法。而在此次新冠肺炎疫情中,计算机辅助药物设计也为抗病毒药物研发,贡献上关键的力量。CADD的优势:提高药物设计命中率、增加成功率、降低研发成本、缩短研发周期。(AIDD)人工智能助力药物筛选可以预测药物分子理化性质、药物分子生物活性、药物分子毒性、目标蛋白结构、药物的相互作用。
计算机辅助药物设计(CADD)是以量子力学和分子力学的分子模拟理论为基础,通过模拟、计算或模型学习,预测药物与靶标分子之间的作用,筛选、设计和优化先导化合物的方法。而在此次新冠肺炎疫情中,计算机辅助药物设计也为抗病毒药物研发,贡献上关键的力量。CADD的优势:提高药物设计命中率、增加成功率、降低研发成本、缩短研发周期。(AIDD)人工智能助力药物筛选可以预测药物分子理化性质、药物分子生物活性、药物分子毒性、目标蛋白结构、药物的相互作用、从头设计新药物实体、人工智能正不断降低药物研发周期。AIDD不仅可以帮助快速和轻松地识别靶标化合物,而且有助于建议这些分子的合成路线,预测所需的化学结构,了解药物-靶标相互作用及其SAR。由于国内药物研究发展缓慢,学习平台文献资料较少,培训学习迫在眉睫,应广大科研人员要求,本单位经过数月调研,决定联合AIDD CADD专家举办“CADD计算机辅助药物设计 AIDD人工智能药物虚拟筛选与毒性预测 蛋白-分子对接虚拟筛选Amber分子动力学”专题培训班,本单位已经举办5期培训,参会人员参加近300余人,对于培训安排和培训质量一致评价极高
培训对象
全国各大高校、企业、科研院所从事人工智能、生命科学、蛋白质、药物、微生物制药、生物信息学、植物学,动物学、农药学、食品、化学化工,医学等研究的科研人员以及人工智能爱好者
培训目标
让学员能够掌握计算机辅助药物设计(CADD)在药物研发中的应用,包括三维定量构效关系(3DQSAR),分子对接多个软件、多个对接方法、虚拟筛选、分子动力学gromacs、Amber模拟等领域常用软件的操作,熟悉基于受体的药物设计的基本原理,以及所设计化合物的药代动力学预测等。通过本次培训,学员可以学会如何利用传统机器学习模型和深度学习模型,对大批量的小分子药物进行基于结构的虚拟筛选和化合物毒性预测,学会人工智能、深度学习、计算机辅助药物设计操作技能,独自完成自己的课题研究项目
培训特色
1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿
2、学习模式--理论知识与上机操作相结合,让零基础学员快速熟练掌握
3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答
培训讲师
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,在我们单位长期进行授课,讲课内容和授课方式以及敬业精神受到参会学员的一致认可和高度评价
课表内容
课程一、CADD计算机辅助药物设计药物研发专题培训班
第一天
药物设计的原理和方法
药物设计的原理和方法
药物设计的原理和方法
1.1药物设计的基本原理
1.2基于受体的药物设计方法
1.3基于配体的药物设计方法
蛋白质结构数据库
蛋白质结构数据库(PDB)的使用方法
2.1靶点蛋白的结构查询和选取
2.2靶点蛋白的结构类型和序列分析
2.3靶点蛋白的下载和预处理
2.4靶点蛋白的三维结构分析
2.5靶点蛋白的活性位点预测
实例讲解与练习:
基于EGFR野生型与突变型靶点受体结构变化理解药物设计原理
基于HDAC不同亚型结构的结构区别理解药物选择性
第二天
分子对接与虚拟筛选
分子对接过程及结果分析
3.1分子对接原理
3.2分子对接方法
3.3靶点蛋白晶体结构的选取
3.4靶点蛋白前期优化准备
3.5靶点蛋白活性位点表征
3.6数据库的处理和优化
3.7对接算法的选择和对接评分
3.8对接结果分析
3.9基于分子对接的虚拟筛选方法
3.10配体数据库的选择与处理
3.11虚拟筛选常见问题
实例讲解与练习:
1)基于分子对接技术筛选EGFR小分子抑制剂2)基于分子对接技术筛选HDAC小分子抑制剂第三天
分子动力学模拟
分子动力学模拟入门与实操
4.1分子动力学概述
4.2分子动力学的基本原理
4.3利用Desmond软件入门分子动力学模拟
4.4蛋白质-配体复合物的模拟
4.5分子动力学结果分析
实例讲解与练习:
基于PKB靶点抑制剂的分子动力学模拟
基于EGFR-gefitinib复合物的分子动力学模拟
第四天
三维定量构效关系(3DQSAR)
5.三维定量构效关系(3DQSAR)的基本原理与实操
5.1定量构效关系的基本原理
5.23DQSAR在药物设计中的应用
5.3CoMFA模型的构建
5.4CoMSIA模型的构建
5.5构建模型的数据优化
5.6结果分析
实例讲解与练习:
基于PKB抑制剂的3DQSAR建模
上述模型优化提高Q2
课程二、AIDD人工智能药物虚拟筛选与毒性预测专题培训班
第一天
人工智能药物开发理论讲解与软件安装
1.人工智能简介
1.1人工智能分类
1.2人工智能发展历程
2.人工智能在药物开发中的应用
2.1药物开发流程
2.2人工智能在药物开发中的主要应用
2.2.1基于结构的虚拟筛选(论文串讲)
2.2.2基于人工智能方法的新药设计(论文串讲)
3.常用工具的介绍与安装
3.1miniconda
3.2scikit-learn
3.3RDKit
3.4Pandas
3.5NumPy
第二天
机器学习虚拟筛选(分类)
1.基于配体结构的虚拟筛选——分类模型的构建与应用
1.1数据处理与特征化(RDKit,Pandas)
1.1.1数据标准化
1.1.2数据特征化
1.2模型构建(Sklearn)
1.2.1支持向量机算法原理
1.2.2随机森林算法原理
1.2.3k最近邻算法原理
1.2.4极限梯度提升算法原理
1.3模型评估
1.3.1模型的评估方法
(1)交叉验证
(2)外部验证
1.3.2分类模型的常用评价指标
(1)混淆矩阵
(2)准确率
(3)敏感性
(4)特异性
1.4模型选择
1.4.1参数格点搜索
2.分类模型的实例讲解与练习
以给定数据集为例,讲解基于支持向量机算法的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
第三天
机器学习配体结构虚拟筛选(回归)
1.基于配体结构的虚拟筛选——分类模型的构建与应用
1.1分类模型与回归模型的异同
1.2回归模型常用评价指标
2.回归模型的实例讲解与练习
以给定数据集为例,讲解基于支持向量机算法的pIC50值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pIC50值预测模型,并用于小分子化合物pIC50值的预测
第四天
深度学习小分子药物毒性预测建模实操
1.深度学习简介
1.1深度学习的发展历程
1.2深度学习在药物开发中的应用
2.深度学习的主要算法与工具
2.1深度神经网络的基本原理
2.1.1基于梯度的学习
2.1.2架构设计
2.1.3反向传播算法
2.1.4深度模型中的优化——随机梯度下降
2.2其他常用深度神经网络算法及其基本原理
2.2.1卷积神经网络
(1)卷积运算
(2)池化
2.2.2循环神经网络
(1)循环神经网络的梯度计算
(2)基于上下文的循环神经网络序列建模
2.3深度神经网络的常用工具
2.3.1PyTorch
2.3.2TensorFlow
3.基于PyTorch的多层感知机算法的实例讲解与练习
以给定数据集为例,讲解基于PyTorch的多层感知机的毒性预测模型的构建与使用。
课程三、蛋白-分子对接虚拟筛选Amber分子动力学专题培训班
第一天
药物设计的原理和背景
1.药物发现与设计和临床试验的关系:
1.1药物发现与新药研发流程;
1.2临床前研发与临床研发的区别;
1.3FDA批准新药的历史与展望;
2.药物发现与设计的发展史:
2.1计算机发展史;
2.2人工智能发展史;
2.3计算机辅助药物设计发展史;
药物设计的原理和背景
3.药物发现与设计相关软件介绍与安装:
3.1商业药物设计软件介绍。
3.2开源药物设计软件介绍与安装。
3.3Python编程在药物发现与设计中的应用介绍;
4.药物发现与设计的基本原理:
4.1基于结构的药物发现与设计;
4.2基于配体的药物发现与设计;
4.3基于片段的药物发现与设计;
第二天
数据采集与分子库构建
5.靶点蛋白与化合物数据库构建:
5.1靶点蛋白数据库介绍与构建;
5.2多肽/多糖/多酚化合物数据库构建;
5.3小分子化合物数据库构建;
第二天
蛋白-小分子对接
6.AutoDockVina分子对接案例实操:
6.1靶点蛋白晶体蛋白PDB获取;
6.2靶点蛋白和小分子的格式转化;
6.3靶点蛋白对接活性位点的寻找;
6.4分子对接脚本的编写与演示;
6.5分子对接结果在PyMOL中的结果展示与解读;
6.6运用Autodockvina进行小分子化合物药物批量筛选;
蛋白-蛋白分子对接
7.蛋白-蛋白分子对接:
7.1靶点蛋白的收集;
7.2靶点蛋白的预处理;
7.3靶点蛋白对接活