日期

主题

内容

第一天

AIDD概念与途径

1.人工智能药物发现（AIDD）概论与范式演进

2.计算机辅助药物设计的概念以及方法概述

3.机器学习与深度学习在药物发现中的应用

4.分子指纹概念

5. 药物数据结构

6.AIDD经典论文讲解

人工智能技术实现环境与编程语言

1.Python概述

2.Python编程软件安装

3.Python基础数据结构

4.Python的循环与判断结构

5.函数定义、类的定义

6.第三方库的使用：numpy、pandas、matplotlib

7.图像/视频处理、语音处理、自然语言处理等领域的介绍

8.Jupyter Notebook入门及使用

部署人工智能实验平台

1.深度学习框架基本情况

2.深度学习框架运行的基本软硬件环境要求

3.深度学习框架的安装

4.运行讲师提供示例验证环境的安装的正确性

5.熟悉实验资料和实验环境

6.Pytorch、Keras、TensorFlow安装

第二天

机器学习与药物设计应用实践

1.深度生命科学工具概述：DeepChem环境配置与机器学习解决科学问题的标准工作流

2.数据集构建与清洗：从Excel/CSV实验数据清洗并构建数据集

3.MoleculeNet科学数据集套件：量子力学、物理化学及生物测定等内置数据集的调用

4.多样化的分子特征化方法（一）：化学指纹与RDKit物理化学描述符（分子量、极性表面积等）计算

5.多样化的分子特征化方法（二）：三维构象库仑矩阵转换与序列分词技术

6.机器学习经典算法聚焦：经典机器学习算法（如随机森林、SVM等）与Scikit-learn基础

7.数据与模型评估：深入对比不同数据集构建策略与模型评估

8.机器学习常见评估方法：准确率、召回率、混淆矩阵、F1分数、AUC指标及ROC曲线

9.实战操作：基于机器学习和深度学习的分子属性（ADMET）预测与评估

PyTorch深度学习与AI药物生成实践

1.深度学习框架集成：PyTorch自定义神经网络与损失函数

2.深度学习网络架构：多层感知机（MLP）与图神经网络（GNN）的实现及原理

3.图卷积网络（GCN）概览与实战：分子图结构的天然优势与底层操作

4.高级模型训练策略：神经网络模型训练调优与多任务学习实现

5.深度学习常见评估方法：MSE、RMSE、MAE连续值评估及分类/图网络评估指标

6.AI药物生成：基于先导物实现骨架与片段拆解

7.前沿分子生成核心引擎：基于预训练模型自动基团填充实操(依托ChEMBL预训练模型)

8.生成分子的后处理与决策：生成后全套过滤与性质分布、结构网格分析

9.多种生成方法论的横向评估：实现药物的人工规则重组、模型自动生成，多维度对比在类药性与多样性上的适用边界淆矩阵、F1分数、AUC指标、ROC曲线

10.机器学习预测分子属性（ADMET预测）

第三天

数据库与分子结构可视化软件简介

1.蛋白数据库与小分子数据库介绍

2.ChemBioOffice介绍

3.PyMOL分子结构可视化软件介绍

蛋白质和小分子对接实战

1.Autodock vina软件原理及功能介绍

2.分子对接和对接结果分析

3.GNINA（CNN增强对接）

4.AI vs传统对接对比

分子动力学模拟原理及软件实战

1.模拟体系的构建方法介绍

2.Amber：结合实例讲解分子动力学模拟软件操作演练

3.分子动力学计算与结果分析