人工智能技术及在生物分子活性预测、药物发现中的应用

近年来，利用高性能计算机来进行药物虚拟筛选已经被广泛应用，计算机辅助药物设计可以提高药物研发的成功率，降低研发成本，缩短研发周期，是目前创新药物研究的核心技术之一。随着医药大数据的积累和人工智能技术的发展，运用AI技术并结合大数据的精准药物设计也不断推动着创新药物的发展。在新型冠状病毒的治疗方案中，通过一系列计算机辅助药物生物计算的方法发现一大类药物分子可以有效阻止新冠病毒的侵染，为治疗新冠提供了新思路。

课程通过机器学习、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、浅层机器学习分类虚拟筛选、集成机器学习方法、DNN，GCN，GAT等主流深度学习模型实操以及结合相关课题的应用实践等内容，带您真正的进入人工智能药物发现的领域。

CADD 理论与实战

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

AIDD 分类和回归理论与实战

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

4.1.3 k 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

生物分子活性预测理论与实战

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与实践

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 1.2TensorFlow

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。

深度学习多任务模型与分子生成模型理论与实践

理论讲解：

7. 深度学习药物发现预测模型构建

8. 深度学习模型加载、打包与本地程序开发

9. 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。