CADD计算机辅助药物设计+AIDD人工智能药物发现与设计

Posted 2022-02-24 渔牧村风

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了CADD计算机辅助药物设计+AIDD人工智能药物发现与设计相关的知识，希望对你有一定的参考价值。

CADD(Computer Aided Drug Design):计算机辅助药物设计，依据生物化学、酶学、分子生物学以及遗传学等生命科学的研究成果，针对这些基础研究中所揭示的包括酶、受体、离子通道及核酸等潜在的药物设计靶点，并参考其它类源性配体或天然产物的化学结构特征，以计算机化学为基础，通过计算机的模拟、计算和预算药物与受体生物大分子之间的相互作用，考察药物与靶点的结构互补、性质互补等，设计出合理的药物分子。它是设计和优化先导化合物的方法，特别是在食品、生物、化学、医药方面应用广泛

AIDD（AI Drug Discovery & Design）：是近年来非常火热的技术应用，且已经介入到新药设计到研发的大部分环节当中，为新药发现与开发带来了极大的助力。倾向于机器对数据库信息的自我学习，可以对数据进行提取和学习，一定程度上避免了化合物设计过程中的试错路径，同时还会带来很多全新的结构，为药物发现打破常规的结构壁垒。覆盖了机器学习和深度学习，能与新药研发相结合并实质性的应用到靶点预测、高通量筛选、药物设计、药物的ADMET性质预测等；且算力方面，由早期应用于药物发现领域的决策树、随机向量机等机器学习模型，进展到深度神经网络、卷积神经网络、循环神经网络等深度学习算法。具体到新药研发环节：如靶点识别，基于决策树来预测与疾病相关的基因，有研究者发现了多种EF在信号通路和胞外定位中的调控作用，并进一步基于靶点的结构和几何特征，选取一定量蛋白的数十个结合位点以及大量的非药物结合位点，构建随机森林分类器来预测药物靶点，并有研究者进一步采样提升了随机森林算法，成功的从非药物靶点中区分了药物靶点。

再如，活性筛选方面，AIDD可以对候选化合物进行筛选，从而更快的筛选出作用于特定靶点且具有较高活性的化合物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，决定联合专家举办“Computer Aided Drug Design+AI Drug Discovery & Design”专题培训班，本单位已经举办六期培训，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

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

目标（完全适合零基础）

CADD计算机辅助药物设计设计流程，让学员能够掌握包括PDB数据库、蛋白与配体、蛋白-蛋白对接、蛋白-多肽对接、金属辅酶蛋白-配体的对接、蛋白-配体的柔性对接、蛋白-水分子-配体对接、虚拟筛选的流程、Linux安装、gromacs分子动力学全称实操

AIDD人工智能药物发现与设计流程，让学员能够掌握包括基于配体结构的虚拟筛选、机器学习数据处理与特征化、模型构建、模型评估、毒性预测模型的构建与使用、分类模型的构建与应用、pIC50值预测模型的构建与使用、深度学习在药物开发中的应用、PyTorch的多层感知机的毒性预测模型的构建与使用、基于图的分子特征、构建基于图卷积神经网络的QSAR模型、分子生成模型、使用 MolGAN 模型进行小分子化合物的生成

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

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

CADD计算机辅助药物设计课表内容

第一天背景与理论知识以及工具准备 1.PDB数据库的介绍和使用
1.1数据库简介
1.2靶点蛋白的结构查询与选取
1.3靶点蛋白的结构序列下载
1.4靶点蛋白的下载与预处理
1.5批量下载蛋白晶体结构
2.Pymol的介绍与使用
2.1软件基本操作及基本知识介绍
2.2蛋白质-配体相互作用图解
2.3蛋白-配体小分子表面图、静电势表示
2.4蛋白-配体结构叠加与比对
2.5绘制相互作用力
3.notepad的介绍和使用
3.1 优势及主要功能介绍
3.2 界面和基本操作介绍
3.3插件安装使用
第二天拓展对接的使用方法 1.蛋白-蛋白对接
1.1蛋白-蛋白对接的应用场景
1.2相关程序的介绍
1.3目标蛋白的收集以及预处理
1.4使用算例进行运算
1.5关键残基的预设
1.6结果的获取与文件类型
1.7结果的分析
以目前火热的靶点PD-1/PD-L1等为例。
2.蛋白-多肽对接
2.1蛋白-多肽的应用现状
2.2相关的程序介绍
2.3靶点蛋白及多肽的收集和处理
2.4蛋白-多肽分子对接
2.5相关结果的分析
以目前火热的新冠多肽药物为例。
操作流程介绍及实战演示
3.涉及金属酶蛋白的对接
3.1 金属酶蛋白-配体的背景介绍
3.2蛋白与配体分子的收集与预处理
3.3金属离子的处理
3.4金属辅酶蛋白-配体的对接
3.5结果分析
以人类法尼基转移酶及其抑制剂为例
第三天拓展对接的使用方法 1.柔性对接
1.1柔性对接的使用场景介绍
1.2柔性对接的优势
1.3蛋白-配体的柔性对接
重点：柔性残基的设置方法
1.4相关结果的分析
以周期蛋白依赖性激酶2（CDK2）与配体1CK为例
2.共价对接
2.1两种共价对接方法的介绍
2.1.1柔性侧链法
2.1.2两点吸引子法
2.2蛋白和配体的收集以及预处理
2.3共价药物分子与靶蛋白的共价对接
2.4结果的对比
以目前火热的新冠共价药物为例。
3.蛋白-水合对接
3.1水合作用在蛋白-配体相互作用中的意义及方法介绍
3.2蛋白和配体的收集以及预处理
3.3对接相关参数的准备
重点：水分子的加入和处理
3.4蛋白-水分子-配体对接
3.5结果分析
以乙酰胆碱结合蛋白(AChBP)与尼古丁复合物为例
第四天虚拟筛选 1.小分子数据库的介绍与下载
2.相关程序的介绍
2.1 openbabel的介绍和使用
2.2 chemdraw的介绍与使用
3.虚拟筛选的前处理
4.虚拟筛选的流程及实战演示
案例：筛选新冠肺炎病毒相关蛋白抑制剂
5.结果分析与作图
6.药物ADME预测
6.1ADME概念介绍
6.2预测相关网站及软件介绍
6.3预测结果的分析
第五天在linux上进行虚拟筛选 1. linux系统的介绍和简单使用
1.1 linux常用命令行
1.2 linux上的常用程序安装
1.3 体验：如何在linux上进行虚拟筛选
2.分子动力学的理论介绍
2.1分子动力学模拟的原理
2.2分子动力学模拟的方法及相关程序
2.3相关力场的介绍
3.gromacs使用及介绍
重点：主要命令及参数的介绍
4.origin介绍及使用
第七天蛋白-配体分子动力学模拟的执行 1.蛋白-配体在分子动力学模拟的处理流程
2.蛋白晶体的准备
3.蛋白-配体模拟初始构象的准备
4.配体分子力场拓扑文件的准备
4.1 gaussian的简要介绍
4.2 ambertool的简要介绍
4.3生成小分子的力场参数文件
5.对复合物体系温度和压力分别限制的预平衡
6.无限制的分子动力学模拟
7.分子动力学结果展示与解读
8.轨迹后处理及分析
以新冠病毒蛋白主蛋白酶靶点及相关抑制剂为例
AIDD人工智能药物发现与设计课表内容

（第一天）人工智能在药物开发中的应用理论人工智能药物设计常用工具的介绍与安装 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
2.2.2 基于人工智能方法的新药设计
3. 常用工具的介绍与安装
3.1 miniconda
3.2 scikit-learn
3.3 RDKit
3.4 Pandas
3.5 NumPy
3.6 DeepChem
（第二天）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
1.2.3 k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）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 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 深度神经网络的常用框架
2.2.1 PyTorch
2.2.2 TensorFlow
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。
(第五天) 图卷积神经网络 1. 图理论
2. 基于图的分子特征
2.1 ConvMolFeaturizer
2.2 WeaveFeaturizer
2.3 MolGanFeaturizer
2.4 MolGraphConvFeaturizer
3. 卷积神经网络
4. 模型的可解释性
5. 实例讲解与练习
以血脑屏障通透率数据为例，构建基于图卷积神经网络的QSAR模型。并通过计算原子贡献，对模型进行解释。
(第六天) 分子生成模型 1. 基于字符串的小分子化合物生成模型
1.1 循环神经网络
1.2基于上下文的循环神经网络序列建模
2. 基于图数据的小分子化合物生成模型
2.1 生成器
2.2 判别器
2.3 奖励网络
3 实例讲解与练习
以 tox21 数据集为例，使用 MolGAN 模型进行小分子化合物的生成练习。