未填
近日，諾貝爾化學(xué)獎(jiǎng)得主、蛋白質(zhì)設(shè)計(jì)先驅(qū)David Baker 教授作為通訊作者（楊為、王順智等為共同第一作者），在國(guó)際頂尖學(xué)術(shù)期刊Nature上發(fā)表了題為：The past, present and future of de novo protein design的綜述論文。楊為博士已全職加入深圳醫(yī)學(xué)科學(xué)院，任特聘研究員，成立蛋白質(zhì)藥物設(shè)計(jì)課題組。
該綜述論文描述了從頭蛋白質(zhì)設(shè)計(jì)（de novo protein design）的當(dāng)前狀態(tài)。盡管在成功率和活動(dòng)方面仍有改進(jìn)的空間，但設(shè)計(jì)新型蛋白質(zhì)結(jié)構(gòu)、組裝體和蛋白質(zhì)結(jié)合劑這一長(zhǎng)期存在的難題已接近解決。這些領(lǐng)域當(dāng)前的關(guān)鍵問題不是如何設(shè)計(jì)，而是設(shè)計(jì)什么，開源設(shè)計(jì)方法如 RFdiffusion 和 ProteinMPNN 以及蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)工具使生物化學(xué)家和分子生物學(xué)家能夠廣泛探索可能的應(yīng)用。在從頭設(shè)計(jì)小分子靶點(diǎn)結(jié)合劑、酶和多態(tài)蛋白質(zhì)系統(tǒng)方面也取得了相當(dāng)大的進(jìn)展。方法開發(fā)目前面臨的挑戰(zhàn)包括設(shè)計(jì)用于克服高能壘反應(yīng)的催化劑，以及更廣泛地說，設(shè)計(jì)將結(jié)合、構(gòu)象變化和催化整合在一起的開關(guān)和納米機(jī)器。在接下來的 5-10 年里，預(yù)計(jì)會(huì)設(shè)計(jì)出復(fù)雜的蛋白質(zhì)納米機(jī)器和材料，其功能遠(yuǎn)遠(yuǎn)超出自然進(jìn)化所產(chǎn)生的功能，應(yīng)用于醫(yī)學(xué)、技術(shù)和可持續(xù)性等廣泛領(lǐng)域。
在這篇綜述論文中，David Baker 團(tuán)隊(duì)為我們展望了一個(gè)激動(dòng)人心的新時(shí)代——未來十年內(nèi)，蛋白質(zhì)從頭設(shè)計(jì)將解決人類面臨的重大難題，并在醫(yī)學(xué)、可持續(xù)發(fā)展和生物技術(shù)領(lǐng)域發(fā)展成為一項(xiàng)基礎(chǔ)性工具。我們可以利用這些工具設(shè)計(jì)出可能成為攻克癌癥、阿爾茨海默病的利器，制造出高效環(huán)保的工業(yè)催化劑，甚至能組裝成微小的“納米機(jī)器”，執(zhí)行特定的任務(wù)。
作為2026年最值得期待的技術(shù)！
AI蛋白質(zhì)設(shè)計(jì)資料與學(xué)習(xí)途徑少之又少，特培訓(xùn)學(xué)習(xí)迫在眉睫！聯(lián)合清華大學(xué)、北京大學(xué)、西湖大學(xué)、浙江大學(xué)、中國(guó)科技技術(shù)大學(xué)、天津大學(xué)、協(xié)和藥物研究所、中科院微生物所、上海藥物研究所等高校和研究單位已經(jīng)舉辦培訓(xùn)把八十余期，參會(huì)學(xué)員達(dá)9000余人！學(xué)員好評(píng)極高！其中不乏有發(fā)表Nature、Cell、Science等國(guó)際頂刊！
六大頂尖課程
01AI蛋白質(zhì)設(shè)計(jì)線上直播課
02AI抗體設(shè)計(jì)線上直播課
03 AI基因編輯線上直播課
04 AI構(gòu)建虛擬細(xì)胞線上直播課
AI蛋白質(zhì)設(shè)計(jì)主講老師在學(xué)術(shù)界和工業(yè)界都有豐富算法開發(fā)和應(yīng)用經(jīng)驗(yàn)，博士畢業(yè)于國(guó)內(nèi)頂尖課題組，從事蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)和蛋白質(zhì)設(shè)計(jì)的研究工作，相關(guān)工作成果已在Cell Systems、Angew. Chem. Int. Ed.、JCIM等國(guó)際知名期刊發(fā)表論文。目前在知名藥企擔(dān)任高級(jí)研究員，主導(dǎo)AI驅(qū)動(dòng)的大分子藥物設(shè)計(jì)平臺(tái)開發(fā)與團(tuán)隊(duì)管理。
學(xué)員評(píng)價(jià)
01
AI蛋白質(zhì)設(shè)計(jì)課表
一、熟悉超算環(huán)境與蛋白質(zhì)從頭設(shè)計(jì)實(shí)踐
1.環(huán)境搭建：Linux，VS code，Jupyter notebook*
a)超算的登錄
b)Linux系統(tǒng)的常用shell命令：vim, ls, cd, less, rm等；
c)一些package安裝的常用命令：pip, conda, source等。
d)Jupyter notebook的安裝和使用。
e)VS code的基本配置：連接服務(wù)器；選擇不同python版本的Interpreter；debug模式的使用等。
2.基礎(chǔ)知識(shí)講解
a)三類方法在不同程度上探索蛋白質(zhì)序列空間：
i.蛋白質(zhì)定向進(jìn)化（directed evolution）
ii.固定蛋白質(zhì)主鏈的序列設(shè)計(jì)（Fix-backbone protein design）
iii.蛋白質(zhì)的從頭設(shè)計(jì)（De novo protein design）
b)關(guān)鍵數(shù)據(jù)庫(kù)：RCSB PDB， SCOPe， CATH， UniRef， BFD等
c)常見概念和名詞： rotamer， scaffold， motif，domain，backbone，side-chain，apo和holo結(jié)構(gòu)，
d)使用的不同模型的原理，transformer，diffusion模型，F(xiàn)low Matching等。
3. Rfdiffusion3+ProteinMPNN生成序列
a)Rfdiffusion3生成蛋白質(zhì)骨架結(jié)構(gòu)，ProteinMPNN精細(xì)的生成氨基酸序列。
b)Rfdiffusion3的安裝實(shí)操
c)Rfdiffusion3的使用實(shí)操
d)ProteinMPNN的安裝實(shí)操
e)ProteinMPNN的使用實(shí)操
f)Rfdiffusion+ProteinMPNN生成序列，AphaFold2篩選序列。整體實(shí)操流程：
i.計(jì)算SAP（Spatial Aggregation Propensity）的值，選擇3-6個(gè)氨基酸作為hotspot，即結(jié)合位點(diǎn)；這里需要使用Rosetta進(jìn)行計(jì)算，首先將安裝rosetta，準(zhǔn)備蛋白，再計(jì)算每一個(gè)氨基酸的SAP值，將SAP數(shù)值映射到結(jié)構(gòu)上。選擇hotspot位點(diǎn)。
ii. Rfdiffusion結(jié)構(gòu)設(shè)計(jì)，生成~10000個(gè)蛋白質(zhì)主鏈結(jié)構(gòu)；
根據(jù)上面挑選得到的hotspot位點(diǎn)，更改相應(yīng)的hotspot參數(shù)，生成新的結(jié)構(gòu)
iii.ProteinMPNN-FastRelax進(jìn)行序列設(shè)計(jì)，每一個(gè)主鏈結(jié)構(gòu)兩個(gè)對(duì)應(yīng)的序列，共設(shè)計(jì)~20000個(gè)序列；
iv.篩選:使用AlphaFold2預(yù)測(cè)設(shè)計(jì)結(jié)構(gòu)，預(yù)測(cè)的置信度pAE<10，預(yù)測(cè)結(jié)構(gòu)與設(shè)計(jì)結(jié)構(gòu)的RMSD<1A，從中挑選95個(gè)進(jìn)行實(shí)驗(yàn)驗(yàn)證。
4.其它的蛋白質(zhì)設(shè)計(jì)方法的實(shí)操*
a)BindCraft——序列生成和篩選的自動(dòng)化實(shí)現(xiàn)
BindCraft相比于Rfdiffusion+ProteinMPNN更加用戶友好，一站式設(shè)計(jì)流程，序列的生成和篩選自動(dòng)化實(shí)現(xiàn)。將講解其中參數(shù)的設(shè)計(jì)和選擇，如過濾序列條件、生成氨基酸的偏好性等。使用包括置信度評(píng)分（如AlphaFold2預(yù)測(cè)得到的pLDDT、ipTM）、物理指標(biāo)（如Rosetta界面能量）和序列特征（如疏水性比例）進(jìn)行篩選。
b)MIT開發(fā)的Bolzgen方法原理、安裝使用講解。
安裝和使用boltzgen講解，將詳細(xì)講解yaml配置文件的寫法，以一個(gè)靶點(diǎn)為例，從頭生成VHH與該靶點(diǎn)結(jié)合。
c)PPIFlow：基于flow-matching的生成方法，原理，安裝和使用方法。
二、蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)和分析
1.蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法
1)從CASP比賽結(jié)果來簡(jiǎn)述蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方法的發(fā)展?；谀芰亢瘮?shù) -> 接觸圖的應(yīng)用 -> 端到端的預(yù)測(cè)結(jié)構(gòu)（AlphaFold2）。
2)AlphaFold2的模型相比于以前的方法有什么改進(jìn)
a)將基于MSA和基于模板的方法整合，使用注意力機(jī)制進(jìn)行MSA信息和模板信息的相互交流。
b)以前提取MSA信息為計(jì)算協(xié)方差矩陣 ，AlphaFold2創(chuàng)造性的直接將MSA信息作為輸入，將圖像識(shí)別的算法轉(zhuǎn)變成了自然語(yǔ)言處理算法，減少了中間處理過程中的信息損失。
3)AlphaFold3相比于AlphaFold2改進(jìn)了什么，還有什么不足。
a)擴(kuò)展到了多種生物分子的復(fù)合物結(jié)構(gòu)預(yù)測(cè)，包括蛋白質(zhì)-DNA、蛋白質(zhì)-RNA、蛋白質(zhì)-小分子，并使用擴(kuò)散模型。
b)復(fù)合物組裝與動(dòng)態(tài)預(yù)測(cè)缺陷，抗體-抗原復(fù)合物結(jié)構(gòu)準(zhǔn)確度有待提高。
4)運(yùn)行網(wǎng)頁(yè)server上的AlphaFold3預(yù)測(cè)結(jié)構(gòu)
5)如何使用AlphaFold3預(yù)測(cè)蛋白質(zhì)的糖基化，不同糖基化的類型的輸入方法。
6)AlphaFold3輸出結(jié)果分析，各項(xiàng)置信度指標(biāo)的含義，以及如何判斷預(yù)測(cè)的準(zhǔn)確度，如pLDDT，ipTM，PTM，PAE。
7)本地部署和運(yùn)行ColabFold，由于AlphaFold3在安裝過程中需要下載大量資源，且不能商用，因此不演示AlphaFold3的安裝過程，如有問題可以幫助解決。
2.蛋白質(zhì)結(jié)構(gòu)分析和可視化
1)pdb文件的解讀，每一行中的內(nèi)容代表什么含義。
2)用 pymol 可視化蛋白質(zhì)結(jié)構(gòu)*
a)pymol的基礎(chǔ)操作講解
b)如何將實(shí)驗(yàn)值投影到結(jié)構(gòu)圖的顏色上，如何畫出發(fā)表文章中好看的圖
3)計(jì)算蛋白質(zhì)結(jié)構(gòu)中兩個(gè)氨基酸的距離*
a)使用python的文本文件操作實(shí)現(xiàn)
b)使用python中biopython包實(shí)現(xiàn)
3.蛋白質(zhì)結(jié)構(gòu)相關(guān)物理性質(zhì)的計(jì)算*
1)二級(jí)結(jié)構(gòu)的分類和計(jì)算
2)溶劑可及表面積（SASA）的講解及計(jì)算
三：蛋白質(zhì)序列分析，數(shù)據(jù)挖掘和訓(xùn)練數(shù)據(jù)準(zhǔn)備
講解和實(shí)操：
1.獲得同源序列
1)了解不同蛋白質(zhì)序列庫(kù)，如UniRef90，UniClust30，Pfam等
2)了解不同工具原理并使用：NCBI BLAST，Jackhmmer，HHblits
3)給定一條蛋白質(zhì)序列，比對(duì)序列庫(kù)，生成多序列比對(duì)（MSA）*
2.對(duì)MSA進(jìn)行頻率分析*
1)使用python的文本文件操作實(shí)現(xiàn)
2)使用python中biopython包實(shí)現(xiàn)
3)繪制序列Logo，可視化的展示每個(gè)位點(diǎn)的氨基酸頻率和保守性
3.序列的同源性計(jì)算和進(jìn)化樹的繪制*
1)不同同源性的計(jì)算方法及應(yīng)用情景，氨基酸序列的identity和Similarity，BLOSUM62的介紹。
2)進(jìn)化樹的繪制
4.基于序列相似性閾值劃分訓(xùn)練集和測(cè)試集*
1)為什么要做？避免數(shù)據(jù)泄露
2)選擇相似性度量方法
3)相似性矩陣的計(jì)算
4)劃分?jǐn)?shù)據(jù)集
5.大規(guī)模蛋白質(zhì)序列的聚類分析和去冗余*
1)為什么要做？防止過度學(xué)習(xí)某一類序列特征，消除序列偏差；也能防止訓(xùn)練過程中數(shù)據(jù)泄露。
2)聚類方法的選擇，CD-HIT、MMseq2和Linclust
3)選擇代表序列，去冗余
4)實(shí)際復(fù)現(xiàn)S2ALM這一模型文章中的聚類方法。mmseqs easy-cluster examples/DB.fasta clusterRes tmp --min-seq-id 0.7 -c 0.8 --cov-mode 1
四、蛋白質(zhì)的大語(yǔ)言模型及其應(yīng)用
1.基礎(chǔ)知識(shí)講解
1)介紹蛋白質(zhì)的語(yǔ)言模型（26字母語(yǔ)言模型->20氨基酸字母表，上下文依賴->氨基酸的共進(jìn)化）
2)為什么要開發(fā)蛋白質(zhì)大語(yǔ)言模型？1. 相比于結(jié)構(gòu)或功能信息，序列信息更加海量；2. 蛋白質(zhì)序列通過進(jìn)化而來，可以學(xué)習(xí)蛋白質(zhì)基本規(guī)律，折疊，共進(jìn)化等
3)模型架構(gòu)和基礎(chǔ)理論：transformer，多頭注意力機(jī)制，Bert，GPT，T5等
2.基于Bert架構(gòu)的蛋白質(zhì)語(yǔ)言模型
1) ESM系列（ESM-1b、ESM-1v、ESM2、ESM C）
2)ESMFold：無需MSA信息的結(jié)構(gòu)預(yù)測(cè)
3)使用抗體序列庫(kù)訓(xùn)練的語(yǔ)言模型：Ablang，AntiBERTy
3.類似GPT的生成模型ProGen
1)36層Transformer解碼器架構(gòu)，包含12億參數(shù)
2)引入“控制標(biāo)簽”（如蛋白質(zhì)家族ID、功能屬性）作為輸入，生成蛋白質(zhì)序列空間以外的新的蛋白質(zhì)序列
3)成功生成新的溶菌酶
4.多模態(tài)的蛋白質(zhì)語(yǔ)言模型ESM3
1)模型架構(gòu)融合序列，結(jié)構(gòu)和功能信息
2)相比于ESMFold，單體結(jié)構(gòu)預(yù)測(cè)精度更好
3)基于多模態(tài)提示（序列、結(jié)構(gòu)、功能關(guān)鍵詞）設(shè)計(jì)新的蛋白質(zhì)序列
4)ESM3的安裝，生成序列，快速結(jié)構(gòu)預(yù)測(cè)。*
5.蛋白質(zhì)語(yǔ)言模型的應(yīng)用和實(shí)戰(zhàn)演練*
1)獲得序列embedding以構(gòu)建下游模型（Cell systmes文章舉例），從文章github倉(cāng)庫(kù)中提煉序列embedding的代碼并學(xué)習(xí)使用。
2)使用不同的蛋白質(zhì)語(yǔ)言模型，零樣本的預(yù)測(cè)蛋白質(zhì)突變效應(yīng)。
3)給定少量的突變效應(yīng)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，訓(xùn)練模型，預(yù)測(cè)新的突變效應(yīng)值。
五、深度學(xué)習(xí)輔助酶設(shè)計(jì)
1.基礎(chǔ)知識(shí)講解
酶的過渡態(tài)理論，theozyme，fitness landscape，epistasis
2.酶學(xué)性質(zhì)預(yù)測(cè)
1.DLKcat與GotEnzyme數(shù)據(jù)庫(kù)介紹
2.UniKP:利用預(yù)訓(xùn)練模型挖掘、改造Kcat
3.CLEAN:基于對(duì)比學(xué)習(xí)的EC號(hào)預(yù)測(cè)挖掘稀有脫鹵酶
3.蛋白質(zhì)熱穩(wěn)定性改造
1.MutCompute介紹
2.利用MutCompute改造PETase(Nature)
3.ThermoMPNN介紹與使用*
4. Pythia介紹與使用*
4.從Frances H. Arnold（2018年因在酶的定向進(jìn)化領(lǐng)域的貢獻(xiàn)獲得諾貝爾化學(xué)獎(jiǎng)）的工作看酶的定向進(jìn)化方法的發(fā)展
1.傳統(tǒng)定向進(jìn)化實(shí)驗(yàn)流程
2.MLDE（Mechine Learning Directed Evolution）， 學(xué)習(xí)序列與酶性能之間的映射關(guān)系，推薦新的突變組合（PNAS文章）
3.ftMLDE（focused training MLDE），主動(dòng)學(xué)習(xí)流程，構(gòu)建informative的訓(xùn)練數(shù)據(jù)（Cell Systems文章）。零樣本突變效應(yīng)預(yù)測(cè)挑選數(shù)據(jù)集，再通過小樣本數(shù)據(jù)訓(xùn)練的策略微調(diào)。
5.酶的從頭設(shè)計(jì)
1.從頭設(shè)計(jì)Diels-Alder催化酶
a)基于Rosetta的Inside-out策略（Science文章）
b)通過Foldit蛋白質(zhì)折疊游戲改善結(jié)構(gòu)問題（Nat. Biotechnol.文章）；
c)Foldit蛋白質(zhì)折疊游戲的實(shí)踐*
2.從頭設(shè)計(jì)熒光素酶，F(xiàn)amily-wide hallucination，基于該酶家族的結(jié)構(gòu)幻化出新的結(jié)構(gòu)（Nature文章）
3.RFdiffusion+PLACER從頭設(shè)計(jì)絲氨酸水解酶（Science文章）
6. 利用預(yù)測(cè)結(jié)構(gòu)的相似性，挖掘序列的新酶功能（復(fù)現(xiàn)頂刊cell文章）*
1.InterPro數(shù)據(jù)庫(kù)中下載數(shù)據(jù)
2.TM-score計(jì)算結(jié)構(gòu)距離
3.UPGMA結(jié)構(gòu)聚類，畫出進(jìn)化樹
4.挑選序列
六、蛋白質(zhì)功能與互作預(yù)測(cè)；實(shí)驗(yàn)驗(yàn)證與AI模型訓(xùn)練預(yù)測(cè)閉環(huán)
1.蛋白質(zhì)功能預(yù)測(cè)：
1)基礎(chǔ)知識(shí)：
a)基因本體論（Gene Ontology, GO），
b)MF/BP/CC，MF Molecular Function分子功能；BP Biological Process生物過程；CCCellular Component 細(xì)胞組分。
c)GAF (GO Annotation File) 文件。
d)本體文件來理解GO術(shù)語(yǔ)之間的層次關(guān)系。
e)解析GAF，提取蛋白質(zhì)ID和GO ID。
2)DeepGO-SE，通過蛋白質(zhì)的語(yǔ)言模型提取序列嵌入，預(yù)測(cè)蛋白質(zhì)的功能
3)DPFunc：先用蛋白語(yǔ)言模型提取殘基特征，再在接觸圖上用 GCN 學(xué)習(xí)結(jié)構(gòu)信息，并引入結(jié)構(gòu)域（domain）指導(dǎo)，最后把多層特征映射到 GO 圖上，顯著提升對(duì)罕見功能項(xiàng)和低序列相似蛋白的預(yù)測(cè)精度
4)Prot2Text-V2模型。Prot2Text-V2將圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network, GNN）與大型語(yǔ)言模型（Large Language Model, LLM）融合到同一個(gè)編碼器-解碼器框架中，有效整合了包括蛋白質(zhì)序列、結(jié)構(gòu)和文本注釋在內(nèi)的多種數(shù)據(jù)，以自由文本形式輸出蛋白質(zhì)功能預(yù)測(cè)結(jié)果
5)ProteinKG65構(gòu)建蛋白質(zhì)知識(shí)圖譜，基于Gene Ontology (GO) 和 UniProt 等權(quán)威知識(shí)庫(kù)，將蛋白質(zhì)的功能、結(jié)構(gòu)、相互作用等知識(shí)組織成圖譜形式，支持下游的機(jī)器學(xué)習(xí)任務(wù)，如蛋白質(zhì)功能預(yù)測(cè)、表示學(xué)習(xí)、藥物靶點(diǎn)發(fā)現(xiàn)等
2.蛋白質(zhì)相互作用預(yù)測(cè)：
Science文章：使用更深的進(jìn)化信號(hào)：omicMSA+新的深度學(xué)習(xí)網(wǎng)絡(luò)：RF2?PPI。在全人類蛋白質(zhì)組中篩出一批高置信度的互作，用于補(bǔ)齊人類互作圖譜、解釋疾病突變和蛋白功能。
1. 更深的進(jìn)化信號(hào)：omicMSA
從約 30 PB 的未組裝基因組/轉(zhuǎn)錄組數(shù)據(jù)里挖人類蛋白的同源序列，而不僅僅依賴 UniRef 等傳統(tǒng)數(shù)據(jù)庫(kù)。
構(gòu)建omicMSA，使得每個(gè)蛋白的深度比常規(guī)模板 MSA 深 7 倍左右，協(xié)同進(jìn)化信號(hào)顯著增強(qiáng)。
2. 新的深度學(xué)習(xí)網(wǎng)絡(luò)：RF2?PPI
02
通過課程學(xué)習(xí)您將得到
多種蛋白質(zhì)設(shè)計(jì)方法、深度學(xué)習(xí)酶設(shè)計(jì)、深度學(xué)習(xí)抗體設(shè)計(jì)等流程！讓學(xué)員快速學(xué)會(huì)David baker核心方法！培訓(xùn)理論結(jié)合實(shí)操！提供服務(wù)器使用！通過詳細(xì)講解實(shí)操AlphaFold2、AlphaFold3以及pymol和Foldseek等軟件讓學(xué)員學(xué)會(huì)蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)！通過詳細(xì)講解實(shí)操ESM系列（ESM-1b、ESM-1v、ESM2、ESMC、ESM3）、GPT的生成模型ProGen讓學(xué)員學(xué)會(huì)蛋白質(zhì)大語(yǔ)言模型！通過詳細(xì)講解實(shí)操ProteinMPNN、LigandMPNN、ThermoMPNN、Rfdiffusion等軟件讓學(xué)員學(xué)會(huì)多種蛋白質(zhì)設(shè)計(jì)方法!最后通過深度學(xué)習(xí)酶設(shè)計(jì)與深度學(xué)習(xí)抗體設(shè)計(jì)讓學(xué)員通過不同方向不同方法更全面的了解蛋白質(zhì)設(shè)計(jì)當(dāng)下的全面性!六天培訓(xùn)流程循序漸進(jìn)！知識(shí)點(diǎn)全覆蓋！更是講解十篇頂刊文獻(xiàn)，讓學(xué)員更好的知道當(dāng)下蛋白質(zhì)設(shè)計(jì)的核心熱點(diǎn)以及優(yōu)勢(shì)
AI抗體設(shè)計(jì)
主講老師在學(xué)術(shù)界和工業(yè)界都有豐富算法開發(fā)和應(yīng)用經(jīng)驗(yàn)，博士畢業(yè)于國(guó)內(nèi)頂尖課題組，從事蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)和蛋白質(zhì)設(shè)計(jì)的研究工作，相關(guān)工作成果已在Cell Systems、Angew. Chem. Int. Ed.、JCIM等國(guó)際知名期刊發(fā)表論文。目前在知名藥企擔(dān)任高級(jí)研究員，主導(dǎo)AI驅(qū)動(dòng)的大分子藥物設(shè)計(jì)平臺(tái)開發(fā)與團(tuán)隊(duì)管理。
02
AI抗體設(shè)計(jì)課表
一、代碼基礎(chǔ)，抗體基礎(chǔ)，介紹各大藥企在AI輔助抗體藥物開發(fā)上的布局，復(fù)現(xiàn)GSK在抗體親和力成熟上的工作
1. 代碼基礎(chǔ)知識(shí)講解，環(huán)境搭建：Linux，VS code*
a) 超算的登錄
b) Linux系統(tǒng)的常用shell命令：vim, ls, cd, less, rm等；
c) 一些package安裝的常用命令：pip, conda, source等。
d) VS code的基本配置：連接服務(wù)器；選擇不同python版本的Interpreter；debug模式的使用等。
2. 抗體基礎(chǔ)知識(shí)講解：
a) VDJ重排，germline，CDR區(qū)域，表位（epitope/paratope），抗體親和力成熟，抗體的可開發(fā)性等概念介紹
b) 不同抗體編號(hào)方案（Kabat，Chothia，IMGT）講解，使用python自動(dòng)化對(duì)抗體序列編號(hào)，并識(shí)別CDR區(qū)域*
c) 抗體藥物開發(fā)的基本流程
3. 各大藥企在AI輔助抗體藥物開發(fā)上的布局：講解各大藥企公司發(fā)表的文獻(xiàn)及報(bào)告:
a) Genetech的lab-in-the-loop,結(jié)合了實(shí)驗(yàn)和計(jì)算方法的迭代優(yōu)化策略的工作
b) Genmab手動(dòng)建立了多樣性的抗體可開發(fā)性數(shù)據(jù)集,以進(jìn)行可開發(fā)性數(shù)據(jù)的訓(xùn)練和預(yù)測(cè).
c) GSK、阿斯利康、諾和諾德等在抗體親和力成熟上做的工作等。
4. 抗體結(jié)構(gòu)預(yù)測(cè)
1) 通用蛋白結(jié)構(gòu)預(yù)測(cè)模型：AlphaFold3。
u 運(yùn)行網(wǎng)頁(yè)server上的AlphaFold3預(yù)測(cè)結(jié)構(gòu)，https://alphafoldserver.com*
u AlphaFold3輸出結(jié)果分析，各項(xiàng)置信度指標(biāo)的含義，以及如何判斷預(yù)測(cè)的準(zhǔn)確度，如pLDDT，ipTM，PTM，PAE。
u AlphaFold3的安裝過程講解。
a) 抗體專用結(jié)構(gòu)預(yù)測(cè)模型：ImmuneBuilder，IgFold。實(shí)操如何在服務(wù)器安裝和使用。
5. 復(fù)現(xiàn)GSK在抗體親和力成熟上的工作*
二、基于大語(yǔ)言模型的抗體親和力成熟。
1. 基礎(chǔ)知識(shí)講解
1) 介紹蛋白質(zhì)的語(yǔ)言模型（26字母語(yǔ)言模型->20氨基酸字母表，上下文依賴->氨基酸的共進(jìn)化）
2) 為什么要開發(fā)蛋白質(zhì)大語(yǔ)言模型？1. 相比于結(jié)構(gòu)或功能信息，序列信息更加海量；2. 蛋白質(zhì)序列通過進(jìn)化而來，可以學(xué)習(xí)蛋白質(zhì)基本規(guī)律，折疊，共進(jìn)化等
3) 模型架構(gòu)和基礎(chǔ)理論：transformer，多頭注意力機(jī)制，Bert，GPT，T5等
2. 基于Bert架構(gòu)的蛋白質(zhì)語(yǔ)言模型
1) ESM系列（ESM-1b、ESM-1v、ESM2、ESM C）
2) ESMFold：無需MSA信息的結(jié)構(gòu)預(yù)測(cè)
3) 多模態(tài)的蛋白質(zhì)語(yǔ)言模型ESM3
4) 使用抗體序列庫(kù)訓(xùn)練的語(yǔ)言模型：Ablang，AntiBERTy
3. Adaptyv EGFR Binder比賽——設(shè)計(jì)靶向EGFR的更高親和力binder。
1) 比賽結(jié)果展示
2) 比賽排名靠前的抗體/蛋白是如何設(shè)計(jì)的
a) 第一輪比賽，排名第一的方法：BindCraft
b) 第二輪比賽，排名第一的方法：Cradle，在Cetuximab的基礎(chǔ)上，用的LLM，突變了10個(gè)FR的氨基酸
c) 第二輪比賽，排名第二的方法：對(duì)一個(gè)納米抗體進(jìn)行人源化改造
d) 第二輪比賽，排名第三的方法：保留與結(jié)合重要的氨基酸，生成其它氨基酸RFdiffusion+inverse folding
4. 零樣本的抗體親和力成熟*
1) Efficient evolution，基于序列的語(yǔ)言模型推薦突變點(diǎn)（Nat. Biotechnol.文章）
i. 了解語(yǔ)言模型推薦突變點(diǎn)的原理；
ii. 安裝package和模型參數(shù)。https://github.com/brianhie/efficient-evolution
iii. 運(yùn)行以推薦突變點(diǎn)：python bin/recommend.py [sequence]
2) Structure evolution，基于結(jié)構(gòu)的語(yǔ)言模型推薦突變點(diǎn)（Science文章）
i. 了解inverse folding推薦突變點(diǎn)原理
ii. 安裝package和模型參數(shù)
1. git clone https://github.com/varun-shanker/structural-evolution.git
2. conda env create -f environment.yml
3. conda activate struct-evo
4. wget -P ~/.cache/torch/hub/checkpoints https://zenodo.org/records/12631662/files/esm_if1_20220410.zip
5. unzip ~/.cache/torch/hub/checkpoints/esm_if1_20220410.zip
iii. 運(yùn)行以推薦突變點(diǎn)：python bin/recommend.py examples/7mmo_abc_fvar.pdb \
--chain A --seqpath examples/7mmo_chainA_lib.fasta \
--outpath examples/7mmo_chainA_scores.csv \
--upperbound 109 --offset 1
5. 小樣本的抗體親和力成熟*，在已有少量樣本的親和力數(shù)據(jù)下訓(xùn)練模型。
使用MULTI-evolve的方法預(yù)測(cè)多點(diǎn)的組合突變。
三、抗體可開發(fā) 性預(yù)測(cè)和優(yōu)化
1. 抗體可開發(fā)性優(yōu)化在藥物開發(fā)過程中的意義，
2. 衡量抗體可開發(fā)性要考慮的因素，如免疫原性、自聚集性、結(jié)合特異性、穩(wěn)定性等等
3. 以一篇專利文件為例講解AI輔助抗體改造的案例。Patent No.: US12110324B2。Generate:Biomedicines公司通過AI方法在tezepelumab上改成的一種靶向（TSLP）的長(zhǎng)效單克隆抗體GB-0895。
4. 抗體結(jié)構(gòu)簡(jiǎn)單物理性質(zhì)的計(jì)算：溶劑可及表面積（SASA）的講解及計(jì)算；等電點(diǎn)的計(jì)算；蛋白質(zhì)表面電荷分布的計(jì)算。*
5. 講解Ginkgo舉辦的抗體可開發(fā)性預(yù)測(cè)比賽的結(jié)果。
6. 公開的抗體可開發(fā)性數(shù)據(jù)的收集。
7. 抗體性質(zhì)預(yù)測(cè)的模型實(shí)踐，展示在小樣本的情景下訓(xùn)練機(jī)器學(xué)習(xí)模型*
1) 數(shù)據(jù)處理，劃分?jǐn)?shù)據(jù)集
2) 模型構(gòu)建，基于特征工程的機(jī)器學(xué)習(xí)模型（隨機(jī)森林，XGboost，ElasticNet等）；學(xué)習(xí)根據(jù)蛋白質(zhì)序列和結(jié)構(gòu)信息構(gòu)建常見特征。seq_features = feature_utils.get_all_seq_features(heavy_seq, light_seq, is_fv=True, isotype='igg1', lc_type='lambda')
3) 模型訓(xùn)練和評(píng)價(jià)，GridSearchCV交叉驗(yàn)證調(diào)參等
4) 模型的可解釋性，特征重要性分析
四：抗體可開發(fā)性預(yù)測(cè)和優(yōu)化2和抗體人源化
1. 基于蛋白質(zhì)語(yǔ)言模型的可開發(fā)性預(yù)測(cè)*
1) 零樣本的可開發(fā)性預(yù)測(cè)
2) 少樣本的可開發(fā)性預(yù)測(cè)。給定抗體序列和相應(yīng)的性質(zhì)，構(gòu)建下游模型預(yù)測(cè)。
a) 數(shù)據(jù)處理，劃分?jǐn)?shù)據(jù)集
b) 獲得序列embedding以構(gòu)建下游模型，實(shí)現(xiàn)蛋白質(zhì)序列的不同方式encoding，包括"onehot", "georgiev", “esm”系列模型。
c) 深度學(xué)習(xí)模型的構(gòu)建。上游的大語(yǔ)言模型+下游簡(jiǎn)單線性層。
d) 模型訓(xùn)練和評(píng)價(jià)：繪制訓(xùn)練曲線，訓(xùn)練集和測(cè)試集的評(píng)價(jià)指標(biāo)隨epoch的變化，
2. 免疫原性預(yù)測(cè)
1) 免疫系統(tǒng)介紹，MHC-I和MHC-II，Anti-drug Antibody等基礎(chǔ)概念
2) 免疫原性預(yù)測(cè)是MHC結(jié)合肽段的預(yù)測(cè)
3) 預(yù)測(cè)免疫原性。netMHCpan的原理講解，安裝和使用
3. 抗體人源化
1) 人源化的基礎(chǔ)知識(shí)和流程。目標(biāo)：保留親和力+減小免疫原性+好的穩(wěn)定性和可開發(fā)性。CDR移植到人源框架，回復(fù)突變，Vernier Zone，
2) Germline的搜索，IMGT/V-QUEST 數(shù)據(jù)庫(kù)搜索得到V 基因和J基因相似的人類germline序列。
3) 人源化的經(jīng)典方法biophi的原理講解、安裝和使用。
4) 基于AI和基于物理能量（Rosetta）的方法是如何輔助抗體人源化的。
5) 排除抗體序列的PTM。
五、抗體（scFv, VHH）的從頭設(shè)計(jì)
1. 從頭設(shè)計(jì)的意義
1) 跨膜蛋白例如GPCR，難以穩(wěn)定表達(dá)為可溶性蛋白
2) VHH動(dòng)物免疫羊駝成本高。
3) 更高效快速獲得候選分子
2. 基礎(chǔ)模型方法概念介紹：Diffusion模型、 flow-matching、全原子（all-atom）建模等
3. 不同公司和方法模型、實(shí)驗(yàn)結(jié)果講解
1) Rfdiffusion3+ProteinMPNN生成序列，AphaFold2篩選序列。將學(xué)會(huì)各個(gè)包的安裝，不同參數(shù)的選擇，結(jié)合的hotspot位點(diǎn)選擇。
a) Rfdiffusion3結(jié)構(gòu)設(shè)計(jì)，生成~10000個(gè)蛋白質(zhì)主鏈結(jié)構(gòu)；根據(jù)hotspot位點(diǎn)，生成新的結(jié)構(gòu)：
./scripts/run_inference.py 'contigmap.contigs=[B1-100/0 100-100]' 'ppi.hotspot_res=[A30,A33,A34]' inference.output_prefix=test_outputs/binder_test inference.num_designs=10000
b) ProteinMPNN-FastRelax進(jìn)行序列設(shè)計(jì)，每一個(gè)主鏈結(jié)構(gòu)兩個(gè)對(duì)應(yīng)的序列，共設(shè)計(jì)~20000個(gè)序列；
c) 篩選:使用AlphaFold2預(yù)測(cè)設(shè)計(jì)結(jié)構(gòu)，預(yù)測(cè)的置信度pAE<10，預(yù)測(cè)結(jié)構(gòu)與設(shè)計(jì)結(jié)構(gòu)的RMSD<1A，從中挑選95個(gè)進(jìn)行實(shí)驗(yàn)驗(yàn)證。
2) Nabla Bio開發(fā)的JAM（Joint Atomic Modeling）系統(tǒng)
3) Chai2 Discovery開發(fā)的Chai-2方法，用以實(shí)現(xiàn)抗體的從頭生成
4) MIT開發(fā)的Bolzgen方法原理、安裝使用講解。
安裝和使用boltzgen講解，將詳細(xì)講解yaml配置文件的寫法，以一個(gè)靶點(diǎn)為例，從頭生成VHH與該靶點(diǎn)結(jié)合。
5) PPIFlow：基于flow-matching的生成方法，原理，安裝和使用方法。
4. VHH的生成實(shí)踐
1) 確定納米抗體序列框架（Framework區(qū)域）序列，生成CDR區(qū)域序列。分析整理納米抗體序列，繪制序列保守性的Logo圖，以此確定在生成VHH時(shí)，哪些位置的氨基酸需要固定。
2) 對(duì)生成的序列進(jìn)行篩選。在親和力、序列穩(wěn)定性、可開發(fā)性等各個(gè)方面進(jìn)行篩選。
a) 預(yù)測(cè)結(jié)構(gòu)與設(shè)計(jì)結(jié)構(gòu)的RMSD，AlphaFold預(yù)測(cè)設(shè)計(jì)結(jié)構(gòu)的置信度pAE等
b) 篩選Cys，Met等氨基酸含量
c) 減少電荷patch
d) 根據(jù)等電點(diǎn)等性質(zhì)篩選。
02
通過課程學(xué)習(xí)您將得到
培訓(xùn)聚焦深度學(xué)習(xí)驅(qū)動(dòng)的抗體設(shè)計(jì)為核心方向，以David Baker實(shí)驗(yàn)室核心設(shè)計(jì)方法、主流抗體大語(yǔ)言模型、AI抗體結(jié)構(gòu)預(yù)測(cè)模型為教學(xué)核心，秉持理論夯實(shí)、實(shí)操落地、科研進(jìn)階、工程應(yīng)用的培訓(xùn)原則。依托高性能服務(wù)器實(shí)操環(huán)境，循序漸進(jìn)講解行業(yè)主流軟件、開源模型、代碼實(shí)操、數(shù)據(jù)處理與模型調(diào)優(yōu)，搭配十篇頂刊經(jīng)典文獻(xiàn)深度解析，全方位覆蓋當(dāng)下抗體設(shè)計(jì)領(lǐng)域前沿技術(shù)、研究熱點(diǎn)與工業(yè)落地方案。助力零基礎(chǔ)及進(jìn)階學(xué)員快速打通理論原理、代碼實(shí)操、模型應(yīng)用、科研創(chuàng)新全流程，熟練掌握AI抗體設(shè)計(jì)全套技術(shù)棧，可獨(dú)立完成抗體結(jié)構(gòu)預(yù)測(cè)、抗體親和力優(yōu)化、可開發(fā)性改造、抗體從頭設(shè)計(jì)等科研實(shí)操任務(wù)，適配藥物研發(fā)、生物工程、合成生物學(xué)等科研與工業(yè)應(yīng)用場(chǎng)景。
AI+基因編輯
主講老師在學(xué)術(shù)界具有多年的研究經(jīng)歷和應(yīng)用經(jīng)驗(yàn)，來自于國(guó)內(nèi)頂尖課題組，從事基因組編輯技術(shù)與人工智能交叉融合的研究工作，相關(guān)工作成果已在Nature Biotechnology、Nature Plants、Trends in Biotechnology等國(guó)際知名期刊發(fā)表
03
AI+基因編輯課表
第一天
1. 基因組編輯技術(shù)簡(jiǎn)述
1.1 基因組測(cè)序、編輯和讀寫時(shí)代及基因組編輯技術(shù)現(xiàn)狀簡(jiǎn)述
2. 基因組編輯四代技術(shù)原理
2.1 四代基因組編輯技術(shù)發(fā)展歷程
2.2 ZFN、TALEN和CRISPR/Cas系統(tǒng)的組成和工作原理
3. CRISPR/Cas系統(tǒng)的來源及分類
3.1 CRISPR/Cas系統(tǒng)的發(fā)現(xiàn)過程
3.2 CRISPR/Cas系統(tǒng)的適應(yīng)性免疫原理
3.3 CRISPR/Cas系統(tǒng)的分類依據(jù)和類型
4. CRISPR/Cas系統(tǒng)介導(dǎo)的DNA編輯工具
4.1 CRISPR/Cas9基因編輯工具
4.2 CRISPR/Cas12a基因編輯工具
5. CRISPR/Cas系統(tǒng)衍生工具的發(fā)展
5.1 堿基編輯工具的組成、作用原理及其應(yīng)用
5.2 引導(dǎo)編輯的作用機(jī)理、應(yīng)用及其發(fā)展動(dòng)態(tài)
6. CRISPR/Cas介導(dǎo)的基因調(diào)控、細(xì)胞成像和核酸檢測(cè)技術(shù)
6.1 CRISPR/Cas介導(dǎo)基因調(diào)控技術(shù)的原理和工具組成
6.2 CRISPR/Cas介導(dǎo)細(xì)胞成像技術(shù)的原理和工具組成
6.3 CRISPR/Cas介導(dǎo)核酸檢測(cè)技術(shù)的原理和工具組成
第二天
1. 脫靶效應(yīng)及其檢測(cè)
1.1 脫靶效應(yīng)的檢測(cè)方法：擴(kuò)增子測(cè)序、全基因組測(cè)序、GUIDE-seq等
1.2 脫靶效應(yīng)的規(guī)避方法
2. 基因編輯流程-以植物為例
2.1 靶位點(diǎn)sgRNA或crRNA的設(shè)計(jì)原則
2.2 表達(dá)盒設(shè)計(jì)和構(gòu)建的方法
2.3 植物原生質(zhì)體瞬時(shí)表達(dá)系統(tǒng)
2.4 基因編輯載體的遺傳轉(zhuǎn)化
2.5 基因編輯突變體的檢測(cè)
3. 基因組編輯常用軟件實(shí)操
3.1 靶位點(diǎn)設(shè)計(jì)軟件Cas-Designer、BE-Designer、PE-Designer等
3.2 突變分析軟件Cas- Analyzer、BE-Analyzer、PE- Analyzer
4. 基因組編輯技術(shù)在各領(lǐng)域的應(yīng)用現(xiàn)狀及前景
4.1 基因組編輯技術(shù)在基因治療、免疫學(xué)、病毒診斷等方面的應(yīng)用
第三天 理論部分（人工智能+基因編輯背景）
1. 深度學(xué)習(xí)概述
1.1. 深度學(xué)習(xí)的基礎(chǔ)
1.2. 深度神經(jīng)元網(wǎng)絡(luò)的工作原理
1.3. 深度學(xué)習(xí)技術(shù)的發(fā)展趨勢(shì)：自監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)和少樣本學(xué)習(xí)的進(jìn)展
2. 深度學(xué)習(xí)在基因編輯中的應(yīng)用
2.1. 基于監(jiān)督學(xué)習(xí)的應(yīng)用：序列標(biāo)簽?zāi)Ｐ?/p>
2.2. 零樣本預(yù)測(cè)模型的應(yīng)用：結(jié)構(gòu)模型、大語(yǔ)言模型、多模態(tài)模型、
2.3. 少樣本預(yù)測(cè)框架的應(yīng)用（Design-Build-Test-Learn和Lab-in-the-loop范式）
3. 深度學(xué)習(xí)在gRNA優(yōu)化與設(shè)計(jì)中的應(yīng)用
3.1. gRNA活性預(yù)測(cè)
3.2. 脫靶效應(yīng)預(yù)測(cè)
3.3. gRNA預(yù)測(cè)模型介紹
4. AI輔助的蛋白定向進(jìn)化在基因編輯中的應(yīng)用
4.1. 蛋白定向進(jìn)化的基本概念與實(shí)驗(yàn)方法
4.2 AI輔助的蛋白進(jìn)化工具
4.3. AI與實(shí)驗(yàn)反饋的結(jié)合
5. AI蛋白質(zhì)設(shè)計(jì)在基因編輯中的應(yīng)用
5.1. 蛋白質(zhì)設(shè)計(jì)工具
5.2. 酶設(shè)計(jì)
5.3. binder設(shè)計(jì)
6. AI酶挖掘在基因編輯中的應(yīng)用
6.1. 基于大語(yǔ)言模型挖掘基因編輯酶
6.2. 基于結(jié)構(gòu)比對(duì)挖掘基因編輯酶
第四天深度學(xué)習(xí)在基因編輯中的應(yīng)用實(shí)操教學(xué)
1. 基礎(chǔ)知識(shí)和環(huán)境搭建
1.1. GPU服務(wù)器登錄
1.2. Linux基礎(chǔ)知識(shí)
1.3. Python基礎(chǔ)知識(shí)
1.4. 常用深度學(xué)習(xí)工具包介紹及安裝
2. 利用深度學(xué)習(xí)預(yù)測(cè)gRNA活性
2.1. 配置深度學(xué)習(xí)環(huán)境，安裝gRNA活性預(yù)測(cè)所需的工具
2.2. 高通量數(shù)據(jù)獲取：公開數(shù)據(jù)集的介紹與使用
2.3. 數(shù)據(jù)集劃分：訓(xùn)練集、驗(yàn)證集、測(cè)試集
2.4. 模型搭建與調(diào)試：深度學(xué)習(xí)模型架構(gòu)設(shè)計(jì)（如CNN, RNN）
2.5. 模型性能評(píng)估：精度、召回率、F1分?jǐn)?shù)等評(píng)估指標(biāo)
2.6. gRNA活性預(yù)測(cè)：實(shí)際應(yīng)用案例演示和預(yù)測(cè)結(jié)果的解讀與應(yīng)用
3. 利用深度學(xué)習(xí)預(yù)測(cè)編輯活性
3.1. 環(huán)境配置：安裝所需工具與庫(kù)
3.2. 數(shù)據(jù)獲?。壕庉嫽钚韵嚓P(guān)數(shù)據(jù)集清洗
3.3. 數(shù)據(jù)集劃分
3.4. 模型搭建與調(diào)試
3.5. 模型性能評(píng)估
3.6. 編輯活性預(yù)測(cè)：預(yù)測(cè)結(jié)果的展示與解讀
4. 零樣本蛋白進(jìn)化工具AiCE實(shí)操
4.1. AiCE的原理與應(yīng)用場(chǎng)景
4.2. 環(huán)境搭建
4.3. 逆折疊模型的使用：如何利用AiCE進(jìn)行高活性突變預(yù)測(cè)；案例演示與實(shí)際操作
4.4. 應(yīng)用實(shí)例：堿基編輯器的高效進(jìn)化
5. 少樣本蛋白質(zhì)定向進(jìn)化工具EVOLVEpro實(shí)操
5.1. EVOLVEpro的背景與應(yīng)用
5.2. 環(huán)境搭建與配置
5.3. 基于DMS數(shù)據(jù)的少樣本微調(diào)
5.4. 基于實(shí)驗(yàn)數(shù)據(jù)反饋的少樣本微調(diào)
5.5. 應(yīng)用實(shí)例：Cas12f的高效進(jìn)化
第五天 基因編輯工具設(shè)計(jì)與挖掘案例復(fù)現(xiàn)
1. 設(shè)計(jì)MLH1 binder提高引導(dǎo)編輯編輯(PE)效率
1.1. 背景知識(shí)：基于RFdiffusion + ProteinMPNN + AlphaFold的binder設(shè)計(jì)流程
1.2. 環(huán)境搭建與配置
1.3. 輸入結(jié)構(gòu)準(zhǔn)備(AlphaFold預(yù)測(cè))
1.4. 結(jié)構(gòu)骨架生成：利用RFdiffusion進(jìn)行結(jié)構(gòu)采樣與優(yōu)化，生成蛋白質(zhì)結(jié)構(gòu)骨架
1.5. 序列設(shè)計(jì)：基于RFdiffusion生成的結(jié)構(gòu)骨架，進(jìn)行序列的優(yōu)化設(shè)計(jì)
1.6.復(fù)合體結(jié)構(gòu)預(yù)測(cè)驗(yàn)證：使用AlphaFold進(jìn)行binder與目標(biāo)蛋白復(fù)合體的結(jié)構(gòu)預(yù)測(cè)，驗(yàn)證設(shè)計(jì)的復(fù)合體結(jié)構(gòu)是否符合預(yù)期
1.7. 結(jié)果可視化：使用PyMOL進(jìn)行結(jié)構(gòu)和設(shè)計(jì)結(jié)果的可視化
2. Cas13抑制劑設(shè)計(jì)
2.1. 背景知識(shí)：Cas13的結(jié)構(gòu)與功能介紹
2.2. 輸入結(jié)構(gòu)準(zhǔn)備
2.3. 蛋白質(zhì)設(shè)計(jì)流程：結(jié)合RFdiffusion、ProteinMPNN與AlphaFold設(shè)計(jì)Cas13抑制劑
2.4. 設(shè)計(jì)結(jié)果分析和可視化
3. 基于蛋白質(zhì)語(yǔ)言模型挖掘新型CRISPR系統(tǒng)
3.1. 蛋白質(zhì)語(yǔ)言模型在酶挖掘中的介紹與流程
3.2. 序列數(shù)據(jù)庫(kù)介紹與下載
3.3. 搜索(query)序列準(zhǔn)備
3.4. 基于ESM語(yǔ)言模型挖掘Cas12家族基因編輯酶
4. 基于三維結(jié)構(gòu)挖掘新型CRISPR系統(tǒng)
4.1. 結(jié)構(gòu)比對(duì)的背景知識(shí)：結(jié)構(gòu)比對(duì)的重要性與應(yīng)用；比較不同結(jié)構(gòu)比對(duì)工具的優(yōu)缺點(diǎn)
4.2. Foldseek系列工具介紹：介紹Foldseek、Foldseek multimer、Folddisco、FoldMason等工具的基本原理和使用
4.3. 結(jié)構(gòu)數(shù)據(jù)庫(kù)介紹與下載：PDB，AFDB，ESM Atlas
4.4. 輸入結(jié)構(gòu)準(zhǔn)備：準(zhǔn)備用于比對(duì)的目標(biāo)蛋白質(zhì)結(jié)構(gòu)文件
4.5. Foldseek網(wǎng)頁(yè)版使用：演示如何使用Foldseek網(wǎng)頁(yè)版進(jìn)行結(jié)構(gòu)比對(duì)；講解如何理解輸出結(jié)果并進(jìn)行后續(xù)分析
4.6. Foldseek本地版使用：本地部署Foldseek并使用命令行工具進(jìn)行比對(duì)
4.7. DALI和TM-align工具本地版使用：介紹DALI與TM-align工具本地版的安裝與使用
4.8. 結(jié)構(gòu)進(jìn)化樹構(gòu)建：使用FoldMason構(gòu)建蛋白質(zhì)結(jié)構(gòu)的進(jìn)化樹
02
通過課程學(xué)習(xí)您將得到
本次培訓(xùn)聚焦基因組編輯技術(shù)體系與人工智能輔助基因編輯設(shè)計(jì)前沿方向，系統(tǒng)講解CRISPR基因編輯全套技術(shù)原理、編輯工具、脫靶檢測(cè)、實(shí)驗(yàn)流程、主流設(shè)計(jì)分析軟件；深入剖析深度學(xué)習(xí)在gRNA優(yōu)化、編輯活性預(yù)測(cè)、編輯酶改造、新型編輯系統(tǒng)挖掘中的核心應(yīng)用。培訓(xùn)秉持理論扎實(shí)、通俗易懂、實(shí)操落地、案例復(fù)刻、科研進(jìn)階的教學(xué)理念，依托高性能GPU服務(wù)器，手把手完成Linux環(huán)境配置、深度學(xué)習(xí)模型搭建、AI蛋白進(jìn)化、從頭設(shè)計(jì)、結(jié)構(gòu)比對(duì)、新型CRISPR挖掘等高階實(shí)操。結(jié)合當(dāng)下主流AI生成模型、大語(yǔ)言模型、結(jié)構(gòu)比對(duì)工具，復(fù)刻多篇頂刊經(jīng)典研究案例，使學(xué)員能夠完整掌握傳統(tǒng)基因編輯+人工智能基因編輯全流程技術(shù)棧，具備獨(dú)立開展基因編輯載體構(gòu)建、gRNA智能優(yōu)化、編輯酶定向進(jìn)化、新型編輯元件挖掘、人工設(shè)計(jì)結(jié)合蛋白等科研能力，適配植物育種、基因治療、生物醫(yī)藥、分子診斷等科研及工業(yè)研發(fā)場(chǎng)景。
AI構(gòu)建虛擬細(xì)胞
主講老師在學(xué)術(shù)界具有多年的研究經(jīng)歷和應(yīng)用經(jīng)驗(yàn)，來自于國(guó)內(nèi)頂尖課題組，從事基因組編輯技術(shù)與人工智能交叉融合的研究工作，相關(guān)工作成果已在Nature Biotechnology、Nature Plants、Trends in Biotechnology等國(guó)際知名期刊發(fā)表
04
AI構(gòu)建虛擬細(xì)胞課表
第一天| 細(xì)胞數(shù)據(jù)數(shù)字化與基礎(chǔ)表征
上午：理論講解（第一、二階段）第一階段：細(xì)胞數(shù)據(jù)數(shù)字化（Data Representation）
核心目標(biāo)：解決"如何讓細(xì)胞被AI理解"? 細(xì)胞多組學(xué)數(shù)據(jù)的復(fù)雜性（RNA、ATAC、Protein、Spatial）? 數(shù)據(jù)標(biāo)準(zhǔn)化與質(zhì)量控制的最佳實(shí)踐? 從原始數(shù)據(jù)到機(jī)器可讀結(jié)構(gòu)的核心邏輯配套模型理論：? MultiVI：RNA+ATAC多模態(tài)統(tǒng)一表征（重點(diǎn)講解）? totalVI：RNA+Protein聯(lián)合編碼? MOFA+：多組學(xué)因子分析? OmniReg-GPT（新模型，NC2026）：DNA序列基礎(chǔ)表征，基因組位點(diǎn)識(shí)別與表達(dá)預(yù)測(cè)第二階段：細(xì)胞狀態(tài)建模（State Learning）
核心目標(biāo)：解決"如何識(shí)別細(xì)胞處于什么狀態(tài)"? 從"細(xì)胞數(shù)據(jù)"到"細(xì)胞狀態(tài)"的轉(zhuǎn)化邏輯? 潛變量空間的生物學(xué)意義? 細(xì)胞亞群識(shí)別與稀有細(xì)胞發(fā)現(xiàn)配套模型理論：? scVI/scANVI：?jiǎn)渭?xì)胞潛變量建模（核心）? β-VAE：解耦表征學(xué)習(xí)? Contrastive Cell Embedding：對(duì)比學(xué)習(xí)在細(xì)胞表征中的應(yīng)用
下午：實(shí)操演練（對(duì)應(yīng)上午第一、二階段理論）實(shí)操前置準(zhǔn)備：GPU服務(wù)器環(huán)境適配、Linux與Python環(huán)境調(diào)試
1. Linux 常用命令進(jìn)階：細(xì)胞數(shù)據(jù)文件（單細(xì)胞RNA、ATAC數(shù)據(jù)）的批量管理、權(quán)限設(shè)置、格式轉(zhuǎn)換；2. Python 環(huán)境搭建與優(yōu)化：細(xì)胞數(shù)據(jù)處理相關(guān)包（scanpy、torch、scvi-tools）的安裝與調(diào)試。實(shí)操模型講解（Python代碼解析 + GPU服務(wù)器上機(jī)實(shí)操）
1. 實(shí)操模型1：MultiVI（多模態(tài)統(tǒng)一表征）—— 對(duì)應(yīng)第一階段理論，實(shí)現(xiàn)RNA+ATAC數(shù)據(jù)統(tǒng)一編碼，完成數(shù)據(jù)降噪與批次效應(yīng)校正，掌握潛變量空間構(gòu)建方法，理解其作為模型底座的核心作用；2. 實(shí)操模型2：scVI（單細(xì)胞潛變量建模）—— 對(duì)應(yīng)第一、二階段理論，基于單細(xì)胞RNA數(shù)據(jù)，完成潛變量建模、細(xì)胞聚類初步分析，掌握基礎(chǔ)表征模型的訓(xùn)練與評(píng)估方法，銜接細(xì)胞狀態(tài)識(shí)別的核心需求；3. 實(shí)操模型：OmniReg-GPT演示（新模型）—— DNA序列特征提取，基因表達(dá)預(yù)測(cè)，理解基礎(chǔ)表征模型在基因組學(xué)中的應(yīng)用，展示Nature Communications論文核心技術(shù)。
第二天| 細(xì)胞狀態(tài)建模與空間轉(zhuǎn)錄組
上午：理論講解（第二階段深化）空間轉(zhuǎn)錄組基礎(chǔ)理論
核心目標(biāo)：解決"細(xì)胞在組織中的空間狀態(tài)"? 空間轉(zhuǎn)錄組技術(shù)概覽（Visium、Stereo-seq、MERFISH）? 空間約束下的細(xì)胞狀態(tài)識(shí)別? 組織微環(huán)境與細(xì)胞通訊配套模型理論：? GraphST：圖神經(jīng)網(wǎng)絡(luò)空間表征? STAligner：空間轉(zhuǎn)錄組跨樣本整合
? Nicheformer（新模型，2025NM）：空間基礎(chǔ)模型下午：實(shí)操演練（對(duì)應(yīng)上午空間轉(zhuǎn)錄組理論）實(shí)操前置準(zhǔn)備：空間轉(zhuǎn)錄組數(shù)據(jù)預(yù)處理與工具包調(diào)試
1. Python 工具包適配：PyTorch Geometric（圖神經(jīng)網(wǎng)絡(luò)）、squidpy（空間分析）工具包的安裝與調(diào)試；2. 數(shù)據(jù)預(yù)處理復(fù)習(xí)：空間轉(zhuǎn)錄組數(shù)據(jù)格式（Visium、Stereo-seq）的讀取與預(yù)處理方法。實(shí)操模型講解（Python代碼解析 + GPU服務(wù)器上機(jī)實(shí)操）
1.實(shí)操模型：GraphST實(shí)操（空間數(shù)據(jù)聚類與域識(shí)別）—— 基于空間轉(zhuǎn)錄組數(shù)據(jù)，構(gòu)建空間圖網(wǎng)絡(luò)，完成組織域識(shí)別與空間聚類，掌握?qǐng)D神經(jīng)網(wǎng)絡(luò)在空間數(shù)據(jù)中的應(yīng)用；2. 實(shí)操模型：STAligner實(shí)操（空間轉(zhuǎn)錄組跨樣本整合）—— 理解空間轉(zhuǎn)錄組的批次效應(yīng)如何消除，掌握去批次的基本原理與核心方法，理解空間組的建模思路3. 實(shí)操模型：Nicheformer實(shí)操（空間基礎(chǔ)模型）—— 細(xì)胞微環(huán)境表征，掌握空間基礎(chǔ)模型的核心應(yīng)用，深化細(xì)胞狀態(tài)識(shí)別的實(shí)操能力。
第三天| 調(diào)控機(jī)制推理與細(xì)胞動(dòng)態(tài)預(yù)測(cè)
上午：理論講解（第三、四階段）第三階段：細(xì)胞調(diào)控機(jī)制建模（Regulatory Modeling）
核心目標(biāo)：解決"為什么細(xì)胞會(huì)發(fā)生變化"? 細(xì)胞調(diào)控的底層機(jī)制? 從表型識(shí)別深入到機(jī)制層面? 調(diào)控機(jī)制建模在藥物研發(fā)中的核心價(jià)值配套模型理論：? GAT：圖注意力網(wǎng)絡(luò)，基因調(diào)控網(wǎng)絡(luò)推理? SCENIC：轉(zhuǎn)錄因子調(diào)控推斷? Gene Regulatory Graph：因果關(guān)系建模第四階段：細(xì)胞動(dòng)態(tài)預(yù)測(cè)（Dynamic Evolution）
核心目標(biāo)：解決"細(xì)胞下一步會(huì)走向哪里"? 細(xì)胞命運(yùn)軌跡推演的核心邏輯? 動(dòng)態(tài)預(yù)測(cè)對(duì)藥物研發(fā)（如耐藥、復(fù)發(fā)預(yù)測(cè)）的重要意義配套模型理論：? CellRank 2：命運(yùn)概率與軌跡推演? RNA Velocity：轉(zhuǎn)錄動(dòng)力學(xué)建模? stVCR（新模型，Nat Methods 2026）：空間細(xì)胞發(fā)育軌跡推斷，基于Neural ODE的空間-基因雙速度場(chǎng)建模
下午：實(shí)操演練（對(duì)應(yīng)上午第三、四階段理論）實(shí)操前置準(zhǔn)備：圖神經(jīng)網(wǎng)絡(luò)與動(dòng)態(tài)預(yù)測(cè)工具包調(diào)試
1. Python 工具包適配：PyTorch Geometric（圖神經(jīng)網(wǎng)絡(luò)）、CellRank（動(dòng)態(tài)預(yù)測(cè)）工具包的安裝與調(diào)試；2. 數(shù)據(jù)預(yù)處理復(fù)習(xí)：回顧上午理論相關(guān)的基因表達(dá)數(shù)據(jù)、調(diào)控關(guān)系數(shù)據(jù)的預(yù)處理方法。實(shí)操模型講解（Python代碼解析 + GPU服務(wù)器上機(jī)實(shí)操）
1.實(shí)操模型：SCENIC（調(diào)控網(wǎng)絡(luò)機(jī)制推理）—— 對(duì)應(yīng)第三階段理論，基于基因表達(dá)數(shù)據(jù)，構(gòu)建基因調(diào)控網(wǎng)絡(luò)，識(shí)別關(guān)鍵調(diào)控節(jié)點(diǎn)，掌握機(jī)制推理的核心方法，理解其在藥物靶點(diǎn)發(fā)現(xiàn)中的應(yīng)用；2. 實(shí)操模型：CellRank 2（命運(yùn)與軌跡推演）—— 對(duì)應(yīng)第四階段理論，基于單細(xì)胞數(shù)據(jù)，推演細(xì)胞分化軌跡，預(yù)測(cè)細(xì)胞未來狀態(tài)，掌握動(dòng)態(tài)預(yù)測(cè)的核心方法，貼合藥物研發(fā)中耐藥、復(fù)發(fā)預(yù)測(cè)的需求；
3. 實(shí)操模型：stVCR實(shí)操（新模型）—— 空間軌跡推斷，預(yù)測(cè)細(xì)胞分化方向，理解Neural ODE建?？臻g-基因雙速度場(chǎng)的核心原理，展示Nature Methods 2026論文核心技術(shù)；
第四天| 藥物擾動(dòng)建模與疾病系統(tǒng)
上午：理論講解（第五、六階段）第五階段：藥物作用建模（Drug Perturbation Modeling）
核心目標(biāo)：解決"藥物如何改變細(xì)胞命運(yùn)"? 藥物作用于細(xì)胞的核心邏輯? 藥物擾動(dòng)建模在藥物研發(fā)全流程中的應(yīng)用場(chǎng)景配套模型理論：? ChemCPA：藥物劑量-響應(yīng)建模? scGen：擾動(dòng)響應(yīng)生成? CellOT：最優(yōu)傳輸擾動(dòng)預(yù)測(cè)? scGPT：大模型預(yù)測(cè)擾動(dòng)第六階段：疾病系統(tǒng)建模（Disease System Modeling）
核心目標(biāo)：解決"疾病中細(xì)胞網(wǎng)絡(luò)如何重構(gòu)"? 疾病狀態(tài)下細(xì)胞網(wǎng)絡(luò)的變化規(guī)律? 疾病系統(tǒng)建模在患者分層、疾病亞型預(yù)測(cè)中的核心價(jià)值配套模型理論：? DeepProg：疾病預(yù)后預(yù)測(cè)? Numbat-multiome：從單細(xì)胞多組學(xué)數(shù)據(jù)推斷CNV并重建腫瘤系統(tǒng)發(fā)育
下午：實(shí)操演練（對(duì)應(yīng)上午第五、六階段理論）實(shí)操前置準(zhǔn)備：藥物擾動(dòng)模型工具包調(diào)試
1. Python 工具包適配：ChemCPA、scGen等藥物擾動(dòng)相關(guān)工具包的安裝與調(diào)試；2. 數(shù)據(jù)準(zhǔn)備：藥物作用相關(guān)數(shù)據(jù)（藥物劑量、細(xì)胞反應(yīng)數(shù)據(jù)）的預(yù)處理與導(dǎo)入方法。實(shí)操模型講解（Python代碼解析 + GPU服務(wù)器上機(jī)實(shí)操）
1. 實(shí)操模型：ChemCPA（藥物擾動(dòng)預(yù)測(cè)）—— 對(duì)應(yīng)第五階段理論，構(gòu)建藥物擾動(dòng)模型，預(yù)測(cè)不同藥物劑量的作用效果、聯(lián)合用藥反應(yīng)，掌握虛擬篩選的核心能力，理解其在藥物研發(fā)ROI提升中的作用；2. 實(shí)操模型：scGen實(shí)操（單藥擾動(dòng)響應(yīng)生成）—— 基于單細(xì)胞數(shù)據(jù)，生成藥物擾動(dòng)后的細(xì)胞狀態(tài)預(yù)測(cè)，掌握生成式擾動(dòng)模型的核心方法；3. 實(shí)操模型：DeepProg（疾病預(yù)后分析）——基于多組學(xué)數(shù)據(jù)和AI模型，分析疾病狀態(tài)下患者預(yù)后進(jìn)展。
第五天| 數(shù)字孿生與虛擬臨床應(yīng)用
上午：理論講解（第七、八階段）第七階段：數(shù)字孿生細(xì)胞/組織（Digital Twin）
核心目標(biāo)：解決"如何構(gòu)建可推演虛擬人體局部系統(tǒng)"? 數(shù)字孿生技術(shù)在細(xì)胞、組織層面的應(yīng)用邏輯? 其在降低藥企濕實(shí)驗(yàn)成本中的核心價(jià)值配套模型理論：
? Virtual cell：虛擬細(xì)胞總覽? DrugCell：藥物反應(yīng)神經(jīng)網(wǎng)絡(luò)?PhysiCell（Cell 2026）：細(xì)胞仿真引擎第八階段：虛擬臨床與藥物研發(fā)（Virtual Clinical Translation）
核心目標(biāo)：解決"如何直接服務(wù)藥物研發(fā)和臨床決策"? 虛擬臨床試驗(yàn)的設(shè)計(jì)邏輯? 從體外到體內(nèi)的預(yù)測(cè)鏈條? ROI計(jì)算與決策支持配套模型理論：? PK/PD Neural Surrogate：藥代動(dòng)力學(xué)神經(jīng)網(wǎng)絡(luò)? Clinical Response Simulator：臨床響應(yīng)模擬
下午：實(shí)操演練+ 課程總結(jié)實(shí)操前置準(zhǔn)備：數(shù)字孿生與虛擬臨床模型工具包調(diào)試
1. Python 工具包適配：DrugCell、PhysiCell等數(shù)字孿生相關(guān)工具包的安裝與調(diào)試。實(shí)操模型講解（Python代碼解析 + GPU服務(wù)器上機(jī)實(shí)操）
1. 實(shí)操模型：DrugCell（產(chǎn)業(yè)級(jí)藥物反應(yīng)預(yù)測(cè)）—— 對(duì)應(yīng)第七階段理論，構(gòu)建藥物反應(yīng)預(yù)測(cè)模型，解釋藥物作用機(jī)制，掌握產(chǎn)業(yè)級(jí)模型的應(yīng)用方法，理解其在降低濕實(shí)驗(yàn)成本中的作用；2. 實(shí)操模型：PhysiCell（數(shù)字孿生底層仿真）—— 對(duì)應(yīng)第七階段理論，搭建虛擬細(xì)胞仿真環(huán)境，完成從虛擬細(xì)胞到虛擬組織的仿真閉環(huán)，掌握數(shù)字孿生底層操作，銜接虛擬臨床應(yīng)用；
02
通過課程學(xué)習(xí)您將得到
? 技術(shù)?；仡櫍簭臄?shù)據(jù)→狀態(tài)→調(diào)控→動(dòng)態(tài)→藥物→疾病→孿生→臨床? 前沿趨勢(shì)：大模型、多模態(tài)、空間組學(xué)、虛擬敲除? 職業(yè)發(fā)展：計(jì)算生物學(xué)人才需求與能力路徑配套資源
? 課程PPT（理論講解）? 實(shí)操代碼包（Jupyter Notebook）? GPU服務(wù)器賬號(hào)（云端實(shí)操）? 數(shù)據(jù)集（公開單細(xì)胞/空間數(shù)據(jù)）? 參考文獻(xiàn)（最新頂刊論文，基本是2026、2025新文章+少量經(jīng)典文章）
授課時(shí)間安排
01
AI蛋白質(zhì)設(shè)計(jì)授課時(shí)間
2026.6.06-2026.6.07白天(09:00-11:30--13:30-17:00)
2026.6.10-2026.6.11晚上(19:00-22:00)
2026.6.13-2026.6.14白天(09:00-11:30--13:30-17:00)
2026.6.16-2026.6.17晚上(19:00-22:00)
共計(jì)6天的課 通過騰訊會(huì)議直播 線上實(shí)操 提供全部錄播
02
AI抗體設(shè)計(jì)授課時(shí)間
2026.6.23-2026.6.26晚上(19:00-22:00)
2026.6.27-2026.6.28白天(09:00-11:30--13:30-17:00)
2026.6.29-2026.6.30晚上(19:00-22:00)
共計(jì)5天的課 通過騰訊會(huì)議直播 線上實(shí)操 提供全部錄播
03
AI+基因編輯授課時(shí)間
2026.6.13-2026.6.14白天(09:00-11:30--13:30-17:00)
2026.6.25-2026.6.26晚上(19:00-22:00)
2026.6.27-2026.6.28白天(09:00-11:30--13:30-17:00）
共計(jì)5天的課 通過騰訊會(huì)議直播 線上實(shí)操 提供全部錄播
04
AI構(gòu)建虛擬細(xì)胞授課時(shí)間
2026.6.13-2026.6.14白天(09:00-11:30--13:30-17:00)
2026.6.25-2026.6.26晚上(19:00-22:00)
2026.6.27-2026.6.28白天(09:00-11:30--13:30-17:00）
共計(jì)5天的課 通過騰訊會(huì)議直播 線上實(shí)操 提供全部錄播
培訓(xùn)費(fèi)用及福利
課程報(bào)名費(fèi)用：
AI蛋白質(zhì)設(shè)計(jì)、AI構(gòu)建虛擬細(xì)胞、AI基因編輯、AI抗體設(shè)計(jì)直播課：
公費(fèi)價(jià)：每人每班￥6880元 （含報(bào)名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi)、提供課后全程回放資料）
自費(fèi)價(jià)：每人每班￥6080元 （含報(bào)名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi)、提供課后全程回放資料）
重磅優(yōu)惠:
報(bào)二送一（同時(shí)報(bào)名兩個(gè)班免費(fèi)贈(zèng)送一個(gè)學(xué)習(xí)名額贈(zèng)送班任選）
優(yōu)惠1：
兩班同報(bào)：10880元 （原價(jià)18640）
三班同報(bào)：14880元 （原價(jià)23620）
特惠一：24880元 （可免費(fèi)學(xué)習(xí)一整年本單位舉辦的任意課程）
特惠二：28880元（可免費(fèi)學(xué)習(xí)兩整年本單位舉辦的任意課程）
優(yōu)惠2：提前報(bào)名繳費(fèi)可享受600元優(yōu)惠（僅限十五名）
報(bào)名學(xué)習(xí)課程可贈(zèng)送往期課程回放（報(bào)多少贈(zèng)多少）
（可點(diǎn)擊跳轉(zhuǎn)詳情鏈接）：
回放一：
回放二：
回放三：
回放四：
回放五：
回放六：
回放七：
回放八：
回放九：
培訓(xùn)特色及福利
1、課程特色--全面的課程技術(shù)應(yīng)用、原理流程、實(shí)例聯(lián)系全貫穿
2、學(xué)習(xí)模式--理論知識(shí)與上機(jī)操作相結(jié)合，讓零基礎(chǔ)學(xué)員快速熟練掌握
3、課程服務(wù)答疑--主講老師將為您實(shí)際工作中遇到的問題提供專業(yè)解答
授課方式：通過騰訊會(huì)議線上直播，理論+實(shí)操的授課模式，老師手把手帶著操作，從零基礎(chǔ)開始講解，電子PPT和教程開課前一周提前發(fā)送給學(xué)員，所有培訓(xùn)使用軟件都會(huì)發(fā)送給學(xué)員，有什么疑問采取開麥共享屏幕和微信群解疑，學(xué)員和老師交流、學(xué)員與學(xué)員交流，培訓(xùn)完畢后老師長(zhǎng)期解疑，培訓(xùn)群不解散，往期培訓(xùn)學(xué)員對(duì)于培訓(xùn)質(zhì)量和授課方式一致評(píng)價(jià)極高！
騰訊會(huì)議實(shí)時(shí)直播解答|手把手帶著操作
報(bào)名咨詢方式（請(qǐng)二維碼掃描下方微信）
聯(lián)系人：葉老師
報(bào)名電話：13838281574 ( 微信同號(hào)）
郵箱：y13838281574@163.com
引用往期參會(huì)學(xué)員的一句話：
發(fā)現(xiàn)真的是腳踏實(shí)地的同時(shí) 需要偶爾仰望星空非常感謝各位對(duì)我們培訓(xùn)的認(rèn)可！ 祝愿各位心想事成！
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺(tái)“網(wǎng)易號(hào)”用戶上傳并發(fā)布，本平臺(tái)僅提供信息存儲(chǔ)服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
