手到擒来壁垒认知领域Nature(微软蛋白基因数据晶体)「微软基因公司」

多位科学家曾因 CRISPR 基因编辑技术斩获诺贝尔奖，这项技术也被《麻省理工学院技术评论》杂志评选为2023年十大突破性技术之一
现如今生命科学领域最火的技术之一便是基因编辑，2012年CRISPR-Cas9的工作原理被解析，稍后在2013年，华裔科学家张锋首次将CRISPR-Cas9基因编辑技术应用于哺乳动物细胞，正式开启了基因编辑的应用之路，《Science》2017 年度突破、《Nature》2017 年度人物均授予了 CRISPR 相关技术的突破，2020年CRISPR技术获得诺贝奖，短短不到十年时间CRISPR技术荣获最高学术荣誉，足以看出该技术的应用潜力,基因编辑技术广泛应用于人、大鼠、小鼠、斑马鱼、果蝇、猪、水稻、小麦和拟南芥等动植物（细胞）以及细菌等微生物的基因组靶向改造，并已在功能基因组研究、疾病防治、动植物育种、动物疾病模型开发、基因治疗等领域展现出巨大的应用前景
成为当下科研工作者的新宠儿
由于该项研究资料和学习平台较少，信息技术不公开，培训学习迫在眉睫，特此诚挚邀请您参加“CRISPR-Cas9基因编辑技术专题+机器学习微生物组学+机器学习转录组学与表观组学+深度学习基因组学+蛋白质晶体结构解析+机器学习代谢组学+CADD计算机辅助药物设计+AIDD人工智能药物发现与设计”专题线上培训课，参会学员已达3000余名
学懂学会学透彻学以致用，做出有价值的科学研究，能够快速运用到自己的科研项目和课题上，助力学员发表Nature、Science、Cell等正刊及子刊
（新技术加持下，用更少的经费，发更高质量的文章）

专题一、CRISPR-Cas9基因编辑

第一天一．基因编辑工具介绍1. 基因编辑和转基因是一样的吗？2. 生活中的基因编辑与转基因产品3. 基因编辑工具先驱-ZFNs和TALENs4. 没落的ZFNs和TALENs5. TALENs，旧工具新用，细胞器编辑利器
6. 强势崛起的CRISPR系统7. CRISPR系统家族介绍8. CRISPR-Cas9的工作原理9. CRISPR-Cas12的工作原理10. CRISPR系统的致命缺点11. 如何选择合适的CRISPR系统？第二至三天二． CRISPR系统可以做什么？1. 基因敲除/基因敲入i. 基因修复途径介绍（NHEJ和HDR）ii. Knock-in和Knock-out的简介iii. Knock-in策略简介（HDR/Retron/双pegRNA策略/GRAND/TJ-PE） 2. 多敲系统简介3. CRISPRa/CRISPRi（基因激活与基因抑制）i. dCas9-PVPR系统介绍ii. dCas9-VP64/GI/SAM基因激活系统介绍iii. 基因编辑招募系统介绍（Suntag/Moontag）4. CRISPR系统的‘另类’应用（循环打靶）5. CBE系统的原理及其应用i. CBE系统进化过程总结（CBEmax/每代优化的元件及策略汇总）ii. 基因组CBE编辑（植物育种/基因功能研究/临床治疗）iii. 细胞器CBE编辑工具介绍（Ddda脱氨酶/MutH切口酶）iv. CBE系统的脱靶效应6. ABE系统的原理及其应用i. PACE和PANCE人工定向蛋白进化系统介绍及其他常规的蛋白进化技术ii. ABE系统的进化过程总结（ABEmax/ABE8e每代优化的元件及策略汇总）iii. ABE系统的‘另类’应用（基因失活/跳剪/介导C编辑）iv. 双碱基编辑系统（SWISS/STEME/A&C-BEmax/SPACE/ACBE）7. PE系统的原理及其应用i. PE介导精准编辑ii. 编辑效率的影响因素（骨架二级结构/PBS长度/RTT模板）iii. 双pegRNA的原理及其应用（基因组大片段插入）iv. 基因组大片段删除v. 用于AAV递送的PE系统8. gGBE的原理及其应用i. 糖基化酶介绍（为什么可以介导碱基编辑？）ii. gGBE的开发与应用iii. gGBE的后续发展预测9. CRISPR-Case12的病毒检测应用i. 原理介绍ii. 应用案例介绍第四天三． CRISPR载体构建（实操）1. 敲除/碱基编辑载体构建i. 工具介绍ii. 如何查看质粒图谱iii. 基因靶点的选择（CRISPR-GE等线上工具展示）iv. sgRNA的引物设计v. 模拟构建（酶切载体/构建体系讲解）vi. 菌落PCRvii. 测序鉴定结果分析2. PE系统的载体构建i. 引物设计工具的应用ii. 载体构建演示iii. 测序结果分析3. 转染阳性检测4. 测序原理及结果查看i. 一代测序原理ii. Hi-TOM高通量测序第五天四．基因编辑在植物种的应用1. 基因功能研究2. 创制新品种五．基因编辑在临床上的应用1. 碱基编辑的临床应用2. PE系统的临床应用3. 递送系统的介绍六．基因编辑在微生物中的应用1. 微生物遗传学研究2. 生物技术（可产生生物燃料/生物塑料/药物等有用的化合物）七．机器学习在基因编辑领域的应用1. 基因编辑结果的预测2. 编辑效率影响因素的探索3.基因编辑辅助工具的开发

专题二、机器学习微生物组学

第一天

机器学习及微生物学简介1. 机器学习基本概念介绍 2. 常用机器学习模型介绍（GLM,BF,SVM,lasso,KNN等等） 3. 混淆矩阵 4. ROC曲线 5. 主成分分析（PCA） 6. 微生物学基本概念 7. 微生物学常用分析介绍R语言简介及实操 1.R语言概述 2.R软件及R包安装 3.R语言语法及数据类型 4.条件语句 5.循环第二天机器学习在微生物学中的应用案例分享1.利用机器学习基于微生物组学数据预测宿主表 2.利用机器学习基于微生物组学数据预测疾病状态 3.利用机器学习预测微生物风险 4.机器学习研究饮食对肠道微生物的影响微生物学常用分析（实操） 1. 微生物丰度分析 2. α-diversity，β-diversity分析 3. 进化树构建 4. 降维分析 5. 基于OTU的差异表达分析，热图，箱型图绘制微生物biomarker鉴定第三天（实操）零代码工具利用机器学习分析微生物组学数据1. 加载数据及数据归一化 2. 构建训练模型（GLM, RF, SVM） 3. 模型参数优化 4. 模型错误率曲线绘制 5. 混淆矩阵计算 6. 重要特征筛选 7. 模型验证，ROC曲线绘制利用模型进行预测第四天（实操）利用机器学习基于微生物组学数据预测宿主表型(二分类变量以及连续变量)1. 加载数据（三套数据） 2. 数据归一化 3. OUT特征处理 4. 机器学习模型构建（RF, KNN, SVM, Lasso等9种机器学习方法） 5. 5倍交叉验证 6. 绘制ROC 曲线，比较不同机器学习模型模型性能评估第五天（实操）利用机器学习预测微生物风险（多分类）1.加载数据2.机器学习模型构建（RF, gbm, SVM, LogitBoost等等）3.10倍交叉验证4.模型性能评估利用机器学习预测刺激前后肠道菌群变化1.数据加载及预处理2.α-diversity，β-diversity分析3. RF模型构建（比较分别基于OUT，KO，phylum的模型效果）4.10倍交叉验证, 留一法验证5.特征筛选及重要特征可视化外部数据测试模型

专题三、机器学习转录组学表观组学

第一天理论部分高通量测序原理高通量测序基础测序方法及数据二代测序数据分析流程实操内容R语言基础R（4.1.3）和Rstudio的安装R包安装和环境搭建数据结构和数据类型R语言基本函数数据下载数据读入与输出第二天理论部分多组学基础常用生物组学实验与分析方法常用组学数据库介绍批量处理组学数据生物功能分析基于转录组学的差异基因筛选，疾病预测组学数据可视化实操内容Linux操作系统Linux操作系统的安装与设置网络配置与服务进程管理Linux的远程登录管理常用的Linux命令在Linux下获取基因数据利用Linux探索基因组区域Shell script与Vim编辑器基因组文件下载与上传Linux权限管理文件的身份修改文件的所有者和所属组修改文件权限第三天理论部分介绍转录组学的基本概念和研究流程RNA-seq数据的预处理和质量控制序列比对和对齐评估基因表达量估计和差异表达分析实操内容转录组测序数据质量控制转录组数据比对RNA-seq数据原始定量主成分分析原始定量结果差异分析差异结果筛选及可视化GO和KEGG通路富集分析GSEA基因集富集分析第四天理论部分表观遗传学的基本概念和技术介绍DNA甲基化和组蛋白修饰的分析方法表观组数据的预处理和质量控制差异甲基化和差异修饰分析甲基化和修饰的功能注释和富集分析甲基化数据的整合分析和基因调控网络构建表观组数据的可视化方法和工具介绍其他表观组学技术（如染色质构象捕获）实操内容测序数据质量控制和检查数据比对和多匹配问题计算结合峰位置IGV中组学结果可视化差异peaks分析结合程度矩阵计算富集热图和曲线图绘制第五天理论部分机器学习概述线性模型决策树支持向量机集成学习模型选择与性能优化实操内容决策树算法实现随机森林算法实现支持向量机(SVM)算法实现朴素贝叶斯算法实现Xgboost算法实现聚类算法实现DBSCAN算法实现层次聚类算法实现第六天理论部分基因功能注释和富集分析WGCNA（Weighted Gene Co-expression Network Analysis）网络分析转录因子分析和调控网络构建转录组数据的可视化方法和工具转录水平预测蛋白翻译水平实操内容创建Seurat对象数据质控测序深度差异及标准化单细胞数据降维批次效应去除数据整合亚群注释GSVA通路活性分析单细胞富集分析案例图片：

专题四、深度学习基因组学

第一天理论部分深度学习算法介绍1.有监督学习的神经网络算法1.1全连接深度神经网络DNN在基因组学中的应用举例1.2卷积神经网络CNN在基因组学中的应用举例1.3循环神经网络RNN在基因组学中的应用举例1.4图卷积神经网络GCN在基因组学中的应用举例2.无监督的神经网络算法2.1自动编码器AE在基因组学中的应用举例2.2生成对抗网络GAN在基因组学中的应用举例实操内容1.Linux操作系统1.1常用的Linux命令1.2 Vim编辑器1.3基因组数据文件管理, 修改文件权限1.4查看探索基因组区域2.Python语言基础2.1.Python包安装和环境搭建2.2.常见的数据结构和数据类型第二天理论部分基因组学基础1.基因组数据库2.表观基因组3.转录基因组4.蛋白质组5.功能基因组实操内容基因组常用深度学习框架1.安装并介绍深度学习工具包tensorflow, keras，pytorch2.在工具包中识别深度学习模型要素2.1.数据表示2.2.张量运算2.3.神经网络中的“层”2.4.由层构成的模型2.5.损失函数与优化器2.6.数据集分割2.7.过拟合与欠拟合3.基因组数据处理3.1安装并使用keras_dna处理各种基因序列数据如BED、 GFF、GTF、BIGWIG、BEDGRAPH、WIG等3.2使用keras_dna设计深度学习模型3.3使用keras_dna分割训练集、测试集3.4使用keras_dna选取特定染色体的基因序列等4．深度神经网络DNN在识别基序特征中应用4.1实现单层单过滤器DNN识别基序4.2实现多层单过滤器DNN识别基序4.3实现多层多过滤器DNN识别基序第三天理论部分卷积神经网络CNN在基因调控预测中的应用1.Chip-Seq中识别基序特征G4，如DeepG42.Chip-Seq中预测DNA甲基化，DeepSEA3.Chip-Seq中预测转录调控因子结合，DeepSEA4.DNase-seq中预测染色体亲和性，Basset5.DNase-seq中预测基因表达eQTL，Enformer实操内容复现卷积神经网络CNN识别基序特征DeepG4、非编码基因突变DeepSEA，预测染色体亲和性Basset，基因表达eQTL1.复现DeepG4从Chip-Seq中识别G4特征2.安装selene_sdk，复现DeepSEA从Chip-Seq中预测DNA甲基化，非编码基因突变3.复现Basset，从Chip-Seq中预测染色体亲和性4.复现Enformer，从Chip-Seq中预测基因表达eQTL第四天理论部分深度学习在识别拷贝数变异DeepCNV、调控因子DeepFactor上的应用1.SNP微阵列中预测拷贝数变异CNV，DeepCNV2.RNA-Seq中预测premiRNA，dnnMiRPre3.从蛋白序列中预测调控因子蛋白质，DeepFactor实操内容1.复现DeepCNV利用SNP微阵列联合图像分析识别拷贝数变异2.复现循环神经网络RNN工具 dnnMiRPre，从RNA-Seq中预测premiRNA3.复现DeepFactor，从蛋白序列中识别转录调控因子蛋白质第五天理论部分深度学习在识别及疾病表型及生物标志物上的应用1.从基因表达数据中识别乳腺癌分型的深度学习工具DeepType2.从高维多组学数据中识别疾病表型，XOmiVAE3.基因序列及蛋白质相互作用网络中识别关键基因的深度学习工具DeepHE实操内容1.复现DeepType，从METABRIC乳腺癌数据中区分乳腺癌亚型2.复现XOmiVAE，从TCGA多维数据库中识别乳腺癌亚型3.复现DeepHE利用基因序列及蛋白质相互作用网络识别关键基因第六天理论部分深度学习在预测药物反应机制上的应用1.联合肿瘤基因标记及药物分子结构预测药物反应机制的深度学习工具SWnet实操内容1.预处理药物分子结构信息2.计算药物相似性3.在不同数据集上构建self-attention SWnet4.评估self-attention SWnet5.构建多任务的SWnet6.构建单层SWnet7.构建带权值层的SWnet案例图片：

专题五、蛋白质晶体解析

第一天蛋白质结晶前准备1. 目的蛋白质信息检索（包括实操演示）1.1 不同种属的蛋白1.2 蛋白质一级结构的调查1.3 蛋白质三级结构的预测1.4 蛋白质理化特性的预测1.5 蛋白质的配体和共价修饰2. 分子克隆技术2.1 目的基因的获取（包括实操演示）2.2 目的基因的引物设计（包括实操演示）2.3 传统克隆技术（涉及学习SnapGene软件，包括实操演示）2.4 无缝克隆技术（涉及学习SnapGene软件，包括实操演示）以某一基因进行操作演示3. 利用大肠杆菌表达目的蛋白3.1 目的蛋白的小量鉴定表达3.2 目的蛋白的大量表达3.3 收菌和裂解菌体3.4 裂解液的离心3.5 目的蛋白的浓缩3.6 目的蛋白浓度的测定4. 真核表达系统第二天蛋白质结晶准备1.蛋白晶体结构的特征1.1蛋白晶体的空间格子、晶胞和晶面指标1.2蛋白晶体的对称性、点群、晶系和空间群2. 蛋白质晶体生长的理论知识（详细讲解温度、pH值、离子强度、有机溶剂、沉淀剂，等等，对蛋白晶体生长的影响；影响蛋白质晶型的因素）3. 蛋白质晶体生长条件的初筛（详细讲解晶体初筛的注意事项）4. 蛋白质晶体生长条件的优化（详细讲解晶体优化的方法，包括改变pH值、沉淀剂，等因素）5. 晶种法优化蛋白质晶体生长条件6. 蛋白晶体的挑选和防冻液的配制第三天蛋白晶体衍射数据收集1.X射线衍射1.1. X射线衍射原理1.2. X射线衍射的电子密度1.3. 晶体结构解析的相角问题2. 上海光源线站BL18U1、BL19U1和BL02U1收集数据的方法（重点详细讲解，可能需要更长的时间）3. 蛋白晶体结构解析软件的安装（包括Ubuntu系统、Phenix软件、CCP4软件、PyMoL软件、XDS软件和Adxv软件）第四天蛋白晶体结构解析1. 晶体结构的解析1.1. 晶体结构解析流程1.2. Index、Intergrate和Scale1.3. 分子置换技术（包括实操演示）1.4. 蛋白晶体结构的重建（包括实操演示）1.5. 蛋白晶体结构的优化（包括实操演示）2. 晶体结构的精修（涉及COOT软件、Phenix软件和CCP4软件，包括实操演示）3. 晶体结构质量的评价指标（详细讲解各个评价指标）4. 蛋白质结构中加入小分子配体5. 在结构解析过程中，如何利用软件提高分辨率（重点讲解，需要较长的时间）第五天蛋白晶体结构的提交及展示1. 从晶体生长到解析，详细剖析提高分辨率的方法（包括示例演示）2. 蛋白晶体结构数据提交到PDB（包括实操演示）3. 蛋白晶体结构的展示（包括实操演示）案例图片：

专题六、机器学习代谢组学

第一天A1 代谢物及代谢组学的发展与应用（1）代谢生理功能；（2）代谢疾病；（3）非靶向与靶向代谢组学；（4）空间代谢组学与质谱成像（MSI）；（5）代谢流与机制研究；（6）代谢组学与药物和生物标志物
A2 代谢组学实验流程简介A3 色谱、质谱硬件原理（1）色谱分析原理；（2）色谱的气相、液相和固相；（3）色谱仪和色谱柱的选择；（4）质谱分析原理及动画演示；（5）正、负离子电离模式；（6）色谱质谱联用技术；（7） LC-MS 的液相系统A4 代谢通路及代谢数据库（1）几种经典代谢通路简介；（2）能量代谢通路；（3）三大常见代谢物库：HMDB、METLIN 和 KEGG;（4）代谢组学原始数据库：Metabolomics Workbench 和Metabolights.第二天B1 代谢物样本处理与抽提（1）组织、血液和体液样本的提取流程与注意事项；（2）用 ACN 抽提代谢物的流程与注意事项；（3）样本及代谢物的运输与保存问题；B2 LC-MS数据质控与搜库（1）LC-MS 实验过程中 QC 样本的设置方法；（2）LC-MS 上机过程的数据质控监测和分析；（3）XCMS 软件数据转换与提峰；B3 R软件基础（1）R 和 Rstudio 的安装；（2）Rstudio 的界面配置；（3）R 的基本数据结构和语法；（4）下载与加载包；（5）函数调用和 debug；B4 ggplot2（1）安装并使用 ggplot2（2）ggplot2 的画图哲学；（3）ggplot2 的配色系统；（4）ggplot2 画组合图和火山图；第三天机器学习C1无监督式机器学习在代谢组学数据处理中的应用（1）大数据处理中的降维；（2）PCA 分析作图；（3）三种常见的聚类分析：K-means、层次分析与 SOM（4）热图和 hcluster 图的 R 语言实现；C2一组代谢组学数据的降维与聚类分析的 R 演练(1)数据解析；(2)演练与操作；C3有监督式机器学习在代谢组学数据处理中的应用（1）数据用 PCA 降维处理后仍然无法找到差异怎么办？（2）PLS-DA 找出最可能影响差异的代谢物；（3）VIP score 和 coef 的意义及选择；（4）分类算法：支持向量机，随机森林C4一组代谢组学数据的分类算法实现的 R 演练(1)数据解读；(2)演练与操作；第四天D1 代谢组学数据清洗与 R 语言进阶（1）代谢组学中的 t、fold-change 和响应值；（2）数据清洗流程；（3）R 语言 tidyverse（4）R 语言正则表达式；（5）代谢组学数据过滤；（6）代谢组学数据 Scaling 原理与 R 实现；（7）代谢组学数据的 Normalization；（8）代谢组学数据清洗演练；D2在线代谢组分析网页 Metaboanalyst 操作（1）用 R 将数据清洗成网页需要的格式；（2）独立组、配对组和多组的数据格式问题；（3）Metaboanalyst 的 pipeline 和注意事项；（4）Metaboanalyst 的结果查看和导出；（5）Metaboanalyst 的数据编辑；（6）全流程演练与操作第五天E1机器学习与代谢组学顶刊解读（2-3 篇）；（1）Nature Communication 一篇代谢组学小鼠脑组织样本 database 类型的文献；（2）Cell 一篇代谢组学患者血液样本的机器学习与疾病判断的文献；（3）1-2 篇代谢组学与转录组学和蛋白组学结合的文献
E2 文献数据分析部分复现（1 篇）（1）文献深度解读；（2）实操：从原始数据下载到图片复现；（3）学员实操

案例图片：

专题七、CADD计算机辅助药物设计

第一天上午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插件安装使用下午一般的蛋白-配体分子对接讲解1.对接的相关理论介绍1.1分子对接的概念及基本原理1.2分子对接的基本方法1.3分子对接的常用软件1.4分子对接的一般流程2.常规的蛋白-配体对接2.1收集受体与配体分子2.2复合体预构象的处理2.3准备受体、配体分子2.4蛋白-配体对接2.5对接结果的分析以新冠病毒蛋白主蛋白酶靶点及相关抑制剂为例第二天虚拟筛选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：筛选新冠病毒主蛋白酶抑制剂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预测结果的分析第三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.涉及金属酶蛋白的对接2.1金属酶蛋白-配体的背景介绍2.2蛋白与配体分子的收集与预处理2.3金属离子的处理2.4金属辅酶蛋白-配体的对接2.5结果分析以人类法尼基转移酶及其抑制剂为例3.蛋白-多糖分子对接4.1蛋白-多糖相互作用4.2对接处理的要点4.3蛋白-多糖分子对接的流程4.4蛋白-多糖分子对接4.5相关结果分析以α-糖苷转移酶和多糖分子对接为例5.核酸-小分子对接5.1核酸-小分子的应用现状5.2相关的程序介绍5.3核酸-小分子的结合种类5.4核酸-小分子对接5.5相关结果的分析以人端粒g -四链和配体分子对接为例
操作流程介绍及实战演示第四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五天分子动力学模拟（linux与gromacs使用安装）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介绍及使用第六天溶剂化分子动力学模拟的执行1.一般的溶剂化蛋白的处理流程2.蛋白晶体的准备3.结构的能量最小化4.对体系的预平衡5.无限制的分子动力学模拟6.分子动力学结果展示与解读以水中的溶菌酶为例第七天蛋白-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高斯的简要介绍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

案例实操图片：

培训对象

全国各大高校、企业、科研院所从事人工智能、基因编辑、生命科学、代谢工程、有机合成、抗体工程、酶工程、天然产物、蛋白质、药物、生物信息学、植物学、动物学、食品、化学化工、医学、疾病、基因组学、农业科学、植物基因组、动物传染病、肿瘤免疫与靶向治疗、全基因组泛癌分析、人黏连蛋白折叠基因组机、生物化学、病毒检测、高通量测序、分子生物学、功能基因组、遗传图谱、基因挖掘变异、代谢组学、蛋白质组学、转录组学、生物医学、转化研究、癌症、核酸、毒物学研究、生物计算、生态、肿瘤、遗传、基因改造、细胞分化、微生物、生物医学大数据分析与挖掘、数学类专业、计算机科学、医学、疾病等研究的科研人员以及人工智能爱好者

培训特色及福利

课程特色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授课方式：通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，电子PPT和教程开课前一周提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高
腾讯会议实时直播解答|手把手带着操作学员对于培训给予高度评价 学员培训后投顶刊

授课时间及地点-腾讯会议直播

CRISPR-Cas9基因编辑技术专题2023.9.16----2023.9.17 全天授课(上午09.00-11.30 下午13.30-17.00)2023.09.19----2023.09.20晚上授课 (晚上19.30-22.30)2023.10.14----2023.10.15全天授课(上午09.00-11.30 下午13.30-17.00)
机器学习微生物组学2023.9.23----2023.9.24全天授课(上午09.00-11.30 下午 13.30-17.00)2023.9.25----2023.9.26 晚上授课 (晚上19.00-22.00)2023.10.12----2023.10.13晚上授课 (晚上19.00-22.00)2032.10.14全天授课(上午 09.00-11.30 下午 13.30-17.00)
机器学习转录组学与表观组学2023.9.16----2023.9.17全天授课(上午09.00-11.30 下午13.30-17.00)2023.9.19----2023.9.22晚上授课(晚上19.00-22.00)2023.9.23----2023.9.24全天授课(上午09.00-11.30 下午13.30-17.00)
深度学习基因组学2023.9.16----2023.9.17全天授课(上午09.00-11.30 下午 13.30-17.00)2023.9.23----2023.9.24 全天授课(上午09.00-11.30 下午 13.30-17.00)2023.10.14----2023.10.15全天授课(上午 09.00-11.30 下午 13.30-17.00)
蛋白质晶体结构解析2023.9.23----2023.9.24全天授课(上午09.00-11.30 下午13.30-17.00)2023.9.27----2023.9.28晚上授课(晚上19.00-22.00)2023.10.7----2023.10.8晚上授课(晚上19.00-22.00)2023.10.11----2023.10.12晚上授课(晚上19.00-22.00)
机器学习代谢组学2023.9.16----2023.9.17全天授课(上午09.00-11.30 下午13.30-17.00)2023.09.20----2023.09.21晚上授课 (晚上 19.00-22.00)2023.9.23----2023.9.24全天授课(上午09.00-11.30 下午13.30-17.00)
CADD计算机辅助药物设计专题2023.9.16----2023.9.17全天授课(上午09.00-11.30 下午13.30-17.00)2023.9.18----2023.9.19晚上授课(晚上19.00-22.00)2023.9.19----2023.9.22晚上授课(晚上19.00-22.00)2023.9.23----2023.9.24全天授课(上午09.00-11.30 下午13.30-17.00)2023.9.26----2023.9.27晚上授课(晚上19.00-22.00)

培训费用

深度学习基因组学；机器学习转录组学与表观组学；CADD计算机辅助药物设计；蛋白质晶体结构解析；公费价：每人每班￥5880元（含报名费、培训费、资料费）自费价：每人每班￥5480元（含报名费、培训费、资料费）CRISPR-Cas9基因编辑技术；机器学习微生物组学；机器学习代谢组学；公费价：每人每班￥4680元（含报名费、培训费、资料费）自费价：每人每班￥4280元（含报名费、培训费、资料费）优惠：优惠1：两班同报：9880元三班同报：13880元四班同报：17680元五班同报：21680元六班同报：24680元七班同报：26680元八班同报：27680元特惠：八班同报：27680元（原价46880元）（可免费学习一整年）优惠2：提前报名缴费可享受300元优惠（仅限十五名）证书：参加培训并通过考试的学员，可以申请获得工业和信息化部工业文化发展中心颁发的“工业强国建设素质素养提升尚工行动”岗位能力适应评测证书
该证书可在中心官网查询，可作为能力评价，考核和任职的重要依据
评测证书查询网址：www.miit-icdc.org（自愿申请，须另行缴纳考试费500元/人）