Nature：化学领域新方法突破，这四项技术让你在本领域平步青云！

　　四大专业技术 助力您发表顶刊

　　课程一：CADD计算机辅助药物设计专题

　　课程二：AIDD人工智能药物发现与设计专题

　　课程三：机器学习与代谢组学专题

　　课程四：机器学习(ml)在材料的应用

　　科研背景

　　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，CADD的应用，包括基于结构的药物设计（SBDD）、基于配体的药物设计（LBDD）、高通量虚拟筛选（HTVS）等技术，突破了传统的先导物发现模式，极大地促进了先导化合物发现和优化。特别是在食品、生物、化学、医药、植物、疾病方面应用广泛！靶点的发现与确证是现代新药研发的第一步，也是新药创制过程中的瓶颈之一。CADD的应用可以加快靶点发现的速度，提高靶点发现的准确度，从而推进新药研发。

　　AIDD（AIDrug 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。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。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。

　　代谢组学是对某一生物或细胞在一特定生理时期内所有代谢产物同时进行定性定量分析的学科，被广泛用于揭示小分子与生理病理效应间的关系。目前，代谢组学已经被应用于药物开发的各个阶段（如药物靶标识别、先导化合物发现、药物代谢分析、药物响应和耐药研究等）。基于代谢组学的高性价比特性，它被药学领域的研究者给予了厚望，有望加速新药开发的进程。然而，代谢组领域还面临着严重的信号处理与数据分析问题，对其在新药研发中的应用构成了巨大挑战。为了有效消除由环境、仪器和生物因素所引入的不良信号波动，就需要开发针对代谢组信号系统优化的新方法，为不同组学研究量身定制最优的数据分析策略。

　　机器学习(ML)在材料的应用： 面对巨大的材料设计空间,基于理论研究、实验分析以及计算仿真的传统方法已经跟不上高性能新材料的发展需求。近年来，机器学习与材料基因组的结合带动了材料信息学的进步,推动了材料科学的发展。当前,运用数据驱动的机器学习算法建立材料性能预测模型,然后将其应用于材料筛选与新材料开发的研究引起了学者们的广泛关注。利用机器学习框架搭建材料研究设计平台对材料大数据资源进行分析与预测,成为开发新型材料的重要手段。包括根据预测对象确定材料特征的计算或自动抽取,不同精度的实验与计算数据的获取与预处理;选取或者开发合适的机器学习预测模型和训练算法;估计预测效果与预测性能的可靠性;处理材料机器学习问题所独有的小数据、异构数据、非平衡数据等特性。目前研究的焦点是针对不同的材料性能,收集相关的数据集,基于物理原理构造特征表示来训练机器学习模型,并将机器学习的最新技术用于材料信息学。现阶段机器学习已经被应用于光伏、热电、半导体、有机材料等几乎所有的材料设计领域。

　　课程介绍

　　由于学习平台文献、视频教程资料较少，技术不公开，对于有相应科研任务和发高质量文章的科研人员极度困扰，应而培训学习迫在眉睫， 应广大科研人员要求，本单位经过数月调研，决定联合专家共同举办“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”专题培训班，本单位已经举办十四期培训，参会人员高达1700余人，对于培训安排和培训质量一致评价极高 ！将内容全部学懂、学会、学透彻、学以致用，完成科研任务和高质量文章！

　　授课专家

　　CADD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

　　AIDD授课老师余老师，有十余年的计算机算法研究和程序设计经验。研究方向涉及生物信息学，深度学习，药物靶标识别，药物不良反应等。参与了国自然基金2项，主持了省厅级科研项目3项。一作身份发表SCI论文数篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊。

　　机器学习代谢组学主讲老师来自985高校神经科学博士，主要利用代谢组学、转录组学和分子生物学等技术研究神经内科慢性病的发病机制和生物标志物。擅长高效液相色谱-质谱联用（LC-MS）技术进行非靶向和靶向代谢组学从样本制备到数据分析的全流程研究，以及多组学大数据的生物信息学整合分析。5年内在J Clin Invest, EBioMedicine, Cell Death Dis, Cell Death Discov, Nanotoxicology等杂志发表SCI论文10篇。

　　主讲老师来自国内高校孙老师授课，老师擅长利用量子化学方法和机器学习方法预测设计并研究新型能源材料、锂离子电池的电极材料，燃料电池催化剂以及燃料电池体系的整体设计，已在Energy & Materials,Journal of Physical Chemistry Letters, Journal Physical Chemistry C，等权威期刊上发表SCI检索论文近40余篇。

　　1

　　培训目标（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、靶点蛋白、蛋白质-配体、蛋白-配体小分子、蛋白-配体结构、notepad的介绍和使用、分子对接、蛋白-配体对接、虚拟筛选、蛋白-蛋白对接、蛋白-多糖分子对接、蛋白-水合对接、Linux安装、gromacs分子动力学全程实操、溶剂化分子动力学模拟

　　本课程让学员了解药物发现的前沿背景，学习人工智能领域的各类常见算法，熟悉工具包的安装与使用，掌握一定的算法编程能力，能够运用计算机方法研究药物相关问题。通过大量的案例讲解和实践操作，具备一定的AIDD模型构建和数据分析能力。

　　本课程适于对深度学习、基因组学、微生物组学、蛋白组学、代谢组学等多组学分析感兴趣的学员。课程通过基础入门+应用案例实操演练的方式，从初学及应用研究的角度出发，带大家实战演练多种深度学习模型（深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN、可变自动编码器VAE、图卷积神经网络GCN）通过对这些深度学习在基因组学中的应用案例进行深度讲解和实操，让学员能够掌握深度学习分析高维基因组学、转录组学、蛋白组学等多组学数据流程，系统学习深度学习及基因组学理论知识及熟悉软件代码实操，熟练掌握这些前沿的分析工具的使用以及研究创新深度学习算法解决生物学及临床疾病问题与需求。助力学员发表Nature、Science、Cell等正刊及子刊杂志！（在生信分析的新技术加持下，用更少的经费，发更高质量的文章）

　　机器学习（ML）在材料研究中的应用，让学员能够掌握学习理论知识及熟悉代码实操，文章的复现，学会anaconda、Python、pymatgen等软件、以及机器学习数据采集及清洗、分子结构表示及提取、模型训练和测试、性能评估及优化，KNN、线性回归方法，学会机器学习材料预测，材料分类，材料可视化，多种机器学习方法综合预测等操作技能，独自完成自己的课题研究项目

　　课程一：CADD计算机辅助药物设计课表内容

　　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

　　部分模型案例图片

　　

　　

　　

　　

　　课程二：AIDD人工智能药物发现与设计课表内容

　　（第一天）

　　人工智能药物发现(AIDD)简介

　　机器学习和深度学习在药物发现领域的应用

　　工具的介绍与安装

　　1.人工智能药物发现(AIDD)简介2.机器学习和深度学习在药物发现领域的应用

　　2.1药物靶标相互作用

　　2.2药物重定位

　　2.3药物不良反应

　　2.4药物间相互作用

　　3.工具介绍与安装

　　3.1Anaconda3/Pycharm安装

　　3.2Python基础

　　3.3Numpy基础

　　3.4Pandas基础

　　3.5Matplotlib基础

　　3.6scikit-learn安装

　　3.7Pytorch安装

　　3.8RDKit基础

　　（第二天）

　　机器学习

　　机器学习药物发现案例

　　1.机器学习

　　1.1分类算法与应用

　　1.2回归算法与应用

　　1.3聚类算法

　　1.4降维

　　1.5模型的评估方法和评价指标

　　1.6特征工程

　　2.机器学习药物发现案例（一）

　　——药物副作用预测模型

　　3.机器学习药物发现案例（二）

　　——化合物生物活性分类模型

　　4.机器学习药物发现案例（三）

　　——化合物生物活性回归模型

　　

　　图1、副作用在药物-药物相似性网络中传播。

　　（第三天）

　　深度学习（一）

　　深度学习药物发现案例（一）

　　1.深度学习（一）

　　1.1多层感知机

　　1.2深度神经网络

　　1.3反向传播

　　1.4优化方法

　　1.5损失函数

　　1.6卷积神经网络

　　2.深度学习药物发现案例（一）

　　——药物-药物相互作用预测模型

　　

　　图2、利用药物关联网络特征和深度神经网络识别药物之间潜在相互作用事件。

　　（第四天）

　　深度学习（二）

　　深度学习药物发现案例（二）

　　1.深度学习（二）

　　1.1循环神经网络

　　1.2消息传递神经网络

　　1.3图卷积神经网络

　　1.4图注意力神经网络

　　1.5图采样和聚合

　　2.深度学习药物发现案例（二）

　　——药物靶标相互作用预测模型

　　3.深度学习药物发现案例（三）

　　——药物重定位模型

　　

　　图3、基于图神经网络的药物重定位。

　　(第五天)

　　深度学习（三）

　　深度学习药物发现案例（三）

　　1.深度学习（三）

　　1.1注意力机制

　　1.2自注意力模型

　　1.3多头自注意力模型

　　1.4交叉注意力模型

　　2.深度学习药物发现案例（四）

　　——药物-药物相互作用预测模型

　　3.深度学习药物发现案例（五）

　　——药物靶标结合亲和力预测模型

　　

　　图4、利用多源药物数据和注意力机制预测药物-药物相互作用事件。

　　赠送视频：深度学习AiphaFold2蛋白质结构预测实例讲解

　　（以下内容为赠送的视频教程）

　　蛋白质结构与功能的概述。

　　蛋白质的组成

　　蛋白质的结构

　　蛋白质的功能

　　常见蛋白质结构预测的网站及方法。

　　常用蛋白质结构预测的相关网站及软件

　　常用网站及软件的使用方法及说明

　　机器学习在蛋白质结构预测的应用。

　　蛋白质结构与小分子药物库获取

　　机器学习加速预测小分子药物

　　AlphaFold2机器学习模型对蛋白结构预测

　　实战蛋白结构预测目前最好的人工智能模型AlphaFold2。

　　AlphaFold2模型的获取及安装

　　AlphaFold2相关数据的获取

　　AlphaFold2模型的实战操作

　　。

　　课程三：机器学习与代谢组学专题课表内容

　　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

　　（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。

　　

　　

　　

　　

　　

　　AESTHETICAL

　　

　　AUTUMN

　　部分案例图片

　　课程四：机器学习(ml)在材料的应用

　　第一天

　　机器学习在材料与化学常见的方法

　　理论内容

　　1.机器学习概述

　　2.材料与化学中的常见机器学习方法

　　3.应用前沿

　　实操内容

　　Python基础

　　1.开发环境搭建

　　2.变量和数据类型

　　3.列表

　　4.if语句

　　5.字典

　　6.For和while循环

　　实操内容

　　Python基础（续）

　　1.函数

　　2.类和对象

　　3.模块

　　Python科学数据处理

　　1.NumPy

　　2.Pandas

　　3.Matplotlib

　　第二天

　　机器学习材料与化学应用

　　理论内容

　　1.线性回归

　　1.1 线性回归的原理

　　1.2 线性回归的应用

　　2. 逻辑回归

　　2.1原理

　　2.2 使用方法

　　3. K近邻方法（KNN）

　　3.1 KNN分类原理

　　3.2 KNN分类应用

　　4. 神经网络方法的原理

　　4.1 神经网络原理

　　4.2神经网络分类

　　4.3神经网络回归

　　实操内容

　　1.线性回归方法的实现与初步应用（包括L1和L2正则项的使用方法）

　　2.逻辑回归的实现与初步应用

　　3.KNN方法的实现与初步应用

　　4.神经网络实现

　　项目实操

　　1.利用线性回归方法预测合金性能

　　2.利用KNN方法对MOF材料分类

　　这两个实操项目同时穿插讲解如下内容

　　1. 机器学习材料与化学应用的典型步骤

　　1.1 数据采集和清洗

　　1.2 特征选择和模型选择

　　1.3 模型训练和测试

　　1.4 模型性能评估和优化

　　第三天

　　1. 用随机森林方法预测大孔材料对CO２吸附

　　2.用决策树判断半导体材料类型

　　理论内容

　　1．决策树

　　1.1决策树的原理

　　1.2决策树分类

　　2．集成学习方法

　　2.1集成学习原理

　　2.2随机森林

　　2.3Bosting方法

　　3.朴素贝叶斯概率

　　3.1原理解析

　　3.2 模型应用

　　4. 支持向量机

　　4.1分类原理

　　4.2核函数

　　实操内容

　　1.决策树的实现和应用

　　2.随机森林的实现和应用

　　3.朴素贝叶斯的实现和应用

　　4.支持向量机的实现和应用

　　项目实操

　　1.用随机森林方法预测大孔材料对CO２吸附量

　　2.用决策树判断半导体材料类型

　　这两个实操项目同时穿插讲解如下内容

　　1.模型性能的评估方法

　　1.1 交叉验证：评估估计器的性能

　　1.2 分类性能评估

　　1.3 回归性能评估

　　第四天

　　利用聚类方法对材料分类及可视化

　　理论内容

　　1. 无监督学习

　　1.1 什么是无监督学习

　　1.2 无监督算法——聚类

　　1.3 无监督算法——降维

　　2. 材料与化学数据的特征工程

　　2.1分子结构表示

　　2.2 独热编码

　　3. 数据库

　　3.1.材料数据库介绍

　　3.2.Pymatgen介绍

　　实操内容：

　　Pymatgen和material project实操

　　项目实操：

　　1. 利用支持向量机预测无机钙钛矿材料性能

　　2. 利用神经网络预测电化学催化剂的催化性能

　　第五天

　　1.向量机预测无机钙钛矿材料性能

　　2.神经网络预测电化学催化剂的催化性能

　　项目实操：

　　1. 分子结构的表示与特征提取

　　2. 聚类、降维等无监督学习方法应用于分子特征处理

　　项目实操

　　1. 利用机器学习方法预测有机无机杂化钙钛矿材料性能

　　2. CO2电化学还原催化剂性能预测的综合实训

　　第六天

　　1.机器学习方法预测半导体材料物理性质

　　2.多种机器学习方法综合预测

　　项目实操：

　　１. 逻辑回归预测钙钛矿性质

　　2. 基于分子特征的无监督学习综合应用

　　项目实操：

　　1. 利用多种机器学习方法对氧化物材料性质的综合预测

　　2. 利用多种机器学习方法对材料类型多分类的综合预测

　　授课时间

　　CADD计算机辅助药物设计专题培训班

　　2023.4.22 -----2023.4.23 全天授课(上午09.00-11.30 下午13.30-17.00)

　　2023.4.25-----2023.4.28晚上授课(晚上19.00-22.00)

　　2023.5.6-----2023.5.7全天授课(上午09.00-11.30 下午13.30-17.00)

　　2023.5.8 -----2023.5.9晚上授课 (晚上19.00-22.00)

　　AIDD人工智能药物发现与设计专题培训班

　　2023.5.6-----2023.5.7 全天授课(上午 09.00-11.30 下午 13.30-17.00)

　　2023.5.9----2023.5.10 晚上授课(晚上 1 9.00-22.00)

　　2023.5.13----2023.5.14 全天授课(上午 09.00-11.30 下午 13.30-17.00)

　　机器学习与代谢组学培训时间

　　2023.4.22 -----2023.4.23 全天授课(上午 09.00-11.30 下午 13.30-17.00)

　　2023.5.6-----2023.5.7 全天授课(上午 09.00-11.30 下午 13.30-17.00)

　　2023.5.10 -----2023.5.11 晚上授课 (晚上 19.00-22.00)

　　机器学习（ML）材料培训时间

　　2023.04.22-----2023.04.23全天授课 (上午09.00-11.30 下午13.30-17.00)

　　2023.04.25-----2023.04.28晚上授课 (晚上19.00-22.00)

　　2023.05.06-----2023.05.07全天授课 (上午09.00-11.30 下午13.30-17.00)

　　（腾讯会议直播上课 提供录像回放 录像永久观看）

　　报名费用

　　CADD计算机辅助药物设计与AIDD人工智能药物发现与设计课程价格：

　　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）

　　机器学习（ML）材料与机器学习与代谢组学课程价格：

　　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￥4480元 （含报名费、培训费、资料费）

　　优惠政策

　　优惠一：两班同报：9880 三班同报：13880

　　优惠二：提前报名缴费学员+转发到朋友圈或者到学术交流群可享受每人300元优惠（仅限15名）

　　优惠三：报名两班免费赠送一个学习名额（赠送班任选）

　　优惠四：报名五个培训班免费赠送三个学习名额（赠送班任选）

　　报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销

　　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）

　　培训福利

　　报名缴费成功赠送报名班型全套预习视频，课后学习完毕提供全程录像视频回放，针对与培训课程内容 进行长期答疑，微信解疑群永不解散，参加本次课程的学员可免费再参加一次本单位后期组织的相同的 专题培训班（任意一期都可以）

　　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，1600余页电子PPT和教程+预习视频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

　　

　　

　　

　　

　　

　　

　　腾讯会议微信解疑群问题实时解答

　　

　　

　　

　　

　　

　　

　　（二）学员对培训非常认可，而且我们保证二次学习是免费的

　　往期参会单位

　　国外院系高校；有来自麻省理工大学、University of Bristol (布里斯托大学)、加州伯克利大学、Osaka University(大版大学）、乔治梅森大学、加州理工大学、曼彻斯特大学 、莱斯大学、波士顿大学、德州 农工大学、德雷克大学、美国联合大学、普林斯顿大学、斯坦福大学、Imperial College London、 KAUSTuniversity、理海大学、TheUniversityofQueensland、澳大利亚昆士兰大学、耶鲁大学、牛 津大学、剑桥大学、匹兹堡大学、悉尼大学、多伦多大学、西雅图华盛顿大学、伦敦大学、杜克大学、东 京大学、哥伦比亚大学、康奈尔大学、纽约大学、西北大学、布朗大学、华盛顿大学

　　国内院系高校；有来自中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所）、中山大 学、北京大学第一医院、中国医学科学院北京协和医院、西北民族大学、西南大学、山东大学、加州伯克 利大学、启元实验室、中国人民解放军总医院第一医学中心、河南师范大学、南京工业大学、南方科技大 学、南京大学、中国医学科学院基础医学研究所、青海省农林科学院、天津中医药大学第一附属医院、山东大学、黑龙江八一农垦大学、南昌大学第二附属医院、台州市中心医院（台州学院附属医院）、宁波大 学附属人民医院、新疆农业大学、北京林业大学、广西医科大学、湖南文理学院、滨州医学院、滨州医学 院烟台附属医院、华南师范大学、中国环境科学研究院、云南师范大学、昆明理工大学、湖北医药学院、 苏州大学、福州大学、南方医院、南昌大学第二附属医院、深圳市中医院、湖南文理学院、河南科技学 院、福建省立医院、中南大学湘雅医院、深圳市中医院、省立同德医院、内蒙古科技大学包头师范学院、 乌鲁木齐市疾病预防控制中心、中国林业科学研究院林业研究所、中国农业科学院兰州畜牧与兽药研究 所、鲁东大学、河北工程大学、南方医科大学珠江医院、首都医科大学附属北京妇产医院、重庆医科大学 附属第二医院、北京普利智诚生物技术有限公司、复旦大学上海医学院、陕西中医药大学附属医院、中国 医学科学院血液病医院（中国医学科学院血液学研究所）、滨州康达欣医疗器械有限公司、深圳北京大学 香港科技大学医学中心、天津市肿瘤医院、陆军特色医学中心、空军军医大学第一附属医院、江南大学、 中国科学院深圳先进技术研究院、中国科学院上海营养与健康研究所、北京阅众时刻文化传媒有限公司、 北京慧康健怡医疗器械有限公司、杭州奥明基因科技有限公司、亦欣生物科技无锡有限公司、广州市肖悦 生物科技有限公司、张家口泽涵生物科技有限公司、平安科技。感谢对我们培训的认可！还有许多因为时 间冲突无法参加。这次我们诚挚邀请您来参加！

　　报名咨询方式（请二维码扫描下方微信）

　　

　　联系人：陈老师

　　联系方式：

　　QQ：529201149

　　电话：18339237911（微信同号）

　　邮箱：chen18339237911@163.com

　　引用往期参会学员的一句话：

　　发现真的是脚踏实地的同时 需要偶尔仰望星空

　　非常感谢各位对我们培训的认可！ 祝愿各位心想事成！