（向上滑动查看内容）
学习目标： 理解现代蛋白质设计的理论基石，建立从“功能”到“结构”再到“序列”的正确设计观。
蛋白质折叠问题与经典设计：
。回顾“CASP历史”以及蛋白质折叠问题的复杂性 。
。介绍David Baker实验室与IPD的设计哲学：以最终功能为导向，设计自然界不存在的全新蛋白质结构。
。讲解Rosetta软件的核心思想，理解其作为蛋白质设计基石的历史地位与方法论
模块二：核心AI模型原理与代码实现
学习目标：从原理和代码层面，彻底理解驱动现代蛋白质预测与设计的两大核心神经网络架构。
·基础工具与环境：
o掌握Numpy进行多维数组（Tensor）操作 。
o学习PyTorch的核心概念：张量、自动求导机制
o讲解服务器GPU与CUDA的基本工作原理，为后续的本地化部署打下基础。
·关键模型架构拆解：
oTransformer与Attention机制：深入讲解Transformer模型如何通过自注意力机制捕捉序列中的长距离依赖关系，并分析其如何被AlphaFold 2用于整合多序列比对（MSA）信息和空间几何信息，构成Evoformer模块的核心 。
o扩散模型 (Diffusion Model)：详细阐述扩散模型的前向加噪（Forward Process）与反向去噪（Reverse Process）的数学原理 。重点讲解该模型如何被应用于RFdiffusion，实现从高斯噪声中逐步生成结构合理的蛋白质骨架
代码实践：所有模型原理都将配合Jupyter Notebook进行代码实操，确保学员不仅理解理论，更能动手实现。
模块三：前沿设计工具链：原理、部署与应用
学习目标：掌握当前最高效的蛋白质设计“三要素”工具链，并完成本地化部署，具备独立开展计算设计的能力。
A. 结构生成 (RFdiffusion)：
功能详解：学习RFdiffusion如何从随机噪声中生成全新的蛋白质骨架 。
实操技术：重点讲解几种核心设计模式的应用场景与参数设置：
无条件生成 (Unconditional generation)：用于创造全新的拓扑结构。
基于骨架的生成 (Scaffolding)：在已有的结构骨架上进行延申或构建。
功能位点限定生成 (Inpainting)：在固定关键功能位点（如活性中心、结合界面）的前提下，生成包裹该位点的全新结构。
B. 序列设计 (ProteinMPNN)：o核心问题：讲解“蛋白质反向折叠 (Inverse Folding)”问题的挑战性，即如何为给定的骨架设计出能正确折叠的氨基酸序列 。o协同工作流：演示如何将RFdiffusion生成的骨架（Backbone）作为输入，利用ProteinMPNN设计出高稳定性的氨基酸序列，形成完整的“结构-序列”设计流程 。
C. 结构验证与功能拓展 (AlphaFold 3)：
o精度验证：学习使用AlphaFold 2/3验证由ProteinMPNN设计的序列，能否高精度地折叠回RFdiffusion所设计的初始结构 。重点讲解pLDDT和PAE图的解读，用于评估预测结果的置信度 。
o功能预测：介绍AlphaFold 3的核心突破——其预测能力已从单一蛋白质扩展到蛋白质、DNA、RNA、配体等多种分子的复合物 。探讨如何利用这一特性，初步评估设计的蛋白质与靶点分子的相互作用，为药物设计提供关键信息。
模块四：应用方向专题实战
学习目标：将前面学习的工具链应用到三个主流的生物医药研发场景中，解决具体问题。
总学习目标：通过三个独立的、项目驱动的专题，让学员完整地、端到端地执行计算蛋白质设计的流程。在课程结束时，学员不仅掌握了工具的使用，更能理解在不同应用场景下（酶、抗体、从头设计）的设计策略、关键考量和技术组合。
专题一：从头设计功能性Binder
技术流程：一个完整的综合性项目。学员将选择一个具体靶点，独立运用“RFdiffusion → ProteinMPNN → AlphaFold”的全套技术流程，从零开始设计一个能够特异性结合该靶点的全新小分子蛋白（Binder），完成一个标准化的de novo设计流程。
项目目标：执行一个完整的、工业界标准的de novo设计流程，针对一个选定的蛋白靶点，从零开始设计一个能够特异性结合其表面的全新小分子蛋白（Binder）。
核心概念：De novo设计、蛋白质-蛋白质相互作用（PPI）、形状互补性、计算流程的端到端整合。
技术流程详解：
1.靶点分析与结合位点选择：
o选择一个感兴趣的靶点蛋白（如疾病相关蛋白）。
o分析其表面性质，选择一个适合作为结合靶点的区域（通常是相对平坦、具有一定疏水性的表面）。
2.基于靶点的骨架生成 (RFdiffusion)：
o此为设计的核心创造步骤。学员将学习使用RFdiffusion的功能位点限定生成 (Inpainting)模式。
o将靶点蛋白的结构作为固定的“环境”，RFdiffusion会在此环境的约束下，从噪声中“生长”出一个与靶点表面形状高度互补的全新蛋白质骨架。
3.序列填充与优化 (ProteinMPNN)：
o将上一步生成的最优骨架输入ProteinMPNN。
oProteinMPNN会为这个全新的骨架设计出能够稳定折叠的氨基酸序列，完成从“形状”到“化学本质”的转化 。
查看原文 ↗
