热点阅读 | 新人连发SCI！组学方向迎来时代性“变革”，搭乘驶向新风口的快车！
来源：雪球App，作者： 行舟Drug，（https://xueqiu.com/4396147139/249801203）
点击上方的 行舟Drug ▲ 添加关注
个体化风险预测是提供个体化药物的先决条件。 目标 本研究将蛋白质组学机器学习(ML)算法与经典和临床风险预测方法相比较，预测心血管风险队列中的全因死亡率。 OBJECTIVES This study compare proteomics-enabled machine-learning (ML) 算法与经典和临床风险预测方法对心血管风险患者队列的全因死亡率LIFE-Heart 研究中的因素，随后在 PLIC（Progressione della Lesione Intimal Carotidea）研究中进行验证。 METHODS 使用 OLINK-Cardiovascular-II 面板，在来自 LIFE- 的 1,998 名个体的队列中测量了 92 种蛋白质心脏研究（推导）和来自 PLIC 队列的 772 名受试者（外部验证）。我们使用 eXtreme Gradient Boosting (XGBoost) 和神经网络构建了基于蛋白质的死亡率预测模型，将预测性能与经典临床风险评分（Systemic Coronary Risk Evaluation，Framingham）、逻辑和 Cox 回归模型进行了比较。 RESULTS All-在中位随访 10 年和 11 年内，内部验证队列中有 156 名 (8%) 患者和外部验证队列中有 68 名 (9%) 患者发生了死因。在内部和外部验证中，Framingham 风险评分的曲线下面积 (AUC) 分别为 0.64（95% CI：0.59-0.68）和 0.65（95% CI：0.58-0.74），逻辑回归 AUC 为 0.65（95% CI） : 0.57-0.73) 和 0.67 (95% CI: 0.59-0.74)，Cox 回归 AUC 为 0.55 (95% CI: 0.51-0.59) 和 0.65 (95% CI: 0.57-0.73)，XGBoost 分类器 AUC 为 0.83 ( 95% CI：0.79-0.87）和 0.91（95% CI：0.86-0.95），XGBoost 生存估计量 AUC 为 0.83（95% CI：0.79-0.87）和 0.93（95% CI：0.88-0.97），以及神经网络 AUC 分别为 0.87（95% CI：0.83-0.91）和 0.94（95% CI：0.90-0.98）（现代与经典 ML：P
科研背景
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。
随着高通量组学平台的发展，极大了促进了生物医学领域的发展，使得人们能够从基因组学，转录组学，蛋白组学，代谢组学等各个维度进行深入的研究。一切生命的表现形式，本质上都是蛋白质功能的体现。如果我们能够了解细胞、组织乃至整个生命体内蛋白质的组成及其活动规律，理解不同组织器官在不同生理病理状态下蛋白质组的构成和动态变化，就会对疾病的发生、发展、转归等过程有一个全面的认识，把握疾病诊治的关键，提高药物开发的效率。在高通量测序和多组学的快速发展下，无论是基因组学、表观组学、转录组学、宏基因组学还是蛋白质组学、代谢组学，都已经积累了非常庞大的数据，数据的大量增加需要更高效更强大的分析工具才能更好的对海量的组学数据进行深度挖掘，然而传统的信息数据处理算法显然不能满足大数据的处理要求，机器学习作为可以从数据中进行学习的算法，在组学数据分析和挖掘，如对疾病亚型识别、 生物标志物发现、 通路分析以及药物发现及其再利用有着更广泛的前景和应用空间。 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。
培训对象
全国各大高校、企业、科研院所从事人工智能、生命科学、代谢工程、有机合成、天然产物、药物、生物信息学、植物学，动物学、化学化工，医学、基因组学、农业科学、植物学、动物学，临床医学、食品科学与工程、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、病毒检测、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、癌症、核酸、毒物学等研究科研人员及爱好者
培训目标（完全适合零基础）
熟悉代谢组学和机器学习相关硬件和软件；熟悉代谢组学从样本处理到数据分析的全流程；能复现至少1篇CNS或子刊级别的代谢组学文章图片。
通过对机器学习在蛋白组学中的应用案例分享，让学员能够掌握机器学习分析蛋白组学的流(tao)程(lu)，了解常用机器学习算法的原理及蛋白组学理论知识。通过实操，复现高分SCI文章中机器学习结果，让学员能够熟悉相关软件和工具的使用，并且学以致用到自己的课题中。
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。
培训讲师
蛋白组学主讲老师来自国内高校李老师授课，有十余年的蛋白质组数据分析经验。研究领域涉及机器学习，芯片数据分析，蛋白质组数据分析，DNA，RNA，甲基化测序数据分析，单细胞测序数据分析，miRNA及靶基因分析等，发表SCI论文30余篇，其中一作及并列一作15篇。
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。
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。
课程内容
课程一：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。
部分案例图片
课程二：机器学习蛋白组学
第一天
机器学习及蛋白组学简介
1.机器学习基本概念介绍
2.常用机器学习模型介绍
3.混淆矩阵
4.ROC曲线
5.主成分分析（PCA）
6.蛋白组学基本概念
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
6．函数
7．常用的机器学习相关R包介绍
第二天
机器学习在蛋白组学数据分析中的应用案例分享
1.利用机器学习鉴定疾病相关蛋白标志物
2.利用机器学习基于蛋白组学数据预测表型
3.利用机器学习基于蛋白组学数据进行分类
4.利用机器学习基于蛋白组学数据构建预后模型
蛋白组学相关数据库介绍
1.Uniport
2.HPA
3.TCPA
4.CPTAC
第三天
零代码工具利用机器学习分析蛋白组学数据
利用PLOS Computational Biology（IF:5分）发表零代码工具，轻松完成差异表达分析，常见统计分析，常见可视化，内置7种机器学习方法，轻松调用。
1.数据导入（两套数据，二分类，多分类）
2.数据可视化（散点图，热图，柱形图，相关性热图，火山图，层次聚类图）
3.缺失值填充
4.数据归一化
5.离群值检测/清理
6.常见统计方法应用（t-test, limma, Kruskal-Wallis ,ANOVA, PCA, k-means, 相关性分析）
7.机器学习方法应用（RF, lasso, SVM等）
第四天
利用机器学习基于蛋白组学数据预测表型，基于蛋白组学数据复现cell中机器学习分析结果
实操内容
1.蛋白组学数据处理，差异表达分析
2.火山图，多分组热图，多组箱型图展示差异表达分析结果
3.构建Random Forest模型
4.重要蛋白筛选
5.绘制ROC曲线
6.独立测试集检测模型表现
利用机器学习鉴定疾病相关蛋白标志物，基于Olink数据，复现影响因子17分文章中，蛋白数据常规分析+时序蛋白聚类分析+机器学习分析结果
实操内容
1.读取蛋白表达数据
2.差异蛋白挑选，火山图绘制，箱型图绘制
3.时序蛋白表达数据聚类分析
4.构建随机森林模型
5.挑选重要特征
6.独立测试集进行验证
第五天
利用机器学习基于质谱的蛋白质组学数据，构建肝病相关分类和预后模型，复现Nature Medicine文章中的机器学习，生存分析，预后模型相关的结果。
实操内容
1.鉴定与不同肝病显著相关的蛋白
2.比较22种不同的机器学习分类器，挑选最优算法构建不同肝病的分类模型
3.独立队列验证模型准确性
4.构建预后模型
5.绘制生存曲线和时间依赖的ROC曲线
部分案例图片
课程三：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
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
课程四：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
授课时间
机器学习代谢组学培训班
2023.06.10----2023.06.11全天授课(上午 09.00-11.30 下午 13.30-17.00)
2023.06.13----2023.06.14晚上授课 (晚上 19.00-22.00)
2023.06.17----2023.06.18全天授课(上午 09.00-11.30 下午 13.30-17.00)
机器学习蛋白质组学培训班
2023.07.1----2023.07.2全天授课(上午 09.00-11.30 下午 13.30-17.00)
2023.07.4----2023.07.5晚上授课 (晚上 19.00-22.00)
2023.07.8-----2023.07.9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培训班
2023.6.10 -----2023.6.11 全天授课(上午09.00-11.30 下午13.30-17.00)
2023.6.13-----2023.6.16晚上授课(晚上19.00-22.00)
2023.6.17-----2023.6.18全天授课(上午09.00-11.30 下午13.30-17.00)
2023.6.19 -----2023.6.20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
2023.6.17 -----2023.6.18 全天授课(上午09.00-11.30 下午13.30-17.00)
2023.6.20---2023.6.21晚上授课(晚上19.00-22.00)
2023.6.25全天授课(上午09.00-11.30 下午13.30-17.00)
2023.6.27 -----2023.6.28晚上授课 (晚上19.00-22.00)
报名费用
机器学习代谢组学、机器学习蛋白组学
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）
AIDD人工智能药物发现与CADD计算机辅助药物设计课程价格：
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）优惠政策
优惠一：报名两班免费赠送一个学习名额（赠送班任选）费用：9880元
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）
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： 网页链接 （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
授课方式及学员反馈
通过腾讯会议线上直播，从零基础开始讲解，1300余页电子PPT和教程＋预习视频提前发送给学员，所有培训使用软件都会发送给学员，附赠安装教程和指导安装，培训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，培训完毕后老师针对与培训内容长期解疑，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
高
往期学员参会单位及报名流程
有来自四川大学、四川师范大学、中国科学院大学、西安电子科技大学、陕西科技大学、东北林业大学、渤海大学、海南大学、广西中医药大学、北京化工大学、成都大学、香港浸会大学中医药学院、赣南师范大学、重庆陆军勤务学院、齐鲁工业大学、陕西科技大学、陕西师范大学、中科院大学 、浙江工商大学、成都中医药大学、上海交通大学、哈尔滨商业大学、中国人民解放军海军军医大学、西安电子科技大学、中国农业大学、南昌大学、新疆医科大学、山东农业大学、合肥工业大学、清华大学、华中农业大学、山东理工大学、北京工商大学、河南大学、江苏大学、江南大学、大连工业大学、华南理工大学、华南农业大学、成都中医药大学、东北林业大学、北京大学、浙江大学、浙江工业大学、中南大学、复旦大学、南京农业大学、齐鲁工业大学、东北大学、国防科技大学、江苏海洋大学、华东理工大学、华中科技大学、湖北大学、中国医学科学院、西南大学、中南大学湘雅医院、山西省人民医院、中国药科大学、西安市中医医院、首都医科大学附属北京友谊医院、上海市第十人民医院、协和药物研究所、中国农业科学院基因组研究所、广州中医药大学、上海中医药大学、上海理工大学、成都中医药大学、北京中医药大学、武汉大学、香港大学、安阳工学院、沈阳药科大学、中山大学肿瘤防治中心、山东中医药大学、宁波大学、宁夏大学、山东大学、甘肃中医药大学、医学院附属仁济医院、杭州医学院、广州医科大学附属肿瘤医院、中山大学孙逸仙纪念医院、江苏省中医院、承德医学院、中国中医科学院广安门医院、中山大学附属第五医院、中山大学中山眼科中心、汕头大学、扬州大学、天津科技大学、吉林农业大学、上海应用技术大学、空军军医大学、首都医科大学附属北京友谊医院、中国科学院海洋研究所、中国科学院深圳先进技术研究院、深圳湾实验室、江苏省淡水水产研究所、广东省科学院测试分析研究所(中国广州分析测试中心)、中国科学院昆明植物研究所、中国科学院植物研究所、中国科学院苏州纳米技术与纳米仿生研究所、江苏省淡水水产研究所、中国食品发酵工业研究院、中国中医科学院中药研究所、中国科学院海洋研究所、深圳清华大学研究院、国科大杭州高等研究院、美国贝勒医学院等高校， 康希诺生物 股份公司、青峰制药、江苏恒瑞、上海青玄生物、 石药集团 、正大天晴、宜昌人福药业有限责任公司、江苏中旗科技有限公司、长春金赛药业有限责任公司、丽珠医药集团股份有限公司、大连医诺生物股份有限公司、南京盛德瑞尔医药科技有限公司、上海兰天 生物医药 科技有限公司、深圳研顺生物科技有限公司、中国农业科学院蜜蜂研究所、上海森辉医药有限公司、上海硕迪生物技术有限公司、云南腾善生物科技有限公司、湖南 九典制药 股份有限公司、北京先为达生物科技有限公司、广东省深圳市南山区中科院深圳先进院、无锡佰翱得生物科学有限公司、苏州沪云新药研发股份有限公司、深圳市灵蛛科技有限公司、潍坊易北特健康食品有限公司、江苏三黍生物科技有限公司、苏州浦合医药科技有限公司、丽珠医药集团股份有限公司、兰晟生物医药(苏州)有限公司、甫康（上海）健康科技有限责任公司、南京盛德瑞尔医药科技有限公司、深圳市领治医学科技有限公司、北京安必奇生物科技有限公司、国家纳米科学中心、四川国康药业有限公司、南通 药明康德 医药科技有限公司、南京沛微生物科技有限公司、北京科诺信诚科技有限公司、 天士力 生物医药股份有限公司、泽达易盛(天津)科技股份有限公司、沈阳市青囊医疗科技有限责任公司、石家庄 以岭药业 股份有限公司、青岛科博源生物技术有限公司、中科聚研（吉林）干细胞科技有限公司、广州同隽医药科技有限公司、南通奥贝特化工有限公司、北京斯利安药业有限公司、上海韵和生物医药有限公司、杭州 百诚医药 科技股份有限公司、上海倍勘生物技术有限公司、长春金赛药业有限责任公司、浙江海正股份有限公司等公司的五百余名工程师老师学生参会，还有许多因为时间冲突没法参加。这次，我们诚挚邀请您来参加！
报名咨询请二维码扫描下方微信
QQ：2014640669
电子邮箱：2014640669 @qq .com
报名电话：17278906158( 微信同号）
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！
学如逆水行舟，不进则退；
心似平原走马，易放难收。
行舟Drug
每日更新 欢迎订阅+
医药大数据|行业动态|政策解读