计算机辅助药物设计AIDD【小分子专题】

AIDD概述及药物综合数据库学习

1. 人工智能辅助药物设计AIDD概述
2. 安装环境
   1. anaconda
   2. vscode
   3. 虚拟环境
3. 第三方库基本使用方法
   1. numpy （数据计算工具）
   2. pandas （数据清洗工具）
   3. matplotlib （结果可视化绘图工具）
   4. requests （数据库爬虫工具）
4. 多种药物综合数据库的获取方式
   1. KEGG（requests爬虫）
   2. Chebi（libChEBIpy）
   3. PubChem（pubchempy / requests）
   4. ChEMBL（chembl_webresource_client）
   5. BiGG（curl）
5. DeepChem集成MoleculeNet数据库介绍及下载

机器学习辅助药物设计

1. 机器学习理论知识

   1. 机器学习种类：
      1. 监督学习
      2. 无监督学习
      3. 强化学习
   2. 典型机器学习方法
      1. 决策树
      2. 支持向量机
      3. 朴素贝叶斯
      4. 神经网络
      5. 卷积神经网络
   3. 模型的评估与验证：准确率、精确率、召回率、F1分数、ROC曲线、AUC计算，平均绝对误差、均方差、R2分数、可释方差分数，交叉验证等
   4. sklearn工具包基本使用

2. rdkit工具包的基本使用

3. RDKit安装

   1. 化合物编码方式和化合物相似性理论知识
   2. 基于RDKit的分子读写
   3. 基于RDKit的分子绘制
   4. 基于RDKit的分子指纹与分子描述符
   5. 基于RDKit的化合物相似性与子结构
   6. 基于 RDKit 与 Python3 的构象与 RMSD 计算

4. 项目实战

   1. 基于 Pytorch 和 RDKit 建立 QSAR 模型
   2. 基于 scikit-learn 将 pytorch 用于 QSAR 模型构建
   3. 项目实战1：基于ADME和Ro5的分子筛选
   4. 项目实战2：基于化合物相似性的配体筛选
   5. 项目实战3：基于化合物相似性的分子聚类
   6. 项目实战4: 基于机器学习的生物活性预测
   7. 项目实战5：基于机器学习的分子毒性预测

图神经网络辅助药物设计

1. 图神经网络基础知识
   1. 框架介绍: PyG，DGL，TorchDrug
   2. 图神经网络消息传递机制
   3. 图神经网络数据集设计
   4. 图神经网络节点预测、图预测任务和边预测任务实战
2. 项目实战1：基于图神经网络的分子毒性预测
   1. SMILES分子数据集构建PyG图数据集
   2. 基于GNN进行分子毒性预测
3. 项目实战2：基于图神经网络的蛋白质-配体相互作用预测
   1. 蛋白质分子图形化，构建PyG图数据集
   2. 基于GIN进行网络搭建及相互作用预测

自然语言处理辅助药物设计

1. 自然语言处理概述
   1. 文本类语言的向量表示方法
   2. Encoder-Decoder模型
   3. 循环神经网络模型
   4. Seq2seq模型
   5. Attention注意力机制
   6. Transformer模型
2. 项目实战
   1. 基于无监督的Seq2Seq模型进行分子表示学习
   2. 基于Transformer模型的反应表示方法
   3. 基于自然语言处理的反应分类任务
   4. 基于BERT模型的反应产量预测任务

药物设计与分子生成

1. 分子生成模型概述
   1. 循环神经网络RNN
   2. 变分自动编码器VAE
   3. 生成对抗网络GAN
   4. 强化学习RL
2. 基于RDKit提取反应规则预测分子生成
   1. 基于 RDKit 处理化学信息学中的反应方程式
   2. 基于 RDKit 绘制化学反应
   3. 基于 RDKit 和 SMARTS 的化学反应处理
   4. 基于RDKit的化学反应指纹与化学反应相似度计算
   5. 基于 RDKit 通过 SMARTS 定义反应模式来生成反应产物
3. 基于深度学习的分子生成
   1. 基于图数据的小分子化合物生成模型
   2. 基于MolGAN的分子生成
   3. 分子合成可行性评估

计算机辅助药物设计【蛋白质专题】

蛋白质数据结构

1. 数据库介绍与相关数据爬取
   1. PDB数据库
   2. UniProt数据库
   3. KLIFS数据库
2. 【基于RDKit的蛋白质基本操作】
   1. 基于 RDKit 的氨基酸序列转换为 SMILES
   2. 基于 RDKit 的肽和核酸序列转换分子 Mol 对象
   3. 多肽 HELM 字符串格式与分子 Mol 格式间的转换
   4. 从 ChEMBL 数据库提取大分子 HELM 单体（XML 转换为 DataFrame 并搜索部分结构)
   5. 基于RDKit的药效团特征与可视化
3. 【基于RDKit的药效团处理】
   1. RDKit 中的药效团特征
   2. RDKit：可视化药效团（Pharmacophore）
   3. RDKit | 基于 RDKit 从分子中提取 3D 药效团特征
   4. RDKit | 基于 RDKit 计算 3D 药效团指纹
4. 【基于RDKit的骨架 (Scaffold)】
   1. RDKit | 基于 RDKit 操纵分子结构（骨架转换）
   2. RDKit：化合物骨架分析（基于 Python3）
5. 【基于RDKit的片段 (Fragments)处理】
   1. RDKit 中的 RECAP 进行分子裂解
   2. RDKit：基于 RECAP 生成片段
   3. RDKit | 可视化重要片段
   4. RDKit | 基于片段的分子生成（骨架 A + 骨架 B）
   5. RDKit | 基于多片段的分子生成（骨架 A + 骨架 B + 骨架 C）

激酶-Kinase相似性学习

1. 激酶基本理论介绍
2. Kinase相似性：序列
3. Kinase相似性：Kinase口袋（KiSSim指纹）
4. Kinase相似性：交互指纹
5. Kinase相似性：配体配置文件
6. Kinase相似性：比较不同的view

基于序列的蛋白质属性预测

1. 多重序列对比
2. 基于蛋白质序列的深度学习和机器学习任务
3. 预测突变对TEM-1β-内酰胺酶蛋白的影响
4. 基于蛋白质的二级结构预测残基的属性
5. 通过蛋白质的溶化温度预测蛋白质的稳定性

基于结构的蛋白质属性预测

1. 蛋白质结构数据处理
2. 基于RDKit的蛋白质动态图构建
3. 基于几何感知关系图神经网络（GearNet）及其边缘消息传递的扩展（GearNet-Edge）的蛋白质结构表示模型

蛋白质-配体相互作用预测PLI

1. 结合位点相似性和脱靶预测
2. 结合位点预测
3. 蛋白质-配体对接
4. 蛋白质-配体相互作用
5. NGLView高级教程
6. 分子动力学模拟
7. 分析分子动力学模拟
8. 基于图神经网络的蛋白质-配体相互作用预测（分类任务）
9. 基于机器学习的分子对接来预测蛋白质-配体的结合亲和力（回归任务）