2025更详细的AI蛋白质设计全流程，小白必备！

模块一：基础理论与设计思想 (3小时)

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 (6小时)

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：
  • 掌握Numpy进行多维数组（Tensor）操作 。
  • 学习PyTorch的核心概念：张量、自动求导机制
  • 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：
  • Transformer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 。
  • 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 (6小时)

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)：
  • 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 。
  • 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)：
  • 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 。
  • 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 (15小时)

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。

• 专题一：从头设计功能性Binder (5小时)
  • 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。

• 专题二：酶的计算改造与性能优化 (5小时)
  • 技术流程：学习利用同源结构数据库进行搜索，结合计算工具进行定向突变，以优化酶的催化活性、底物特异性或热稳定性。课程将介绍定向进化与适应性景观等核心概念 。

• 专题三：抗体药物的计算设计 (5小时)
  • 技术流程：掌握计算辅助的抗体设计方法，包括靶点抗原的分析、互补决定区(CDR)的设计与优化，以及利用AlphaFold-Multimer等工具预测抗体-抗原复合物结构，评估亲和力与特异性 。

模块四：应用方向专题实战 (15小时)

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 (5小时)

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：
   • 选择一个感兴趣的靶点蛋白（如疾病相关蛋白）。
   • 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)：
   • 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 。
   • 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)：
   • 将上一步生成的最优骨架输入ProteinMPNN。
   • ProteinMPNN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 。
4. 双重计算验证 (AlphaFold)：
   • 步骤一：单体验证。将ProteinMPNN设计的序列输入AlphaFold，预测其单体结构。验证该序列能否独立折叠成我们设计的形状（高pLDDT得分，且RMSD与设计模型低）。
   • 步骤二：复合物验证。使用AlphaFold-Multimer 预测设计的Binder和靶点蛋白的复合物。验证Binder能否如预期般结合到靶点的正确位置（低界面PAE得分）。

---

专题二：抗体药物的计算设计 (5小时)

项目目标：掌握计算辅助的抗体亲和力成熟（Affinity Maturation）流程，针对一个已知的抗体-抗原复合物，设计新的互补决定区（CDR）序列，以增强其结合能力。

核心概念：抗体结构域、CDR与框架区（FR）、抗原表位（Epitope）与互补位（Paratope）、抗体人源化、亲和力与特异性。

技术流程详解：

1. 抗体-抗原复合物的结构分析：
   • 从PDB中选取一个抗体-抗原复合物结构作为起始点。
   • 利用可视化软件，精确识别构成结合界面的CDR loop，特别是贡献最大的CDR-H3。
   • 详细分析界面上的氢键、疏水作用、盐桥等关键相互作用，理解亲和力的结构基础。
2. CDR区域的序列设计：
   • 固定抗体的框架区和抗原结构，仅针对CDR区域进行序列设计。
   • 学员将使用ProteinMPNN等工具，在保持CDR loop骨架构象的同时，重新设计其氨基酸序列，以期发现能与抗原形成更优相互作用的新序列。
3. 利用AlphaFold-Multimer进行复合物结构预测与评估：
   • 将新设计的CDR序列整合回抗体，形成一个完整的突变抗体序列。
   • 使用AlphaFold-Multimer 预测新设计的抗体与抗原的复合物结构。这是流程中最关键的一步。
   • 学员将学习如何解读AlphaFold-Multimer的输出结果，特别是利用PAE（Predicted Aligned Error）图来评估界面预测的置信度，判断新设计的抗体是否仍能以正确的模式结合抗原。
4. 亲和力排序与候选筛选：
   • 通过比较不同设计方案的界面结合面积、预测的氢键网络、以及界面PAE得分等指标，对设计的抗体进行排序。
   • 筛选出1-3个预测结合能力最强、且结构最可靠的候选抗体序列。

---

专题三：酶的计算改造与性能优化 (5小时)

项目目标：针对一个给定的酶，通过计算方法，设计出具有更高热稳定性或催化活性的突变体，并提供一套可供实验验证的候选序列。

核心概念：适应性景观 (Fitness Landscape) ，定向进化 ，酶催化与过渡态理论 (Transition State Theory) ，计算诱变 (In-silico Mutagenesis)，折叠自由能 (ΔG)。

技术流程详解：

1. 模板选择与结构准备：
   • 从蛋白质结构数据库（PDB）中选取一个具有已知结构和功能的酶作为改造模板。
   • 若无实验结构，将学习利用UniProt 寻找同源序列，并使用SWISS-MODEL 或本地AlphaFold进行结构预测，获得可靠的起始模型。
   • 使用PyMOL 或ChimeraX 分析酶的活性位点、底物结合口袋以及潜在的不稳定区域（如高柔性loop）。
2. 计算突变扫描与稳定性预测：
   • 学习使用Rosetta等工具包中的能量函数，对酶的特定区域（或全长）进行计算饱和突变扫描。
   • 核心技术点是计算每个突变体相对于野生型的折叠自由能变化 (ΔG)。学员将学习如何解读ΔG值，以筛选出能够提升蛋白质热稳定性的有益突变。
3. 催化性能的计算评估：
   • 对于活性位点附近的突变，将引入分子对接（Molecular Docking）方法，模拟底物或过渡态类似物与突变酶的结合情况。
   • 通过比较结合能、关键相互作用（氢键、盐桥等）的变化，来半定量地预测突变对催化活性（kcat​/KM​）的潜在影响。
4. 候选突变体的筛选与组合：
   • 基于上述计算结果，学员将学习如何制定筛选策略，例如，优先选择同时提升稳定性且不损害（或提升）活性的突变。
   • 探讨如何组合多个有益的单点突变，以获得性能提升更显著的多点突变体。