感谢您发送咨询！我们的团队成员将很快与您联系。
感谢您发送预订！我们的团队成员将很快与您联系。
课程大纲
AlphaFold简介及其对生物学研究的影响
- 蛋白质结构预测的演变：从同源建模到深度学习的突破
- AlphaFold在加速结构生物学、药物发现和功能注释中的作用
- 设定期望：能力、局限性和实验整合点
- 实践练习：探索AlphaFold蛋白质结构数据库（AFDB）界面并进行初始序列搜索
AlphaFold的工作原理：架构与核心组件
- 神经网络架构：Evoformer、结构模块和基于注意力的序列建模
- 多序列比对（MSA）生成和模板匹配（PDB、UniRef、BFD）
- 置信度指标：pLDDT（每个残基的置信度）和PAE（预测对齐误差）解释
- 实践练习：使用样本蛋白质序列映射AlphaFold的工作流程阶段，并追踪MSA/模板输入
访问AlphaFold：平台、笔记本与部署
- 官方部署选项：AlphaFold DB、公共API、Colab笔记本和本地/GPU环境
- 设置可重复的Colab环境：依赖安装、GPU分配和输入格式化
- 准备蛋白质序列：FASTA结构、链处理和多域考虑
- 实践实验室：部署官方AlphaFold Colab笔记本，上传自定义FASTA并启动首次预测运行
AlphaFold蛋白质结构数据库与公共资源
- 导航AFDB：生物覆盖范围、结构质量、下载格式（PDB/mmCIF、未松弛/pLDDt文件）
- 将AFDB与UniProt、PDB和功能数据库（GO、KEGG、CATH）进行交叉引用
- 管理大规模数据集：批量预测限制、引用指南和数据许可
- 实践练习：为目标路径提取高置信度的AFDB模型，并为下游分析准备文件
解读AlphaFold预测与置信度指标
- 阅读pLDDT热图：识别结构化核心、无序区域和低置信度域
- 解码PAE矩阵：检测域边界、链内/链间相互作用和潜在错误折叠区域
- 预测的可靠性：序列覆盖范围、进化深度和已知结构同源物
- 实践练习：评估多域蛋白的pLDDT/PAE输出，标记低置信度区域并规划突变/验证目标
AlphaFold开源代码与定制路径
- 仓库结构：核心模块、数据管道和配置文件
- 修改输入：自定义MSA、模板覆盖和置信度阈值调整
- 性能优化：减少运行时间、内存管理和检查点保存
- 实践实验室：在Colab中运行修改后的AlphaFold管道，使用自定义模板约束并导出精炼的PDB文件
AlphaFold在生物学研究与实验整合中的应用
- 使用预测模型指导突变、结晶和冷冻电镜网格规划
- 功能注释：活性位点映射、配体对接准备和界面预测
- 局限性与验证：何时信任预测、何时进行实验验证以及常见陷阱
- 研讨会：为预测结构设计实验验证工作流程，并将AI输出映射到湿实验室实验
总结、顶点应用与下一步
- 巩固关键概念：架构、解读和实际部署
- 顶点项目：学员选择一个感兴趣的蛋白质，运行/提取预测，解读置信度指标，并制定研究应用计划
- 开放式问答，常见错误排查和资源分发
- 下一步：高级AlphaFold3集成、RoseTTAFold、trRosetta和持续发展的社区工具
要求
- 具备蛋白质结构的背景知识
- 建议熟悉基本的分子生物学概念（氨基酸序列、折叠原理、PDB/mmCIF格式）
- 能够熟练使用基于Web的笔记本并在浏览器中执行代码单元
受众
- 生物学家、分子研究人员和结构生物学研究者
- 希望通过计算结构预测指导湿实验室工作流程的实验科学家
- 将AI驱动建模整合到假设生成和实验设计中的生命科学专业人士
7 小时
