近年来,利用高性能计算机来进行药物虚拟筛选已经被广泛应用,计算机辅助药物设计可以提高药物研发的成功率,降低研发成本,缩短研发周期,是目前创新药物研究的核心技术之一。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。
大纲
CADD蛋白结构分析、虚拟筛选、分子对接(蛋白-蛋白、蛋白-多肽)
生物分子互作基础
蛋白数据库
蛋白结构分析
同源建模
小分子构建
小分子化合物库
生物分子相互作用Ⅰ
生物分子相互作用II
虚拟筛选
小分子格式转换
拓展对接使用场景(上)
拓展对接使用场景(下)
基于碎片药物设计
构效关系分析
分子动力学模拟
AMBER分子动力学能量优化与分析、结合自由能计算
1 分子力学简介
1.1 分子力学的基本假设
1.2 分子力学的主要形式
2 分子力场
2.1 分子力场的简介
2.2 分子力场的原理
2.3 分子力场的分类及应用
3 LINUX 简介
3.1 用户属组及权限
3.2 目录文件属性
3.3 LINUX基础命令
3.4 LINUX环境变量
3.5 shell常用命令练习
4 AMBER简介和安装
4.1 GCC简介及安装
4.2 Open MPI简介及安装
4.3 AMBER安装运行
4.4 LIUUX操作练习
主要知识点
5 模型文件的预处理
5.1 模型来源简介
5.2 蛋白文件简介
6 模型文件的预处理
6.1 蛋白预处理
6.2 小分子预处理
6.3 AMBER力场简介
6.4 拓扑文件、坐标文件简介
6.5 top、crd文件的生成
6.6 tleap模块的使用
案例实践:
HIV-1复合物的预处理
7 能量优化、分子动力学模拟
7.1 能量优化意义以及方法
7.2 模拟温度调节意义及方法
7.3 溶剂模型分类及选择
7.4 动力学模拟输入文件的编写
7.5 运行分子动力学模拟
7.6 输出内容解读
7.7 练习答疑
案例实践:
HIV-1复合体系能量优化、分子动力学模拟
主要知识点
8 焓变计算
8.1 实验数据分析及检索
8.2 MM/PBSA结合自由能计算原理
8.3 GB模型讲解及分类
8.4 焓变输入文件的编写
8.5 焓变结果解读
9 熵变计算
9.1 Nmode计算熵变原理
9.2 熵变输入文件的编写
9.3 熵变结果解读
9.4 实验值与理论值对照分析
案例实践:
HIV-1与抑制剂之间结合自由能计算
10 3D可视化分析
10.1 VMD安装和使用
10.2 Pymol 安装和使用
11 构象分析
11.1 RMSD分析
11.2 B-Factory 分析
11.3 RMSF分析
11.4 RG分析
11.5 VMD动画展示
11.6 距离角度测量
11.7 溶剂可及表面积(SASA)
主要知识点
12 能量分析
12.1 残基分解(相互作用分析)
12.2 丙氨酸扫描(寻找热点残基)
12.3 氢键网络(盐桥,pi-pi共轭等其它相互作用)12.4 练习答疑
13 经典文献工作复现(请同学在课前自行下载仔细阅读)
13.1 Nanoscale , 12, 7134−7145.
(a) RMSD和2D_RMSD检验模拟的稳定性
(b) 结合自由能的对比与分析
(c) 热力学积分计算相对结合自由能
(d) 氢键网络分析
(e) 残基分解预测热点氨基酸
13.2 J. Chem. Inf. Model. , 61, 7, 3529–3542
(a) 丙氨酸扫面预测热点氨基酸
(b) 残基接触(contact)分析
(c) 温度因子分析(B-facter)分析
(d) 溶剂可及表面积分析
(e) 伞状采样动力学再现解离机制
GROMACS分子动力学蛋白模拟、药物开发溶剂筛选
1. 分子模拟基础理论;2 GROMACS程序入门——学会编译方法,安装自己的GROMACS可执行程序,并运行一个例子;3 生物体系建模——掌握不同体系快速搭建方法,使学员具有扎实的建模基础;4 模拟结果分析——掌握不同生物体系所需分析方法,生成拓扑结构和坐标文件;5 水溶性蛋白质和配体作用分子动力学模拟;6 分子动力学结果分析;7 生物膜磷脂双分子层生物膜、膜蛋白等建模;8 蛋白质结合自由能计算(伞形采样法为例);9 药物分子开发溶剂筛选。
AIDD人工智能(机器学习与深度学习)辅助药物发现
1.计算机辅助药物分子设计;2.Anaconda3的安装配置;3.AIDD简介——分类和回归任务;4.基于浅层机器学习的药物发现(目标:引导学员自行实现基于其他三种算法如KNN,SVM,XGBoost的毒性预测模型,并用于小分子化合物的毒性预测);5.基于浅层学习的药物发现——回归任务;6.基于浅层学习分类的虚拟筛选(目标:引导学员自行实现基于其他三种算法的pIC50值预测模型,并用于小分子化合物pIC50值的预测);7.基于深度学习的药物发现;8.使用DNN,GCN,GAT等主流深度学习模型进行实操。
原文链接计算机辅助药物设计及分子动力学技术与应用实践腾讯文档-在线PDF/pdf/DT1JMV2dsa0JrWGtX
分子动力学及计算机辅助药物设计四大专题(蛋白结构分析 虚拟筛选 分子对接 能量优化 结合自由能计算 深度学习药物发现)