会议简介

近年来，人工智能已彻底颠覆了蛋白质设计领域。以 AlphaFold、ESM、RFdiffusion 为代表的一系列 AI 工具，使得从零开始创造具有全新结构和功能的蛋白质成为可能，为生物医药、酶工程等领域带来了前所未有的机遇。然而，强大的工具也带来了新的挑战：复杂的软件环境配置、多样的模型调用方式以及从“想法”到“设计”的完整工作流整合，成为了许多研究者，尤其是初学者的现实门槛。本课程旨在系统性地解决这些问题。我们将从最基础的 Linux 与 Conda环境管理讲起，确保每位学员搭建起稳定、可复现的计算平台。课程核心将深度实践三大前沿工具：利用 ESM 模型进行序列分析与特征提取；掌握ProteinMPNN 为给定骨架设计最优序列；并通过 RFdiffusion 实现从无到有的蛋白质骨架生成。最终，我们将以一个完整的“设计靶向 EGFR 的全新结合蛋白”综合项目，串联所有技术环节，带领学员亲历从靶标分析、骨架生成、序列设计到 AI 结构验证的完整闭环，快速获得独立开展 AI 蛋白质设计的能力。因此，中国化工企业管理协会医药化工专业委员会决定于 2026 年 6 月26-28 日在杭州市举办“2026 年 AI 蛋白质设计前沿技术实战培训班”。届时将邀请行业内实践专家针对相关内容进行讲解与实操教学。参会名额有限，望各有关单位积极转发或组织相关人员尽快报名参加。

会议内容

会议日程

2026年6月26-28日

参会对象

• 1.蛋白质工程领域科研单位专家及学者；
• 2.农学、医学、药学及食品学院校及企业蛋白质功能开发负责人；
• 3.生物工程领域从业工作者。

费用标准

注册征文

培训形式

基础奠基，工具实践，实例分析，互动答疑

完成全部培训课程者由协会颁发培训证书

课程大纲

第一天：计算环境搭建与蛋白质序列设计

（6 月 27 日，上午 09:00-12:00;下午 13:30-16:30）

上午 : 模块一 & 模块二

模块一：Linux 基础 — Linux, Conda, VScode & Docker & Claude Code，kimi code

目标：为后续所有软件安装和运行扫清障碍，建立规范、可复现的科研计算环境管理能力。

Linux 基础操作精讲：

文件系统与导航： ls, cd, pwd, mkdir 的高效使用技巧。

文件管理： cp, mv, rm, vi, cat, head, tail 的实战应用。

权限管理：理解并使用 chmod 解决脚本执行权限问题。

实操：在服务器上创建课程项目目录，并进行基本的文件组织。

Conda 环境管理核心：

核心理念：通过环境隔离解决不同项目间的依赖冲突问题。

环境生命周期： 创建(create)、激活(activate)、退出(deactivate)、删除(remove)

软件包管理： 安装(install/pip install)、查看(list)、导出配置(env export)

实操：为后续的 ESM、ProteinMPNN 和 RFdiffusion 创建独立的 Conda 环境。

Docker 容器化入门:

概念对比：Docker 与虚拟机的异同，镜像(Image)与容器(Container)的核心关系。

核心命令： docker pull (拉取官方镜像), docker run (运行容器)。

应用场景：讲解如何利用 Docker 一键部署复杂的生物信息学工具。

VScode 远程开发实战：

SSH 远程连接：配置 Remote-SSH 插件，一键连接实验室服务器，本地浏览远程文件。

科研扩展生态：安装 Python、Jupyter、Docker 插件，构建蛋白质设计的编程环境。

实操：通过 VScode 连接服务器，在课程目录中创建、编辑并直接运行蛋白质生成脚本。

Claude Code & Kimi Code AI 辅助编程：

核心理念：AI 嵌入终端与 IDE，实现代码生成、重构、Debug 闭环，加速生物信息学开发。

工具定位：自主编程 Agent，自然语言直驱文件系统与脚本执行，独立完成"写代码—

运行—报错修复—结果分析"完整链路。

实操：以自然语言驱动蛋白质设计全流程——自动生成 RFdiffusion 推理脚本、批量处理 PDB 文件、解析 ProteinMPNN 序列打分输出。

模块二：ESM 模型探索 — 从安装到基础应用

目标：掌握 Meta AI 的 ESM 系列工具，为蛋白质序列分析和结构预测打下基础。

ESM (Evolutionary Scale Modeling) 简介：

蛋白质语言模型：讲解 ESM 如何将自然语言处理的思想应用于蛋白质序列。

主要应用：序列嵌入、突变效应预测、结构预测 (ESMFold)。

软件安装与环境配置：

使用 pip 在之前创建的 Conda 环境中安装 fair-esm 库。

依赖检查与 GPU 环境确认 ( torch, cuda)。

基础操作演示与实战：

获取序列嵌入 (Embeddings)：编写 Python 脚本，为给定的 FASTA 序列生成高维特征表示，并解释其用途。

序列分类模型训练： 基于 ESM 提取的序列嵌入特征，构建简单的分类器，完成蛋白质功能分类或亚细胞定位预测任务。

单序列结构预测 (ESMFold)：使用 ESMFold 命令行工具或 API，对一条蛋白质序列进行快速结构预测。

结果分析：解读输出的 PDB 文件，重点关注 pLDDT 分数，并使用 PyMOL 等软件进行

三维结构可视化。

实操练习：学员独立完成一个未知蛋白的结构预测，并评估预测结果的可靠性。

下午: 模块三

模块三：ProteinMPNN 深度实践 — 反向折叠与序列设计 (3 小时)

目标：精通使用 ProteinMPNN，根据给定的蛋白质骨架设计出全新的、高稳定性的氨基酸序列。

软件安装与环境配置 :

从 GitHub 克隆 ProteinMPNN 官方仓库 ( git clone)。

使用 Conda 创建专用环境并安装所有依赖项。

下载预训练好的模型权重文件，并放置到指定目录。

序列设计核心流程：

基础工作流：输入 PDB 结构文件，运行设计脚本生成候选序列。

重要参数解析：输入输出路径、生成序列数量、采样温度等。

结果文件解读：理解输出 FASTA 中的序列评分及其意义。

进阶设计技巧：

位点控制策略：固定关键残基、排除特定位置、氨基酸偏好等。

复杂体系设计：多链蛋白、同源多聚体的序列优化。

参数调优实践：通过温度参数平衡序列多样性与结构匹配度。

质量评估方法：筛选高分序列、分析氨基酸组成合理性 。

第二天：蛋白质结构生成与综合项目实战

（6 月 28 日，上午 09：-12:00；下午 13:30-16:30）

上午: 模块四

模块四：RFdiffusion 核心技术 — 从无到有生成蛋白质骨架 (3 小时)

目标：掌握蛋白质结构生成工具 RFdiffusion，实现从头设计全新拓扑结构的能力。

软件安装与环境配置:

详细安装流程：分步指导通过 git clone 获取源码，使用 Conda/Mamba 创建环境。

常见问题排查：总结安装过程中可能遇到的编译错误、依赖冲突等问题及解决方案。

结构生成操作流程:

核心脚本 run_inference.py ：演示完整的命令行调用格式。

Contig 字符串详解：详细讲解如何通过 contig 字符串定义生成长度、引入已知 motif、指定二级结构等。例如： "A1-100" (生成 100 个残基), "10-20/A1-10/10-20" (在 A 链1-10 号残基两侧各生成 10-20 个残基)。

常用参数设置和输出结果解析:

inference.output_prefix: 输出文件命名

denoiser.noise_scale_ca: 主链噪声水平控制

denoiser.noise_scale_frame: 局部构象噪声控制

scaffolder.symmetry: 对称性参数（C2, D2, I 等）。

输出结果深度解析：使用 PyMOL 加载.traj.pdb 轨迹文件，观察结构生成过程，并学习如何筛选最优候选结构。

下午: 模块五 & 模块六

模块五：RFdiffusion 引导的 Binder 骨架生成

项目背景： 设计一个能够特异性结合 EGFR（表皮生长因子受体）的全新蛋白 binder，用于潜在的癌症治疗应用。EGFR 在多种癌症中过表达，是重要的药物靶点。

EGFR 靶标分析：

解析 EGFR 蛋白结构特征（621 AA，胞外域关键结合位点）。

确定设计目标：针对 EGFR 胞外域设计小分子 binder。

识别关键结合界面和潜在的相互作用热点区域。

RFdiffusion Binder 设计实操：

输入 EGFR 结构 PDB 文件，指定目标结合区域。

设置 binder 长度范围、扩散步数等关键参数。

运行脚本生成 20-50 个候选 binder 骨架。

结果筛选与评估：

筛选策略实践：从生成结果中筛选出 3-5 个最优候选骨架，并进行可视化分析，检查结合界面的合理性。

模块六：序列生成

ProteinMPNN 序列设计：

针对筛选骨架进行序列优化：输入 RFdiffusion 生成的 top3 候选骨架，固定界面关键残基，优化其余位置。

参数调整与序列生成：设置合适的采样温度，每个骨架生成 10-20 条序列。

序列筛选与优化：分析 ProteinMPNN 评分和氨基酸组成，检查界面残基的化学性质，选择每个骨架的 top3 序列进入验证阶段。

AlphaFold3 结构验证：

序列折叠预测：将 ProteinMPNN 设计的序列提交 AlphaFold3 预测，评估 pLDDT 分数。

结构比对与验证：计算预测结构与 RFdiffusion 骨架的 RMSD（目标 < 2Å），在 PyMOL中叠加比对，检查界面保持情况。

课程总结与讨论

回顾完整设计流程：靶标分析 → 骨架生成 → 序列设计 → 结构验证。

讨论挑战与改进方向，介绍后续优化策略。

课程总结与 Q&A:

回顾两天课程的核心知识点与工作流。

探讨 AI 蛋白质设计的当前局限与未来发展方向。

提供进一步学习的资源和路径建议。

开放式问答环节，解决学员所有遗留问题。

结业证书

完成全部培训课程者由协会颁发培训证书

产业简报

2026年AI蛋白质设计前沿技术行业发展趋势简报

——基于"2026年AI蛋白质设计前沿技术实战培训班"的深度洞察

一、核心趋势：AI驱动蛋白质设计从实验室走向产业化

以AlphaFold2、ESM-2、RFdiffusion为代表的AI工具已将蛋白质设计从"经验试错"推进至"计算驱动"的新范式。据本次培训班（2026年6月，杭州）所设课程体系可见，行业已形成"环境搭建→序列分析→骨架生成→序列设计→结构验证"的完整技术闭环。这标志着AI蛋白质设计正从学术研究快速向产业应用渗透，尤其在靶向EGFR等药物靶点的全新结合蛋白设计上，已具备从概念到成品的全链路落地能力。

二、关键技术方向：三大工具定义新标准

本次培训班以"靶向EGFR的全新结合蛋白"为综合实战项目，正是上述三大技术融合应用的典型场景，反映出行业对全流程实战能力的迫切需求。

三、政策驱动因素：国家战略与产业规划深度融合

《"十四五"生物经济发展规划》明确将蛋白质设计列为生物制造关键技术；《新一代人工智能发展规划》持续支持AI+生物交叉领域。浙江省作为数字经济与生物医药双高地，杭州市已出台专项政策支持AI制药产业集群建设。本次会议选址杭州，恰与地方产业政策形成共振，体现了政策引导与技术落地的深度耦合。

四、产学研生态：多元主体协同加速转化

知名研究机构：DeepMind（AlphaFold）、Meta AI（ESM）、华盛顿大学（RFdiffusion/ProteinMPNN）、中国科学院相关课题组；

代表性企业：百图生科、分子之心、晶泰科技、中科凯晟（本次承办方）、药明康德AI部门；

行业组织：中国化工企业管理协会医药化工专业委员会（主办方），发挥桥梁作用推动技术下沉。

五、应用行业与就业机会

应用领域：创新药研发（抗体/结合蛋白设计）、酶工程（工业催化）、合成生物学、农业育种、材料科学。

热门岗位：AI蛋白质设计工程师、计算生物学研究员、AI药物发现科学家、生物信息算法工程师、蛋白质工程研发主管。据行业调研，该领域年薪中位数已达35-60万元，且供需缺口持续扩大。

六、企业行动建议

尽快布局AI蛋白质设计能力：本次培训班反映的"环境配置难、工作流整合难"正是企业自建团队的核心痛点，建议优先培养具备Linux+Conda+AI工具链的复合型人才；

参与实战培训快速上手：2026年6月杭州培训班以EGFR项目为载体，是低成本获取全流程实战经验的优质通道；

关注政策红利：结合国家生物经济规划与地方AI产业政策，积极申报相关项目获取资金支持。

会议简评

推荐指数 : 8

理由：该会议聚焦AI蛋白质设计这一当下极具前沿性和产业价值的热点方向，涵盖AlphaFold、ESM、ProteinMPNN、RFdiffusion等主流工具，且采用实战培训模式而非纯讲座，对初学者友好，有完整项目驱动，实用性强。主办单位为行业协会，承办为专业技术研究院，课程设计较为系统。扣分项主要在于：会议规模较小，主办/承办方非顶级学术机构，且缺乏明确的早鸟优惠等激励机制。

预估人数规模：80-150人

理由：属于专业技术实战培训班，受限于场地（杭州）和"参会名额有限"的表述，结合AI蛋白质设计属于细分但热门的交叉领域，目标人群主要为高校研究生、科研院所研究人员、药企研发人员等，预计在80至150人之间。