CADD(Computer Aided Drug Design):计算机辅助药物设计，依据生物化学、酶学、分子生物学以及遗传学等生命科学的研究成果，针对这些基础研究中所揭示的包括酶、受体、离子通道及核酸等潜在的药物设计靶点，并参考其它类源性配体或天然产物的化学结构特征，以计算机化学为基础，通过计算机的模拟、计算和预算药物与受体生物大分子之间的相互作用，考察药物与靶点的结构互补、性质互补等，设计出合理的药物分子。它是设计和优化先导化合物的方法，特别是在食品、生物、化学、医药、植物、疾病方面应用广泛！
AIDD（AIDrugDiscovery&Design）：是近年来非常火热的技术应用，且已经介入到新药设计到研发的大部分环节当中，为新药发现与开发带来了极大的助力。倾向于机器对数据库信息的自我学习，可以对数据进行提取和学习，一定程度上避免了化合物设计过程中的试错路径，同时还会带来很多全新的结构，为药物发现打破常规的结构壁垒。覆盖了机器学习和深度学习，能与新药研发相结合并实质性的应用到靶点预测、高通量筛选、药物设计、药物的ADMET性质预测等；且算力方面，由早期应用于药物发现领域的决策树、随机向量机等机器学习模型，进展到深度神经网络、卷积神经网络、循环神经网络等深度学习算法。具体到新药研发环节：如靶点识别，基于决策树来预测与疾病相关的基因，有研究者发现了多种EF在信号通路和胞外定位中的调控作用，并进一步基于靶点的结构和几何特征，选取一定量蛋白的数十个结合位点以及大量的非药物结合位点，构建随机森林分类器来预测药物靶点，并有研究者进一步采样提升了随机森林算法，成功的从非药物靶点中区分了药物靶点。再如，活性筛选方面，AIDD可以对候选化合物进行筛选，从而更快的筛选出作用于特定靶点且具有较高活性的化合物.
基因组学（genomics）是对生物体所有基因进行集体表征、定量研究及不同基因组比较研究的一门交叉生物学学科，基因组学的目的是对一个生物体所有基因进行集体表征和量化，并研究它们之间的相互关系及对生物体的影响。机器学习已经被广泛应用于基因组学研究中，利用已知的训练集对数据的类型和应答结果进行预测，深度学习，可以进行预测和降维分析。深度学习模型的能力更强且更灵活，在适当的训练数据下，深度学习可以在较少人工参与的情况下自动学习特征和规律。调控基因组学，变异检测，致病性评分成功应用。深度学习可以提高基因组数据的可解释性，并将基因组数据转化为可操作的临床信息。改善疾病诊断方案，了解应该使用哪些药物和给谁服用药物，最大限度的减少副作用，最大限度的提高疗效，所有这些都要求从基因组原始数据开始进行分析。这将是一项非常耗时的过程，因为涉及到的变量太多了，而深度学习恰恰能帮助缩短这一过程，近两年国内外顶尖课题组MIT、Harvard University、UPenn、清华大学、复旦大学等都在从事深度学习基因组学的研究，这一研究成果更是多次发表在Nature Reviews Genetics、Nature Methods、Science Advances、Cancer Cell、Nature Biotechnology 等知名国际顶刊上，为我们发表顶刊鉴定了基础！
邀请函 | 顶尖学术盛宴，第十期CADD计算机辅助药物设计联合AIDD人工智能药物发现与深度学习基因组学开始招生！邀请函 | 顶尖学术盛宴，第十期CADD计算机辅助药物设计联合AIDD人工智能药物发现与深度学习基因组学https://mp./s?__biz=MzkzMTM0NTY4MQ==&mid=2247484062&idx=1&sn=6176ca8479e5471f44975d4fbe687309&chksm=c26d26e0f51aaff6d6b8e05a4e6a8c4df35635ea1ec7e598c58ff14ae0502f67ce621790f2c8#rd
