愛鋒貝

標題: 藥物人必備科研技能！CADD計算機輔助藥物設計聯(lián)合AIDD ... [打印本頁]
作者: 數(shù)碼桃桃    時間: 2022-10-18 16:13
標題: 藥物人必備科研技能！CADD計算機輔助藥物設計聯(lián)合AIDD ...
CADD(Computer Aided Drug Design):計算機輔助藥物設計，依據(jù)生物化學、酶學、分子生物學以及遺傳學等生命科學的研究成果，針對這些基礎研究中所揭示的包括酶、受體、離子通道及核酸等潛在的藥物設計靶點，并參考其它類源性配體或天然產(chǎn)物的化學結構特征，以計算機化學為基礎，通過計算機的模擬、計算和預算藥物與受體生物大分子之間的相互作用，考察藥物與靶點的結構互補、性質互補等，設計出合理的藥物分子。它是設計和優(yōu)化先導化合物的方法，特別是在食品、生物、化學、醫(yī)藥、植物、疾病方面應用廣泛！
         AIDD（AI Drug Discovery & Design）：是近年來非常火熱的技術應用，且已經(jīng)介入到新藥設計到研發(fā)的大部分環(huán)節(jié)當中，為新藥發(fā)現(xiàn)與開發(fā)帶來了極大的助力。傾向于機器對數(shù)據(jù)庫信息的自我學習，可以對數(shù)據(jù)進行提取和學習，一定程度上避免了化合物設計過程中的試錯路徑，同時還會帶來很多全新的結構，為藥物發(fā)現(xiàn)打破常規(guī)的結構壁壘。覆蓋了機器學習和深度學習，能與新藥研發(fā)相結合并實質性的應用到靶點預測、高通量篩選、藥物設計、藥物的ADMET性質預測等；且算力方面，由早期應用于藥物發(fā)現(xiàn)領域的決策樹、隨機向量機等機器學習模型，進展到深度神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等深度學習算法。具體到新藥研發(fā)環(huán)節(jié)：如靶點識別，基于決策樹來預測與疾病相關的基因，有研究者發(fā)現(xiàn)了多種EF在信號通路和胞外定位中的調控作用，并進一步基于靶點的結構和幾何特征，選取一定量蛋白的數(shù)十個結合位點以及大量的非藥物結合位點，構建隨機森林分類器來預測藥物靶點，并有研究者進一步采樣提升了隨機森林算法，成功的從非藥物靶點中區(qū)分了藥物靶點。再如，活性篩選方面，AIDD可以對候選化合物進行篩選，從而更快的篩選出作用于特定靶點且具有較高活性的化合物.
      基因組學（genomics）是對生物體所有基因進行集體表征、定量研究及不同基因組比較研究的一門交叉生物學學科，基因組學的目的是對一個生物體所有基因進行集體表征和量化，并研究它們之間的相互關系及對生物體的影響 。機器學習已經(jīng)被廣泛應用于基因組學研究中，利用已知的訓練集對數(shù)據(jù)的類型和應答結果進行預測，深度學習，可以進行預測和降維分析。深度學習模型的能力更強且更靈活，在適當?shù)挠柧殧?shù)據(jù)下，深度學習可以在較少人工參與的情況下自動學習特征和規(guī)律。調控基因組學，變異檢測，致病性評分成功應用。深度學習可以提高基因組數(shù)據(jù)的可解釋性，并將基因組數(shù)據(jù)轉化為可操作的臨床信息。改善疾病診斷方案，了解應該使用哪些藥物和給誰服用藥物，最大限度的減少副作用，最大限度的提高療效，所有這些都要求從基因組原始數(shù)據(jù)開始進行分析。這將是一項非常耗時的過程，因為涉及到的變量太多了，而深度學習恰恰能幫助縮短這 一過程，進兩年國內外頂尖課題組MIT、Harvard University、UPenn、清華大學、復旦大學等都在從事深度學習基因組學的研究，這一研究成果更是多次發(fā)表在Nature Reviews Genetics、Nature Methods、Science Advances、Cancer Cell、Nature Biotechnology 等知名國際頂刊上，為我們發(fā)表頂刊鑒定了基礎！
      由于國內計算機輔助藥物設計與人工智能藥物發(fā)現(xiàn)與設計和深度學習基因組學研究發(fā)展緩慢，學習平臺文獻資料較少，培訓學習迫在眉睫， 應廣大科研人員要求，本單位經(jīng)過數(shù)月調研，決定聯(lián)合專家共同舉辦“CADD計算機輔助藥物設計+AIDD人工智能藥物發(fā)現(xiàn)與設計+深度學習在基因組學”專題培訓班，本單位已經(jīng)舉辦九期培訓，參會人員800余人，對于培訓安排和培訓質量一致評價極高 ！
培訓對象
全國各大高校、企業(yè)、科研院所從事人工智能、生命科學、代謝工程、有機合成、抗體工程、酶工程、天然產(chǎn)物、蛋白質、藥物、生物信息學、植物學，動物學、食品、化學化工，醫(yī)學、疾病、機器學習、基因組學、農(nóng)業(yè)科學、植物學、動物學，臨床醫(yī)學、食品科學與工程、植物基因組、動物傳染病、腫瘤免疫與靶向治療、 全基因組泛癌分析、人黏連蛋白折疊基因組機、有機合成、生物化學、病毒檢測、高通量測序、分子生物學、功能基因組、遺傳圖譜、基因挖掘變異、代謝組學、蛋白質組學、轉錄組學、生物醫(yī)學、轉化研究、蛋白質、癌癥、核酸、毒物學研究、生物信息、生物計算、生命科學、生態(tài)、腫瘤、遺傳、基因改造、細胞分化、微生物、生物醫(yī)學大數(shù)據(jù)分析與挖掘、數(shù)學類專業(yè)、計算機科學、醫(yī)學、疾病等研究的科研人員以及人工智能愛好者
培訓目標（完全適合零基礎）

      CADD計算機輔助藥物設計設計流程，讓學員能夠掌握包括PDB數(shù)據(jù)庫、靶點蛋白、蛋白質-配體、蛋白-配體小分子、蛋白-配體結構、notepad的介紹和使用、分子對接、蛋白-配體對接、虛擬篩選、蛋白-蛋白對接、蛋白-多糖分子對接、蛋白-水合對接、Linux安裝、gromacs分子動力學全程實操、溶劑化分子動力學模擬
      AIDD人工智能藥物發(fā)現(xiàn)與設計流程，讓學員能夠掌握包括配體人工智能藥物發(fā)現(xiàn)(AIDD)簡介、基于結構的藥物發(fā)現(xiàn)與設計、基于配體的藥物發(fā)現(xiàn)與設計、常用工具的介紹與安裝（Anaconda3、Pandas、NumPy、RDKit、scikit-learn、Pytorch、Tensorflow、DeepChem）基于配體結構的藥物發(fā)現(xiàn)——分類任務、模型評估方法、分類模型的常用評價指標、變量篩選、參數(shù)格點搜索、基于配體結構的藥物發(fā)現(xiàn)——回歸任務、深度學習與藥物發(fā)現(xiàn)、分子生成模型
     深度學習基因組學設計流程：深入學習與了解深度學習基本框架與邏輯，同時掌握基本的生物信息學軟件（Linux、R、python等）的使用，讓學員能更好的應對基因組數(shù)據(jù)，挖掘出超越已有知識的新知識。而構建好的深度學習模型去探求新的研究思路和尋找新的潛在生物學機制，更好的服務于自身的科學研究和探索的過程中。同時，學習已經(jīng)發(fā)表的高分文章結構和數(shù)據(jù)，掌握深度學習和基因組學之間的關聯(lián)關系和分析思路及方法技巧，在多組學數(shù)據(jù)的基礎上，熟練應用深度學習算法和應用，讓學員能夠在學習理論知識的同時熟悉代碼實操，幫助科研工作者利用已有公共數(shù)據(jù)庫挖掘數(shù)據(jù)，獨自完成自己的課題研究項目，發(fā)表高分文獻
培訓講師
主講老師來自國內高校、中科院等單位，老師主要擅長深度學習、機器學習、藥物虛擬篩選、計算機輔助藥物設計、人工智能藥物發(fā)現(xiàn)、分子對接、分子動力學等方面的研究，在我們單位長期進行授課，講課內容和授課方式以及敬業(yè)精神受到參會學員 的一致認可和高度評價
基因組學主講老師來自國內高校陳老師授課。在國內外學術刊物發(fā)表論文數(shù)篇，包括Nature Communication, Cell Regeneration等知名期刊，研究方向為生物信息學，發(fā)育生物學和遺傳學等。利用多組學數(shù)據(jù)，通過深度學習算法進行數(shù)據(jù)分析和挖掘，包括ChIP-seq，ATAC-seq，RNA-seq，CNV等

課表內容
課程一： CADD計算機輔助藥物設計課表內容
第一天
背景與理論知識以及工具準備

1.PDB數(shù)據(jù)庫的介紹和使用
1.1數(shù)據(jù)庫簡介
1.2靶點蛋白的結構查詢與選取
1.3靶點蛋白的結構序列下載
1.4靶點蛋白的下載與預處理
1.5批量下載蛋白晶體結構
pymol的介紹與使用
2.1軟件基本操作及基本知識介紹
2.2蛋白質-配體相互作用圖解
2.3蛋白-配體小分子表面圖、靜電勢表示
2.4蛋白-配體結構疊加與比對
2.5繪制相互作用力
3.notepad的介紹和使用
3.1 優(yōu)勢及主要功能介紹
3.2 界面和基本操作介紹
3.3插件安裝使用

一般的蛋白-配體分子對接講解

1.對接的相關理論介紹
1.1分子對接的概念及基本原理
1.2分子對接的基本方法
1.3分子對接的常用軟件
1.4分子對接的一般流程
2.常規(guī)的蛋白-配體對接
2.1收集受體與配體分子
2.2復合體預構象的處理
2.3準備受體、配體分子
2.4蛋白-配體對接
2.5對接結果的分析
以新冠病毒蛋白主蛋白酶靶點及相關抑制劑為例

第二天
虛擬篩選

1.小分子數(shù)據(jù)庫的介紹與下載
2.相關程序的介紹
2.1 openbabel的介紹和使用
2.2 chemdraw的介紹與使用
3.虛擬篩選的前處理
4.虛擬篩選的流程及實戰(zhàn)演示
案例：篩選新冠病毒主蛋白酶抑制劑
5.結果分析與作圖
6.藥物ADME預測
6.1ADME概念介紹
6.2預測相關網(wǎng)站及軟件介紹
6.3預測結果的分析

第三天：
拓展對接的使用方法
1.蛋白-蛋白對接
1.1蛋白-蛋白對接的應用場景
1.2相關程序的介紹
1.3目標蛋白的收集以及預處理
1.4使用算例進行運算
1.5關鍵殘基的預設
1.6結果的獲取與文件類型
1.7結果的分析
以目前火熱的靶點PD-1/PD-L1等為例。
2.涉及金屬酶蛋白的對接
2.1 金屬酶蛋白-配體的背景介紹
2.2蛋白與配體分子的收集與預處理
2.3金屬離子的處理
2.4金屬輔酶蛋白-配體的對接
2.5結果分析
以人類法尼基轉移酶及其抑制劑為例
3.蛋白-多糖分子對接
4.1蛋白-多糖相互作用
4.2對接處理的要點
4.3蛋白-多糖分子對接的流程
4.4蛋白-多糖分子對接
4.5相關結果分析
以α-糖苷轉移酶和多糖分子對接為例
4.核酸-小分子對接
4.1核酸-小分子的應用現(xiàn)狀
4.2相關的程序介紹
4.3核酸-小分子的結合種類
4.4核酸-小分子對接
4.5相關結果的分析
以人端粒g -四鏈和配體分子對接為例。
操作流程介紹及實戰(zhàn)演示
第四天
拓展對接的使用方法

1.柔性對接
1.1柔性對接的使用場景介紹
1.2柔性對接的優(yōu)勢
1.3蛋白-配體的柔性對接
重點：柔性殘基的設置方法
1.4相關結果的分析
以周期蛋白依賴性激酶2（CDK2）與配體1CK為例
2.共價對接
2.1兩種共價對接方法的介紹
2.1.1柔性側鏈法
2.1.2兩點吸引子法
2.2蛋白和配體的收集以及預處理
2.3共價藥物分子與靶蛋白的共價對接
2.4結果的對比
以目前火熱的新冠共價藥物為例。
3.蛋白-水合對接
3.1水合作用在蛋白-配體相互作用中的意義及方法介紹
3.2蛋白和配體的收集以及預處理
3.3對接相關參數(shù)的準備
重點：水分子的加入和處理
3.4蛋白-水分子-配體對接
3.5結果分析
以乙酰膽堿結合蛋白(AChBP)與尼古丁復合物為例

第五天
分子動力學模擬Linux與gromacs
1. linux系統(tǒng)的介紹和簡單使用
1.1 linux常用命令行
1.2 linux上的常用程序安裝
1.3 體驗：如何在linux上進行虛擬篩選
2.分子動力學的理論介紹
2.1分子動力學模擬的原理
2.2分子動力學模擬的方法及相關程序
2.3相關力場的介紹
3.gromacs使用及介紹
重點：主要命令及參數(shù)的介紹
4. origin介紹及使用
第六天
溶劑化分子動力學模擬的執(zhí)行

1.一般的溶劑化蛋白的處理流程
2.蛋白晶體的準備
3.結構的能量最小化
4.對體系的預平衡
5.無限制的分子動力學模擬
6.分子動力學結果展示與解讀
以水中的溶菌酶為例
第七天
蛋白-配體分子動力學模擬的執(zhí)行

1.蛋白-配體在分子動力學模擬的處理流程
2.蛋白晶體的準備
3.蛋白-配體模擬初始構象的準備
4.配體分子力場拓撲文件的準備
4.1 gaussian的簡要介紹
4.2 ambertool的簡要介紹
4.3生成小分子的力場參數(shù)文件
5.對復合物體系溫度和壓力分別限制的預平衡
6.無限制的分子動力學模擬
7.分子動力學結果展示與解讀
8.軌跡后處理及分析
以新冠病毒蛋白主蛋白酶靶點及相關抑制劑為例

部分模型案例圖片

(, 下載次數(shù): 8)

(, 下載次數(shù): 8)

             課程二：AIDD人工智能藥物發(fā)現(xiàn)與設計培訓課表內容
第一天
人工智能藥物發(fā)現(xiàn)
從CADD到AIDD的介紹
1.計算機輔助藥物設計(CADD)簡介
1.2.分子對接與分子動力學背景介紹
1.3.人工智能藥物發(fā)現(xiàn)(AIDD)簡介
2.機器學習與深度學習在藥物發(fā)現(xiàn)中的背景介紹
2.1藥物發(fā)現(xiàn)與設計
2.2基于結構的藥物發(fā)現(xiàn)與設計
2.3基于配體的藥物發(fā)現(xiàn)與設計
  工具的介紹與安裝
3.1Anaconda3/Pycharm安裝
3.2python 編程基礎
3.3Pandas基礎
3.4NumPy基礎
3.5RDKit基礎
3.6Pytorch基礎
3.7Tensorflow基礎
3.8DeepChem基礎
第二天

機器學習與藥物發(fā)現(xiàn)(分類任務)

1.分類模型的構建與應用
1.1邏輯回歸算法原理
1.2樸素貝葉斯算法原理
1.3k最近鄰算法原理
1.4支持向量機算法原理
1.5隨機森林算法原理
1.6梯度提升算法原理
1.7多層感知機算法原理
1.8特征工程
1.9缺失值填補
2.特征歸一化
2.1變量篩選
2.2模型評估方法
2.3交叉驗證
2.4外部驗證
3.分類模型的常用評價指標
3.1混淆矩陣
3.2準確率
3.3敏感性
3.4特異性
3.5模型選擇
3.6格點搜索超參數(shù)調優(yōu)
3.7k折交叉驗證
分類模型的實例講解與練習，以給定數(shù)據(jù)集為例，講解基于以上機器學習算法的生物活性或ADMET性質預測模型。引導學員構建自己的數(shù)據(jù)模型，并用于小分子化合物的活性或ADMET性質預測。
第三天

機器學習與藥物發(fā)現(xiàn)(回歸任務)

1.隨機森林回歸
2.支持向量機回歸
3.XGboost回歸
4.多層感知機回歸
5.神經(jīng)網(wǎng)絡回歸
6.回歸模型的常用評價指標
6.1MSE
6.2RMSE
6.3MAE
6.4R2
QSAR/3D-QSAR模型
以給定數(shù)據(jù)集為例，講解基于上述幾種機器學習算法構建生物活性如pIC50或ADMET性質預測模型。
第四天
深度學習與藥物發(fā)現(xiàn)
1.深度學習的發(fā)展歷程與在藥物開發(fā)中的應用
1.1多層感知機/人工神經(jīng)網(wǎng)絡
1.2基于梯度的學習
1.3反向傳播算法
1.4隨機梯度下降
1.5卷積神經(jīng)網(wǎng)絡介紹
1.6圖神經(jīng)網(wǎng)絡介紹
基于PyTorch的多層感知機算法的實例講解與練習
以給定數(shù)據(jù)集為例，講解基于多層感知機的化合物性質預測模型。
以給定數(shù)據(jù)集為例，講解基于卷積神經(jīng)網(wǎng)絡的化合物圖像預測分類模型。
以給定數(shù)據(jù)集為例，講解基于圖神經(jīng)網(wǎng)絡對化合物的毒性分類預測模型。
第五天
分子生成模型

1.生成式對抗網(wǎng)絡(GANs)的基本原理
1.2生成器
1.3判別器
1.4循環(huán)神經(jīng)網(wǎng)絡(RNN)
1.5長短期記憶網(wǎng)絡(LSTM)
2.基于上下文的循環(huán)神經(jīng)網(wǎng)絡序列建模
3.基于字符串的小分子化合物生成模型
4.基于圖數(shù)據(jù)的小分子化合物生成模型
實例講解與練習，以給定數(shù)據(jù)集為例，構建分子生成模型。

(, 下載次數(shù): 6)




課程三：深度學習在基因組學應用課表內容

第一天
深度學習基礎
理論部分
深度學習基礎
1.有監(jiān)督學習中主要的神經(jīng)網(wǎng)絡算法
1.1全連接網(wǎng)絡
1.2深度卷積
1.3循環(huán)卷積
1.4圖卷積
2.多任務學習
3.多模態(tài)學習
4.遷移學習
5.非監(jiān)督學習方法：自動編碼器和生成對抗網(wǎng)絡
實操內容
1.R語言基礎
2.R（4.1.3）和Rstudio的安裝
3.R包安裝和環(huán)境搭建
4.數(shù)據(jù)結構和數(shù)據(jù)類型
第二天
深度學習在基因組學中的應用
理論部分
1.深度學習在基因組學中的應用
2.決策樹算法
3.隨機森林算法
4.支持向量機(SVM)算法簡介
5.樸素貝葉斯
6.Xgboost
7.主成分分析PCA算法
8.聚類算法
9.DBSCAN算法
10.層次聚類算法
實操內容
1.Linux操作系統(tǒng)
1.1 Linux操作系統(tǒng)的安裝與設置
1.2 網(wǎng)絡配置與服務進程管理
1.3 Linux的遠程登錄管理
1.4 常用的Linux命令
1.5 在Linux下獲取基因數(shù)據(jù)
1.6 利用Linux 探索基因組區(qū)域
1.7 Shell script與Vim編輯器
1.8 基因組文件下載與上傳
1.9 Linux權限管理
2.文件的身份
3.修改文件的所有者和所屬組
4.修改文件權限
第三天
1.卷積神經(jīng)網(wǎng)絡在基因組中的應用
2.循環(huán)神經(jīng)網(wǎng)絡在基因組中的應用
理論部分
1.功能基因組
2.結構基因組
3.表觀基因組
4.基因組數(shù)據(jù)庫
5.基因表達
實操內容
1.基因組環(huán)境搭建
2.Jupyter notebook的使用
3.Python語言基礎
4.卷積神經(jīng)網(wǎng)絡在基因組中的應用
5.循環(huán)神經(jīng)網(wǎng)絡在基因組中的應用
第四天
（Nature等頂刊復現(xiàn)）
1.DNA甲基化預測
2.RNA結合預測
3.RNA二級結構預測
4.腫瘤RNA表達水平預測
理論部分
1.數(shù)據(jù)表示
2.張量運算
3.神經(jīng)網(wǎng)絡中的“層”
4.由層構成的模型
5.損失函數(shù)與優(yōu)化器
6.數(shù)據(jù)集分配
7.過擬合與欠擬合
8.基因組常用深度學習框架
9.Keras
9.1 Tensorflow
9.2 PyTorch
9.3 Caffe
9.4 Theano
9.5 CNTK
9.6 MXNet
9.7 PaddlePaddle
9.8 Deeplearning4j
9.9 ONNX
實操內容
1.DNA甲基化預測
2.RNA結合預測
3.RNA二級結構預測
4.腫瘤RNA表達水平預測
5.Pre-mRNA的m6A修飾預測
6.蛋白亞細胞定位預測
(實操通過復現(xiàn)多篇Nature等頂刊 講解代碼，跑代碼，助力學員發(fā)高分文獻
授課時間地點
CADD計算機輔助藥物設計專題培訓班
2022.10.22 -----2022.10.23 全天授課(上午09:00-11:30 下午13:30-17:00)
2022.10.25-----2022.10.28 晚上授課(晚上19:00-22:00)
2022.10.29-----2022.10.30全天授課(上午09:00-11:30 下午13:30-17:00)
2022.10.31 -----2022.11.01晚上授課 (晚上19:00-22:00)
AIDD人工智能藥物發(fā)現(xiàn)與設計專題培訓班
2022.10.29-----2022.10.30全天授課(上午09:00-11:30 下午13:30-17:00)
2022.11.01----2022.11.02 晚上授課(晚上1 9:00-22:00)
2022.11.05----2022.11.06全天授課(上午09:00-11:30 下午13:30-17:00)
深度學習在基因組學應用專題培訓
2022.10.22-2022.10.23 (09:00-11:30) - (13:30-17:00)
2022.10.29-2022.10.30 (09:00-11:30) - (13:30-17:00)
（騰訊會議直播上課 提供錄像回放 錄像永久觀看）
報名費用
CADD計算機輔助藥物設計與AIDD人工智能藥物發(fā)現(xiàn)培訓費用
公費價：每人每班￥5880元 （含報名費、培訓費、資料費）
自費價：每人每班￥5480元 （含報名費、培訓費、資料費）
同時報名兩個班9980元 （原價11760元）
深度學習基因組學培訓費用
基因組學公費價：每人每班￥4680元 （含報名費、培訓費、資料費）
基因組學自費價：每人每班￥4280元 （含報名費、培訓費、資料費）
優(yōu)惠政策
優(yōu)惠1：提前報名繳費學員+轉發(fā)到朋友圈或者到學術交流群可享受每人300元優(yōu)惠（僅限15名）
優(yōu)惠2：同時報名兩個班免費贈送一個班（CADD、AIDD、深度學習基因組學任意報兩班免費贈送一個班學習）
優(yōu)惠: 報名五個培訓班以上包含五個，免費贈送三個培訓名額
報名費用可開具正規(guī)報銷發(fā)票及提供相關繳費證明、邀請函，可提前開具報銷發(fā)票、文件用于報銷
證書：參加培訓并通過考試的學員，可以申請獲得工業(yè)和信息化部工業(yè)文化發(fā)展中心頒發(fā)的“工業(yè)強國建設素質素養(yǎng)提升尚工行動”崗位能力適應評測證書。該證書可在中心官網(wǎng)查詢，可作為能力評價，考核和任職的重要依據(jù)。評測證書查詢網(wǎng)址：http://www.miit-icdc.org（自愿申請，須另行繳納考試費500元/人）
培訓福利
報名繳費成功贈送報名班型全套預習視頻，課后學習完畢提供全程錄像視頻回放，針對與培訓課程內容進行長期答疑，微信解疑群永不解散，參加本次課程的學員可免費再參加一次本單位后期組織的相同的專題培訓班（任意一期都可以）
授課方式及學員反饋
通過騰訊會議線上直播，從零基礎開始講解，600余頁電子PPT和教程＋預習視頻提前發(fā)送給學員，所有培訓使用軟件都會發(fā)送給學員，附贈安裝教程和指導安裝，培訓采取開麥共享屏幕和微信群解疑，學員和老師交流、學員與學員交流，培訓完畢后老師針對與培訓內容長期解疑，培訓群不解散，往期培訓學員對于培訓質量和授課方式一致評價極高
試看往期培訓視頻
鏈接：https://pan.baidu.com/s/1LG9d0Idg4Ia5rA9br1ePag
提取碼：8888
（一）學員實操及科研問題老師解答

(, 下載次數(shù): 8)

（二）學員對培訓非常認可，而且我們保證二次學習是免費的

(, 下載次數(shù): 7)

(, 下載次數(shù): 7)

往期學員參會單位及報名流程

有來自四川大學、四川師范大學、中國科學院大學、西安電子科技大學、陜西科技大學、東北林業(yè)大學、渤海大學、海南大學、廣西中醫(yī)藥大學、北京化工大學、成都大學、香港浸會大學中醫(yī)藥學院、贛南師范大學、重慶陸軍勤務學院、齊魯工業(yè)大學、陜西科技大學、陜西師范大學、中科院大學 、浙江工商大學、成都中醫(yī)藥大學、上海交通大學、哈爾濱商業(yè)大學、中國人民解放軍海軍軍醫(yī)大學、西安電子科技大學、中國農(nóng)業(yè)大學、南昌大學、新疆醫(yī)科大學、山東農(nóng)業(yè)大學、合肥工業(yè)大學、清華大學、華中農(nóng)業(yè)大學、山東理工大學、北京工商大學、河南大學、江蘇大學、江南大學、大連工業(yè)大學、華南理工大學、華南農(nóng)業(yè)大學、成都中醫(yī)藥大學、東北林業(yè)大學、北京大學、浙江大學、浙江工業(yè)大學、中南大學、復旦大學、南京農(nóng)業(yè)大學、齊魯工業(yè)大學、東北大學、國防科技大學、江蘇海洋大學、華東理工大學、華中科技大學、湖北大學、中國醫(yī)學科學院、西南大學、中南大學湘雅醫(yī)院、山西省人民醫(yī)院、中國藥科大學、西安市中醫(yī)醫(yī)院、首都醫(yī)科大學附屬北京友誼醫(yī)院、上海市第十人民醫(yī)院、協(xié)和藥物研究所、中國農(nóng)業(yè)科學院基因組研究所、廣州中醫(yī)藥大學、上海中醫(yī)藥大學、上海理工大學、成都中醫(yī)藥大學、北京中醫(yī)藥大學、武漢大學、香港大學、安陽工學院、沈陽藥科大學、中山大學腫瘤防治中心、山東中醫(yī)藥大學、寧波大學、寧夏大學、山東大學、甘肅中醫(yī)藥大學、醫(yī)學院附屬仁濟醫(yī)院、杭州醫(yī)學院、廣州醫(yī)科大學附屬腫瘤醫(yī)院、中山大學孫逸仙紀念醫(yī)院、江蘇省中醫(yī)院、承德醫(yī)學院、中國中醫(yī)科學院廣安門醫(yī)院、中山大學附屬第五醫(yī)院、中山大學中山眼科中心、汕頭大學、揚州大學、天津科技大學、吉林農(nóng)業(yè)大學、上海應用技術大學、空軍軍醫(yī)大學、首都醫(yī)科大學附屬北京友誼醫(yī)院、中國科學院海洋研究所、中國科學院深圳先進技術研究院、深圳灣實驗室、江蘇省淡水水產(chǎn)研究所、廣東省科學院測試分析研究所(中國廣州分析測試中心)、中國科學院昆明植物研究所、中國科學院植物研究所、中國科學院蘇州納米技術與納米仿生研究所、江蘇省淡水水產(chǎn)研究所、中國食品發(fā)酵工業(yè)研究院、中國中醫(yī)科學院中藥研究所、中國科學院海洋研究所、深圳清華大學研究院、國科大杭州高等研究院、美國貝勒醫(yī)學院等高校，康希諾生物股份公司、青峰制藥、江蘇恒瑞、上海青玄生物、石藥集團、正大天晴、宜昌人福藥業(yè)有限責任公司、江蘇中旗科技有限公司、長春金賽藥業(yè)有限責任公司、麗珠醫(yī)藥集團股份有限公司、大連醫(yī)諾生物股份有限公司、南京盛德瑞爾醫(yī)藥科技有限公司、上海蘭天生物醫(yī)藥科技有限公司、深圳研順生物科技有限公司、中國農(nóng)業(yè)科學院蜜蜂研究所、上海森輝醫(yī)藥有限公司、上海碩迪生物技術有限公司、云南騰善生物科技有限公司、湖南九典制藥股份有限公司、北京先為達生物科技有限公司、廣東省深圳市南山區(qū)中科院深圳先進院、無錫佰翱得生物科學有限公司、蘇州滬云新藥研發(fā)股份有限公司、深圳市靈蛛科技有限公司、濰坊易北特健康食品有限公司、江蘇三黍生物科技有限公司、蘇州浦合醫(yī)藥科技有限公司、麗珠醫(yī)藥集團股份有限公司、蘭晟生物醫(yī)藥(蘇州)有限公司、甫康（上海）健康科技有限責任公司、南京盛德瑞爾醫(yī)藥科技有限公司、深圳市領治醫(yī)學科技有限公司、北京安必奇生物科技有限公司、國家納米科學中心、四川國康藥業(yè)有限公司、南通藥明康德醫(yī)藥科技有限公司、南京沛微生物科技有限公司、北京科諾信誠科技有限公司、天士力生物醫(yī)藥股份有限公司、澤達易盛(天津)科技股份有限公司、沈陽市青囊醫(yī)療科技有限責任公司、石家莊以嶺藥業(yè)股份有限公司、青島科博源生物技術有限公司、中科聚研（吉林）干細胞科技有限公司、廣州同雋醫(yī)藥科技有限公司、南通奧貝特化工有限公司、北京斯利安藥業(yè)有限公司、上海韻和生物醫(yī)藥有限公司、杭州百誠醫(yī)藥科技股份有限公司、上海倍勘生物技術有限公司、長春金賽藥業(yè)有限責任公司、浙江海正股份有限公司等公司的五百余名工程師老師學生參會，還有許多因為時間沖突沒法參加。這次，我們誠摯邀請您來參加！
報名咨詢請二維碼掃描下方微信

聯(lián)系人：劉老師
報名電話：13014570505( 微信同號）
電子郵箱：2413673971@qq.com
  QQ：2413673971

-----------------------------



歡迎光臨 愛鋒貝 (http://m.7gfy2te7.cn/) Powered by Discuz! X3.4