前沿科技与医药领域碰撞，《AI制药方法与实践》课程重磅上线

本文主要是介绍前沿科技与医药领域碰撞，《AI制药方法与实践》课程重磅上线，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

药物发现是生物学、化学、医学、药学等基础研究与工业转化的重要窗口。近年来，AI技术的发展，为高投入、高失败率的制药行业带来了全新机遇，或将彻底改变传统制药的研究范式。为了帮助更多人了解并掌握这一前沿技术，百度飞桨联合清华大学药学院副教授田博学共同推出了一门新课程《AI制药方法与实践》。

本课程针对AI制药这一领域的基础与前沿问题，深入学习制药相关的AI算法，融合化学、生物学、医学、药学、数学与计算机等多个学科，引导学生进行学科交叉，并提高解决实际问题的能力。同时，本课程也将讨论AI制药技术的发展趋势以及应用，并结合实际案例锻炼学生自主解决实际问题的能力。

主讲老师

学习收获

学习人工智能在药学应用的案例，理解数据驱动的建模方法：本课程的目标是使学生通过学习人工智能在药学应用的案例（包括计算机实验课程），理解数据驱动的建模方法。
具备利用已有数据优化实验的能力，探索更经济的实验方案：结合自身专业背景（如生物学、化学、医学、药学等），针对特定科学问题（如化合物性质预测，药物设计，实验条件优化等），具备利用已有数据预测和优化实验的能力，探索更经济的实验方案来完成研究生期间的科学课题。
制药相关的数据类型以及编程方法：本课程将简单回顾线性代数与概率论的基本知识，讨论制药相关的数据类型（包括小分子、蛋白、组学数据等）以及编程方法，深入分析当前主流的AI算法包括Transformer、GNN等方法。
探讨AI制药趋势，完成AI制药相关的项目：本课程将讨论AI制药技术的发展趋势以及应用，并结合实际案例锻炼学生自主解决实际问题的能力。

课程设置及大纲

理论课一般在前半部分讲述AI相关内容，后半部分讲述制药相关内容；实践课主要是学生自主完成实验或者比赛内容。基础篇主要是介绍机器学习、深度学习和制药相关的概念，方法篇重点讲解序列模型（RNN、Transformer、BERT、GPT等）和图模型（GCN、GAT、MPNN等）。注意：传统的机器学习方法（如SVM、XGBoost等），以及深度学习中的卷积神经网络（CNN）在本课程中所占比例较低，感兴趣的学生需要自学。