内容安排

通过这一讲，学生将了解课程的总体目标、核心内容和教学安排。我们将以大模型和 AI 时代为背景，帮助学生认识生命科学领域中的技术趋势和挑战，并为后续课程奠定基础。

在掌握课程整体概貌后，这一讲将带领学生复习深度学习和生命科学的关键基础知识，包括当前生物领域面临的主要科学问题。通过回顾和巩固这些知识，学生将为理解后续内容做好准备。

基础知识复习后，我们将正式进入对生物分子理解的核心内容。这一讲集中讨论蛋白质折叠问题，从分子生物学基础知识出发，阐述蛋白质的结构与功能关系。我们随后介绍传统方法如何依赖实验数据和物理模型进行预测。

学生将学习基于深度学习的现代模型（如AlphaFold2、RosettaFold）的工作原理。随后，学生将学习最前沿的全模态生物分子结构预测模型，以及它们如何在更大规模的标注数据上实现结构预测的突破。最后，通过分析这些工具在实际科学发现中的应用。

我们将进一步探索通过无监督学习来帮助人工智能理解生物分子信息。这一讲引入蛋白质语言模型，通过观察大量未标注的蛋白质序列，从中学习语法和语义。这种无监督学习方式不仅弥补了有监督方法的不足，还能帮助揭示蛋白质序列背后的深层规律。

完成对分子基础模型的学习后，这一讲将展示它们的实际应用价值。我们将通过具体案例说明蛋白质模型在活性预测等生物学关键问题中的实践成效。学生将了解高效微调的使用方法，以及如何应用主动学习、少样本学习策略，提升模型的预测性能和实用性。

在理解现有蛋白质的基础上，本讲转向探索如何根据我们的实际需要创造新蛋白质。我们首先回顾传统搜索算法的基本原理及其在生物分子设计中的应用。然后，学生将学习如何利用可学习的搜索算法，实现分子空间的高效探索与优化，最终为分子设计提供新思路。

从搜索转向生成式设计，这一讲将展示扩散模型和蛋白质逆折叠等新兴技术。学生将学会如何运用生成式 AI 工具设计蛋白质分子，并掌握这些方法的基本原理与实践要点。此外，课程将讨论基于生成式模型的创新，帮助学生理解如何将生成式算法应用到分子设计的实际场景中。

强化学习提供了一种探索和优化蛋白质设计的独特途径。本讲将介绍强化学习的基本概念及其在生物领域的实际应用。学生将学习如何构建蛋白质领域的世界模型，并探索强化学习在蛋白质优化和设计中的实际应用策略，为设计复杂的蛋白质提供新的解决方案。

随着 ChatGPT-O1 的出现，测试阶段的计算潜力被大大释放。本讲将探讨这一变革的核心逻辑：如何通过在测试阶段引入思维链推理和代理机制等技术。学生将了解如何在测试阶段优化设计蛋白质、生成序列，从而显著提升蛋白质设计的效率与效果。

在前几讲中，我们以理解与设计蛋白质的方法为核心讨论了设计技术。接下来我们将聚焦于具体的案例，本节我们将聚焦于荧光蛋白，一种最常用的分子标记之一。AI的引入为优化这些标记蛋白的光学性能、稳定性以及特定应用场景的功能提供了新的手段。

通过对荧光蛋白的研究，学生了解了AI如何提升单一功能蛋白的特性。接下来，我们将转向基因编辑工具酶的设计，探讨AI如何帮助优化这些复杂的多功能分子工具。通过结合AI方法，研究人员可以筛选出更有效的变体，优化酶的靶向性能，甚至设计全新的工具酶。

通过AI改进基因编辑工具酶的功能后，研究者开始关注如何通过迭代优化这些工具。接下来，我们将探索如何利用AI驱动的高通量筛选和进化实验，使工具酶在多轮循环中不断进化，实现更高效的编辑能力。学生将学习如何结合AI技术实现蛋白质进化的快速优化。

在设计单独一个蛋白质之外，我们也引入多个生物分子互作的建模与设计。本节将以抗体设计为例，进一步展示蛋白质应用的深度和广度。学生将学习抗原抗体相互作用的生物学基础，以及如何利用AI技术预测和优化抗体结构与功能。通过AlphaFold3等最新工具，学生将看到AI在快速生成和筛选抗体候选物中的作用，为抗体药物开发开辟更快的途径。