上海
中國化工企業管理協會醫藥化工專委會
藥成材信息技術（北京）有限公司
各有關單位：
抗體藥物偶聯物（ADC）憑借抗體靶向性 + 高活性載荷的精準遞送機制，已成為全球抗腫瘤藥物研發的核心賽道。隨著多款 ADC 藥物獲批上市與商業化成功，國內創新藥企、CRO/CDMO 機構加速布局，靶點發現、抗體優化、連接子 - 載荷組合、成藥性評估等臨床前研發環節成為競爭焦點。
傳統ADC 研發高度依賴經驗篩選與試錯迭代，普遍面臨周期長、成本高、靶點稀缺、脫靶毒性、DAR 均一性難控、成藥性預測不準等瓶頸，從靶點驗證到臨床前候選化合物（PCC）階段耗時久、失敗率高。與此同時，以大語言模型、圖神經網絡、多模態 AI、蛋白質結構預測為代表的智能技術快速落地，正在重構藥物發現全流程，為 ADC 的多組分協同設計、高通量虛擬篩選、體內外特性精準預測提供全新解決方案。
當前行業普遍存在AI 技術與 ADC 研發場景脫節、工具不會用、流程跑不通、數據不閉環等落地難題，亟需一套覆蓋靶點發現→抗體設計→連接子 - 載荷篩選→成藥性優化→PCC 定型的全鏈條、可實操的 AI 應用體系，為此，我單位將于2026年4月在線上舉辦本次培訓，詳情如下：
會議安排
時間：2026年4月18日-19日
地點：線上直播
? 主講內容及老師?
第一天：AI 賦能 ADC 靶點發現與抗體智能設計
上午（09:00-12:00）
一ADC 研發全流程與 AI 變革
lADC的結構、作用機制與研發階段劃分
lAI重塑ADC：靶點/抗體/Linker/載荷/偶聯全環節賦能（對應可落地的AI任務類型：分類、排序、回歸、生成、主動學習）
l全球標桿案例與國內落地路徑（以“數據—模型—驗證—合規/可追溯”的落地路徑拆解）
二AI 驅動 ADC 靶點發現與驗證（核心）
l理想ADC靶點：高特異性、高內化性、低正常組織表達（指標化與可驗證化）
l多組學+知識圖譜+NLP挖掘新靶點（證據來源、證據強度、沖突證據處理）
l單細胞/空間轉錄組與腫瘤異質性靶點篩選（亞群表達、空間鄰域、靶點可及性）
內化效率、膜定位、內吞通路的AI可復現實操路線：
l路線A：顯微/流式/高內涵成像→CNN/深度分割（CellProfiler+Cellpose/StarDist）→內化指數自動定量→監督學習回歸/分類（高內化/低內化、內化速率分層）
l路線B：蛋白特征（跨膜結構、定位、GO、表達譜等）→傳統機器學習打分（RandomForest/XGBoost思路）→ILS（Internalization Likelihood Score，內化可能性評分）
l靶點成藥性與臨床轉化風險評估（證據分層、可轉化風險、競品態勢與失敗模式預警）
三靶點發現工具實操與數據庫
l公共/商業數據庫使用（公共庫提供手把手操作指南；商業庫重點講解字段含義與能力邊界，無需依賴賬號演示）
靶點AI打分平臺實操（公開可復現）：
lOpen Targets（通過Web界面及GraphQL API拉取證據維度數據并完成導出）
lDepMap（用于腫瘤依賴性/脆弱性證據的補充與強化）
lHPA（針對正常組織表達、腫瘤表達及亞細胞定位證據進行補充與強化）
l基于證據維度構建可解釋的靶點優先級模型（使用sklearn：對比線性模型與樹模型，輸出關鍵特征及決策依據）
l靶點優先級打分與立項決策（包含權重設置、敏感性分析、Go/No-Go判定標準、便于記錄與審計的輸出形式）
下午（14:00-17:30）
四AI 輔助抗體智能設計與親和力成熟
l抗體結構、人源化、穩定性與免疫原性控制（從“設計約束”角度構建可檢查清單）
lAlphaFold3與結構預測（能力邊界及適用場景）
l抗體結構預測實操：通過ColabFold/AF2 notebook運行VH/VL或Fv結構；解讀pLDDT/PAE指標并說明其在工程決策中的應用
l表位-互補決定區預測與結合模式分析（結構驅動的界面特征挖掘與假設生成）
l高通量突變設計與親和力優化（AI范式：候選生成→計算打分→主動學習篩選最小實驗集；強調“減少實驗次數”的量化思路）
五ADC 抗體關鍵屬性 AI 預測
l表達量、聚集性、穩定性、可開發性（以可復現工具輸出為核心，清晰闡述端點含義、閾值標準與紅旗信號）
l可開發性實操：TAP輸出可交付報告（解讀關鍵指標、識別高風險區域、提出工程化策略）
l去免疫原性與T細胞表位預測（操作流程、閾值設定、假陽性處理與驗證建議）
l免疫原性實操：IEDB TepiTool（表位候選篩選、閾值參數設定、結果解讀與優先級排序）
l偶聯位點設計與均一性提升（位點工程+結構特征+機器學習思路）：基于結構暴露度、局部疏水性、電荷等特征構建可解釋的位點優選打分體系；明確公開數據的能力邊界及應對策略
l案例：靶點→抗體序列設計+可開發性評估
l課堂產出：結構預測結果+TAP報告+IEDB初步篩選+突變最小實驗集建議（學員帶走“AI產物”）
第二天：AI 優化 Linker - 載荷與成藥性，直達 PCC
上午（09:00-12:00）
六AI 驅動 Linker - 載荷協同設計
lLinker類型：可切割/不可切割特性、親疏水性、循環穩定性（與PK及旁觀者效應的關聯）
l載荷：有效載荷、毒性、旁觀者效應、耐藥規避（與適應癥場景綁定）
切割效率、血漿穩定性、釋放動力學的AI可復現實操路徑（面向公開數據可講義化）：
lQSAR/圖模型/GNN思路：通過RDKit生成logP、PSA、HBD/HBA等描述符
l利用sklearn開展穩定性/毒性風險的分類或回歸分析（結合示例數據講解方法、評估與復現流程）
l明確動力學端點公開數據的限制：以“代理端點+方法論+如何構建自有數據集”形成落地指南
DAR分布、偶聯效率與工藝兼容性的AI應用位置與建模方法：
l可納入模型的變量：位點、局部疏水性、電荷、反應條件、溶劑及比例、溫度及時間等
lDoE數據向ML建模的最小閉環構建（不承諾公開端到端預測精度，強調模型的可解釋性與可驗證性）
七ADC 成藥性與 ADMET 智能預測
l吸收、分布、代謝、排泄與毒性（以payload側為核心的可復現評估路徑）
l心臟、肝臟與腎臟安全風險預測（端點解釋、閾值設定及驗證建議）
l多參數優化（MPO）與候選分子排序（權重設定、權衡關系解釋及敏感性分析）
l實操貫穿：通過ADMETlab 2.0實現payload候選批量評估與MPO權重敏感性分析（講解模型端點、不確定性及使用邊界）
八AI 虛擬篩選與先導化合物快速發現
l生成式AI設計全新ADC組件（訓練數據與約束條件：合成可行性、毒性紅線、可連接位點；提示詞與約束生成演示；不將課堂成敗完全依賴于生成結果）
l虛擬篩選流程與打分函數（可復現的最小化流程）：Vina對接→結果解釋→CNN重打分（GNINA），明確“此處AI即指CNN評分函數”
l濕實驗驗證優先級與降本策略（從計算排序到最小實驗集：驗證順序、成本控制與風險管控）
下午（14:00-17:30）
九從Lead 到 PCC：AI + 實驗閉環決策
lPCC標準：活性、選擇性、穩定性、安全性、工藝性（公開口徑+可執行驗證計劃）
l多維度評估體系與階段門控（stage-gate）：評分表、權重、敏感性分析、Go/No-Go口徑
l階段門控排序器（機器學習實操）：將靶點分數、可開發性、免疫原性、ADMET、對接/重打分等信息匯總成一張表；通過可解釋模型開展候選排序與關鍵驅動因素分析（強調可審計、可復現）
l常見失敗原因與規避方案（內化不足、毒性、異質性、穩定性、免疫原性、工藝放大與一致性風險）
十全流程案例復盤
l靶點→抗體→Linker-載荷→PCC端到端AI交付件復盤（各環節需產出可下載/可截圖的AI結果，包括證據頁、打分表、結構圖、報告、ADMET結果、對接與CNN重打分排序）
l藥企/CRO/AI平臺協同模式（明確RACI職責、數據接口、交付物與驗收標準，確保可交付、可復盤）
l案例：PCC方案設計
l基于給定適應癥，輸出靶點選擇、抗體設計、Linker-載荷組合、ADMET分析及PCC候選
l交付物清單：1頁PCC候選提名包、評分表、最小驗證實驗計劃
授課老師：擬邀請行業資深專家，詳情見第二輪通知
會議費用
會務費：4000元/鏈接（會務費包括：培訓、答疑、電子版講義、電子版培訓證書、一年在線無限次回放）； 開具增值稅發票，請把發票信息一并發送會務組。
報名回執表?
微信識別下圖二維碼即可在線報名 （收到報名表后，我們將第一時間與您聯系）
?匯款賬號?
*匯款信息：（備注ADC AI）
戶名：藥成材信息技術（北京）有限公司
賬號：0200316909100078392
開戶：中國工商銀行股份有限公司房山支行良鄉支行
* 單位名稱和納稅人識別號請認真核對，以便開具發票
?報名聯系方式?
微信識別下圖二維碼可在線咨詢
培訓報名負責人：陳老師 手機/微信：18248488783
感興趣的朋友盡快落實一下人員
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
