课题简介
人工智能（AI）驱动的药物分子设计是近年来科学发现领域的一个重要方向，其核心目标是通过深度学习、生成模型和强化学习等技术，加速新分子的设计、优化和筛选过程。传统的药物研发流程通常耗时耗力，且成本高昂，而AI技术的引入能够显著缩短研发周期，降低研发成本，并提高药物设计的成功率。
近年来，随着深度强化学习（DRL）、大语言模型（LLM）和生成对抗网络（GAN）等技术的快速发展，AI在药物分子设计中的应用取得了显著进展。特别是2024年诺贝尔化学奖授予了AI驱动的蛋白质设计和结构预测领域的科学家，进一步证明了AI在科学发现中的巨大潜力。
AI驱动的药物分子设计已经成为NeurIPS、ICML、ICLR等机器学习顶级国际会议的热点话题，吸引了学术界和工业界的广泛关注。本课题将带领学生学习AI驱动药物分子设计的基础知识和前沿技术，并帮助学生了解机器学习顶会的投稿流程，最终完成一篇学术论文。
导师介绍
中科院自动化研究所博士在读，博士期间研究方向为AI for Science，主要研究内容为图自监督学习，分子预训练，分子生成等。Google Scholar引用数累计380+ 。【科研论文/审稿人】 在人工智能顶级国际会议/期刊发表论文6篇(其中第一作者4篇)，包括NeurIPS/ICDM以及IoTJ/JCIM等。并担任ICML/NeurIPS/ICLR/KDD/AAAI等会议审稿人。
Chad老师 · 中科院自动化研究所博士 ↗可选创新点
（1）多目标联合优化的分子生成算法
（2）基于Transformer的分子生成与优化框架
（3）扩散模型在药物分子生成中的应用
课程亮点
（1）现阶段发论文的写作技巧、热点话题和潜在思路；分析当前人工智能驱动的药物分子设计领域的研究热点和趋势，指导学生如何挖掘有价值的科研问题，提出创新的研究思路。
（2）相关的训练代码和模块的构造代码及讲解，改造思路分享；提供一些经典的训练代码和模块构造代码，让学生能够快速上手实践。同时，结合具体的代码案例，详细讲解代码的实现原理和运行过程，帮助学生理解代码背后的算法思想和模型架构。
（3）共计 14 节课的指导，包括但不限于药物研发任务的引入和讲解，以及Transformer、Diffusion等最新技术的应用方案，课题结构包括理论教学（4节课）、idea讨论与实践（4节课）、实验指导（4节课）、写作指导（2节课），可根据学员需求进行调节；
（4）群里根据同学需求进行答疑，有难题时可根据具体问题简单的进行meeting沟通。