学习路径建议
数据先行，学完分子处理再进入深度学习
每个模块均可独立选修，但建议至少完成模块一后再学习其他模块。
详细课程大纲
五个模块，每个模块都有清晰阶段与产出
模块一：Python 基础
从零开始，让电脑听懂你的化学指令
课程定位：面向完全零基础的化学专业学生，用化学实验中的类比讲解编程概念，不背语法、不考理论，目标是让学员“能看懂代码、能改代码、能自己写小脚本”。
破冰与装备：告别环境配置劝退（1课时）
- 安装 Anaconda 全家桶；
- 了解 Jupyter Notebook 像实验记录本一样写代码；
- 第一行代码：打印 "Hello, My Lab!"；
- 安装常用科学计算库（numpy, pandas, matplotlib）。
变量与计算：你的第一个“化学计算器”（1课时）
- 变量 = 贴了标签的试剂瓶（如 mw_water = 18.015）；
- 用 Python 计算分子量、摩尔浓度、投料比；
- 字符串处理：格式化化学式输出（如 "C6H12O6"）。
数据结构：样品架与标签柜（1课时）
- 列表（List）：存储一组反应温度 [25, 60, 80, 100]；
- 字典（Dict）：存储反应条件 {"溶剂": "THF", "温度": 60, "时间": "2h"}；
- 元组与集合：不可变数据与去重（去除重复的 CAS 号）。
流程控制：让代码替你“做决定”（1课时）
- for 循环：批量处理 96 孔板数据；
- if/elif/else：根据熔点范围判断化合物状态；
- 函数：把常用的计算封装成“小工具”（如 def 计算产率()）。
本模块全程使用化学场景示例，不讲计算机原理，只讲“怎么在实验室用起来”。
模块二：数据科学
告别 Excel 手动操作，用代码处理实验数据
课程定位：化学实验中产生大量表格数据（HPLC、GC-MS、UV-Vis、电化学工作站导出的 CSV/Excel），本模块教会学员用 Pandas 和 Matplotlib 高效处理、清洗、分析、可视化数据。
Pandas 入门：实验数据的“电子表格”（1课时）
- Series 和 DataFrame：理解“行是样品，列是变量”；
- 读取 CSV/Excel：将 HPLC、GC-MS 导出数据导入 Python；
- 查看数据概览：.head(), .info(), .describe()。
数据清洗：实验室数据的“提纯”（1课时）
- 处理缺失值：某个反应没做怎么办（dropna / fillna）；
- 剔除离群值：产率 200% 的数据点怎么处理；
- 数据类型转换：把 "25°C" 变成数值 25。
数据操作与分析：一键搞定重复劳动（1课时）
- 筛选与切片：选出所有温度 > 80°C 的反应；
- 分组与聚合：按催化剂分组计算平均产率；
- 合并多个表格：把 30 个反应数据文件合并成一个 Master Table；
- 实战：计算平均值、标准差、置信区间。
数据可视化：画出导师挑不出毛病的图（1课时）
- Matplotlib 基础：折线图（动力学曲线）、散点图（催化剂筛选）；
- Seaborn 美化：一键调整颜色、主题、字体；
- 论文级图表配置：DPI=300、字体大小、图例位置；
- 实战：绘制紫外-可见吸收光谱图或循环伏安图。
所有案例数据均来自真实化学实验场景，学完就能在课题组里“降维打击”Excel 手动党。
模块三：化学信息学
让计算机“看懂”分子结构
课程定位：化学信息学是 AI+化学的“基础设施”。本模块教会学员用 RDKit 处理分子结构、计算化学描述符、进行分子相似性搜索和虚拟筛选，为后续深度学习建模提供“原材料”。
分子表示：计算机眼中的化学语言（1课时）
- SMILES 是什么？CCO = 乙醇，c1ccccc1 = 苯（像化学简式一样简单）；
- SMILES 的编写规则：分枝、环、芳香键；
- InChI 与分子指纹：类似化合物的“身份证”和“指纹图谱”；
- RDKit 入门：从 SMILES 生成 2D 分子结构图。
分子描述符：把结构变成“数字”（1课时）
- 用 RDKit 计算常见描述符：分子量、LogP、HBD/HBA、TPSA、可旋转键数；
- 批量计算：导入 1000 个化合物 SMILES，批量计算全部描述符；
- 理解“描述符空间”：每个分子是高维空间中的一个点；
- 导出为 CSV：给后续深度学习模型准备特征矩阵。
分子相似性与虚拟筛选（1课时）
- 分子指纹（Morgan Fingerprints）：把分子结构编码成 0/1 向量；
- Tanimoto 系数：量化“两个分子有多像”（0~1 之间的数值）；
- 相似性搜索：给定一个已知活性分子，在化合物库中找到最相似的分子；
- 虚拟筛选：用 Lipinski 五规则（Rule of Five）筛选类药分子。
化学数据库与数据获取（1课时）
- PubChem、ChEMBL、ZINC 等化学数据库介绍；
- 用 Python 调用 PubChem API 批量获取化合物数据；
- 从文献 PDF 或网站中提取结构数据；
- 搭建自己的“小分子数据库”：SQLite 存储化合物信息。
RDKit 是所有化学信息学操作的“瑞士军刀”，本模块重点培养“用代码批量处理分子”的能力。
模块四：深度学习应用
不写数学公式，也能让神经网络“看懂”化学数据
课程定位：跳过复杂的数学推导，用“乐高积木”的方式理解神经网络。通过 PyTorch 框架，从最简单的线性模型一步步搭建到多层神经网络，并用化学中的回归和分类问题作为实战案例。
深度学习“黑话”破解（1课时）
- 神经元 = 一个简单的“阀门”（输入→计算→输出）；
- 层 = 流水线上的工位；
- 激活函数 = 质检员（决定要不要通过）；
- 训练 = 反复实验找到最佳条件（梯度下降 = 调节 pH 值找到最佳点）；
- 用 PyTorch 实现一个“神经元”：输入 x → 输出 y = wx + b。
从线性回归到神经网络：预测化合物性质（1课时）
- 用单层网络做线性回归：根据分子量预测沸点；
- 引入激活函数让模型“学会拐弯”：ReLU、Sigmoid；
- 搭建多层神经网络（MLP）：输入 RDKit 计算的分子描述符预测性质；
- 训练与评估：损失函数、训练轮数、过拟合的判断。
分类任务：让模型判断“有没有活性”（1课时）
- 二分类问题：预测化合物是否有抗菌活性（有/无）；
- 多分类问题：预测反应属于 SN1、SN2 还是 E2 机理；
- 数据集划分：训练集 / 验证集 / 测试集（像实验中的平行样）；
- 评估指标：准确率、精确率、召回率（不用背公式，会用代码算就行）。
实战：搭建一个完整的化学预测项目（1课时）
- 从 RDKit 提取特征 → 模型搭建 → 训练 → 评估的全流程打通；
- 模型保存与加载：训练好的模型像“试剂盒”一样可以随时调用；
- 用训练好的模型对新化合物做预测；
- 学习如何“调参”：像优化反应条件一样优化模型。
模块五：AI + 化学
整合所学，完成一个完整的 AI 化学研究项目
课程定位：本模块是整套课程的“收官之作”——将前四个模块的知识串联成一个完整的科研项目，以化学信息学提取的分子特征为输入，用深度学习模型进行预测，串联成“从结构到性质预测”的完整链条。
项目一：AI 辅助的化合物性质预测平台（1课时）
- 需求：给定一个化合物 SMILES，自动计算其物理化学性质并预测生物活性；
- 全流程整合：SMILES → RDKit 计算描述符 → 加载预训练模型 → 输出预测结果；
- 用 Gradio 搭建简单的 Web 交互界面：输入 SMILES，输出预测；
- 学会保存和复用自己的模型。
项目二：高通量实验数据分析流水线（1课时）
- 需求：实验室一次跑完 384 孔板，需要自动分析数据；
- 自动化脚本设计：读数据 → 清洗 → 计算 IC50 → 绘制剂量-响应曲线；
- 批量生成报告：为每个化合物自动生成分析图表并保存；
- 封装成可复用的函数/脚本，下次实验直接用。
AI 编码助教：学会让 AI 替你写代码（1课时）
- Prompt 工程：S.O.P. 法则（场景→目标→计划）——给出清晰的编程需求；
- Debug 神技：把报错信息扔给 AI，让它帮你修 bug；
- 代码解读：让 AI 逐行解释别人写的代码；
- 重构优化：让 AI 把“能跑”的代码变成“跑得快”的代码；
- 核心技能：学会提问，比学会写代码更重要。
毕业设计：自选课题实战 + 展示（1课时）
- 学员从以下方向中选择一个完成：A. 分子生成：用自编码器（VAE）生成新分子 SMILES；
- B. 反应产率预测：基于反应条件预测反应产率；
- C. 光谱预测：用深度学习预测 NMR 化学位移；
- D. 自选题：学员可结合自己的研究方向自定义题目；
- 完成项目文档 + 代码，进行课堂展示。
最终收获
学完后，留下能复用的科研资产
科研脚本
溶液配制、产率计算、批量数据处理等可复用 Python 小工具。
分子处理流程
SMILES 可视化、描述符计算、相似性搜索、虚拟筛选脚本。
AI 建模实战
从结构到性质预测的端到端模型，以及可展示的毕业项目。
扫码咨询课程安排
贾经理 15866847540