免费 · 开源 · 无需生物背景

程序员两天学会看懂
AI for Science 的数据

Q: 什么是 AI for Science（AI4S）？

AI for Science 指用机器学习方法解决自然科学问题，例如从蛋白质序列预测三维结构、预测分子间结合强度、或从头设计蛋白质。它和通用 AI 最大的区别是数据来自真实实验，获取成本极高、总量极小，所以数据质量往往比模型选择更决定成败。

Q: 没有生物学基础的程序员能学吗？

可以。这门课的设计前提就是零生物背景。所有生物概念都先映射到一个你已经熟悉的编程概念——蛋白质序列是字符串、UniProt 登录号是主键、抗体编号体系是并存的 schema 版本——再讲它在生物上的含义。只要会写 Python 就能跟完。

Q: 学完能做什么？

能读懂一份抗原-抗体数据集的每一列、能判断一份数据是否可信、能在 5 分钟内对这类项目做出初步判断并问出关键问题。它的目标是判断力，不是让你自己去建模。

Q: 课程要花多少钱？

免费。全部内容和 6 个实验的源码都在 GitHub 上以 CC BY-SA 4.0 / MIT 开放。

不讲生物学，讲数据。抗体是 4 条字符串组成的对象，靶点归一化是外键解析，数据质检是写断言——这个领域的每个问题，你都在软件工程里见过。

2 天 · 8 节6 个可运行实验35 道检验题前置：会写 Python生物基础：零

先看这段：5 分钟讲清这门课在讲什么

如果你只有五分钟，看完这段就知道这门课值不值得学下去。

入门交流视频 · 即将上线 录制中。在它上线之前，先看这条替代品： Veritasium《AlphaFold — The Most Useful Thing AI Has Ever Done》 —— 全网最好的 AI for Science 外行入门，可开自动中文字幕。

这门课的全部主张，就是下面这张表

生物概念难，不是因为它复杂，是因为讲的人默认你有背景。把它翻译成你已经懂的东西，难度就塌了。

生物概念与编程概念对照表
生物侧	你已经懂的东西	对应关系为什么成立
蛋白质序列	string	真的就是个字符串，字符集只有 20 个字母
抗体	4 条 string 组成的复合对象	2 重链 + 2 轻链
可变区 / 恒定区	实例字段 / 类的公共部分	可变区每个都不同，恒定区同类共享
CDR	决定行为的那几个关键子串	6 段，占比很小但决定「抓谁」
KD 亲和力	float，对数刻度，越小越好	像读 p99 延迟：只看数量级
UniProt 登录号	主键 / UUID	全球唯一且稳定
蛋白别名 / CD 号	alias，会撞	PD-1=PDCD1=CD279；而 CCR4 同时是另一个基因的别名
IMGT / Kabat / Chothia	三套并存的 schema 版本	历史债，切出的字段边界不同
序列级去重	按内容 hash 去重	名字会变，内容不会
证据分级	数据血缘 + 置信度分层	每条记录标明「凭什么」
交叉源验证	不能自证，要用独立源	用产出结果的源检查结果 = 循环论证
QC_flags	已知缺陷清单	全 OK 反而可疑

一句话

这个领域的所有数据问题，你都在软件工程里见过。 缺的不是能力，是词汇表。完整版对照表在术语表。

两天，八节课

Day 1 建立概念骨架，Day 2 建立判断力。每节都配可运行实验和当堂自测。

DAY 1 · S1 · 90 min分子的「数据类型」 蛋白质就是字符串，抗体是 4 条链的复合对象，CDR 是决定行为的关键子串。 5 道自测 DAY 1 · S2 · 60 min「结合」就是两个对象的匹配 抗原 ≠ 表位 ≠ 互补位；KD 怎么读；三种测量方法对应三种可信度。 4 道自测 DAY 1 · S3 · 90 min数据格式与标识符 FASTA、PDB、UniProt 登录号，以及三套编号体系为什么切出不同的 CDR。 6 道自测 DAY 1 · S4 · 60 min动手：把今天学的跑一遍 打开一条真实记录逐字段对照概念，再给整份数据做一次体检。 Lab 1 · Lab 2 DAY 2 · S5 · 60 minAI for Science 在这里做什么 AlphaFold 解决了什么、没解决什么；三类任务的函数签名；为什么数据是瓶颈。 3 道自测 DAY 2 · S6 · 60 min数据工程的真实形态 要建的是四层能力不是爬虫。五个真实的坑，每个都有编程对应物。 5 道自测 DAY 2 · S7 · 90 min质量与证伪 ★ 全课核心 四个实验让你亲手把 bug 跑出来。这一节是判断力的来源。 Lab 3–6 · 6 道自测 DAY 2 · S8 · 60 min判定与商业 三维验收、十个必问问题、五分钟抽查法、红旗清单。抄走就能用。 6 道自测

时间不够怎么办：只做 S7 和 S8。那两节是判断力的来源，前面的概念不懂可以随时回术语表查。

和别的入门材料有什么不同

① 讲的是踩过的坑，不是教科书结论

课程里的每个例子都来自一次真实的数据工程踩坑，而不是从综述里抄的。比如这一条——同一批原始数据，用朴素方法能「做」出六万多条配对， 其中八成经不起推敲：

坑	发生了什么	你熟悉的版本
关键词共现噪声	数据库自带的「靶点」字段其实是关键词共现，一条记录能列 100+ 个基因别名	把 full-text search 的结果当成结构化字段用
别名子串假阳性	HER2 的别名 `neu` 命中了 neuraminidase；PD-1 的基因全名是 PD-L1 基因全名的前缀	正则没加 \b 词边界 + 没做最长匹配消歧
主流靶点被归错	CCR4 被另一个基因的同名别名劫持，而它本身是一个真实药物靶点	外键解析用了会冲突的 alias

这三个坑的共同点：数据表面完全正常——字段齐、格式对、条数够。只有主动去证伪才能发现。S7 会让你把每一个都亲手跑出来。

② 每个概念都配一个能跑的实验

不是伪代码，是六个可以直接 python labs/xxx.py 的脚本。比如 Lab 4 会同时问 HGNC 和 UniProt 同一个问题，把冲突现场打出来：

输入     HGNC      UniProt-A 朴素                      UniProt-B 严谨
CCR4   CCR4      CCR4 P51679 [Homo sapiens]        NOCT Q9UK39      ← 别名劫持
HER2   ERBB2     GTF1 P53260 [Saccharomyces]     ERBB2 P04626     ← 跨物种泄漏
PD-1   PDCD1     PD-1 Q9UMF3 [Homo sapiens]        (查不到)
OX40   TNFRSF4   - O02764 [Oryctolagus]          (查不到)         ← 兔子同源

两种查法都「合理」，却以不同方式翻车——一种把 HER2 认成酵母基因，另一种把 CCR4 认成另一个蛋白。跑完这个实验，「不能自证」就不再是一句方法论口号，而是你亲眼见过的一次翻车。 → 全部 6 个实验

③ 目标是判断力，不是让你去建模

这门课不教你训模型。它要解决的是另一个更常见的问题： 当有人拿着一份科学数据集或一个 AI4S 项目来找你，你怎么判断真假好坏。

学完你应该能在 5 分钟内做出初步判断，并问出三个让对方答不上来的问题。 S8 直接给你那份清单。

常见问题

什么是 AI for Science（AI4S）？

用机器学习方法解决自然科学问题：从蛋白质序列预测三维结构、预测分子间结合强度、从头设计蛋白质，等等。它和通用 AI 最大的区别是——数据来自真实实验，获取成本极高、总量极小。所以在这个领域，数据质量往往比模型选择更决定成败。

没有生物学基础的程序员能学吗？

可以，这门课的设计前提就是零生物背景。所有生物概念都先映射到一个你已经熟悉的编程概念，再讲它在生物上的含义。只要会写 Python 就能跟完。

学完能做什么？

能读懂一份抗原-抗体数据集的每一列、能判断一份数据是否可信、能对这类项目做出初步判断并问出关键问题。它的目标是判断力，不是让你自己去建模。

课程要花多少钱？

免费。全部内容和 6 个实验的源码都在 GitHub 上开放，内容 CC BY-SA 4.0，代码 MIT。发现错误欢迎提 issue。