AI FOR SCIENCE · 生物数据方向 · 免费开源

看懂生物数据，
判断一个 AI4S 项目的真假

两天，零生物背景，学会读懂一份抗体／蛋白数据集、并在五分钟内判断它可不可信。这个领域最稀缺的不是模型能力，是判断一份科学数据是真是假的能力——而那正是你已经练了很多年的东西。

2 天 · 8 节课6 个可运行实验35 道检验题结业可领结业证明前置：会写 Python生物基础：零

学完这两天，你能做四件以前做不了的事

01
看懂一份生物数据表的每一列

拿到一份抗体／蛋白数据集，能逐列说出它是什么、为什么存在、缺了它会怎样。 不再是「看不懂所以只能信对方」。

02
五分钟判断它可不可信

不需要生物学知识，用纯算术和抽查就能发现数据是编的、抄的、还是真算出来的。 课程直接给你那份清单。

03
问出让对方答不上来的问题

供应商报「结合数据 8,000 条」时，你知道该追问「其中定量 KD 有多少条」—— 真实案例里答案是 49 条。

04
亲手跑通一条生物数据管线

六个可运行的 Python 实验：读数据、做体检、复现 bug、交叉验证、 从三维结构算表位、写质检断言。

一句话

这门课的目标是判断力，不是让你去训模型。
因为在这个领域，判断一份数据是真是假，比选哪个模型重要得多。

先花 5 分钟，看看这个领域在解决什么问题

看完你就知道这门课值不值得学下去。可开自动中文字幕。

这条讲的是结构预测这一块。 课程的 S5 会告诉你它解决了什么、没解决什么—— 以及为什么剩下没解决的那部分，瓶颈在数据不在模型。

怎么学：两天，四个阶段

从零基础到能独立判断。每一阶段都有当堂自测，做错了回上一节。

1
建立词汇表

把生物概念翻译成你已经懂的编程概念。蛋白质是字符串，抗体是 4 条链的对象， UniProt 登录号是主键。

S1 数据类型 S2 结合与亲和力
150 分钟 · 9 道自测
2
看懂真实数据

格式、标识符、三套并存的编号体系。然后打开一条真实记录， 把前面学的每个概念在里面逐个找到。

S3 格式与标识符 S4 动手 · Lab 1–2
150 分钟 · 6 道自测 · 2 个实验
3
建立判断力 ← 全课核心

AI 在这里做什么、数据工程的真实形态，然后亲手把四个真实的 bug 跑出来： 词边界假阳性、别名劫持、从结构实算表位、断言式质检。

S5 AI 在做什么 S6 数据工程 S7 质量与证伪 ★
210 分钟 · 14 道自测 · 4 个实验
4
拿去用

三维验收标准、十个必问问题、五分钟抽查法、红旗清单。 可以直接抄进合同或尽调清单。

S8 判定与商业 结业考试 → 领结业证明
60 分钟 · 20 题结业考
时间不够怎么办：直接跳到阶段 3 的 S7 和阶段 4 的 S8。 那两节讲的是方法不是知识——「不能自证要用独立源复核」这类结论， 不需要你先懂抗体也能用。概念卡住了回术语表查。

说清楚这门课的范围

AI for Science 很大，这门课只讲其中一块：生物数据。 具体是抗体与蛋白质方向的数据采集、清洗、归一与质量验证。

✓ 讲
  • 蛋白质／抗体序列与结构的数据表示
  • 抗原、表位、亲和力这些概念怎么读
  • 生物数据的实体归一与交叉源验证
  • 数据质量的证伪方法与验收标准
  • AI 在这个方向能做什么、边界在哪
✗ 不讲
  • 材料、气候、天文等其它 AI4S 方向
  • 怎么训练模型、调参、写网络结构
  • 湿实验操作、分子生物学实验技术
  • 药物化学、小分子药物设计
  • 系统的免疫学或结构生物学课程
为什么要把范围说这么死

因为一门讲「怎么识破夸大数据」的课，没有资格夸大自己的覆盖面。
你花两天能真正拿到的是生物数据这一块的判断力——这已经足够让你判断 一个抗体 AI 项目、一份科学数据集、或一个这方向的候选人。

为什么程序员学这个特别快

因为这个方向真正难的部分不是生物学，是数据工程——而那是你的主场， 只是词汇表不一样：

它在这个领域叫什么你其实早就在做的事
靶点归一化entity resolution / 外键解析
证据分级数据血缘 + 置信度分层
交叉源验证不能用被测代码自己的逻辑写断言
IMGT / Kabat / Chothia 编号并存的多个 schema 版本
表位编号跨毒株失效两份数据用了不同的坐标基准
断言式质检写 pytest，挂了打印哪几行

缺的不是能力，是词汇表。补上大概需要两天。

先剧透最值钱的那一节

S7 有个实验，同时问两个独立权威数据库同一个问题， 用两种都很「合理」的查法。真实输出：

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
OX40   TNFRSF4   - O02764 [Oryctolagus]          (查不到)         ← 兔子同源

两种查法都不对，而且它们以不同方式错。 「朴素」查法把 HER2 认成了酿酒酵母的基因， 「严谨」查法把 CCR4 认成了另一个完全不同的蛋白。 而这些结果字段齐全、格式正确，从表面完全看不出来。

整门课的方法论

用产出结果的同一个源去检查结果 = 循环论证。
必须拿另一个独立权威源来对，两边一致才算过。
这条对你用 AI 生成的任何东西同样成立。

常见问题

需要生物学基础吗？

不需要，一点都不需要。课程的设计前提就是零生物背景： 每个生物概念都先映射到一个你已经熟悉的编程概念，再讲它的生物含义。 唯一的前置要求是会写 Python。

这是完整的 AI for Science 课程吗？

不是。它只覆盖生物数据这一个方向（抗体与蛋白质的数据工程与质量验证）。 材料、气候、天文等其它 AI4S 方向不在范围内，模型训练也不讲。 范围声明见上面那一节。

学完有证书吗？

有一份自助结业证明：做完 结业考试 达标后可以直接下载， 也可以提 PR 进仓库的结业名录。
但要说清楚——它是自助生成的，不是第三方认证。 一门讲「怎么识破包装」的课，不会给自己发一个假装很权威的证书。 它的用处是证明你真的跑完了这套材料，仅此而已。

要花多少钱？

免费。全部内容和六个实验的源码都在 GitHub 上开放， 内容 CC BY-SA 4.0，代码 MIT。不卖东西，不收邮箱。

从这里开始

推荐 · 从头开始进入两天速成营 → 按阶段 1 → 4 走完，每节有当堂自测。 只有一小时直接跳到 S7 证伪 → 全课核心，判断力的来源。 已经会了直接考试 → 20 题，达标即可下载结业证明。