资源简介

(共45张PPT)
第四单元 第5课
人工智能与生物学
清华版（中学）
通
1
学习目标
3
新知讲解
5
拓展延伸
7
板书设计
2
新知导入
4
课堂练习
6
课堂总结
课后作业
8
01
教学目标
（1）了解人工智能在分子生物学和进化生物学中的典型应用及突破成果。
（2）探讨人工智能技术如何通过大数据分析推动生物学研究的发展与创新。
02
新知导入
生物学是一门研究生命现象的科学，研究范围从微小的细胞到庞大的生态系统。
02
新知导入
生物学包含的领域：
（1）研究细胞结构和功能的细胞生物学。
（2）在分子层次上研究生命过程的分子生物学。
（3）研究生物遗传规律的遗传学。
（4）研究物种起源和演进的进化生物学。
（5）研究生物与环境之间关系的生态学。
02
新知导入
人工智能对生物学的影响
AI正深刻改变生物学研究 ，从蛋白质结构预测到进化机制解析，推动科学认知与技术应用的革命性突破。
02
新知导入
人工智能推动生物学发展的两个代表案例
（1）分子生物学中用于预测蛋白质结构的AlphaFold。
（2）进化生物学中用来分析穆氏拟态的ButterfyNet。
03
新知讲解
1
AlphaFold
蛋白质结构解析的核心意义
蛋白质功能由其结构决定，解析结构是理解生命活动的关键，但长期面临技术瓶颈。
03
新知讲解
1
AlphaFold
传统方法的局限性
依赖核磁共振、X射线晶体学、冷冻电镜等技术，耗时长、成本高，60年仅解析17万种，剩余2亿种待攻克。
03
新知讲解
1
AlphaFold
结构预测的复杂性挑战
蛋白质由氨基酸序列经多重折叠形成，结构多样性极高，传统方法难以应对。
03
新知讲解
1
AlphaFold
蛋白质的四级结构
一级结构是氨基酸序列，二级结构是氨基酸的基础折叠，三级结构是二级结构上的再折叠，四级结构是多个三级结构的组合。
蛋白质的四级结构
03
新知讲解
1
AlphaFold
安芬森的理论奠基
1972年诺贝尔化学奖得主安芬森提出“氨基酸序列决定蛋白质稳定结构”的假说，为计算结构预测奠定理论基础。
克里斯蒂安·安芬森
03
新知讲解
1
AlphaFold
CASP竞赛的推动
自1994年起，全球科学家通过CASP赛事挑战蛋白质结构预测，初期精度不足，直至AI技术突破。
03
新知讲解
1
AlphaFold
AlphaFold的横空出世
2018年DeepMind推出AlphaFold，在CASP夺冠；2020年AlphaFold 2将预测误差降至0.16纳米，验证安芬森理论，解决50年难题。
氨基酸序列
蛋白质3D结构
03
新知讲解
1
AlphaFold
AlphaFold 2的里程碑式突破
AlphaFold 2的蛋白质结构预测效率比传统方法提升数百倍，《自然》评价“将改变一切”，引发科学界轰动。
03
新知讲解
1
AlphaFold
结构预测的规模化革命
AlphaFold 2预测并公开2亿种蛋白质结构，覆盖人类已知蛋白质库，推动分子生物学进入“按需预测”时代。
03
新知讲解
1
AlphaFold
AlphaFold的革命性价值
通过AI实现高通量、高精度预测，将解析周期从数年缩短至数天，加速生命科学、药物研发等领域突破。
03
新知讲解
1
AlphaFold
AlphaFold 3的多分子交互突破
我们的生命活动本质上是蛋白质、核酸、离子等相互作用的过程。2024年升级版可预测蛋白质、核酸、药物分子的相互作用，为疾病治疗提供了精准工具。
Alpha Fold 3预测核酸与蛋白质分子的相互作用
03
新知讲解
1
AlphaFold
AlphaFold 3加速新药研发
通过精准预测药物靶点，将新药开发周期从数年缩短至数月，并拓展至环保（塑料降解酶设计）和医疗（抗生素耐药性破解）领域。
03
新知讲解
1
AlphaFold
学术荣誉与历史认可
2024年AlphaFold核心开发者德米斯·哈萨比斯与约翰·朱默获诺贝尔化学奖，标志AI驱动的基础科学研究获最高学术肯定。
03
新知讲解
2
ButterflyNet
1、穆氏拟态的理论基础
德国自然学家弗里茨·穆勒于1878年提出穆氏拟态，认为生活在同一个地区的某些个体会互相学习，从而实现协同进化，例如，生活在同一个环境下的蝴蝶会互相模仿，进化出相似的花纹，以警告捕食者它们都有不好的味道。
左图是带刺的黄峰，有尾针可以伤敌。右图是蜜蜂，有刺，和黄峰一起协同进化出斑纹，是一种穆氏拟态。
03
新知讲解
2
ButterflyNet
2、传统研究的局限性
拟态相似性判断依赖人眼，存在主观偏差，一直没有量化证明。例如，对蝴蝶来说，传统研究大都是靠人眼观察条纹或斑点来判断个体是否相似。这些人为判断缺少量化，因此并不客观。
03
新知讲解
2
ButterflyNet
3、AI解决方案的设计
2019年利用ButterflyNet的深度卷积神经网络对蝴蝶图片的相似性进行度量，从而发现了穆氏拟态的定量证据。研究选用共38亚类，1234个蝴蝶标本，训练 ButterflyNet 神经网络，目标：同亚类样本在向量空间聚集，异类分离。
艺神袖蝶和诗神袖蝶
03
新知讲解
2
ButterflyNet
4、相似性的客观量化
下图是利用ButterflyNet将不同种类蝴蝶的2468张照片映射到一个向量空间的结果。其中，每一种颜色的点代表一个亚类，同一亚类的标本确实被映射到了一起。这意味着两只蝴蝶是否相似有了精确的度量方法。
蝴蝶的映射空间
03
新知讲解
2
ButterflyNet
5、协同进化的实证发现
AI分析显示：不同种蝴蝶在拟态下外观相似度显著提升（如艺神袖蝶与诗神袖蝶），为穆氏拟态提供数据支撑。
不同类的蝴蝶，互相拉远
同一类蝴蝶，互相拉近
03
新知讲解
2
ButterflyNet
6、方法论的科学意义
突破主观判断局限，为进化生物学引入可重复的量化工具，推动理论验证从“描述”转向“计算”。
03
新知讲解
3
总结
1、生物学进入大数据时代
近年来国际合作推动生物学数据爆发式增长，海量信息中隐藏着未被发现的规律，人类受限于信息处理能力，而AI能高效分析海量数据，揭示复杂生物规律。
03
新知讲解
3
总结
2、多领域的应用突破
从基因组学、细胞生物学到保护生物学，AI正通过大数据分析推动生物学的精准化与高效化研究。
03
新知讲解
3
总结
在基因组学方面：AI 可以帮助科学家分析大量的基因数据，从中找到导致某些遗传疾病的基因，为设计针对性治疗方案提供了可能性。
在细胞生物学方面：基于人工智能的显微图像分析技术可以快速识别和分类细胞类型，检测细胞的内部结构，如细胞核、线粒体等。这不仅提高了分析速度，还减少了人工分析的误差。
在保护生物学方面，通过自动分析摄像机或卫星图像，AI 可以快速发现并跟踪动物的活动情况，从而为理解野生动物的生活习性、完善动物保护方案提供信息。
03
新知讲解
3
总结
3、未来潜力与挑战
AI将成为生物学研究的核心工具，但需解决数据隐私、算法偏见等伦理与技术瓶颈。
03
新知讲解
思
考
与
讨
论
1、AlphaFold2已经给出了大量的蛋白质结构预测结果，你认为是否有必要继续通过实验进行蛋白质结构解析工作，为什么
有必要继续实验验证 。
（1） 补充AI局限 ：AlphaFold预测仍有误差，需实验校准；
（2） 拓展未知领域 ：AI依赖已知数据，新蛋白复合体、膜蛋白等仍需实验突破；
（3） 科学严谨性 ：实验是验证AI预测的金标准。
03
新知讲解
思
考
与
讨
论
2、新发布的AlphaFold3已经可以对其他生物大分子结构及其相互作用结构进行预测，你认为这一模型最可能在哪个领域带来突破性进展？
药物研发领域将获突破性进展 。
（1） 精准靶点设计 ：预测药物-靶蛋白结合模式，加速抑制剂开发；
（2） 核酸药物优化 ：解析RNA/DNA与蛋白互作，指导基因编辑工具设计；
（3） 耐药性破解 ：模拟病原体突变导致的药物结合失效机制。
03
新知讲解
课
程
实
践
蛋白质结构解析如下。
（1）分组选择两三种生活中听过的蛋白质。
（2）在AlphaFold Protein Structure Database及Uniprot数据库中搜索并学习。
（3）分组交流。蛋白质结构是否已经解析？其定位、功能如何？如果没有，你认为困难在哪里？
03
新知讲解
课
程
实
践
步骤 关键内容 示例/工具
选择蛋白质 选生活中常见蛋白，兼顾功能多样性 血红蛋白（P69905）、胶原蛋白（P02452）、乳清蛋白（P02754）
数据库搜索 - AlphaFold DB ：查预测结构、pLDDT评分
- UniProt ：查功能、定位、实验结构链接 AlphaFold DB、UniProt
交流分析 - 已解析 ：结构明确（如血红蛋白）
- 未解析难点 ：膜蛋白、超大复合体、低置信区段 胶原蛋白三螺旋（实验部分）、乳清蛋白复合体（预测不足）
04
课堂练习
一、判断题。
1、AlphaFold 2的预测结果完全无需实验验证即可直接使用。（　 ）
2、穆氏拟态现象仅存在于蝴蝶中。 （　 ）
3、CASP竞赛的初衷是验证安芬森的理论。 （　 ）
4、AlphaFold 3可预测药物分子与蛋白质的结合方式。 （　 ）
5、ButterfyNet通过显微镜图像分析蝴蝶基因序列。 （　 ）
×
×
√
√
×
04
课堂练习
二、选择题
1、以下哪项不是AlphaFold的直接应用领域？ （ ）
A. 药物靶点设计 B. 塑料降解酶优化 C. 地震预测 D. 抗生素耐药性研究
2. 穆氏拟态研究的主要挑战是？ （ ）
A. 缺乏物种标本 B. 相似性判断依赖主观观察 C. 蝴蝶寿命过短 D. 无法进行基因测序
3. AlphaFold 3相比前代的核心突破是？ （ ）
预测速度更快 B. 解析蛋白质-核酸相互作用
C. 仅支持单链蛋白质 D. 无需氨基酸序列输入
4. 传统蛋白质结构解析技术的局限性不包括？ （ ）
A. 设备成本高 B. 耗时长（数年/种） C. 依赖AI算法 D. 膜蛋白难结晶
C
B
B
C
04
课堂练习
三、填空题
1、AlphaFold 2 在2020年将蛋白质结构预测误差降低至_____ ___，达到接近实验测量的精度。
2、穆氏拟态 由德国自然学家_____ ___于1878年提出，认为同域物种通过互相模仿实现协同进化。
3、 ButterfyNet 通过将蝴蝶图像映射到_____ ___空间，首次实现拟态相似性的客观量化。
4、 AlphaFold 3 不仅能预测蛋白质结构，还能分析_____ ___ （如蛋白质-核酸结合）的相互作用。
0.16纳米
弗里茨·穆勒
向量
生物分子
05
拓展延伸
1、AI驱动的合成生物学
利用AlphaFold预测蛋白质结构并模拟功能位点，结合理性设计或定向进化，定制高效人工酶 。
05
拓展延伸
2、基因编辑与AI
AI通过分析基因组数据（如脱靶效应、编辑效率）优化CRISPR-Cas9靶点设计，提升基因编辑精准度与安全性 。
05
拓展延伸
3、全球合作
EMBL通过其欧洲生物信息学研究所（EMBL-EBI）建立开放数据平台，整合全球生物分子数据并支持AI模型训练与应用，推动国际科研协作 。
06
课堂总结
1
人工智能在生物学中的应用
2
人工智能在生物学中的突破
3
人工智能在生物学中的创新
4
完成课堂练习
5
进行相关知识拓展
1
2
3
4
5
人工智能与生物学
07
板书设计
人工智能与生物学
1、人工智能在生物学中的应用
2、人工智能在生物学中的突破
3、人工智能在生物学中的创新
4、完成课堂练习
5、进行相关知识拓展
课后作业。
1、列表对比传统蛋白质结构解析方法（如X射线晶体学）与AlphaFold的优缺点。
08
课后作业
1、列表对比传统蛋白质结构解析方法（如X射线晶体学）与AlphaFold的优缺点。
对比维度 传统方法（X射线晶体学等） AlphaFold
耗时 数月到数年（如膜蛋白需多年） 数分钟至数小时
成本 高昂（设备、试剂、人力） 低（仅需计算资源）
适用范围 需结晶（膜蛋白等难实现） 适用于几乎所有氨基酸序列
动态结构解析 可捕获动态构象（如冷冻电镜） 静态预测为主，动态模拟受限
精度 实验金标准（原子级分辨率） 接近实验精度（误差≤0.16纳米）
应用场景 验证AI预测、新结构发现 高通量筛选、药物靶点设计
https://www.21cnjy.com/recruitment/home/fine

展开更多......

收起↑