课堂上的混乱决策和创造性科学

你们教室里的学生在做什么?这与他们将在专业工作场所所做的事情如何匹配?一段时间以来，医疗保健专业人员和其他职业资格的教育者一直在问类似的问题：毕竟，我们希望我们的医生、药剂师和社会工作者(仅举几例)能够在我们作为客户见到他们之前就能够做到这一点。

五年前，当我们作为巴斯大学新药物发现理学硕士课程设计团队的一员时，我们问了自己这些问题。在课程批准之前，行业评审员的反馈是明确的：“药物发现和开发过程的一个关键方面是，它是一个为共同目标而共同努力的多学科团队。”

唔。这听起来不像传统的演讲室或实践课——但听起来确实很有趣。

建设未来：跨院系学习的案例

实施基于项目的学习：实用指南

利用沉浸式技术丰富医疗保健教育

因此，我们给自己设定了一个简短的要求：我们如何才能教导学生跨越传统学科界限，以一种创造性的、希望是令人愉快的方式做出与工业相关的科学决策?特别是，当进行实验本身远远超出课程的时间和预算时，我们如何在实验场景中做到这一点?

数据驱动的药物发现场景中的竞争优先事项和创造性科学

我们的解决方案是在早期药物发现的设计-制造-测试-分析 (DMTA) 场景中设定的。在工业中，生物测定用于为化合物(早期潜在药物)的设计提供信息，然后对化合物进行测试并提供数据以支持下一轮化学设计。这个过程不断重复，直到开发出具有未来药物特性的分子。

为了复制这个过程，我们为学生团队提供来自虚构生物筛选的数据，概述项目结束的现实成功标准，并给学生一周的时间设计四种新化合物。学生还需要为每种化合物选择一种实验测定方法并合理化他们的决定。这里的限制是学生的想象力以及使用良好的科学逻辑合理化他们的选择的需要。我们的任务是用每种新化合物的适当物理参数来响应学生的工作，并在下一次研讨会之前模拟所需的数据，在下一次研讨会中对数据进行分析并开始新一轮的 DMTA。

在五次研讨会的过程中，进行了大量的讨论，学生们建立了一系列支持最终候选药物的证据。我们的学生拥有多种背景——化学、生物学、药学——任务要求他们利用自己的核心专业知识并与同龄人沟通以实现共同目标。

与现实世界一样，学生做出的决定是“混乱的”，需要权衡。如果学生优化与蛋白质靶标的结合，这是否意味着潜在的药物可能不会进入生物细胞?如果一种潜在的药物可溶于水，这是否会以被身体改变并变得无效为代价?这与其他作业不同，学生觉得很难。这也是我们的方法有价值的原因。

学生和业界同仁的积极响应

“这项课程作业非常有趣且具有挑战性，”2020-21 届学生在提交后反馈中写道。

“利用我从讲座中学到的知识非常有用，因为我意识到了以前不理解的部分，”另一位在 2019-20 学年学习的学生表示同意。“这是我团队合作的最佳经历之一。”

我们也得到了制药行业同事的积极回应。

“这是一种创新的方式，可以为学生提供关键药物发现技能的实践经验，并有效地为他们进入工作世界做好准备，”勃林格殷格翰免疫学和呼吸研究主管 Matthew Thomas说。

“仅通过讲座课程无法充分理解药物发现的复杂性和挑战，”LifeArc 经验丰富的药物化学家 Andy Merritt 说，他还作为英国皇家化学学会暑期学校的一部分进行沉浸式培训。“只有将概念应用到实时示例中，才能形成充分的理解。” 我们同意。

最近，我们总结了我们的经验，并在《化学教育杂志》的一篇论文中描述了这项练习。通过模拟工业项目团队的天真尝试，我们已经从以教师为中心的学习转向了真实的方法。我们现在拥有实践数据处理、团队建设和技术知识获取——同时在工业相关场景中进行良好的科学研究。我们认为这种教学方式也为学生、雇主和员工带来了明显的好处。我们希望我们的学生成为优秀的科学家，而不仅仅是擅长撰写有关该主题的论文。

实施基于数据的药物发现活动的重要技巧

提前提高学生相关软件的技能： 我们要求学生操作蛋白质结构、拟合分析数据、绘制化学结构并将小分子对接到预先准备好的蛋白质靶标中。每一个课程都使用通用但专门的计算机软件包，如果学生能够在教学过程中专注于药物发现的科学问题，而不是同时学习科学软件，他们会感到更加自在。我们在上学期为每个软件包安排了一次软件实践研讨会，并将研讨会的完成与下学期的工作明确联系起来。确保软件包免费——或者站点许可证覆盖个人计算机——意味着学生可以在校内和校外进行准备工作。

确保学生以电子方式提交所有文件：我们向学生提供的大部分计算或模拟数据都是基于在线服务器生成的代理参数。即使对于经验丰富的用户来说，重新绘制学生请求也需要时间，并且从 PDF 或 Word 提交内容复制化学结构时，错误和不一致会逐渐出现。

准备好备忘单并愿意快速学习：模拟数据本身的速度快得惊人;缓慢的部分是弄清楚如何模拟特定测定的结果。制作备忘单(或下载我的)。如果学生提出新的检测请求，很可能会在课程中的某个地方教授该请求，或者可以轻松通过谷歌搜索(对于非常精确的请求，请向学生询问参考)。请记住，您不需要审查每个测定的优点并对其做出科学判断 - 只需掌握大致轮廓并确定“高”和“低”反应是什么样的(以及学生化合物可能位于何处)之间)。

不要害怕发回糟糕的学生请求：当学生组织混乱或提出糟糕的请求时，数据准备就变成了一件苦差事。除非你认为这反映出软件技能较差(并且学生需要更多支持)，否则不要承担组织学生的责任——这是团队需要学习的专业技能之一。

享受它：这是边做边学，这个过程是学习的一部分。让我们找点乐子!