隨著超算能力的提升，深度學(xué)習(xí)可通過強(qiáng)大的深度神經(jīng)網(wǎng)絡(luò)模型從高維大數(shù)據(jù)中自動(dòng)挖掘數(shù)據(jù)潛在特征得以實(shí)現(xiàn)。過去10年，深度學(xué)習(xí)在計(jì)算機(jī)視覺、語(yǔ)音識(shí)別以及自然語(yǔ)言處理領(lǐng)域取得巨大成功。盡管蛋白是功能的最終執(zhí)行者，但是由于實(shí)驗(yàn)及計(jì)算技術(shù)上的挑戰(zhàn)，大規(guī)模蛋白組學(xué)研究滯后于基因組學(xué)。基于質(zhì)譜的蛋白組學(xué)使得全面識(shí)別和量化蛋白成為可能。深度學(xué)習(xí)技術(shù)的應(yīng)用大大加快了蛋白組學(xué)的發(fā)展，可通過對(duì)蛋白組學(xué)和基因組學(xué)的分析，對(duì)疾病的認(rèn)識(shí)會(huì)更加深入。運(yùn)用深度學(xué)習(xí)挖掘蛋白組學(xué)數(shù)據(jù)探復(fù)雜疾病致病機(jī)制及藥物反應(yīng)機(jī)制將會(huì)極大的提升精準(zhǔn)醫(yī)學(xué)和轉(zhuǎn)化醫(yī)學(xué)的進(jìn)度。人工智能時(shí)代，深度學(xué)習(xí)將會(huì)成為大數(shù)據(jù)處理的主要工具。通過本課程，不僅能夠?qū)W會(huì)使用深度學(xué)習(xí)模型挖掘蛋白組學(xué)高維數(shù)據(jù)解決科研問題，還能理解深度學(xué)習(xí)的原理，應(yīng)用于其他領(lǐng)域，如醫(yī)學(xué)影像處理、自然語(yǔ)言處理等。

重磅推送

2025top最火科研技術(shù)匯總

一、深度學(xué)習(xí)解析蛋白組學(xué)

二、機(jī)器學(xué)習(xí)代謝組學(xué)

三、機(jī)器學(xué)習(xí)微生物多組學(xué)聯(lián)合分析

四、深度學(xué)習(xí)基因組學(xué)

五、CRISPR-Cas9基因編輯技術(shù)

特惠福利：報(bào)一送一可額外送的回放（包含全套課程回放和課件資料ppt、可點(diǎn)擊下方藍(lán)字查看贈(zèng)送具體課程內(nèi)容）

專題一：深度學(xué)習(xí)解析蛋白組學(xué)

簡(jiǎn)介

本課程適于對(duì)深度學(xué)習(xí)、蛋白組學(xué)分析感興趣的學(xué)員。課程通過基礎(chǔ)入門+應(yīng)用案例實(shí)操演練的方式，從初學(xué)及應(yīng)用研究的角度出發(fā)，帶大家實(shí)戰(zhàn)演練多種深度學(xué)習(xí)模型（深度神經(jīng)網(wǎng)絡(luò)DNN、卷積神經(jīng)網(wǎng)絡(luò)CNN、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN、自動(dòng)編碼器AE、圖卷積神經(jīng)網(wǎng)絡(luò)GCN）在蛋白組學(xué)分析中的各種應(yīng)用：預(yù)測(cè)色譜法保留時(shí)間及碎片離子濃度Prosit、預(yù)測(cè)質(zhì)譜測(cè)序中截面碰撞CCS工具DeepCollisionalCrossSection、預(yù)測(cè)單細(xì)胞蛋白組學(xué)覆蓋率DeepSCP模型；從宏蛋白組學(xué)中識(shí)別肽 DeepFilter模型、從蛋白質(zhì)數(shù)據(jù)庫(kù)中識(shí)別肽DeepDIA模型、實(shí)現(xiàn)肽組裝DeepNovo 及DeepNovo-DIA模型；預(yù)測(cè)翻譯后修飾結(jié)合位點(diǎn)膠囊網(wǎng)絡(luò)模型CapsNet-PTM、注意力機(jī)制預(yù)測(cè)MHC I 結(jié)合位點(diǎn)ACME模型、量化Peptide-MHC結(jié)合不確定性提升藥物設(shè)計(jì)中高親和力肽篩選PUFFIN模型、預(yù)測(cè)癌癥抗原ACP-MHCNN模型；預(yù)測(cè)蛋白質(zhì)-蛋白質(zhì)相互作用3D卷積網(wǎng)絡(luò)模型DeepRank；量化蛋白質(zhì)表達(dá)DLNetworkForProteinAbundance模型、基于自然語(yǔ)言注意力機(jī)制預(yù)測(cè)蛋白質(zhì)功能SPROF-GO模型及預(yù)測(cè)蛋白質(zhì)復(fù)合物Gene Ontology功能模型PCfun等深度學(xué)習(xí)工具。通過對(duì)這些深度學(xué)習(xí)在蛋白組學(xué)中的應(yīng)用案例進(jìn)行深度講解和實(shí)操，讓學(xué)員掌握深度學(xué)習(xí)分析蛋白組學(xué)數(shù)據(jù)流程，系統(tǒng)學(xué)習(xí)深度學(xué)習(xí)及蛋白組學(xué)理論知識(shí)及熟悉軟件代碼實(shí)操，熟練掌握這些前沿分析工具的使用以及研究創(chuàng)新深度學(xué)習(xí)算法解決生物學(xué)及臨床疾病問題與需求。

講師介紹

主講老師劉老師，生物信息學(xué)博士，從事生物信息及醫(yī)學(xué)人工智能研究 15 年，開發(fā)過數(shù)個(gè)生物信息學(xué)工具，發(fā)表 SCI 論文 20 余篇，其中人工智能算法文章近 10 篇，編著醫(yī)學(xué)數(shù)據(jù)分析實(shí)用教材一部，研究致力于醫(yī)學(xué)人工智能在復(fù)雜疾病診療中的應(yīng)用。

課表內(nèi)容

(滑動(dòng)查看)

第一天、 蛋白質(zhì)組學(xué)測(cè)序技術(shù)及數(shù)據(jù)庫(kù)

上午 理論講解

1. 蛋白質(zhì)組學(xué)測(cè)序質(zhì)譜技術(shù)

2. 介紹蛋白質(zhì)組學(xué)數(shù)據(jù)庫(kù)

3. 深度學(xué)習(xí)解析蛋白質(zhì)組學(xué)模型介紹

下午GPU服務(wù)器上機(jī)實(shí)操

1.Linux操作系統(tǒng)

1.1常用的Linux命令

1.2 Vim編輯器

1.3基因組數(shù)據(jù)文件管理, 修改文件權(quán)限

1.4查看探索基因組區(qū)域

2.Python語(yǔ)言基礎(chǔ)

2.1.Python包安裝和環(huán)境搭建

2.2.常見的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)類型

第二天、 深度學(xué)習(xí)識(shí)別質(zhì)譜測(cè)序中蛋白質(zhì)肽的理化性質(zhì)

上午 理論講解

1. 深度學(xué)習(xí)模型預(yù)測(cè)色譜法保留時(shí)間及碎片離子濃度Prosit

2. 深度學(xué)習(xí)預(yù)測(cè)質(zhì)譜測(cè)序中截面碰撞CCS工具DeepCollisionalCrossSection

3. 深度學(xué)習(xí)預(yù)測(cè)單細(xì)胞蛋白組學(xué)覆蓋率DeepSCP模型

下午 深度學(xué)習(xí)模型Python代碼解析及GPU服務(wù)器上機(jī)實(shí)操

1. 復(fù)現(xiàn)深度學(xué)習(xí)模型預(yù)測(cè)色譜法保留時(shí)間及碎片離子濃度Prosit模型

2. 復(fù)現(xiàn)深度學(xué)習(xí)預(yù)測(cè)質(zhì)譜測(cè)序中截面碰撞工具DeepCollisionalCrossSection

3. 復(fù)現(xiàn)深度學(xué)習(xí)預(yù)測(cè)單細(xì)胞蛋白組學(xué)覆蓋率DeepSCP模型

第三天、 深度學(xué)習(xí)識(shí)別肽及肽組裝

上午 理論講解

1. 深度學(xué)習(xí)從宏蛋白組學(xué)中識(shí)別肽 DeepFilter模型

2. 深度學(xué)習(xí)從蛋白質(zhì)數(shù)據(jù)庫(kù)中識(shí)別肽DeepDIA模型

3. 深度學(xué)習(xí)實(shí)現(xiàn)肽組裝DeepNovo 及DeepNovo-DIA模型

下午 深度學(xué)習(xí)模型Python代碼解析及GPU服務(wù)器上機(jī)實(shí)操

1. 復(fù)現(xiàn)深度學(xué)習(xí)從宏蛋白組學(xué)中識(shí)別肽 DeepFilter模型

2. 復(fù)現(xiàn)深度學(xué)習(xí)從蛋白質(zhì)數(shù)據(jù)庫(kù)識(shí)別肽DeepDIA模型

3. 復(fù)現(xiàn)深度學(xué)習(xí)實(shí)現(xiàn)肽組裝DeepNovo及DeepNovo-DIA模型

第四天、 深度學(xué)習(xí)識(shí)別翻譯后修飾結(jié)合位點(diǎn)識(shí)別疾病及藥物靶點(diǎn)

上午 理論講解

1. 膠囊網(wǎng)絡(luò)深度學(xué)習(xí)模型預(yù)測(cè)翻譯后修飾結(jié)合位點(diǎn)模型CapsNet_PTM

2. 注意力機(jī)制深度學(xué)習(xí)預(yù)測(cè)MHC I 結(jié)合位點(diǎn)ACME模型

3. 深度學(xué)習(xí)模型PUFFIN量化Peptide-MHC結(jié)合不確定性提升藥物設(shè)計(jì)中高親和力肽篩選

4. 深度學(xué)習(xí)模型預(yù)測(cè)癌癥抗原ACP-MHCNN 模型

下午 深度學(xué)習(xí)模型Python代碼解析及GPU服務(wù)器上機(jī)實(shí)操

1. 復(fù)現(xiàn)膠囊網(wǎng)絡(luò)深度學(xué)習(xí)模型預(yù)測(cè)翻譯后修飾結(jié)合位點(diǎn)模型CapsNet_PTM

2. 復(fù)現(xiàn)注意力機(jī)制深度學(xué)習(xí)預(yù)測(cè)pan-specific MHC I 結(jié)合位點(diǎn)ACME模型

3. 復(fù)現(xiàn)深度學(xué)習(xí)模型PUFFIN量化Peptide-MHC結(jié)合不確定性提升藥物設(shè)計(jì)中高親和力肽篩選

4. 復(fù)現(xiàn)深度學(xué)習(xí)模型預(yù)測(cè)癌癥抗原ACP-MHCNN模型

第五天、 深度學(xué)習(xí)識(shí)別蛋白質(zhì)功能

上午 理論講解

1. 深度學(xué)習(xí)模型3D卷積網(wǎng)絡(luò)預(yù)測(cè)蛋白質(zhì)-蛋白質(zhì)相互作用DeepRank

2. 深度學(xué)習(xí)模型量化蛋白質(zhì)表達(dá)DLNetworkForProteinAbundance

3. 基于自然語(yǔ)言注意力機(jī)制深度學(xué)習(xí)模型預(yù)測(cè)蛋白質(zhì)功能SPROF-GO

4. 深度學(xué)習(xí)模型PCfun 預(yù)測(cè)蛋白質(zhì)復(fù)合物Gene Ontology功能

下午 深度學(xué)習(xí)模型Python代碼解析及GPU服務(wù)器上機(jī)實(shí)操

1. 復(fù)現(xiàn)深度學(xué)習(xí)模型3D卷積網(wǎng)絡(luò)預(yù)測(cè)蛋白質(zhì)-蛋白質(zhì)相互作用DeepRank

2. 復(fù)現(xiàn)深度學(xué)習(xí)模型量化蛋白質(zhì)表達(dá)DLNetworkForProteinAbundance

3. 復(fù)現(xiàn)基于自然語(yǔ)言注意力機(jī)制深度學(xué)習(xí)模型預(yù)測(cè)蛋白質(zhì)功能SPROF-GO

4. 復(fù)現(xiàn)深度學(xué)習(xí)模型PCfun 預(yù)測(cè)蛋白質(zhì)復(fù)合物Gene Ontology功能

案例圖片：

專題二：機(jī)器學(xué)習(xí)代謝組學(xué)

機(jī)器學(xué)習(xí)代謝組學(xué)是將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于代謝組學(xué)領(lǐng)域的研究。 代謝組學(xué)是研究生物體內(nèi)代謝產(chǎn)物（代謝物）的整體組合及其在生物體內(nèi)的變化過程，旨在揭示生物體的生理狀態(tài)、代謝通路和疾病機(jī)制等方面的信息，對(duì)于生命科學(xué)、藥學(xué)研發(fā)和臨床診斷等領(lǐng)域具有重要意義

機(jī)器學(xué)習(xí)代謝組學(xué)的目標(biāo)：

熟悉代謝組學(xué)和機(jī)器學(xué)習(xí)相關(guān)硬件和軟件；熟悉代謝組學(xué)從樣本處理到數(shù)據(jù)分析的全流程；能復(fù)現(xiàn)至少1篇CNS或子刊級(jí)別的代謝組學(xué)文章圖片。

代謝物分類和識(shí)別：通過機(jī)器學(xué)習(xí)算法，將復(fù)雜的代謝物組合歸類并識(shí)別，從而了解代謝物的特征和功能。

生物標(biāo)志物的發(fā)現(xiàn)：通過分析代謝組學(xué)數(shù)據(jù)，找到與特定生理狀態(tài)、疾病或治療反應(yīng)相關(guān)的生物標(biāo)志物，以提供疾病的早期診斷和個(gè)體化治療的依據(jù)。

代謝通路分析：通過機(jī)器學(xué)習(xí)算法，分析代謝組學(xué)數(shù)據(jù)中的代謝通路，揭示不同代謝通路在生理和病理過程中的重要性，為疾病機(jī)制的理解提供線索。

代謝網(wǎng)絡(luò)建模：通過機(jī)器學(xué)習(xí)算法，構(gòu)建代謝網(wǎng)絡(luò)模型，模擬和預(yù)測(cè)代謝物之間的相互作用和調(diào)控關(guān)系，從而深入理解生物體內(nèi)代謝的復(fù)雜性。

機(jī)器學(xué)習(xí)代謝組學(xué)的研究?jī)?nèi)容涉及多個(gè)學(xué)科領(lǐng)域，包括生物信息學(xué)、統(tǒng)計(jì)學(xué)、模式識(shí)別和計(jì)算機(jī)科學(xué)等，它為代謝組學(xué)研究提供了新的方法和工具，有助于加深對(duì)生物體代謝系統(tǒng)的理解，并為個(gè)體化醫(yī)學(xué)和疾病治療提供新的思路和策略

近年來(lái)發(fā)過哪些頂刊以及方向：

communications biology 代謝組學(xué)和機(jī)器學(xué)習(xí)技術(shù)揭示了發(fā)芽增強(qiáng)了色素大米的多種營(yíng)養(yǎng)特性

scientific reports 使用機(jī)器學(xué)習(xí)從基于生物流體的代謝組學(xué)預(yù)測(cè)人體健康

nature communications 空間代謝組學(xué)揭示糖原是肺纖維化的可操作靶標(biāo)

nature protocols 系統(tǒng)生物代謝組學(xué)數(shù)據(jù)的認(rèn)知分析

nature reviews molecular cell biology 使用活性代謝組學(xué)鑒定生物活性代謝物

nature reviews drug discovery代謝組學(xué)在藥物發(fā)現(xiàn)和精準(zhǔn)醫(yī)學(xué)中的新興應(yīng)用

目前機(jī)器學(xué)習(xí)代謝組學(xué)受眾群體眾多，例如腫瘤生物學(xué) ，移植免疫，細(xì)胞培養(yǎng)工藝優(yōu)化，腸道菌群與消化系統(tǒng)疾病，腫瘤免疫，入侵植物，抗癌藥物，內(nèi)分泌，病害防控，神經(jīng)系統(tǒng)疾病診斷，動(dòng)物遺傳育種等眾多科研人員。

講師介紹

主講老師來(lái)自985高校神經(jīng)科學(xué)博士，主要利用代謝組學(xué)、轉(zhuǎn)錄組學(xué)和分子生物學(xué)等技術(shù)研究神經(jīng)內(nèi)科慢性病的發(fā)病機(jī)制和生物標(biāo)志物。擅長(zhǎng)高效液相色譜-質(zhì)譜聯(lián)用（LC-MS）技術(shù)進(jìn)行非靶向和靶向代謝組學(xué)從樣本制備到數(shù)據(jù)分析的全流程研究，以及多組學(xué)大數(shù)據(jù)的生物信息學(xué)整合分析。5年內(nèi)在J Clin Invest, EBioMedicine, Cell Death Dis, Cell Death Discov, Nanotoxicology等雜志發(fā)表SCI論文10篇。

課表內(nèi)容

內(nèi)容可向下滑動(dòng)

第一天上午

A1 代謝物及代謝組學(xué)的發(fā)展與應(yīng)用

（1） 代謝與生理過程；

（2） 代謝與疾病；

（3） 非靶向與靶向代謝組學(xué)；

（4） 空間代謝組學(xué)與質(zhì)譜成像（MSI）；

（5） 代謝組學(xué)與藥物和生物標(biāo)志物；

（6） 代謝流與機(jī)制研究。

A2 代謝通路及代謝數(shù)據(jù)庫(kù)

（1） 幾種經(jīng)典代謝通路簡(jiǎn)介；

（2） 三大常見代謝物庫(kù)：HMDB 、METLIN 和 KEGG;

（3） 代謝組學(xué)原始數(shù)據(jù)庫(kù)：Metabolomics Workbench 和 Metabolights.

A3 參考資料推薦

第一天下午

A4 代謝組學(xué)實(shí)驗(yàn)流程簡(jiǎn)介

A5 色譜 、質(zhì)譜硬件與原理解析

（1） 色譜分析原理與構(gòu)造；

（2） 色譜儀和色譜柱的選擇；

（3） 色譜的流動(dòng)相：梯度洗脫法；

（4） 離子源、質(zhì)量分析器與質(zhì)量檢測(cè)器解析；

（5） 質(zhì)譜分析原理及動(dòng)畫演示；

（6） 色譜質(zhì)譜聯(lián)用技術(shù)（LC-MS）；

第二天上午

B1 代謝物樣本處理與抽提

（1） 各種組織、血液和體液等樣本的提取流程與注意事項(xiàng)；

（2） 代謝物抽提流程與注意事項(xiàng)；

（3） 樣本及代謝物的運(yùn)輸與保存問題；

B2 LC-MS 數(shù)據(jù)質(zhì)控與搜庫(kù)

（1） LC-MS 實(shí)驗(yàn)過程中 QC 和 Blank 樣本的設(shè)置方法；

（2） LC-MS 上機(jī)過程的數(shù)據(jù)質(zhì)控監(jiān)測(cè)和分析；

（3） 代謝組學(xué)上游分析原理——基于 Compound Discoverer 與 Xcms 軟件；

（4） Xcms 軟件數(shù)據(jù)轉(zhuǎn)換、提峰、峰對(duì)齊與搜庫(kù)；

第二天下午

B3 R 軟件基礎(chǔ)

（1） R 和 Rstudio 的安裝；

（2） Rstudio 的界面配置；

（3） R 中的基礎(chǔ)運(yùn)算和統(tǒng)計(jì)計(jì)算；

（4） R 中的包：包，函數(shù)與參數(shù)的使用；

（5） R 語(yǔ)言語(yǔ)法，數(shù)據(jù)類型與數(shù)據(jù)結(jié)構(gòu)；

（6） R 基礎(chǔ)畫圖；

B4 R 語(yǔ)言畫圖利器——ggplot2 包

（1） ggplot2 簡(jiǎn)介

（2） ggplot2 的畫圖哲學(xué)；

（3） ggplot2 的配色系統(tǒng)；

（4） ggplot2 數(shù)據(jù)挖掘與作圖實(shí)戰(zhàn)；

第三天上午

機(jī)器學(xué)習(xí)

C1 有監(jiān)督式機(jī)器學(xué)習(xí)在代謝組學(xué)數(shù)據(jù)處理中的應(yīng)用

（1） 人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系；

（2） 回歸算法：從線性回歸、Logistic 回歸與 Cox 回歸講起；

（3） PLS-DA 算法：PCA 降維后沒有差異的數(shù)據(jù)還有救嗎？

（4） VIP score 的意義及選擇；

（5） 分類算法：決策樹，隨機(jī)森林和貝葉斯網(wǎng)絡(luò)模型；

C2 一組代謝組學(xué)數(shù)據(jù)的分類算法實(shí)現(xiàn)的 R 演練

(1) 數(shù)據(jù)解讀；

(2) 演練與操作；

第三天下午

C3 無(wú)監(jiān)督式機(jī)器學(xué)習(xí)在代謝組學(xué)數(shù)據(jù)處理中的應(yīng)用

（1） 大數(shù)據(jù)處理中的降維；

（2） PCA 分析作圖；

（3） 三種常見的聚類分析：K-means、層次分析與 SOM

（4） 熱圖和 hcluster 圖的 R 語(yǔ)言實(shí)現(xiàn)；

C4 一組代謝組學(xué)數(shù)據(jù)的降維與聚類分析的 R 演練

(1) 數(shù)據(jù)解析；

(2) 演練與操作；

第四天上午

D1 在線代謝組分析網(wǎng)頁(yè) Metaboanalyst 操作

（1） 用 R 將數(shù)據(jù)清洗成網(wǎng)頁(yè)需要的格式；

（2） 獨(dú)立組、配對(duì)組和多組的數(shù)據(jù)格式問題；

（3） Metaboanalyst 中的上游分析（原始數(shù)據(jù)峰提取、峰對(duì)齊與搜庫(kù)）

（4） Metaboanalyst 的 pipeline 以及參數(shù)設(shè)置和注意事項(xiàng)；

（5） Metaboanalyst 的結(jié)果查看和導(dǎo)出；

（6） Metaboanalyst 的數(shù)據(jù)編輯；

（7） 全流程演練與操作。

（8） 代謝聯(lián)合多組學(xué)分析網(wǎng)頁(yè)操作。

第四天下午

D2 代謝組學(xué)數(shù)據(jù)清洗與 R 語(yǔ)言進(jìn)階

（1） 代謝組學(xué)中的 t、fold-change 和響應(yīng)值；

（2） 數(shù)據(jù)清洗流程；

（3） R 語(yǔ)言 tidyverse；

（4） 數(shù)據(jù)預(yù)處理：數(shù)據(jù)過濾與數(shù)據(jù)標(biāo)準(zhǔn)化（樣本的 Normalization 和代謝物的 Scaling）；

（5） 代謝組學(xué)數(shù)據(jù)清洗演練；

第五天上午

E1 文獻(xiàn)數(shù)據(jù)分析部分復(fù)現(xiàn)（1 篇）

（1） 文獻(xiàn)深度解讀；

（2） 實(shí)操：從原始數(shù)據(jù)下載到圖片復(fù)現(xiàn)；

（3） 學(xué)員實(shí)操。

第五天下午

E2 機(jī)器學(xué)習(xí)與代謝組學(xué)頂刊解讀（3 篇）；

（1） Signal Transduction and Targeted Therapy 一篇有關(guān)饑餓對(duì)不同腦區(qū)代謝組學(xué)影響變化的小鼠腦組織代謝圖譜類的文獻(xiàn)；(數(shù)據(jù)庫(kù)型)

（2） Cell 一篇代謝組學(xué)孕婦全程血液代謝組學(xué)分析得出對(duì)孕周和孕產(chǎn)期預(yù)測(cè)的代謝標(biāo)志物的文獻(xiàn)；(生物標(biāo)志物型)

（3） Nature 一篇對(duì)胰腺癌患者腸道菌群的代謝組學(xué)分析找到可以提高化療效果的代謝物的文獻(xiàn)。(機(jī)制研究型)

專題三：機(jī)器學(xué)習(xí)微生物多組學(xué)聯(lián)合分析

講師介紹

主講老師Dr. Li，生物信息學(xué)博士，有十余年的測(cè)序數(shù)據(jù)分析經(jīng)驗(yàn)。研究領(lǐng)域涉及機(jī)器學(xué)習(xí)，芯片數(shù)據(jù)分析，核酸及蛋白序列分析，宏基因組學(xué)，DNA，RNA，甲基化測(cè)序數(shù)據(jù)分析，單細(xì)胞測(cè)序數(shù)據(jù)分析，miRNA及靶基因分析，生存分析及預(yù)后模型構(gòu)建等。具有豐富的培訓(xùn)經(jīng)驗(yàn)，舉辦過線上線下培訓(xùn)50余場(chǎng)。培訓(xùn)內(nèi)容涉及機(jī)器學(xué)習(xí)在生物醫(yī)學(xué)中的應(yīng)用，機(jī)器學(xué)習(xí)在微生物學(xué)中的應(yīng)用，機(jī)器學(xué)習(xí)在蛋白組學(xué)中的應(yīng)用，單細(xì)胞多組學(xué)數(shù)據(jù)挖掘，WGCNA共表達(dá)網(wǎng)絡(luò)構(gòu)建，ceRNA網(wǎng)絡(luò)構(gòu)建，R語(yǔ)言基礎(chǔ)等。發(fā)表SCI論文30余篇，其中一作及并列一作15篇，h指數(shù)20。

課表內(nèi)容

內(nèi)容可向下滑動(dòng)

第一天

微生物多組學(xué)簡(jiǎn)介

1. 微生物學(xué)基本概念

2. 微生物學(xué)常用分析介紹

3. 代謝組學(xué)基本概念及檢測(cè)方法

4. 轉(zhuǎn)錄組學(xué)基本概念及檢測(cè)方法

5. 機(jī)器學(xué)習(xí)基本概念介紹

R語(yǔ)言簡(jiǎn)介及實(shí)操

1． R語(yǔ)言概述

2． R軟件及R包安裝

3． R語(yǔ)言語(yǔ)法及數(shù)據(jù)類型

4． 條件語(yǔ)句

5． 循環(huán)

6． 函數(shù)

7． 常用的機(jī)器學(xué)習(xí)和微生物多組學(xué)數(shù)據(jù)分析相關(guān)R包介紹

第二天

微生物多組學(xué)相關(guān)數(shù)據(jù)庫(kù)介紹及數(shù)據(jù)檢索

1. 腸道微生物+代謝數(shù)據(jù)庫(kù)

2. Curated Metagenomic Data

3. IBDMDB數(shù)據(jù)庫(kù)

4. GEO數(shù)據(jù)庫(kù)

微生物多組學(xué)應(yīng)用案例分享

1． 利用機(jī)器學(xué)習(xí)基于微生物組學(xué)+代謝組學(xué)數(shù)據(jù)預(yù)測(cè)樣本類型

2． 整合微生物組學(xué)數(shù)據(jù)和代謝組學(xué)數(shù)據(jù)鑒定疾病相關(guān)模塊

3． 腫瘤研究中微生物組學(xué)+宿主轉(zhuǎn)錄組學(xué)+免疫聯(lián)合分析

4． 基于微生物組學(xué)數(shù)據(jù)+轉(zhuǎn)錄組數(shù)組+代謝組數(shù)據(jù)縱向集成分析

第三天（實(shí)操）

零代碼微生物多組學(xué)整合和網(wǎng)絡(luò)可視化分析工具介紹和使用

1． 數(shù)據(jù)上傳（支持8種不同類型的數(shù)據(jù)，包括微生物，代謝，基因，蛋白等）

2． 根據(jù)數(shù)據(jù)類型選擇相應(yīng)的數(shù)據(jù)庫(kù)

3． 構(gòu)建網(wǎng)絡(luò)

4． 可視化

零代碼微生物組-代謝組網(wǎng)絡(luò)分析工具介紹和使用

1. 構(gòu)建菌群和代謝模型

2. 使用代謝模型計(jì)算微生物對(duì)代謝物的貢獻(xiàn)

3. 計(jì)算群落水平的代謝潛能分值，使用回歸模型評(píng)估潛能分值在不同樣本中的差異

4. 可視化特征微生物對(duì)特定代謝物的影響，并尋找關(guān)鍵微生物

零代碼微生物組學(xué)和代謝組學(xué)相關(guān)性分析工具介紹和使用

1. 組學(xué)內(nèi)相關(guān)性分析

2. 組學(xué)間相關(guān)性分析

3. 多組學(xué)整合分析

4. 多組學(xué)網(wǎng)絡(luò)分析

5. 結(jié)果可視化

第四天（實(shí)操+復(fù)現(xiàn)）

利用機(jī)器學(xué)習(xí)基于微生物組學(xué)+代謝組學(xué)數(shù)據(jù)預(yù)測(cè)樣本類型

1. α-diversity，β-diversity分析

2. 飲食與代謝物的動(dòng)態(tài)關(guān)聯(lián)分析

3. 微生物組差異與疾病特異性分析

4. 多組學(xué)因子分析

5. 菌群功能與代謝表型關(guān)聯(lián)分析

6. 整合微生物組學(xué)數(shù)據(jù)和代謝組學(xué)數(shù)據(jù)預(yù)測(cè)樣本類型

整合微生物組學(xué)和代謝組學(xué)數(shù)據(jù)鑒定疾病相關(guān)模塊

1. 微生物組學(xué)和代謝組學(xué)數(shù)據(jù)整合

2. 鑒定疾病相關(guān)的多組學(xué)模塊

3. 模塊交集分析

4. 利用機(jī)器學(xué)習(xí)基于模塊預(yù)測(cè)疾病狀態(tài)

5. 重要模塊分析

第五天（實(shí)操+復(fù)現(xiàn)）

腫瘤研究中微生物組學(xué)，宿主轉(zhuǎn)錄組學(xué)和免疫聯(lián)合分析

1. 微生物組學(xué)分析

2. 轉(zhuǎn)錄組學(xué)分析，差異表達(dá)基因鑒定

3. 通過CCA方法對(duì)微生物組學(xué)數(shù)據(jù)和宿主轉(zhuǎn)錄組學(xué)數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析

4. 微生物免疫關(guān)聯(lián)分析

基于微生物組學(xué)數(shù)據(jù)，轉(zhuǎn)錄組數(shù)組和代謝組數(shù)據(jù)縱向集成分析

1. 腸道微生物組成分析

2. 微生物組和代謝組聯(lián)合分析

3. 代謝組學(xué)和轉(zhuǎn)錄組學(xué)進(jìn)行整合分析

4. 微生物組-宿主互作分析

課程目標(biāo)

1. 了解微生物多組學(xué)相關(guān)概念

2. 了解機(jī)器學(xué)習(xí)相關(guān)概念和常用的機(jī)器學(xué)習(xí)模型

3. 了解R語(yǔ)言

4. 掌握常用的微生物多組學(xué)數(shù)據(jù)分析以及機(jī)器學(xué)習(xí)相關(guān)R包的使用

5. 掌握微生物組學(xué)/代謝組學(xué)/宿主轉(zhuǎn)錄組學(xué)聯(lián)合分析思路和方法

6. 復(fù)現(xiàn)SCI文章 案例實(shí)操：

專題四：深度學(xué)習(xí)基因組學(xué)

講師介紹

主講老師來(lái)自荷蘭在讀博士陳老師授課。在國(guó)內(nèi)外學(xué)術(shù)刊物發(fā)表論文數(shù)篇，包括Nature Communication, Cell Regeneration等知名期刊，研究方向主要為染色質(zhì)三維結(jié)構(gòu)，生物信息學(xué)，發(fā)育生物學(xué)和遺傳學(xué)等。利用多組學(xué)數(shù)據(jù)，通過深度學(xué)習(xí)算法進(jìn)行數(shù)據(jù)分析和挖掘，包括ChIP-seq，ATAC-seq，RNA-seq，CNV等，解決并回答領(lǐng)域內(nèi)多個(gè)基礎(chǔ)的生物學(xué)機(jī)制。

課表內(nèi)容

內(nèi)容可向下滑動(dòng)

第一天

理論部分

深度學(xué)習(xí)算法介紹

1.有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法

1.1全連接深度神經(jīng)網(wǎng)絡(luò)DNN在基因組學(xué)中的應(yīng)用舉例

1.2卷積神經(jīng)網(wǎng)絡(luò)CNN在基因組學(xué)中的應(yīng)用舉例

1.3循環(huán)神經(jīng)網(wǎng)絡(luò)RNN在基因組學(xué)中的應(yīng)用舉例

1.4圖卷積神經(jīng)網(wǎng)絡(luò)GCN在基因組學(xué)中的應(yīng)用舉例

2.無(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)算法

2.1自動(dòng)編碼器AE在基因組學(xué)中的應(yīng)用舉例

2.2生成對(duì)抗網(wǎng)絡(luò)GAN在基因組學(xué)中的應(yīng)用舉例

實(shí)操內(nèi)容

1.Linux操作系統(tǒng)

1.1常用的Linux命令

1.2 Vim編輯器

1.3基因組數(shù)據(jù)文件管理, 修改文件權(quán)限

1.4查看探索基因組區(qū)域

2.Python語(yǔ)言基礎(chǔ)

2.1.Python包安裝和環(huán)境搭建

2.2.常見的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)類型

第二天

理論部分

基因組學(xué)基礎(chǔ)

1.基因組數(shù)據(jù)庫(kù)

2.表觀基因組

3.轉(zhuǎn)錄基因組

4.蛋白質(zhì)組

5.功能基因組

實(shí)操內(nèi)容

基因組常用深度學(xué)習(xí)框架

1.安裝并介紹深度學(xué)習(xí)工具包tensorflow, keras，pytorch

2.在工具包中識(shí)別深度學(xué)習(xí)模型要素

2.1.數(shù)據(jù)表示

2.2.張量運(yùn)算

2.3.神經(jīng)網(wǎng)絡(luò)中的“層”

2.4.由層構(gòu)成的模型

2.5.損失函數(shù)與優(yōu)化器

2.6.數(shù)據(jù)集分割

2.7.過擬合與欠擬合

3.基因組數(shù)據(jù)處理

3.1安裝并使用keras_dna處理各種基因序列數(shù)據(jù)如BED、 GFF、GTF、BIGWIG、BEDGRAPH、WIG等

3.2使用keras_dna設(shè)計(jì)深度學(xué)習(xí)模型

3.3使用keras_dna分割訓(xùn)練集、測(cè)試集

3.4使用keras_dna選取特定染色體的基因序列等

4．深度神經(jīng)網(wǎng)絡(luò)DNN在識(shí)別基序特征中應(yīng)用

4.1實(shí)現(xiàn)單層單過濾器DNN識(shí)別基序

4.2實(shí)現(xiàn)多層單過濾器DNN識(shí)別基序

4.3實(shí)現(xiàn)多層多過濾器DNN識(shí)別基序

第三天

理論部分

卷積神經(jīng)網(wǎng)絡(luò)CNN在基因調(diào)控預(yù)測(cè)中的應(yīng)用

1.Chip-Seq中識(shí)別基序特征G4，如DeepG4

2.Chip-Seq中預(yù)測(cè)DNA甲基化，DeepSEA

3.Chip-Seq中預(yù)測(cè)轉(zhuǎn)錄調(diào)控因子結(jié)合，DeepSEA

4.DNase-seq中預(yù)測(cè)染色體親和性，Basset

5.DNase-seq中預(yù)測(cè)基因表達(dá)eQTL，Enformer

實(shí)操內(nèi)容

復(fù)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)CNN識(shí)別基序特征DeepG4、非編碼基因突變DeepSEA，預(yù)測(cè)染色體親和性Basset，基因表達(dá)eQTL

1.復(fù)現(xiàn)DeepG4從Chip-Seq中識(shí)別G4特征

2.安裝selene_sdk，復(fù)現(xiàn)DeepSEA從Chip-Seq中預(yù)測(cè)DNA甲基化，非編碼基因突變

3.復(fù)現(xiàn)Basset，從Chip-Seq中預(yù)測(cè)染色體親和性

4.復(fù)現(xiàn)Enformer，從Chip-Seq中預(yù)測(cè)基因表達(dá)eQTL

第四天

理論部分

深度學(xué)習(xí)在識(shí)別拷貝數(shù)變異DeepCNV、調(diào)控因子DeepFactor上的應(yīng)用

1.SNP微陣列中預(yù)測(cè)拷貝數(shù)變異CNV，DeepCNV

2.RNA-Seq中預(yù)測(cè)premiRNA，dnnMiRPre

3.從蛋白序列中預(yù)測(cè)調(diào)控因子蛋白質(zhì)，DeepFactor

實(shí)操內(nèi)容

1.復(fù)現(xiàn)DeepCNV利用SNP微陣列聯(lián)合圖像分析識(shí)別拷貝數(shù)變異

2.復(fù)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN工具 dnnMiRPre，從RNA-Seq中預(yù)測(cè)premiRNA

3.復(fù)現(xiàn)DeepFactor，從蛋白序列中識(shí)別轉(zhuǎn)錄調(diào)控因子蛋白質(zhì)

第五天

理論部分

深度學(xué)習(xí)在識(shí)別及疾病表型及生物標(biāo)志物上的應(yīng)用

1.從基因表達(dá)數(shù)據(jù)中識(shí)別乳腺癌分型的深度學(xué)習(xí)工具DeepType

2.從高維多組學(xué)數(shù)據(jù)中識(shí)別疾病表型，XOmiVAE

3.基因序列及蛋白質(zhì)相互作用網(wǎng)絡(luò)中識(shí)別關(guān)鍵基因的深度學(xué)習(xí)工具DeepHE

實(shí)操內(nèi)容

1.復(fù)現(xiàn)DeepType，從METABRIC乳腺癌數(shù)據(jù)中區(qū)分乳腺癌亞型

2.復(fù)現(xiàn)XOmiVAE，從TCGA多維數(shù)據(jù)庫(kù)中識(shí)別乳腺癌亞型

3.復(fù)現(xiàn)DeepHE利用基因序列及蛋白質(zhì)相互作用網(wǎng)絡(luò)識(shí)別關(guān)鍵基因

專題五：CRISPR-Cas9基因編輯技術(shù)

簡(jiǎn)介

本課程旨在為您提供對(duì)現(xiàn)代基因編輯技術(shù)的全面理解。2012年CRISPR-Cas9的工作原理被解析，2013年華裔科學(xué)家張鋒首次將CRISPR-Cas9基因編輯技術(shù)應(yīng)用于哺乳動(dòng)物細(xì)胞，正式開啟了基因編輯的應(yīng)用之路，2020年CRISPR技術(shù)獲得諾貝獎(jiǎng)，短短不到十年時(shí)間CRISPR技術(shù)榮獲最高學(xué)術(shù)榮譽(yù)，足以看出該技術(shù)的應(yīng)用潛力。

基因編輯技術(shù)被認(rèn)為是解決世界人口增長(zhǎng)帶來(lái)食物短缺問題的關(guān)鍵，通過基因編輯技術(shù)可以大大加速作物品種的創(chuàng)制；此外，臨床醫(yī)療方面，基因編輯技術(shù)為遺傳疾病患者的治愈帶去了希望。該技術(shù)在生命科學(xué)領(lǐng)域持續(xù)被探索應(yīng)用，作為一項(xiàng)技術(shù)（工具），可以遇見的是在未來(lái)生命科學(xué)研究中，它將作為基礎(chǔ)的手段為科學(xué)探索鋪平道路。

講師介紹

主講老師來(lái)自中國(guó)農(nóng)業(yè)科學(xué)院，有十余年基因編輯研究經(jīng)驗(yàn)，熟悉基因編輯在各個(gè)領(lǐng)域應(yīng)用，在基因編輯系統(tǒng)的開發(fā)與優(yōu)化深耕多年，已發(fā)表數(shù)十篇SCI，有豐富的教學(xué)經(jīng)驗(yàn)！

課表內(nèi)容

內(nèi)容可向下滑動(dòng)

第一天：基因編輯基礎(chǔ)原理與工具

你將獲得的技能與知識(shí)：

? 掌握基因編輯與轉(zhuǎn)基因的本質(zhì)區(qū)別

? 了解從早期ZFNs到最新CRISPR系統(tǒng)的基因編輯技術(shù)演進(jìn)

? 深入理解CRISPR-Cas9的分子機(jī)制及其應(yīng)用方式

? 認(rèn)識(shí)新一代高精度基因編輯工具的特點(diǎn)與優(yōu)勢(shì)

? 熟練使用Snapgene軟件進(jìn)行分子克隆設(shè)計(jì)

第二天：CRISPR系統(tǒng)應(yīng)用實(shí)操與拓展功能

你將獲得的技能與知識(shí)：

? 掌握sgRNA設(shè)計(jì)原則與輔助工具使用

? 學(xué)會(huì)CRISPR-Cas9敲除載體的構(gòu)建流程

? 理解多基因同時(shí)編輯的策略與方法

? 掌握CRISPRa/CRISPRi基因表達(dá)調(diào)控系統(tǒng)

? 了解CRISPR系統(tǒng)在基因組學(xué)中的創(chuàng)新應(yīng)用

第三天：堿基編輯系統(tǒng)原理與應(yīng)用

你將獲得的技能與知識(shí)：

? 全面了解胞嘧啶堿基編輯(CBE)系統(tǒng)的發(fā)展與應(yīng)用

? 掌握腺嘌呤堿基編輯(ABE)系統(tǒng)的工作原理

? 理解蛋白質(zhì)定向進(jìn)化技術(shù)在基因編輯中的應(yīng)用

? 認(rèn)識(shí)雙堿基編輯及新型堿基編輯系統(tǒng)

? 學(xué)會(huì)堿基編輯技術(shù)在不同領(lǐng)域的應(yīng)用策略

第四天：高級(jí)基因編輯技術(shù)與細(xì)胞應(yīng)用

你將獲得的技能與知識(shí)：

? 掌握基因編輯報(bào)告系統(tǒng)的設(shè)計(jì)與使用

? 學(xué)會(huì)原生質(zhì)體制備技術(shù)并應(yīng)用于基因編輯

? 理解Prime Editing精準(zhǔn)編輯系統(tǒng)的原理

? 學(xué)習(xí)大片段DNA的插入與刪除技術(shù)

? 掌握基因編輯效率優(yōu)化的關(guān)鍵因素

第五天：系統(tǒng)優(yōu)化與倫理安全

你將獲得的技能與知識(shí)：

? 掌握Prime Editing系統(tǒng)的構(gòu)建與優(yōu)化方法

? 學(xué)習(xí)基因編輯載體的遞送策略與技術(shù)

? 了解慢病毒包裝與應(yīng)用技術(shù)

? 認(rèn)識(shí)基因編輯技術(shù)的倫理與安全問題

? 具備實(shí)際應(yīng)用基因編輯技術(shù)的綜合能力

第一天課程內(nèi)容

一． 基因編輯工具介紹

1. 正本清源：基因編輯和轉(zhuǎn)基因

a) 解析基因編輯與轉(zhuǎn)基因的本質(zhì)區(qū)別，討論兩種技術(shù)的監(jiān)管差異

2. 基因編輯工具先驅(qū)-ZFNs和TALENs

a) 早期基因編輯工具的設(shè)計(jì)原理、優(yōu)缺點(diǎn)及歷史貢獻(xiàn)

3. CRISPR系統(tǒng)家族介紹

a) 從細(xì)菌免疫系統(tǒng)到基因編輯工具的演變，各類型Cas蛋白的分類

4. CRISPR-Cas9的工作原理

a) sgRNA與DNA結(jié)合機(jī)制、PAM識(shí)別、雙鏈斷裂修復(fù)途徑

5. CRISPR-Cas9介導(dǎo)基因敲除與敲入

a) 通過NHEJ和HDR兩種修復(fù)途徑實(shí)現(xiàn)的不同編輯效果

6. CRISPR-Cas12、13的工作原理

a) RNA靶向編輯與診斷應(yīng)用潛力

7. 新型CRISPR系統(tǒng)

a) CasΦ、小型Cas蛋白CasMINI等

b) 高保真Cas9變體SpCas9-HF、eSpCas9等

8. 基因克隆相關(guān)技術(shù)簡(jiǎn)介

a) 質(zhì)粒設(shè)計(jì)、PCR、限制性酶切、連接等基礎(chǔ)技術(shù)

9. Snapgene軟件使用實(shí)操

a) 質(zhì)粒圖譜設(shè)計(jì)、引物設(shè)計(jì)、虛擬克隆與測(cè)序分析

第二天課程內(nèi)容

1. CRISPR-Cas9系統(tǒng)敲除載體構(gòu)建實(shí)操

a) sgRNA設(shè)計(jì)相關(guān)注意事項(xiàng)

i. PAM位點(diǎn)選擇、脫靶預(yù)測(cè)、GC含量考量、二級(jí)結(jié)構(gòu)避免

b) 輔助工具推薦，CRISPick、CHOPCHOP、基于深度學(xué)習(xí)的sgRNA預(yù)測(cè)工具等

c) 常規(guī)的構(gòu)建方案

i. 從oligo合成到完整載體的詳細(xì)流程，常見問題解決

d) 測(cè)序原理簡(jiǎn)介

i. Sanger測(cè)序與高通量測(cè)序技術(shù)原理，應(yīng)用選擇

e) 測(cè)序數(shù)據(jù)分析

2. 多基因編輯原理

a) 同時(shí)編輯多個(gè)基因的策略選擇，提高編輯效率的方法

b) 多重靶點(diǎn)設(shè)計(jì)與互相干擾避免策略

3. 多基因編輯載體構(gòu)建實(shí)操

a) 多sgRNA串聯(lián)策略

b) 多啟動(dòng)子設(shè)計(jì)策略與表達(dá)平衡考量

4. CRISPRa/CRISPRi（基因激活與基因抑制）

a) dCas9-PVPR系統(tǒng)介紹，工作原理詳解

b) dCas9-VP64/GI/SAM基因激活系統(tǒng)介紹

c) 基因編輯招募系統(tǒng)介紹（Suntag/Moontag）

5. CRISPR系統(tǒng)的‘另類’應(yīng)用

第三天課程內(nèi)容

1. CBE系統(tǒng)的原理及其應(yīng)用

a) CBE系統(tǒng)進(jìn)化過程總結(jié)，從BE1到最新CBE系統(tǒng)的演進(jìn)歷程與性能提升

b) 基因組CBE編輯（植物育種/基因功能研究/臨床治療）

c) 細(xì)胞器CBE編輯工具介紹，線粒體/葉綠體編輯特殊挑戰(zhàn)與解決方案

d) CBE系統(tǒng)的脫靶效應(yīng)，RNA脫靶與DNA脫靶檢測(cè)與避免策略

e) 新型CBE系統(tǒng)，各種改進(jìn)版本對(duì)比與選擇指南

2. ABE系統(tǒng)的原理及其應(yīng)用

a) PACE和PANCE人工定向蛋白進(jìn)化系統(tǒng)介紹及其他常規(guī)的蛋白進(jìn)化技術(shù)

b) 大腸桿菌正交進(jìn)化系統(tǒng)

c) ABE系統(tǒng)的進(jìn)化過程總結(jié)，ABE1.x到ABE8.x性能參數(shù)對(duì)比

d) ABE系統(tǒng)的‘另類’應(yīng)用，ABE系統(tǒng)如何實(shí)現(xiàn)C編輯、剪接調(diào)控等非常規(guī)功能

3. 雙堿基編輯系統(tǒng)

a) SWISS/STEME/A&C-BEmax/SPACE/ACBE，各種雙堿基編輯系統(tǒng)的設(shè)計(jì)原理與適用場(chǎng)景

b) 雙堿基編輯系統(tǒng)改造總結(jié)

4. 其他類型的堿基編輯系統(tǒng)

a) 糖基化酶介導(dǎo)堿基編輯，新型編輯機(jī)制與應(yīng)用潛力

b) CGBE、AYBE、gGBE、TSBE

第四天課程內(nèi)容

1. 報(bào)告系統(tǒng)

a) 細(xì)胞實(shí)驗(yàn)結(jié)合流式分析

b) 植物穩(wěn)轉(zhuǎn)的抗除草劑、顯色等報(bào)告系統(tǒng)

2. 原生質(zhì)體制備與應(yīng)用實(shí)操

3. 細(xì)胞與基因編輯工具優(yōu)化實(shí)操

4. RNA編輯系統(tǒng)

5. PE系統(tǒng)的原理

a) Prime Editing工作機(jī)制：逆轉(zhuǎn)錄、鏈置換、修復(fù)

b) 編輯效率影響因素詳解：各參數(shù)對(duì)編輯效率的影響比較

c) 雙pegRNA的原理及其應(yīng)用（基因組大片段插入）

d) 基因組大片段刪除

第五天內(nèi)容

1. PE系統(tǒng)的優(yōu)化案例

a) 各領(lǐng)域PE優(yōu)化成功案例分析：植物、人類細(xì)胞

b) 特定應(yīng)用場(chǎng)景的系統(tǒng)改造策略

2. PE系統(tǒng)的構(gòu)建實(shí)操

a) 引物設(shè)計(jì)工具的應(yīng)用

b) 載體構(gòu)建實(shí)操，從基礎(chǔ)載體到成熟系統(tǒng)的實(shí)驗(yàn)流程

3. 慢病毒包裝與遞送

4. 其他遞送系統(tǒng)

a) 納米顆粒遞送：脂質(zhì)體、聚合物等

b) 物理方法：電穿孔、顯微注射、生物彈道技術(shù)

5. 倫理與安全

培訓(xùn)目標(biāo)

01.深度學(xué)習(xí)解析蛋白組學(xué)：課程通過對(duì)這些深度學(xué)習(xí)在蛋白組學(xué)中的應(yīng)用案例進(jìn)行深度講解和實(shí)操，讓學(xué)員能夠掌握深度學(xué)習(xí)分析蛋白組學(xué)數(shù)據(jù)流程，系統(tǒng)學(xué)習(xí)深度學(xué)習(xí)及蛋白組學(xué)理論知識(shí)及熟悉軟件代碼實(shí)操，熟練掌握這些前沿的分析工具的使用以及研究創(chuàng)新深度學(xué)習(xí)算法解決生物學(xué)及臨床疾病問題與需求。

02.深度學(xué)習(xí)基因組學(xué)：深入學(xué)習(xí)與了解深度學(xué)習(xí)基本框架與邏輯，同時(shí)掌握基本的生物信息學(xué)軟件（Linux、R、python等）的使用，讓學(xué)員能更好的應(yīng)對(duì)基因組數(shù)據(jù)，挖掘出超越已有知識(shí)的新知識(shí)。而構(gòu)建好的深度學(xué)習(xí)模型去探求新的研究思路和尋找新的潛在生物學(xué)機(jī)制，更好的服務(wù)于自身的科學(xué)研究和探索的過程中

03.機(jī)器學(xué)習(xí)微生物多組學(xué)聯(lián)合分析：AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計(jì)：本課程讓學(xué)員了解藥物發(fā)現(xiàn)的前沿背景，學(xué)習(xí)人工智能領(lǐng)域的各類常見算法，熟悉工具包的安裝與使用，掌握一定的算法編程能力，能夠運(yùn)用計(jì)算機(jī)方法研究藥物相關(guān)問題。通過大量的案例講解和實(shí)踐操作，具備一定的AIDD模型構(gòu)建和數(shù)據(jù)分析能力

04.機(jī)器學(xué)習(xí)代謝組學(xué)：1. 熟悉代謝組學(xué)和機(jī)器學(xué)習(xí)相關(guān)背景知識(shí)以及硬件和軟件；2. 入門 R 語(yǔ)言和機(jī)器學(xué)習(xí)理論和常規(guī)使用；3. 掌握代謝組學(xué)從樣本處理到上下游數(shù)據(jù)分析以及出圖的全流程；4. 能復(fù)現(xiàn) CNS 及其子刊級(jí)別雜志中代謝組學(xué)相關(guān)文章中的圖片；5. 能靈活熟練地分析自己的代謝組數(shù)據(jù)

05.CRISPR-Cas9基因編輯技術(shù)應(yīng)用: 該課程從全局出發(fā)，從CRISPR-Cas9等前沿工具的基本原理 ，到這些技術(shù)在醫(yī)學(xué)、農(nóng)業(yè)等的實(shí)際應(yīng)用，由淺入深，從最初的原理講解到最后的應(yīng)用實(shí)戰(zhàn)，學(xué)完本課程你將掌握基因編輯技術(shù)的相關(guān)原理及其應(yīng)用，此外可以學(xué)到基因編輯系統(tǒng)的優(yōu)化策略，可以學(xué)到如何操作常用的生物學(xué)軟件。 無(wú)論您是生物學(xué)專業(yè)的學(xué)生，還是對(duì)基因編輯感興趣的科研人員，這門課程都將為您提供寶貴的知識(shí)和技能，助您在這一革新領(lǐng)域中取得突破

授課時(shí)間及地點(diǎn)-騰訊會(huì)議直播

01

深度學(xué)習(xí)解析蛋白質(zhì)組學(xué)

2025.06.28-2025.06.29 （09：00-11：30--13：30-17：00）

2025.07.05-2025.07.06 （09：00-11: 30--13：30-17：00）

2025.07.12 （09：00-11: 30--13：30-17：00）

02

深度學(xué)習(xí)基因組學(xué)

2025.07.05-2025.07.06 （09：00-11: 30--13：30-17：00）

2025.07.12-2025.07.13 （09：00-11: 30--13：30-17：00）

2025.07.19 （09：00-11: 30--13：30-17：00）

03

機(jī)器學(xué)習(xí)微生物多組學(xué)聯(lián)合分析

2025.07.05-2025.07.06 （09：00-11: 30--13：30-17：00）

2025.07.12-2025.07.13 （09：00-11: 30--13：30-17：00）

2025.07.19 （09：00-11: 30--13：30-17：00）

04

機(jī)器學(xué)習(xí)代謝組學(xué)

2025.06.30-2025.07.03 （19：00--22：00）

2025.07.07-2025.07.10 （19：00--22：00）

2025.07.15-07.16 （19：00--22：00）

05

CRISPR-Cas9基因編輯技術(shù)應(yīng)用

2025.06.28-2025.06.29 （09：00-11：30--13：30-17：00）

2025.07.05-2025.07.06 （09：00-11: 30--13：30-17：00）

2025.07.12 （09：00-11: 30--13：30-17：00

提供全程的回放視頻二次學(xué)習(xí)也是免費(fèi)的

培訓(xùn)費(fèi)用

課程報(bào)名費(fèi)用：

公費(fèi)價(jià)：每人每班￥4980元 （含報(bào)名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi)）

優(yōu)惠：

優(yōu)惠1：

報(bào)二送一（同時(shí)報(bào)名兩個(gè)班免費(fèi)贈(zèng)送一個(gè)學(xué)習(xí)名額贈(zèng)送班任選）

兩班同報(bào)：9680元 （可學(xué)習(xí)三個(gè)直播課）

三班同報(bào)：13880元 （可學(xué)習(xí)四個(gè)直播課）

四班同報(bào)：16880元 （可免費(fèi)學(xué)習(xí)一整年本單位舉辦的任意課程）

優(yōu)惠2：提前報(bào)名繳費(fèi)可享受300元優(yōu)惠（僅限十五名）

特惠3：現(xiàn)在報(bào)名一門贈(zèng)送兩門往期課程回放

SIMPLICITY

官方聯(lián)系人（請(qǐng)掃碼詳細(xì)咨詢）

聯(lián)系人：陸老師

報(bào)名咨詢電話：17630031771