左右滑动查看上期生信培训部分内容
技术升级：春季班偏重R语言等基础技能的应用，夏季班则进一步深化机器学习与生存分析的理解，带领你深入技术核心；
实操升级：春季班实操集中在生信基础技术的实现上，夏季班将对这些核心知识逐一复盘，并进一步瞄准项目设计策略和机器学习与数据分析实操，确保你能够全面掌握并应用所学知识。
本 期 培 训 课 表
蛋白质组学数据分析进阶培训（6.26-28）
让你学会生物标志物研究项目的实验设计、数据划分，并随堂完成文献带读，为研究打下坚实基础。
★ 时间序列风险评估与生存分析技术带教
面向组学研究，让你理解数据特征，并完成编程实践。
★ 蛋白质组学及多组学研究项目设计策略
通过案例研究，让你学会如何设计高质量的组学研究项目。
★ 蛋白质组学研究中的样本制备指南
让你学会多种样本制备技巧，并了解如何避免常见 “陷阱”。
★ 蛋白质组学研究项目中的实验质量控制
让你学会如何在项目组织阶段即对研究项目进行质量控制。
★ 蛋白质组学研究项目中的数据质量控制
这次课程内容中涵盖了组学研究中常用到的机器学习技术、生存分析技术、研究项目设计策略与数据处理策略等一系列 “干货”，助力你在生物信息学领域全面发展，成为科研多面手！
丰富理论知识+专人实操带教+课后辅导答疑，保姆式全面提升你的科研水平
从数据质控到机器学习，全面掌握高质量蛋白组学研究项目的核心技能
从文献分享到代码实现，简单拿捏机器学习技术在生物标志物研究中的应用技巧
除上述线下课程外，提前给大家安排的线上基础课程包含以下三部分：
① 蛋白质组学基本原理
② 蛋白质谱基本原理、类型与适用场景
蛋白质组学数据分析进阶培训
6600元/人
6月18日前报名享受早鸟优惠！！！
报名截止日期为6月25日
付款方式：支持对公转账、微信、支付宝、现场刷卡
这是在全球范围内第一次从蛋白质分子水平上，对新冠病毒感染人体后多个关键器官做出的响应进行了详细和系统的分析，为临床工作者和研究人员制定治疗方案、开发新的药物及治疗方法提供了线索和依据。
西湖欧米负责该项目的部分生信分析工作。
Nat Cancer｜中国人群乳腺癌的综合多组学分析揭示新的患者分层和治疗靶点
2024年2月，来自复旦大学附属肿瘤医院的邵志敏教授、江一舟研究员团队，联合上海市生物医药技术研究院黄薇教授团队，以及复旦大学生命科学学院和人类表型组研究院石乐明教授、郑媛婷副教授团队，在 Nature Cancer（IF=22.7）上发表了题为Integrated multiomic profiling of breast cancer in Chinese population reveals patient stratification and therapeutic vulnerabilities 的研究文章。
基于中国乳腺癌基因组图谱项目（CBCGA），文章研究了中国乳腺癌患者的临床和分子特征，包括肿瘤微环境、基因突变、多组学数据及其相互关系，并利用机器学习模型进行了预测和分类，为了解乳腺癌的病理特征、临床表现和治疗策略提供了重要的线索和数据支持。
西湖欧米负责该研究中蛋白质组部分的样本采集、质谱数据分析及生信分析。
2024年4月，中国医科大学附属第一医院甲状腺外科张浩教授团队联合西湖大学医学院郭天南教授团队共同合作的有关儿童青少年甲状腺乳头状癌复发风险预测的研究取得突破性进展，在 Nature Communications 上发表了题为 An individualized protein-based prognostic model to stratify pediatric patients with papillary thyroid carcinoma 的研究论文。
研究团队采用了一种基于蛋白质组学数据以及机器学习的客观方法来构建PPTC复发风险的预测模型。通过验证，模型准确率高达88.24%，可将PPTC患者分为高或低复发风险组，并为每一例患者提供个性化复发风险预测，为临床决策和个体化治疗提供参考。
https://www.nature.com/articles/s41467-024-47926-w
欧米合作｜利用机器学习对甲状腺乳头状癌进行风险分层
2024年2月，杭州市第一人民医院肿瘤外科罗定存教授团队牵头联合西湖大学生命科学学院郭天南教授团队及青岛大学烟台毓璜顶医院郑海涛教授团队，开展多维度机器学习辅助甲状腺乳头状癌风险分层队列研究取得突破性进展，在国际外科学权威期刊 International Journal of Surgery (IF=15.3)上发表题为 Risk stratification of papillary thyroid cancers using multidimensional machine learning 的研究论文。
研究团队采用机器学习方法，利用蛋白质、基因、免疫和临床这四维度信息成功构建甲状腺乳头状癌术前风险评估分类器（PRAC-PTC），能够良好区分低危和中高危甲状腺乳头状癌患者，并在回顾性和前瞻性研究中有效验证。
西湖欧米负责该研究的生信分析工作。
