基因组学再创新高，农业领域迎来颠覆性进展，解决育种历史科研难题

年终福利大放送

深度学习已经被广泛应用于基因组学研究中，利用已知的训练集对数据的类型和应答 结果进行预测 ，深度学习 ，可以进行预测和降维分析。深度学习模型的能力更强且更灵活， 在适当的训练数据下，深度学习可以在较少人工参与的情况下自动学习特征和规律。调控基 因组学，变异检测，致病性评分成功应用。深度学习可以提高基因组数据的可解释性，并将 基因组数据转化为可操作的临床信息。深度学习通过强大的深度神经网络模型从高维大数据 中自动挖掘数据潜在特征得以实现 ，过去 10 年 ，深度学习在计算机视觉、语音识别、  自然 语言处理领域取得了巨大成功。基因组学大数据与疾病表型间的复杂关系难以解析，运用深 度学习挖掘多组学数据探索复杂疾病致病机制及药物反应机制将会极大的提升精准医学和 转化医学的进度。，近两年国内外顶尖课题组 MIT、  Harvard University、  UPenn、清华大 学、复旦大学等都在从事深度学习基因组学的研究 ，这一研究成果更是多次发表在 Nature Reviews Genetics 、   Nature  Methods 、   Science Advances 、   Cancer Cell 、   Nature、Biotechnology 等知名国际顶刊上 ，为我们发表顶刊鉴定了基础。

作为一门数据驱动型科学，基因组学主要利用机器学习来捕获数据中的依赖关系并得出新的生物学假设。但是，要从呈指数级增长的基因组学数据量中提取新见解的能力需要更具表现力的机器学习模型。通过有效利用大型数据集，深度学习已经改变了计算机视觉和自然语言处理等领域。现在，它正在成为许多基因组学建模任务的首选方法，包括预测遗传变异对基因调控机制（如 DNA 可及性和剪接）的影响。

2

2

发CNS必须要学的五大课程

一.深度学习基因组学

二.AI蛋白质设计

三.AIDD人工智能药物发现与设计

四.CADD计算机辅助药物设计

五.机器学习代谢组学

2

2

课程内容

第一天

理论部分

深度学习算法介绍

1.有监督学习的神经网络算法

1.1全连接深度神经网络DNN在基因组学中的应用举例

1.2卷积神经网络CNN在基因组学中的应用举例

1.3循环神经网络RNN在基因组学中的应用举例

1.4图卷积神经网络GCN在基因组学中的应用举例

2.无监督的神经网络算法

2.1自动编码器AE在基因组学中的应用举例

2.2生成对抗网络GAN在基因组学中的应用举例

实操内容

1.Linux操作系统

1.1常用的Linux命令

1.2 Vim编辑器

1.3基因组数据文件管理,修改文件权限

1.4查看探索基因组区域

2.Python语言基础

2.1.Python包安装和环境搭建

2.2.常见的数据结构和数据类型

第二天

理论部分

基因组学基础

1.基因组数据库

2.表观基因组

3.转录基因组

4.蛋白质组

5.功能基因组

实操内容

基因组常用深度学习框架

1.安装并介绍深度学习工具包tensorflow, keras，pytorch

2.在工具包中识别深度学习模型要素

2.1.数据表示

2.2.张量运算

2.3.神经网络中的“层”

2.4.由层构成的模型

2.5.损失函数与优化器

2.6.数据集分割

2.7.过拟合与欠拟合

3.基因组数据处理

3.1安装并使用keras_dna处理各种基因序列数据如BED、GFF、GTF、BIGWIG、BEDGRAPH、WIG等

3.2使用keras_dna设计深度学习模型

3.3使用keras_dna分割训练集、测试集

3.4使用keras_dna选取特定染色体的基因序列等

4．深度神经网络DNN在识别基序特征中应用

4.1实现单层单过滤器DNN识别基序

4.2实现多层单过滤器DNN识别基序

4.3实现多层多过滤器DNN识别基序

第三天

理论部分

卷积神经网络CNN在基因调控预测中的应用

1.Chip-Seq中识别基序特征G4，如DeepG4

2.Chip-Seq中预测DNA甲基化，DeepSEA

3.Chip-Seq中预测转录调控因子结合，DeepSEA

4.DNase-seq中预测染色体亲和性，Basset

5.DNase-seq中预测基因表达eQTL，Enformer

实操内容

复现卷积神经网络CNN识别基序特征DeepG4、非编码基因突变DeepSEA，预测染色体亲和性Basset，基因表达eQTL

1.复现DeepG4从Chip-Seq中识别G4特征

2.安装selene_sdk，复现DeepSEA从Chip-Seq中预测DNA甲基化，非编码基因突变

3.复现Basset，从Chip-Seq中预测染色体亲和性

4.复现Enformer，从Chip-Seq中预测基因表达eQTL

第四天

理论部分

深度学习在识别拷贝数变异DeepCNV、调控因子DeepFactor上的应用

1.SNP微阵列中预测拷贝数变异CNV，DeepCNV

2.RNA-Seq中预测premiRNA，dnnMiRPre

3.从蛋白序列中预测调控因子蛋白质，DeepFactor

实操内容

1.复现DeepCNV利用SNP微阵列联合图像分析识别拷贝数变异

2.复现循环神经网络RNN工具dnnMiRPre，从RNA-Seq中预测premiRNA

3.复现DeepFactor，从蛋白序列中识别转录调控因子蛋白质

第五天

理论部分

深度学习在识别及疾病表型及生物标志物上的应用

1.从基因表达数据中识别乳腺癌分型的深度学习工具DeepType

2.从高维多组学数据中识别疾病表型，XOmiVAE

3.基因序列及蛋白质相互作用网络中识别关键基因的深度学习工具DeepHE

实操内容

1.复现DeepType，从METABRIC乳腺癌数据中区分乳腺癌亚型

2.复现XOmiVAE，从TCGA多维数据库中识别乳腺癌亚型

3.复现DeepHE利用基因序列及蛋白质相互作用网络识别关键基因

第六天

理论部分

深度学习在RNA测序数据中准确鉴别RNA编辑与DNA突变的应用

1.通过深度学习模型DeepDDR高效准确地从单个RNA测序数据中识别RNA编辑和DNA突变

2.介绍DEMINING框架的创新设计和应用

实操内容

1.数据筛选：筛选标准去除转录组数据中的测序和比对错误

2.提取高可信度的RNA编辑位点和相同数量的DNA突变位点，分别用于训练、验证和测试模型

3. 使用多个层次的卷积和池化操作，提取突变位点周围的序列和读段比对特征，增强模型对突变的识别能力

4.识别突变位点，并捕捉到更大范围内突变的上下文信息，以准确区分RNA编辑和DNA突变

5.对识别出的突变进行功能分析，评估其对宿主基因表达的影响，为潜在的疾病机制提供新的见解

6.利用迁移学习将DeepDDR模型应用于非灵长类RNA测序样本，展示其在不同物种中的适用性和有效性

2

2

第一天上午：

A1 代谢物及代谢组学的发展与应用

（1） 代谢与生理过程；

（2） 代谢与疾病；

（3） 非靶向与靶向代谢组学；

（4） 空间代谢组学与质谱成像（MSI）；

（5） 代谢组学与药物和生物标志物；

（6） 代谢流与机制研究。

A2 代谢通路及代谢数据库

（1） 几种经典代谢通路简介；（2） 三大常见代谢物库：HMDB、METLIN 和 KEGG;

（3） 代谢组学原始数据库：Metabolomics Workbench 和 Metabolights.

A3 参考资料推荐

第一天下午：

A4 代谢组学实验流程简介

A5 色谱、质谱硬件与原理解析

（1） 色谱分析原理与构造；

（2） 色谱仪和色谱柱的选择；

（3） 色谱的流动相：梯度洗脱法；

（4） 离子源、质量分析器与质量检测器解析；

（5） 质谱分析原理及动画演示；

（6） 色谱质谱联用技术（LC-MS）；

第二天上午：

B1 代谢物样本处理与抽提

（1） 各种组织、血液和体液等样本的提取流程与注意事项；

（2） 代谢物抽提流程与注意事项；

（3） 样本及代谢物的运输与保存问题；

B2 LC-MS 数据质控与搜库

（1） LC-MS 实验过程中 QC 和 Blank 样本的设置方法；

（2） LC-MS 上机过程的数据质控监测和分析；

（3） 代谢组学上游分析原理——基于 Compound Discoverer 与 Xcms 软件；

（4） Xcms 软件数据转换、提峰、峰对齐与搜库；

第二天下午：

B3 R 语言基础

（1） R 和 Rstudio 的安装；

（2） Rstudio 的界面配置；

（3） R 中的基础运算和统计计算；

（4） R 中的包：包，函数与参数的使用；

（5） R 语言语法，数据类型与数据结构；

（6） R 基础画图；

B4 R 语言画图利器——ggplot2 包（1） ggplot2 简介

（2） ggplot2 的画图哲学；

（3） ggplot2 的配色系统；

（4） ggplot2 数据挖掘与作图实战；

第三天上午：机器学习

C1 有监督式机器学习在代谢组学数据处理中的应用

（1） 人工智能、机器学习、深度学习的关系；

（2） 回归算法：从线性回归、Logistic 回归与 Cox 回归讲起；

（3） PLS-DA 算法：PCA 降维后没有差异的数据还有救吗？

（4） VIP score 的意义及选择；

（5） 分类算法：决策树，随机森林和贝叶斯网络模型；

C2 一组代谢组学数据的分类算法实现的 R 演练

(1) 数据解读；

(2) 演练与操作；

第三天下午：

C3 无监督式机器学习在代谢组学数据处理中的应用

（1） 大数据处理中的降维；

（2） PCA 分析作图；

（3） 三种常见的聚类分析：K-means、层次分析与 SOM

（4） 热图和 hcluster 图的 R 语言实现；

C4 一组代谢组学数据的降维与聚类分析的 R 演练

(1) 数据解析；

(2) 演练与操作；

第四天上午：

D1 在线代谢组分析网页 Metaboanalyst 操作

（1） 用 R 将数据清洗成网页需要的格式；

（2） 独立组、配对组和多组的数据格式问题；

（3） Metaboanalyst 中的上游分析（原始数据峰提取、峰对齐与搜库）

（4） Metaboanalyst 的 pipeline 以及参数设置和注意事项；

（5） Metaboanalyst 的结果查看和导出；（6） Metaboanalyst 的数据编辑；

（7） 全流程演练与操作。

第四天下午：

D2 代谢组学数据清洗与 R 语言进阶

（1） 代谢组学中的 t、fold-change 和响应值；

（2） 数据清洗流程；

（3） R 语言 tidyverse；

（4） 数据预处理：数据过滤与数据标准化（样本的 Normalization 和代谢物的 Scaling）；

（5） 代谢组学数据清洗演练；

第五天上午：

E1 文献数据分析部分复现（1 篇）

（1） 文献深度解读；

（2） 实操：从原始数据下载到图片复现；

（3） 学员实操。

第五天下午：

E2 机器学习与代谢组学顶刊解读（3 篇）；

（1） Signal Transduction and Targeted Therapy 一篇有关饥饿对不同脑区代谢组学影响变

化的小鼠脑组织代谢图谱类的文献；(数据库型)

（2） Nature communication 一篇胃癌患者血浆代谢组学使用机器学习得出预测模型用于胃

癌的诊断和预后的文献；(血液生物标志物型)

（3） Nature 一篇对胰腺癌患者肠道菌群的代谢组学分析找到可以提高化疗效果的代谢物的

文献。(机制研究型)

#01-AI蛋白质设计

#02-AIDD人工智能药物设计与发现

#03-CADD计算机辅助药物设计

#04-深度学习基因组学

#05-机器学习代谢组学

年终培训费用超值福利

课程报名费用：

AI蛋白质设计直播课：

公费价：每人每班￥6880元 （含报名费、培训费、资料费、提供课后全程回放资料）

自费价：每人每班￥6480元 （含报名费、培训费、资料费、提供课后全程回放资料）

AIDD药物发现与设计直播课

公费价：每人每班￥5880元 （含报名费、培训费、资料费、提供课后全程回放资料）

自费价：每人每班￥5480元 （含报名费、培训费、资料费、提供课后全程回放资料）

计算机辅助药物设计回放课(即报即学)

公费价：每人每班￥4980元 （含报名费、培训费、资料费、提供全程回放视频+资料+软件+进群解疑）

自费价：每人每班￥4580元 （含报名费、培训费、资料费、提供课回放视频+资料+软件+进群解疑）

深度学习基因组学、机器学习代谢组学、

公费价：每人每班￥4980元 （含报名费、培训费、资料费、提供课后全程回放资料）

自费价：每人每班￥4580元 （含报名费、培训费、资料费、提供课后全程回放资料）

重磅优惠:

优惠1：

报二送一（同时报名两个班免费赠送一个学习名额赠送班任选）

两班同报：10880元  （原价18640）

三班同报：14880元   （原价23620）

报四赠二：17880元    （原价32680）

五班同报：24880元 （可免费学习一整年本单位举办的任意课程）

特惠二：28880元（可免费学习两整年本单位举办的任意课程）

优惠2：提前报名缴费可享受600元优惠（仅限十五名）

优惠3：报名直播课程可赠送往期课程回放（报多少赠双倍回放课）

（可点击跳转详情链接）：

回放一：本课程为视频课！机器学习生物医学培训！

回放二：本课程为视频课！单细胞空间转录组培训！

回放三：本课程为视频课！比较基因组学培训！

回放四：本课程为视频课！机器学习蛋白质组学培训

回放五：本课程为视频课！机器学习微生物组学培训

回放六：本课程为视频课！蛋白质晶体结构解析培训

回放七：本课程为视频课！CRISPR-Cas9基因编辑培训

2

2