生信分析新技术加持!单细胞技术如何应用到肿瘤免疫领域

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。

12a9884e654d5de1ca8596e53637b074.png

bf5e63976e787afde8a6a9a350547149.png

细胞生物学的相关研究一直受限于数据的完整性和表型的完整性,对应激状态和稳态下的细胞区别观察不够充分。过去五年中,计算机视觉和语音识别领域通过对大量的无标签数据进行学习、建模,很好的解决了数据不足的问题。同样在最近的研究中,机器学习方法使用单细胞数据进行扰动建模也推动了细胞生物领域前进。对于生物学家来讲,无论研究基因、转录本、修饰、蛋白功能,都要频繁的进行人为干预,实现对感兴趣变量的正向或者反向改变,观察细胞表型的变化。整个过程需要对干预工具的构建、导入、实验观察,从而得出表型结论。扰动建模的目的就是想要通过数学模型的建立,通过对已有数据的分析、归纳和总结,对一个分子的功能在没有湿实验时做出预判,对于生物学家和药物研发者来讲,好的模型一定能够帮助加深对生物机制的理解,推动药物的研发进程

089389dece9bba249dfc7621138edc78.png

e5c432f777e8f8c42163327b08623ab9.png

“单细胞多组学技术”和“空间转录组技术”先后在2019年和2020年被Nature Methods评为年度技术方法。时间和空间维度多维研究技术结合,将以全新研究思路出发,既能够获得单个细胞间异质性,又能获得细胞在组织空间上的结构位置信息,发现更多未知且精细化结果。总而言之,单细胞测序+空间转录组测序:优势互补,同时获得细胞类型群体,以及基因表达和细胞的空间位置信息。空间转录组能够定位和区分功能基因在特定组织区域内的活跃表达,为研究和诊断提供宝贵见解。10x Visium 的推出使空间转录组成为了新的研究热点,受到广大研究者的青睐,其不仅可以提供研究对象的转录组等数据信息,同时还能定位其在组织中的空间位置,这对于癌症发病机制、神经科学、发育生物学等众多领域的研究都有重要意义。

66027d2573ca17b40e9e9a25c8e39d50.png

2cd2afe1137e123ae907455993c11f88.png

     CADD(Computer Aided Drug Design):计算机辅助药物设计,依据生物化学、酶学、分子生物学以及遗传学等生命科学的研究成果,针对这些基础研究中所揭示的包括酶、受体、离子通道及核酸等潜在的药物设计靶点,并参考其它类源性配体或天然产物的化学结构特征,以计算机化学为基础,通过计算机的模拟、计算和预算药物与受体生物大分子之间的相互作用,考察药物与靶点的结构互补、性质互补等,设计出合理的药物分子。它是设计和优化先导化合物的方法,CADD的应用,包括基于结构的药物设计(SBDD)、基于配体的药物设计(LBDD)、高通量虚拟筛选(HTVS)等技术,突破了传统的先导物发现模式,极大地促进了先导化合物发现和优化。特别是在食品、生物、化学、医药、植物、疾病方面应用广泛!靶点的发现与确证是现代新药研发的第一步,也是新药创制过程中的瓶颈之一。CADD的应用可以加快靶点发现的速度,提高靶点发现的准确度,从而推进新药研发。

由于学习平台文献、视频教程资料较少,技术不公开,对于有相应科研任务和发高质量文章的科研人员极度困扰,应而培训学习迫在眉睫, 应广大科研人员要求,本单位经过数月调研,决定联合专家共同举办“深度学习基因组学+机器学习单细胞分析+单细胞空间转录组+CADD计算机辅助药物设计”专题培训班,本单位已经举办十一期培训,参会人员高达1200余人,对于培训安排和培训质量一致评价极高 !将内容全部学懂、学会、学透彻、学以致用,完成科研任务和高质量文章!

一、培训对象

全国各大高校、企业、科研院所从事人工智能、生命科学、代谢工程、有机合成、抗体工程、酶工程、天然产物、蛋白质、药物、生物信息学、植物学,动物学、食品、化学化工,医学、疾病、机器学习、基因组学、农业科学、植物学、动物学,临床医学、食品科学与工程、植物基因组、动物传染病、肿瘤免疫与靶向治疗、 全基因组泛癌分析、人黏连蛋白折叠基因组机、有机合成、生物化学、病毒检测、高通量测序、分子生物学、功能基因组、遗传图谱、基因挖掘变异、代谢组学、蛋白质组学、转录组学、生物医学、转化研究、蛋白质、癌症、核酸、毒物学研究、生物信息、生物计算、生命科学、生态、肿瘤、遗传、基因改造、细胞分化、微生物、生物医学大数据分析与挖掘、数学类专业、计算机科学、医学、疾病等研究的科研人员以及人工智能爱好者 。

二、培训目标(完全适合零基础)

本课程让初学多组学联合机器学习体系课程的学员们快速掌握多组学以及机器学习基础理论和在单细胞数据分析中的简单应用。适用于前期无编程基础,对机器学习,包括深度学习和单细胞数据分析感兴趣的学员。同时在帮助学员提升与掌握多组学联合分析以及深度学习神经网络的应用。课程通过基础入门+进阶实例演练的讲授思路,从初学及应用研究角度出发,带大家实战演练机器学习在单细胞多组学整合分析中的数据处理、预测模型以及生物学意义阐述等,助力大家掌握多种机器学习算法模型的构建以及在单细胞多组学联合分析在具体科学研究中的实际应用,并介绍当下深度学习算法高维组学数据处理,生物网络挖掘的前沿方法,有助于研究创新机器学习算法解决生物学及临床疾病问题与需求。

本课程适于对深度学习、基因组学、转录组学、蛋白组学、药物基因组学等多组学分析感兴趣的学员。课程通过基础入门+应用案例实操演练的方式,从初学及应用研究的角度出发,带大家实战演练多种深度学习模型(深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN、可变自动编码器VAE、图卷积神经网络GCN)通过对这些深度学习在基因组学中的应用案例进行深度讲解和实操,让学员能够掌握深度学习分析高维基因组学、转录组学、蛋白组学等多组学数据流程,系统学习深度学习及基因组学理论知识及熟悉软件代码实操,熟练掌握这些前沿的分析工具的使用以及研究创新深度学习算法解决生物学及临床疾病问题与需求。

助力学员发表Nature、Science、Cell等正刊及子刊杂志!(在生信分析的新技术加持下,用更少的经费,发更高质量的文章)

三、培训特色

1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿

2、学习模式--理论知识与上机操作相结合,让零基础学员快速熟练掌握

3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答

四、主讲老师

刘老师,生物信息学博士,有十余年的测序数据分析经验。研究领域涉及人工智能、自然语言处理、功能基因组学、转录组学、miRNA及靶基因网络分析,单细胞测序数据分析,基因调控网络时序分析,蛋白质互作网络分析,多组学联合分析等。主持省自然科学基金等项目4项,出版医学实用教材《Python医学实战分析》,发表SCI论文22篇,其中一作及并列一作9篇。

主讲老师来自中山大学海洋生物学博士三亚市引进人才,近6年来主要从事动植物基因组、转录组和重测序相关的分析研究工作,尤其关注鱼类适应性演化相关研究。已在Science of The Total Environment、Fish andShellfish lmmunology、BMC genomics等专业期刊发表论文10余篇。

主讲老师来自国内高校张老师授课。在国内外学术刊物发表论文数篇,包括Nature Communication, Cell Regeneration等知名期刊,研究方向为生物信息学,发育生物学和遗传学等。利用多组学数据,通过深度学习算法进行数据分析和挖掘,包括ChIP-seq,ATAC-seq,RNA-seq,CNV等。

      主讲老师来自国内高校、中科院等单位,老师主要擅长深度学习、机器学习、药物虚拟筛选、计算机辅助药物设计、人工智能药物发现、分子对接、分子动力学等方面的研究,在我们单位长期进行授课,讲课内容和授课方式以及敬业精神受到参会学员 的一致认可和高度评价

课程:深度学习在基因组学应用专题线上培训班

第一天

深度学习算法介绍

理论内容:

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

基因组学基础

理论内容

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

卷积神经网络CNN在基因调控预测中的应用

理论内容

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

复现Enformer,从Chip-Seq中预测基因表达eQT

第四天

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

理论内容

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

复现DeepFactor,从蛋白序列中识别转录调控因子蛋白质

第五天

深度学习在识别及疾病表型及生物标志物上的应用

理论内容

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

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

深度学习在预测药物反应机制上的应用

理论部分

联合肿瘤基因标记及药物分子结构预测药物反应机制的深度学习工具SWnet

实操内容

预处理药物分子结构信息

计算药物相似性

在不同数据集上构建self-attention SWnet

评估self-attention SWnet

构建多任务的SWnet

构建单层SWnet

构建带权值层的SWnet

课程: 机器学习单细胞分析应用专题线上培训班

第一天

理论内容:

1.单细胞测序原理

2.单细胞测序基础

3.单细胞测序方法及数据

4.单细胞数据分析流程

实操内容

1.R语言基础

2.R(4.1.3)和Rstudio的安装

3.R包安装和环境搭建

4.数据结构和数据类型

5.R语言基本函数

6.数据下载

7.数据读入与输出

第二天

理论内容

1.机器学习概述

2.线性模型

3.决策树

4.支持向量机

5.集成学习

6.模型选择与性能优化

实操内容

1.决策树算法实现

2.随机森林算法实现

3.支持向量机(SVM)算法实现

4.朴素贝叶斯算法实现

5.Xgboost算法实现

6.主成分分析PCA算法实现

7.聚类算法实现

8.DBSCAN算法实现

9.层次聚类算法实现

第三天

理论内容

1.多组学基础

2.常用生物组学实验与分析方法

3.常用组学数据库介绍

4.批量处理组学数据

5.生物功能分析

6.基于转录组学的差异基因筛选,疾病预测

7.基于差异基因联合多组学分析疾病发生机制

8.组学数据可视化

实操内容

1.多组学基础

2.常用生物组学实验与分析方法

3.常用组学数据库介绍

4.批量处理组学数据

5.生物功能分析

6.基于转录组学的差异基因筛选,疾病预测

7.基于差异基因联合多组学分析疾病发生机制

8.组学数据可视化

第四天

理论内容

1.单细胞分析中的常见机器学习方法

2.降维聚类的机器学习算法

3.分群注释的机器学习算法

4.单细胞分析中常见的深度学习方法

5.降维聚类的深度学习算法

6.分群注释的深度学习算法

实操内容

1.Python语言基础

2.python安装与开发环境的搭建

3.基本数据类型组合数据类型

4.分析环境搭建

5.Jupyter notebook的使用

6.函数、列表、元组、字典、集合

7.控制结构、循环结构

8.Numpy模块 ——矩阵的科学计算

9.Matplotlib模块——数据处理与绘图

10.Pandas模块——csv数据处理与分析

11.Sklearn模块——机器学习模型基础软件包调用

第五天

理论部分

1.机器学习在单细胞分析中的应用

2.收集数据

3.数据准备

4.选择一个模型

5. 模型训练

6.模型评估

7.参数调整

8.模型预测

实操内容

1.创建Seurat对象

2.数据质控

3.测序深度差异及标准化

4. 单细胞数据降维

5.批次效应去除

6.数据整合

7.亚群注释

8.GSVA通路活性分析

9.单细胞富集分析

第六天

理论部分

1.深度学习在单细胞分析中的应用

2.卷积神经网络基本构成

3.卷积核

4.循环神经网络基本构成

5.循环核

6.图神经网络基本构成

实操内容

1.卷积神经网络在单细胞分析的算法实现

2.循环神经网络在单细胞分析的算法实现

3.图神经网络在单细胞中分析的算法实现

4.单细胞数据的自动注释

5.单细胞数据分析聚类与批量效应

6.单细胞测序数据进行聚类

7.加权图神经网络的细胞类型注释方法

8.单细胞表达数据中深度学习基因关系

课程: 单细胞空间转录组应用专题线上培训班

第一天

单细胞测序技术与应用

理论内容:

1.单细胞组学研究简介

2.单细胞转录组测序技术进展及其原理:1992\2009-至今

3.单细胞多组学和空间转录组技术;

4.单细胞转录组测序技术的常见应用和重要生物学发现;

5.单细胞重大项目及数据库介绍。

实操内容:

1. Linux命令入门讲解及实操训练。

2. R语言简介及安装。

3. R语言简单语法及常见命令。

4. 数据挖掘及其统计应用。

5. R语言实操画图ggplot2为主。

第二天

单细胞转录组数据分析思路及流程以及数据分析实操

理论内容:

1. 单细胞实验介绍,常见建库结构。

2. 单细胞转录组Pipeline软件和代码介绍。

3. 单细胞转录组转录因子及其细胞通讯介绍。

4. 单细胞组学在肿瘤、发育、免疫及其它等领域的研究思路。

实操内容:

1. 10X官方单细胞软件Cellranger讲解及实操。

2.质控基因和细胞。

3.选取高可变基因。

4.降维与分群。

5.Biomarker定义细胞类型。

6.寻找差异基因

7. 通过Seurat 合并多样本及消除样本异质性。

第三天

单细胞转录组轨迹、通路、转录因子等分析及绘图实操

实操内容;

1. 通过Monocle软件对单细胞转录组进行拟时序的分析。

2. 对单细胞各个簇进行通路的功能富集分析。

3. 通过GSVA给细胞通路打分等。

4. 利用cellphonedb软件对细胞互作进行分析。

5. 通过典型的生信软件infercnv对染色体拷贝数变异进行推断。

6. 全面解析SCENIC软件进行转录因子预测分析。

理论内容:

1. 空间转录组技术的介绍。

2. 空间转录组技术的应用。

3. 空间转录组文章图表的解读。

4. 空间转录组技术在癌症、发育、神经科学等领域的研究思路。

第四天

空间转录组数据比对、降维以及聚类等分析

实操内容:

1. 10x Visium 组织优化及文库制备。

2. 10x Visium官方分析软件Space Ranger讲解及实操。

3. Space Ranger输出结果解读。

4. Loupe Browser软件安装及使用。

5. 通过Seurat软件进行降维、聚类和可视化。

6. 通过Seurat进行基因表达可视化。

理论+实操内容

1. 通过Seurat进行空间变量特征的识别。

2. 与单细胞数据关联分析(空间细胞类型定义)

3. 通过Seurat处理多个切片。

4.单细胞及空间转录组数据分析总结。

课程四:CADD计算机辅助药物设计专题线上培训班

第一天

背景与理论知识以及工具准备

1.PDB数据库的介绍和使用

1.1数据库简介

1.2靶点蛋白的结构查询与选取

1.3靶点蛋白的结构序列下载

1.4靶点蛋白的下载与预处理

1.5批量下载蛋白晶体结构

pymol的介绍与使用

2.1软件基本操作及基本知识介绍

2.2蛋白质-配体相互作用图解

2.3蛋白-配体小分子表面图、静电势表示

2.4蛋白-配体结构叠加与比对

2.5绘制相互作用力

3.notepad的介绍和使用

3.1 优势及主要功能介绍

3.2 界面和基本操作介绍

3.3插件安装使用

一般的蛋白-配体分子对接讲解

1.对接的相关理论介绍

1.1分子对接的概念及基本原理

1.2分子对接的基本方法

1.3分子对接的常用软件

1.4分子对接的一般流程

2.常规的蛋白-配体对接

2.1收集受体与配体分子

2.2复合体预构象的处理

2.3准备受体、配体分子

2.4蛋白-配体对接

2.5对接结果的分析

以新冠病毒蛋白主蛋白酶靶点及相关抑制剂为例

第二天

虚拟筛选

1.小分子数据库的介绍与下载

2.相关程序的介绍

2.1 openbabel的介绍和使用

2.2 chemdraw的介绍与使用

3.虚拟筛选的前处理

4.虚拟筛选的流程及实战演示

案例:筛选新冠病毒主蛋白酶抑制剂

5.结果分析与作图

6.药物ADME预测

6.1ADME概念介绍

6.2预测相关网站及软件介绍

6.3预测结果的分析

第三天:

拓展对接的使用方法

1.蛋白-蛋白对接

1.1蛋白-蛋白对接的应用场景

1.2相关程序的介绍

1.3目标蛋白的收集以及预处理

1.4使用算例进行运算

1.5关键残基的预设

1.6结果的获取与文件类型

1.7结果的分析

以目前火热的靶点PD-1/PD-L1等为例。

2.涉及金属酶蛋白的对接

2.1 金属酶蛋白-配体的背景介绍

2.2蛋白与配体分子的收集与预处理

2.3金属离子的处理

2.4金属辅酶蛋白-配体的对接

2.5结果分析

以人类法尼基转移酶及其抑制剂为例

3.蛋白-多糖分子对接

3.1蛋白-多糖相互作用

3.2对接处理的要点

3.3蛋白-多糖分子对接的流程

3.4蛋白-多糖分子对接

3.5相关结果分析

以α-糖苷转移酶和多糖分子对接为例

4.核酸-小分子对接

4.1核酸-小分子的应用现状

4.2相关的程序介绍

4.3核酸-小分子的结合种类

4.4核酸-小分子对接

4.5相关结果的分析

以人端粒g -四链和配体分子对接为例。

操作流程介绍及实战演示

第四天

拓展对接的使用方法

1.柔性对接

1.1柔性对接的使用场景介绍

1.2柔性对接的优势

1.3蛋白-配体的柔性对接

重点:柔性残基的设置方法

1.4相关结果的分析

以周期蛋白依赖性激酶2(CDK2)与配体1CK为例

2.共价对接

2.1两种共价对接方法的介绍

2.1.1柔性侧链法

2.1.2两点吸引子法

2.2蛋白和配体的收集以及预处理

2.3共价药物分子与靶蛋白的共价对接

2.4结果的对比

以目前火热的新冠共价药物为例。

3.蛋白-水合对接

3.1水合作用在蛋白-配体相互作用中的意义及方法介绍

3.2蛋白和配体的收集以及预处理

3.3对接相关参数的准备

重点:水分子的加入和处理

3.4蛋白-水分子-配体对接

3.5结果分析

以乙酰胆碱结合蛋白(AChBP)与尼古丁复合物为例

第五天

分子动力学模拟Linux与gromacs

1. linux系统的介绍和简单使用

1.1 linux常用命令行

1.2 linux上的常用程序安装

1.3 体验:如何在linux上进行虚拟筛选

2.分子动力学的理论介绍

2.1分子动力学模拟的原理

2.2分子动力学模拟的方法及相关程序

2.3相关力场的介绍

3.gromacs使用及介绍

重点:主要命令及参数的介绍

4. origin介绍及使用

第六天

溶剂化分子动力学模拟的执行

1.一般的溶剂化蛋白的处理流程

2.蛋白晶体的准备

3.结构的能量最小化

4.对体系的预平衡

5.无限制的分子动力学模拟

6.分子动力学结果展示与解读

以水中的溶菌酶为例

第七天

蛋白-配体分子动力学模拟的执行

1.蛋白-配体在分子动力学模拟的处理流程

2.蛋白晶体的准备

3.蛋白-配体模拟初始构象的准备

4.配体分子力场拓扑文件的准备

4.1 gaussian的简要介绍

4.2 ambertool的简要介绍

4.3生成小分子的力场参数文件

5.对复合物体系温度和压力分别限制的预平衡

6.无限制的分子动力学模拟

7.分子动力学结果展示与解读

8.轨迹后处理及分析

以新冠病毒蛋白主蛋白酶靶点及相关抑制剂为例

部分案例图片

生信分析新技术加持!单细胞技术如何应用到肿瘤免疫领域_第1张图片

机器学习生物医学

生信分析新技术加持!单细胞技术如何应用到肿瘤免疫领域_第2张图片

授课时间地点

深度学习在基因组学培训时间

2023.1.7-2023.1.9全天授课(上午9.00-11.30下午13.30-17.00)(腾讯会议线上实操)

2023.1.13-2023.1.15全天授课(上午9.00-11.30下午13.30-17.00)(腾讯会议线上实操)

机器学习单细胞分析

2023.1.11-2023.1.16全天授课(上午9.00-11.30下午13.30-17.00)(腾讯会议线上实操)

单细胞空间转录组

2023.1.7-2023.1.8全天授课(上午9.00-11.30下午13.30-17.00)(腾讯会议线上实操)

2023.1.14-2023.1.15全天授课(上午9.00-11.30下午13.30-17.00)(腾讯会议线上实操)

CADD计算机辅助药物设计专题培训班
2023.1.7 -----2023.1.8 全天授课(上午09.00-11.30 下午13.30-17.00)
2023.1.10-----2023.1.13 晚上授课(晚上19.00-22.00)
2023.1.14-----2023.1.15全天授课(上午09.00-11.30 下午13.30-17.00)
2023.1.16 -----2023.1.17晚上授课 (晚上19.00-22.00)

(腾讯会议直播上课   提供录像回放  录像永久观看)

报名费用及优惠

深度学习基因组学    机器学习单细胞分析    CADD计算机辅助药物设计

公费价:每人每班¥5880 元 (含报名费、培训费、资料费) 

自费价:每人每班¥5480 元 (含报名费、培训费、资料费) 

单细胞空间转录组: 

公费价:每人每班¥5080 元 (含报名费、培训费、资料费) 

自费价:每人每班¥4680 元 (含报名费、培训费、资料费)

优惠  1:两班同报:9880 元   三班同报:13880 元     四班同报:17880 元 

优惠 2:提前报名缴费学员+转发到朋友圈或者到学术交流群可享受每人 400 元优惠(仅限 15 名) 

优惠 3:同时报名两个班免费赠送一个学习名额(赠送班任选) 

优惠4:同时报名三个班免费赠送一个学习名额,(赠送班任选)额外赠送机器学习生物医学全套视频

优惠 5: 报名五个培训班以上,免费赠送三个培训名额(赠送班任选)额外赠送机器学习生物医学全套视频

报名费用可开具正规报销发票及提供相关缴费证明、邀请函,可提前开具报销发票、文件用于报销

证书:参加培训并通过考试的学员,可以申请获得工业和信息化部工业文化发展中心颁发的“工业强国建设素质素养提升尚工行动”岗位能力适应评测证书。该证书可在中心官网查询,可作为能力评价,考核和任职的重要依据。评测证书查询网址:www.miit-icdc.org(自愿申请,须另行缴纳考试费500元/人)

培训福利

报名缴费成功赠送报名班型全套预习视频,课后学习完毕提供全程录像视频回放,针对与培训课程内容进行长期答疑,微信解疑群永不解散,参加本次课程的学员可免费再参加一次后期组织的相同的专题培训班(任意一期都可以)

授课方式

通过腾讯会议线上直播,理论+实操的授课模式,老师手把手带着操作,从零基础开始讲解,电子PPT和教程开课前一周提前发送给学员,所有培训使用软件都会发送给学员,有什么疑问采取开麦共享屏幕和微信群解疑,学员和老师交流、学员与学员交流,培训完毕后老师长期解疑,培训群不解散,往期培训学员对于培训质量和授课方式一致评价极高

腾讯会议问题实时解答及学员反馈

生信分析新技术加持!单细胞技术如何应用到肿瘤免疫领域_第3张图片

学员对培训非常认可,而且我们保证二次学习是免费的

生信分析新技术加持!单细胞技术如何应用到肿瘤免疫领域_第4张图片

报名咨询请扫描下方微信二维码

生信分析新技术加持!单细胞技术如何应用到肿瘤免疫领域_第5张图片

QQ:1228930623

报名电话/微信18737171433

往期学员参会单位

国外院系高校有来自麻省理工大学、University of Bristol (布里斯托大学)、加州伯克利大学、Osaka University(大版大学)、乔治梅森大学、加州理工大学、曼彻斯特大学 、莱斯大学、波士顿大学、德州农工大学、德雷克大学、美国联合大学、普林斯顿大学、斯坦福大学、Imperial College London、KAUSTuniversity、理海大学、TheUniversityofQueensland、澳大利亚昆士兰大学、耶鲁大学、牛津大学、剑桥大学、匹兹堡大学、悉尼大学、多伦多大学、西雅图华盛顿大学、伦敦大学、杜克大学、东京大学、哥伦比亚大学、康奈尔大学、纽约大学、西北大学、布朗大学、华盛顿大学

国内院系高校;有来自中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所)、中山大学、北京大学第一医院、中国医学科学院北京协和医院、西北民族大学、西南大学、山东大学、加州伯克利大学、启元实验室、中国人民解放军总医院第一医学中心、河南师范大学、南京工业大学、南方科技大学、南京大学、中国医学科学院基础医学研究所、青海省农林科学院、天津中医药大学第一附属医院、山东大学、黑龙江八一农垦大学、南昌大学第二附属医院、台州市中心医院(台州学院附属医院)、宁波大学附属人民医院、新疆农业大学、北京林业大学、广西医科大学、湖南文理学院、滨州医学院、滨州医学院烟台附属医院、华南师范大学、中国环境科学研究院、云南师范大学、昆明理工大学、湖北医药学院、苏州大学、福州大学、南方医院、南昌大学第二附属医院、深圳市中医院、湖南文理学院、河南科技学院、福建省立医院、中南大学湘雅医院、深圳市中医院、省立同德医院、内蒙古科技大学包头师范学院、乌鲁木齐市疾病预防控制中心、中国林业科学研究院林业研究所、中国农业科学院兰州畜牧与兽药研究所、鲁东大学、河北工程大学、南方医科大学珠江医院、首都医科大学附属北京妇产医院、重庆医科大学附属第二医院、北京普利智诚生物技术有限公司、复旦大学上海医学院、陕西中医药大学附属医院、中国医学科学院血液病医院(中国医学科学院血液学研究所)、滨州康达欣医疗器械有限公司、深圳北京大学香港科技大学医学中心、天津市肿瘤医院、陆军特色医学中心、空军军医大学第一附属医院、江南大学、中国科学院深圳先进技术研究院、中国科学院上海营养与健康研究所、北京阅众时刻文化传媒有限公司、北京慧康健怡医疗器械有限公司、杭州奥明基因科技有限公司、亦欣生物科技无锡有限公司、广州市肖悦生物科技有限公司、张家口泽涵生物科技有限公司、平安科技。感谢对我们培训的认可!还有许多因为时间冲突无法参加。这次我们诚挚邀请您来参加!

                    报名参会流程

生信分析新技术加持!单细胞技术如何应用到肿瘤免疫领域_第6张图片

引用往期参会学员的一句话: 

发现真的是脚踏实地的同时  需要偶尔仰望星空

          非常感谢各位对我们培训的认可!  祝愿各位学业事业有成!

你可能感兴趣的:(人工智能,深度学习)