先发Nature再发Cell|人工智能与组学研究结合彻底改变生信研究

2023最新最火热门专题推荐

一、CRISPR-Cas9基因编辑技术          

二、深度学习基因组学技术

三、机器学习代谢组学技术                  

四、机器学习转录组与表观组技术

五、CADD计算机辅助药物设计           

六、AIDD人工智能药物发现与设计

七、蛋白质晶体结构解析技术 

专题一：CRISPR-Cas9基因编辑

简介

    CRISPR-Cas9基因编辑：基因编辑是指通过改变生物体基因组中的DNA序列，来修改和调控特定基因的表达或功能。CRISPR-Cas9基因编辑技术是一种广泛应用的基因编辑方法，它利用CRISPR（簇间重复短回文序列）和Cas9（CRISPR相关的蛋白质9）酶的系统来实现精确的基因组编辑。

     CRISPR-Cas9基因编辑主要包含：基因功能研究、群体编辑、基因启动子调控、基因组大规模筛选、CRISPR基因驱动系统、遗传性疾病治疗、农业育种、传染病控制、基因治疗等

     基因功能研究、：CRISPR-Cas9技术可以用来研究基因的功能和调控机制。通过编辑特定的基因或调节其表达水平，可以揭示基因对生物学过程和疾病发生发展的作用，帮助我们更好地理解基因与表型之间的关系。

     基因组大规模筛选：CRISPR-Cas9技术的高效性和准确性使其成为基因组规模筛选的强大工具，建立基因敲定或过表达的文库，并应用于发现与特定生物过程或疾病相关的基因。

       CRISPR基因驱动系统：CRISPR基因编辑技术不仅可以用于基因突变的修复和替换，还可以用于驱动特定基因在物种中的传递。利用CRISPR-Cas9技术，可以构建基因驱动系统，将目标基因的突变传递给物种的后代，以实现一些生物控制和环境管理的目的，例如控制害虫数量、阻断传染病传播等。

近年来发过哪些顶刊以及方向：

J. Current Molecular Medicine|Crispr-Cas9：一种用于癌症治疗的基因编辑工具

J. The Plant Genome|通过淀粉分支酶基因的多重CRISPR-Cas9基因编辑，提高“Presidio”水稻中抗性淀粉的水平

Scientific Reports | CRISPR-Cas9和TALEN对植物基因组编辑的全基因组特异性

Communications Biology｜NT- CRISPR结合自然转化和CRISPR-Cas9反选择对纳氏弧菌进行无标记和无疤痕基因组编辑

Cell Death&Disease | 靶向FOXO家族的顺式调节元件是诱导白血病细胞分化的新治疗策略

Nature| 组合CRISPR筛选揭示疾病基因对人类神经发育的影响

Nature|一种基于CRISPR/Cas9的非病毒精准基因组编辑临床级疗法    

      目前 CRISPR-Cas9基因编辑受众人体众多，列如研究基因功能、基因调控、细胞信号传导、生物发育、遗传疾病、癌症治疗、农业育种、食品安全、基因治疗、传染病控制、基因启动子调控、微生物遗传学、临床应用等众多科研人员。

讲师介绍

   CRISPR-Cas9基因编辑技术主讲老师来自中国农业科学院，有十余年基因编辑研究经验，熟悉基因编辑在各个领域应用，在基因编辑系统的开发与优化深耕多年，已发表数十篇SCI，有丰富的教学经验！

课表内容

一． 基因编辑工具介绍

1. 基因编辑和转基因是一样的吗？

2. 生活中的基因编辑与转基因产品

3. 基因编辑工具先驱-ZFNs和TALENs

4. 没落的ZFNs和TALENs

5. TALENs，旧工具新用，细胞器编辑利器！

6. 强势崛起的CRISPR系统

7. CRISPR系统家族介绍

8. CRISPR-Cas9的工作原理

9. CRISPR-Cas12的工作原理

10. CRISPR系统的致命缺点

11. 如何选择合适的CRISPR系统？

第二至三天

二． CRISPR系统可以做什么？

1. 基因敲除/基因敲入

i. 基因修复途径介绍（NHEJ和HDR）

ii. Knock-in和Knock-out的简介

iii. Knock-in策略简介（HDR/Retron/双pegRNA策略/GRAND/TJ-PE）                               

2. 多敲系统简介

3. CRISPRa/CRISPRi（基因激活与基因抑制）

i. dCas9-PVPR系统介绍

ii. dCas9-VP64/GI/SAM基因激活系统介绍

iii. 基因编辑招募系统介绍（Suntag/Moontag）

4. CRISPR系统的‘另类’应用（循环打靶）

5. CBE系统的原理及其应用

i. CBE系统进化过程总结（CBEmax/每代优化的元件及策略汇总）

ii. 基因组CBE编辑（植物育种/基因功能研究/临床治疗）

iii. 细胞器CBE编辑工具介绍（Ddda脱氨酶/MutH切口酶）

iv. CBE系统的脱靶效应

6. ABE系统的原理及其应用

i. PACE和PANCE人工定向蛋白进化系统介绍及其他常规的蛋白进化技术

ii. ABE系统的进化过程总结（ABEmax/ABE8e每代优化的元件及策略汇总）

iii. ABE系统的‘另类’应用（基因失活/跳剪/介导C编辑）

iv. 双碱基编辑系统（SWISS/STEME/A&C-BEmax/SPACE/ACBE）

7. PE系统的原理及其应用

i. PE介导精准编辑

ii. 编辑效率的影响因素（骨架二级结构/PBS长度/RTT模板）

iii. 双pegRNA的原理及其应用（基因组大片段插入）

iv. 基因组大片段删除

v. 用于AAV递送的PE系统

8. gGBE的原理及其应用

i. 糖基化酶介绍（为什么可以介导碱基编辑？）

ii. gGBE的开发与应用

iii. gGBE的后续发展预测

9. CRISPR-Case12的病毒检测应用

i. 原理介绍

ii. 应用案例介绍

2. 生活中的基因编辑与转基因产品

3. 基因编辑工具先驱-ZFNs和TALENs

4. 没落的ZFNs和TALENs

5. TALENs，旧工具新用，细胞器编辑利器！

6. 强势崛起的CRISPR系统

7. CRISPR系统家族介绍

8. CRISPR-Cas9的工作原理

9. CRISPR-Cas12的工作原理

10. CRISPR系统的致命缺点

11. 如何选择合适的CRISPR系统？

第四天

三． CRISPR载体构建（实操）

1. 敲除/碱基编辑载体构建

i. 工具介绍

ii. 如何查看质粒图谱

iii. 基因靶点的选择（CRISPR-GE等线上工具展示）

iv. sgRNA的引物设计

v. 模拟构建（酶切载体/构建体系讲解）

vi. 菌落PCR

vii. 测序鉴定结果分析

2. PE系统的载体构建

i. 引物设计工具的应用

ii. 载体构建演示

iii. 测序结果分析

3. 转染阳性检测

4. 测序原理及结果查看

i. 一代测序原理

ii. Hi-TOM高通量测序

 

第五天

四． 基因编辑在植物种的应用

1. 基因功能研究

2. 创制新品种

五． 基因编辑在临床上的应用

1. 碱基编辑的临床应用

2. PE系统的临床应用

3. 递送系统的介绍

六． 基因编辑在微生物中的应用

1. 微生物遗传学研究

2. 生物技术（可产生生物燃料/生物塑料/药物等有用的化合物）

七． 机器学习在基因编辑领域的应用

1. 基因编辑结果的预测

2. 编辑效率影响因素的探索

3.基因编辑辅助工具的开发

专题二：深度学习基因组学

简介

     深度学习基因组学：是一门涉及多个领域的交叉学科，其主要目标是利用深度学习技术来分析基因组数据，为生物医学研究提供有价值的信息和洞察。所涉及的领域主要有基因表达预测、基因变异检测、疾病预测与诊断、药物发现与设计、进化与系统发生学研究、基因组序列组装与注释、精准医疗与个性化治疗等方面。

     基因序列分析：基因序列分析是基因组学的基础，它涉及到将DNA序列转化为有意义的信息。深度学习在这个过程中扮演了重要角色，可以帮助研究人员对序列进行比对、基因识别以及序列分析等。深度学习模型可以自动学习和识别基因序列中的模式，从而更准确、高效地分析基因序列数据。

     基因表达预测：基因表达预测是预测基因在特定条件下的表达水平。深度学习可以通过分析基因表达谱数据，预测基因的表达量、转录因子等。此外，深度学习还可以预测细胞状态、疾病状态等，为进一步研究基因功能和疾病机制提供有力支持。

     精准医疗：精准医疗是一种根据个体的基因组、表型和环境因素等信息，为其提供个性化医疗方案的医疗模式。深度学习可以帮助研究人员分析海量的基因组和临床数据，以发现疾病与基因组之间的关联，从而为精准医疗提供更精确的依据。此外，深度学习还可以帮助医生根据患者的基因组信息为其制定更合适的诊疗方案。

     药物发现：药物发现是一个漫长而复杂的过程，涉及到靶点发现、化合物筛选等多个步骤。深度学习可以通过分析大量的生物数据，帮助研究人员寻找潜在的药物靶点，并预测化合物的活性。此外，深度学习还可以优化药物设计和制造过程，以降低成本和提高效率。

近年来发过哪些顶刊以及方向：

Nature Reviews Genetics｜深度学习-基因组学计算建模新技术

Mamoon Rashid｜深度学习基因组学在测序数据中的应用

Science Advances|利用深度学习发现癌症中的新基因突变

Cancer Cell | 基于多模态深度学习的泛癌组织学-基因组学整合分析

Nature Reviews Cancer｜癌症蛋白基因组学:当前影响和未来展望

      目前深度学习基因组学受众人体众多，列如基因组学，生物信息学，生命科学，小麦遗传育种，临床药理学，中药药理学，口腔修复，肿瘤免疫，整形外科，脊椎畸形，中药新药开发，分子流行病，心血管疾病，皮肤病等众多科研人员。

讲师介绍

     深度学习基因组学主讲老师刘老师，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。

课表内容

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

深度学习在预测药物反应机制上的应用

1.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

1.预处理药物分子结构信息

2.计算药物相似性

3.在不同数据集上构建self-attention SWnet

4.评估self-attention SWnet

5.构建多任务的SWnet

6.构建单层SWnet

7.构建带权值层的SWnet         

案例实操图片：

专题三：机器学习代谢组学

简介

机器学习代谢组学：是将机器学习技术应用于代谢组学领域的研究。 

代谢组学是研究生物体内代谢产物（代谢物）的整体组合及其在生物体内的变化过程，旨在揭示生物体的生理状态、代谢通路和疾病机制等方面的信息，对于生命科学、药学研发和临床诊断等领域具有重要意义 

机器学习代谢组学的目标：

熟悉代谢组学和机器学习相关硬件和软件；熟悉代谢组学从样本处理到数据分析的全流程；能复现至少1篇CNS或子刊级别的代谢组学文章图片。

代谢物分类和识别：通过机器学习算法，将复杂的代谢物组合归类并识别，从而了解代谢物的特征和功能。

生物标志物的发现：通过分析代谢组学数据，找到与特定生理状态、疾病或治疗反应相关的生物标志物，以提供疾病的早期诊断和个体化治疗的依据。

代谢通路分析：通过机器学习算法，分析代谢组学数据中的代谢通路，揭示不同代谢通路在生理和病理过程中的重要性，为疾病机制的理解提供线索。

代谢网络建模：通过机器学习算法，构建代谢网络模型，模拟和预测代谢物之间的相互作用和调控关系，从而深入理解生物体内代谢的复杂性。

机器学习代谢组学的研究内容涉及多个学科领域，包括生物信息学、统计学、模式识别和计算机科学等，它为代谢组学研究提供了新的方法和工具，有助于加深对生物体代谢系统的理解，并为个体化医学和疾病治疗提供新的思路和策略

近年来发过哪些顶刊以及方向：

communications biology  代谢组学和机器学习技术揭示了发芽增强了色素大米的多种营养特性

scientific reports  使用机器学习从基于生物流体的代谢组学预测人体健康

nature communications 空间代谢组学揭示糖原是肺纤维化的可操作靶标

nature protocols 系统生物代谢组学数据的认知分析

nature reviews molecular cell biology 使用活性代谢组学鉴定生物活性代谢物

nature reviews drug discovery代谢组学在药物发现和精准医学中的新兴应用

目前机器学习代谢组学受众群体众多，例如肿瘤生物学 ，移植免疫，细胞培养工艺优化，肠道菌群与消化系统疾病，肿瘤免疫，入侵植物，抗癌药物，内分泌，病害防控，神经系统疾病诊断，动物遗传育种，等众多科研人员

讲师介绍

   机器学习代谢组学主讲老师来自985高校神经科学博士，主要利用代谢组学、转录组学和分子生物学等技术研究神经内科慢性病的发病机制和生物标志物。擅长高效液相色谱-质谱联用（LC-MS）技术进行非靶向和靶向代谢组学从样本制备到数据分析的全流程研究，以及多组学大数据的生物信息学整合分析。5年内在J Clin Invest, EBioMedicine, Cell Death Dis, Cell Death Discov, Nanotoxicology等杂志发表SCI论文10篇。

课表内容

第一天

A1 代谢物及代谢组学的发展与应用

（1） 代谢生理功能；

（2） 代谢疾病；

（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） 代谢流与机制研究；

（6） 代谢组学与药物和生物标志物。

A2 代谢组学实验流程简介

A3 色谱、质谱硬件原理

（1） 色谱分析原理；

（2） 色谱的气相、液相和固相；

（3） 色谱仪和色谱柱的选择；

（4） 质谱分析原理及动画演示；

（5） 正、负离子电离模式；

（6） 色谱质谱联用技术；

（7） LC-MS 的液相系统

A4 代谢通路及代谢数据库

（1） 几种经典代谢通路简介；

（2） 能量代谢通路；

（3） 三大常见代谢物库：HMDB、METLIN 和 KEGG;

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

第二天

B1 代谢物样本处理与抽提

（1）组织、血液和体液样本的提取流程与注意事项；

（2）用 ACN 抽提代谢物的流程与注意事项；

（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 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）XCMS 软件数据转换与提峰；

B3 R软件基础

（1）R 和 Rstudio 的安装；

（2）Rstudio 的界面配置；

（3）R 的基本数据结构和语法；

（4）下载与加载包；

（5）函数调用和 debug；

B4 ggplot2

（1）安装并使用 ggplot2

（2）ggplot2 的画图哲学；

（3）ggplot2 的配色系统；

（4）ggplot2 画组合图和火山图；

第三天

机器学习

C1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；

C2一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；

C3有监督式机器学习在代谢组学数据处理中的应用

（1）数据用 PCA 降维处理后仍然无法找到差异怎么办？

（2）PLS-DA 找出最可能影响差异的代谢物；

（3）VIP score 和 coef 的意义及选择；

（4）分类算法：支持向量机，随机森林

C4一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；

第四天

D1 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）R 语言正则表达式；

（5）代谢组学数据过滤；

（6）代谢组学数据 Scaling 原理与 R 实现；

（7）代谢组学数据的 Normalization；

（8）代谢组学数据清洗演练；

D2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 的 pipeline 和注意事项；

（4）Metaboanalyst 的结果查看和导出；

（5）Metaboanalyst 的数据编辑；

（6）全流程演练与操作

第五天

E1机器学习与代谢组学顶刊解读（2-3 篇）；

（1）Nature Communication 一篇代谢组学小鼠脑组织样本 database 类型的文献；

（2）Cell 一篇代谢组学患者血液样本的机器学习与疾病判断的文献；

（3）1-2 篇代谢组学与转录组学和蛋白组学结合的文献。

E2 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。                                                                                                                     

案例图片：

专题四：机器学习转录组学与表观组学

简介

表观组学和转录组学：都是生物学领域的研究方向，分别涉及基因表达和调控的可遗传变化以及RNA转录本的变化。

表观组学研究的是在不改变DNA序列的前提下，通过表观遗传修饰（如甲基化、乙酰化等）调控基因的表达和性状的变化。这种调控可以在不同时间和环境条件下发生，从而影响生物体的生命活动。

转录组学主要研究RNA转录本的变化、转录调控以及与表观遗传学的联系等。转录组学主要关注基因表达的起始阶段，即RNA的合成和修饰过程，而表观组学则更侧重于基因表达的终末阶段，即RNA的翻译和修饰过程。

近年来，表观组学和转录组学在单细胞测序技术的影响下逐渐结合起来，共同研究基因表达和调控的可遗传变化。

 近年来发过哪些顶刊以及方向：

Nature Methods |使用合成无修饰RNA文库对表观转录组图谱进行系统校准

Nature Biotechnology | DisP-seq揭示了DNA相关无序蛋白的全基因组功能组织

Chest|结合表观遗传和转录生物标志物与基因-基因相互作用和主效应的早期NSCLC预后评分的独立验证

Nature Communications|化学诱导的相变和染色质的整体构象重组

Molecular Plant|大豆品种ZH13的T2T基因组组装及其表观遗传景观

Nat Rev Genet|使用单细胞表观基因组学鉴定顺式调节元件的特征

培训对象

全国各大高校、企业、科研院所从事生命科学、有机合成、天然产物、药物、生物信息学、植物学，神经科学、动物学、医学、基因组学、农业科学、肿瘤学、转录组学、生物医学、遗传学、病理学、药学、生物工程等研究科研人员及爱好者

讲师介绍

 主讲老师来自国内高校陈老师授课。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。

课表内容

第一天

理论部分

高通量测序原理

高通量测序基础

测序方法及数据

二代测序数据分析流程

实操内容

R语言基础

R（4.1.3）和Rstudio的安装

R包安装和环境搭建

数据结构和数据类型

R语言基本函数

数据下载

数据读入与输出

第二天

理论部分

多组学基础

常用生物组学实验与分析方法

常用组学数据库介绍

批量处理组学数据

生物功能分析

基于转录组学的差异基因筛选，疾病预测

组学数据可视化

实操内容

Linux操作系统

Linux操作系统的安装与设置

网络配置与服务进程管理

Linux的远程登录管理

常用的Linux命令

在Linux下获取基因数据

利用Linux探索基因组区域

Shell script与Vim编辑器

基因组文件下载与上传

Linux权限管理

文件的身份

修改文件的所有者和所属组

修改文件权限

第三天

理论部分

介绍转录组学的基本概念和研究流程

RNA-seq数据的预处理和质量控制

序列比对和对齐评估

基因表达量估计和差异表达分析

实操内容

转录组测序数据质量控制

转录组数据比对

RNA-seq数据原始定量

主成分分析

原始定量结果差异分析

差异结果筛选及可视化

GO和KEGG通路富集分析

GSEA基因集富集分析

第四天

理论部分

表观遗传学的基本概念和技术介绍

DNA甲基化和组蛋白修饰的分析方法

表观组数据的预处理和质量控制

差异甲基化和差异修饰分析

甲基化和修饰的功能注释和富集分析

甲基化数据的整合分析和基因调控网络构建

表观组数据的可视化方法和工具

介绍其他表观组学技术（如染色质构象捕获）

实操内容

测序数据质量控制和检查

数据比对和多匹配问题

计算结合峰位置

IGV中组学结果可视化

差异peaks分析

结合程度矩阵计算

富集热图和曲线图绘制

第五天

理论部分

机器学习概述

线性模型

决策树

支持向量机

集成学习

模型选择与性能优化

实操内容

决策树算法实现

随机森林算法实现

支持向量机(SVM)算法实现

朴素贝叶斯算法实现

Xgboost算法实现

聚类算法实现

DBSCAN算法实现

层次聚类算法实现

理论部分

基因功能注释和富集分析

WGCNA（Weighted Gene Co-expression Network Analysis）网络分析

转录因子分析和调控网络构建

转录组数据的可视化方法和工具

转录水平预测蛋白翻译水平

实操内容

创建Seurat对象

数据质控

测序深度差异及标准化

单细胞数据降维

批次效应去除

数据整合

亚群注释

GSVA通路活性分析

单细胞富集分析             

专题五：CADD计算机辅助药物设计

简介

    CADD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，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，特别是在食品、生物、化学、医药、植物、疾病方面应泛！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。

     学习目标：计算机辅助药物设计主要包含：PDB数据库、靶点蛋白、蛋白质-配体、蛋白-配体小分子、蛋白-配体结构、分子对接、蛋白-配体对接、虚拟筛选、蛋白-蛋白对接、蛋白-多糖分子对接、蛋白-水合对接、分子动力学等

     分子对接：分子对接是通过受体的特征以及受体和药物分子之间的相互作用方式来进行药物设计的方法。主要研究分子间(如配体和受体)相互作用,并预测其结合模式和亲合力的一种理论模拟方法.近年来,分子对接方法已成为计算机辅助药物研究领域的一项最火最重要的技术。

      虚拟筛选：虚拟筛选(virtual screening，VS)也称计算机筛选，即在进行生物活性筛选之前，利用计算机上的分子对接软件模拟目标靶点与候选药物之间的相互作用，计算两者之间的亲和力大小，以降低实际筛选化合物数目，同时提高先导化合物发现效率。

       分子动力学：分子动力学是一门结合物理，数学和化学的综合技术。分子动力学是一套分子模拟方法，该方法主要是依靠牛顿力学来模拟分子体系的运动，以在由分子体系的不同状态构成的系统中抽取样本，从而计算体系的构型积分，并以构型积分的结果为基础进一步计算体系的热力学量和其他宏观性质。

        近年来发过哪些顶刊以及方向：

计算机辅助药物设计|J. Med. Chem.|基于晶体结构的MPS1抑制剂的设计和优化

JCIM｜DockIT：虚拟现实交互的柔性分子对接

Nature Methods | 蛋白质序列的深度嵌入和比对

Trends Biochem Sci｜配体结合动力学计算方法研究进展

Curr Opin Struc Biol | 多目标药物设计中的人工智能

MDPI Processes | 分子动力学模拟在食品及其工艺中的应用

Food Chemistry | 分子对接和分子动力学模拟

      目前计算机辅助药物设计受众人体众多，列如CADD、药物设计、药学、药物研发、药物筛选、新药研发、药物化学、生物制药、免疫、天然产物、兽药研发，生物信息、中药药理、中药化学、网络药理、结构药理、食品安全、食品风味、食药研发、食品研发、抗肿瘤药物、肿瘤免疫、酶工程、遗传、抗体药物、农业工程、化学、有机合成、有机化学、结构生物、合成生物等众多科研人员。

讲师介绍

 计算机辅助药物设计主讲老师来自国内高校北京协和医院药物研究所，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，有十余年的研究经验。

课表内容

第一天上午

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

2.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

下午

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

4.1蛋白-多糖相互作用

4.2对接处理的要点

4.3蛋白-多糖分子对接的流程

4.4蛋白-多糖分子对接

4.5相关结果分析

以α-糖苷转移酶和多糖分子对接为例

5.核酸-小分子对接

5.1核酸-小分子的应用现状

5.2相关的程序介绍

5.3核酸-小分子的结合种类

5.4核酸-小分子对接

5.5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使用安装）

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高斯的简要介绍

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                                                                  

案例实操图片：

专题六：AIDD人工智能药物发现与设计

简介

   AIDD人工智能药物发现与设计:是人工智能和机器学习技术使制药领域实现了现代化。目前机器学习和深度学习算法已被应用于多肽合成、虚拟筛选、毒性预测、药物监测和释放、药效团建模、定量构效关系、药物重定位、多药理和生理活性等药物发现过程。可以很好的将传统的面向化学的药物发现与人工智能药物设计相结合。此外，世界各地的系统生物学和化学科学家与计算科学家合作，开发现代ML算法和原理，大大的可以促进药物的发现和开发。

  人工智能药物发现与设计研究主要包含：一次和二次药物筛选、肽合成与小分子设计、药物剂量和给药效果的识别、生物活性物质预测与药物释放监测、蛋白质折叠和蛋白质相互作用的预测、基于结构和基于配体的虚拟筛选、QSAR建模与药物再利用、理化性质和生物活性的预测、化合物的作用方式和毒性预测、分子通路的鉴定与多重药理学、临床试验的设计等

   药物筛选：在药物发现中，先导化合物的筛选是至关重要的，人工智能在识别新的和潜在的先导化合物方面发挥着巨大的作用。在化学空间中有大约1.06亿个化学结构，他们来自不同的研究，如基因组研究、临床和临床前研究、体内分析和微阵列分析。利用机器学习模型，如强化模型、Logistic模型、回归模型和生成模型，根据活性位点、结构和靶结合能力可以筛选出化学结构。

      预测疾病网络：人工智能和最大似然算法在药物发现和开发中的重要成果之一是预测和估计疾病网络、药物-药物相互作用和药物-靶点关系的总体拓扑和动力学。数据库如DisGeNET、STRTCH、STRING分别被用于确定基因-疾病关联、药物-靶标关联和分子途径。

      分子毒性预测：药物毒性是指化学分子由于化合物的作用方式或新陈代谢方式而对生物体产生的不利影响。人工智能可以预测药物分子与靶点结合和未结合时的效应，以及体内安全性分析。已经开发了不同的基于Web的工具，如LimTox、pkCSM、admetSAR和Toxtree。

        近年来发过哪些顶刊以及方向：

Med. Chem.|基于晶体结构的MPS1抑制剂的设计和优化

JCIM｜DockIT：虚拟现实交互的柔性分子对接

Nature Methods | 蛋白质序列的深度嵌入和比对

Trends Biochem Sci｜配体结合动力学计算方法研究进展

Curr Opin Struc Biol | 多目标药物设计中的人工智能

MDPI Processes | 分子动力学模拟在食品及其工艺中的应用

Food Chemistry | 分子对接和分子动力学模拟

      目前人工智能药物发现与设计研究方向受众人体众多，例如AIDD、药物设计、药学、药物研发、药物筛选、新药研发、药物化学、生物制药、免疫、天然产物、兽药研发，生物信息、中药药理、中药化学、网络药理、结构药理、食品安全、食品风味、食药研发、食品研发、抗肿瘤药物、肿瘤免疫、酶工程、遗传、抗体药物、农业工程、化学、有机合成、有机化学、结构生物、合成生物等众多科研人员以及对该方面感兴趣的爱好者。

讲师介绍

 AIDD授课老师老师，有十余年的计算机算法研究和程序设计经验。研究方向涉及生物信息学，深度学习，药物靶标识别，药物不良反应等。参与了国自然基金2项，主持了省厅级科研项目3项。一作身份发表SCI论文数篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊。

课程内容

1.Day01-AIDD概述及药物综合数据库介绍

2.人工智能辅助药物设计AIDD概述

3.安装环境

(1)anaconda

(2)vscode

(3)pycharm

(4)虚拟环境

4.第三方库基本使用方法

(1)numpy

(2)pandas

(3)matplotlib

(4)requests

5.多种药物综合数据库的获取方式

(1)KEGG（requests爬虫）

(2)Chebi（libChEBIpy）

(3)PubChem（pubchempy / requests）

(4)ChEMBL（chembl_webresource_client）

(5)BiGG（curl）

(6)PDB（pypdb）

Day02 ML-based AIDD

1.机器学习

(1)机器学习种类：

①监督学习

②无监督学习

③强化学习

(2)典型机器学习方法

①决策树

②支持向量机

③朴素贝叶斯

④神经网络

⑤卷积神经网络

(3)模型的评估与验证

(4)分类评估：准确率、精确率、召回率、F1分数、ROC曲线、AUC计算

(5)回归评估：平均绝对误差、均方差、R2分数、可释方差分数

(6)交叉验证

2.sklearn工具包基本使用

3.rdkit工具包的基本使用

4.化合物编码方式和化合物相似性理论知识

5.项目实战1：基于ADME和Ro5的分子筛选

6.项目实战2：基于化合物相似性的配体筛选

7.项目实战3：基于化合物相似性的分子聚类

8.项目实战4:   基于机器学习的生物活性预测

9.项目实战5：基于机器学习的分子毒性预测

Day03 GNN-based AIDD

1.图神经网络

(1)框架介绍: PyG，DGL，TorchDrug

(2)图神经网络消息传递机制

(3)图神经网络数据集设计

(4)图神经网络节点预测、图预测任务和边预测任务实战

2.论文精讲：DeepTox: Toxicity Prediction using Deep Learning

3.项目实战1：基于图神经网络的分子毒性预测

(1)SMILES分子数据集构建PyG图数据集

(2)基于GNN进行分子毒性预测

4.项目实战2：基于图神经网络的蛋白质-配体相互作用预测

(1)蛋白质分子图形化，构建PyG图数据集

(2)基于GIN进行网络搭建及相互作用预测

Day04 NLP-based AIDD

1.自然语言处理

(1)Encoder-Decoder模型

(2)循环神经网络 RNN

(3)Seq2seq

(4)Attention

(5)Transformer

2.项目实战1：基于自然语言的分子毒性预测

(1)SMILES分子数据集词向量表示方法

(2)基于NLP模型进行分子毒性预测

3.项目实战2：基于Transformer的有机化学反应产量预测 （Prediction of chemical reaction yields using deep learning）

4.论文精读及代码讲解：《Mapping the space of chemical reactions using attention-based neural networks》

Day05 分子生成与药物设计

1.分子生成模型

(1)循环神经网络RNN

(2)变分自动编码器VAE

(3)生成对抗网络GAN

(4)强化学习RL

2.项目实战1: 基于图数据的小分子化合物生成模型《A Graph to Graphs Framework for Retrosynthesis Prediction》

3.项目实战2: 基于NLP的抗体生成模型《Generative language modeling for antibody design》

案例实操图片：

专题七：蛋白质晶体结构解析

简介

    蛋白质晶体结构解析:近年来结构生物学发展迅速并和其他学科相互渗透交叉,特别是受到结构基因组学等热点学科的极大带动。作为结构生物学的基本手段和技术,蛋白质晶体学从解析简单的蛋白质三维结构延伸到解决各类生物大分子及复合物结构,并更加注重研究结构与功能之间的相互关系,派生出诸如基于结构的药物设计等应用性很强的分支。生物技术及计算机技术的飞速发展,尤其是高通量技术在生物学领域的应用,为蛋白质晶体学带来了全新的概念和更加广阔的前景

    蛋白质结构与功能的探索是生命科学最重要的研究领域之一,对蛋白质三维结构的精确测定有助于在分子水平上深入了解生命过程,同时也将极大地推进药理学和药物设计的发展。在蛋白质晶体学中,直接法最初被应用于确定重原子坐标以及从头测定原子分辨率的蛋白结构。而通过将直接法与其他结构分析方法相结合,可以在蛋白质晶体学中开创出更多新的应用.

   蛋白质定向进化可以有效提高酶催化的各种性能,特别是2018年诺贝尔化学奖授予美国加州理工的阿诺德教授后,更是引起了人们极大的关注。但是,定向进化改造后的蛋白质为什么具有更好的催化性能,突变位点如何影响蛋白质的结构变化,这些问题需要结合晶体学或者计算化学的研究才能得到更清楚的答案。通过解析突变体的晶体结构,人们可以更好地了解突变对蛋白空腔形状、电荷甚至整体构象带来的影响。将定向进化与蛋白晶体结构解析结合到一起,可以更好地认识酶工程改造的分子基础。

     近年来发过哪些顶刊以及方向：

   Bioinformatics | XRRpred:根据蛋白质序列精确预测晶体结构质量

   Angew. Chem. | 蛋白质异质索烃的生物合成及晶体结构解析

   New Phytol | 小麦秆锈菌无毒蛋白AvrSr50晶体结构解析

   Cell Chem Biol | 基于溶液的蛋白质动态结构解析新方法

   Science Advances | 实现了对较小的膜蛋白晶体结构解析方法的研究突破

      目前蛋白质晶体结构解析受众人体众多，免疫、蛋白质结构和功能、肥胖与代谢、作物遗传育种、酶工程、转座子系统研发及应用、结构生物学、眼科、口腔修复、递送系统研发、肿瘤、药物化学、生物信息学、整形外科、糖酶的结构解析、计算生物、病原生物学、中药新药开发、临床药理学、稻瘟病菌蛋白结构、酶功能与结构、微生物学、结构植物病理学、绿色鱼药等众多科研人员。

讲师介绍

 蛋白质晶体结构解析主讲老师为国内985、双一流大学，主要擅长多种分子克隆技术、深度学习、机器学习、蛋白质的表达纯化、蛋白晶体的生长及优化、Ubuntu系统操作、蛋白晶体结构的解析及精修。

课表内容

第一天

蛋白质结晶前准备

1. 目的蛋白质信息检索（包括实操演示）

1.1 不同种属的蛋白

1.2 蛋白质一级结构的调查

1.3 蛋白质三级结构的预测

1.4 蛋白质理化特性的预测

1.5 蛋白质的配体和共价修饰

2. 分子克隆技术

2.1 目的基因的获取（包括实操演示）

2.2 目的基因的引物设计（包括实操演示）

2.3 传统克隆技术（涉及学习SnapGene软件，包括实操演示）

2.4 无缝克隆技术（涉及学习SnapGene软件，包括实操演示）

以某一基因进行操作演示

3. 利用大肠杆菌表达目的蛋白

3.1 目的蛋白的小量鉴定表达

3.2 目的蛋白的大量表达

3.3 收菌和裂解菌体

3.4 裂解液的离心

3.5 目的蛋白的浓缩

3.6 目的蛋白浓度的测定

4. 真核表达系统

第二天

蛋白质结晶准备

1.蛋白晶体结构的特征

1.1蛋白晶体的空间格子、晶胞和晶面指标

1.2蛋白晶体的对称性、点群、晶系和空间群

2. 蛋白质晶体生长的理论知识（详细讲解温度、pH值、离子强度、有机溶剂、沉淀剂，等等，对蛋白晶体生长的影响；影响蛋白质晶型的因素）

3. 蛋白质晶体生长条件的初筛（详细讲解晶体初筛的注意事项）

4. 蛋白质晶体生长条件的优化 （详细讲解晶体优化的方法，包括改变pH值、沉淀剂，等因素）

5. 晶种法优化蛋白质晶体生长条件

6. 蛋白晶体的挑选和防冻液的配制

第三天

蛋白晶体衍射数据收集

1.X射线衍射

1.1. X射线衍射原理

1.2. X射线衍射的电子密度

1.3. 晶体结构解析的相角问题

2. 上海光源线站BL18U1、BL19U1和BL02U1收集数据的方法 （重点详细讲解，可能需要更长的时间）

3. 蛋白晶体结构解析软件的安装（包括Ubuntu系统、Phenix软件、CCP4软件、PyMoL软件、XDS软件和Adxv软件）

第四天

蛋白晶体结构解析

1. 1. 晶体结构的解析

2. 1.1. 晶体结构解析流程

3. 1.2. Index、Intergrate和Scale

4. 1.3. 分子置换技术（包括实操演示）

5. 1.4. 蛋白晶体结构的重建（包括实操演示）

6. 1.5. 蛋白晶体结构的优化（包括实操演示）

7. 2. 晶体结构的精修（涉及COOT软件、Phenix软件和CCP4软件，包括实操演示）

8. 3. 晶体结构质量的评价指标（详细讲解各个评价指标）

9. 4. 蛋白质结构中加入小分子配体

10. 5. 在结构解析过程中，如何利用软件提高分辨率（重点讲解，需要较长的时间）

第五天

蛋白晶体结构的提交及展示

1. 从晶体生长到解析，详细剖析提高分辨率的方法（包括示例演示）

2. 蛋白晶体结构数据提交到PDB（包括实操演示）

3. 蛋白晶体结构的展示（包括实操演示）

案例实操图片：

                                              

培训特色及福利

课程特色

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

   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！

        腾讯会议实时直播解答|手把手带着操作                       

             学员对于培训给予高度评价

                             学员培训后投顶刊

授课时间及地点-腾讯会议直播

CRISPR-Cas9基因编辑

2023.11.25----2023.11.26全天授课（上午09.00-11.30下午13.30-17.00）

2023.11.29----2023.11.30晚上授课（晚上19.00-22.00）

2023.12.02----2023.12.03全天授课（上午09.00-11.30下午13.30-17.00）

深度学习基因组学

2023.11.18---2023.11.19（上午09.00-11.30下午13.30-17.00）

2023.11.25---2023.11.26（上午09.00-11.30下午13.30-17.00）

2023.12.02---2023.12.03（上午09.00-11.30下午13.30-17.00）

机器学习代谢组学

2023.11.18----2023.11.19全天授课（上午09.00-11.30下午13.30-17.00）

2023.11.21----2023.11.22晚上授课（晚上19.30-22.00）

2023.11.25----2023.11.26全天授课（上午09.00-11.30下午13.30-17.00）

机器学习转录组学与表观组学

2023.11.18----2023.11.19（上午09.00-11.30下午13.30-17.00）

2023.11.25----2023.11.26全天授课（上午09.00-11.30下午13.30-17.00）

2023.11.29----2023.11.30晚上授课（晚上19.00-22.00）

CADD计算机辅助药物设计

2023.11.18----2023.11.19全天授课（上午09.00-11.30下午13.30-17.00）

2023.11.21----2023.11.24晚上授课（晚上19.30-22.00）

2023.11.25----2023.11.26全天授课（上午09.00-11.30下午13.30-17.00）

2023.11.28----2023.11.29晚上授课（晚上19.30-22.00）

AIDD人工智能药物发现

2023.11.25----2023.11.26全天授课（上午09.00-11.30下午13.30-17.00）

2023.11.28----2023.11.29晚上授课（晚上19.00-22.00）

2023.12.02----2023.11.03全天授课（上午09.00-11.30下午13.30-17.00）

蛋白质晶体结构解析

2023.11.25----2023.11.26全天授课（上午09.00-11.30下午13.30-17.00）

2023.11.29----2023.11.30晚上授课（晚上19.00-22.00）

2023.12.02----2023.12.03全天授课（上午09.00-11.30下午13.30-17.00）

提供全程的回放视频二次学习也是免费的

培训费用

课程报名费用：

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）

重磅优惠:

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）

报四送二（同时报名四个班免费赠送两个学习名额赠送班任选）

优惠1：两班同报：9880元  

三班同报：13880元    

四班同报：17680元   

五班同报：21680元 

六班同报：24680元    

七班同报：26680元（可免费学习一整年）

特惠：（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300元优惠（仅限十五名）

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）

报名学习课程可赠送往期课程回放（可点击跳转详情链接）：

回放一：机器学习生物医学

回放二：机器学习单细胞分析应用专题

回放三：单细胞空间转录组专题

回放四：机器学习蛋白组学专题

回放五：机器学习微生物组学专题

回放六：比较基因组学专题等视频回放，需要可咨询下方联系老师

报名咨询方式（请二维码扫描下方微信）

                     （请二维码扫描下方微信）

    

微信：766728764

 电子邮箱：[email protected]

 电话：15238680799

引用本次参会学员的一句话：

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！祝愿各位心想事成