如果您在從事生物醫(yī)學(xué)方面的研究，并且有發(fā)頂刊的想法，下面這篇內(nèi)容會給你思路和方法

四大專題內(nèi)容

專題一：機(jī)器學(xué)習(xí)在蛋白質(zhì)組學(xué)實踐應(yīng)用專題

專題二：機(jī)器學(xué)習(xí)在代謝組學(xué)實踐應(yīng)用專題

專題三：深度學(xué)習(xí)在基因組學(xué)實踐應(yīng)用專題

專題四：機(jī)器學(xué)習(xí)在微生物組學(xué)時間應(yīng)用專題

內(nèi)容一：機(jī)器學(xué)習(xí)在蛋白質(zhì)組學(xué)實踐應(yīng)用

1.人工智能早已在生物醫(yī)學(xué)領(lǐng)域被廣泛應(yīng)用。在蛋白質(zhì)組領(lǐng)域，人工智能也逐漸滲透到了蛋白質(zhì)組的基礎(chǔ)鑒定、定量技術(shù)，以及質(zhì)譜信息和臨床研究相結(jié)合的數(shù)據(jù)挖掘中。

2.蛋白質(zhì)組學(xué)+AI，會不會是下一個研究焦點？

答案是：會是的！

3.醫(yī)學(xué)TOP期刊Nature Medicine（影響因子: 87.241）

JACC雜志上（IF 24.094）.......

能夠快速運(yùn)用到自己的科研項目和課題上，助力學(xué)員發(fā)表Nature、Science、Cell等正刊及子刊?。ㄔ谛录夹g(shù)加持下，用更少的經(jīng)費，發(fā)更高質(zhì)量的文章。

一：機(jī)器學(xué)習(xí)在蛋白質(zhì)組學(xué)實踐應(yīng)用專題

第一天

機(jī)器學(xué)習(xí)及蛋白組學(xué)簡介

1.機(jī)器學(xué)習(xí)基本概念介紹

2.常用機(jī)器學(xué)習(xí)模型介紹

3.混淆矩陣

4.ROC曲線

5.主成分分析（PCA）

6.蛋白組學(xué)基本概念

R語言簡介及實操

1．R語言概述

2．R軟件及R包安裝

3．R語言語法及數(shù)據(jù)類型

4．條件語句

5．循環(huán)

6．函數(shù)

7．常用的機(jī)器學(xué)習(xí)相關(guān)R包介紹

第二天

機(jī)器學(xué)習(xí)在蛋白組學(xué)數(shù)據(jù)分析中的應(yīng)用案例分享

1．利用機(jī)器學(xué)習(xí)鑒定疾病相關(guān)蛋白標(biāo)志物

2．利用機(jī)器學(xué)習(xí)基于蛋白組學(xué)數(shù)據(jù)預(yù)測表型

3．利用機(jī)器學(xué)習(xí)基于蛋白組學(xué)數(shù)據(jù)進(jìn)行分類

4．利用機(jī)器學(xué)習(xí)基于蛋白組學(xué)數(shù)據(jù)構(gòu)建預(yù)后模型

蛋白組學(xué)相關(guān)數(shù)據(jù)庫介紹

1.Uniport

2.HPA

3.TCPA

4.CPTAC

第三天（實操）

零代碼工具利用機(jī)器學(xué)習(xí)分析蛋白組學(xué)數(shù)據(jù)

利用PLOS Computational Biology（IF:5分）發(fā)表零代碼工具，輕松完成差異表達(dá)分析，常見統(tǒng)計分析，常見可視化，內(nèi)置7種機(jī)器學(xué)習(xí)方法，輕松調(diào)用。

1.數(shù)據(jù)導(dǎo)入（兩套數(shù)據(jù)，二分類，多分類）

2.數(shù)據(jù)可視化（散點圖，熱圖，柱形圖，相關(guān)性熱圖，火山圖，層次聚類圖）

3.缺失值填充

4.數(shù)據(jù)歸一化

5.離群值檢測/清理

6.常見統(tǒng)計方法應(yīng)用（t-test, limma, Kruskal-Wallis ,ANOVA, PCA, k-means, 相關(guān)性分析）

7.機(jī)器學(xué)習(xí)方法應(yīng)用（RF, lasso, SVM等）

第四天（實操）

利用機(jī)器學(xué)習(xí)基于蛋白組學(xué)數(shù)據(jù)預(yù)測表型，基于蛋白組學(xué)數(shù)據(jù)復(fù)現(xiàn)cell中機(jī)器學(xué)習(xí)分析結(jié)果

實操內(nèi)容

1.蛋白組學(xué)數(shù)據(jù)處理，差異表達(dá)分析

2.火山圖，多分組熱圖，多組箱型圖展示差異表達(dá)分析結(jié)果

3.構(gòu)建Random Forest模型

4.重要蛋白篩選

5.繪制ROC曲線

6.獨立測試集檢測模型表現(xiàn)

利用機(jī)器學(xué)習(xí)鑒定疾病相關(guān)蛋白標(biāo)志物，基于Olink數(shù)據(jù)，復(fù)現(xiàn)影響因子17分文章中，蛋白數(shù)據(jù)常規(guī)分析+時序蛋白聚類分析+機(jī)器學(xué)習(xí)分析結(jié)果

實操內(nèi)容

1.讀取蛋白表達(dá)數(shù)據(jù)

2.差異蛋白挑選，火山圖繪制，箱型圖繪制

3.時序蛋白表達(dá)數(shù)據(jù)聚類分析

4.構(gòu)建隨機(jī)森林模型

5.挑選重要特征

6.獨立測試集進(jìn)行驗證

第五天（實操）

利用機(jī)器學(xué)習(xí)基于質(zhì)譜的蛋白質(zhì)組學(xué)數(shù)據(jù)，構(gòu)建肝病相關(guān)分類和預(yù)后模型，復(fù)現(xiàn)Nature Medicine文章中的機(jī)器學(xué)習(xí)，生存分析，預(yù)后模型相關(guān)的結(jié)果。

實操內(nèi)容

1.鑒定與不同肝病顯著相關(guān)的蛋白

2.比較22種不同的機(jī)器學(xué)習(xí)分類器，挑選最優(yōu)算法構(gòu)建不同肝病的分類模型

3.獨立隊列驗證模型準(zhǔn)確性

4.構(gòu)建預(yù)后模型

繪制生存曲線和時間依賴的ROC曲線

機(jī)器學(xué)習(xí)模型構(gòu)建，特征篩選，模型評估（ROC曲線）圖

蛋白差異表達(dá)分析火山圖

二：機(jī)器學(xué)習(xí)在代謝組學(xué)實踐應(yīng)用

代謝組學(xué)是通過比較對照組和實驗組，以尋找代謝譜差異的研究方法，近年來，代謝組學(xué)在疾病診斷，病理研究，新藥開發(fā)，藥物毒理學(xué)，動植物、微生物，營養(yǎng)學(xué)等醫(yī)學(xué)與人類健康和疾病密切相關(guān)的領(lǐng)域有著廣泛的應(yīng)用，在復(fù)雜數(shù)據(jù)中，人工智能算法用于生物標(biāo)志物挖掘的組合是解決問題和實施健康科學(xué)新技術(shù)的常用方法。利用機(jī)器學(xué)習(xí)作為從質(zhì)譜數(shù)據(jù)中識別疾病的手段，旨在開發(fā)診斷和預(yù)后生物標(biāo)志物、治療靶點和患者管理系統(tǒng)。

機(jī)器學(xué)習(xí)代謝組學(xué)主講來自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。

二：機(jī)器學(xué)習(xí)在代謝組學(xué)實踐應(yīng)用專題

第一天上午：

A1 代謝物及代謝組學(xué)的發(fā)展與應(yīng)用

(1) 代謝生理功能；

(2) 代謝疾??；

(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) 代謝流與機(jī)制研究；

(6) 代謝組學(xué)與藥物和生物標(biāo)志物。

A2 代謝組學(xué)實驗流程簡介

第一天下午：

A3 色譜 、質(zhì)譜硬件原理

(1) 色譜分析原理；

(2) 色譜的氣相、液相和固相；

(3) 色譜儀和色譜柱的選擇；

(4) 質(zhì)譜分析原理及動畫演示；

(5) 正 、負(fù)離子電離模式；

(6) 色譜質(zhì)譜聯(lián)用技術(shù)；

(7) LC-MS 的液相系統(tǒng)

A4 代謝通路及代謝數(shù)據(jù)庫

(1) 幾種經(jīng)典代謝通路簡介；

(2) 能量代謝通路；

(3) 三大常見代謝物庫： HMDB 、METLIN 和 KEGG;

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

第二天上午：

B1 代謝物樣本處理與抽提

(1) 組織 、血液和體液樣本的提取流程與注意事項；

(2) 用 ACN 抽提代謝物的流程與注意事項；

(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

(1) LC-MS 實驗過程中QC 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)測和分析；

(3) XCMS 軟件數(shù)據(jù)轉(zhuǎn)換與提峰；

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 的基本數(shù)據(jù)結(jié)構(gòu)和語法；

(4) 下載與加載包；

(5) 函數(shù)調(diào)用和 debug；

B4 ggplot2

(1) 安裝并使用 ggplot2

(2) ggplot2 的畫圖哲學(xué)；

(3) ggplot2 的配色系統(tǒng)；

(4) ggplot2 畫組合圖和火山圖；

第三天上午：?機(jī)器學(xué)習(xí)

C1 無監(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 語言實現(xiàn)；

C2 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；

第三天下午：

C3 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) 數(shù)據(jù)用 PCA 降維處理后仍然無法找到差異怎么辦？

(2) PLS-DA 找出最可能影響差異的代謝物；

(3) VIP score 和 coef 的意義及選擇；

(4) 分類算法：支持向量機(jī)，隨機(jī)森林

C4 一組代謝組學(xué)數(shù)據(jù)的分類算法實現(xiàn)的 R 演練

(1) 數(shù)據(jù)解讀；

(2) 演練與操作；

第四天上午：

D1 代謝組學(xué)數(shù)據(jù)清洗與 R 語言進(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 語言 tidyverse

(4) R 語言正則表達(dá)式；

(5) 代謝組學(xué)數(shù)據(jù)過濾；

(6) 代謝組學(xué)數(shù)據(jù) Scaling 原理與 R 實現(xiàn)；

(7) 代謝組學(xué)數(shù)據(jù)的 Normalization；

(8) 代謝組學(xué)數(shù)據(jù)清洗演練；

第四天下午：

D2 在線代謝組分析網(wǎng)頁 Metaboanalyst 操作

(1) 用 R 將數(shù)據(jù)清洗成網(wǎng)頁需要的格式；

(2) 獨立組、配對組和多組的數(shù)據(jù)格式問題；

(3) Metaboanalyst 的 pipeline 和注意事項；

(4) Metaboanalyst 的結(jié)果查看和導(dǎo)出；

(5) Metaboanalyst 的數(shù)據(jù)編輯；

(6) 全流程演練與操作。

第五天上午：

E1 機(jī)器學(xué)習(xí)與代謝組學(xué)頂刊解讀 (2-3 篇) ；

(1) Nature Communication 一篇代謝組學(xué)小鼠腦組織樣本 database 類型的文獻(xiàn)；

(2) Cell 一篇代謝組學(xué)患者血液樣本的機(jī)器學(xué)習(xí)與疾病判斷的文獻(xiàn)；

(3) 1-2 篇代謝組學(xué)與轉(zhuǎn)錄組學(xué)和蛋白組學(xué)結(jié)合的文獻(xiàn)。

第五天下午：

E2 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) 實操：從原始數(shù)據(jù)下載到圖片復(fù)現(xiàn)；

(3) 學(xué)員實操。

三：機(jī)器學(xué)習(xí)在微生物組學(xué)實踐應(yīng)用

自然微生物綜述( IF：31.851)于2018年在線發(fā)表了微生物組領(lǐng)域的研究方法綜述，不僅系統(tǒng)總結(jié)了過去，更為未來3-5年內(nèi)本領(lǐng)域研究方法的選擇，提供了清晰的技術(shù)路線，讓大家做出更好的研究，微生物組學(xué)研究主要涉及兩方面技術(shù)：測序技術(shù)和數(shù)據(jù)分析技術(shù)，隨著基因測序技術(shù)的進(jìn)步和測序成本不斷下降，大樣本量的微生物組學(xué)研究激增。傳統(tǒng)的統(tǒng)計方法已經(jīng)不再適用于極度高維、稀疏的微生物組數(shù)據(jù)分析，而適用于復(fù)雜數(shù)據(jù)分析的機(jī)器學(xué)習(xí)逐漸成為微生物組學(xué)數(shù)據(jù)分析的首選方法。機(jī)器學(xué)習(xí)已被證明是分析微生物群落數(shù)據(jù)并對特定結(jié)果進(jìn)行預(yù)測（包括人類和環(huán)境健康）的有效方法，基于微生物群落數(shù)據(jù)的機(jī)器學(xué)習(xí)已被成功用于預(yù)測人類健康中的疾病狀態(tài)、環(huán)境質(zhì)量和環(huán)境中污染的存在，并可以作為法醫(yī)學(xué)中的微量證據(jù)。機(jī)器學(xué)習(xí)算法已經(jīng)在腸道微生物、微生物組數(shù)組表型、環(huán)境微生物、微生物生態(tài)學(xué)、皮膚微生物、土壤微生物、植物微生物、人體微生物等領(lǐng)域應(yīng)用廣泛，通過查閱文獻(xiàn)發(fā)現(xiàn)近幾年機(jī)器學(xué)習(xí)在微生物組研究發(fā)刊分值都很高，特別是在Nature Communications、Advanced Materials（IF=30.849）、Water Research Nature Microbiology、Environment International 、Nature Methods、Cell Regeneration、JAIMS等期刊多次發(fā)表！

機(jī)器學(xué)習(xí)微生物組學(xué)與蛋白組學(xué)主講來自國內(nèi)高校李老師，有十余年的微生物組數(shù)據(jù)分析經(jīng)驗。研究領(lǐng)域涉及機(jī)器學(xué)習(xí)，芯片數(shù)據(jù)分析，微生物組數(shù)據(jù)分析，DNA，RNA，甲基化測序數(shù)據(jù)分析，單細(xì)胞測序數(shù)據(jù)分析，miRNA及靶基因分析等，發(fā)表SCI論文30余篇，其中一作及并列一作15篇

三：機(jī)器學(xué)習(xí)在微生物組學(xué)實踐應(yīng)用專題

第一天

機(jī)器學(xué)習(xí)及微生物學(xué)簡介

1.機(jī)器學(xué)習(xí)基本概念介紹

2.常用機(jī)器學(xué)習(xí)模型介紹（GLM,BF,SVM,lasso,KNN等等）

3.混淆矩陣

4.ROC曲線

5.主成分分析（PCA）

6.微生物學(xué)基本概念

7.微生物學(xué)常用分析介紹

R語言簡介及實操

1．R語言概述

2．R軟件及R包安裝

3．R語言語法及數(shù)據(jù)類型

4．條件語句

5．循環(huán)

6．函數(shù)

7．常用的機(jī)器學(xué)習(xí)和微生物數(shù)據(jù)相關(guān)的R包介紹

第二天

機(jī)器學(xué)習(xí)在微生物學(xué)中的應(yīng)用案例分享

1．利用機(jī)器學(xué)習(xí)基于微生物組學(xué)數(shù)據(jù)預(yù)測宿主表型

2．利用機(jī)器學(xué)習(xí)基于微生物組學(xué)數(shù)據(jù)預(yù)測疾病狀態(tài)

3．利用機(jī)器學(xué)習(xí)預(yù)測微生物風(fēng)險

4．機(jī)器學(xué)習(xí)研究飲食對腸道微生物的影響

微生物學(xué)常用分析（實操）

1.微生物豐度分析

2.α-diversity，β-diversity分析

3.進(jìn)化樹構(gòu)建

4.降維分析

5.基于OTU的差異表達(dá)分析，熱圖，箱型圖繪制

6.微生物biomarker鑒定

第三天（實操）

零代碼工具利用機(jī)器學(xué)習(xí)分析微生物組學(xué)數(shù)據(jù)

1.加載數(shù)據(jù)及數(shù)據(jù)歸一化

2.構(gòu)建訓(xùn)練模型（GLM, RF, SVM）

3.模型參數(shù)優(yōu)化

4.模型錯誤率曲線繪制

5.混淆矩陣計算

6.重要特征篩選

7.模型驗證，ROC曲線繪制

8.利用模型進(jìn)行預(yù)測

第四天（實操）

利用機(jī)器學(xué)習(xí)基于微生物組學(xué)數(shù)據(jù)預(yù)測宿主表型(二分類變量以及連續(xù)變量)

1.加載數(shù)據(jù)（三套數(shù)據(jù)）

2.數(shù)據(jù)歸一化

3.OUT特征處理

4.機(jī)器學(xué)習(xí)模型構(gòu)建（RF, KNN, SVM, Lasso等9種機(jī)器學(xué)習(xí)方法）

5.5倍交叉驗證

6.繪制ROC 曲線，比較不同機(jī)器學(xué)習(xí)模型

7.模型性能評估

第五天（實操）

利用機(jī)器學(xué)習(xí)預(yù)測微生物風(fēng)險（多分類）

1.加載數(shù)據(jù)

2.機(jī)器學(xué)習(xí)模型構(gòu)建（RF, gbm, SVM, LogitBoost等等）

3.10倍交叉驗證

4.模型性能評估

利用機(jī)器學(xué)習(xí)預(yù)測刺激前后腸道菌群變化

1.數(shù)據(jù)加載及預(yù)處理

2.α-diversity，β-diversity分析

3.RF模型構(gòu)建（比較分別基于OUT，KO，phylum的模型效果）

4.10倍交叉驗證, 留一法驗證

5.特征篩選及重要特征可視化

外部數(shù)據(jù)測試模型

四：深度學(xué)習(xí)在基因組學(xué)實踐應(yīng)用

深度學(xué)習(xí)已經(jīng)被廣泛應(yīng)用于基因組學(xué)研究中，利用已知的訓(xùn)練集對數(shù)據(jù)的類型和應(yīng)答結(jié)果進(jìn)行預(yù)測，深度學(xué)習(xí)，可以進(jìn)行預(yù)測和降維分析。深度學(xué)習(xí)模型的能力更強(qiáng)且更靈活，在適當(dāng)?shù)挠?xùn)練數(shù)據(jù)下，深度學(xué)習(xí)可以在較少人工參與的情況下自動學(xué)習(xí)特征和規(guī)律。調(diào)控基因組學(xué)，變異檢測，致病性評分成功應(yīng)用。深度學(xué)習(xí)可以提高基因組數(shù)據(jù)的可解釋性，并將基因組數(shù)據(jù)轉(zhuǎn)化為可操作的臨床信息。深度學(xué)習(xí)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)中自動挖掘數(shù)據(jù)潛在特征得以實現(xiàn)，過去10年，深度學(xué)習(xí)在計算機(jī)視覺、語音識別、自然語言處理領(lǐng)域取得了巨大成功。基因組學(xué)大數(shù)據(jù)與疾病表型間的復(fù)雜關(guān)系難以解析，運(yùn)用深度學(xué)習(xí)挖掘多組學(xué)數(shù)據(jù)探索復(fù)雜疾病致病機(jī)制及藥物反應(yīng)機(jī)制將會極大的提升精準(zhǔn)醫(yī)學(xué)和轉(zhuǎn)化醫(yī)學(xué)的進(jìn)度。，近兩年國內(nèi)外頂尖課題組MIT、Harvard University、UPenn、清華大學(xué)、復(fù)旦大學(xué)等都在從事深度學(xué)習(xí)基因組學(xué)的研究，這一研究成果更是多次發(fā)表在Nature Reviews Genetics、Nature Methods、Science Advances、Cancer Cell、Nature Biotechnology等知名國際頂刊上，為我們發(fā)表頂刊鑒定了基礎(chǔ)。

生物信息學(xué)博士，有十余年的測序數(shù)據(jù)分析經(jīng)驗。研究領(lǐng)域涉及人工智能、自然語言處理、功能基因組學(xué)、轉(zhuǎn)錄組學(xué)、miRNA及靶基因網(wǎng)絡(luò)分析，單細(xì)胞測序數(shù)據(jù)分析，基因調(diào)控網(wǎng)絡(luò)時序分析，蛋白質(zhì)互作網(wǎng)絡(luò)分析，多組學(xué)聯(lián)合分析等。主持省自然科學(xué)基金等項目4項，出版醫(yī)學(xué)實用教材《Python醫(yī)學(xué)實戰(zhàn)分析》，發(fā)表SCI論文22篇，其中一作及并列一作9篇

四：深度學(xué)習(xí)在基因組學(xué)實踐應(yīng)用專題

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.無監(jiān)督的神經(jīng)網(wǎng)絡(luò)算法

2.1自動編碼器AE在基因組學(xué)中的應(yīng)用舉例

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

實操內(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

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)計深度學(xué)習(xí)模型

3.3使用keras_dna分割訓(xùn)練集、測試集

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在識別基序特征中應(yīng)用

4.1實現(xiàn)單層單過濾器DNN識別基序

4.2實現(xiàn)多層單過濾器DNN識別基序

4.3實現(xiàn)多層多過濾器DNN識別基序

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)測中的應(yīng)用

1.Chip-Seq中識別基序特征G4，如DeepG4

2.Chip-Seq中預(yù)測DNA甲基化，DeepSEA

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

4.DNase-seq中預(yù)測染色體親和性，Basset

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

實操內(nèi)容

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

1.復(fù)現(xiàn)DeepG4從Chip-Seq中識別G4特征

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

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

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

第四天

理論部分

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

1.SNP微陣列中預(yù)測拷貝數(shù)變異CNV，DeepCNV

2.RNA-Seq中預(yù)測premiRNA，dnnMiRPre

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

實操內(nèi)容

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

3.復(fù)現(xiàn)DeepFactor，從蛋白序列中識別轉(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)中識別關(guān)鍵基因的深度學(xué)習(xí)工具DeepHE

實操內(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)庫中識別乳腺癌亞型

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)識別關(guān)鍵基因

第六天

理論部分

深度學(xué)習(xí)在預(yù)測藥物反應(yīng)機(jī)制上的應(yīng)用

1.聯(lián)合腫瘤基因標(biāo)記及藥物分子結(jié)構(gòu)預(yù)測藥物反應(yīng)機(jī)制的深度學(xué)習(xí)工具SWnet

實操內(nèi)容

1.預(yù)處理藥物分子結(jié)構(gòu)信息

2.計算藥物相似性

3.在不同數(shù)據(jù)集上構(gòu)建self-attention SWnet

4.評估self-attention SWnet

5.構(gòu)建多任務(wù)的SWnet

6.構(gòu)建單層SWnet

7.構(gòu)建帶權(quán)值層的SWnet