CADD(Computer Aided Drug Design):計(jì)算機(jī)輔助藥物設(shè)計(jì)，依據(jù)生物化學(xué)、酶學(xué)、分子生物學(xué)以及遺傳學(xué)等生命科學(xué)的研究成果，針對(duì)這些基礎(chǔ)研究中所揭示的包括酶、受體、離子通道及核酸等潛在的藥物設(shè)計(jì)靶點(diǎn)，并參考其它類源性配體或天然產(chǎn)物的化學(xué)結(jié)構(gòu)特征，以計(jì)算機(jī)化學(xué)為基礎(chǔ)，通過計(jì)算機(jī)的模擬、計(jì)算和預(yù)算藥物與受體生物大分子之間的相互作用，考察藥物與靶點(diǎn)的結(jié)構(gòu)互補(bǔ)、性質(zhì)互補(bǔ)等，設(shè)計(jì)出合理的藥物分子。它是設(shè)計(jì)和優(yōu)化先導(dǎo)化合物的方法，CADD的應(yīng)用，包括基于結(jié)構(gòu)的藥物設(shè)計(jì)（SBDD）、基于配體的藥物設(shè)計(jì)（LBDD）、高通量虛擬篩選（HTVS）等技術(shù)，突破了傳統(tǒng)的先導(dǎo)物發(fā)現(xiàn)模式，極大地促進(jìn)了先導(dǎo)化合物發(fā)現(xiàn)和優(yōu)化。特別是在食品、生物、化學(xué)、醫(yī)藥、植物、疾病方面應(yīng)用廣泛！靶點(diǎn)的發(fā)現(xiàn)與確證是現(xiàn)代新藥研發(fā)的第一步，也是新藥創(chuàng)制過程中的瓶頸之一。CADD的應(yīng)用可以加快靶點(diǎn)發(fā)現(xiàn)的速度，提高靶點(diǎn)發(fā)現(xiàn)的準(zhǔn)確度，從而推進(jìn)新藥研發(fā)。

AIDD（AI Drug Discovery & Design）：是近年來(lái)非?；馃岬募夹g(shù)應(yīng)用，且已經(jīng)介入到新藥設(shè)計(jì)到研發(fā)的大部分環(huán)節(jié)當(dāng)中，為新藥發(fā)現(xiàn)與開發(fā)帶來(lái)了極大的助力。隨著醫(yī)藥大數(shù)據(jù)的積累和人工智能技術(shù)的發(fā)展，運(yùn)用AI技術(shù)并結(jié)合大數(shù)據(jù)的精準(zhǔn)藥物設(shè)計(jì)也不斷推動(dòng)著創(chuàng)新藥物的發(fā)展。在新型冠狀病毒的治療方案中，通過一系列計(jì)算機(jī)輔助藥物生物計(jì)算的方法發(fā)現(xiàn)一大類藥物分子可以有效阻止新冠病毒的侵染，為治療新冠提供了新思路。傾向于機(jī)器對(duì)數(shù)據(jù)庫(kù)信息的自我學(xué)習(xí)，可以對(duì)數(shù)據(jù)進(jìn)行提取和學(xué)習(xí)，一定程度上避免了化合物設(shè)計(jì)過程中的試錯(cuò)路徑，同時(shí)還會(huì)帶來(lái)很多全新的結(jié)構(gòu)，為藥物發(fā)現(xiàn)打破常規(guī)的結(jié)構(gòu)壁壘。

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(duì)數(shù)據(jù)的類型和應(yīng)答結(jié)果進(jìn)行預(yù)測(cè)，深度學(xué)習(xí)，可以進(jìn)行預(yù)測(cè)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(dòng)學(xué)習(xí)特征和規(guī)律。調(diào)控基因組學(xué)，變異檢測(cè)，致病性評(píng)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(dòng)挖掘數(shù)據(jù)潛在特征得以實(shí)現(xiàn)，近兩年國(guó)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(guó)際頂刊上，為我們發(fā)表頂刊鑒定了基礎(chǔ)。

細(xì)胞生物學(xué)的相關(guān)研究一直受限于數(shù)據(jù)的完整性和表型的完整性，對(duì)應(yīng)激狀態(tài)和穩(wěn)態(tài)下的細(xì)胞區(qū)別觀察不夠充分。過去五年中，計(jì)算機(jī)視覺和語(yǔ)音識(shí)別領(lǐng)域通過對(duì)大量的無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)、建模，很好的解決了數(shù)據(jù)不足的問題。同樣在最近的研究中，機(jī)器學(xué)習(xí)方法使用單細(xì)胞數(shù)據(jù)進(jìn)行擾動(dòng)建模也推動(dòng)了細(xì)胞生物領(lǐng)域前進(jìn)。對(duì)于生物學(xué)家來(lái)講，無(wú)論研究基因、轉(zhuǎn)錄本、修飾、蛋白功能，都要頻繁的進(jìn)行人為干預(yù)，實(shí)現(xiàn)對(duì)感興趣變量的正向或者反向改變，觀察細(xì)胞表型的變化。整個(gè)過程需要對(duì)干預(yù)工具的構(gòu)建、導(dǎo)入、實(shí)驗(yàn)觀察，從而得出表型結(jié)論。擾動(dòng)建模的目的就是想要通過數(shù)學(xué)模型的建立，通過對(duì)已有數(shù)據(jù)的分析、歸納和總結(jié)，對(duì)一個(gè)分子的功能在沒有濕實(shí)驗(yàn)時(shí)做出預(yù)判，對(duì)于生物學(xué)家和藥物研發(fā)者來(lái)講，好的模型一定能夠幫助加深對(duì)生物機(jī)制的理解，推動(dòng)藥物的研發(fā)進(jìn)程

一：CADD計(jì)算機(jī)輔助藥物設(shè)計(jì)

第一天上午背景與理論知識(shí)以及工具準(zhǔn)備

1.PDB數(shù)據(jù)庫(kù)的介紹和使用1.1數(shù)據(jù)庫(kù)簡(jiǎn)介1.2靶點(diǎn)蛋白的結(jié)構(gòu)查詢與選取1.3靶點(diǎn)蛋白的結(jié)構(gòu)序列下載1.4靶點(diǎn)蛋白的下載與預(yù)處理1.5批量下載蛋白晶體結(jié)構(gòu)2.Pymol的介紹與使用2.1軟件基本操作及基本知識(shí)介紹2.2蛋白質(zhì)-配體相互作用圖解2.3蛋白-配體小分子表面圖、靜電勢(shì)表示2.4蛋白-配體結(jié)構(gòu)疊加與比對(duì)2.5繪制相互作用力3.notepad的介紹和使用3.1 優(yōu)勢(shì)及主要功能介紹3.2 界面和基本操作介紹3.3插件安裝使用

下午一般的蛋白-配體分子對(duì)接講解

1. 對(duì)接的相關(guān)理論介紹1.1分子對(duì)接的概念及基本原理1.2分子對(duì)接的基本方法1.3分子對(duì)接的常用軟件1.4分子對(duì)接的一般流程2.常規(guī)的蛋白-配體對(duì)接2.1收集受體與配體分子2.2復(fù)合體預(yù)構(gòu)象的處理2.3準(zhǔn)備受體、配體分子2.4蛋白-配體對(duì)接2.5對(duì)接結(jié)果的分析以新冠病毒蛋白主蛋白酶靶點(diǎn)及相關(guān)抑制劑為例

2. 第二天虛擬篩選1.小分子數(shù)據(jù)庫(kù)的介紹與下載2.相關(guān)程序的介紹2.1 openbabel的介紹和使用2.2 chemdraw的介紹與使用3.虛擬篩選的前處理4.虛擬篩選的流程及實(shí)戰(zhàn)演示案例：篩選新冠病毒主蛋白酶抑制劑5.結(jié)果分析與作圖6.藥物ADME預(yù)測(cè)6.1ADME概念介紹6.2預(yù)測(cè)相關(guān)網(wǎng)站及軟件介紹6.3預(yù)測(cè)結(jié)果的分析

3. 第三天拓展對(duì)接的使用方法1.蛋白-蛋白對(duì)接1.1蛋白-蛋白對(duì)接的應(yīng)用場(chǎng)景1.2相關(guān)程序的介紹1.3目標(biāo)蛋白的收集以及預(yù)處理1.4使用算例進(jìn)行運(yùn)算1.5關(guān)鍵殘基的預(yù)設(shè)1.6結(jié)果的獲取與文件類型1.7結(jié)果的分析以目前火熱的靶點(diǎn)PD-1/PD-L1等為例。2.涉及金屬酶蛋白的對(duì)接2.1 金屬酶蛋白-配體的背景介紹2.2蛋白與配體分子的收集與預(yù)處理2.3金屬離子的處理2.4金屬輔酶蛋白-配體的對(duì)接2.5結(jié)果分析以人類法尼基轉(zhuǎn)移酶及其抑制劑為例3.蛋白-多糖分子對(duì)接4.1蛋白-多糖相互作用4.2對(duì)接處理的要點(diǎn)4.3蛋白-多糖分子對(duì)接的流程4.4蛋白-多糖分子對(duì)接4.5相關(guān)結(jié)果分析以α-糖苷轉(zhuǎn)移酶和多糖分子對(duì)接為例5.核酸-小分子對(duì)接5.1核酸-小分子的應(yīng)用現(xiàn)狀5.2相關(guān)的程序介紹5.3核酸-小分子的結(jié)合種類5.4核酸-小分子對(duì)接5.5相關(guān)結(jié)果的分析以人端粒g -四鏈和配體分子對(duì)接為例。操作流程介紹及實(shí)戰(zhàn)演示

4. 第四天拓展對(duì)接的使用方法1.柔性對(duì)接1.1柔性對(duì)接的使用場(chǎng)景介紹1.2柔性對(duì)接的優(yōu)勢(shì)1.3蛋白-配體的柔性對(duì)接重點(diǎn)：柔性殘基的設(shè)置方法1.4相關(guān)結(jié)果的分析以周期蛋白依賴性激酶2（CDK2）與配體1CK為例2.共價(jià)對(duì)接2.1兩種共價(jià)對(duì)接方法的介紹2.1.1柔性側(cè)鏈法2.1.2兩點(diǎn)吸引子法2.2蛋白和配體的收集以及預(yù)處理2.3共價(jià)藥物分子與靶蛋白的共價(jià)對(duì)接2.4結(jié)果的對(duì)比以目前火熱的新冠共價(jià)藥物為例。3.蛋白-水合對(duì)接3.1水合作用在蛋白-配體相互作用中的意義及方法介紹3.2蛋白和配體的收集以及預(yù)處理3.3對(duì)接相關(guān)參數(shù)的準(zhǔn)備重點(diǎn)：水分子的加入和處理3.4蛋白-水分子-配體對(duì)接3.5結(jié)果分析以乙酰膽堿結(jié)合蛋白(AChBP)與尼古丁復(fù)合物為例

5. 第五天分子動(dòng)力學(xué)模擬（linux與gromacs使用安裝）1. linux系統(tǒng)的介紹和簡(jiǎn)單使用1.1 linux常用命令行1.2 linux上的常用程序安裝1.3 體驗(yàn)：如何在linux上進(jìn)行虛擬篩選2.分子動(dòng)力學(xué)的理論介紹2.1分子動(dòng)力學(xué)模擬的原理2.2分子動(dòng)力學(xué)模擬的方法及相關(guān)程序2.3相關(guān)力場(chǎng)的介紹3.gromacs使用及介紹重點(diǎn)：主要命令及參數(shù)的介紹4.origin介紹及使用

6. 第六天溶劑化分子動(dòng)力學(xué)模擬的執(zhí)行1.一般的溶劑化蛋白的處理流程2.蛋白晶體的準(zhǔn)備3.結(jié)構(gòu)的能量最小化4.對(duì)體系的預(yù)平衡5.無(wú)限制的分子動(dòng)力學(xué)模擬6.分子動(dòng)力學(xué)結(jié)果展示與解讀以水中的溶菌酶為例第

7. 七天蛋白-配體分子動(dòng)力學(xué)模擬的執(zhí)行1.蛋白-配體在分子動(dòng)力學(xué)模擬的處理流程2.蛋白晶體的準(zhǔn)備3.蛋白-配體模擬初始構(gòu)象的準(zhǔn)備4.配體分子力場(chǎng)拓?fù)湮募臏?zhǔn)備4.1 高斯的簡(jiǎn)要介紹4.2 ambertool的簡(jiǎn)要介紹4.3生成小分子的力場(chǎng)參數(shù)文件5.對(duì)復(fù)合物體系溫度和壓力分別限制的預(yù)平衡6.無(wú)限制的分子動(dòng)力學(xué)模擬7.分子動(dòng)力學(xué)結(jié)果展示與解讀8.軌跡后處理及分析以新冠病毒蛋白主蛋白酶靶點(diǎn)及相關(guān)抑制劑為例

二：AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計(jì)

（第一天）人工智能與藥物發(fā)現(xiàn) 用工具的介紹與安裝從CADD到AIDD的介紹1.計(jì)算機(jī)輔助藥物設(shè)計(jì)(CADD)簡(jiǎn)介1.2.分子對(duì)接與分子動(dòng)力學(xué)背景介紹1.3.人工智能藥物發(fā)現(xiàn)(AIDD)簡(jiǎn)介2.機(jī)器學(xué)習(xí)與深度學(xué)習(xí)在藥物發(fā)現(xiàn)中的背景介紹2.1藥物發(fā)現(xiàn)與設(shè)計(jì)2.2基于結(jié)構(gòu)的藥物發(fā)現(xiàn)與設(shè)計(jì)2.3基于配體的藥物發(fā)現(xiàn)與設(shè)計(jì)3.1Anaconda3/Pycharm安裝3.2python 編程基礎(chǔ)3.3Pandas基礎(chǔ)3.4NumPy基礎(chǔ)3.5RDKit基礎(chǔ)3.6Pytorch基礎(chǔ)3.7Tensorflow基礎(chǔ)3.8DeepChem基礎(chǔ)

（第二天）基于配體結(jié)構(gòu)的藥物發(fā)現(xiàn)——分類任務(wù)1.分類模型的構(gòu)建與應(yīng)用1.1邏輯回歸算法原理1.2樸素貝葉斯算法原理1.3k最近鄰算法原理1.4支持向量機(jī)算法原理1.5隨機(jī)森林算法原理1.6梯度提升算法原理1.7多層感知機(jī)算法原理1.8特征工程1.9缺失值填補(bǔ)2.特征歸一化2.1變量篩選2.2模型評(píng)估方法2.3交叉驗(yàn)證2.4外部驗(yàn)證3.分類模型的常用評(píng)價(jià)指標(biāo)3.1混淆矩陣3.2準(zhǔn)確率3.3敏感性3.4特異性3.5模型選擇3.6格點(diǎn)搜索超參數(shù)調(diào)優(yōu)3.7k折交叉驗(yàn)證分類模型的實(shí)例講解與練習(xí)，以給定數(shù)據(jù)集為例，講解基于以上機(jī)器學(xué)習(xí)算法的生物活性或ADMET性質(zhì)預(yù)測(cè)模型。引導(dǎo)學(xué)員構(gòu)建自己的數(shù)據(jù)模型，并用于小分子化合物的活性或ADMET性質(zhì)預(yù)測(cè)。

（第三天）基于配體結(jié)構(gòu)的藥物發(fā)現(xiàn)——回歸任務(wù)1.隨機(jī)森林回歸2.支持向量機(jī)回歸3.XGboost回歸4.多層感知機(jī)回歸–神經(jīng)網(wǎng)絡(luò)回歸5.神經(jīng)網(wǎng)絡(luò)回歸6.回歸模型的常用評(píng)價(jià)指標(biāo)6.1MSE6.2RMSE6.3MAE6.4R2QSAR/3D-QSAR模型以給定數(shù)據(jù)集為例，講解基于上述幾種機(jī)器學(xué)習(xí)算法構(gòu)建生物活性如pIC50或ADMET性質(zhì)預(yù)測(cè)模型。

（第四天）深度學(xué)習(xí)與藥物發(fā)現(xiàn)1.深度學(xué)習(xí)的發(fā)展歷程與在藥物開發(fā)中的應(yīng)用1.1多層感知機(jī)/人工神經(jīng)網(wǎng)絡(luò)1.2基于梯度的學(xué)習(xí)1.3反向傳播算法1.4隨機(jī)梯度下降1.5卷積神經(jīng)網(wǎng)絡(luò)介紹1.6圖神經(jīng)網(wǎng)絡(luò)介紹基于PyTorch的多層感知機(jī)算法的實(shí)例講解與練習(xí)以給定數(shù)據(jù)集為例，講解基于多層感知機(jī)的化合物性質(zhì)預(yù)測(cè)模型。以給定數(shù)據(jù)集為例，講解基于卷積神經(jīng)網(wǎng)絡(luò)的化合物圖像預(yù)測(cè)分類模型。以給定數(shù)據(jù)集為例，講解基于圖神經(jīng)網(wǎng)絡(luò)對(duì)化合物的毒性分類預(yù)測(cè)模型。

(第五天)分子生成模型1.生成式對(duì)抗網(wǎng)絡(luò)(GANs)的基本原理1.2生成器1.3判別器1.4循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)1.5長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)2.基于上下文的循環(huán)神經(jīng)網(wǎng)絡(luò)序列建模3.基于字符串的小分子化合物生成模型4.基于圖數(shù)據(jù)的小分子化合物生成模型實(shí)例講解與練習(xí)，以給定數(shù)據(jù)集為例，構(gòu)建分子生成模型。

贈(zèng)送視頻：深度學(xué)習(xí)AiphaFold2蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)實(shí)例講解（以下內(nèi)容為贈(zèng)送的視頻教程）蛋白質(zhì)結(jié)構(gòu)與功能的概述。蛋白質(zhì)的組成蛋白質(zhì)的結(jié)構(gòu)蛋白質(zhì)的功能常見蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的網(wǎng)站及方法。常用蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的相關(guān)網(wǎng)站及軟件常用網(wǎng)站及軟件的使用方法及說明機(jī)器學(xué)習(xí)在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的應(yīng)用。蛋白質(zhì)結(jié)構(gòu)與小分子藥物庫(kù)獲取機(jī)器學(xué)習(xí)加速預(yù)測(cè)小分子藥物AlphaFold2機(jī)器學(xué)習(xí)模型對(duì)蛋白結(jié)構(gòu)預(yù)測(cè)實(shí)戰(zhàn)蛋白結(jié)構(gòu)預(yù)測(cè)目前最好的人工智能模型AlphaFold2。AlphaFold2模型的獲取及安裝AlphaFold2相關(guān)數(shù)據(jù)的獲取AlphaFold2模型的實(shí)戰(zhàn)操作

三：?深度學(xué)習(xí)在基因組學(xué)應(yīng)用

第一天深度學(xué)習(xí)算法介紹理論內(nèi)容：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(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)算法2.1自動(dòng)編碼器AE在基因組學(xué)中的應(yīng)用舉例2.2生成對(duì)抗網(wǎng)絡(luò)GAN在基因組學(xué)中的應(yīng)用舉例實(shí)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(yǔ)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

第二天基因組學(xué)基礎(chǔ)理論內(nèi)容1. 基因組數(shù)據(jù)庫(kù)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(shí)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(shí)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(jì)深度學(xué)習(xí)模型3.3使用keras_dna分割訓(xùn)練集、測(cè)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(shí)別基序特征中應(yīng)用4.1實(shí)現(xiàn)單層單過濾器DNN識(shí)別基序4.2實(shí)現(xiàn)多層單過濾器DNN識(shí)別基序4.3實(shí)現(xiàn)多層多過濾器DNN識(shí)別基序

第三天卷積神經(jīng)網(wǎng)絡(luò)CNN在基因調(diào)控預(yù)測(cè)中的應(yīng)用理論內(nèi)容1. Chip-Seq中識(shí)別基序特征G4，如DeepG42. Chip-Seq中預(yù)測(cè)DNA甲基化，DeepSEA3. Chip-Seq中預(yù)測(cè)轉(zhuǎn)錄調(diào)控因子結(jié)合，DeepSEA4. DNase-seq中預(yù)測(cè)染色體親和性，Basset5. DNase-seq中預(yù)測(cè)基因表達(dá)eQTL，Enformer實(shí)操內(nèi)容復(fù)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)CNN識(shí)別基序特征DeepG4、非編碼基因突變DeepSEA，預(yù)測(cè)染色體親和性Basset，基因表達(dá)eQTL1. 復(fù)現(xiàn)DeepG4從Chip-Seq中識(shí)別G4特征2. 安裝selene_sdk，復(fù)現(xiàn)DeepSEA從Chip-Seq中預(yù)測(cè)DNA甲基化，非編碼基因突變3. 復(fù)現(xiàn)Basset，從Chip-Seq中預(yù)測(cè)染色體親和性4. 復(fù)現(xiàn)Enformer，從Chip-Seq中預(yù)測(cè)基因表達(dá)eQT

第四天深度學(xué)習(xí)在識(shí)別拷貝數(shù)變異DeepCNV、調(diào)控因子DeepFactor上的應(yīng)用理論內(nèi)容1. SNP微陣列中預(yù)測(cè)拷貝數(shù)變異CNV，DeepCNV2. RNA-Seq中預(yù)測(cè)premiRNA，dnnMiRPre3. 從蛋白序列中預(yù)測(cè)調(diào)控因子蛋白質(zhì)，DeepFactor實(shí)操內(nèi)容1. 復(fù)現(xiàn)DeepCNV利用SNP微陣列聯(lián)合圖像分析識(shí)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(cè)premiRNA 3. 復(fù)現(xiàn)DeepFactor，從蛋白序列中識(shí)別轉(zhuǎn)錄調(diào)控因子蛋白質(zhì)

第五天深度學(xué)習(xí)在識(shí)別及疾病表型及生物標(biāo)志物上的應(yīng)用理論內(nèi)容1. 從基因表達(dá)數(shù)據(jù)中識(shí)別乳腺癌分型的深度學(xué)習(xí)工具DeepType2. 從高維多組學(xué)數(shù)據(jù)中識(shí)別疾病表型，XOmiVAE3. 基因序列及蛋白質(zhì)相互作用網(wǎng)絡(luò)中識(shí)別關(guān)鍵基因的深度學(xué)習(xí)工具DeepHE實(shí)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(kù)中識(shí)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(shí)別關(guān)鍵基因

第六天深度學(xué)習(xí)在預(yù)測(cè)藥物反應(yīng)機(jī)制上的應(yīng)用理論部分1. 聯(lián)合腫瘤基因標(biāo)記及藥物分子結(jié)構(gòu)預(yù)測(cè)藥物反應(yīng)機(jī)制的深度學(xué)習(xí)工具SWnet實(shí)操內(nèi)容1. 預(yù)處理藥物分子結(jié)構(gòu)信息2. 計(jì)算藥物相似性3. 在不同數(shù)據(jù)集上構(gòu)建self-attention SWnet4. 評(píng)估self-attention SWnet5. 構(gòu)建多任務(wù)的SWnet6. 構(gòu)建單層SWnet7. 構(gòu)建帶權(quán)值層的SWnet

四：機(jī)器學(xué)習(xí)單細(xì)胞分析應(yīng)用

第一天理論內(nèi)容：1.單細(xì)胞測(cè)序原理2.單細(xì)胞測(cè)序基礎(chǔ)3.單細(xì)胞測(cè)序方法及數(shù)據(jù)4.單細(xì)胞數(shù)據(jù)分析流程實(shí)操內(nèi)容1.R語(yǔ)言基礎(chǔ)2.R（4.1.3）和Rstudio的安裝3.R包安裝和環(huán)境搭建4.數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)類型5.R語(yǔ)言基本函數(shù)6.數(shù)據(jù)下載7.數(shù)據(jù)讀入與輸出

第二天理論內(nèi)容1.機(jī)器學(xué)習(xí)概述2.線性模型3.決策樹4.支持向量機(jī)5.集成學(xué)習(xí)6.模型選擇與性能優(yōu)化實(shí)操內(nèi)容1.決策樹算法實(shí)現(xiàn)2.隨機(jī)森林算法實(shí)現(xiàn)3.支持向量機(jī)(SVM)算法實(shí)現(xiàn)4.樸素貝葉斯算法實(shí)現(xiàn)5.Xgboost算法實(shí)現(xiàn)6.主成分分析PCA算法實(shí)現(xiàn)7.聚類算法實(shí)現(xiàn)8.DBSCAN算法實(shí)現(xiàn)9.層次聚類算法實(shí)現(xiàn)

第三天理論內(nèi)容1.多組學(xué)基礎(chǔ)2.常用生物組學(xué)實(shí)驗(yàn)與分析方法3.常用組學(xué)數(shù)據(jù)庫(kù)介紹4.批量處理組學(xué)數(shù)據(jù)5.生物功能分析6.基于轉(zhuǎn)錄組學(xué)的差異基因篩選，疾病預(yù)測(cè)7.基于差異基因聯(lián)合多組學(xué)分析疾病發(fā)生機(jī)制8.組學(xué)數(shù)據(jù)可視化實(shí)操內(nèi)容1.多組學(xué)基礎(chǔ)2.常用生物組學(xué)實(shí)驗(yàn)與分析方法3.常用組學(xué)數(shù)據(jù)庫(kù)介紹4.批量處理組學(xué)數(shù)據(jù)5.生物功能分析6.基于轉(zhuǎn)錄組學(xué)的差異基因篩選，疾病預(yù)測(cè)7.基于差異基因聯(lián)合多組學(xué)分析疾病發(fā)生機(jī)制8.組學(xué)數(shù)據(jù)可視化

第四天理論內(nèi)容1.單細(xì)胞分析中的常見機(jī)器學(xué)習(xí)方法2.降維聚類的機(jī)器學(xué)習(xí)算法3.分群注釋的機(jī)器學(xué)習(xí)算法4.單細(xì)胞分析中常見的深度學(xué)習(xí)方法5.降維聚類的深度學(xué)習(xí)算法6.分群注釋的深度學(xué)習(xí)算法實(shí)操內(nèi)容1.Python語(yǔ)言基礎(chǔ)2.python安裝與開發(fā)環(huán)境的搭建3.基本數(shù)據(jù)類型組合數(shù)據(jù)類型4.分析環(huán)境搭建5.Jupyter notebook的使用6.函數(shù)、列表、元組、字典、集合7.控制結(jié)構(gòu)、循環(huán)結(jié)構(gòu)8.Numpy模塊 ——矩陣的科學(xué)計(jì)算9.Matplotlib模塊——數(shù)據(jù)處理與繪圖10.Pandas模塊——csv數(shù)據(jù)處理與分析11.Sklearn模塊——機(jī)器學(xué)習(xí)模型基礎(chǔ)軟件包調(diào)用

第五天理論部分1.機(jī)器學(xué)習(xí)在單細(xì)胞分析中的應(yīng)用2.收集數(shù)據(jù)3.數(shù)據(jù)準(zhǔn)備4.選擇一個(gè)模型5. 模型訓(xùn)練6.模型評(píng)估7.參數(shù)調(diào)整8.模型預(yù)測(cè)實(shí)操內(nèi)容1.創(chuàng)建Seurat對(duì)象2.數(shù)據(jù)質(zhì)控3.測(cè)序深度差異及標(biāo)準(zhǔn)化4. 單細(xì)胞數(shù)據(jù)降維5.批次效應(yīng)去除6.數(shù)據(jù)整合7.亞群注釋8.GSVA通路活性分析9.單細(xì)胞富集分析

第六天理論部分1.深度學(xué)習(xí)在單細(xì)胞分析中的應(yīng)用2.卷積神經(jīng)網(wǎng)絡(luò)基本構(gòu)成3.卷積核4.循環(huán)神經(jīng)網(wǎng)絡(luò)基本構(gòu)成5.循環(huán)核6.圖神經(jīng)網(wǎng)絡(luò)基本構(gòu)成實(shí)操內(nèi)容1.卷積神經(jīng)網(wǎng)絡(luò)在單細(xì)胞分析的算法實(shí)現(xiàn)2.循環(huán)神經(jīng)網(wǎng)絡(luò)在單細(xì)胞分析的算法實(shí)現(xiàn)3.圖神經(jīng)網(wǎng)絡(luò)在單細(xì)胞中分析的算法實(shí)現(xiàn)4.單細(xì)胞數(shù)據(jù)的自動(dòng)注釋5.單細(xì)胞數(shù)據(jù)分析聚類與批量效應(yīng)6.單細(xì)胞測(cè)序數(shù)據(jù)進(jìn)行聚類7.加權(quán)圖神經(jīng)網(wǎng)絡(luò)的細(xì)胞類型注釋方法8.單細(xì)胞表達(dá)數(shù)據(jù)中深度學(xué)習(xí)基因關(guān)系