重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO
隨著高通量生物技術(shù)的發(fā)展,已經(jīng)開發(fā)了多種組學(xué)技術(shù)來表征不同但互補(bǔ)的生物信息,包括基因組學(xué)、微生物組學(xué)、轉(zhuǎn)錄組學(xué)、和代謝組學(xué)等單細(xì)胞測序 (scSeq) 因其在單個細(xì)胞中測序 DNA 和 RNA 的能力而被選為 2013 年的年度方法,近年來深度測序技術(shù)快速發(fā)展,使得在單個細(xì)胞尺度檢測基因表達(dá)和染色質(zhì)開放性成為可能,形成了單細(xì)胞多組學(xué)數(shù)據(jù)整合分析的研究熱點(diǎn)。單細(xì)胞數(shù)據(jù)往往呈現(xiàn)超高維度、極度稀疏等特點(diǎn),這對下游生物信息分析提出了極大挑戰(zhàn)。而已有分析方法大都缺乏對高維數(shù)據(jù)分析的理論依據(jù),較難克服上述單細(xì)胞數(shù)據(jù)分析的難點(diǎn),深度學(xué)習(xí)模型在理解復(fù)雜病理表型(如癌癥、耐藥性和神經(jīng)生物學(xué))方面的生物學(xué)泛化性和可解釋性對于組學(xué)領(lǐng)域具有極大的興趣和重要性。深度學(xué)習(xí)幾乎顛覆了每一個研究領(lǐng)域,包括那些對藥物發(fā)現(xiàn)有直接重要性的領(lǐng)域,如藥物化學(xué)和藥理學(xué),CADD應(yīng)用中的DL已經(jīng)取得了重大進(jìn)展,如虛擬篩選、新藥設(shè)計、吸收、分布、代謝、排泄和毒性 (ADMET) 特性預(yù)測等等。
蛋白質(zhì)晶體結(jié)構(gòu)解析:近年來結(jié)構(gòu)生物學(xué)發(fā)展迅速并和其他學(xué)科相互滲透交叉,特別是受到結(jié)構(gòu)基因組學(xué)等熱點(diǎn)學(xué)科的極大帶動。作為結(jié)構(gòu)生物學(xué)的基本手段和技術(shù),蛋白質(zhì)晶體學(xué)從解析簡單的蛋白質(zhì)三維結(jié)構(gòu)延伸到解決各類生物大分子及復(fù)合物結(jié)構(gòu),并更加注重研究結(jié)構(gòu)與功能之間的相互關(guān)系
現(xiàn)如今生命科學(xué)領(lǐng)域最火的技術(shù)之一便是基因編輯,基因編輯領(lǐng)域又屬CRISPR系統(tǒng)應(yīng)用最為廣泛,《Nature》2017 年度人物均授予了 CRISPR 相關(guān)技術(shù)的突破,2020年CRISPR技術(shù)獲得諾貝獎,短短不到十年時間CRISPR技術(shù)榮獲最高學(xué)術(shù)榮譽(yù),足以看出該技術(shù)的應(yīng)用潛力。??基因編輯技術(shù)廣泛應(yīng)用于人、大鼠、小鼠、斑馬魚、果蠅、豬、水稻、小麥和擬南芥等動植物(細(xì)胞)以及細(xì)菌等微生物的基因組靶向改造,并已在功能基因組研究、疾病防治、動植物育種、動物疾病模型開發(fā)

下面是近兩年在頂刊發(fā)表的部分研究方向

  • Nature Protocols |?基于機(jī)器學(xué)習(xí)和并行計算的代謝組學(xué)數(shù)據(jù)處理新方法
  • Nature|?基于機(jī)器學(xué)習(xí)的血清代謝組學(xué)開發(fā)生物標(biāo)志物用早期肺腺癌篩查
  • ISME Comm|機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在微生物組研究中的應(yīng)用
  • Nature Biotechnology自動化和機(jī)器學(xué)習(xí)的高通量微生物培養(yǎng)組學(xué)分離微生物組
  • Cancer Cell |?基于多模態(tài)深度學(xué)習(xí)的泛癌組織學(xué)-基因組學(xué)整合分析
  • Science Advances|利用深度學(xué)習(xí)發(fā)現(xiàn)癌癥中的新基因突變
  • Nature|腫瘤微環(huán)境的多組學(xué)機(jī)器學(xué)習(xí)預(yù)測乳腺癌治療反應(yīng)
  • Nature|肺癌和轉(zhuǎn)移瘤中的基因組-轉(zhuǎn)錄組進(jìn)化
  • Nature Machine Intelligence|單細(xì)胞數(shù)據(jù)分析的深度學(xué)習(xí)方法
  • Nature Methods |?用深度多任務(wù)神經(jīng)網(wǎng)絡(luò)探索單細(xì)胞數(shù)據(jù)
  • JCIM|利用深度學(xué)習(xí)進(jìn)行基于結(jié)構(gòu)的從頭藥物設(shè)計
  • Journal of Medicinal Chemistry報道基于靶標(biāo)結(jié)構(gòu)的深度學(xué)習(xí)全新藥物設(shè)計方法
  • Nature Reviews綜述?|?機(jī)器學(xué)習(xí)在藥物發(fā)現(xiàn)和開發(fā)的應(yīng)用
  • Science Advances |?實(shí)現(xiàn)了對較小的膜蛋白晶體結(jié)構(gòu)解析方法的研究突破
  • Nature:一種基于CRISPR/Cas9的非病毒精準(zhǔn)基因組編輯臨床級療法
人工智能與組學(xué)和藥物設(shè)計以及基因編輯技術(shù)和蛋白質(zhì)晶體結(jié)構(gòu)解析的研究到底有多熱,以及為何要舉辦培訓(xùn),下面的內(nèi)容給出了答案
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)、西湖大學(xué)等都在從事人工智能與組學(xué)與藥物和基因編輯技術(shù)以及蛋白質(zhì)晶體結(jié)構(gòu)解析的研究,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)由于該項(xiàng)研究資料和學(xué)習(xí)平臺較少,信息技術(shù)不公開,培訓(xùn)學(xué)習(xí)迫在眉睫,特此誠摯邀請您參加線上培訓(xùn)課,參會會員已達(dá)3000余名!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(fèi),發(fā)更高質(zhì)量的文章)

九大培訓(xùn)主題助力您發(fā)頂刊

MONDAY

專題一、CRISPR-Cas9基因編輯技術(shù)

專題二、蛋白質(zhì)晶體結(jié)構(gòu)解析

專題三、深度學(xué)習(xí)基因組學(xué)

專題四、機(jī)器學(xué)習(xí)代謝組學(xué)

專題五、機(jī)器學(xué)習(xí)轉(zhuǎn)錄組學(xué)與表觀組學(xué)

MONDAY

專題六、深度學(xué)習(xí)單細(xì)胞分析

專題七、機(jī)器學(xué)習(xí)微生物組學(xué)

專題八、CADD計算機(jī)輔助藥物設(shè)計

專題九、AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計

專題一、CRISPR-Cas9基因編輯技術(shù)專題

第一天

一. 基因編輯工具介紹

1. 基因編輯和轉(zhuǎn)基因是一樣的嗎?

2. 生活中的基因編輯與轉(zhuǎn)基因產(chǎn)品

3. 基因編輯工具先驅(qū)-ZFNs和TALENs

4. 沒落的ZFNs和TALENs

5. TALENs,舊工具新用,細(xì)胞器編輯利器!

6. 強(qiáng)勢崛起的CRISPR系統(tǒng)

7. CRISPR系統(tǒng)家族介紹

8. CRISPR-Cas9的工作原理

9. CRISPR-Cas12的工作原理

10. CRISPR系統(tǒng)的致命缺點(diǎn)

11. 如何選擇合適的CRISPR系統(tǒng)?

重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

第二至三天

二. CRISPR系統(tǒng)可以做什么?

1. 基因敲除/基因敲入

i. 基因修復(fù)途徑介紹(NHEJ和HDR)

ii. Knock-in和Knock-out的簡介

iii. Knock-in策略簡介(HDR/Retron/雙pegRNA策略/GRAND/TJ-PE)

2. 多敲系統(tǒng)簡介

3. CRISPRa/CRISPRi(基因激活與基因抑制)

i. dCas9-PVPR系統(tǒng)介紹

ii. dCas9-VP64/GI/SAM基因激活系統(tǒng)介紹

iii. 基因編輯招募系統(tǒng)介紹(Suntag/Moontag)

4. CRISPR系統(tǒng)的‘另類’應(yīng)用(循環(huán)打靶)

5. CBE系統(tǒng)的原理及其應(yīng)用

i. CBE系統(tǒng)進(jìn)化過程總結(jié)(CBEmax/每代優(yōu)化的元件及策略匯總)

ii. 基因組CBE編輯(植物育種/基因功能研究/臨床治療)

iii. 細(xì)胞器CBE編輯工具介紹(Ddda脫氨酶/MutH切口酶)

iv. CBE系統(tǒng)的脫靶效應(yīng)

6. ABE系統(tǒng)的原理及其應(yīng)用

i. PACE和PANCE人工定向蛋白進(jìn)化系統(tǒng)介紹及其他常規(guī)的蛋白進(jìn)化技術(shù)

ii. ABE系統(tǒng)的進(jìn)化過程總結(jié)(ABEmax/ABE8e每代優(yōu)化的元件及策略匯總)

iii. ABE系統(tǒng)的‘另類’應(yīng)用(基因失活/跳剪/介導(dǎo)C編輯)

iv. 雙堿基編輯系統(tǒng)(SWISS/STEME/A&C-BEmax/SPACE/ACBE)

7. PE系統(tǒng)的原理及其應(yīng)用

i. PE介導(dǎo)精準(zhǔn)編輯

ii. 編輯效率的影響因素(骨架二級結(jié)構(gòu)/PBS長度/RTT模板)

iii. 雙pegRNA的原理及其應(yīng)用(基因組大片段插入)

iv. 基因組大片段刪除

v. 用于AAV遞送的PE系統(tǒng)

8. gGBE的原理及其應(yīng)用

i. 糖基化酶介紹(為什么可以介導(dǎo)堿基編輯?)

ii. gGBE的開發(fā)與應(yīng)用

iii. gGBE的后續(xù)發(fā)展預(yù)測

9. CRISPR-Case12的病毒檢測應(yīng)用

i. 原理介紹

ii. 應(yīng)用案例介紹

重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

第四天

三. CRISPR載體構(gòu)建(實(shí)操)

1. 敲除/堿基編輯載體構(gòu)建

i. 工具介紹

ii. 如何查看質(zhì)粒圖譜

iii. 基因靶點(diǎn)的選擇(CRISPR-GE等線上工具展示)

iv. sgRNA的引物設(shè)計

v. 模擬構(gòu)建(酶切載體/構(gòu)建體系講解)

vi. 菌落PCR

vii. 測序鑒定結(jié)果分析

2. PE系統(tǒng)的載體構(gòu)建

i. 引物設(shè)計工具的應(yīng)用

ii. 載體構(gòu)建演示

iii. 測序結(jié)果分析

3. 轉(zhuǎn)染陽性檢測

4. 測序原理及結(jié)果查看

i. 一代測序原理

ii. Hi-TOM高通量測序

重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

第五天

四. 基因編輯在植物種的應(yīng)用

1. 基因功能研究

2. 創(chuàng)制新品種

五. 基因編輯在臨床上的應(yīng)用

1. 堿基編輯的臨床應(yīng)用

2. PE系統(tǒng)的臨床應(yīng)用

3. 遞送系統(tǒng)的介紹

六. 基因編輯在微生物中的應(yīng)用

1. 微生物遺傳學(xué)研究

2. 生物技術(shù)(可產(chǎn)生生物燃料/生物塑料/藥物等有用的化合物)

七. 機(jī)器學(xué)習(xí)在基因編輯領(lǐng)域的應(yīng)用

1. 基因編輯結(jié)果的預(yù)測

2. 編輯效率影響因素的探索

3.基因編輯輔助工具的開發(fā)

重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

專題二、蛋白質(zhì)晶體結(jié)構(gòu)解析專題

第一天

蛋白質(zhì)結(jié)晶前準(zhǔn)備

1. 目的蛋白質(zhì)信息檢索(包括實(shí)操演示)

1.1 不同種屬的蛋白

1.2 蛋白質(zhì)一級結(jié)構(gòu)的調(diào)查

1.3 蛋白質(zhì)三級結(jié)構(gòu)的預(yù)測

1.4 蛋白質(zhì)理化特性的預(yù)測

1.5 蛋白質(zhì)的配體和共價修飾

2. 分子克隆技術(shù)

2.1 目的基因的獲?。ò▽?shí)操演示)

2.2 目的基因的引物設(shè)計(包括實(shí)操演示)

2.3 傳統(tǒng)克隆技術(shù)(涉及學(xué)習(xí)SnapGene軟件,包括實(shí)操演示)

2.4 無縫克隆技術(shù)(涉及學(xué)習(xí)SnapGene軟件,包括實(shí)操演示)

以某一基因進(jìn)行操作演示

3. 利用大腸桿菌表達(dá)目的蛋白

3.1 目的蛋白的小量鑒定表達(dá)

3.2 目的蛋白的大量表達(dá)

3.3 收菌和裂解菌體

3.4 裂解液的離心

3.5 目的蛋白的濃縮

3.6 目的蛋白濃度的測定

4. 真核表達(dá)系統(tǒng)

第二天

蛋白質(zhì)結(jié)晶準(zhǔn)備

1.蛋白晶體結(jié)構(gòu)的特征

1.1蛋白晶體的空間格子、晶胞和晶面指標(biāo)

1.2蛋白晶體的對稱性、點(diǎn)群、晶系和空間群

2. 蛋白質(zhì)晶體生長的理論知識(詳細(xì)講解溫度、pH值、離子強(qiáng)度、有機(jī)溶劑、沉淀劑,等等,對蛋白晶體生長的影響;影響蛋白質(zhì)晶型的因素)

3. 蛋白質(zhì)晶體生長條件的初篩(詳細(xì)講解晶體初篩的注意事項(xiàng))

4. 蛋白質(zhì)晶體生長條件的優(yōu)化 (詳細(xì)講解晶體優(yōu)化的方法,包括改變pH值、沉淀劑,等因素)

5. 晶種法優(yōu)化蛋白質(zhì)晶體生長條件

6. 蛋白晶體的挑選和防凍液的配制

第三天

蛋白晶體衍射數(shù)據(jù)收集

1.X射線衍射

1.1. X射線衍射原理

1.2. X射線衍射的電子密度

1.3. 晶體結(jié)構(gòu)解析的相角問題

2. 上海光源線站BL18U1、BL19U1和BL02U1收集數(shù)據(jù)的方法 (重點(diǎn)詳細(xì)講解,可能需要更長的時間)

3. 蛋白晶體結(jié)構(gòu)解析軟件的安裝(包括Ubuntu系統(tǒng)、Phenix軟件、CCP4軟件、PyMoL軟件、XDS軟件和Adxv軟件)

第四天

蛋白晶體結(jié)構(gòu)解析

  1. 1.?晶體結(jié)構(gòu)的解析
  2. 1.1. 晶體結(jié)構(gòu)解析流程
  3. 1.2. Index、Intergrate和Scale
  4. 1.3. 分子置換技術(shù)(包括實(shí)操演示)
  5. 1.4. 蛋白晶體結(jié)構(gòu)的重建(包括實(shí)操演示)
  6. 1.5. 蛋白晶體結(jié)構(gòu)的優(yōu)化(包括實(shí)操演示)
  7. 2. 晶體結(jié)構(gòu)的精修(涉及COOT軟件、Phenix軟件和CCP4軟件,包括實(shí)操演示)
  8. 3. 晶體結(jié)構(gòu)質(zhì)量的評價指標(biāo)(詳細(xì)講解各個評價指標(biāo))
  9. 4. 蛋白質(zhì)結(jié)構(gòu)中加入小分子配體
  10. 5. 在結(jié)構(gòu)解析過程中,如何利用軟件提高分辨率(重點(diǎn)講解,需要較長的時間)

第五天

蛋白晶體結(jié)構(gòu)的提交及展示

1.?從晶體生長到解析,詳細(xì)剖析提高分辨率的方法(包括示例演示)

2.?蛋白晶體結(jié)構(gòu)數(shù)據(jù)提交到PDB(包括實(shí)操演示)

3. 蛋白晶體結(jié)構(gòu)的展示(包括實(shí)操演示)

DANCEING……

專題三、深度學(xué)習(xí)基因組學(xué)

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(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(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、?GFFGTF、BIGWIG、BEDGRAPH、WIG

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(shí)現(xiàn)單層單過濾器DNN識別基序

4.2實(shí)現(xiàn)多層單過濾器DNN識別基序

4.3實(shí)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(shí)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)DeepG4Chip-Seq中識別G4特征

2.安裝selene_sdk,復(fù)現(xiàn)DeepSEAChip-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(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(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(shí)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

案例圖片:

重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

專題四、機(jī)器學(xué)習(xí)代謝組學(xué)

第一天

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?。?/p>

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(shí)驗(yàn)流程簡介

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??KEGG;

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

第二天

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(xiàng);

2)用?ACN?抽提代謝物的流程與注意事項(xiàng);

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

1LC-MS?實(shí)驗(yàn)過程中?QC?樣本的設(shè)置方法;

2LC-MS?上機(jī)過程的數(shù)據(jù)質(zhì)控監(jiān)測和分析;

3XCMS?軟件數(shù)據(jù)轉(zhuǎn)換與提峰;

B3 R軟件基礎(chǔ)

1R??Rstudio?的安裝;

2Rstudio?的界面配置;

3R?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

2ggplot2?的畫圖哲學(xué);

3ggplot2?的配色系統(tǒng);

4ggplot2?畫組合圖和火山圖;

第三天

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;

2PCA?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(shí)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;

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?

2PLS-DA?找出最可能影響差異的代謝物;

3VIP score??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(shí)現(xiàn)的?R?演練

(1)數(shù)據(jù)解讀;

(2)演練與操作;

第四天

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;

3R?語言?tidyverse

4R?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(shí)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;

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(dú)立組、配對組和多組的數(shù)據(jù)格式問題;

3Metaboanalyst??pipeline?和注意事項(xiàng);

4Metaboanalyst?的結(jié)果查看和導(dǎo)出;

5Metaboanalyst?的數(shù)據(jù)編輯;

6)全流程演練與操作

第五天

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

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

2Cell?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);

31-2?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)。

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

3?學(xué)員實(shí)操。

案例圖片:

重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

專題五、機(jī)器學(xué)習(xí)轉(zhuǎn)錄組學(xué)與表觀組學(xué)

第一天

理論部分

高通量測序原理

高通量測序基礎(chǔ)

測序方法及數(shù)據(jù)

二代測序數(shù)據(jù)分析流程

實(shí)操內(nèi)容

R語言基礎(chǔ)

R(4.1.3)和Rstudio的安裝

R包安裝和環(huán)境搭建

數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)類型

R語言基本函數(shù)

數(shù)據(jù)下載

數(shù)據(jù)讀入與輸出

第二天

理論部分

多組學(xué)基礎(chǔ)

常用生物組學(xué)實(shí)驗(yàn)與分析方法

常用組學(xué)數(shù)據(jù)庫介紹

批量處理組學(xué)數(shù)據(jù)

生物功能分析

基于轉(zhuǎn)錄組學(xué)的差異基因篩選,疾病預(yù)測

組學(xué)數(shù)據(jù)可視化

實(shí)操內(nèi)容

Linux操作系統(tǒng)

Linux操作系統(tǒng)的安裝與設(shè)置

網(wǎng)絡(luò)配置與服務(wù)進(jìn)程管理

Linux的遠(yuǎn)程登錄管理

常用的Linux命令

在Linux下獲取基因數(shù)據(jù)

利用Linux探索基因組區(qū)域

Shell script與Vim編輯器

基因組文件下載與上傳

Linux權(quán)限管理

文件的身份

修改文件的所有者和所屬組

修改文件權(quán)限

第三天

理論部分

介紹轉(zhuǎn)錄組學(xué)的基本概念和研究流程

RNA-seq數(shù)據(jù)的預(yù)處理和質(zhì)量控制

序列比對和對齊評估

基因表達(dá)量估計和差異表達(dá)分析

實(shí)操內(nèi)容

轉(zhuǎn)錄組測序數(shù)據(jù)質(zhì)量控制

轉(zhuǎn)錄組數(shù)據(jù)比對

RNA-seq數(shù)據(jù)原始定量

主成分分析

原始定量結(jié)果差異分析

差異結(jié)果篩選及可視化

GO和KEGG通路富集分析

GSEA基因集富集分析

第四天

理論部分

表觀遺傳學(xué)的基本概念和技術(shù)介紹

DNA甲基化和組蛋白修飾的分析方法

表觀組數(shù)據(jù)的預(yù)處理和質(zhì)量控制

差異甲基化和差異修飾分析

甲基化和修飾的功能注釋和富集分析

甲基化數(shù)據(jù)的整合分析和基因調(diào)控網(wǎng)絡(luò)構(gòu)建

表觀組數(shù)據(jù)的可視化方法和工具

介紹其他表觀組學(xué)技術(shù)(如染色質(zhì)構(gòu)象捕獲)

實(shí)操內(nèi)容

測序數(shù)據(jù)質(zhì)量控制和檢查

數(shù)據(jù)比對和多匹配問題

計算結(jié)合峰位置

IGV中組學(xué)結(jié)果可視化

差異peaks分析

結(jié)合程度矩陣計算

富集熱圖和曲線圖繪制

第五天

理論部分

機(jī)器學(xué)習(xí)概述

線性模型

決策樹

支持向量機(jī)

集成學(xué)習(xí)

模型選擇與性能優(yōu)化

實(shí)操內(nèi)容

決策樹算法實(shí)現(xiàn)

隨機(jī)森林算法實(shí)現(xiàn)

支持向量機(jī)(SVM)算法實(shí)現(xiàn)

樸素貝葉斯算法實(shí)現(xiàn)

Xgboost算法實(shí)現(xiàn)

聚類算法實(shí)現(xiàn)

DBSCAN算法實(shí)現(xiàn)

層次聚類算法實(shí)現(xiàn)

第六天

理論部分

基因功能注釋和富集分析

WGCNA(Weighted Gene Co-expression Network Analysis)網(wǎng)絡(luò)分析

轉(zhuǎn)錄因子分析和調(diào)控網(wǎng)絡(luò)構(gòu)建

轉(zhuǎn)錄組數(shù)據(jù)的可視化方法和工具

轉(zhuǎn)錄水平預(yù)測蛋白翻譯水平

實(shí)操內(nèi)容

創(chuàng)建Seurat對象

數(shù)據(jù)質(zhì)控

測序深度差異及標(biāo)準(zhǔn)化

單細(xì)胞數(shù)據(jù)降維

批次效應(yīng)去除

數(shù)據(jù)整合

亞群注釋

GSVA通路活性分析

單細(xì)胞富集分析

案例圖片:

重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

專題六、深度學(xué)習(xí)單細(xì)胞分析

第一天

理論內(nèi)容

1.單細(xì)胞組學(xué)研究簡介(包含單細(xì)胞轉(zhuǎn)錄組測序技術(shù)進(jìn)展及其原?)

2.單細(xì)胞主要數(shù)據(jù)庫介紹

2.1 CellMarker

2.2 CancerSEA

2.3 Tabula Muris

2.4 TISCH

3.單細(xì)組學(xué)在腫瘤、發(fā)育、免疫及其它領(lǐng)域的研究思路的介紹?4.單細(xì)胞測序分析在科研中的應(yīng)用

4.1?bulk?測序相較的優(yōu)勢

4.2?發(fā)現(xiàn)新細(xì)胞類型

4.3?識別細(xì)胞亞群的轉(zhuǎn)錄差異

4.4?細(xì)胞互作預(yù)測

實(shí)內(nèi)容

1.R語言基礎(chǔ)

1.1?文件讀入

1.2?數(shù)值、字符串、向量

1.3?列表?矩陣數(shù)據(jù)框

2.數(shù)據(jù)清洗

2.1缺失值處理

2.2數(shù)據(jù)篩選

2.3數(shù)據(jù)合并

2.4數(shù)據(jù)匹配

2.5分類變量

2.6條件函數(shù)

2.7?字符串的切分

2.8重復(fù)值處理

3.R?語言基礎(chǔ)繪圖

3.1?箱式圖

3.2小提琴圖

3.3?熱圖

第二天

理論內(nèi)容

1.Seurat對象

2.細(xì)胞質(zhì)控

2.1 nFeature

2.2 nCount

2.3 percent.mt

3.特征選擇

3.1高變基因

3.2 FindVariableFeatures

4.降維聚類

4.1 tsne

4.2 umap

4.3?線性降維?PCA

實(shí)內(nèi)容

1.數(shù)據(jù)讀入

1.1 10x?數(shù)據(jù)讀入

1.2 csv?數(shù)據(jù)讀入

1.3 txt?數(shù)據(jù)讀入

2.?多數(shù)據(jù)的整合

2.1直接法

2.2?harmony

3.質(zhì)控

4.歸一化

5.聚類

6.tSNE/UMAP降維

7.細(xì)胞類型注釋

7.1自動注釋法

7.2?marker人工注釋法

8.細(xì)胞比例計算

9.基因集打分

9.1 ssGSEA

9.2 AUCell

10.單細(xì)胞?GSVA富集分析

11.單細(xì)胞GSEA富集分析

第三天

理論內(nèi)容

1.IF6+文獻(xiàn)解讀

2.單細(xì)胞常見圖表解讀

2.1降維聚類圖

2.2marker氣泡圖/小提琴圖

2.3細(xì)胞通訊圖

3.富集分析

3.1?基因?ID

3.2弦表圖

3.3?和弦圖

4.細(xì)胞通訊基本原理

5.反卷積

5.1系數(shù)表

5.2 bulk?轉(zhuǎn)錄組矩陣

實(shí)操內(nèi)容(?IF6+文獻(xiàn)文獻(xiàn)為例)

1.單細(xì)胞差異基因分析并繪制火山圖

2.GO/KEGG富集分析并繪制氣泡圖、柱狀圖、弦表圖?

3.iTALK分析不同細(xì)胞的通訊情況

4.Cibersortx

4.1單細(xì)胞數(shù)據(jù)處理

4.2 bulk?數(shù)據(jù)

4.3推測?bulk?數(shù)據(jù)新細(xì)胞類型的比例)

第四天

理論內(nèi)容

1.深度學(xué)習(xí)入門

1.1基本概念

1.2?常用方法

1.3科研應(yīng)用

2.LASSO的原理和作用

2.1正則化

2.2懲罰參數(shù)

2.3變量收縮

3.Randomforest的原理和作用

3.1?Bagging思想

3.2 OOB error

3.3 Bagging?框架參數(shù)(n_estimatorsoob_score、criterion)

3.4決策樹參數(shù)

4.SVM的原理和作用

4.1最大間隔超平面

4.2支持向量

4.3SVM最優(yōu)化問題

5.ROC曲線的原理和作用

5.1二分類

5.2 true negative;falsenegative

5.3 true positive;truenegative

實(shí)內(nèi)容

1.LASSO的應(yīng)用

1.1 lambda?選擇

1.2?特征選擇

2.Randomforest的應(yīng)用

2.1 error?

2.2氣泡圖

2.3?棒棒糖圖

3.SVM的應(yīng)用

4.ROC?曲線的應(yīng)用

第五天

理論內(nèi)容

1.深度學(xué)習(xí)結(jié)合單細(xì)胞的應(yīng)用

1.1?細(xì)胞亞群

1.2特征基因篩選

1.3?基因后續(xù)驗(yàn)證的科研思路

2.解析深度學(xué)習(xí)結(jié)合單細(xì)胞的文獻(xiàn)(IF8+)

3.LASSO與單細(xì)胞聯(lián)合

4.Randomforest與單細(xì)胞聯(lián)合

5. SVM-RFE與單細(xì)胞聯(lián)合

5.1支持向量機(jī)

5.2遞歸消除

6.人工神經(jīng)網(wǎng)絡(luò)?ANN?與單細(xì)胞聯(lián)合

6.1?人工和生物神經(jīng)網(wǎng)絡(luò)之間的相似性

6.2?神經(jīng)元模型

6.3?神經(jīng)網(wǎng)絡(luò)模型

6.4?前饋神經(jīng)網(wǎng)絡(luò)

6.5反饋神經(jīng)網(wǎng)絡(luò)

6.6 M-P?模型

6.7 neuralnet

實(shí)操內(nèi)?(IF8+文獻(xiàn)為例)

1.單細(xì)胞分析(包括數(shù)據(jù)讀取、聚類降維、細(xì)胞注釋等)?

2.LASSO篩選特征基因并構(gòu)建預(yù)后模型??????????????

3.生存曲線檢驗(yàn)預(yù)后模型的效果

4.cox?森林圖驗(yàn)證風(fēng)險評分是否有臨床意義

5.列線表

6.免疫治療?TIDE?與風(fēng)險評分的分析

7.免疫浸潤分析風(fēng)險評分與免疫微環(huán)境的關(guān)系

8.neuralnet?的基礎(chǔ)案例實(shí)操

9.ANN?的單細(xì)胞特征基因篩選

專題七、機(jī)器學(xué)習(xí)微生物組學(xué)

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(shí)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)

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

?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(shí)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,箱型圖繪制微生物biomarker鑒定

第三天(實(shí)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(yàn)證,ROC曲線繪制利用模型進(jìn)行預(yù)測

第四天(實(shí)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, Lasso9種機(jī)器學(xué)習(xí)方法)

?5.?5倍交叉驗(yàn)證

?6.?繪制ROC?曲線,比較不同機(jī)器學(xué)習(xí)模型模型性能評估

第五天(實(shí)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(yàn)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OUTKO,phylum的模型效果)

4.10倍交叉驗(yàn)證,?留一法驗(yàn)證

5.特征篩選及重要特征可視化外部數(shù)據(jù)測試模型

案例圖片:

重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

專題八、CADD計算機(jī)輔助藥物設(shè)計

第一天上午

背景與理論知識以及工具準(zhǔn)備

1.PDB數(shù)據(jù)庫的介紹和使用

1.1數(shù)據(jù)庫簡介

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、靜電勢表示

2.4蛋白-配體結(jié)構(gòu)疊加與比對

2.5繪制相互作用力

3.notepad的介紹和使用

3.1優(yōu)勢及主要功能介紹

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

-配體分子對接講解

1.對接的相關(guān)理論介紹

1.1分子對接的概念及基本原理

1.2分子對接的基本方法

1.3分子對接的常用軟件

1.4分子對接的一般流程

2.常規(guī)的蛋白-配體對接

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-配體對接

2.5對接結(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

第二天

虛擬篩選

1.小分子數(shù)據(jù)庫的介紹與下載

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

6.1ADME概念介紹

6.2預(yù)測相關(guān)網(wǎng)站及軟件介紹

6.3預(yù)測結(jié)果的分析

第三天

拓展對接的使用方法

1.蛋白-蛋白對接

1.1蛋白-蛋白對接的應(yīng)用場景

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-多糖分子對接

4.1蛋白-多糖相互作用

4.2對接處理的要點(diǎn)

4.3蛋白-多糖分子對接的流程

4.4蛋白-多糖分子對接

4.5相關(guān)結(jié)果分析

以α-糖苷轉(zhuǎn)移酶和多糖分子對接為例

5.核酸-小分子對接

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 -四鏈和配體分子對接為例。

操作流程介紹及實(shí)戰(zhàn)演示

第四天

拓展對接的使用方法

1.柔性對接

1.1柔性對接的使用場景介紹

1.2柔性對接的優(yōu)勢

1.3蛋白-配體的柔性對接

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.共價對接

2.1兩種共價對接方法的介紹

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共價藥物分子與靶蛋白的共價對接

2.4結(jié)果的對比

以目前火熱的新冠共價藥物為例。

3.蛋白-水合對接

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

第五天

分子動力學(xué)模擬(linuxgromacs使用安裝)

1. linux系統(tǒng)的介紹和簡單使用

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.分子動力學(xué)的理論介紹

2.1分子動力學(xué)模擬的原理

2.2分子動力學(xué)模擬的方法及相關(guān)程序

2.3相關(guān)力場的介紹

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

第六天

溶劑化分子動力學(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.對體系的預(yù)平衡

5.無限制的分子動力學(xué)模擬

6.分子動力學(xué)結(jié)果展示與解讀

以水中的溶菌酶為例

第七天

蛋白配體分子動力學(xué)模擬的執(zhí)行

1.蛋白-配體在分子動力學(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.配體分子力場拓?fù)湮募臏?zhǔn)備

4.1高斯的簡要介紹

4.2 ambertool的簡要介紹

4.3生成小分子的力場參數(shù)文件

5.對復(fù)合物體系溫度和壓力分別限制的預(yù)平衡

6.無限制的分子動力學(xué)模擬

7.分子動力學(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

案例實(shí)操圖片:

重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

專題九、AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計

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.計算機(jī)輔助藥物設(shè)計(CADD)簡介

1.2.分子對接與分子動力學(xué)背景介紹

1.3.人工智能藥物發(fā)現(xiàn)(AIDD)簡介

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

2.2基于結(jié)構(gòu)的藥物發(fā)現(xiàn)與設(shè)計

2.3基于配體的藥物發(fā)現(xiàn)與設(shè)計

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

機(jī)器學(xué)習(xí)與藥物發(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.分類模型的常用評價指標(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。

第三天

機(jī)器學(xué)習(xí)與藥物發(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

5.神經(jīng)網(wǎng)絡(luò)回歸

6.回歸模型的常用評價指標(biāo)

6.1MSE

6.2RMSE

6.3MAE

6.4R2

QSAR/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)對化合物的毒性分類預(yù)測模型

第五天

分子生成模型

1.生成式對抗網(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

培訓(xùn)對象

全國各大高校、企業(yè)、科研院所從事人工智能、生命科學(xué)、代謝工程、有機(jī)合成、抗體工程、酶工程、?天然產(chǎn)物、蛋白質(zhì)、藥物、生物信息學(xué)、植物學(xué)?,動物學(xué)、食品、化學(xué)化工?,??醫(yī)學(xué)、疾病、機(jī)器學(xué)習(xí)、基?因組學(xué)、農(nóng)業(yè)科學(xué)、植物學(xué)、動物學(xué)?,臨床醫(yī)學(xué)、食品科學(xué)與工程、植物基因組、動物傳染病、腫瘤免疫?與靶向治療、????全基因組泛癌分析、人黏連蛋白折疊基因組機(jī)、有機(jī)合成、生物化學(xué)、病毒檢測、高通量測?序、分子生物學(xué)、功能基因組、遺傳圖譜、基因挖掘變異、代謝組學(xué)、蛋白質(zhì)組學(xué)、轉(zhuǎn)錄組學(xué)、生物醫(yī)學(xué)、?轉(zhuǎn)化研究、蛋白質(zhì)、癌癥、核酸、毒物學(xué)研究、生物信息、生物計算、生命科學(xué)、生態(tài)、腫瘤、遺傳、基?因改造、細(xì)胞分化、微生物、生物醫(yī)學(xué)大數(shù)據(jù)分析與挖掘、數(shù)學(xué)類專業(yè)、計算機(jī)科學(xué)、??醫(yī)學(xué)、疾病等研究?的科研人員以及人工智能愛好者

培訓(xùn)特色及福利

1、課程特色–全面的課程技術(shù)應(yīng)用、原理流程、實(shí)例聯(lián)系全貫穿2、學(xué)習(xí)模式–理論知識與上機(jī)操作相結(jié)合,讓零基礎(chǔ)學(xué)員快速熟練掌握 3、課程服務(wù)答疑–主講老師將為您實(shí)際工作中遇到的問題提供專業(yè)解答授課方式:通過騰訊會議線上直播,理論+實(shí)操的授課模式,老師手把手帶著操作,從零基礎(chǔ)開始講解,電子PPT和教程開課前一周提前發(fā)送給學(xué)員,所有培訓(xùn)使用軟件都會發(fā)送給學(xué)員,有什么疑問采取開麥共享屏幕和微信群解疑,學(xué)員和老師交流、學(xué)員與學(xué)員交流,培訓(xùn)完畢后老師長期解疑,培訓(xùn)群不解散,往期培訓(xùn)學(xué)員對于培訓(xùn)質(zhì)量和授課方式一致評價極高!
騰訊會議實(shí)時直播解答|手把手帶著操作
重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO
學(xué)員對于培訓(xùn)給予高度評價
重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO
學(xué)員培訓(xùn)后投頂刊
重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO

授課時間及地點(diǎn)

CRISPR-Cas9基因編輯技術(shù)2023.7.30 全天授課(上午09.00-11.30 下午13.30-17.00)2023.8.5 —–2023.8.6 全天授課(上午09.00-11.30 下午13.30-17.00)2023.8.12—–2023.8.13全天授課(上午09.00-11.30 下午13.30-17.00)蛋白質(zhì)晶體結(jié)構(gòu)解析2023.08.01—-2023.08.04晚上授課(晚上19.00-22.00)2023.08.05 —–2023.08.06 全天授課(上午09.00-11.30 下午13.30-17.00)2023.08.08—–2023.08.09晚上授課(晚上19.00-22.00)

深度學(xué)習(xí)基因組學(xué)

2023.07.29—–2023.07.30全天授課(上午09.00-11.30下午13.30-17.00)

2023.07.30—–2023.07.31晚上授課(晚上19.00-22.00)

2023.08.05—–2023.08.06全天授課(上午09.00-11.30下午13.30-17.00)

2023.08.07—–2023.08.08晚上授課(晚上19.00-22.00)

機(jī)器學(xué)習(xí)代謝組學(xué)

2023.8.5 —–2023.8.6 全天授課(上午09.00-11.30 下午13.30-17.00)

2023.8.8—–2023.8.9晚上授課(晚上19.00-22.00)

2023.8.12—–2023.8.13全天授課(上午09.00-11.30 下午13.30-17.00)

機(jī)器學(xué)習(xí)轉(zhuǎn)錄組學(xué)與表觀組學(xué)

2023.07.29 —–2023.07.30 全天授課(上午09.00-11.30 下午13.30-17.00)

2023.08.05—–2023.08.06 全天授課(上午 09.00-11.30 下午 13.30-17.00)

2023.08.12—-2023.08.13 全天授課(上午 09.00-11.30 下午 13.30-17.00)

深度學(xué)習(xí)單細(xì)胞分析

2023.8.5 —–2023.8.6 全天授課(上午09.00-11.30 下午13.30-17.00)

2023.8.8—–2023.8.9晚上授課(晚上19.00-22.00)

2023.8.14—–2023.8.15全天授課(上午09.00-11.30 下午13.30-17.00)

機(jī)器學(xué)習(xí)微生物組學(xué)

2023.8.5 —–2023.8.6 全天授課(上午09.00-11.30 下午13.30-17.00)

2023.8.8—–2023.8.9晚上授課(晚上19.00-22.00)

2023.8.12—–2023.8.13全天授課(上午09.00-11.30 下午13.30-17.00)

CADD計算機(jī)輔助藥物設(shè)計專題培訓(xùn)班

2023.7.29 —–2023.7.30 全天授課(上午09.00-11.30 下午13.30-17.00)

2023.8.1—–2023.8.4晚上授課(晚上19.00-22.00)

2023.8.5—–2023.8.6全天授課(上午09.00-11.30 下午13.30-17.00)

2023.8.8—–2023.8.9晚上授課(晚上19.00-22.00)

AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計專題培訓(xùn)班

2023.8.5 —–2023.8.6 全天授課(上午09.00-11.30 下午13.30-17.00)

2023.8.8—–2023.8.9晚上授課(晚上19.00-22.00)

2023.8.12—–2023.8.13全天授課(上午09.00-11.30 下午13.30-17.00)

培訓(xùn)費(fèi)用

CADD計算機(jī)輔助藥物設(shè)計;AIDD人工智能藥物發(fā)現(xiàn)與設(shè)計;深度學(xué)習(xí)基因組學(xué);機(jī)器學(xué)習(xí)轉(zhuǎn)錄組學(xué)與表觀組學(xué);蛋白質(zhì)晶體結(jié)構(gòu)解析、深度學(xué)習(xí)單細(xì)胞分析公費(fèi)價:每人每班¥5880元 (含報名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi))自費(fèi)價:每人每班¥5480元 (含報名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi))機(jī)器學(xué)習(xí)微生物組學(xué);機(jī)器學(xué)習(xí)代謝組學(xué);基因編輯公費(fèi)價:每人每班¥4680元 (含報名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi))自費(fèi)價:每人每班¥4280元 (含報名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi))優(yōu)惠優(yōu)惠1:兩班同報:9680元

三班同報:13680元

四班同報:17000元

五班同報:20000元

六班同報:22680元

七班同報:24680元

八班同報:25680元

特惠:九班同報:26680元(原價49320元)(可免費(fèi)學(xué)習(xí)一整年)

優(yōu)惠2:提前報名繳費(fèi)可享受300元優(yōu)惠(僅限十五名)

證書:參加培訓(xùn)并通過考試的學(xué)員,可以申請獲得工業(yè)和信息化部工業(yè)文化發(fā)展中心頒發(fā)的“工業(yè)強(qiáng)國建設(shè)素質(zhì)素養(yǎng)提升尚工行動”崗位能力適應(yīng)評測證書。該證書可在中心官網(wǎng)查詢,可作為能力評價,考核和任職的重要依據(jù)。評測證書查詢網(wǎng)址:www.miit-icdc.org(自愿申請,須另行繳納考試費(fèi)500元/人

報名咨詢請二維碼掃描下方微信

報名咨詢方式(請二維碼掃描下方微信)
重磅!2023影響因子已出,Nature年度最熱技術(shù)!“里程碑與CNS寵兒”-肽度TIMEDOO