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。

转录组学和表观组学是现代生命科学领域中的两个重要研究领域，它们的发展和应用对于理解基因表达调控、细胞发育、疾病机制等具有重要意义。随着高通量测序技术的迅速发展，我们能够全面深入地研究基因组范围内的转录活动和表观修饰，从而揭示基因调控网络的复杂性和细胞状态的变化。转录组学涉及对细胞中所有转录RNA的整体表达谱进行分析和解释，从而了解不同基因的表达水平以及转录的调控机制。转录组学研究的应用广泛，涵盖了从发育生物学、肿瘤学到药物研发等多个领域。表观组学则关注细胞内染色质的修饰状态，如DNA甲基化和组蛋白修饰等，这些修饰能够直接或间接地影响基因表达。通过表观组学的研究，我们能够了解这些修饰在细胞发育、环境适应和疾病发生中的功能和机制。

通过掌握转录组学和表观组学的分析方法和工具，研究人员能够更深入地理解基因调控的机制，发现新的生物学洞察，探索疾病的发生和进展机制，并为精准医学和药物研发提供理论基础和实践指导。这门课程旨在为学员提供必要的知识和技能，使他们能够应对当今生命科学中转录组学和表观组学的挑战，并在相关领域的研究和应用中取得突破性的进展。

随着高通量组学平台的发展，极大了促进了生物医学领域的发展，使得人们能够从基因组学，转录组学，蛋白组学，代谢组学等各个维度进行深入的研究。一切生命的表现形式，本质上都是蛋白质功能的体现。如果我们能够了解细胞、组织乃至整个生命体内蛋白质的组成及其活动规律，理解不同组织器官在不同生理病理状态下蛋白质组的构成和动态变化，就会对疾病的发生、发展、转归等过程有一个全面的认识，把握疾病诊治的关键，提高药物开发的效率。

事实上，蛋白质研究的巨大价值，早在20年前就被高度关注。在人类基因组计划完成后，有科学家在《Science》杂志兴奋地预言，蛋白质组学将很快取代基因组学成为生命科学研究的焦点。《Nature》杂志的专刊则在显著版面报道了人类蛋白质组学组织（HUPO）的成立，并宣告生命科学正式进入蛋白质组学时代。可以说，蛋白质组学在诞生之初，在科学界光环熠熠，工业界也对之热情洋溢。

代谢组学是对某一生物或细胞在一特定生理时期内所有代谢产物同时进行定性定量分析的学科，被广泛用于揭示小分子与生理病理效应间的关系。目前，代谢组学已经被应用于药物开发的各个阶段（如药物靶标识别、先导化合物发现、药物代谢分析、药物响应和耐药研究等）。基于代谢组学的高性价比特性，它被药学领域的研究者给予了厚望，有望加速新药开发的进程。然而，代谢组领域还面临着严重的信号处理与数据分析问题，对其在新药研发中的应用构成了巨大挑战。为了有效消除由环境、仪器和生物因素所引入的不良信号波动，就需要开发针对代谢组信号系统优化的新方法，为不同组学研究量身定制最优的数据分析策略。

由于该项研究资料和学习平台较少，信息技术不公开，培训学习迫在眉睫，特此诚挚邀请您参加“深度学习基因组学+机器学习转录组学与表观组学+机器学习蛋白质组学+机器学习代谢组学+单细胞空间转录组+机器学习微生物组学专题线上培训”

02

培训学习目标

have an outing in spring

本课程（深度学习基因组学）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）在基因组学分析中的各种应用：识别G4基序特征DeepG4，识别非编码基因突变DeepSEA，预测染色体亲和性Basset，预测基因表达eQTL的Enformer、识别拷贝数变异DeepCNV、预测调控因子DeepFactor、预测premiRNA的dnnmiRNA、从基因表达数据中识别乳腺癌分型DeepType、从高维多组学数据中识别疾病表型XOmiVAE、从基因序列及蛋白质相互作用网络中识别关键基因DeepHE、联合肿瘤基因标记及药物分子结构预测药物反应机制的SWnet等深度学习工具。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。

机器学习转录组学与表观组学本课程旨在为学员提供转录组学和表观组学的综合培训，以及在Linux和R环境中进行数据分析的技能。通过本课程，学员将学习如何处理和分析转录组和表观组数据，并深入了解这两个领域的关键概念和最新发展。课程内容包括Linux操作系统的基础知识和常用命令行技巧，R编程语言的应用，转录组数据的预处理和差异表达分析，表观组数据的分析方法，以及综合应用和实际项目实践。     

通过对机器学习在蛋白组学中的应用案例分享，让学员能够掌握机器学习分析蛋白组学的流(tao)程(lu)，了解常用机器学习算法的原理及蛋白组学理论知识。通过实操，复现高分SCI文章中机器学习结果，让学员能够熟悉相关软件和工具的使用，并且学以致用到自己的课题中。

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。

能够快速运用到自己的科研项目和课题上，助力学员发表Nature、Science、Cell等正刊及子刊！（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）