1.1概述深度學(xué)習(xí)的基本概念

什么是深度學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)基本概念

深度學(xué)習(xí)的歷史與發(fā)展

1.2深度學(xué)習(xí)在生物信息學(xué)中的應(yīng)用

在基因組學(xué)、生物元件改造、蛋白質(zhì)設(shè)計(jì)等方向中的應(yīng)用舉例

2. 蛋白質(zhì)結(jié)構(gòu)和功能的基本概念

2.1蛋白質(zhì)的一級(jí)到四級(jí)結(jié)構(gòu)

氨基酸序列、二級(jí)結(jié)構(gòu)、三級(jí)結(jié)構(gòu)、四級(jí)結(jié)構(gòu)

2.2結(jié)構(gòu)與功能的關(guān)系

結(jié)構(gòu)決定功能的原則 (Anfinsen’s Principle)

具體的蛋白質(zhì)功能舉例

2.3 重要的蛋白質(zhì)數(shù)據(jù)庫(kù)介紹

蛋白質(zhì)序列數(shù)據(jù)庫(kù)

蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫(kù)（PDB數(shù)據(jù)庫(kù)等）

2.4 蛋白質(zhì)的數(shù)據(jù)表示介紹

蛋白質(zhì)序列表示

蛋白質(zhì)結(jié)構(gòu)表示（包含實(shí)踐示范：使用BioPython，Pymol等進(jìn)行蛋白質(zhì)結(jié)構(gòu)操作）

第一天下午

1. 深度學(xué)習(xí)基礎(chǔ)知識(shí)介紹

1.1神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

神經(jīng)網(wǎng)絡(luò)的基本組成

前向傳播與反向傳播

1.2常用深度學(xué)習(xí)算法（卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等）

卷積神經(jīng)網(wǎng)絡(luò)（CNN）

遞歸神經(jīng)網(wǎng)絡(luò)（RNN）

長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）

Transformer結(jié)構(gòu)

擴(kuò)散模型（Diffusion Model）

2. 深度學(xué)習(xí)工具與框架

2.1 TensorFlow框架

TensorFlow的基本概念介紹

2.2 PyTorch框架（重點(diǎn)）

PyTorch的基本概念

PyTorch的基本使用方法（包含實(shí)踐示范：使用Pytorch搭建神經(jīng)網(wǎng)絡(luò)）

第二天

1. 蛋白質(zhì)序列分析相關(guān)介紹

1.1序列比對(duì)工具與方法

BLAST、Clustal Omega等工具介紹（包含實(shí)踐示范：如何使用這些工具）

多序列比對(duì)MSA的重要性

基于數(shù)學(xué)或深度學(xué)習(xí)的蛋白質(zhì)序列相似度分析方法（包含實(shí)踐示范：序列特征提取方法示范）

1.2 深度學(xué)習(xí)在蛋白質(zhì)序列分類中的應(yīng)用

自動(dòng)特征提取

蛋白質(zhì)家族分類

蛋白質(zhì)功能分類

2. 蛋白質(zhì)大語(yǔ)言模型介紹（重點(diǎn)）

2.1 語(yǔ)言模型介紹

什么是自然語(yǔ)言處理NLP？

什么是大語(yǔ)言模型

2.2 生物中的語(yǔ)言模型

序列語(yǔ)言模型kmer2vec，DNABert（包含實(shí)踐示范：簡(jiǎn)單訓(xùn)練一個(gè)蛋白質(zhì)序列的kmer2vec模型）

ESM蛋白質(zhì)大語(yǔ)言模型

ProGen大模型

第二天下午

1. 具體介紹自然語(yǔ)言處理NLP的各種知識(shí)

1.1 詞嵌入

One-hot embedding

Word2vec embedding

Glove embedding

語(yǔ)言大模型embedding

1.2 深度學(xué)習(xí)常用的loss介紹

2. 深度學(xué)習(xí)模型優(yōu)化技巧

2.1模型評(píng)估與優(yōu)化方法

評(píng)估指標(biāo)：準(zhǔn)確率、召回率、F1分?jǐn)?shù)等

優(yōu)化方法：正則化、Dropout等

2.2 超參數(shù)調(diào)優(yōu)

超參數(shù)對(duì)于模型的影響

網(wǎng)格搜索、隨機(jī)搜索

第三天

1. 蛋白質(zhì)設(shè)計(jì)的基本概念

1.1蛋白質(zhì)工程與設(shè)計(jì)的概述

蛋白質(zhì)工程的歷史

蛋白質(zhì)設(shè)計(jì)的方法

1.2蛋白質(zhì)設(shè)計(jì)的挑戰(zhàn)與機(jī)遇

設(shè)計(jì)新功能蛋白質(zhì)的挑戰(zhàn)

蛋白質(zhì)設(shè)計(jì)的應(yīng)用前景

2. 蛋白質(zhì)設(shè)計(jì)的中心法則介紹

2.1 正向中心法則

2.2 逆向中心法則

第三天下午

1. 深度學(xué)習(xí)在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)中的應(yīng)用（重點(diǎn)）

1.1 蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的發(fā)展過(guò)程

David Baker的研究工作總結(jié)

蛋白質(zhì)三維坐標(biāo)與蛋白質(zhì)內(nèi)坐標(biāo)的轉(zhuǎn)換方法

1.2 AlphaFold及其影響

AlphaFold 2的工作原理

OpenFold代碼介紹

AlphaFold 3和AlphaFold 2的區(qū)別（包含實(shí)踐示范：如何使用AlphaFold 3大模型開源服務(wù)器進(jìn)行蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)以及相互作用預(yù)測(cè)）

RoseTTAFold All-Atom大模型的介紹

ESMFold大模型的介紹

第四天

1. 蛋白質(zhì)功能預(yù)測(cè)之深度學(xué)習(xí)在藥物發(fā)現(xiàn)中的應(yīng)用

1.1深度學(xué)習(xí)與藥物設(shè)計(jì)概述

深度學(xué)習(xí)在藥物設(shè)計(jì)中的重要性

1.2蛋白質(zhì)-小分子相互作用預(yù)測(cè)

各種前沿預(yù)測(cè)方法與模型的介紹

大模型如何在這一領(lǐng)域發(fā)揮作用

2. 蛋白質(zhì)功能預(yù)測(cè)之蛋白質(zhì)-蛋白質(zhì)相互作用

2.1模型選擇與訓(xùn)練

不同模型的特點(diǎn)介紹

2.2預(yù)測(cè)結(jié)果的評(píng)估與解釋

評(píng)估指標(biāo)與方法

2.3 點(diǎn)突變后的蛋白質(zhì)-蛋白質(zhì)相互作用介紹

新冠病毒預(yù)測(cè)中深度學(xué)習(xí)模型發(fā)揮作用舉例

第四天下午

1. 蛋白質(zhì)功能預(yù)測(cè)之蛋白質(zhì)-核酸相互作用

1.1 蛋白質(zhì)與DNA相互作用任務(wù)

1.2 蛋白質(zhì)與RNA相互作用任務(wù)

1.2模型選擇與訓(xùn)練

不同模型的特點(diǎn)介紹

大模型如何在這一領(lǐng)域發(fā)揮作用

2. 分子對(duì)接與深度學(xué)習(xí)結(jié)合

2.1分子對(duì)接的基本概念

分子對(duì)接的原理

經(jīng)典分子對(duì)接軟件工具介紹（包含實(shí)踐示范：如何使用各種分子對(duì)接軟件工具，如AutoDock等，并使用Pymol等進(jìn)行對(duì)接結(jié)果展示）

2.2 分子對(duì)接中的挑戰(zhàn)

計(jì)算復(fù)雜性的挑戰(zhàn)

2.3深度學(xué)習(xí)在分子對(duì)接中的應(yīng)用

新方法、新工具的介紹

結(jié)合深度學(xué)習(xí)提高對(duì)接效率

第五天

1. 多肽與蛋白質(zhì)相互作用設(shè)計(jì)

1.1多肽設(shè)計(jì)的基本概念

多肽的特點(diǎn)與設(shè)計(jì)方法

1.2深度學(xué)習(xí)在多肽設(shè)計(jì)中的應(yīng)用

應(yīng)用案例分析

2. 逆向中心法則之從功能推導(dǎo)結(jié)構(gòu)

2.1 蛋白質(zhì)功能基序的劃分

2.2 從功能推導(dǎo)所需序列的方法介紹

第五天下午

1. 逆向中心法則之從零開始設(shè)計(jì)結(jié)構(gòu)

2. 逆向中心法則之設(shè)計(jì)序列以明確結(jié)構(gòu)和功能

3. 總結(jié)與展望

3.1? ?深度學(xué)習(xí)在蛋白質(zhì)設(shè)計(jì)中的未來(lái)發(fā)展

未來(lái)發(fā)展趨勢(shì)

蛋白質(zhì)foundation model的影響（包含實(shí)踐示范：如何應(yīng)用foundation model，如何在foundation model的基礎(chǔ)上設(shè)計(jì)下游任務(wù)）

3.2課程總結(jié)與回顧

課程內(nèi)容的回顧與總結(jié)

4. Q&A環(huán)節(jié)

1.1 同源建模

1.2 從頭建模

2. 蛋白質(zhì)（酶/靶點(diǎn)）活性位點(diǎn)在藥物發(fā)現(xiàn)的重要性

3. 藥物發(fā)現(xiàn)中的關(guān)鍵結(jié)構(gòu)特征（特別是小分子）

4. 藥物輔助發(fā)現(xiàn)常用的計(jì)算方法

4.1 分子對(duì)接

4.2 虛擬篩選

4.3 分子動(dòng)力學(xué)模擬

4.4 其他

PDB數(shù)據(jù)庫(kù)的介紹

1.1 檢索蛋白

1.2 頁(yè)面功能及解讀

1.3 數(shù)據(jù)的下載

1.4 PDB文件格式的解讀

2. PyMol

2.1 軟件介紹

2.2 基本操作介紹

2.3 蛋白及小分子表面圖、靜電勢(shì)表示

2.4 繪制相互作用圖及制作簡(jiǎn)單動(dòng)畫

第二天

同源建模

1. 同源建模原理介紹

1.1 同源建模的功能及使用場(chǎng)景

1.2 同源建模的方法

2. Swiss-Model 同源建模；

2.1 同源蛋白的搜索（blast等方法）

2.2 蛋白序列比對(duì)

2.3 蛋白模板選擇

2.4 蛋白模型搭建

2.5 模型評(píng)價(jià)（蛋白拉曼圖）

2.6 蛋白模型優(yōu)化

實(shí)例講解與練習(xí)：用2019-nCoV spike蛋白序列建模，根據(jù)相應(yīng)參數(shù)和方法評(píng)價(jià)模型

小分子構(gòu)建

1. ChemDraw軟件介紹

1.1 小分子結(jié)構(gòu)構(gòu)建

1.2 小分子理化性質(zhì)（如分子量、clogP等）計(jì)算

1.3 分別構(gòu)建大環(huán)、氨基酸、DNA、RNA等分子

小分子化合物庫(kù)

2 小分子數(shù)據(jù)庫(kù)

2.1 DrugBank、ZINC、ChEMBL等數(shù)據(jù)庫(kù)介紹及使用

2.2 天然產(chǎn)物、中藥成分?jǐn)?shù)據(jù)庫(kù)介紹及使用

第三天

分子對(duì)接基礎(chǔ)

1.1 分子對(duì)接原理

1.2 分子對(duì)接分類

1.3 分子對(duì)接打分函數(shù)

2. 常規(guī)分子對(duì)接實(shí)踐

2.1 對(duì)接的執(zhí)行

2.1.1 藥物分子配體的準(zhǔn)備

2.1.2 蛋白受體的準(zhǔn)備

2.1.3 受體格點(diǎn)計(jì)算

2.1.3 執(zhí)行半柔性對(duì)接

對(duì)接結(jié)果評(píng)價(jià)

1.2.1 晶體結(jié)構(gòu)構(gòu)象進(jìn)行對(duì)比

1.2.2 能量角度評(píng)價(jià)對(duì)接結(jié)果

1.2.3 聚類分析評(píng)價(jià)對(duì)接結(jié)果

1.2.4 最優(yōu)結(jié)合構(gòu)象的選擇

2 對(duì)接其他方式的實(shí)現(xiàn)

第四天

1 柔性對(duì)接

1.1 小分子配體優(yōu)化準(zhǔn)備

1.2 蛋白受體的準(zhǔn)備

1.3 柔性殘基的定義

1.4 蛋白受體格點(diǎn)計(jì)算

1.5 柔性對(duì)接計(jì)算及結(jié)果評(píng)價(jià)

1.6 半柔性對(duì)接與柔性對(duì)接比較與選擇

2 柔性對(duì)接其他方式的實(shí)現(xiàn)

下午

基于受體的藥物發(fā)現(xiàn)

1 虛擬篩選的準(zhǔn)備

1.1 小分子文件的不同格式

1.2 openbabel最實(shí)用功能的介紹

1.3 小分子不同格式的轉(zhuǎn)化

2. 基于對(duì)接的虛擬篩選

2.1 虛擬篩選定義、流程構(gòu)建及演示

2.2 靶點(diǎn)蛋白選擇、化合物庫(kù)獲取

2.3 虛擬篩選

2.4 結(jié)果分析（打分值、能量及相互作用分析）

第五天

上午

一些特殊的分子對(duì)接

1.小分子-小分子對(duì)接

1.1小分子-小分子相互作用簡(jiǎn)介

1.2小分子結(jié)構(gòu)預(yù)處理

1.3小分子-小分子對(duì)接（糖-小分子為例）

1.4對(duì)接結(jié)果展示與分析

2. 蛋白-核酸對(duì)接

3. 蛋白-蛋白對(duì)接

下午

基于配體的藥物發(fā)現(xiàn)

1. 3D-QSAR模型構(gòu)建（Sybyl軟件）

1.1 小分子構(gòu)建

1.2 創(chuàng)建小分子數(shù)據(jù)庫(kù)

1.3 小分子加電荷及能量?jī)?yōu)化

1.4 分子活性構(gòu)象確定及疊合

1.5 創(chuàng)建3D-QSAR模型

1.6 CoMFA和CoMSIA模型構(gòu)建

1.7 測(cè)試集驗(yàn)證模型

1.8 模型參數(shù)分析

1.9 模型等勢(shì)圖分析

1.10 3D-QSAR模型指導(dǎo)藥物設(shè)計(jì)

第六天

上午

1. linux系統(tǒng)介紹

2.常用命令介紹

3. linux上程序的安裝（gromacs）

下午

MD實(shí)踐一：溶劑化下蛋白質(zhì)分子動(dòng)力學(xué)模擬

全面熟悉分子動(dòng)力學(xué)模擬的一般流程

第七天

上午

MD實(shí)踐二：溶劑化下蛋白質(zhì)-配體的分子動(dòng)力學(xué)模擬

掌握處理非標(biāo)準(zhǔn)殘基的力場(chǎng)擬合

下午

分子動(dòng)力學(xué)模擬中的常用分析命令

蛋白-配體結(jié)合自由能的結(jié)算

部分模型案例圖片

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)

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(guò)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

第三天

微生物組常用分析方法（實(shí)操）

1. 微生物豐度分析

2. 轉(zhuǎn)錄組豐度分析

3. 進(jìn)化樹分析

4. 降維分析

第四天

理論部分

深度學(xué)習(xí)在識(shí)別拷貝數(shù)變異DeepCNV

1. SNP微陣列中預(yù)測(cè)拷貝數(shù)變異CNV，DeepCNV

2. RNA-Seq中預(yù)測(cè)premiRNA，dnnMiRPre

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

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

第五天

理論部分

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

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DeepType

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

第六天

理論部分

深度學(xué)習(xí)在預(yù)測(cè)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(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 SWnet

4. 評(píng)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

部分模型案例圖片

（2） 代謝與疾?。?/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） 代謝組學(xué)與藥物和生物標(biāo)志物；

（6） 代謝流與機(jī)制研究。

A2 代謝通路及代謝數(shù)據(jù)庫(kù)

（1） 幾種經(jīng)典代謝通路簡(jiǎn)介；

（2） 三大常見代謝物庫(kù)：HMDB、METLIN 和 KEGG;

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

A3 參考資料推薦

A4 代謝組學(xué)實(shí)驗(yàn)流程簡(jiǎn)介

A5 色譜、質(zhì)譜硬件與原理解析

（1） 色譜分析原理與構(gòu)造；

（2） 色譜儀和色譜柱的選擇；

（3） 色譜的流動(dòng)相：梯度洗脫法；

（4）?離子源、質(zhì)量分析器與質(zhì)量檢測(cè)器解析；

（5） 質(zhì)譜分析原理及動(dòng)畫演示；

（6） 色譜質(zhì)譜聯(lián)用技術(shù)（LC-MS）；

第二天

B1 代謝物樣本處理與抽提

（1） 各種組織、血液和體液等樣本的提取流程與注意事項(xiàng)；

（2） 代謝物抽提流程與注意事項(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(kù)

（1） LC-MS 實(shí)驗(yàn)過(guò)程中 QC 和 Blank 樣本的設(shè)置方法；

（2） LC-MS 上機(jī)過(guò)程的數(shù)據(jù)質(zhì)控監(jiān)測(cè)和分析；

（3） 代謝組學(xué)上游分析原理——基于 Compound Discoverer 與 Xcms 軟件；

（4） Xcms 軟件數(shù)據(jù)轉(zhuǎn)換、提峰、峰對(duì)齊與搜庫(kù)；

B3 R 軟件基礎(chǔ)

（1） R 和 Rstudio 的安裝；

（2） Rstudio 的界面配置；

（3） R 中的基礎(chǔ)運(yùn)算和統(tǒng)計(jì)計(jì)算；

（4） R 中的包：包，函數(shù)與參數(shù)的使用；

（5） R 語(yǔ)言語(yǔ)法，數(shù)據(jù)類型與數(shù)據(jù)結(jié)構(gòu)；

（6） R 基礎(chǔ)畫圖；

B4 ggplot2

（1） ggplot2 簡(jiǎn)介

（2） ggplot2 的畫圖哲學(xué)；

（3） ggplot2 的配色系統(tǒng)；

（4） ggplot2 數(shù)據(jù)挖掘與作圖實(shí)戰(zhàn)；

第三天

機(jī)器學(xué)習(xí)

C1 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） 人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系；

（2） 回歸算法：從線性回歸、Logistic 回歸與 Cox 回歸講起；

（3） PLS-DA 算法：PCA 降維后沒有差異的數(shù)據(jù)還有救嗎？

（4） VIP score 的意義及選擇；

（5） 分類算法：決策樹，隨機(jī)森林和貝葉斯網(wǎng)絡(luò)模型；

C2 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；

C3 無(wú)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(yǔ)言實(shí)現(xiàn)；

C4 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；

第四天

D1 在線代謝組分析網(wǎng)頁(yè) Metaboanalyst 操作

（1） 用 R 將數(shù)據(jù)清洗成網(wǎng)頁(yè)需要的格式；

（2） 獨(dú)立組、配對(duì)組和多組的數(shù)據(jù)格式問題；

（3） Metaboanalyst 中的上游分析（原始數(shù)據(jù)峰提取、峰對(duì)齊與搜庫(kù)） （4） Metaboanalyst 的 pipeline 以及參數(shù)設(shè)置和注意事項(xiàng)；

（5） Metaboanalyst 的結(jié)果查看和導(dǎo)出；

（6） Metaboanalyst 的數(shù)據(jù)編輯；

（7） 全流程演練與操作。

D2 代謝組學(xué)數(shù)據(jù)清洗與 R 語(yǔ)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(yǔ)言 tidyverse；

（4） 數(shù)據(jù)預(yù)處理：數(shù)據(jù)過(guò)濾與數(shù)據(jù)標(biāo)準(zhǔn)化（樣本的 Normalization 和代謝物的 Scaling）；

（5） 代謝組學(xué)數(shù)據(jù)清洗演練；

第五天

E1 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。

E2 機(jī)器學(xué)習(xí)與代謝組學(xué)頂刊解讀（3 篇）；

（1） Signal Transduction and Targeted Therapy 一篇有關(guān)饑餓對(duì)不同腦區(qū)代謝組學(xué)影響變 化的小鼠腦組織代謝圖譜類的文獻(xiàn)；(數(shù)據(jù)庫(kù)型)

（2） Cell 一篇代謝組學(xué)孕婦全程血液代謝組學(xué)分析得出對(duì)孕周和孕產(chǎn)期預(yù)測(cè)的代謝標(biāo)志物 的文獻(xiàn)；(生物標(biāo)志物型)

（3） Nature 一篇對(duì)胰腺癌患者腸道菌群的代謝組學(xué)分析找到可以提高化療效果的代謝物的 文獻(xiàn)。(機(jī)制研究型）

部分模型案例圖片

a.什么是機(jī)器學(xué)習(xí)

b.監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)

c.常用機(jī)器學(xué)習(xí)模型介紹

3.混淆矩陣

4.ROC曲線

第二天

R語(yǔ)言簡(jiǎn)介與實(shí)操

1. R語(yǔ)言概述

2. R studio軟件與R包安裝

3. R語(yǔ)言語(yǔ)法及數(shù)據(jù)類型

4. 條件語(yǔ)句和循環(huán)

Linux實(shí)操

1. Linux操作系統(tǒng)

2. Linux操作系統(tǒng)的安裝與設(shè)置

3. 網(wǎng)絡(luò)配置與服務(wù)進(jìn)程管理

4. Linux的遠(yuǎn)程登錄管理

5. 常用的Linux命令

6. 在Linux下獲取基因數(shù)據(jù)

7. Shell script與Vim編輯器下·

第三天

微生物組常用分析方法（實(shí)操）

1. 微生物豐度分析

2. 轉(zhuǎn)錄組豐度分析

3. 進(jìn)化樹分析

4. 降維分析

第四天

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

1. 疾病預(yù)測(cè)應(yīng)用：利用機(jī)器學(xué)習(xí)基于微生物組學(xué)數(shù)據(jù)預(yù)測(cè)疾病狀態(tài)

2. 腸道菌群研究：機(jī)器學(xué)習(xí)研究飲食對(duì)腸道微生物的影響

第五天

機(jī)器學(xué)習(xí)模型訓(xùn)練和分析（實(shí)操）

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(cuò)誤率曲線繪制

5. 混淆矩陣計(jì)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(cè)

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

1. 加載數(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等多種機(jī)器學(xué)習(xí)方法）

5. 繪制ROC 曲線，比較不同機(jī)器學(xué)習(xí)模型模型性能評(píng)估

利用機(jī)器學(xué)習(xí)基于臨床特征和腸道菌群預(yù)測(cè)疾病風(fēng)險(xiǎn)

1. 加載數(shù)據(jù)

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

3. 交叉驗(yàn)證

4.模型性能評(píng)估

部分模型案例圖片

學(xué)習(xí)目標(biāo)

講師介紹

授課時(shí)間及地點(diǎn)

騰訊會(huì)議直播形式

2024.07.29-2024.07.30晚上授課（晚19：00—晚22：00）

騰訊會(huì)議直播形式

騰訊會(huì)議直播形式

騰訊會(huì)議直播形式

騰訊會(huì)議直播形式

騰訊會(huì)議直播形式

騰訊會(huì)議直播形式

騰訊會(huì)議直播形式