專題一：集成多組學(xué)數(shù)據(jù)的機(jī)器 學(xué)習(xí)在生物醫(yī)學(xué)中的應(yīng)用

機(jī)器學(xué)習(xí)及生物組學(xué)基礎(chǔ)；python語言基礎(chǔ)；經(jīng)典機(jī)器學(xué)習(xí)模型及多組學(xué)應(yīng)用；深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)；多組學(xué)聯(lián)合分析與疾病分子機(jī)制；深度學(xué)習(xí)在多組學(xué)數(shù)據(jù)中的應(yīng)用（入門與實(shí)踐）；深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)階(入門及實(shí)踐)；深度學(xué)習(xí)在組學(xué)數(shù)據(jù)藥物發(fā)現(xiàn)的應(yīng)用 (入門及實(shí)踐)；AI+Science

案例一：利用Python pandas讀取組學(xué)CSV數(shù)據(jù)并進(jìn)行數(shù)據(jù)探索可視化分析（Exploratory data analysis,EDA）經(jīng)典機(jī)器學(xué)習(xí)模型及多組學(xué)應(yīng)用

案例二：基于轉(zhuǎn)錄組學(xué)數(shù)據(jù)進(jìn)行端到端的機(jī)器學(xué)習(xí)項(xiàng)目泛癌預(yù)測(cè)（數(shù)據(jù)預(yù)處理，數(shù)據(jù)建模，模型評(píng)估）

案例三：基于蛋白組學(xué)-代謝組學(xué)在COVID-19 中生物標(biāo)志物的發(fā)現(xiàn)

案例四：基于高維轉(zhuǎn)錄組學(xué)及手動(dòng)構(gòu)建神經(jīng)網(wǎng)絡(luò)進(jìn)行特征篩選及預(yù)測(cè)

案例五：（包含以下內(nèi)容）

?轉(zhuǎn)錄組+代謝組的多組學(xué)分析胃癌，實(shí)現(xiàn)從“因”和“果”兩個(gè)層面來探究生物學(xué)問題，相互間進(jìn)行驗(yàn)證

?從海量的數(shù)據(jù)中篩選出關(guān)鍵基因、代謝物及代謝通路

?深度解析胃癌腫瘤標(biāo)志物解釋腫瘤發(fā)生發(fā)展的復(fù)雜性和整體性

案例六：基于t-SNE和UMAP進(jìn)行單細(xì)胞轉(zhuǎn)錄組學(xué)數(shù)據(jù)降維，細(xì)胞亞型聚類分析。

案例七：基于影像組學(xué)及卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行腫瘤病理圖片特征提取與分級(jí)預(yù)測(cè)

案例八：基于自編碼器進(jìn)行藥物/代謝物分子生成

案例九：基于機(jī)器學(xué)習(xí)圖神經(jīng)網(wǎng)絡(luò)進(jìn)行代謝物/藥物分子的性質(zhì)預(yù)測(cè)

案例十：以胰腺癌為例，基于轉(zhuǎn)錄組學(xué)差異表達(dá)基因與深度學(xué)習(xí)模型進(jìn)行藥物重定位

案例十一：基于生成對(duì)抗模型進(jìn)行單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)深度特征提取

專題二：單細(xì)胞多組學(xué)及空間組學(xué)數(shù)據(jù)分析與應(yīng)用

高通量測(cè)序數(shù)據(jù)，R語言，Linux操作系統(tǒng)；高通量測(cè)序數(shù)據(jù)分析；Linux操作系統(tǒng)及R語言在生物信息學(xué)中的應(yīng)用；高通量多組學(xué)數(shù)據(jù)分析；單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)分析；單細(xì)胞ATAC-seq數(shù)據(jù)分析；單細(xì)胞多組學(xué)整合分析；空間組學(xué)數(shù)據(jù)分析；AI基因組數(shù)據(jù)分析。

詳細(xì)內(nèi)容請(qǐng)查閱公眾號(hào)“科研軟件大合集”