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)

目標(biāo)：對機(jī)器學(xué)習(xí)基本概念進(jìn)行介紹，讓大家對機(jī)器學(xué)習(xí)基本概念有大致了解。明確機(jī)器學(xué)習(xí)方法的適用性，優(yōu)勢，以及局限性等

什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的應(yīng)用實(shí)例

生物組學(xué)簡介（基因組學(xué)，轉(zhuǎn)錄組學(xué)，蛋白組學(xué)，代謝組學(xué)）

機(jī)器學(xué)習(xí)在在多組學(xué)數(shù)據(jù)分析的應(yīng)用

python基礎(chǔ)

目標(biāo)：機(jī)器學(xué)習(xí)主流實(shí)現(xiàn)是python語言。學(xué)習(xí)機(jī)器學(xué)習(xí)之前，有針對性的對python進(jìn)行系統(tǒng)的學(xué)習(xí)，數(shù)據(jù)的基本處理,以方便將來開展機(jī)器學(xué)習(xí)的學(xué)習(xí)

python安裝與開發(fā)環(huán)境的搭建

基本數(shù)據(jù)類型、組合數(shù)據(jù)類型

函數(shù)、列表 、元組、字典、集合

控制結(jié)構(gòu)、循環(huán)結(jié)構(gòu)

Numpy模塊——矩陣的科學(xué)計(jì)算

Matplotlib模塊——數(shù)據(jù)處理與繪圖

Pandas模塊——csv數(shù)據(jù)處理與分析

Sklearn模塊——機(jī)器學(xué)習(xí)模型基礎(chǔ)軟件包調(diào)用

案例實(shí)踐一：利用Python pandas讀取組學(xué)CSV數(shù)據(jù)并進(jìn)行數(shù)據(jù)讀取、轉(zhuǎn)換、保存等

生物組學(xué)大數(shù)據(jù)預(yù)處理與探索分析?

目標(biāo)：對高維組學(xué)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析及機(jī)器學(xué)習(xí)建模前，需要對數(shù)據(jù)進(jìn)行預(yù)處理，如缺失值填補(bǔ)、降維可視化等，大數(shù)據(jù)預(yù)處理與探索分析是檢驗(yàn)數(shù)據(jù)質(zhì)量與了解數(shù)據(jù)分布的必要過程。

高維組學(xué)數(shù)據(jù)的預(yù)處理框架

常用數(shù)據(jù)預(yù)處理方法：缺失值填補(bǔ)，標(biāo)準(zhǔn)化，歸一化，對數(shù)轉(zhuǎn)化

常用的降維方法，PCA，tSNE等

數(shù)據(jù)探索分析（EDA）

案例實(shí)踐二：利用Python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

目標(biāo)：對在多組學(xué)整合分析中最常使用的幾種機(jī)器學(xué)習(xí)模型進(jìn)行介紹，總結(jié)它們的優(yōu)缺點(diǎn)及適用范圍，通過動手實(shí)踐快速掌握幾種方法

線性模型（線性回歸、梯度下降、正則化、回歸的評價(jià)指標(biāo)）

決策樹（決策樹原理、ID3算法、C4.5算法、CART算法）

支持向量機(jī)（線性支持向量機(jī)、可分、不可分支持向量機(jī)）

集成學(xué)習(xí)（AdaBoost和GBDT算法、XGBoost算法、LightGBM算法）

模型選擇與性能優(yōu)化（數(shù)據(jù)清洗、特征工程、數(shù)據(jù)建模）

Scikit-learn機(jī)器學(xué)習(xí)庫的使用

案例實(shí)踐三：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（數(shù)據(jù)預(yù)處理，數(shù)據(jù)建模，模型評估）

案例實(shí)踐四：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)

深度學(xué)習(xí)在組學(xué)數(shù)據(jù)的應(yīng)用?(入門及實(shí)踐)

目標(biāo)：隨著高通量組學(xué)平臺的發(fā)展，生物醫(yī)學(xué)研究大多采取了多組學(xué)技術(shù)結(jié)合的方法，不同組學(xué)來源（如轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)和代謝組學(xué)）的數(shù)據(jù)可以通過基于深度學(xué)習(xí)的預(yù)測算法進(jìn)行整合，以揭示系統(tǒng)生物學(xué)的復(fù)雜工作。在這一部分我們會重點(diǎn)對基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)的講解，學(xué)習(xí)常見的神經(jīng)網(wǎng)絡(luò)架構(gòu)在多組學(xué)分析的應(yīng)用。

深度學(xué)習(xí)介紹，常用神經(jīng)網(wǎng)絡(luò)架構(gòu)介紹

監(jiān)督學(xué)習(xí)介紹，神經(jīng)網(wǎng)絡(luò)在轉(zhuǎn)錄組學(xué)+代謝組學(xué)的疾病預(yù)測為例

無監(jiān)督學(xué)習(xí)介紹，高維組學(xué)數(shù)據(jù)降維，聚類分析，以單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)為例

案例實(shí)踐五：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。

多組學(xué)聯(lián)合分析，闡明疾病分子機(jī)制 （入門及實(shí)戰(zhàn)）?

背景：研究影響疾病表型變化影響的因素包括DNA,RNA,蛋白質(zhì)和代謝物等。單一組學(xué)的數(shù)據(jù)難以系統(tǒng)全面地解析復(fù)雜生理過程的調(diào)控機(jī)制，多組學(xué)聯(lián)合分析通過對來自基因組、轉(zhuǎn)錄組、蛋白組、代謝組和脂質(zhì)組等不同生物分子層次的批量數(shù)據(jù)進(jìn)行歸一化處理、比較分析和相關(guān)性分析等統(tǒng)計(jì)學(xué)分析，建立不同層次分子間的數(shù)據(jù)關(guān)系，從而共同探究生物體內(nèi)潛在的調(diào)控網(wǎng)絡(luò)機(jī)制，為生物體作用機(jī)制提供了更多證據(jù)。

目標(biāo)：從常見的多組學(xué)聯(lián)合分析策略出發(fā)，如轉(zhuǎn)錄組+代謝組，蛋白組+代謝組等，對常用的數(shù)理統(tǒng)計(jì)分析方法進(jìn)行介紹，之后學(xué)習(xí)如何利用數(shù)據(jù)庫如KEGG等進(jìn)行生物功能富集分析，結(jié)合機(jī)器學(xué)習(xí)方法進(jìn)行生物標(biāo)志物的挖掘，疾病預(yù)測以及生物分子作用機(jī)制等。

常用生物組學(xué)實(shí)驗(yàn)與分析方法，如轉(zhuǎn)錄組學(xué)，代謝組學(xué)

常用組學(xué)數(shù)據(jù)庫介紹，如TCGA,PathBank,HMDB,KEGG

Python批量處理組學(xué)數(shù)據(jù)-歸一化處理，差異分析，相關(guān)性分析

生物功能分析：GO 功能分析、代謝通路富集、分子互作等

基于轉(zhuǎn)錄組學(xué)的差異基因篩選，疾病預(yù)測

基于差異基因，聯(lián)合代謝組學(xué)分析疾病分子發(fā)生機(jī)制

組學(xué)數(shù)據(jù)可視化，如火山圖，t-SNE降維，代謝通路網(wǎng)絡(luò)分析

組學(xué)特征（基因，蛋白，代謝物）選擇（隨機(jī)森林分析）

單細(xì)胞轉(zhuǎn)錄組學(xué)數(shù)據(jù)分析及可視化分析

案例實(shí)踐三：（包含以下內(nèi)容）

轉(zhuǎn)錄組+代謝組的多組學(xué)分析胃癌

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

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)階(入門及實(shí)踐)

目標(biāo)：學(xué)習(xí)前沿神經(jīng)網(wǎng)絡(luò)如卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)，注意力機(jī)制，自編碼器，圖神經(jīng)網(wǎng)絡(luò)在生物組學(xué)及藥物篩選的應(yīng)用，遷移學(xué)習(xí)應(yīng)用等。

卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)及其應(yīng)用（影像組學(xué)）

循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)及其應(yīng)用（蛋白組學(xué)）

注意力機(jī)制基礎(chǔ)及其應(yīng)用

自編碼器基礎(chǔ)及其應(yīng)用（轉(zhuǎn)錄組學(xué)）

圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ)及其應(yīng)用（代謝組學(xué)）

遷移學(xué)習(xí)、深度學(xué)習(xí)框架——transformer的應(yīng)用

案例實(shí)踐四：基于(變分)自編碼器進(jìn)行藥物/代謝物分子生成

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)

目標(biāo)：基于基因表達(dá)特征建立疾病與小分子藥物之間的關(guān)聯(lián)關(guān)系，運(yùn)用轉(zhuǎn)錄組學(xué)，蛋白組學(xué)，機(jī)器學(xué)習(xí)算法進(jìn)行藥物重定位。

基于生物組學(xué)的藥物發(fā)現(xiàn)基礎(chǔ)介紹

藥物分子化學(xué)特征提?。ǚ肿又讣y，描述符，分子圖）

圖神經(jīng)網(wǎng)絡(luò)預(yù)測藥物分子性質(zhì)

基于胰腺癌差異表達(dá)基因進(jìn)行藥物重定位

案例實(shí)踐五：基于機(jī)器學(xué)習(xí)與圖神經(jīng)網(wǎng)絡(luò)進(jìn)行代謝物/藥物分子的性質(zhì)預(yù)測

AI+Science

目標(biāo)：人工智能領(lǐng)域前沿內(nèi)容，讓大家了解最新的多組學(xué)與機(jī)器學(xué)習(xí)領(lǐng)域的研究動態(tài)，同時(shí)介紹幾種更為先進(jìn)的機(jī)器學(xué)習(xí)算法。

集成學(xué)習(xí)在多組學(xué)數(shù)據(jù)聯(lián)合分析中的應(yīng)用

多組學(xué)數(shù)據(jù)庫在生物信息網(wǎng)絡(luò)的挖掘與應(yīng)用

生成模型在多組學(xué)數(shù)據(jù)的應(yīng)用與挑戰(zhàn)

圖神經(jīng)網(wǎng)絡(luò)進(jìn)階，鏈路預(yù)測在疾病-基因-蛋白-代謝物的關(guān)聯(lián)網(wǎng)絡(luò)應(yīng)用

案例實(shí)踐七：基于生成模型進(jìn)行單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)深度特征提取的研究

經(jīng)典案例論文研究

目標(biāo)：通過經(jīng)典多組學(xué)研究的SCI論文研究思路，系統(tǒng)學(xué)習(xí)多組學(xué)研究的論文圖表制作，以單細(xì)胞組學(xué)研究為例，進(jìn)行論文思路研究，方法探討，圖表制作。

復(fù)現(xiàn)一：單細(xì)胞組學(xué)論文的常用圖表制作、細(xì)胞差異分析、細(xì)胞注釋（自動與手動）

復(fù)現(xiàn)二：蛋白-蛋白相互作用網(wǎng)絡(luò)構(gòu)建與可視化復(fù)現(xiàn)。