自然微生物綜述( IF：31.851)于2018年在線發(fā)表了微生物組領(lǐng)域的研究方法綜述，不僅系統(tǒng)總結(jié)了過去，更為未來3-5年內(nèi)本領(lǐng)域研究方法的選擇，提供了清晰的技術(shù)路線，讓大家做出更好的研究，微生物組學研究主要涉及兩方面技術(shù)：測序技術(shù)和數(shù)據(jù)分析技術(shù)，隨著基因測序技術(shù)的進步和測序成本不斷下降，大樣本量的微生物組學研究激增。傳統(tǒng)的統(tǒng)計方法已經(jīng)不再適用于極度高維、稀疏的微生物組數(shù)據(jù)分析，而適用于復雜數(shù)據(jù)分析的機器學習逐漸成為微生物組學數(shù)據(jù)分析的首選方法。機器學習已被證明是分析微生物群落數(shù)據(jù)并對特定結(jié)果進行預測（包括人類和環(huán)境健康）的有效方法，基于微生物群落數(shù)據(jù)的機器學習已被成功用于預測人類健康中的疾病狀態(tài)、環(huán)境質(zhì)量和環(huán)境中污染的存在，并可以作為法醫(yī)學中的微量證據(jù)。機器學習算法已經(jīng)在腸道微生物、微生物組數(shù)組表型、環(huán)境微生物、微生物生態(tài)學、皮膚微生物、土壤微生物、植物微生物、人體微生物等領(lǐng)域應用廣泛，通過查閱文獻發(fā)現(xiàn)近幾年機器學習在微生物組研究發(fā)刊分值都很高，特別是在Nature Communications、Advanced Materials（IF=30.849）、Water Research Nature Microbiology、Environment International 、Nature Methods、Cell Regeneration、JAIMS等期刊多次發(fā)表！

代謝組學是對某一生物或細胞在一特定生理時期內(nèi)所有代謝產(chǎn)物同時進行定性定量分析的學科，被廣泛用于揭示小分子與生理病理效應間的關(guān)系。目前，代謝組學已經(jīng)被應用于藥物開發(fā)的各個階段（如藥物靶標識別、先導化合物發(fā)現(xiàn)、藥物代謝分析、藥物響應和耐藥研究等）?；诖x組學的高性價比特性，它被藥學領(lǐng)域的研究者給予了厚望，有望加速新藥開發(fā)的進程。然而，代謝組領(lǐng)域還面臨著嚴重的信號處理與數(shù)據(jù)分析問題，對其在新藥研發(fā)中的應用構(gòu)成了巨大挑戰(zhàn)。為了有效消除由環(huán)境、儀器和生物因素所引入的不良信號波動，就需要開發(fā)針對代謝組信號系統(tǒng)優(yōu)化的新方法，為不同組學研究量身定制最優(yōu)的數(shù)據(jù)分析策略。

蛋白質(zhì)組（Proteome）是指一個細胞或組織由整個基因組表達的全部蛋白質(zhì)。蛋白質(zhì)組學（Proteomics）是采用大規(guī)模、高通量、系統(tǒng)化的方法，從整體的角度分析細胞或組織內(nèi)動態(tài)變化的蛋白質(zhì)組成成分、表達水平和修飾狀態(tài)及蛋白質(zhì)之間的相互作用，目的在于揭示蛋白質(zhì)功能與細胞生命活動規(guī)律的學科。蛋白質(zhì)組研究對象涉及人體、動物、植物和微生物，可以為疾病標志物的篩選、疾病機制研究、植物抗逆機理研究、發(fā)育機制研究等方向提供技術(shù)手段，為精準醫(yī)療、藥物靶點研究、藥效分析等提供支持。

深度學習在許多領(lǐng)域都有應用，在生物信息學領(lǐng)域也不例外！深度學習作為一種機器學習方法，機器學習技術(shù)在基因組學研究中得到了廣泛的應用。機器學習任務分為兩大類：有監(jiān)督和無監(jiān)督。在有監(jiān)督的學習中，目標是通過使用提供的一組有標簽的訓練示例來預測每個數(shù)據(jù)點的標簽（分類）或響應（回歸）。在無監(jiān)督學習中，例如聚類和主成分分析，目標是學習數(shù)據(jù)本身的內(nèi)在模式。許多機器學習任務的最終目標是優(yōu)化模型性能，而不是在可用數(shù)據(jù)（訓練性能）上，而是在獨立數(shù)據(jù)集（泛化性能）上。基于這個目標，數(shù)據(jù)被隨機分成至少三個子集：訓練、驗證和測試集。訓練集用于學習模型參數(shù)，驗證集用于選擇最佳模型，測試集用于估計泛化性能。機器學習必須在模型靈活性和訓練數(shù)據(jù)量之間達到適當?shù)钠胶?。一個過于簡單的模型將不合適，無法讓數(shù)據(jù)“說話”。一個過于靈活的模型會過度適應訓練數(shù)據(jù)中的虛假模式，而不會泛化。，近兩年國內(nèi)外頂尖課題組MIT、Harvard University、UPenn、清華大學、復旦大學等都在從事深度學習基因組學的研究，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。

讓大家對蛋白質(zhì)組學，微生物組學，代謝組學，深度基因組學等機器學習多組學感興趣通過基礎入門+應用案例實操演練的方式，從初學及應用研究的角度出發(fā)，帶大家實戰(zhàn)演練多種深度學習模型（深度神經(jīng)網(wǎng)絡DNN、卷積神經(jīng)網(wǎng)絡CNN、循環(huán)神經(jīng)網(wǎng)絡RNN、可變自動編碼器VAE、圖卷積神經(jīng)網(wǎng)絡GCN）通過對這些深度學習在基因組學中的應用案例進行深度講解和實操，讓學員能夠掌握深度學習分析高維基因組學、轉(zhuǎn)錄組學、蛋白組學等多組學數(shù)據(jù)流程，系統(tǒng)學習深度學習及基因組學理論知識及熟悉軟件代碼實操，熟練掌握這些前沿的分析工具的使用以及研究創(chuàng)新深度學習算法解決生物學及臨床疾病問題與需求。助力學員發(fā)表Nature、Science、Cell等正刊及子刊雜志！（在生信分析的新技術(shù)加持下，用更少的經(jīng)費，發(fā)更高質(zhì)量的文章）

請點擊鏈接跳轉(zhuǎn)微信公眾號了解更詳細內(nèi)容：

https://mp.weixin.qq.com/s/5ZWKOgjL9UZJUszC7ST04A