Una de las tecnologías más populares en el campo de las ciencias de la vida hoy en día es la edición de genes, y el sistema CRISPR es el más utilizado en el campo de la edición de genes. "Nature" 2017 Persona del Año premió avances en tecnologías relacionadas con CRISPR y CRISPR La tecnología ganó el Premio Nobel en 2020, la tecnología CRISPR ganó el más alto honor académico en menos de diez años.
Con el desarrollo de la biotecnología de alto rendimiento, se han desarrollado una variedad de tecnologías ómicas para caracterizar información biológica diferente pero complementaria, incluida la genómica, la epigenómica, la transcriptómica, la microbiómica y la metabolómica, etc.; recientemente, las técnicas de IA han evolucionado a partir de arquitecturas de aprendizaje "superficiales". a arquitecturas de aprendizaje "profundo". Como rama importante de la inteligencia artificial, el aprendizaje automático (ML) puede aprender automáticamente a capturar patrones complejos y tomar decisiones inteligentes basadas en datos. ML tiene aplicaciones muy amplias en la investigación del cáncer y la oncología clínica. En particular, impulsados por el rápido crecimiento de los datos multiómicos, los métodos basados en el aprendizaje profundo (DL) que pertenecen al subcampo del ML han surgido como herramientas poderosas para el análisis de datos biomédicos.
Diseño de fármacos asistido por ordenador, basado en los resultados de investigación de ciencias de la vida como bioquímica, enzimología, biología molecular y genética, basado en química informática, mediante simulación, cálculo y presupuesto por ordenador de la interacción entre fármacos y biomacromoléculas receptoras. Investigar la complementariedad estructural. y complementariedad de propiedades entre el fármaco y el objetivo, y diseñar una molécula de fármaco razonable. Es un método para diseñar y optimizar compuestos de plomo, especialmente en alimentos, biología, química, medicina, plantas y enfermedades. El descubrimiento y la confirmación de objetivos es el primer paso en el desarrollo de nuevos fármacos modernos y también es uno de los obstáculos en el proceso de creación de nuevos fármacos.
AIDD (AIDrug Discovery & Design): es una aplicación tecnológica muy popular en los últimos años y ha estado involucrada en la mayoría de los vínculos, desde el diseño de nuevos medicamentos hasta la investigación y el desarrollo, brindando una gran ayuda al descubrimiento y desarrollo de nuevos medicamentos. Con la acumulación de big data médicos y el desarrollo de tecnología de inteligencia artificial, el diseño preciso de medicamentos utilizando tecnología de inteligencia artificial combinada con big data también promueve constantemente el desarrollo de medicamentos innovadores. Hasta cierto punto, evita el camino de prueba y error en el proceso de diseño de compuestos y, al mismo tiempo, aporta muchas estructuras nuevas, rompiendo las barreras estructurales convencionales para el descubrimiento de fármacos.
Ocho grandes temas de formación
Ayudarle a publicar los temas principales
LUNES
Tema 1: Diseño de fármacos asistido por computadora CADD
Tema 2: Descubrimiento y diseño de fármacos contra el SIDA mediante inteligencia artificial
Tema 3: Análisis de la estructura cristalina de proteínas.
Tema 4: Tecnología de edición de genes CRISPR-Cas9
Tema 5: Genómica del aprendizaje profundo
LUNES
Tema 6: Metabolómica del aprendizaje automático
Tema 7: Transcriptómica y epiómica del aprendizaje automático
Tema 8: Microbiómica del aprendizaje automático
Tema 1: Diseño de fármacos asistido por computadora CADD
mañana del primer día
Antecedentes y conocimientos teóricos y preparación de herramientas.
1. Introducción y uso de la base de datos PDB.
1.1 Introducción a la base de datos
1.2 Consulta estructural y selección de proteína objetivo.
1.3 Descarga de secuencia estructural de proteína diana
1.4 Descarga y pretratamiento de la proteína objetivo.
1.5 Descarga por lotes de la estructura cristalina de proteínas
2. Introducción y uso de Pymol
2.1 Operación básica del software e introducción a los conocimientos básicos
2.2 Diagrama de interacción proteína-ligando
2.3 Diagrama de superficie de molécula pequeña proteína-ligando y representación del potencial electrostático
2.4 Superposición y alineación de la estructura proteína-ligando
2.5 Trazado de fuerzas de interacción
3. Introducción y uso del bloc de notas.
3.1 Introducción de ventajas y funciones principales
3.2 Introducción a la interfaz y al funcionamiento básico
3.3 Instalación y uso del complemento
tarde
proteína normal
- Explicación del acoplamiento molecular del ligando
1. Introducción a las teorías relacionadas del atraque.
1.1 El concepto y principios básicos del acoplamiento molecular.
1.2 Métodos básicos de acoplamiento molecular.
1.3 Software de uso común para acoplamiento molecular
1.4 Procedimiento general de acoplamiento molecular
2. Acoplamiento proteína-ligando convencional
2.1 Colección de moléculas receptoras y ligandos.
2.2 Procesamiento de preconformación compleja
2.3 Preparación de moléculas receptoras y ligandos.
2.4 Acoplamiento proteína-ligando
2.5 Análisis de los resultados del atraque
Tomando como ejemplo la principal diana de la proteasa y los inhibidores relacionados de la proteína del nuevo coronavirus
el día siguiente
proyección virtual
1. Introducción y descarga de la base de datos de moléculas pequeñas.
2. Introducción de procedimientos pertinentes
2.1 Introducción y uso de openbabel
2.2 Introducción y uso de chemdraw
3. Preprocesamiento de la proyección virtual
4. Proceso de selección virtual y demostración práctica.
Caso: Detección del principal inhibidor de proteasa del nuevo coronavirus
5. Análisis de resultados y gráficos.
6. Predicción de ADME de drogas
6.1 Introducción al concepto ADME
6.2 Introducción al sitio web y al software relacionados con la previsión
6.3 Análisis de los resultados de la predicción.
tercer día
Ampliar el uso del acoplamiento
1. Acoplamiento proteína-proteína
1.1 Escenarios de aplicación del acoplamiento proteína-proteína
1.2 Introducción de programas relacionados
1.3 Recolección y pretratamiento de la proteína objetivo.
1.4 Cálculos usando ejemplos
1.5 Preestablecido de residuos clave
1.6 Adquisición de resultados y tipo de archivo
1.7 Análisis de Resultados
Con el objetivo caliente actual
Tomemos como ejemplo PD-1/PD-L1.
2. Acoplamiento que involucra proteínas metaloenzimáticas.
2.1 Introducción de antecedentes del ligando de proteína metaloenzima
2.2 Recolección y pretratamiento de proteínas y moléculas de ligandos.
2.3 Tratamiento de iones metálicos
2.4 Acoplamiento proteína-ligando metalocoenzima
2.5 Análisis de resultados
Tomando como ejemplo la farnesiltransferasa humana y sus inhibidores.
3. Acoplamiento molecular proteína-polisacárido
4.1 Interacciones proteína-polisacárido
4.2 Puntos clave del procesamiento de atraque
4.3 Proceso de acoplamiento molecular proteína-polisacárido
4.4 Acoplamiento molecular proteína-polisacárido
4.5 Análisis de resultados relacionados
Tomando como ejemplo el acoplamiento molecular de polisacárido y α-glucosidil transferasa
5. Acoplamiento de ácido nucleico y moléculas pequeñas
5.1 Estado de aplicación de moléculas pequeñas de ácido nucleico
5.2 Introducción al programa relacionado
5.3 Especies de unión de moléculas pequeñas de ácido nucleico
5.4 Acoplamiento ácido nucleico-molécula pequeña
5.5 Análisis de resultados relacionados
telómero humano
Acoplamiento molecular de g-quadruplex y ligando como ejemplo.
Introducción al proceso de operación y demostración práctica.
cuarto día
Ampliar el uso del acoplamiento
1. Atraque flexible
1.1 Introducción a escenarios de uso de acoplamiento flexible
1.2 Ventajas del acoplamiento flexible
1.3 Acoplamiento flexible de proteína-ligando
Enfoque: Cómo configurar residuos flexibles
1.4 Análisis de resultados relacionados
quinasa dependiente de ciclina
2 (CDK2) con el ligando 1CK como ejemplo
2. acoplamiento covalente
2.1 Introducción de dos métodos de acoplamiento covalente
2.1.1 Método de cadena lateral flexible
2.1.2 Método del atractor de dos puntos
2.2 Recolección y pretratamiento de proteínas y ligandos.
2.3 Acoplamiento covalente de moléculas de fármacos covalentes y proteínas diana
2.4 Comparación de resultados
Tomemos como ejemplo el nuevo fármaco covalente de la corona de moda.
3. Acoplamiento de proteína e hidratación
3.1 Importancia y método de introducción de la hidratación en la interacción proteína-ligando
3.2 Recolección y pretratamiento de proteínas y ligandos.
3.3 Preparación para los parámetros relacionados con el atraque
Enfoque: Unión y manipulación de moléculas de agua.
3.4 Acoplamiento proteína-molécula-ligando de agua
3.5 Análisis de resultados
proteína fijadora de acetilcolina
(AChBP) con el complejo de nicotina como ejemplo
quinto día
Simulación de dinámica molecular (instalación usando linux y gromacs)
1. Introducción y uso sencillo del sistema Linux.
1.1 Línea de comando común de Linux
1.2 Instalación de programas de uso común en Linux
1.3 Experiencia: Cómo realizar un cribado virtual en Linux
2. Introducción a la teoría de la dinámica molecular
2.1 El principio de simulación de dinámica molecular.
2.2 Métodos de simulación de dinámica molecular y programas relacionados.
2.3 Introducción de campos de fuerza relevantes
3. Uso e introducción de Gromacs
Enfoque: Introducción de los principales comandos y parámetros.
4. Introducción y uso del origen
sexto día
Ejecución de Simulaciones de Dinámica Molecular de Solvatación
1. Proceso de tratamiento general de proteínas solvatadas.
2. preparación de cristales de proteínas
3. Minimización energética de la estructura.
4. Preequilibrar el sistema
5. Simulaciones ilimitadas de dinámica molecular.
6. Visualización e interpretación de resultados de dinámica molecular.
Tomemos como ejemplo la lisozima en agua.
séptimo día
Ejecución de simulaciones de dinámica molecular proteína-ligando.
1. Flujo de procesamiento de proteína-ligando en simulación de dinámica molecular
2. preparación de cristales de proteínas
3. Preparación de la conformación inicial para la simulación de proteína-ligando.
4. Preparación del archivo de topología del campo de fuerza molecular del ligando
4.1 Una breve introducción a Gaussiano
4.2 Breve introducción de Ambertool
4.3 Generación de archivos de parámetros de campo de fuerza para moléculas pequeñas
5. Preequilibrio con limitaciones separadas de temperatura y presión del sistema complejo
6. Simulaciones ilimitadas de dinámica molecular.
7. Visualización e interpretación de resultados de dinámica molecular.
8. Postprocesamiento y análisis de trayectoria
Tomando como ejemplo la principal diana de la proteasa y los inhibidores relacionados de la proteína del nuevo coronavirus
Imagen práctica del caso:
Tema 2: Descubrimiento y diseño de fármacos contra el SIDA mediante inteligencia artificial
primer día
Introducción e instalación de herramientas para inteligencia artificial y descubrimiento de fármacos.
Introducción de CADD a AIDD
1. Introducción al diseño de fármacos asistido por computadora (CADD)
1.2 Introducción a los antecedentes del acoplamiento molecular y la dinámica molecular
1.3 Introducción al descubrimiento de fármacos mediante inteligencia artificial (AIDD)
2. Introducción básica del aprendizaje automático y el aprendizaje profundo en el descubrimiento de fármacos.
2.1 Descubrimiento y diseño de fármacos
2.2 Descubrimiento y diseño de fármacos basados en estructuras
2.3 Descubrimiento y diseño de fármacos basados en ligandos
3.1 Instalación de Anaconda3/Pycharm
3.2 Conceptos básicos de la programación en Python
3.3 Conceptos básicos de pandas
3.4 Conceptos básicos de NumPy
3.5 Fundación RDKit
3.6 Fundación Pytorch
3.7 Conceptos básicos de Tensorflow
3.8 Conceptos básicos de DeepChem
el día siguiente
Aprendizaje automático y descubrimiento de fármacos (tareas de clasificación)
1. Construcción y aplicación del modelo de clasificación.
1.1 Principio del algoritmo de regresión logística
1.2 Principio del algoritmo ingenuo de Bayes
Principio del algoritmo del vecino más cercano de 1,3k
1.4 Principio del algoritmo de máquina de vectores de soporte
1.5 Principio del algoritmo de bosque aleatorio
1.6 Principio del algoritmo de aumento de gradiente
1.7 Principio del algoritmo perceptrón multicapa
1.8 Ingeniería de funciones
1.9 Llenado de valores faltantes
2. Normalización de funciones
2.1 Detección de variables
2.2 Método de evaluación del modelo
2.3 Validación cruzada
2.4 Validación externa
3. Indicadores de evaluación de uso común para modelos de clasificación.
3.1 Matriz de confusión
3.2 Precisión
3.3 Sensibilidad
3.4 Especificidad
3.5 Selección del modelo
3.6 Ajuste de hiperparámetros de búsqueda de cuadrícula
Validación cruzada de 3,7 mil veces
Ejemplo de explicación y práctica del modelo de clasificación, tomando un conjunto de datos dado como ejemplo para explicar la actividad biológica o el modelo de predicción de propiedades ADMET basado en el algoritmo de aprendizaje automático anterior. Guíe a los estudiantes para que construyan sus propios modelos de datos y los utilicen para predecir la actividad o las propiedades ADMET de compuestos de moléculas pequeñas.
tercer día
Aprendizaje automático y descubrimiento de fármacos (tarea de regresión)
1. Regresión forestal aleatoria
2. Regresión de máquina de vectores de soporte
3. Regresión XGboost
4. Regresión del perceptrón multicapa
5. Regresión de la red neuronal
6. Indicadores de evaluación comúnmente utilizados para modelos de regresión.
6.1MSE
6.2RMSE
6.3MAE
6.4R2
Modelo QSAR/3D-QSAR
Tomando un conjunto de datos dado como ejemplo, explique la construcción de un modelo de predicción para actividades biológicas como pIC50 o propiedades ADMET basado en los varios algoritmos de aprendizaje automático mencionados anteriormente.
cuarto día
Aprendizaje profundo y descubrimiento de fármacos
1. La historia del desarrollo del aprendizaje profundo y su aplicación en el desarrollo de fármacos.
1.1 Perceptrón multicapa/red neuronal artificial
1.2 Aprendizaje basado en gradientes
1.3 Algoritmo de propagación hacia atrás
1.4 Descenso del gradiente estocástico
1.5 Introducción a las redes neuronales convolucionales
1.6 Introducción a las redes neuronales gráficas
Ejemplo de explicación y práctica del algoritmo de perceptrón multicapa basado en PyTorch
Tomando el conjunto de datos proporcionado como ejemplo, explique el modelo de predicción de propiedades compuestas basado en un perceptrón multicapa.
Tomando el conjunto de datos dado como ejemplo, explique el modelo de clasificación de predicción de imágenes compuestas basado en una red neuronal convolucional.
Tomando un conjunto de datos dado como ejemplo, explique el modelo de predicción y clasificación de toxicidad de compuestos basado en una red neuronal gráfica.
quinto día
modelo de generación molecular
1. Principios básicos de las redes generativas adversarias (GAN)
1.2 Generador
1.3 Discriminador
1.4 Red neuronal recurrente (RNN)
1.5 Red de memoria a corto plazo (LSTM)
2. Modelado de secuencias de redes neuronales recurrentes basado en el contexto
3. Modelo de generación de compuestos de moléculas pequeñas basado en cadenas
4. Un modelo de generación de compuestos de moléculas pequeñas basado en datos gráficos.
Ejemplo de explicación y práctica, tomando un conjunto de datos determinado como ejemplo para construir un modelo de generación molecular.
Imagen práctica del caso:
Tema 3: Análisis de la estructura cristalina de proteínas.
primer día
Preparación para la cristalización de proteínas.
1. Recuperación de información sobre proteínas objetivo (incluida una demostración práctica)
1.1 Proteínas de diferentes especies
1.2 Estudio de la estructura primaria de las proteínas.
1.3 Predicción de la estructura terciaria de proteínas.
1.4 Predicción de las propiedades fisicoquímicas de las proteínas.
1.5 Ligandos y modificación covalente de proteínas.
2. Tecnología de clonación molecular
2.1 Adquisición del gen diana (incluida la demostración práctica)
2.2 Diseño de cebadores para el gen diana (incluida una demostración práctica)
2.3 Tecnología de clonación tradicional (que implica aprender el software SnapGene, incluida una demostración práctica)
2.4 Tecnología de clonación perfecta (que implica aprender el software SnapGene, incluida una demostración práctica)
Demostración de funcionamiento con un determinado gen.
3. Expresión de proteína diana utilizando Escherichia coli
3.1 Identificación y expresión de pequeñas cantidades de proteína diana
3.2 Expresión masiva de proteína diana
3.3 Cosecha y lisis de bacterias.
3.4 Centrifugación del lisado
3.5 Concentración de proteína objetivo
3.6 Determinación de la concentración de proteína objetivo
4. Sistema de expresión eucariota
el día siguiente
preparación de cristalización de proteínas
1. Características de la estructura cristalina de las proteínas.
1.1 Índice de red espacial, celda unitaria y plano cristalino del cristal de proteína
1.2 Simetría, grupo de puntos, sistema cristalino y grupo espacial de cristales de proteínas.
2. Conocimiento teórico del crecimiento de los cristales de proteínas (explicar en detalle la influencia de la temperatura, el valor del pH, la fuerza iónica, el disolvente orgánico, el precipitante, etc. en el crecimiento de los cristales de proteínas; los factores que afectan la forma de los cristales de proteínas)
3. Detección preliminar de las condiciones de crecimiento de los cristales de proteínas (explica en detalle los asuntos que requieren atención en la selección inicial de cristales)
4. Optimización de las condiciones de crecimiento de los cristales de proteínas (explica en detalle el método de optimización de los cristales, incluido el cambio del valor del pH, el precipitante y otros factores)
5. Método de siembra para optimizar las condiciones de crecimiento de cristales de proteínas.
6. Selección de cristales de proteínas y preparación de anticongelante.
tercer día
Recopilación de datos de difracción de cristales de proteínas.
1. difracción de rayos X
1.1 Principio de difracción de rayos X
1.2 Densidad electrónica por difracción de rayos X
1.3 El problema del ángulo de fase del análisis de la estructura cristalina.
2. El método de recopilación de datos mediante las estaciones de la línea de fuente de luz de Shanghai BL18U1, BL19U1 y BL02U1 (centrese en la explicación detallada, puede llevar más tiempo)
3. Instalación de software de análisis de estructura cristalina de proteínas (incluido el sistema Ubuntu, el software Phenix, el software CCP4, el software PyMoL, el software XDS y el software Adxv)
cuarto día
Análisis de la estructura cristalina de proteínas.
1. Análisis de la estructura cristalina.
1.1 Proceso de análisis de la estructura cristalina.
1.2. Índice, integración y escala
1.3 Tecnología de sustitución molecular (incluida demostración práctica)
1.4 Reconstrucción de la estructura cristalina de proteínas (incluida una demostración práctica)
1.5 Optimización de la estructura cristalina de proteínas (incluida una demostración práctica)
2. Refinamiento de la estructura cristalina (que incluye software COOT, software Phenix y software CCP4, incluida una demostración práctica)
3. Índice de evaluación de la calidad de la estructura cristalina (explica cada índice de evaluación en detalle)
4. Incorporación de ligandos de moléculas pequeñas a la estructura proteica.
5. En el proceso de análisis estructural, cómo utilizar el software para mejorar la resolución (se da énfasis, llevará mucho tiempo)
quinto día
Presentación y presentación de estructuras cristalinas de proteínas.
1. Desde el crecimiento de los cristales hasta la resolución, un análisis detallado de los métodos para mejorar la resolución (incluidas demostraciones de ejemplo)
2. Enviar datos de la estructura cristalina de proteínas a PDB (incluida una demostración práctica)
3. Demostración de la estructura cristalina de las proteínas (incluida una demostración práctica)
Imagen práctica del caso:
Tema 4: Edición del gen CRISPR-Cas9
primer día
uno. Introducción a las herramientas de edición de genes
1. ¿Es la edición genética lo mismo que la modificación genética?
2. Edición genética y productos genéticamente modificados en la vida diaria
3. Pioneros en herramientas de edición de genes: ZFN y TALEN
4. ZFN y TALEN fallidos
5. TALEN, herramientas antiguas reutilizadas, ¡una herramienta elegante para la edición de orgánulos celulares!
6. El fuerte auge del sistema CRISPR
7. Introducción de la familia de sistemas CRISPR.
8. Cómo funciona CRISPR-Cas9
9. Cómo funciona CRISPR-Cas12
10. El talón de Aquiles del sistema CRISPR
11. ¿Cómo elegir un sistema CRISPR adecuado?
segundo al tercer día
dos. ¿Qué puede hacer el sistema CRISPR?
1. Eliminación genética/activación genética
I. Introducción a las vías de reparación genética (NHEJ y HDR)
ii.Introducción al Knock-in y Knock-out
iii.Introducción a la estrategia Knock-in (HDR/Retron/estrategia de doble pegRNA/GRAND/TJ-PE)
2. Introducción al sistema multigolpe
3. CRISPRa/CRISPRi (activación genética y represión genética)
I. Introducción del sistema dCas9-PVPR
ii.Introducción del sistema de activación del gen dCas9-VP64/GI/SAM
iii.Introducción al sistema de reclutamiento de edición de genes (Suntag/Moontag)
4. Aplicaciones 'alternativas' del sistema CRISPR (focalización en bucle)
5. El principio y la aplicación del sistema CBE
i.Resumen del proceso de evolución del sistema CBE (CBEmax/resumen de componentes y estrategias optimizadas para cada generación)
ii. Edición del genoma CBE (mejoramiento vegetal/investigación de la función genética/tratamiento clínico)
iii. Introducción de herramientas de edición de orgánulos CBE (Ddda deaminase/MutH nickase)
iv. Efectos no deseados de los sistemas EBC
6. El principio y la aplicación del sistema ABE.
I. Introducción del sistema de evolución de proteínas dirigida artificial PACE y PANCE y otras técnicas convencionales de evolución de proteínas.
ii.Resumen del proceso de evolución del sistema ABE (un resumen de componentes y estrategias optimizadas para cada generación de ABEmax/ABE8e)
iii. Aplicaciones 'alternativas' del sistema ABE (inactivación de genes/cizallamiento de salto/edición C mediada)
iv.Sistema de edición de base dual (SWISS/STEME/A&C-BEmax/SPACE/ACBE)
7. Principio y aplicación del sistema PE
I. Edición de precisión mediada por PE
ii. Factores que afectan la eficiencia de la edición (estructura secundaria troncal/longitud de PBS/plantilla RTT)
iii. El principio y la aplicación del doble pegRNA (inserción de grandes fragmentos del genoma)
iv. Eliminación de grandes fragmentos del genoma.
v. Sistema PE para administración de AAV
8. El principio y la aplicación de gGBE
i. Introducción a las glicosilasas (¿por qué pueden mediar en la edición de bases?)
ii. Desarrollo y aplicación de gGBE
iii. Previsión del desarrollo posterior de gGBE
9. Aplicación de detección de virus de CRISPR-Case12
I. Introducción al principio
ii. Introducción al caso de solicitud
cuarto día
tres. Construcción de vectores CRISPR (operación práctica)
1. Construcción de vectores de edición de base/edición de knockout
I. Introducción a la herramienta
ii.Cómo ver el mapa de plásmidos
iii. Selección de objetivos genéticos (visualización de herramientas en línea como CRISPR-GE)
iv. Diseño de cebadores para sgRNA
v. Construcción de simulación (explicación del vector de restricción/sistema de construcción)
vi.PCR de colonias
vii Análisis de los resultados de identificación de secuenciación.
2. Construcción vectorial del sistema PE.
I. Aplicación de herramientas de diseño de imprimaciones.
ii.Demostración de construcción de vectores
iii.Análisis de los resultados de la secuenciación.
3. Detección positiva de transfección
4. Principio de secuenciación y visualización de resultados.
I. Principios de la secuenciación de próxima generación
ii. Secuenciación de alto rendimiento Hi-TOM
quinto día
Cuatro. Aplicación de la edición genética en especies vegetales.
1. Investigación de la función genética.
2. Crea nuevas variedades
cinco. Aplicaciones clínicas de la edición de genes.
1. Aplicaciones clínicas de la edición de bases.
2. Aplicación clínica del sistema PE
3. Introducción del sistema de entrega.
seis. Aplicaciones de la edición de genes en microbios.
1. Investigación en genética microbiana
2. Biotecnología (puede producir compuestos útiles como biocombustibles/bioplásticos/productos farmacéuticos)
Siete. Aplicación del aprendizaje automático en el campo de la edición de genes.
1. Predicción de los resultados de la edición de genes.
2. Exploración de factores que afectan la eficiencia de la edición.
3. Desarrollo de ayudas para la edición de genes.
Tema 5: Genómica del aprendizaje profundo
primer día
parte teórica
Introducción a los algoritmos de aprendizaje profundo
1. Algoritmo de red neuronal con aprendizaje supervisado
1.1 Ejemplo de aplicación de red neuronal profunda DNN totalmente conectada en genómica
1.2 Ejemplos de aplicación de la red neuronal convolucional CNN en genómica
1.3 Ejemplo de aplicación de RNN en genómica
1.4 Ejemplos de aplicación de la red neuronal convolucional gráfica GCN en genómica
2. Algoritmo de red neuronal no supervisado
2.1 Ejemplo de aplicación del autocodificador AE en genómica
2.2 Ejemplos de aplicación GAN de red generativa adversaria en genómica
Contenido práctico
1.Sistema operativo Linux
1.1 Comandos de Linux de uso común
1.2 editor vim
1.3 Gestión de archivos de datos del genoma , modificar permisos de archivos
1.4 Visualización y exploración de regiones genómicas
2. Conceptos básicos del lenguaje Python
2.1.Instalación del paquete Python y construcción del entorno.
2.2 Estructuras de datos y tipos de datos comunes
el día siguiente
parte teórica
Conceptos básicos de genómica
1. Base de datos del genoma
2. Epigenoma
3. Transcripción del genoma
4. proteoma
5. Genoma funcional
Contenido práctico
Marco común de aprendizaje profundo del genoma.
1. Instale e introduzca el kit de herramientas de aprendizaje profundo tensorflow, keras , pytorch
2. Identificar los elementos del modelo de aprendizaje profundo en el kit de herramientas.
2.1 Representación de datos
2.2 Operación tensorial
2.3 "Capas" en redes neuronales
2.4 Un modelo hecho de capas
2.5 Función de pérdida y optimizador.
2.6 Segmentación del conjunto de datos
2.7 Sobreadaptación y desadaptación
3. Procesamiento de datos genómicos
3.1 Instale y use keras_dna para procesar varios datos de secuencias de genes como BED , GFF , GTF , BIGWIG , BEDGRAPH , WIG , etc.
3.2 Usar keras_dna para diseñar un modelo de aprendizaje profundo
3.3 Utilice keras_dna para dividir el conjunto de entrenamiento y el conjunto de prueba
3.4 Utilice keras_dna para seleccionar la secuencia genética de un cromosoma específico, etc.
4. Aplicación de la red neuronal profunda DNN en la identificación de características de motivos.
4.1 Implementación de un DNN de filtro único de una sola capa para reconocer motivos
4.2 Implementación de motivos de reconocimiento DNN de filtro único multicapa
4.3 Implementación de motivos de reconocimiento DNN de múltiples filtros y múltiples capas
tercer día
parte teórica
Aplicación de la red neuronal convolucional (CNN) en la predicción reguladora de genes
1. Identificar la característica del motivo G4 en Chip-Seq , como DeepG4
2. Predicción de la metilación del ADN en Chip-Seq , DeepSEA
3. Predecir la unión de reguladores transcripcionales en Chip-Seq, DeepSEA
4. Predicción de afinidad cromosómica en DNase-seq, Basset
5. Predicción de la expresión génica eQTL en DNase-seq , Enformer
Contenido práctico
Red neuronal convolucional recurrente CNN para identificar características de motivos DeepG4 , mutación genética no codificante DeepSEA , predecir la afinidad cromosómica Basset , expresión genética eQTL
1. Reproduzca DeepG4 para identificar las características de G4 de Chip-Seq
2. Instale selene_sdk , reproduzca DeepSEA desde Chip-Seq para predecir la metilación del ADN y la mutación de genes no codificantes.
3. Reproducir Basset y predecir la afinidad cromosómica a partir de Chip-Seq
4. Reproducir Enformer y predecir la expresión genética eQTL de Chip-Seq
cuarto día
parte teórica
Aplicación del aprendizaje profundo para identificar la variación del número de copias DeepCNV y el factor regulatorio DeepFactor
1. Predecir la variación del número de copias CNV en microarrays SNP , DeepCNV
2. Predicción de premiARN en RNA-Seq , dnnMiRPre
3. Predecir proteínas de factores reguladores a partir de secuencias de proteínas, DeepFactor
Contenido práctico
1. DeepCNV reproducido utilizando microarrays SNP combinados con análisis de imágenes para identificar la variación del número de copias
2. Herramienta RNN de red neuronal recurrente dnnMiRPre , que predice premiARN a partir de RNA-Seq
3. Reproducir DeepFactor e identificar proteínas reguladoras transcripcionales a partir de secuencias de proteínas
quinto día
parte teórica
Aplicación del aprendizaje profundo en el reconocimiento y fenotipos y biomarcadores de enfermedades.
1. DeepType, una herramienta de aprendizaje profundo para identificar la tipificación del cáncer de mama a partir de datos de expresión genética
2. Identificación de fenotipos de enfermedades a partir de datos multiómicos de alta dimensión, XOmiVAE
3. Deep HE, una herramienta de aprendizaje profundo para identificar genes clave en secuencias de genes y redes de interacción de proteínas
Contenido práctico
1. Reproducir DeepType para distinguir los subtipos de cáncer de mama de los datos de cáncer de mama METABRIC
2. Reproducir XOmiVAE e identificar subtipos de cáncer de mama a partir de la base de datos multidimensional TCGA
3. DeepHE reproducido utilizando secuencia genética y red de interacción de proteínas para identificar genes clave
sexto día
parte teórica
Aplicación del aprendizaje profundo para predecir los mecanismos de respuesta a los fármacos
1. SWnet, una herramienta de aprendizaje profundo que combina marcadores de genes tumorales y estructuras moleculares de fármacos para predecir los mecanismos de respuesta a los fármacos.
Contenido práctico
1. Preprocesamiento de la información de la estructura molecular del fármaco.
2. Cálculo de la similitud de fármacos
3. Cree SWnet de autoatención en diferentes conjuntos de datos
4. Evaluación de SWnet de autoatención
5. Cree una SWnet multitarea
6. Construya una SWnet de una sola capa
7. Construya SWnet con capa de peso
Imagen del caso:
Tema 6: Metabolómica del aprendizaje automático
primer día
A1 Desarrollo y aplicación de metabolitos y metabolómica.
(1) Funciones fisiológicas metabólicas;
(2) Enfermedades metabólicas;
(3) Metabolómica dirigida y no dirigida;
(4) Metabolómica espacial y espectrometría de masas (MSI);
(5) Investigación sobre el flujo y los mecanismos metabólicos;
(6) Metabolómica y fármacos y biomarcadores.
A2 Introducción al proceso experimental de metabolómica
Principios del hardware de cromatografía y espectrometría de masas A3
(1) Principio de análisis cromatográfico;
(2) Fase gaseosa, fase líquida y fase sólida de cromatografía;
(3) Selección de cromatógrafo y columna cromatográfica;
(4) El principio del análisis de espectrometría de masas y demostración de animación;
(5) Modos de ionización positiva y negativa;
(6) tecnología de cromatografía-espectrometría de masas;
(7) Sistema de fase líquida para LC-MS
A4 Vías metabólicas y bases de datos metabólicas
(1) Introducción a varias vías metabólicas clásicas;
(2) vía del metabolismo energético;
( 3 ) Tres bibliotecas de metabolitos comunes: HMDB , METLIN y KEGG;
( 4 ) Base de datos original de Metabolomics: Metabolomics Workbench y Metabolights.
el día siguiente
B1 Procesamiento y extracción de muestras de metabolitos.
(1) Proceso de extracción y precauciones para muestras de tejido, sangre y fluidos corporales;
(2) Proceso y precauciones para la extracción de metabolitos con ACN;
(3) Transporte y almacenamiento de muestras y metabolitos;
B2 LC-MS Control de calidad de datos y búsqueda de bases de datos
(1) Cómo configurar muestras de control de calidad durante experimentos LC-MS;
(2) Monitoreo y análisis del control de calidad de los datos del proceso integrado de LC-MS;
(3) conversión de datos del software XCMS y mejora de picos;
Fundamentos del software B3 R
(1) Instalación de R y Rstudio;
(2) Configuración de la interfaz de Rstudio;
(3) La estructura de datos básica y la sintaxis de R;
(4) Descargar y cargar paquetes;
(5) Llamada de función y depuración;
B4 ggplot2
( 1 ) Instalar y usar ggplot2
(2) La filosofía de dibujo de ggplot2;
(3) El sistema de combinación de colores de ggplot2;
(4) ggplot2 dibuja diagramas combinados y diagramas de volcanes;
tercer día
aprendizaje automático
Aplicación del aprendizaje automático no supervisado C1 en el procesamiento de datos metabolómicos
(1) Reducción de la dimensionalidad en el procesamiento de big data;
(2) análisis y dibujo de PCA;
( 3 ) Tres análisis de conglomerados comunes: K-medias , análisis jerárquico y SOM
(4) Implementación en lenguaje R del mapa de calor y el mapa de hcluster;
Tutorial de C2 R sobre reducción de dimensionalidad y análisis de conglomerados de un conjunto de datos metabolómicos
(1) Análisis de datos;
(2) perforación y operación;
Aplicación C3 del aprendizaje automático supervisado en el procesamiento de datos metabolómicos
(1) ¿Qué debo hacer si los datos aún no pueden encontrar la diferencia después de la reducción de dimensionalidad de PCA?
(2) PLS-DA descubre los metabolitos que tienen más probabilidades de afectar la diferencia;
(3) La importancia y selección de la puntuación y el coeficiente VIP;
(4) Algoritmo de clasificación: máquina de vectores de soporte, bosque aleatorio
Tutorial de R de la implementación del algoritmo de clasificación de un conjunto de datos metabolómicos C4
(1) Interpretación de datos;
(2) perforación y operación;
cuarto día
D1 Limpieza de datos de metabolómica y lenguaje R avanzado
(1) t, valores de cambio y respuesta en metabolómica;
(2) Proceso de limpieza de datos;
( 3 ) Tidyverse en lenguaje R
(4) expresiones regulares del lenguaje R;
(5) Filtrado de datos metabolómicos;
(6) Principio de escalamiento de datos metabonómicos e implementación de R;
(7) Normalización de datos metabolómicos;
(8) Ejercicio de limpieza de datos de metabolómica;
Página web de análisis del metaboloma en línea D2 Operación Metaboanalyst
(1) Utilice R para limpiar los datos en el formato requerido por la página web;
(2) Problemas de formato de datos para grupos independientes, grupos emparejados y grupos múltiples;
(3) La cartera y precauciones de Metaboanalyst;
(4) Ver y exportar los resultados de Metaboanalyst;
(5) Edición de datos de Metaboanalyst;
(6) Perforación y operación de proceso completo
quinto día
Interpretación de las principales revistas de metabolómica y aprendizaje automático E1 ( 2-3 artículos);
(1) Una literatura sobre el tipo de base de datos de muestras de tejido cerebral de ratón metabolómica publicada por Nature Communication;
(2) Cell, una literatura sobre aprendizaje automático y evaluación de enfermedades a partir de muestras de sangre de pacientes con metabolómica;
(3) 1-2 literaturas que combinan metabolómica con transcriptómica y proteómica.
E2 Recurrencia parcial del análisis de datos de la literatura ( 1 artículo)
(1) Interpretación en profundidad de la literatura;
(2) Operación práctica: desde la descarga de datos originales hasta la reproducción de imágenes;
(3) Los estudiantes practican.
Imagen del caso:
Tema 7: Transcripción y epiómica del aprendizaje automático
primer día
parte teórica
Principios de la secuenciación de alto rendimiento.
Conceptos básicos de secuenciación de alto rendimiento
Método de secuenciación y datos.
Proceso de análisis de datos de secuenciación de próxima generación.
Contenido práctico
Conceptos básicos del lenguaje R
Instalación de R (4.1.3) y Rstudio
Instalación del paquete R y construcción del entorno.
Estructuras de datos y tipos de datos
Funciones básicas del lenguaje R
descarga de datos
Entrada y salida de datos
el día siguiente
parte teórica
Conceptos básicos de multiómicas
Experimentos y métodos de análisis de ómica biológica comunes.
Introducción a las bases de datos ómicas comunes.
Procesamiento por lotes de datos ómicos.
Análisis de funciones biológicas.
Detección genética diferencial basada en transcriptómica, predicción de enfermedades
Visualización de datos ómicos
Contenido práctico
sistema operativo linux
Instalación y configuración del sistema operativo Linux.
Configuración de red y gestión de procesos de servicio.
Gestión de inicio de sesión remoto de Linux
Comandos de Linux más utilizados
Obtener datos genéticos en Linux
Explorando regiones genómicas con Linux
Script de Shell y editor Vim
Descarga y carga de archivos del genoma
Gestión de permisos de Linux
identidad del archivo
Cambiar propietario y grupo de archivos
Modificar permisos de archivos
tercer día
parte teórica
Introducir los conceptos básicos y el proceso de investigación de la transcriptómica.
Preprocesamiento y control de calidad de datos de RNA-seq.
Comparación de secuencias y evaluación de alineación.
Estimación de la expresión genética y análisis de expresión diferencial.
Contenido práctico
Control de calidad de los datos de secuenciación del transcriptoma.
Comparación de datos del transcriptoma
Cuantificación sin procesar de datos de RNA-seq.
análisis de componentes principales
Análisis de diferencias de resultados cuantitativos brutos
Detección y visualización de resultados de diferencias.
Análisis de enriquecimiento de vías GO y KEGG
Análisis de enriquecimiento del conjunto de genes GSEA.
cuarto día
parte teórica
Introducción a los conceptos y técnicas básicas de la epigenética.
Métodos analíticos para la metilación del ADN y modificaciones de histonas.
Preprocesamiento y control de calidad de datos epigenéticos.
Análisis de metilación diferencial y modificación diferencial.
Anotación funcional y análisis de enriquecimiento de metilación y modificación.
Análisis integrado de datos de metilación y construcción de una red reguladora de genes.
Métodos y herramientas de visualización de datos de epigrupos.
Introducción a otras técnicas de epiómica (por ejemplo, captura de conformación de cromatina)
Contenido práctico
Inspección y control de calidad de datos de secuenciación.
Comparación de datos y múltiples problemas de coincidencia.
Cálculo de posiciones máximas vinculantes
Visualización de resultados ómicos en IGV.
Análisis de picos diferenciales.
Cálculo matricial de grados combinado
Mapa de calor de enriquecimiento y trazado de gráficos
quinto día
parte teórica
Descripción general del aprendizaje automático
Modelo lineal
árbol de decisión
Máquinas de vectores de soporte
aprendizaje integrado
Selección de modelo y optimización del rendimiento.
Contenido práctico
Implementación del algoritmo del árbol de decisión.
Implementación del algoritmo de bosque aleatorio
Implementación del algoritmo de máquina de vectores de soporte (SVM)
Implementación ingenua del algoritmo Bayes
Implementación del algoritmo Xgboost
Implementación del algoritmo de agrupamiento
Implementación del algoritmo DBSCAN
Implementación del algoritmo de agrupamiento jerárquico
sexto día
parte teórica
Anotación de funciones genéticas y análisis de enriquecimiento.
Análisis de red WGCNA (Análisis de red de coexpresión de genes ponderados)
Análisis de factores de transcripción y construcción de redes regulatorias.
Métodos y herramientas para la visualización de datos del transcriptoma.
Los niveles de transcripción predicen los niveles de traducción de proteínas
Contenido práctico
Crear un objeto Seurat
control de calidad de datos
Variación y normalización de profundidad de secuenciación.
Reducción de dimensionalidad de datos de celda única
eliminación del efecto por lotes
Integración de datos
anotación de subpoblación
Análisis de actividad de la vía GSVA
Análisis de enriquecimiento unicelular.
Imagen del caso:
Tema 8: Microbiómica del aprendizaje automático
primer día
Introducción al aprendizaje automático y la microbiología
1. Introducción a los conceptos básicos del aprendizaje automático.
2. Introducción a modelos comunes de aprendizaje automático ( GLM, BF, SVM, lasso, KNN, etc.)
3. Matriz de confusión
4. Curva ROC
5. Análisis de componentes principales ( PCA )
6. Conceptos básicos de microbiología
7. Introducción al análisis común en microbiología
Introducción al lenguaje R y operación práctica.
1. Descripción general del lenguaje R
2. Instalación del software R y del paquete R
3. Sintaxis y tipos de datos del lenguaje R
4. Declaración condicional
5. Bucle
el día siguiente
Intercambio de casos de aplicación del aprendizaje automático en microbiología.
1. Uso del aprendizaje automático para predecir la lista de huéspedes en función de los datos del microbioma
2. Uso del aprendizaje automático para predecir estados patológicos basándose en datos del microbioma
3. Uso del aprendizaje automático para predecir el riesgo microbiano
4. Aprendizaje automático para estudiar el efecto de la dieta sobre los microbios intestinales
Análisis común de microbiología (práctico)
1. Análisis de abundancia microbiana.
2. Análisis de diversidad α y diversidad β
3. Construcción del árbol filogenético.
4. Análisis de reducción de dimensionalidad.
5. Análisis de expresión diferencial basado en OTU , mapa de calor, diagrama de caja que dibuja la identificación de biomarcadores microbianos.
Día 3 (Práctica)
La herramienta de código cero utiliza el aprendizaje automático para analizar datos del microbioma
1. Cargar datos y normalizar datos.
2. Cree un modelo de entrenamiento ( GLM, RF, SVM )
3. Optimización de parámetros del modelo.
4. Dibujo de la curva de tasa de error del modelo
5. Cálculo de la matriz de confusión
6. Selección de características importantes
7. Verificación del modelo, dibujo de curva ROC y predicción utilizando el modelo.
Día cuatro (práctica)
Uso del aprendizaje automático para predecir fenotipos del huésped a partir de datos microbiómicos ( variables binarias y continuas )
1. Cargar datos (tres conjuntos de datos)
2. Normalización de datos
3. Procesamiento de funciones OUT
4. Construcción de modelos de aprendizaje automático ( 9 métodos de aprendizaje automático como RF, KNN, SVM, Lasso, etc. )
5. Validación cruzada quíntuple
6. Dibuje la curva ROC y compare la evaluación del desempeño de diferentes modelos de aprendizaje automático.
Día 5 (Práctica)
Predecir el riesgo microbiano mediante el aprendizaje automático (clasificación múltiple)
1. Cargar datos
2. Construcción de modelos de aprendizaje automático ( RF, gbm, SVM, LogitBoost, etc.)
3. Validación cruzada 10 veces mayor
4. Evaluación del desempeño del modelo
Uso del aprendizaje automático para predecir cambios en la microbiota intestinal antes y después de la estimulación
1. Carga y preprocesamiento de datos
2. Análisis de diversidad α y diversidad β
3. Construcción del modelo RF (compare los efectos del modelo según OUT , KO y phylum respectivamente )
Validación cruzada 4,10 veces , validación de dejar uno fuera
5. Modelo de prueba de datos externos de detección de características y visualización de características importantes
Imagen del caso:
Objetivos de entrenamiento
Proceso de diseño de fármacos asistido por computadora CADD: permita a los estudiantes dominar la introducción y el uso de la base de datos PDB, proteína objetivo, ligando de proteína, molécula pequeña de ligando de proteína, estructura de ligando de proteína, bloc de notas, acoplamiento molecular, acoplamiento corporal de ligando de proteína, cribado virtual, acoplamiento proteína-proteína, acoplamiento molecular proteína-polisacárido, acoplamiento proteína-hidratación, instalación de Linux, práctica completa de dinámica molecular de gromacs, simulación de dinámica molecular de solvatación
Descubrimiento y diseño de fármacos con inteligencia artificial de AIDD: este curso permite a los estudiantes comprender los antecedentes fronterizos del descubrimiento de fármacos, aprender varios algoritmos comunes en el campo de la inteligencia artificial, familiarizarse con la instalación y el uso de kits de herramientas, dominar ciertas habilidades de programación de algoritmos y estar capaz de utilizar métodos informáticos para estudiar medicamentos Preguntas relacionadas. A través de una gran cantidad de explicaciones de casos y operaciones prácticas, tenga ciertas capacidades de análisis de datos y construcción de modelos AIDD.
Análisis de la estructura cristalina de proteínas: en los últimos años, la biología estructural se ha desarrollado rápidamente y se ha interpenetrado con otras disciplinas, especialmente impulsada por disciplinas candentes como la genómica estructural. Como medio y tecnología básicos de la biología estructural, la cristalografía de proteínas se extiende desde el análisis de la estructura tridimensional simple de las proteínas hasta la resolución de las estructuras de diversas macromoléculas y complejos biológicos, y presta más atención a la relación entre estructura y función. como diseño estructural de fármacos. El rápido desarrollo de la biotecnología y la tecnología informática, especialmente la aplicación de tecnología de alto rendimiento en el campo de la biología, ha traído nuevos conceptos y perspectivas más amplias para la cristalografía de proteínas.
Temas sobre la tecnología de edición de genes CRISPR-Cas9: el curso comienza desde la situación general, de superficial a profundo. El curso adopta el método de introducción básica + práctica de casos de aplicación, desde la explicación del principio inicial hasta la práctica de aplicación final. Después de completar este curso , dominará la edición de genes. Además, podrá aprender la estrategia de optimización del sistema de edición de genes y cómo operar el software biológico de uso común. Se puede aplicar rápidamente a sus propios proyectos y temas de investigación científica.
Estudio en profundidad de la genómica: el curso comienza desde la situación general, de superficial a profundo. El curso utiliza el método de introducción básica + práctica de casos de aplicación, desde la explicación del principio inicial hasta la práctica de aplicación final. Después de completar este curso, usted Dominará los aspectos relevantes de la tecnología de edición de genes, además, podrá aprender la estrategia de optimización del sistema de edición de genes y podrá aprender a operar software biológico de uso común. Se puede aplicar rápidamente a sus propios proyectos y temas de investigación científica.
Metabolómica del aprendizaje automático: familiarizado con la metabolómica y el hardware y software relacionados con el aprendizaje automático; familiarizado con todo el proceso de la metabolómica, desde el procesamiento de muestras hasta el análisis de datos; capaz de reproducir al menos una imagen de un artículo de metabolómica a nivel del SNC o de subrevista.
Transcriptómica y epiómica del aprendizaje automático: los participantes de este curso aprenderán cómo procesar y analizar datos transcriptómicos y epigenómicos, y obtendrán información sobre conceptos clave y desarrollos recientes en estos dos campos. El contenido del curso incluye el conocimiento básico del sistema operativo Linux y habilidades comunes de línea de comandos, la aplicación del lenguaje de programación R, el preprocesamiento de datos del transcriptoma y el análisis de expresión diferencial, el método de análisis de datos epigenéticos, así como una aplicación integral y práctica práctica de proyectos. . Además, el curso también se centra en cultivar la capacidad de los estudiantes para realizar investigaciones de transcriptoma y epigenómica de forma independiente, sentando una base sólida para su mayor desarrollo y aplicación en este campo.
Microbioma de aprendizaje automático: a través de la explicación sistemática de múltiples casos en esta capacitación, los participantes aprenderán cómo utilizar el aprendizaje automático en el proceso de análisis de datos del microbioma y podrán aplicarlo rápidamente a sus propios proyectos y temas de investigación científica.
Perfil del profesor
Los profesores de CADD provienen de universidades nacionales, la Academia de Ciencias de China y otras unidades. Los profesores son principalmente buenos en aprendizaje profundo, aprendizaje automático, detección virtual de drogas, diseño de medicamentos asistido por computadora, descubrimiento de medicamentos con inteligencia artificial, acoplamiento molecular, dinámica molecular, etc.
Profesor de AIDD, tiene más de diez años de experiencia en investigación y programación de algoritmos informáticos. Las direcciones de investigación involucran bioinformática, aprendizaje profundo, identificación de objetivos farmacológicos, reacciones adversas a medicamentos, etc. Participó en 2 proyectos de la Fundación Nacional de Ciencias Naturales de China y presidió 3 proyectos de investigación científica provinciales y departamentales. Publicó varios artículos de SCI como autor, incluidos BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences y otras revistas reconocidas.
El profesor de análisis de la estructura cristalina de proteínas es una universidad nacional 985 y doble de primera clase. Es principalmente bueno en diversas tecnologías de clonación molecular, aprendizaje profundo, aprendizaje automático, expresión y purificación de proteínas, crecimiento y optimización de cristales de proteínas, operación y análisis del sistema Ubuntu. y análisis de la estructura cristalina de proteínas.
El profesor es de la Academia China de Ciencias Agrícolas. Tiene más de diez años de experiencia en investigación en edición de genes. Está familiarizado con la aplicación de la edición de genes en varios campos. Ha estado profundamente involucrado en el desarrollo y optimización de la edición de genes. Systems durante muchos años. Ha publicado docenas de SCI y tiene una rica experiencia docente.
El conferenciante es el Sr. Liu, doctor en bioinformática, con más de diez años de experiencia en el análisis de datos de secuenciación. Los campos de investigación incluyen inteligencia artificial, procesamiento del lenguaje natural, genómica funcional, transcriptómica, análisis de redes de miARN y genes diana, análisis de datos de secuenciación unicelular, análisis de sincronización de redes de regulación genética, análisis de redes de interacción de proteínas, análisis de articulaciones multiómicas, etc. Presidió 4 proyectos de la Fundación Provincial de Ciencias Naturales de China, publicó un libro de texto médico práctico "Python Medical Practical Analysis" y publicó 22 artículos de SCI, incluidos 9 artículos de primer autor y de primer autor vinculado.
El profesor principal de metabolómica del aprendizaje automático proviene de un doctorado en neurociencia de una universidad de 985. Utiliza principalmente tecnologías como la metabolómica, la transcriptómica y la biología molecular para estudiar la patogénesis y los biomarcadores de enfermedades neurológicas crónicas. Es bueno en la tecnología de cromatografía líquida de alto rendimiento-espectrometría de masas (LC-MS) para la investigación de metabolómica dirigida y no dirigida, desde la preparación de muestras hasta el análisis de datos, así como en el análisis de integración bioinformática de big data multiómicos. Publicó 10 artículos de SCI en J Clin Invest, EBioMedicine, Cell Death Dis, Cell Death Discov, Nanotoxicology y otras revistas en 5 años.
El conferenciante es el Sr. Chen de colegios y universidades nacionales. Ha publicado varios artículos en revistas académicas nacionales y extranjeras, incluidas Nature Communication, Cell Regeneración y otras revistas de renombre. Sus direcciones de investigación son principalmente bioinformática, biología del desarrollo y genética. Uso de datos multiómicos, análisis y minería de datos a través de algoritmos de aprendizaje profundo, incluidos ChIP-seq, ATAC-seq, RNA-seq, CNV, etc., para resolver y responder múltiples mecanismos biológicos básicos en el campo.
El Sr. Li, de una universidad nacional, imparte microbiología mediante aprendizaje automático y tiene más de diez años de experiencia en análisis de datos de proteomas y microbiomas. Los campos de investigación incluyen aprendizaje automático, análisis de datos de microarrays, análisis de datos de proteomas, ADN, ARN, análisis de datos de secuenciación de metilación, análisis de datos de secuenciación de células individuales, análisis de miARN y genes diana, etc., y se han publicado más de 30 artículos de SCI, incluidos uno y empatado Hay 15 artículos en uno.
Características y beneficios del entrenamiento
Capturas de pantalla de los comentarios de los estudiantes.
características del curso
1. Características del curso: aplicación integral de la tecnología del curso, proceso principal y conexión de ejemplo en todo momento.
2. Modo de aprendizaje: la combinación de conocimiento teórico y operación de computadora, para que los estudiantes de base cero puedan dominar rápidamente
3. Preguntas y respuestas sobre el servicio del curso: el profesor le brindará respuestas profesionales a los problemas que encuentre en el trabajo real.
Beneficios y métodos de enseñanza:
Beneficios: El registro y el pago exitosos le brindarán un conjunto completo de videos previos al estudio para la clase de registro. Después de la clase, se le proporcionará una reproducción completa del video completo y responderá preguntas sobre el contenido del curso de capacitación durante mucho tiempo. El grupo de resolución de preguntas de WeChat nunca se disolverá. Los mismos cursos de capacitación especiales organizados por la unidad más adelante (cualquiera es aceptable)
Método de enseñanza: a través de la transmisión en vivo en línea de la conferencia Tencent, el modo de enseñanza de teoría + operación práctica, el maestro tomará la operación a mano, explicará desde los conceptos básicos, se enviará PPT electrónico y tutoriales a los estudiantes una semana antes del inicio. de la clase, y todo el software de capacitación se enviará a los estudiantes. Si tiene alguna pregunta, use el micrófono abierto para compartir la pantalla y el grupo de WeChat para resolver dudas. Los estudiantes se comunican con los profesores y los estudiantes se comunican con los estudiantes.
Tiempo y lugar de enseñanza.
Temas sobre el diseño de fármacos asistido por computadora CADD
2023.09.16 -----2023.09.17 conferencias de jornada completa (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.09.19--2023.09.22 conferencia vespertina (19.00-22.00 por la tarde)
2023.09.23-----2023.09.24 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.09.26--2023.09.27 conferencia vespertina (19.00-22.00 por la tarde)
Tema de diseño y descubrimiento de fármacos de inteligencia artificial de AIDD
2023.09.23 -----2023.09.24 conferencias de jornada completa (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.09.27-----2023.09.28 conferencia vespertina (19.00-22.00 por la tarde)
2023.10.07-----2023.10.08 conferencia vespertina (19.00-22.00 por la tarde)
2023.10.11--2023.10.12 conferencia vespertina (19.00-22.00 por la tarde)
Análisis de la estructura cristalina de proteínas.
2023.09.23 -----2023.09.24 conferencias de jornada completa (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.09.27-----2023.09.28 conferencia vespertina (19.00-22.00 por la tarde)
2023.10.7-----2023.10.8 conferencia vespertina (19.00-22.00 por la tarde)
2023.10.11--2023.10.12 conferencia vespertina (19.00-22.00 por la tarde)
Edición del gen CRISPR-Cas9
2023.09.16----2023.09.17 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.09.19----2023.09.20 conferencia vespertina (19.30-22.30 por la tarde)
2023.10.14----2023.10.15 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
Genómica de aprendizaje profundo
2023.09.16——2023.09.17 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.09.23——2023.09.24 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.10.14——2023.10.15 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
Metabolómica del aprendizaje automático
2023.09.16----2023.09.17 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.09.20----2023.09.21 conferencia vespertina (19.00-22.00 por la tarde)
2023.09.23----2023.09.24 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
Transcriptómica y epiómica del aprendizaje automático
2023.09.16----2023.09.17 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.09.19----2023.09.22 conferencia vespertina (19.00-22.00 por la tarde)
2023.09.23----2023.09.24 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
Microbiómica de aprendizaje automático
2023.09.23—2023.09.24 conferencias de día completo (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
2023.09.25----2023.09.26 conferencia vespertina (19.00-22.00 por la tarde)
2023.10.12----2023.10.13 conferencia vespertina (19.00-22.00 por la tarde)
2023.10.14 Conferencias de jornada completa (09.00-11.30 por la mañana y 13.30-17.00 por la tarde)
Lugar de enseñanza en línea: Conferencia Tencent
cuota de inscripción
Análisis de la estructura cristalina de proteínas, genómica de aprendizaje profundo;
Transcripción y epigenómica del aprendizaje automático, descubrimiento y diseño de fármacos con inteligencia artificial AIDD;
Diseño de fármacos asistido por ordenador CADD;
Tarifa pública: ¥5880 por persona por clase (incluida la tarifa de inscripción, la tarifa de capacitación y la tarifa de materiales)
Precio pagado por usted mismo: ¥5480 por persona por clase (incluida la tarifa de inscripción, la tarifa de capacitación y la tarifa de materiales)
Tecnología de edición de genes CRISPR-Cas9, metabolómica de aprendizaje automático;
Microbiómica de aprendizaje automático;
Tarifa pública: ¥4680 por persona por clase (incluye tarifa de inscripción, tarifa de capacitación y tarifa de material)
Precio pagado por usted mismo: ¥4280 por persona por clase (incluida la tarifa de inscripción, la tarifa de capacitación y la tarifa de materiales)
descuento
Descuento 1: dos clases al mismo tiempo: 9880 yuanes
Tres clases con el mismo informe: 13880 yuanes
Cuatro clases con el mismo informe: 17680 yuanes
Cinco clases con el mismo informe: 21680 yuanes
Informe de clase seis: 24680 yuanes
Siete clases con el informe: 26680 yuanes
Oferta especial: 8 clases con la misma inscripción: 27680 yuanes (precio original 46880 yuanes, puedes estudiar todo un año gratis)
Oferta 2: 300 yuanes de descuento por inscripción anticipada y pago (limitado a 15 personas)
Si se inscribe en un curso de aprendizaje, puede obtener repeticiones en video gratuitas de biomedicina de aprendizaje automático anterior, aprendizaje automático unicelular, transcriptoma espacial unicelular, proteómica del aprendizaje automático, aprendizaje profundo unicelular, genómica comparada, etc. Si necesita consultar el profesor de abajo
Certificado: Los estudiantes que hayan participado en la capacitación y hayan aprobado el examen pueden solicitar el certificado de evaluación de adaptación al puesto emitido por el Centro de Desarrollo de la Cultura Industrial del Ministerio de Industria y Tecnología de la Información de "Construyendo un país industrial poderoso mejorando la calidad y Alfabetización de los trabajadores". El certificado se puede consultar en la página web oficial del centro y puede utilizarse como base importante para la evaluación de capacidades, valoración y empleo. Sitio web de consulta de certificados de evaluación: www.miit-icdc.org (solicitud voluntaria, se requiere una tarifa de examen adicional de 500 yuanes por persona)
Información de contacto para consultas de registro
(Escanee el código QR en WeChat a continuación)
WeChat: 766728764
Correo electrónico: [email protected]
Teléfono: 15238680799
Para citar a uno de los participantes:
Descubrí que realmente necesito mirar el cielo estrellado de vez en cuando mientras tengo los pies en la tierra. ¡Muchas gracias por su reconocimiento a nuestra capacitación! ¡Te deseo lo mejor!