http://www2.scut.edu.cn/_upload/tpl/08/ae/2222/template2222/main.htm
第四に、中国コンピュータ学会バイオインフォマティクス会議
第四CCFバイオインフォマティクス会議（2019年CBC）
広州8月23日、2019から25
基調講演者
方向、東研究者、中国科学院北京ゲノム研究所「百タラントプログラム」の研究者
タイトル：国民健康を持つ大規模なゲノムデータ
要約：近年のゲノム技術のハイスループットシークエンシング国内外に基づき迅速に開発されているとコアコンテンツの正確な医療と健康の知恵となっています。正確な疾病を行うために、下の方、より多くの遺伝子データが蓄積され、私たちがタイムリーに得ることができる場合、構造化統合、これらのデータの迅速な分析、および臨床と健康データの効果的な統合を得るための遺伝的シーケンシングの価格で分類と診断、病気の予防やパーソナライズされた健康管理の新しいモデルを実現します。そのコア技術は、個々の遺伝的および表現型特性、早期かつ迅速な診断とパーソナライズされたタイムリーな介入、正確かつ効果的な治療法に基づいています。現在、主要な技術ボトルネックが効果的に主に起因して、利用することができない大規模なデータの生命と健康である：データの多様な異種の物理的な分散液は、核融合と統合する緊急の必要性は、標準化された、スケーラブルを確立し、ゲノミクスおよび医療データ統合エンジンを開発する必要があります共有可能な正確な医療ビッグデータプラットフォーム、完全にプライバシーとセキュリティの健康データの、大規模な相互接続された正確な医療データの効果的な実現、相互運用性、相互運用性を保護する前提の下で。国家当局は、関連する規制や基準のタイムリーな導入に、積極的に推進し、多部門の情報交換と共有を調整するために、住民の健康情報プラットフォームの相互接続を統一権限の建設を加速します。また、すぐに大規模な自然集団で正確な医療ニーズを満たすための特別な疾患キュー、標準化された生体試料の銀行、中国の人々地理参照データベースの複数のセット、臨床サンプルの人生ゲノミクスデータベースや他の大規模なデータリソースの主要な疾病を確立する必要があります。大規模な臨床データを改善するための努力統合と標準化の程度、異なる遺伝子型を持つ患者のための正確な診断と個別治療を提供する、クロスデータベース技術システムで、評価タイムリーかつ正確な医療システムに関連した生命科学データセットの統合を確立し、向上させます。
スピーカープロフィール：鍼の研究者、博士はまず軍事医科大学を卒業し、メンター、李教授ジン、科学Qizheng呉アカデミー。現在の中国の科学ゲノム科学アカデミーと情報『 研究所の副所長、北京ゲノム研究所』百タラントプログラム『研究員、』ゲノム医科学と正確な検出技術『北京重点実験室ディレクター、』医療エレクトロニクス誌」の開発エディタ、ゲノミクスプロテオミクスバイオインフォマティクスのアソシエイトエディターは、またを務め科学省及びヒトの遺伝資源の専門家の管理、建魏専門委員会諮問委員会の遺伝的能力開発や中国の遺伝学遺伝カウンセリング支店の専門家メンバー医科学基金Zirankexueの全国委員会の専門家のレビュー・グループ。それとも中国のトランスレーショナル医学アライアンスのディレクター、中国医学協会クレジットは、医療情報、製薬・バイオテクノロジーの中国協会および生物医学情報技術専門家の委員会の遺伝子検査の枝になり常任委員ようにと。SCIジャーナルゲノミクス、プロテオミクスバイオインフォマティクスと中国のコアジャーナル科学技術「を開発し、医療エレクトロニクス誌」副編集者、「遺伝」誌の編集委員。研究は、主に遺伝医学とゲノミクスに従事しています。SCI発表され、60本の以上の論文、研究論文の編集者 ;モノグラフ6、国家発明特許10のコンピュータソフトウェア著作権の項目24、新薬証明書1、地方の科学技術進歩賞3を。 焦点を当てた「サーティーンファイブ」R＆Dプログラムの国家主催「ビッグデータ処理や精密医療技術の標準化システム構築の使用」プロジェクト「正確な医学研究。」
教授黄ダブル、リバプール・ジョン・ムーア大学の非常勤教授、「百タラントプログラム」、IAPRフェロー
报告题目：Motif Mining in Biological Sequences by Deep Neural Networks
摘要：Recent biological studies have shown that binding-site motif mining plays a crucial role in the transcription and translation phases of gene expression, so the study of motif will help to understand the complex biomolecular system and explain disease pathogenesis. Generally, how to carry out an in-depth research on motifs through computational methods has always been one of the core issues in the modeling of life system gene regulation processes. In this report, I will first present the fundamental issue for motif prediction of biological sequences, then systematically present motif prediction of biological sequences in combination with the popular emerging technology “Deep Neural Networks”. Firstly, several classical models for deep neural network and the research status of biological sequence motif prediction will be briefly introduced. Secondly, the existing shortcomings of deep-learning based motif prediction is discussed, and correspondingly a variety of improved motif prediction methods including high-order convolutional neural network architecture, weakly-supervised convolutional neural network architecture, deep-learning based sequence + shape framework and bidirectional recurrent neural network for DNA motif prediction, multi-scale convolution gated recurrent neural network model and improved capsule network for RNA motif prediction, are introduced. Finally, some new research problems in this aspect will be pointed out and over-reviewed.
报告人简介：黄德双教授，工学博士，英国利物浦约翰摩尔大学兼职教授，同济大学特聘教授(二级教授)、博士生导师，中国科技大学博士生导师、兼职教授，2000年度中科院“百人计划”入选者。 同济大学认知互联网国际合作联合实验室主任，机器学习与系统生物学研究所所长, 国家自然科学基金委第十四届专家评审组成员。国际模式识别学会会士(IAPR Fellow)，国际智能计算学术会议Founding Chair，国际神经网络学会（INNS）常务理事，IEEE高级会员，上海市计算机学会生物信息学专业委员会主任委员。IEEE/ACM Transactions on Computational Biology and Bioinformatics, Neural Networks等国际杂志编委。已发表学术论文460余篇，其中收录论文210余篇，SCI他引3800余次，入选2014-2018年度爱思唯尔（Elsevier）Scopus数据库中国高被引学者榜单（计算机科学卷），出版专著3本，主编论文集49本， 曾获1997年度第八届全国优秀科技图书二等奖 (排名唯一)，2010年度安徽省自然科学一等奖 (排名第一) ，2016年度教育部自然科学一等奖(排名第一)，2018年度吴文俊人工智能科技进步一等奖(排名第一)。 发表在Neural Computation，Digital Signal Processing和Methods上的3篇论文分别被选为当期的封面。 已申请发明和实用新型专利34项，其中19项已授权，软件著作权4个。作为客座编辑，在13种国际SCI杂志已编辑出版24期刊物。
李亦学 研究员，中科院上海马普计算生物学研究所研究员、首席科学家
报告题目：肝癌的生物信息学以及多组学研究
摘要：我国肝脏疾病发病率高，相对生存率差 ，治疗困难。我们整合肝癌多组学数据，识别肝癌各个层面的候选驱动基因，利用贝叶斯网络模块的方法计算各层面的候选基因对肝癌表达的调控作用，全面识别肝癌的驱动基因，根据结果对肝癌病人分型，希望增进对肝癌的了解从而辅助肝癌治疗。 临床上肝脏受损时肝细胞重编程对肝脏再生有重要贡献，我们发现了重要的表观遗传因子Arid1a，在肝脏重编程过程中赋予在静息条件下重编程富集基因保守的染色质状态，以应对肝损伤信号快速再生。敲除导致肝细胞重编程缺陷，再生受损、肝功能障碍。希望研究促进基于肝细胞可塑性的再生疗法的发展 我们建立了世界上最大的肝癌细胞系肝癌模型库（LIMORE），作为肝癌精确治疗研究的模式细胞系系统，通过这个模式细胞系系统，我们还建立了一个具有很好的应用价值的数据库体系，数据包括该癌细胞系的全基因组变异信息，基因表达信息，肝癌细胞系对绝大多数抗肿瘤药物的治疗效果和耐药的药物基因组信息。作为临床精准医学研究的应用实例，我们成功地使用LIMORE系统的多组学数据，结合机器学习方法，通过整合分析，发现了一个可用于肝癌治疗一线药物索拉菲尼预后评估的疾病生物标志物，这是一种分泌蛋白，全面的验证实验表明，该疾病生物标志物可以作为索拉非尼预后和疗效诊断的伴随诊断标志物，具有良好的临床应用前景。
报告人简介：李亦学教授，博士毕业于德国海德堡大学理论物理研究所（Heidelberg University， Heidelberg，Germany），博士后研究员任职于欧洲分子生物学实验室（EMBL），现为中科院上海马普计算生物学研究所研究员，博士生导师,中科院特聘研究员，中国科学院上海生命科学研究院营养与健康研究所生物医学大数据中心主任，上海生物信息技术研究中心主任，中国生物信息学会（筹）副理事长，上海生物信息学会理事长，国家蛋白质科学重大研究计划专家组专家，国家生物安全重点专项专家组专家，国家精准医学重点专项专家组专家，上海交通大学教授，复旦大学遗传学教育部协同创新中心前沿生物技术部主任。曾任国家“十五” 863计划生物和农业技术领域生物信息技术主题专家组组长，国家“十一五” 863计划生物医药技术领域专家组专家。国家蛋白质科学研究重大专项《模式生物和细胞等功能系统的系统生物学研究》、《代谢生理活动与病理过程中信号转导网络的系统生物学研究》两任专项项目首席科学家。作为通讯和共同通讯作者在包括 Nature，Science，Nature Communications， Genome Research，Genome Biology，Genome Medicine，Molecular System Biology，Molecular Biology & Evolution，PANS，Diabetes，Molecular Cell Proteomics，Cell Research，Nucleic Acid Research，Bioinformatics，Plos Computational Biology 在内的专业杂志共发表科学论文300篇以上，引用12500次以上。
刘奕志 教授，国自然基金创新群体学术带头人、973计划首席科学家、中山大学中山眼科中心主任、眼科学国家重点实验室主任、眼科医院院长
报告题目：用人工智能进行常见眼病筛查诊断、风险和预后预测的研究
摘要：全球的盲和视觉损伤患者数量已超过2.5亿人。然而因为有经验的眼科医生不足，且患者普遍对疾病缺乏认识，许多患者错过眼病的早期诊断，也少有对疾病发展预后的准确评估。我们利用近年来高速发展的机器学习新算法，用计算机对眼科诊疗大数据进行深度学习，构建了白内障图像识别诊疗决策云平台、青光眼多模态诊断体系、眼底多疾病诊断系统和近视发展预测的一系列人工智能模型，经过内外部的机器数据验证，准确率均可达到90％以上。我们的系统已经在临床上初步投入使用，并取得了临床实践上的真实反馈。在一项多中心临床随机对照研究中，我们的小儿白内障诊疗决策平台对每位患者的平均诊疗用时在3分钟以内，速度远快于人类专家，并且患者在接受人工智能诊疗过程中体现了高度的满意度。人工智能可辅助或部分代替医生，通过网络通讯技术，远程为广大患者提供专家级别的筛查、诊断、诊疗决策、风险评估和预后预测的新型医疗服务。
报告人简介：刘奕志教授，1991年于中山医科大学博士毕业；国自然基金创新群体学术带头人、973计划首席科学家；现任中山大学中山眼科中心主任，眼科医院院长，眼科学国家重点实验室主任，中华医学会眼科分会副主任委员。国务院政府特殊津贴专家，中央保健会诊专家。白内障科学科带头人。亚太眼科学会常务理事，中华医学会眼科分会白内障人工晶状体学组副组长，广东省医学会副会长，广东省医学会眼科分会主任委员，《Molecular Vision》共同主编，《current Molecular Medicine》杂志副主编，《中华眼科杂志》等核心眼科杂志编委。实现了人类晶状体再生，开拓了利于内源性干细胞治疗疾病的新方向，以通讯作者发表在Nature杂志，并被Nature Medicine杂志评为“2016年度全球医学八大突破性进展”。创新了系列眼科诊治技术：“扭动”白内障粉碎技术在全球广泛应用；曾在 Science 、N Engl J Med 、Lancet 、BMJ 撰写临床述评和技术标准。曾获得“何梁何利”基金科学与技术进步奖、国家科学技术进步二等奖、中国青年科技奖、中央保健先进个人、全国“五一”劳动奖章等荣誉。
王建新 教授，中南大学计算机学院院长，医疗大数据应用技术国家工程实验室副主任，首席科学家
报告题目：生物医学大数据处理研究探讨
摘要： 随着生物分析和计算技术的快速发展以及医疗信息化水平的不断提高, 生物医学领域产生了大量的数据，促进了生物医学大数据的形成，也使得生物医学的研究由原来的假设驱动向数据驱动的方式进行转变。生物医学大数据蕴含了极其丰富的信息和知识，是关乎国家持续发展、人类生存与健康的重要战略资源。然而，生物医学数据具有明显的高维、海量以及多源异类异构的特点，传统的分析方法已经难以适应生物医学大数据分析的需求，这使得生物医学大数据的分析与应用成为了当前国内外一个极具挑战性的问题。以深度学习为代表的人工智能技术的兴起给生物医学大数据的分析应用带来了新的曙光，成为了感知生物医学大数据跃动的脉搏，洞悉和发掘生物医学大数据神秘丰富的内在世界的重要手段和工具。我们将在分析生物医学大数据的主要来源以及相关特点的基础上，与大家分享交流目前人工智能技术在电子健康档案、医学影像数据以及生物组学数据的分析应用等方面的相关研究工作和挑战，并就生物医学人工智能应用中存在的主要问题进行简要地分析和探讨。
报告人简介：王建新教授，中南大学计算机学院院长、教授、博士生导师，医疗大数据应用技术国家工程实验室副主任，国务院学位委员会第七届学科评议组(计算机科学与技术)成员、国务院政府特殊津贴获得者、ACM Sigbio China主席、中国计算机学会生物信息学专业组副主任委员。国家973计划前期研究专项项目“信息处理算法及物理实现”首席科学家。从事生物信息学、计算机优化算法、网络优化理论等相关的研究工作。近5年来，主持国家自然科学基金重点项目、国家973等科研课题10余项，获授权发明专利15项，在Bioinformatics、TON、TCOM、TCBB、JCSS、Algorithmica、ISMB等刊物和国际会议上发表论文200多篇，出版专著3部，获得省部级科技奖励4项。
王鲁生 教授，香港城市大学计算机科学系教授
报告题目：New Findings for Rearrangement Events and Efficient Algorithms for Longest Common Subsequence with Distance Constraint
摘要： In this talk, we will discuss two problems in computational biology, new findings for rearrangement events and a new algorithm for the problem of longest common subsequence with distance constraint that runs in time O(mlogn), where m is the number of matched pairs of letters between the sequences and n is the length of the short sequence. Genome rearrangements describe changes in the genetic linkage relationship of large chromosomal regions, involving reversals, transpositions, block interchanges, deletions, insertions, fissions, fusions and translocations etc. By comparisons of strains for the same species, we find that the existence of repeats at the breakpoints of a rearrangement event can make the sequences at the breakpoints remain unchanged before and after the rearrangement events. Thus, the conservation of ends of rearrangement events could possibly be a popular phenomenon in many types of genome rearrangement events. The problem of the longest common subsequence with distance constraint is formulated from mapping long reads to reference genomes. An algorithm with running time O(mlogn) was given 40 years ago for the case, where there is no distance constraint. It seems that the old algorithm cannot be extended to work for the new version. Here we give a different algorithm that can solve the problem in O(mlogn) time. We will also discuss the applications of the algorithm in mapping long reads to reference genomes.
报告人简介：王鲁生教授，香港城市大学计算机科学系教授。在加入香港城市大学前，他曾在加州大学戴维斯分校担任博士后研究员一年。从事算法、生物信息学、计算生物学、网络、人工智能等领域的研究工作，在TCBB、Bioinformatics、JCSS、JACM等领域期刊发表论文数百篇。他是IEEE/ACM TCBB、BMC Bioinformatics、International Journal of Knowledge Discovery in Bioinformatics、JCSS的副主编，也是Journal of Bioinformatics and Computational Biology和Journal of Global Optimization的编辑委员会成员。
张晓明 教授，IEEE Fellow、IET/IEE Fellow、BCS Fellow、RSA Fellow、IETI Distinguished Fellow
报告题目：Clustering on Imbalanced Data
摘要：In many practical problems, the number of data forming difference classes can be quite imbalanced, which could make the performance of the most machine learning methods become deteriorate to a certain degree. In general, the problem of learning from imbalanced data is nontrivial and challenging in the field of data engineering and machine learning, which has attracted growing attentions in recent years. In the literature, most of the existing works are focusing on supervised learning only. As far as we know, imbalanced data clustering in unsupervised environment has yet to be well studied. In this talk, we will first formally describe and compare the imbalance problem on supervised and unsupervised learning setting. Then, we describe the key challenge of the problem of clustering on imbalanced data, which is called uniform effect. Accordingly, we propose a solution called SMCL for this problem. The advantages of SMCL are three-fold: (1) It inherits the advantages of competitive learning, and meanwhile is applicable to the imbalanced data clustering; (2) The self-adaptive multi-prototype mechanism uses a proper number of subclusters to represent each cluster with any arbitrary shape; (3) It automatically determines the number of clusters for imbalanced clusters. Empirical studies show the promising results.
报告人简介：CHEUNG, Yiu-ming（张晓明）教授, 2000年获香港中文大学计算机科学系博士学位, IEEE Fellow, IET/IEE Fellow, British Computer Society Fellow (BCS Fellow), Fellow of the Royal Society of Arts (RSA Fellow), Distinguished Fellow of International Engineering and Technology Institute, Hong Kong （IETI Distinguished Fellow）,IEEE香港计算智能（前身为神经网络）学会始创者及前任主席， 而且也是香港浸会大学计算和理论科学研究所的副所长，现任香港浸会大学终身教授。在相关国际著名期刊及学术会议上发表高水平论文220篇，获得国际会议最佳论文奖4篇、香港浸会大学计算机科学系最佳研究奖、第45届日内瓦国际发明展上荣获计算机科学组别优异金奖（即金奖中的最高级别）、瑞士汽车会大奖二项国际大奖、第七届香港创新科技成就大奖香港创新发明奖金牌、第46届日内瓦国际发明展评判嘉许特别金奖（即金牌中的最高级别）、罗马尼亚优异奖，住持承担香港研究资助局、国家自然科学基金等科研项目20多项，发明专利3项（第一发明人），担任IJCIAI,ACML,ICIP等多个国际著名会议程序委员会主席、组织委员会主席、分会主席，是湖北省楚天学者及华中科技大学讲座教授，是哈尔滨工业大学深圳研究员客座教授，同时是香港研究资助局优配研究金及优质教育基金评审专家、深圳市科技创新委员会以及香港学术及职业资助资历评委局评委，并担任多个国际期刊的副主编