圭林科研平台

虚拟细胞联合学习丨“单细胞+空间转录组+机器学习”联合思路丨多组学联合分析

每月开班/随到随学/线上直播
在线报名

课程简介

1. 一套可复现的二区生信短平快发文方案，依托公开 GEO 数据集，主打机器学习 + 单细胞 + 顶刊虚拟扰动工具，仅需少量 qPCR 验证，不用大量养细胞实验。全程实战 NEC 研究案例，手把手掌握从标志物筛选到机制解析、虚拟筛药的完整分析流程，思路可迁移至各类疾病方向。

2. 中科院老师系统精讲单细胞转录组全套标准分析，进阶单细胞多组学、机器学习、空间转录组（Visium/HD、Xenium、CosMx），覆盖质控聚类、轨迹、细胞通讯、反卷积、生态位、共表达等主流高分分析模块，配套R+Python双平台实操，吃透CNS文章思路，可直接用于课题与文章分析。

3. 设置一个月时间，全面系统学习多组学及其联合分析，多组学的关联分析，将系统生物学中基因，蛋白，代谢和肠道菌群多个层面全关联和最新机器学习方法、人工智能辅助多组学分析，开启全多组学时代。

培训目标

  1. 设置从零基础开始一步一步递进，掌握各种组学（RNA-seq、ChIP-seq、ATAC-seq等）bulk及单细胞分析技能。
  2. 从生信零基础开始到单细胞基础和高阶，最后到空间转录组和单细胞机器学习应用逐步提高。
  3. 系统学习、一次到位；连续一个多月紧凑学习，精细讲解，将单细胞内容学懂、学会、学透、学以致用。
  4. 了解单细胞测序基本概念及原理、测序分析的常用软件、测序数据的下载方法和研究思路、学会用R代码进行单细胞转录组分析并作图、熟悉CNS杂志单细胞转录组文章思路、熟悉零成本的单细胞相关课题设计思路、获得全套全自动化分析单细胞数据的流程脚本。
  5. 空间基础处理、多样本联合分析、单细胞空间联合分析、空间转录组通讯分析、轨迹分析、富集分析、高级绘图、空间转录组绘图、空间转录组细胞聚类、细胞共定位、细胞网络等。
  6. 机器学习单细胞分析应用，通过deepseek设计单细胞空间课题分析思路和内容，一次报名不用东拼西凑反复报名各类生信单细胞学术会议。
  7. 以 NEC 研究为实战案例，串联 bulk 转录组、机器学习筛选核心基因，结合单细胞、scTenifoldKnk 与 Geneformer 虚拟扰动解析基因互作及铁死亡调控，并搭配实验验证。
  8. 围绕转录组、蛋白质组、代谢组、肠道菌群四大核心组学，结合网络药理学与 AI/机器学习，配上真实可参考的数据案例，把多组学联合分析的思路、逻辑、应用场景一次性讲透，帮你打通从数据到文章的全链路。

讲师简介

单细胞空间课程主讲：来自中科院，长期从事单细胞多组学项目研究，发表Nature、Science等杂志七十多篇论文，累计引用上万次，主持多项国家级课题。

多组学课程主讲：周老师，擅长代谢组学、网络药理学+分子对接、转录组学、蛋白组学、肠道菌群等联合分析，具有丰富培训经验。

生信技能及AI辅助课程：由多位资深生信讲师联合授课，覆盖基础到进阶全体系。

课程一：“虚拟扰动+虚拟敲除+虚拟过表达+虚拟筛药”的联合思路，14天发表高分文章套路（两个周末四天）

课程特色

不用养细胞，虚拟细胞发力，14天发表2区生信：“虚拟扰动Geneformer（nature发表）+虚拟敲除scTenifoldKnk+虚拟过表达scTenifoldNet+虚拟筛药DrugRefLector（science发表）”的联合思路，用单细胞联合113种机器学习拿下，是生信发文的短平快模板思路！以公开数据为主（训练集3套GEO数据集+验证集2套独立队列），只加了基础qPCR验证的研究。核心思路就是机器学习筛选标志物 + 单细胞虚拟基因敲除做机制验证，咱们自己聚焦的疾病研究方向思路上完全可以复现的。想发的伙伴们可以尝试系统跟老师学习和交流下思路、设计和分析方法。

课程特色图片

第一天上午：2026年5月新发“多组学 + 113种机器学习 + 单细胞 +虚拟细胞”论文解读和技术路线

  1. 文章思路解读：“多组学 + 113种机器学习 + 单细胞 +虚拟细胞”论文思路解读，论文分析的核心逻辑和可视化呈现方式。
  2. 概念讲解，关键技术的应用：多组学，机器学习，虚拟基因敲除/过表达，虚拟筛药中各种概念讲解，关键技术的应用逻辑，各种图表含义。
  3. 数据库使用方法:介绍多组学数据库各个数据库使用方法
第一天上午图片

第一天下午：R语言入门与绘图实践

  1. 环境配置：R语言基础介绍与安装指南，RStudio集成开发环境的配置及核心功能说明。
  2. R包管理：从CRAN、Bioconductor、Github等不同来源安装R包的方法与常见问题处理。
  3. 语法基础：R语言核心语法结构、常用函数及数据操作命令。
  4. 数据处理：数据读取、存储及统计分析（如t检验、回归分析）的典型应用场景。
  5. R语言绘图实操：小提琴图，箱型图，火山图，热图，网络图，GO、KEGG富集图。
第一天下午图片

第二天上午：数据下载、整合、差异分析和WGCNA挖掘关键模块

  1. GEO数据处理：对GEO数据库多个NEC数据集下载、合并、去批次
  2. 数据差异分析：通过limma差异分析，识别NEC与正常组之间的差异表达基因，为后续筛选奠定基因基础。
  3. WGCNA挖掘关键模块：构建加权基因共表达网络，挖掘与疾病强相关的关键基因模块
  4. 差异共表达基因：将差异基因与共表达基因取交集，获得差异共表达的基因集。
第二天上午图片1 第二天上午图片2

第二天下午：利用113个机器学习算法识别疾病的诊断特征和枢纽基因

  1. 机器学习筛选核心基因：使用113个机器学习算法，筛选生物标志物并采用ROC曲线评估性能。
  2. 诊断评估与验证：生物标志物的诊断评估与验证
第二天下午图片1 第二天下午图片2

第三天上午：生物标志物相关的通路和免疫浸润的相关性

  1. 相关分析：生物标志物的相关通路分析，使用GSVA R包对生物标志物进行单基因富集分析
  2. 免疫浸润分析：使用CIBERSORT分析疾病和对照样本中免疫浸润的差异和诊断特征的相关性
  3. 表达差异和诊断价值评估：核心基因TAZ在疾病数据集的表达差异和诊断价值评估
第三天上午图片1 第三天上午图片2

第三天下午：疾病患者单细胞分析验证的TAZ表达

  1. 疾病单细胞数据处理和注释:单细胞图谱
  2. 单细胞样本中生物标志物的表达的空间异质性和表达差异
  3. 单细胞数据中敲除方法使用:利用单细胞虚拟敲除技术模拟特征基因缺失。
  4. 单细胞数据中虚拟基因过表达方法使用:利用单细胞虚拟过表达技术模拟特征基因过表达
  5. 虚拟基因敲除和过表达后富集分析核心揭示生物标志物基因的不同调控网络:敲除和过表达后影响的基因的富集分析，揭示其在疾病进展中起着关键作用。
第三天下午图片1 第三天下午图片2

第四天上午：虚拟扰动和虚拟筛药深度解析——生物标志物是协同作用、累加作用还是冗余作用

  1. 虚拟扰动方法使用:使用Geneformer驱动的虚拟细胞进行组合性物理扰动
  2. 虚拟药物筛选分析:使用AI驱动的治疗筛查框架（DrugRefLector）筛选疾病相关的药物，并使用分子对接验证可作为靶向生物标记物的潜在治疗药物。
第四天上午图片1 第四天上午图片2

课程二：系统学习单细胞多组学、空间转录组和机器学习单细胞分析应用（每周日全天两个月）

课程特色

单细胞+空间转录组这个组合现在可是顶刊思路中的标配啊，前者能观察基因表达谱，后者观察空间分布定位，二者结合把微环境研究得更全面。今年的内容里大家又在此基础上做了进一步升级，把机器学习也带上了！想学的伙伴们可以尝试系统跟中科院老师学习下思路、设计和分析方法。

主讲嘉宾：来自中科院，长期从事单细胞多组学方面的项目研究，发表Nature、Science等杂志七十多篇论文，累计引用上万次，系统学习交流，一次到位，安排在休息时间；考虑到您太忙，直播的同时也录播供您复习；考虑到您不会怎么办，建群老师给您答疑和指导；考虑到您太累，后期您可以免费复听。

第一天上午（8:30-12:00）：单细胞转录组数据分析模块及技术路线

  1. 文献案例学习：通过10篇经典CNS文献的系统解读，掌握单细胞分析的核心内容与可视化呈现方式。
  2. 高分文章方法论：解析细胞亚群鉴定、拟时序分析、差异表达分析、功能富集、转录因子预测及细胞通讯等关键分析技术的应用逻辑。
  3. 分析框架梳理：总结单细胞研究的十大标准化分析模块及其关联性。
  4. 工具资源指南：介绍单细胞组学常用数据库（如CellMarker、PanglaoDB等）的操作流程与适用场景。
  5. 实践能力培养：结合自测案例，归纳单细胞数据挖掘的完整思路与问题解决策略。

第一天下午（14:00-17:30）：R语言入门与绘图实践

  1. 环境配置：R语言基础介绍与安装指南，RStudio集成开发环境的配置及核心功能说明。
  2. R包管理：从CRAN、Bioconductor、Github等不同来源安装R包的方法与常见问题处理。
  3. 语法基础：R语言核心语法结构、常用函数及数据操作命令。
  4. 数据处理：数据读取、存储及统计分析（如t检验、回归分析）的典型应用场景。
  5. R语言绘图实操：小提琴图，箱型图，火山图，热图，网络图，GO、KEGG富集图。

第二天上午（8:30-12:00）：单细胞转录组数据分析实操流程

  1. Cell Ranger工具应用：10X Genomics官方单细胞分析软件Cell Ranger的功能详解与上机操作指导。
  2. Seurat分析流程原理及实操：基于基因表达矩阵的标准化处理、特征筛选及Marker基因鉴定全流程实践。
  3. 数据质量控制：使用Seurat包进行基因/细胞层面的质控标准与过滤方法。
  4. Seurat归一化、降维与可视化：4.1，Seurat数据处理：标准化、鉴定高变基因、归一化、PCA降维与聚类分析；4.2，二维及三维投影：t-SNE/UMAP可视化与结果解读。
  5. Markers基因计算：差异表达基因识别与可视化。
  6. 细胞类型注释：结合已知标记基因、自动注释工具及人工验证的多策略分类方案。

第二天下午（14:00-17:30）：单细胞转录组多样本整合与分析流程

  1. 双细胞去除：使用DoubletFinder工具识别并去除双细胞污染，重点讲解预期双细胞率、分群数等核心参数的设置依据。
  2. 参数优化：针对不同数据集特点，个性化调整分群分辨率、降维维度等关键参数的操作指南。
  3. 亚群解析：基于标记基因表达谱的细胞亚分群策略与可视化验证方法。
  4. 组间差异：多样本间差异表达基因（DEGs）的识别。
  5. 样本整合：5.1，使用Seurat的CCA/IntegrateLayers算法进行批次校正；5.2，通过harmony框架消除技术变异与样本异质性。

第三天上午（8:30-12:00）：功能富集分析与基因集评分及可视化

  1. 基础理论与可视化：功能富集分析（GO/KEGG）的核心原理，以及富集结果常用图形（如条形图、气泡图、网络图、热图、弦图、富集路径图）的解析方法。
  2. R包实现：使用clusterProfiler、enrichR等R包进行GO及KEGG功能富集分析的操作流程与结果解读。
  3. 在线平台：DAVID数据库的富集分析步骤与参数设置；metascape平台的多组学整合分析功能。
  4. GSEA分析：基于GSEA软件（Java版）的标准化分析流程，R包实现GSEA的替代方案。
  5. 基因集评分：GSVA算法在无监督基因集活性评估中的应用，AddModuleScore/AUCell/UCell针对特定基因集得分的计算方法。

第三天下午（14:00-17:30）：拟时序分析方法与实操指南

  1. Monocle2全流程分析：1.1，细胞与基因筛选标准；1.2，降维（如PCA/t-SNE）与细胞排序算法；1.3，差异表达基因鉴定方法；1.4，轨迹图、分支图等常用可视化图形绘制。
  2. Monocle3应用：2.1，基于图结构的拟时序分析流程；2.2，轨迹状态与分支点可视化。
  3. RNA速率分析：3.1，剪接动力学原理与计算流程；3.2，速度场与轨迹方向性验证。
  4. CytoTRACE分析：4.1，细胞分化潜能评分方法；4.2，拟时间轴构建与结果解读。
  5. Slingshot和DiffusionMap进行轨迹可视化：5.1，Slingshot的贝叶斯轨迹推断；5.2，DiffusionMap降维与轨迹叠加展示。

第四天上午（8:30-12:00）：细胞通讯与代谢分析方法及实操

  1. CellPhoneDB分析：1.1，基于配体-受体互作的细胞通讯分析流程；1.2，网络图、热图等可视化图形生成方法。
  2. CellChat分析：2.1，单数据集与多数据集整合分析策略；2.2，信号通路活性图、细胞间通讯网络图等可视化。
  3. NicheNet分析：3.1，配体-受体-靶基因调控网络构建；3.2，下游基因调控预测与结果验证。
  4. scMetabolism分析：4.1，单细胞水平代谢通路活性评估；4.2，代谢状态聚类与差异分析。

第四天下午（14:00-17:30）：转录调控网络与拷贝数变异分析方法

  1. SCENIC转录因子分析：1.1，基于共表达网络的转录因子活性推断流程；1.2，顺式调控元件（motif）富集分析方法。
  2. SCENIC网络构建与可视化：2.1，细胞调控网络活性得分计算（AUCell算法）；2.2，调控网络图、热图等可视化展示。
  3. hdWGCNA分析：3.1，单细胞水平共表达网络构建（基于WGCNA改进）；3.2，模块识别与功能关联分析。
  4. inferCNV分析：4.1，染色体拷贝数变异推断算法原理；4.2，拷贝数变异热图与差异区域可视化。

第五天上午（8:30-12:00）：单细胞多组学分析思路与方法

  1. 单细胞组学技术概述：1.1，主流技术：单细胞RNA测序（scRNA-seq）、单细胞ATAC测序（scATAC-seq）、单细胞蛋白组（CITE-seq）；1.2，技术特点：分辨率、通量、多组学联用方案（如10x Genomics多组学平台）。
  2. 联合组学解析策略：1.1，数据关联：基因表达-开放染色质共定位、mRNA-蛋白表达一致性分析；1.2，工具支持：Seurat、WNN等算法的跨组学特征对齐。
  3. 多组学整合分析方法：细胞类型注释（基于主导组学数据），跨组学特征映射（如基因→开放区域）。
  4. Seurat实现转录组+ATAC联合分析：Signac及ArchR进行ATAC分析，锚点及WNN方法实现转录组+ATAC联合分析。
  5. Seurat实现转录组+蛋白组联合分析：锚点基因匹配（如表面蛋白对应基因），WNN算法。

第五天下午（14:00-17:30）：机器学习基础理论及Python语言介绍

  1. 机器学习基本概念与常用模型：1.1，核心概念：监督学习、无监督学习、强化学习；1.2，典型模型：线性回归、决策树、支持向量机、神经网络。
  2. 单细胞及空间组学中的机器学习方法：2.1，应用场景：细胞聚类、轨迹推断、空间模式识别；2.2，常用算法：t-SNE、UMAP、随机森林、图神经网络。
  3. Python入门：3.1，环境搭建：Python及Jupyter Notebook安装；3.2，基础语法：变量、运算符、控制结构；3.3，数据类型：数值、字符串、布尔值。
  4. Python数据结构与文件操作：4.1，数据结构：列表、元组、字典、集合；4.2，文件操作：读写文本文件、CSV处理。
  5. Python控制流与函数：5.1，控制流：条件语句、循环语句；5.2，函数：定义、参数传递、返回值。

第六天上午（8:30-12:00）：空间转录组技术及分析内容

  1. 主流空间转录组技术概述：1.1，技术平台：10X Visium、10X HD、Stereo-seq、Xenium、CosMx；1.2，分析特点：分辨率、捕获效率、多组学兼容性及适用场景对比。
  2. 经典文献解析：2.1，15篇CNS文献核心内容串讲；2.2，重点：空间组学关键发现与分析模块。
  3. 高分文章分析思路及模块总结：3.1，反卷积分析（细胞类型空间分布）；3.2，生态位分析（微环境互作）；3.3，拟时序分析（发育/疾病轨迹）；3.4，差异表达分析（空间特异性基因）；3.5，功能富集（区域化功能模块）；3.6，细胞共定位（亚群空间关系）；3.7，细胞通讯（配体-受体空间互作）。
  4. 各分析模块工具包汇总：4.1，常用工具：Seurat空间模块、Squidpy、RCTD、mistyR、Cell2location等；4.2，功能覆盖：细胞注释、空间统计、交互分析。

第六天下午（14:00-17:30）：空间转录组R包Seurat分析及与单细胞联合分析实操

  1. 10x Visium官方软件Space Ranger：1.1，软件功能与操作流程讲解；1.2，实战演练：从原始数据到标准输出。
  2. Space Ranger输出结果解读：2.1，关键指标：测序质量、基因检测效率；2.2，空间基因表达矩阵结构说明。
  3. Seurat基础分析流程：3.1，降维方法：PCA、UMAP/t-SNE；3.2，聚类算法：分辨率参数设置与结果评估；3.3，可视化：空间点图与聚类分布展示。
  4. Seurat高级功能应用：4.1，基因表达空间可视化（FeaturePlot）；4.2，空间变量特征识别（Spatially Variable Features）。
  5. 单细胞数据关联分析：5.1，数据整合：锚点对齐与批次校正；5.2，空间细胞类型定义（细胞类型映射）。
  6. 多样本整合分析：6.1，样本间差异处理；6.2，联合可视化与统计检验。

第七天上午（8:30-12:00）：空间转录组Python库Scanpy与Squidpy基础分析及可视化

  1. Scanpy数据读取与预处理：1.1，数据导入：支持10X Visium等格式的空间转录组数据读取；1.2，质控流程：基因/细胞过滤、标准化、批次校正。
  2. Scanpy核心分析流程：2.1，高变基因筛选（HVG）；2.2，降维方法：PCA、UMAP/t-SNE；2.3，聚类算法：Louvain/Leiden算法；2.4，可视化：二维/三维空间分布展示。
  3. Scanpy差异基因分析：3.1，空间差异表达基因识别；3.2，统计检验与结果可视化。
  4. Squidpy功能模块：4.1，图像特征计算：组织形态学量化；4.2，邻域富集分析（NPA）；4.3，空间差异基因分析。

第七天下午（14:00-17:30）：空间转录组基因表达分析、细胞反卷积及差异基因分析

  1. Seurat包scTransform与Python库Tangram：1.1，scTransform标准化方法复习；1.2，Tangram空间数据整合实操。
  2. 细胞反卷积分析R包：2.1，RCTD与CARD算法原理；2.2，实战流程：从输入到细胞组成预测。
  3. Python反卷积工具Cell2location：3.1，贝叶斯模型原理；3.2，空间细胞类型解卷积实操。
  4. 空间差异基因分析工具：4.1，跨平台SpatialDE（Python/R）；4.2，trendsceek与SPARK-R包。

第八天上午（8:30-12:00）：空间转录组轨迹分析、细胞共定位、hdWGCNA及CNV分析

  1. 空间轨迹分析：1.1，R包SPATA2实现；1.2，Python库stlearn实现。
  2. 细胞共定位分析：2.1，R包mistyR基础分析；2.2，扩展分析：细胞-通路-基因共定位。
  3. hdWGCNA分析：3.1，空间转录组加权共表达网络构建；3.2，结果可视化。
  4. CNV分析：R包SPATA2实现。

第八天下午（14:00-17:30）：空间转录组细胞通讯分析

  1. R包CellChat：细胞通讯分析及可视化。
  2. R包NicheNet：2.1，配体-受体互作分析；2.2，下游基因调控网络构建。
  3. Python库CellPhoneDB：细胞通讯分析及可视化。
  4. Python库COMMOT：细胞通讯分析及可视化。
  5. Python库stlearn：细胞通讯分析及可视化。

第九天上午（8:30-12:00）：空间转录组细胞生态位及分子生态位分析

  1. 基础矩阵类型：1.1，基因表达矩阵；1.2，细胞类型矩阵；1.3，细胞生态位矩阵；1.4，分子生态位矩阵。
  2. 生态位聚类方法：2.1，Python及R包Banksy实现；2.2，适用于空间转录组数据。
  3. 细胞niche分析：1.1，R包Seurat；1.2，R包ISCHIA。
  4. 生态位差异表达分析：1.1，R包nicheDE；1.2，空间转录组数据应用。

第九天下午（14:00-17:30）：Visium HD及Xenium、CosMx数据分析

  1. R包Seurat：1.1，Visium HD数据分析；1.2，Xenium、CosMx数据分析。
  2. Python库scanpy：Visium HD数据分析。
  3. Python库squidpy：Xenium、CosMx数据分析。
  4. RCTD反卷积：4.1，Visium HD数据；4.2，double模式反卷积分析。
  5. 案例复现。

课程三：多组学联合分析、孟德尔随机化结合多组学和人工智能（AI）辅助多组学联合分析（每周六全天一个月）

课程特色

设置一个月时间，全面系统学习多组学及其联合分析，多组学的关联分析，将系统生物学中基因，蛋白，代谢和肠道菌群多个层面全关联和最新机器学习方法、人工智能辅助多组学分析，开启全多组学时代。

第一节（周六上午9:00-11:30）：代谢组学生信分析

1，代谢组学基本入门知识（研究背景，技术发展和原理，课题设计、样品类型、所用的仪器设备、样品收集要求、寄送注意事项）
2，原始矩阵归一化处理
3，SIMCA-P软件的使用进行模型的建立
4，PCA、OPLS-DA模型的建立、代谢物VIP值的计算
5，置换检验判断OPLS-DA模型的稳定性
6，差异代谢物的筛选、鉴定
7，HMDB、MetaboAnalyst数据库的使用，代谢通路富集分析
8，代谢物的pearson相关性分析

第二节（周六下午2:00-4:30）：转录组学数据分析

1，转录组学的内容，应用，测序原理等
2，R语言做差异分子的筛选
3，PPI蛋白互做网络构建鉴定重要的分子
4，富集分析获取重要的GO term和通路
5，基因的pearson相关性分析
6，GSEA，GSVA分析获取重要通路
7，免疫浸润量化不同免疫细胞在组织中的浸润程度
8，多个芯片合并获取分析用数据
9，GEO数据库的使用和芯片下载

第三节（周六上午9:00-11:30）：蛋白组学数据分析

1，蛋白组学的发展史，检测方法，所需的仪器设备，蛋白组学的应用
2，差异蛋白分子的筛选
3，PPI蛋白互做网络构建筛选重要的差异蛋白
4，富集分析筛选重要的GO term和通路
5，蛋白的pearson相关性分析

第四节（周六下午2:00-4:30）：肠道菌群课题设计+数据分析

1，肠道微生物的作用，影响因素，粪菌移植等相关知识，课题设计
2，α、β多样性分析识别组间肠道微生物的复杂程度和组成差异
3，组间差异物种分析
4，LEfSe分析筛选biomarker
5，功能分析筛选重要的通路
6，关联环境因子进行肠道微生物与临床性状或者其余组学的相关性分析

第五节（周六上午9:00-11:30）：代谢组学与转录组学、蛋白组学联合分析

1，案例分析：代谢组学与转录组学、蛋白组学联合分析思路、流程和方法
2，KEGG数据库的使用
3，代谢通路、富集分析通路的查询
4，多组学差异的分子或者物种的Pearson相关性分析
5，Metscape的应用进行代谢组学与蛋白组学，转录组学或者网络药理学的联合分析
6，联合分析网状图的绘制
7，Pearson相关性分析

第六节（周六下午2:00-4:30）：肠道微生物组学与代谢组学与转录组学、蛋白组学联合分析

1，案例分析：肠道微生物组学与代谢组学与转录组学、蛋白组学联合分析思路、流程和方法
2，肠道微生物组学与代谢组学联合分析
3，肠道微生物组学与蛋白组学联合分析
4，肠道微生物组学与转录组学联合分析
5，多组学联合分析网状图的绘制
6，微生信查询通路图

第七节（周六上午9:00-11:30）：网络药理学结合代谢组学、实验验证及NHANES等多方法发表SCI（一）

1，案例分析：网络药理学和代谢组学的联合分析思路、流程和方法
2，药物靶点的查询，包括复方，单位药，单体，TCMSP，Dgldb，pharmmapper，Swisstargetprediction数据库的使用
3，疾病靶点的查询，基于NCBI，genecards，TTD，TCMSP数据库
4，药物治疗疾病潜在靶点的确定，韦恩图绘制
5，蛋白互作，string数据库和cytoscape数据库的使用
6，富集分析，BP，CC，MF，KEGG
7，分子对接，配体受体相互作用，结合能的计算，结合位点的确定。
8，常见疾病的表型检测内容

第八节（周六下午2:00-4:30）：网络药理学结合代谢组学、实验验证及NHANES等多方法发表SCI（二）

1，实验所需生物样本类型
2，细胞和动物实验分组
3，干预措施的确定
4，常见疾病动物模型造模方法
5，Elisa，病理切片，wb，qpcr，免疫组化等实验设计，注意事项
6，NHANES与临床变量简介，
7，临床研究分类与设计、NHANES数据清洗、
8，交互分析、曲线拟合、分层分析
9，无随访的临床预测模型、C指数计算，
10，诺莫图绘制、DCA曲线绘制、
11，ROC曲线和校准曲线的绘制
12，孟德尔随机化结合网络药理学
13，生物信息学结合网络药理学，
14，单细胞测序结合网络药理学

第九节（周六上午9:00-11:30）：机器学习应用于多种组学筛选重要特征

1，缺失值处理
2，随机森林模型
3，xgboost模型
4，lasso回归等模型
5，shap值计算
6，拟合曲线的绘制
7，模型评价，ROC曲线的绘制
8，特征变量与shap值相关性计算
9，多种机器学习算法用于各组学筛选重要的特征：代谢物、肠道微生物、mRNA、蛋白质

第十节（周六下午2:00-4:30）：机器学习模型的应用

1，Boruta算法进行特征选择
2，多种机器学习模型的比较应用（Lasso，Xgboost，随机森林，朴素贝叶斯，神经网络，支持向量机，Gbm，Lightgbm，Catboost）
3，蜂窝图的绘制进行模型可解释性
4，单样本全特征的SHAP值分析绘制
5，特征重要性条形图绘制进行特征排序

第十一节（周六上午9:00-11:30）：人工智能辅助多组学分析（一）

1，deepseek辅助多组学课题设计，数据处理和快速获取idea
2，deepseek辅助多组学分析思路、流程和方法
3，deepseek用于辅助多组学文章写作
4，deepseek用于辅助多组学获取背景知识

第十二节（周六下午2:00-4:30）：人工智能辅助多组学分析和课程总结

1，deepseek用于代码修改
2，deepseek用于文章润色，降重
3，课程总结：多组学文章整体思路/框架的搭建
4，课程总结：多组学文章图片组合
5，课程总结：多组学与湿实验结合

课程四：生信技能体系（零基础→进阶→AI辅助，共10晚）

阶段一：基础生信（2晚）

第一天晚上（19-22点）

  1. 生物信息学基本理论
  2. GEO数据下载和预处理；
  3. GEO数据处理后的差异基因筛选；
  4. 如何定义测序中的差异基因；
  5. 差异基因的蛋白互作网络构建及其目的
  6. 蛋白互作网络中核心节点分析（Cytohubba和MCODE插件进行分析）

第二天晚上（19-22点）

  1. 差异基因的GO和KEGG富集分析及结果解读
  2. 如何纳入有意义的GO和KEGG条目
  3. GSEA富集分析及结果解读
  4. 如何纳入GSEA结果中有显著意义的条目
  5. 单基因GSEA富集分析（基因在疾病中效应机制分析）
  6. GSVA作图教学
  7. GSVA富集分析及结果解读
  8. 如何纳入GSVA结果中有显著意义的条目
  9. 单基因GSVA富集分析（基因在疾病中效应机制分析）
  10. GSVA作图教学
阶段二：生信进阶（4晚）

第三天晚上（19-22点）

  1. 免疫浸润分析及结果解读
  2. WGCNA分析原理及分析结果解读
  3. CatBoost, Decision Tree, Gradient Boosting Tree, LightGBM (LGB), Logistic Regression (LR), Lasso, Naive Bayes, Neural Network, Random Forest (RF), Support Vector Machine, and XGBoost算法筛选核心自变量及如何优化筛选自变量
  4. hubgene的shap值，特征重要性计算，shap值与表达量的依赖曲线的绘制
  5. 个体与整体差异的力图和瀑布图绘制

第四天晚上（19-22点）

  1. 基因预后模型的构建及其评估方法（主要研究疾病为肿瘤）
  2. 基因预测模型的构建及其评估（主要研究疾病为非肿瘤）
  3. 分子分型（适用于肿瘤和非肿瘤）
  4. 单因素回归分析
  5. 多因素回归分析
  6. 预后模型高低风险组生存、时间依赖性ROC曲线、风险热图分析
  7. 诺莫图的绘制

第五天晚上（19-22点）

  1. 单细胞分析（R语言工具）
  2. 单细胞数据下载
  3. 质控，识别高变基因
  4. 降维，UMAP和t-SNE分析
  5. 细胞注释
  6. 基因组织特异性表达分析
  7. 柱状图，火山图，热图，生存图，瀑布图，折线图，散点图，森林图等各种图形的绘制教学（R代码或者origin软件）

第六天晚上（19-22点）

  1. 网络药理学/网络毒理学分析
  2. 药物靶点的获取
  3. 疾病靶点的获取
  4. 靶点名称的注释
  5. 交集靶点的获取，韦恩图的绘制
  6. 富集分析（GO和KEGG）
  7. 蛋白互作网络的构建
  8. 分子对接，小分子配体和大分子受体结构文件的获取，pymol和autodock软件的使用，discovery studio软件进行可视化。
  9. 孟德尔分析
  10. 孟德尔随机化的基本理论
  11. 暴露和结局的确定
  12. 获取暴露和结局的在线数据
  13. 五种孟德尔方法判断因果关联
  14. 敏感性分析，多效性和异质性检验
  15. 散点图，留一法，森林图与漏斗图的绘制
  16. 101种机器学习算法构建预后模型（主要在官网进行，会教授如何整合对应数据）
  17. 双疾病分析
阶段三：生信技能设计（2晚）

第七天晚上（19-22点）

  1. 表型与疾病之间关联性研究思路
  2. WGCNA➕表型➕疾病关联性研究思路
  3. WGCNA➕GSVA➕表型➕疾病关联性研究思路
  4. 网络药理学联合转录组学关联性研究
  5. 个人自测转录组学、蛋白组学和代谢组学研究思路
  6. 疾病（非肿瘤和肿瘤）血液生物标志物研究思路

第八天晚上（19-22点）

  1. 孟德尔与转录组学关联性研究
  2. 双疾病生信分析思路
  3. 孟德尔联合转录组分析思路
  4. 实验干湿（生信预测+分子生物学实验验证）思路讲解
  5. 细胞培养+动物造模技术
  6. 生信文章撰写
  7. 如何利用自己自测转录组数据或者蛋白组学数据挖掘数据
阶段四：人工智能辅助生信分析（2晚）

第九天晚上（19-22点）

  1. deepseek的应用
  2. deepseek用于手稿的润色和降重
  3. deepseek用于课题设计

第十天晚上（19-22点）

  1. deepseek用于代码修改
  2. deepseek用于常规科研问题的解决

主办单位

上海玮瑜生物科技有限公司；合肥圭林科技有限公司

培训费用

虚拟细胞联合学习：3500元/人
“单细胞+空间+机器学习”联合思路：6600元/人
多组学联合分析：4500元/人
生信技能体系：3800元/人
可组合报名，团体优惠请咨询会务。课后提供发票。

缴费方式

银行汇款

户名：上海玮瑜信息科技有限公司

账号：9734 0078 8010 0000 0164

开户行：上海浦东发展银行大华支行

公务卡/信用卡等其他付款方式请联系客服

联系咨询

苏秘书

193 5531 3321（微信同号）

guilinkeji88@163.com
微信二维码

扫一扫添加微信好友

立即报名