科研背景
细胞生物学的相关研究一直受限于数据的完整性和表型的完整性，对应激状态和稳态下的细胞区别观察不够充分。过去五年中，计算机视觉和语音识别领域通过对大量的无标签数据进行学习、建模，很好的解决了数据不足的问题。同样在最近的研究中，机器学习方法使用单细胞数据进行扰动建模也推动了细胞生物领域前进。对于生物学家来讲，无论研究基因、转录本、修饰、蛋白功能，都要频繁的进行人为干预，实现对感兴趣变量的正向或者反向改变，观察细胞表型的变化。整个过程需要对干预工具的构建、导入、实验观察，从而得出表型结论。扰动建模的目的就是想要通过数学模型的建立，通过对已有数据的分析、归纳和总结，对一个分子的功能在没有实验时做出预判，对于生物学家和药物研发者来讲，好的模型一定能够帮助加深对生物机制的理解，推动药物的研发进程
      由于学习平台文献、视频教程资料较少，技术不公开，对于有相应科研任务和发高质量文章的科研人员极度困扰，而培训学习迫在眉睫， 应广大科研人员要求，本单位经过数月调研，决定联合专家共同举办“机器学习单细胞分析”专题培训班，本单位已经举办十一期培训，参会人员高达1200余人，对于培训安排和培训质量一致评价极高 ！将内容全部学懂、学会、学透彻、学以致用，完成科研任务和高质量文章！
02
培训目标
一、   本课程让初学多组学联合机器学习体系课程的学员们快速掌握多组学以及机器学习基础理论和在单细胞数据分析中的简单应用。适用于前期无编程基础，对机器学习，包括深度学习和单细胞数据分析感兴趣的学员。同时在帮助学员提升与掌握多组学联合分析以及深度学习神经网络的应用。课程通过基础入门+进阶实例演练的讲授思路，从初学及应用研究角度出发，带大家实战演练机器学习在单细胞多组学整合分析中的数据处理、预测模型以及生物学意义阐述等，助力大家掌握多种机器学习算法模型的构建以及在单细胞多组学联合分析在具体科学研究中的实际应用，并介绍当下深度学习算法高维组学数据处理，生物网络挖掘的前沿方法，有助于研究创新机器学习算法解决生物学及临床疾病问题与需求。
03
授课专家
刘老师，生物信息学博士，有十余年的测序数据分析经验。研究领域涉及人工智能、自然语言处理、功能基因组学、转录组学、miRNA及靶基因网络分析，单细胞测序数据分析，基因调控网络时序分析，蛋白质互作网络分析，多组学联合分析等。主持省自然科学基金等项目4项，出版医学实用教材《Python医学实战分析》，发表SCI论文22篇，其中一作及并列一作9篇。
课程一、机器学习单细胞分析应用专题线上培训班
第一天
理论内容：
1.单细胞测序原理
2.单细胞测序基础
3.单细胞测序方法及数据
4.单细胞数据分析流程
实操内容
1.R语言基础
2.R（4.1.3）和Rstudio的安装
3.R包安装和环境搭建
4.数据结构和数据类型
5.R语言基本函数
6.数据下载
7.数据读入与输出
第二天
理论内容
1.机器学习概述
2.线性模型
3.决策树
4.支持向量机
5.集成学习
6.模型选择与性能优化
实操内容
1.决策树算法实现
2.随机森林算法实现
3.支持向量机(SVM)算法实现
4.朴素贝叶斯算法实现
5.Xgboost算法实现
6.主成分分析PCA算法实现
7.聚类算法实现
8.DBSCAN算法实现
9.层次聚类算法实现
第三天
理论内容
1.多组学基础
2.常用生物组学实验与分析方法
3.常用组学数据库介绍
4.批量处理组学数据
5.生物功能分析
6.基于转录组学的差异基因筛选，疾病预测
7.基于差异基因联合多组学分析疾病发生机制
8.组学数据可视化
实操内容
1.多组学基础
2.常用生物组学实验与分析方法
3.常用组学数据库介绍
4.批量处理组学数据
5.生物功能分析
6.基于转录组学的差异基因筛选，疾病预测
7.基于差异基因联合多组学分析疾病发生机制
8.组学数据可视化
第四天
理论内容
1.单细胞分析中的常见机器学习方法
2.降维聚类的机器学习算法
3.分群注释的机器学习算法
4.单细胞分析中常见的深度学习方法
5.降维聚类的深度学习算法
6.分群注释的深度学习算法
实操内容
1.Python语言基础
2.python安装与开发环境的搭建
3.基本数据类型组合数据类型
4.分析环境搭建
5.Jupyter notebook的使用
6.函数、列表、元组、字典、集合
7.控制结构、循环结构
8.Numpy模块 ——矩阵的科学计算
9.Matplotlib模块——数据处理与绘图
10.Pandas模块——csv数据处理与分析
11.Sklearn模块——机器学习模型基础软件包调用
第五天
理论部分
1.机器学习在单细胞分析中的应用
2.收集数据
3.数据准备
4.选择一个模型
5. 模型训练
6.模型评估
7.参数调整
8.模型预测
实操内容
1.创建Seurat对象
2.数据质控
3.测序深度差异及标准化
4. 单细胞数据降维
5.批次效应去除
6.数据整合
7.亚群注释
8.GSVA通路活性分析
9.单细胞富集分析
第六天
理论部分
1.深度学习在单细胞分析中的应用
2.卷积神经网络基本构成
3.卷积核
4.循环神经网络基本构成
5.循环核
6.图神经网络基本构成
实操内容
1.卷积神经网络在单细胞分析的算法实现
2.循环神经网络在单细胞分析的算法实现
3.图神经网络在单细胞中分析的算法实现
4.单细胞数据的自动注释
5.单细胞数据分析聚类与批量效应
6.单细胞测序数据进行聚类
7.加权图神经网络的细胞类型注释方法
8.单细胞表达数据中深度学习基因关系
04
部分案例图片
08
报名咨询请扫描下方微信二维码
对此内容感兴趣可点击关注公众号！长期发布各种科研培训，及前沿资讯！
                                 报名参会流程
引用往期参会学员的一句话：
发现真的是脚踏实地的同时  需要偶尔仰望星空
          非常感谢各位对我们培训的认可！  祝愿各位学业事业有成！
继续阅读
阅读原文