随着高通量生物技术的发展，已经开发了多种组学技术来表征不同但互补的生物信息，包括基因组学、表观基因组学、转录组学、蛋白组学和代谢组学等
最近的人工智能技术已经从“浅层”学习架构发展到“深度”学习架构。作为人工智能的一个重要分支，机器学习（ML）可以自动学习捕捉复杂的模式，并根据数据做出智能决策。ML在癌症研究和临床肿瘤学中有着非常广泛的应用。特别是，在多组学数据快速增长的推动下，属于ML子领域的基于深度学习（DL）的方法已成为生物医学数据分析的强大工具
下面是近两年人工智能与组学在顶刊发表的部分研究方向
Science Adcances   机器学习代谢组学在胰腺癌的研究
Seminars in Cancer Biology  机器学习多组学在癌症诊断的研究
Nature Protocols    机器学习代谢组学在药物代谢与疾病病理的研究
 2022国自然基金机器学习代谢组学在糖尿病视网膜病变的研究
Cell Systems   机器学习蛋白质组学在生物标志物发现的研究
Nature Medicine  机器学习蛋白质组学在酒精相关肝病的研究
Cancer Cell  深度学习对泛癌基因组学进行整合分析
 Science Adcances  基因组图谱基于深度学习预测癌症依赖性
人工智能与组学的研究到底有多热，以及为何要举办培训，下面的内容给出了答案
近两年国内外顶尖课题组MIT、Harvard University、UPenn、清华大学、复旦大学、西湖大学等都在从事人工智能与组学的研究，这一研究成果更是多次发表在Nature Reviews Genetics、Nature Methods、Science Advances、Cancer Cell、Nature Biotechnology等知名国际顶刊上，为我们发表顶刊鉴定了基础
 由于该项研究资料和学习平台较少，信息技术不公开，培训学习迫在眉睫，特此诚挚邀请您参加“人工智能与蛋白组学”线上培训课，参会会员已达2000余名！发顶刊！快上车！
授课专家
机器学习蛋白组学主讲老师来自国内高校李老师授课，有十余年的蛋白质组数据分析经验。研究领域涉及机器学习，芯片数据分析，蛋白质组数据分析，DNA，RNA，甲基化测序数据分析，单细胞测序数据分析，miRNA及靶基因分析等，发表SCI论文30余篇，其中一作及并列一作15篇。
课程一：机器学习蛋白组学课表内容
第一天
机器学习及蛋白组学简介
 1.机器学习基本概念介绍
 2.常用机器学习模型介绍
 3.混淆矩阵
 4.ROC曲线
 5.主成分分析（PCA）
 6.蛋白组学基本概念
R语言简介及实操
 1．R语言概述
 2．R软件及R包安装
 3．R语言语法及数据类型
 4．条件语句
 5．循环
 6．函数
 7．常用的机器学习相关R包介绍
第二天
机器学习在蛋白组学数据分析中的应用案例分享
1.利用机器学习鉴定疾病相关蛋白标志物
 2.利用机器学习基于蛋白组学数据预测表型
 3.利用机器学习基于蛋白组学数据进行分类
 4.利用机器学习基于蛋白组学数据构建预后模型
蛋白组学相关数据库介绍
 1.Uniport
 2.HPA
 3.TCPA
 4.CPTAC
第三天：零代码工具利用机器学习分析蛋白组学数据
利用PLOS Computational Biology（IF:5分）发表零代码工具，轻松完成差异表达分析，常见统计分析，常见可视化，内置7种机器学习方法，轻松调用。
 1.数据导入（两套数据，二分类，多分类）
 2.数据可视化（散点图，热图，柱形图，相关性热图，火山图，层次聚类图）
 3.缺失值填充
 4.数据归一化
 5.离群值检测/清理
 6.常见统计方法应用（t-test, limma, Kruskal-Wallis ,ANOVA, PCA, k-means, 相关性分析）
7.机器学习方法应用（RF, lasso, SVM等）
第四天
利用机器学习基于蛋白组学数据预测表型，基于蛋白组学数据复现cell中机器学习分析结果
实操内容
1.蛋白组学数据处理，差异表达分析
 2.火山图，多分组热图，多组箱型图展示差异表达分析结果
 3.构建Random Forest模型
4.重要蛋白筛选
 5.绘制ROC曲线
6.独立测试集检测模型表现
利用机器学习鉴定疾病相关蛋白标志物，基于Olink数据，复现影响因子17分文章中，蛋白数据常规分析+时序蛋白聚类分析+机器学习分析结果
实操内容
1.读取蛋白表达数据
2.差异蛋白挑选，火山图绘制，箱型图绘制
 3.时序蛋白表达数据聚类分析
4.构建随机森林模型
5.挑选重要特征
 6.独立测试集进行验证
第五天
利用机器学习基于质谱的蛋白质组学数据，构建肝病相关分类和预后模型，复现Nature Medicine文章中的机器学习，生存分析，预后模型相关的结果。
实操内容
 1.鉴定与不同肝病显著相关的蛋白
 2.比较22种不同的机器学习分类器，挑选最优算法构建不同肝病的分类模型
3.独立队列验证模型准确性
4.构建预后模型
 5.绘制生存曲线和时间依赖的ROC曲线
报名咨询联系方式
报名咨询方式（请二维码扫描下方微信）
                                      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！  祝愿各位心想事成
继续阅读
阅读原文