时间 | 课程安排 | 课程内容 |
第一天 周六 | 上午(9-12:00)理论部分 深度学习算法介绍
| 1.有监督学习的神经网络算法 1.1全连接深度神经网络DNN在基因组学中的应用举例 1.2卷积神经网络CNN在基因组学中的应用举例 1.3循环神经网络RNN在基因组学中的应用举例 1.4图卷积神经网络GCN在基因组学中的应用举例 2.无监督的神经网络算法 2.1自动编码器AE在基因组学中的应用举例 2.2生成对抗网络GAN在基因组学中的应用举例 |
下午(14-17:00)实操部分 | 1.Linux操作系统 1.1常用的Linux命令
1.2 Vim编辑器 1.3基因组数据文件管理, 修改文件权限 1.4查看探索基因组区域 2.Python语言基础 2.1.Python包安装和环境搭建 2.2.常见的数据结构和数据类型 |
第二天 周日 | 上午(9-12:00)理论部分
| 基因组学基础 1.基因组数据库 2.表观基因组 3.转录基因组 4.蛋白质组 5.功能基因组 |
下午(14-17:00)实操部分
基因组常用深度学习框架
| 1.安装并介绍深度学习工具包tensorflow, keras,pytorch 2.在工具包中识别深度学习模型要素 2.1.数据表示 2.2.张量运算 2.3.神经网络中的“层” 2.4.由层构成的模型 2.5.损失函数与优化器 2.6.数据集分割 2.7.过拟合与欠拟合 3.基因组数据处理 3.1安装并使用keras_dna处理各种基因序列数据如BED、 GFF、GTF、BIGWIG、BEDGRAPH、WIG等 3.2使用keras_dna设计深度学习模型 3.3使用keras_dna分割训练集、测试集 3.4使用keras_dna选取特定染色体的基因序列等 4.深度神经网络DNN在识别基序特征中应用 4.1实现单层单过滤器DNN识别基序 4.2实现多层单过滤器DNN识别基序 4.3实现多层多过滤器DNN识别基序 |
第三天 周六
| 上午(9-12:00)理论部分
| 卷积神经网络CNN在基因调控预测中的应用 1.Chip-Seq中识别基序特征G4,如DeepG4 2.Chip-Seq中预测DNA甲基化,DeepSEA 3.Chip-Seq中预测转录调控因子结合,DeepSEA 4.DNase-seq中预测染色体亲和性,Basset 5.DNase-seq中预测基因表达eQTL,Enformer |
下午(14-17:00)实操部分
| 复现卷积神经网络CNN识别基序特征DeepG4、非编码基因突变DeepSEA,预测染色体亲和性Basset,基因表达eQTL 1.复现DeepG4从Chip-Seq中识别G4特征 2.安装selene_sdk,复现DeepSEA从Chip-Seq中预测DNA甲基化,非编码基因突变 3.复现Basset,从Chip-Seq中预测染色体亲和性 4.复现Enformer,从Chip-Seq中预测基因表达eQTL |
第四天
周日 | 上午(9-12:00)理论部分
| 深度学习在识别拷贝数变异DeepCNV、调控因子DeepFactor上的应用 1.SNP微阵列中预测拷贝数变异CNV,DeepCNV 2.RNA-Seq中预测premiRNA,dnnMiRPre 3.从蛋白序列中预测调控因子蛋白质,DeepFactor |
下午(14-17:00)实操部分 | 1.复现DeepCNV利用SNP微阵列联合图像分析识别拷贝数变异 2.复现循环神经网络RNN工具 dnnMiRPre,从RNA-Seq中预测premiRNA 3.复现DeepFactor,从蛋白序列中识别转录调控因子蛋白质 |
第五天 周六 | 上午(9-12:00)
| 理论部分深度学习在识别及疾病表型及生物标志物上的应用 1.从基因表达数据中识别乳腺癌分型的深度学习工具DeepType 2.从高维多组学数据中识别疾病表型,XOmiVAE 3.基因序列及蛋白质相互作用网络中识别关键基因的深度学习工具DeepHE |
下午(14-17:00)实操部分 | 1.复现DeepType,从METABRIC乳腺癌数据中区分乳腺癌亚型 2.复现XOmiVAE,从TCGA多维数据库中识别乳腺癌亚型 3.复现DeepHE利用基因序列及蛋白质相互作用网络识别关键基因 |
第六天 周日 | 上午(9-12:00)理论部分
| 深度学习在RNA测序数据中准确鉴别RNA编辑与DNA突变的应用 1.通过深度学习模型DeepDDR高效准确地从单个RNA测序数据中识别RNA编辑和DNA突变
2.介绍DEMINING框架的创新设计和应用
|
下午(14-17:00)实操部分 | 1.数据筛选:筛选标准去除转录组数据中的测序和比对错误 2.提取高可信度的RNA编辑位点和相同数量的DNA突变位点,分别用于训练、验证和测试模型 3. 使用多个层次的卷积和池化操作,提取突变位点周围的序列和读段比对特征,增强模型对突变的识别能力 4.识别突变位点,并捕捉到更大范围内突变的上下文信息,以准确区分RNA编辑和DNA突变 5.对识别出的突变进行功能分析,评估其对宿主基因表达的影响,为潜在的疾病机制提供新的见解 6.利用迁移学习将DeepDDR模型应用于非灵长类RNA测序样本,展示其在不同物种中的适用性和有效性 |