社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

深度学习在基因组应用的学习(转录组 基因组 表观组)2025年2月23日

brainnews • 1 年前 • 300 次点击  


可以回放 一对一答疑辅导 

课程背景

  深度学习方法是机器学习的一种类型,能够识别大数据中高度复杂的模式,近年来,深度学习在各个领域都获得了令人欣喜的成果,从计算机图像处理到自然语言处理,但绝大多数的成果都集中在互联网领域,对于专业性较强的生物科研领域而言,如何将这种技术融入到已有的基因组学分析中一直是生物信息学研究的一个关注点

   深度学习,可以进行预测和降维分析。深度学习模型的能力更强且更灵活,在适当的训练数据下,深度学习可以在较少人工参与的情况下自动学习特征和规律。调控基因组学,变异检测,致病性评分成功应用。深度学习可以提高基因组数据的可解释性,并将基因组数据转化为可操作的临床信息。深度学习通过强大的深度神经网络模型从高维大数据中自动挖掘数据潜在特征得以实现


授课方式

1,课程安排三个周末时间共6天,不耽误上班时间

2,所有课程均为腾讯会议,线上直播,学习方式更加灵活!

3,提供课程资料,包括软件、示例数据等!

4,课程基础进阶,理论加实操想结合,零基础也可以轻松入门!

5,课程提供回放,不用担心错过课程,课后也可以反复观看!


授课老师

王老师:具备丰富数据分析经验,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,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



课程设置

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




学习相关问题

会议时间:

2月23日开始 连续三个周末(周六周日)

授课方式:

腾讯会议线上直播


主办单位:

上海玮瑜生物科技有限公司

上海玮瑜信息科技有限公司


会议费用:

课程费用:单独报名4900/人

(可开会务 、注册 技术服务 数据分析等发票)


汇款账号:

A:对公汇款:
户     名:上海玮瑜信息科技有限公司 
账 户 号:97340078801000000164
开 户 行:上海浦东发展银行大华支行 
B:支付宝转账
支付宝账号:wybiot@163.com   
支付宝户名:  上海玮瑜生物科技有限公司
C:信用卡或公务卡支付
微信或支付宝扫描二维码支付,通过信用卡/公务卡扣款

报名方式(推荐学员专属报名通道):




扫码咨询报名


微信号:brainnews_03     



Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/178014