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.Cellranger工具应用：10X Genomics官方单细胞分析软件Cellranger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：tSNE/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/tSNE）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官方分析软件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）：
Visum HD及Xenium、CosMx数据分析
1.R包Seurat
1.1,Visum HD数据分析
1.2,Xenium、CosMx数据分析
2.Python库scanpy
Visum HD数据分析
3.
Python库squidpy
Xenium、CosMx数据分析
4.RCTD反卷积
4.1,Visum HD数据
4.2,double模式反卷积分析
