重磅 | 国际首例！寒门生信师兄连发3篇Nature！解决生信百年难题！

随着超算能力的提升，深度学习可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。过去10年，深度学习在计算机视觉、语音识别以及自然语言处理领域取得巨大成功。尽管蛋白是功能的最终执行者，但是由于实验及计算技术上的挑战，大规模蛋白组学研究滞后于基因组学。基于质谱的蛋白组学使得全面识别和量化蛋白成为可能。深度学习技术的应用大大加快了蛋白组学的发展，可通过对蛋白组学和基因组学的分析，对疾病的认识会更加深入。运用深度学习挖掘蛋白组学数据探复杂疾病致病机制及药物反应机制将会极大的提升精准医学和转化医学的进度。人工智能时代，深度学习将会成为大数据处理的主要工具。通过本课程，不仅能够学会使用深度学习模型挖掘蛋白组学高维数据解决科研问题，还能理解深度学习的原理，应用于其他领域，如医学影像处理、自然语言处理等。

重磅推送

2025top最火科研技术汇总

一、深度学习解析蛋白组学

二、机器学习代谢组学

三、机器学习微生物多组学联合分析

四、深度学习基因组学

五、CRISPR-Cas9基因编辑技术

特惠福利：报一送一可额外送的回放（包含全套课程回放和课件资料ppt、可点击下方蓝字查看赠送具体课程内容）

专题一：深度学习解析蛋白组学

简介

本课程适于对深度学习、蛋白组学分析感兴趣的学员。课程通过基础入门+应用案例实操演练的方式，从初学及应用研究的角度出发，带大家实战演练多种深度学习模型（深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN、自动编码器AE、图卷积神经网络GCN）在蛋白组学分析中的各种应用：预测色谱法保留时间及碎片离子浓度Prosit、预测质谱测序中截面碰撞CCS工具DeepCollisionalCrossSection、预测单细胞蛋白组学覆盖率DeepSCP模型；从宏蛋白组学中识别肽 DeepFilter模型、从蛋白质数据库中识别肽DeepDIA模型、实现肽组装DeepNovo 及DeepNovo-DIA模型；预测翻译后修饰结合位点胶囊网络模型CapsNet-PTM、注意力机制预测MHC I 结合位点ACME模型、量化Peptide-MHC结合不确定性提升药物设计中高亲和力肽筛选PUFFIN模型、预测癌症抗原ACP-MHCNN模型；预测蛋白质-蛋白质相互作用3D卷积网络模型DeepRank；量化蛋白质表达DLNetworkForProteinAbundance模型、基于自然语言注意力机制预测蛋白质功能SPROF-GO模型及预测蛋白质复合物Gene Ontology功能模型PCfun等深度学习工具。通过对这些深度学习在蛋白组学中的应用案例进行深度讲解和实操，让学员掌握深度学习分析蛋白组学数据流程，系统学习深度学习及蛋白组学理论知识及熟悉软件代码实操，熟练掌握这些前沿分析工具的使用以及研究创新深度学习算法解决生物学及临床疾病问题与需求。

讲师介绍

主讲老师刘老师，生物信息学博士，从事生物信息及医学人工智能研究 15 年，开发过数个生物信息学工具，发表 SCI 论文 20 余篇，其中人工智能算法文章近 10 篇，编著医学数据分析实用教材一部，研究致力于医学人工智能在复杂疾病诊疗中的应用。

课表内容

(滑动查看)

第一天、 蛋白质组学测序技术及数据库

上午 理论讲解

1. 蛋白质组学测序质谱技术

2. 介绍蛋白质组学数据库

3. 深度学习解析蛋白质组学模型介绍

下午GPU服务器上机实操

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、 深度学习识别质谱测序中蛋白质肽的理化性质

上午 理论讲解

1. 深度学习模型预测色谱法保留时间及碎片离子浓度Prosit

2. 深度学习预测质谱测序中截面碰撞CCS工具DeepCollisionalCrossSection

3. 深度学习预测单细胞蛋白组学覆盖率DeepSCP模型

下午 深度学习模型Python代码解析及GPU服务器上机实操

1. 复现深度学习模型预测色谱法保留时间及碎片离子浓度Prosit模型

2. 复现深度学习预测质谱测序中截面碰撞工具DeepCollisionalCrossSection

3. 复现深度学习预测单细胞蛋白组学覆盖率DeepSCP模型

第三天、 深度学习识别肽及肽组装

上午 理论讲解

1. 深度学习从宏蛋白组学中识别肽 DeepFilter模型

2. 深度学习从蛋白质数据库中识别肽DeepDIA模型

3. 深度学习实现肽组装DeepNovo 及DeepNovo-DIA模型

下午 深度学习模型Python代码解析及GPU服务器上机实操

1. 复现深度学习从宏蛋白组学中识别肽 DeepFilter模型

2. 复现深度学习从蛋白质数据库识别肽DeepDIA模型

3. 复现深度学习实现肽组装DeepNovo及DeepNovo-DIA模型

第四天、 深度学习识别翻译后修饰结合位点识别疾病及药物靶点

上午 理论讲解

1. 胶囊网络深度学习模型预测翻译后修饰结合位点模型CapsNet_PTM

2. 注意力机制深度学习预测MHC I 结合位点ACME模型

3. 深度学习模型PUFFIN量化Peptide-MHC结合不确定性提升药物设计中高亲和力肽筛选

4. 深度学习模型预测癌症抗原ACP-MHCNN 模型

下午 深度学习模型Python代码解析及GPU服务器上机实操

1. 复现胶囊网络深度学习模型预测翻译后修饰结合位点模型CapsNet_PTM

2. 复现注意力机制深度学习预测pan-specific MHC I 结合位点ACME模型

3. 复现深度学习模型PUFFIN量化Peptide-MHC结合不确定性提升药物设计中高亲和力肽筛选

4. 复现深度学习模型预测癌症抗原ACP-MHCNN模型

第五天、 深度学习识别蛋白质功能

上午 理论讲解

1. 深度学习模型3D卷积网络预测蛋白质-蛋白质相互作用DeepRank

2. 深度学习模型量化蛋白质表达DLNetworkForProteinAbundance

3. 基于自然语言注意力机制深度学习模型预测蛋白质功能SPROF-GO

4. 深度学习模型PCfun 预测蛋白质复合物Gene Ontology功能

下午 深度学习模型Python代码解析及GPU服务器上机实操

1. 复现深度学习模型3D卷积网络预测蛋白质-蛋白质相互作用DeepRank

2. 复现深度学习模型量化蛋白质表达DLNetworkForProteinAbundance

3. 复现基于自然语言注意力机制深度学习模型预测蛋白质功能SPROF-GO

4. 复现深度学习模型PCfun 预测蛋白质复合物Gene Ontology功能

案例图片：

专题二：机器学习代谢组学

机器学习代谢组学是将机器学习技术应用于代谢组学领域的研究。 代谢组学是研究生物体内代谢产物（代谢物）的整体组合及其在生物体内的变化过程，旨在揭示生物体的生理状态、代谢通路和疾病机制等方面的信息，对于生命科学、药学研发和临床诊断等领域具有重要意义

机器学习代谢组学的目标：

熟悉代谢组学和机器学习相关硬件和软件；熟悉代谢组学从样本处理到数据分析的全流程；能复现至少1篇CNS或子刊级别的代谢组学文章图片。

代谢物分类和识别：通过机器学习算法，将复杂的代谢物组合归类并识别，从而了解代谢物的特征和功能。

生物标志物的发现：通过分析代谢组学数据，找到与特定生理状态、疾病或治疗反应相关的生物标志物，以提供疾病的早期诊断和个体化治疗的依据。

代谢通路分析：通过机器学习算法，分析代谢组学数据中的代谢通路，揭示不同代谢通路在生理和病理过程中的重要性，为疾病机制的理解提供线索。

代谢网络建模：通过机器学习算法，构建代谢网络模型，模拟和预测代谢物之间的相互作用和调控关系，从而深入理解生物体内代谢的复杂性。

机器学习代谢组学的研究内容涉及多个学科领域，包括生物信息学、统计学、模式识别和计算机科学等，它为代谢组学研究提供了新的方法和工具，有助于加深对生物体代谢系统的理解，并为个体化医学和疾病治疗提供新的思路和策略

近年来发过哪些顶刊以及方向：

communications biology 代谢组学和机器学习技术揭示了发芽增强了色素大米的多种营养特性

scientific reports 使用机器学习从基于生物流体的代谢组学预测人体健康

nature communications 空间代谢组学揭示糖原是肺纤维化的可操作靶标

nature protocols 系统生物代谢组学数据的认知分析

nature reviews molecular cell biology 使用活性代谢组学鉴定生物活性代谢物

nature reviews drug discovery代谢组学在药物发现和精准医学中的新兴应用

目前机器学习代谢组学受众群体众多，例如肿瘤生物学 ，移植免疫，细胞培养工艺优化，肠道菌群与消化系统疾病，肿瘤免疫，入侵植物，抗癌药物，内分泌，病害防控，神经系统疾病诊断，动物遗传育种等众多科研人员。

讲师介绍

主讲老师来自985高校神经科学博士，主要利用代谢组学、转录组学和分子生物学等技术研究神经内科慢性病的发病机制和生物标志物。擅长高效液相色谱-质谱联用（LC-MS）技术进行非靶向和靶向代谢组学从样本制备到数据分析的全流程研究，以及多组学大数据的生物信息学整合分析。5年内在J Clin Invest, EBioMedicine, Cell Death Dis, Cell Death Discov, Nanotoxicology等杂志发表SCI论文10篇。

课表内容

内容可向下滑动

第一天上午

A1 代谢物及代谢组学的发展与应用

（1） 代谢与生理过程；

（2） 代谢与疾病；

（3） 非靶向与靶向代谢组学；

（4） 空间代谢组学与质谱成像（MSI）；

（5） 代谢组学与药物和生物标志物；

（6） 代谢流与机制研究。

A2 代谢通路及代谢数据库

（1） 几种经典代谢通路简介；

（2） 三大常见代谢物库：HMDB 、METLIN 和 KEGG;

（3） 代谢组学原始数据库：Metabolomics Workbench 和 Metabolights.

A3 参考资料推荐

第一天下午

A4 代谢组学实验流程简介

A5 色谱 、质谱硬件与原理解析

（1） 色谱分析原理与构造；

（2） 色谱仪和色谱柱的选择；

（3） 色谱的流动相：梯度洗脱法；

（4） 离子源、质量分析器与质量检测器解析；

（5） 质谱分析原理及动画演示；

（6） 色谱质谱联用技术（LC-MS）；

第二天上午

B1 代谢物样本处理与抽提

（1） 各种组织、血液和体液等样本的提取流程与注意事项；

（2） 代谢物抽提流程与注意事项；

（3） 样本及代谢物的运输与保存问题；

B2 LC-MS 数据质控与搜库

（1） LC-MS 实验过程中 QC 和 Blank 样本的设置方法；

（2） LC-MS 上机过程的数据质控监测和分析；

（3） 代谢组学上游分析原理——基于 Compound Discoverer 与 Xcms 软件；

（4） Xcms 软件数据转换、提峰、峰对齐与搜库；

第二天下午

B3 R 软件基础

（1） R 和 Rstudio 的安装；

（2） Rstudio 的界面配置；

（3） R 中的基础运算和统计计算；

（4） R 中的包：包，函数与参数的使用；

（5） R 语言语法，数据类型与数据结构；

（6） R 基础画图；

B4 R 语言画图利器——ggplot2 包

（1） ggplot2 简介

（2） ggplot2 的画图哲学；

（3） ggplot2 的配色系统；

（4） ggplot2 数据挖掘与作图实战；

第三天上午

机器学习

C1 有监督式机器学习在代谢组学数据处理中的应用

（1） 人工智能、机器学习、深度学习的关系；

（2） 回归算法：从线性回归、Logistic 回归与 Cox 回归讲起；

（3） PLS-DA 算法：PCA 降维后没有差异的数据还有救吗？

（4） VIP score 的意义及选择；

（5） 分类算法：决策树，随机森林和贝叶斯网络模型；

C2 一组代谢组学数据的分类算法实现的 R 演练

(1) 数据解读；

(2) 演练与操作；

第三天下午

C3 无监督式机器学习在代谢组学数据处理中的应用

（1） 大数据处理中的降维；

（2） PCA 分析作图；

（3） 三种常见的聚类分析：K-means、层次分析与 SOM

（4） 热图和 hcluster 图的 R 语言实现；

C4 一组代谢组学数据的降维与聚类分析的 R 演练

(1) 数据解析；

(2) 演练与操作；

第四天上午

D1 在线代谢组分析网页 Metaboanalyst 操作

（1） 用 R 将数据清洗成网页需要的格式；

（2） 独立组、配对组和多组的数据格式问题；

（3） Metaboanalyst 中的上游分析（原始数据峰提取、峰对齐与搜库）

（4） Metaboanalyst 的 pipeline 以及参数设置和注意事项；

（5） Metaboanalyst 的结果查看和导出；

（6） Metaboanalyst 的数据编辑；

（7） 全流程演练与操作。

（8） 代谢联合多组学分析网页操作。

第四天下午

D2 代谢组学数据清洗与 R 语言进阶

（1） 代谢组学中的 t、fold-change 和响应值；

（2） 数据清洗流程；

（3） R 语言 tidyverse；

（4） 数据预处理：数据过滤与数据标准化（样本的 Normalization 和代谢物的 Scaling）；

（5） 代谢组学数据清洗演练；

第五天上午

E1 文献数据分析部分复现（1 篇）

（1） 文献深度解读；

（2） 实操：从原始数据下载到图片复现；

（3） 学员实操。

第五天下午

E2 机器学习与代谢组学顶刊解读（3 篇）；

（1） Signal Transduction and Targeted Therapy 一篇有关饥饿对不同脑区代谢组学影响变化的小鼠脑组织代谢图谱类的文献；(数据库型)

（2） Cell 一篇代谢组学孕妇全程血液代谢组学分析得出对孕周和孕产期预测的代谢标志物的文献；(生物标志物型)

（3） Nature 一篇对胰腺癌患者肠道菌群的代谢组学分析找到可以提高化疗效果的代谢物的文献。(机制研究型)

专题三：机器学习微生物多组学联合分析

讲师介绍

主讲老师Dr. Li，生物信息学博士，有十余年的测序数据分析经验。研究领域涉及机器学习，芯片数据分析，核酸及蛋白序列分析，宏基因组学，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，生存分析及预后模型构建等。具有丰富的培训经验，举办过线上线下培训50余场。培训内容涉及机器学习在生物医学中的应用，机器学习在微生物学中的应用，机器学习在蛋白组学中的应用，单细胞多组学数据挖掘，WGCNA共表达网络构建，ceRNA网络构建，R语言基础等。发表SCI论文30余篇，其中一作及并列一作15篇，h指数20。

课表内容

内容可向下滑动

第一天

微生物多组学简介

1. 微生物学基本概念

2. 微生物学常用分析介绍

3. 代谢组学基本概念及检测方法

4. 转录组学基本概念及检测方法

5. 机器学习基本概念介绍

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． 常用的机器学习和微生物多组学数据分析相关R包介绍

第二天

微生物多组学相关数据库介绍及数据检索

1. 肠道微生物+代谢数据库

2. Curated Metagenomic Data

3. IBDMDB数据库

4. GEO数据库

微生物多组学应用案例分享

1． 利用机器学习基于微生物组学+代谢组学数据预测样本类型

2． 整合微生物组学数据和代谢组学数据鉴定疾病相关模块

3． 肿瘤研究中微生物组学+宿主转录组学+免疫联合分析

4． 基于微生物组学数据+转录组数组+代谢组数据纵向集成分析

第三天（实操）

零代码微生物多组学整合和网络可视化分析工具介绍和使用

1． 数据上传（支持8种不同类型的数据，包括微生物，代谢，基因，蛋白等）

2． 根据数据类型选择相应的数据库

3． 构建网络

4． 可视化

零代码微生物组-代谢组网络分析工具介绍和使用

1. 构建菌群和代谢模型

2. 使用代谢模型计算微生物对代谢物的贡献

3. 计算群落水平的代谢潜能分值，使用回归模型评估潜能分值在不同样本中的差异

4. 可视化特征微生物对特定代谢物的影响，并寻找关键微生物

零代码微生物组学和代谢组学相关性分析工具介绍和使用

1. 组学内相关性分析

2. 组学间相关性分析

3. 多组学整合分析

4. 多组学网络分析

5. 结果可视化

第四天（实操+复现）

利用机器学习基于微生物组学+代谢组学数据预测样本类型

1. α-diversity，β-diversity分析

2. 饮食与代谢物的动态关联分析

3. 微生物组差异与疾病特异性分析

4. 多组学因子分析

5. 菌群功能与代谢表型关联分析

6. 整合微生物组学数据和代谢组学数据预测样本类型

整合微生物组学和代谢组学数据鉴定疾病相关模块

1. 微生物组学和代谢组学数据整合

2. 鉴定疾病相关的多组学模块

3. 模块交集分析

4. 利用机器学习基于模块预测疾病状态

5. 重要模块分析

第五天（实操+复现）

肿瘤研究中微生物组学，宿主转录组学和免疫联合分析

1. 微生物组学分析

2. 转录组学分析，差异表达基因鉴定

3. 通过CCA方法对微生物组学数据和宿主转录组学数据进行关联分析

4. 微生物免疫关联分析

基于微生物组学数据，转录组数组和代谢组数据纵向集成分析

1. 肠道微生物组成分析

2. 微生物组和代谢组联合分析

3. 代谢组学和转录组学进行整合分析

4. 微生物组-宿主互作分析

课程目标

1. 了解微生物多组学相关概念

2. 了解机器学习相关概念和常用的机器学习模型

3. 了解R语言

4. 掌握常用的微生物多组学数据分析以及机器学习相关R包的使用

5. 掌握微生物组学/代谢组学/宿主转录组学联合分析思路和方法

6. 复现SCI文章 案例实操：

专题四：深度学习基因组学

讲师介绍

主讲老师来自荷兰在读博士陈老师授课。在国内外学术刊物发表论文数篇，包括Nature Communication, Cell Regeneration等知名期刊，研究方向主要为染色质三维结构，生物信息学，发育生物学和遗传学等。利用多组学数据，通过深度学习算法进行数据分析和挖掘，包括ChIP-seq，ATAC-seq，RNA-seq，CNV等，解决并回答领域内多个基础的生物学机制。

课表内容

内容可向下滑动

第一天

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

实操内容

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

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

实操内容

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

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

实操内容

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

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

实操内容

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

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

实操内容

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

专题五：CRISPR-Cas9基因编辑技术

简介

本课程旨在为您提供对现代基因编辑技术的全面理解。2012年CRISPR-Cas9的工作原理被解析，2013年华裔科学家张锋首次将CRISPR-Cas9基因编辑技术应用于哺乳动物细胞，正式开启了基因编辑的应用之路，2020年CRISPR技术获得诺贝奖，短短不到十年时间CRISPR技术荣获最高学术荣誉，足以看出该技术的应用潜力。

基因编辑技术被认为是解决世界人口增长带来食物短缺问题的关键，通过基因编辑技术可以大大加速作物品种的创制；此外，临床医疗方面，基因编辑技术为遗传疾病患者的治愈带去了希望。该技术在生命科学领域持续被探索应用，作为一项技术（工具），可以遇见的是在未来生命科学研究中，它将作为基础的手段为科学探索铺平道路。

讲师介绍

主讲老师来自中国农业科学院，有十余年基因编辑研究经验，熟悉基因编辑在各个领域应用，在基因编辑系统的开发与优化深耕多年，已发表数十篇SCI，有丰富的教学经验！

课表内容

内容可向下滑动

第一天：基因编辑基础原理与工具

你将获得的技能与知识：

• 掌握基因编辑与转基因的本质区别

• 了解从早期ZFNs到最新CRISPR系统的基因编辑技术演进

• 深入理解CRISPR-Cas9的分子机制及其应用方式

• 认识新一代高精度基因编辑工具的特点与优势

• 熟练使用Snapgene软件进行分子克隆设计

第二天：CRISPR系统应用实操与拓展功能

你将获得的技能与知识：

• 掌握sgRNA设计原则与辅助工具使用

• 学会CRISPR-Cas9敲除载体的构建流程

• 理解多基因同时编辑的策略与方法

• 掌握CRISPRa/CRISPRi基因表达调控系统

• 了解CRISPR系统在基因组学中的创新应用

第三天：碱基编辑系统原理与应用

你将获得的技能与知识：

• 全面了解胞嘧啶碱基编辑(CBE)系统的发展与应用

• 掌握腺嘌呤碱基编辑(ABE)系统的工作原理

• 理解蛋白质定向进化技术在基因编辑中的应用

• 认识双碱基编辑及新型碱基编辑系统

• 学会碱基编辑技术在不同领域的应用策略

第四天：高级基因编辑技术与细胞应用

你将获得的技能与知识：

• 掌握基因编辑报告系统的设计与使用

• 学会原生质体制备技术并应用于基因编辑

• 理解Prime Editing精准编辑系统的原理

• 学习大片段DNA的插入与删除技术

• 掌握基因编辑效率优化的关键因素

第五天：系统优化与伦理安全

你将获得的技能与知识：

• 掌握Prime Editing系统的构建与优化方法

• 学习基因编辑载体的递送策略与技术

• 了解慢病毒包装与应用技术

• 认识基因编辑技术的伦理与安全问题

• 具备实际应用基因编辑技术的综合能力

第一天课程内容

一． 基因编辑工具介绍

1. 正本清源：基因编辑和转基因

a) 解析基因编辑与转基因的本质区别，讨论两种技术的监管差异

2. 基因编辑工具先驱-ZFNs和TALENs

a) 早期基因编辑工具的设计原理、优缺点及历史贡献

3. CRISPR系统家族介绍

a) 从细菌免疫系统到基因编辑工具的演变，各类型Cas蛋白的分类

4. CRISPR-Cas9的工作原理

a) sgRNA与DNA结合机制、PAM识别、双链断裂修复途径

5. CRISPR-Cas9介导基因敲除与敲入

a) 通过NHEJ和HDR两种修复途径实现的不同编辑效果

6. CRISPR-Cas12、13的工作原理

a) RNA靶向编辑与诊断应用潜力

7. 新型CRISPR系统

a) CasΦ、小型Cas蛋白CasMINI等

b) 高保真Cas9变体SpCas9-HF、eSpCas9等

8. 基因克隆相关技术简介

a) 质粒设计、PCR、限制性酶切、连接等基础技术

9. Snapgene软件使用实操

a) 质粒图谱设计、引物设计、虚拟克隆与测序分析

第二天课程内容

1. CRISPR-Cas9系统敲除载体构建实操

a) sgRNA设计相关注意事项

i. PAM位点选择、脱靶预测、GC含量考量、二级结构避免

b) 辅助工具推荐，CRISPick、CHOPCHOP、基于深度学习的sgRNA预测工具等

c) 常规的构建方案

i. 从oligo合成到完整载体的详细流程，常见问题解决

d) 测序原理简介

i. Sanger测序与高通量测序技术原理，应用选择

e) 测序数据分析

2. 多基因编辑原理

a) 同时编辑多个基因的策略选择，提高编辑效率的方法

b) 多重靶点设计与互相干扰避免策略

3. 多基因编辑载体构建实操

a) 多sgRNA串联策略

b) 多启动子设计策略与表达平衡考量

4. CRISPRa/CRISPRi（基因激活与基因抑制）

a) dCas9-PVPR系统介绍，工作原理详解

b) dCas9-VP64/GI/SAM基因激活系统介绍

c) 基因编辑招募系统介绍（Suntag/Moontag）

5. CRISPR系统的‘另类’应用

第三天课程内容

1. CBE系统的原理及其应用

a) CBE系统进化过程总结，从BE1到最新CBE系统的演进历程与性能提升

b) 基因组CBE编辑（植物育种/基因功能研究/临床治疗）

c) 细胞器CBE编辑工具介绍，线粒体/叶绿体编辑特殊挑战与解决方案

d) CBE系统的脱靶效应，RNA脱靶与DNA脱靶检测与避免策略

e) 新型CBE系统，各种改进版本对比与选择指南

2. ABE系统的原理及其应用

a) PACE和PANCE人工定向蛋白进化系统介绍及其他常规的蛋白进化技术

b) 大肠杆菌正交进化系统

c) ABE系统的进化过程总结，ABE1.x到ABE8.x性能参数对比

d) ABE系统的‘另类’应用，ABE系统如何实现C编辑、剪接调控等非常规功能

3. 双碱基编辑系统

a) SWISS/STEME/A&C-BEmax/SPACE/ACBE，各种双碱基编辑系统的设计原理与适用场景

b) 双碱基编辑系统改造总结

4. 其他类型的碱基编辑系统

a) 糖基化酶介导碱基编辑，新型编辑机制与应用潜力

b) CGBE、AYBE、gGBE、TSBE

第四天课程内容

1. 报告系统

a) 细胞实验结合流式分析

b) 植物稳转的抗除草剂、显色等报告系统

2. 原生质体制备与应用实操

3. 细胞与基因编辑工具优化实操

4. RNA编辑系统

5. PE系统的原理

a) Prime Editing工作机制：逆转录、链置换、修复

b) 编辑效率影响因素详解：各参数对编辑效率的影响比较

c) 双pegRNA的原理及其应用（基因组大片段插入）

d) 基因组大片段删除

第五天内容

1. PE系统的优化案例

a) 各领域PE优化成功案例分析：植物、人类细胞

b) 特定应用场景的系统改造策略

2. PE系统的构建实操

a) 引物设计工具的应用

b) 载体构建实操，从基础载体到成熟系统的实验流程

3. 慢病毒包装与递送

4. 其他递送系统

a) 纳米颗粒递送：脂质体、聚合物等

b) 物理方法：电穿孔、显微注射、生物弹道技术

5. 伦理与安全

培训目标

01.深度学习解析蛋白组学：课程通过对这些深度学习在蛋白组学中的应用案例进行深度讲解和实操，让学员能够掌握深度学习分析蛋白组学数据流程，系统学习深度学习及蛋白组学理论知识及熟悉软件代码实操，熟练掌握这些前沿的分析工具的使用以及研究创新深度学习算法解决生物学及临床疾病问题与需求。

02.深度学习基因组学：深入学习与了解深度学习基本框架与逻辑，同时掌握基本的生物信息学软件（Linux、R、python等）的使用，让学员能更好的应对基因组数据，挖掘出超越已有知识的新知识。而构建好的深度学习模型去探求新的研究思路和寻找新的潜在生物学机制，更好的服务于自身的科学研究和探索的过程中

03.机器学习微生物多组学联合分析：AIDD人工智能药物发现与设计：本课程让学员了解药物发现的前沿背景，学习人工智能领域的各类常见算法，熟悉工具包的安装与使用，掌握一定的算法编程能力，能够运用计算机方法研究药物相关问题。通过大量的案例讲解和实践操作，具备一定的AIDD模型构建和数据分析能力

04.机器学习代谢组学：1. 熟悉代谢组学和机器学习相关背景知识以及硬件和软件；2. 入门 R 语言和机器学习理论和常规使用；3. 掌握代谢组学从样本处理到上下游数据分析以及出图的全流程；4. 能复现 CNS 及其子刊级别杂志中代谢组学相关文章中的图片；5. 能灵活熟练地分析自己的代谢组数据

05.CRISPR-Cas9基因编辑技术应用: 该课程从全局出发，从CRISPR-Cas9等前沿工具的基本原理 ，到这些技术在医学、农业等的实际应用，由浅入深，从最初的原理讲解到最后的应用实战，学完本课程你将掌握基因编辑技术的相关原理及其应用，此外可以学到基因编辑系统的优化策略，可以学到如何操作常用的生物学软件。 无论您是生物学专业的学生，还是对基因编辑感兴趣的科研人员，这门课程都将为您提供宝贵的知识和技能，助您在这一革新领域中取得突破

授课时间及地点-腾讯会议直播

01

深度学习解析蛋白质组学

2025.06.28-2025.06.29 （09：00-11：30--13：30-17：00）

2025.07.05-2025.07.06 （09：00-11: 30--13：30-17：00）

2025.07.12 （09：00-11: 30--13：30-17：00）

02

深度学习基因组学

2025.07.05-2025.07.06 （09：00-11: 30--13：30-17：00）

2025.07.12-2025.07.13 （09：00-11: 30--13：30-17：00）

2025.07.19 （09：00-11: 30--13：30-17：00）

03

机器学习微生物多组学联合分析

2025.07.05-2025.07.06 （09：00-11: 30--13：30-17：00）

2025.07.12-2025.07.13 （09：00-11: 30--13：30-17：00）

2025.07.19 （09：00-11: 30--13：30-17：00）

04

机器学习代谢组学

2025.06.30-2025.07.03 （19：00--22：00）

2025.07.07-2025.07.10 （19：00--22：00）

2025.07.15-07.16 （19：00--22：00）

05

CRISPR-Cas9基因编辑技术应用

2025.06.28-2025.06.29 （09：00-11：30--13：30-17：00）

2025.07.05-2025.07.06 （09：00-11: 30--13：30-17：00）

2025.07.12 （09：00-11: 30--13：30-17：00

提供全程的回放视频二次学习也是免费的

培训费用

课程报名费用：

公费价：每人每班￥4980元 （含报名费、培训费、资料费）

优惠：

优惠1：

报二送一（同时报名两个班免费赠送一个学习名额赠送班任选）

两班同报：9680元 （可学习三个直播课）

三班同报：13880元 （可学习四个直播课）

四班同报：16880元 （可免费学习一整年本单位举办的任意课程）

优惠2：提前报名缴费可享受300元优惠（仅限十五名）

特惠3：现在报名一门赠送两门往期课程回放

SIMPLICITY

官方联系人（请扫码详细咨询）

联系人：陆老师

报名咨询电话：17630031771