在基因组学中，深度学习的输入数据可能是一个DNA序列，其中核苷酸A、C、T和G编码为[1,0,0,0,0]、[0,1,0,0]、[0,0,1,0]和[0,0,0,1]。深度学习模型可以自动学习这些序列中的模式和特征，例如碱基对的偏好、基因重组率等。深度学习还可以用于基因表达分析和差异分析，帮助学者们了解不同组织和条件下的基因表达水平和变化。总之，深度学习在基因组学中具有广泛的应用前景，可以帮助大家更好地理解基因组数据的结构和功能，促进疾病诊断和治疗方案的设计，以及发现新的药物和治疗方法。
适于对深度学习、基因组学、转录组学、蛋白组学、药物基因组学等多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）在基因组学分析中的各种应用：快速搭建基因组学深度学习模型的keras_dna, selene平台；识别G4基序特征DeepG4，识别非编码基因突变DeepSEA，识别拷贝数变异DeepCNV、预测premiRNA的dnnmiRNA、从基因表达数据中识别乳腺癌分型DeepType、联合肿瘤基因标记及药物分子结构预测药物反应机制的SWnet等深度学习工具。通过对这些深度学习在基因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高维基因组学、转录组学、蛋白组学等多组学数据流程，系统学习深度学习及基因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。
深度学习建模技术及在基因组学中的应用
1、基础入门
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
基因组学基础介绍
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
语言基础学习：Linux基础学习、Python语言基础
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
- 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
2、keras_dna理论与实践
理论学习
1.keras_dna处理各种基因序列数据
如BED、 GFF、GTF、BIGWIG、BEDGRAPH、WIG等
2.卷积神经网络CNN在基因调控预测中的应用
Chip-Seq中识别基序特征G4，如DeepG4
案例实践
1.安装并使用keras_dna处理各种基因序列数据
2.使用keras_dna选取特定染色体的基因序列等分割训练集、测试集
3.使用keras_dna设计深度学习模型
4.使用keras_dna复现卷积神经网络CNN从Chip-Seq中识别基序特征识别G4特征DeepG4
3、DeepSEA、DeepCNV理论与实践
理论学习
1.Chip-Seq中预测DNA甲基化，转录调控因子结合、非编码基因突变DeepSEA
2.深度学习在识别拷贝数变异DeepCNV、识别premiRNA上的应用、预测拷贝数变异CNV，DeepCNV
案例实践
1.安装selene_sdk，复现DeepSEA从Chip-Seq中预测DNA甲基化，转录调控因子结合、非编码基因突变
2.复现DeepCNV利用SNP微阵列联合图像分析识别拷贝数变异
4、DeepType理论与实践
理论学习
1.RNA-Seq中预测premiRNA，dnnMiRPre
2.深度学习在识别及疾病表型及生物标志物上的应用，从基因表达数据中识别乳腺癌分型的深度学习工具DeepType
实操内容
1.复现循环神经网络RNN工具 dnnMiRPre，从RNA-Seq中预测premiRNA
2.复现DeepType，从METABRIC乳腺癌数据中区分乳腺癌亚型
5、SWnet理论与实践
理论部分
1.深度学习在预测药物反应机制上的应用
2.联合肿瘤基因标记及药物分子结构预测药物反应机制的深度学习工具SWnet
实操内容
1.预处理药物分子结构信息，计算药物相似性
2.在不同数据集上构建self-attention SWnet，评估self-attention SWnet
3.构建单层SWnet、带权值层的SWnet
4.构建多任务的SWnet
由国内高等医学院校硕士生导师、副教授讲授，致力于医学大数据与智能诊疗研究，运用人工智能及网络深度学习融合多组学数据研究复杂疾病的致病机制，同时为复杂疾病的诊断和治疗提供了新的思路和方法。已发表二十余篇科研论文，其中包括十余篇SCI论文和多篇国际会议论文。其中多篇论文以第一作者或通讯作者的身份发表发表并出版相关专著1部。
