入门到进阶 | 多组学技术结合的方法在生物医学研究中的应用

一、前言

理解⼀种疾病的某种现象仅使用⼀种数据类型是远远不够的，随着高通量测序和多组学的快速发展，生物医学研究开始采取多组学技术结合的方法，传统的信息数据处理算法不能满足大数据的处理要求，机器学习作为从数据中进行学习的算法，可以对不同组学来源（如基因组学、转录组学、蛋白质组学、代谢组学）的数据进行综合分析，开发针对个体多样性的多因素预测模型，可以显著减少需要考虑的潜在治疗组合的空间，并识别其他可能被忽视的组合，并可以添加实验验证的步骤，以提供额外的证据，从而证明预测治疗可能存在的有效性。

机器学习在疾病亚型识别、生物标志物发现、通路分析以及药物发现及其再利用有着更广泛的前景和应用空间。然而，机器学习的应用仍存在一些瓶颈，人工智能研究项目所需的技能和知识匮乏缺失制约着该方向的发展。

二、入门到进阶

1.入门阶段：从机器学习以及机器学习在多组学数据分析及应用基本概念开始，让大家明确机器学习方法的适用性和优势，以及有针对性的对python语言基础进行系统学习，为之后构建相应算法模型框架打下基础。

2.进阶阶段分别讲授深度学习神经网络、经典机器学习模型、多组学联合分析-阐明疾病分子机制、深度学习在组学数据的应用、机器学习+Science五个模块，结合案例实践教学（COVID-19中生物标志物的发现、阿尔茨海默疾病潜在药物靶点筛选、精神障碍人群队列特征、多组学分析胃癌和解析胃癌肿瘤标志物、转录组学的去批次效应、肿瘤的分级预测、多组学构建肝癌患者分型的新算法、神经网络自编码器算法在多组学中的应用、乳腺肿瘤分类模型及评估等）。

3.通过基础入门+进阶实例演练的讲授思路，从初学及应用研究角度出发，实战演练机器学习在多组学整合分析中的数据处理、预测模型以及生物学意义阐述等，助力大家掌握多种机器学习算法模型的构建以及在多组学联