单细胞多组学及空间组学数据分析与应用

单细胞多组学及空间组学数据分析与应用

高通量测序数据，R语言，Linux操作系统
简介：领略生物信息数据分析中三个重要组成部分的基本内容。

1. 高通量测序数据简介

2. R语言简介

3. Linux操作系统简介

高通量测序数据分析
简介：了解第一、二、三代测序的原理及特点；将掌握高通量测序数据的预处理和质量控制方法；为生物信息数据分析打下基础。

1. 各代测序技术

 各代测序技术概述和应用领域

 各代测序技术原理及特点

2. 高通量测序数据预处理和质量控制

 数据预处理流程：测序数据质量评估、去除低质量读段和适配序列

 质量控制方法：质量分数分析、N碱基分析、K-mer分析等

3. 序列比对

 序列比对方法

 序列比对常用软件（STAR，BWA，TopHat2，Bowtie2）

4. 高通量测序数据可视化

 可视化软件介绍（IGV，UCSC Genome Browser）

 高通量测序数据可视化实践

Linux操作系统及R语言在生物信息学中的应用
简介：了解Linux操作系统和R语言在生物信息学中的重要性和应用；掌握基本的Linux命令行操作和R语言编程知识，为进一步探索生物信息学领域打下基础。

1. Linux环境搭建与基本操作

Linux发行版选择与安装、终端和命令行操作、文件与目录管理、权限管理与用户组等内容

2. Linux工具在生物信息学中的应用

 文本处理与数据操作：grep、sed、awk等工具的使用

 文件格式转换与处理：FASTA、FASTQ、SAM/BAM等格式的转换与解析

 Shell脚本编程：自动化分析流程的编写与批处理

3. R语言入门与基本操作

 R及Rstudio软件安装及介绍、 R语言基本语法介绍及常用命令

4. R语言在生物信息学中的数据处理与可视化

 数据导入与清洗：读取和处理生物信息学数据

 数据可视化：绘制基因表达图、热图、箱线图等

5. 项目实践：

 高通量测序数据分析流程实践

高通量多组学数据分析
简介：掌握基因组学、转录组学、表观基因组学和蛋白质组学等数据的分析流程和常用工具；将学习到不同组学数据的特点和分析方法；并通过案例分析，将所学知识应用于实际问题的解决和结果的展示。

1. 基因组学数据分析

 基因组测序数据处理：比对、变异检测、SNP/InDel分析

 基因注释和功能分析：GO注释、KEGG通路分析等

2. 转录组学数据分析

 mRNA-seq数据分析流程：基因表达分析、差异表达分析、富集分析等

 非编码RNA-seq数据分析（microRNA，lncRNA）

3. 表观基因组学数据分析

 DNA甲基化分析：甲基化水平估计、甲基化差异分析等（methylKit）

 染色质可及性分析：ATAC-seq、DNase-seq数据分析等

4. 蛋白质组学数据分析

 蛋白质鉴定和定量：质谱数据分析、蛋白质定量方法

 蛋白质互作网络分析：STRING数据库、互作网络构建等

5. 数据整合和综合分析

 多组学数据整合：整合不同组学数据进行综合分析

 数据可视化和结果解释：图表绘制、结果解读

6. 项目实践和案例分析：

 多组学数据分析项目流程实战与案例分享

单细胞转录组数据分析
简介：了解单细胞转录组测序技术的原理和应用，掌握基于cellranger

及Seurat的单细胞转录组数据分析流程，通过案例分析加深对单细胞转录组数

据分析的理解，以便学员能够独立进行单细胞转录组数据分析研究工作。

1. 单细胞转录组测序技术简介

 单细胞测序技术发展历程

 常见单细胞转录组测序方法及其特点

 基于cellranger的数据生成和原始数据分析流程

2. 数据预处理与质量控制

 数据质量评估与过滤

 标准化与归一化

 批次效应校正

3. 单细胞聚类分析

 标记基因识别

 线性降维与非线性降维（PCA，TSNE，UMAP）

 聚类结果可视化与解读

4. 细胞身份注释

 人工细胞身份注释方法

 自动细胞身份注释方法（SingleR，SciBet，Cellassign）

 常用细胞身份注释数据库（cellmarker，Human Cell Atlas，PanglaoDB）

5. 单细胞转录组高级分析

 细胞轨迹推断与发育分析（monocle）

 细胞通讯分析（cellphoneDB）

 肿瘤拷贝数变异分析（inferCNV）

 转录因子活性分析（SCENIC）

6. 单细胞转录组数据分析工具与资源介绍

 常用单细胞数据分析软件及其特点

 公共数据库与在线工具的利用

7. 案例分析及流程实践

 单细胞转录组数据分析文章思路

 单细胞转录组数据分析流程实践

单细胞ATAC-seq数据分析
简介：深入了解单细胞ATAC-seq数据分析基本原理和常用方法，掌握基于cellranger-atac及Signac的单细胞ATAC-seq数据分析流程，并通过案例分析加深对单细胞ATAC-seq数据分析的理解，以便学员能够独立进行单细胞ATAC-seq数据分析研究工作。

1. 单细胞ATAC-seq简介

 单细胞ATAC-seq技术的原理和应用领域

 基于cellranger-atac数据生成和原始数据分析流程

2. 数据预处理与质控

 数据格式与质量评估

 细胞过滤方法

 降维聚类（LSI）

 创建基因表达活性矩阵

3. 单细胞ATAC-seq核心数据分析

 差异Peak分析

 Motif富集分析

 转录因子足迹分析

4. 案例分析及流程实践

 单细胞ATAC-seq数据分析文章思路

 单细胞ATAC-seq数据分析流程实践

单细胞多组学整合分析
简介：掌握单细胞多组学整合分析文章设计思路，并通过文章复现的方式使学员能够独立进行单细胞多组学实验设计及生信分析工作。

1. 单细胞多组学整合分析文章设计思路

2. 单细胞多组学整合分析文章解读

3. 单细胞多组学整合分析文章复现

空间组学数据分析
简介：通过本部分课程，学员将了解到最新的空间组学概念和技术，掌握利用spaceranger和Seurat处理10X Visium空间转录组数据的方法。课程将通

过案例分析展示如何使用单细胞数据和空间组学数据设计和实施最前沿的医学研究项目。将培养学员对空间组学数据分析和应用的理解和实践能力，并探讨空间组学在疾病研究和药物开发中的潜力和挑战。

1. 空间组学概述

 空间组学概念和技术进展

 空间转录组数据和图像数据的关系

2. 数据获取与预处理

 10X Visium空间转录组测序技术简介

 数据获取与质量控制

 数据预处理和归一化方法

3. 空间组学数据分析

 使用spaceranger和seurat处理空间转录组数据

 空间基因表达模式分析与可视化

 细胞类型鉴定与空间定位

4. 跨组学数据整合与分析

 单细胞数据与空间组学数据的整合方法

 跨组学关联分析和生物学解释

5. 案例分析及流程实践

 基于空间组学数据的医学研究案例分析

 空间组学数据分析流程实践

AI基因组数据分析
简介：介绍生物信息学中常用到的机器学习和深度学习算法概念和基本原理，并探讨它们在基因表达数据、生物网络分析和高通量测序数据分析中的具体应用。该课程旨在培养学员应用算法解决临床医学问题的能力，并提高学员“医工”融合能力。

1. 机器学习与深度学习简介

 机器学习和深度学习的基本概念和原理

 监督学习与无监督学习

 组学数据分析中常见的机器学习和深度学习算法

2. 机器学习和深度学习在基因组测序数据分析中的应用

 三维基因组结构重建

 染色质开放状态预测

 基因组注释

 基因编辑

3. 机器学习和深度学习在转录组测序数据分析中的应用

 基因表达预测

 可变剪接分类和预测

 基因表达辅助诊断

4. 机器学习和深度学习在单细胞测序数据分析中的应用

 数据降噪与去除批次效应

 丢失数据补全

 细胞聚类

 细胞发育轨迹推断

5. 流程实践和讨论

 AI基因组数据分析流程实践

 讨论现有挑战和未来发展方向