預測反應并確定可提高化療療效的其他靶點是癌癥研究的主要目標。通過對胰腺導管腺癌細胞進行大規(guī)模的體內(nèi)和體外CRISPR敲除篩選，我們鑒定了其基因缺失或藥理抑制協(xié)同增加MEK信號抑制劑的細胞毒性的基因。此外，我們表明，CRISPR活力評分與基礎基因表達水平相結(jié)合，可以模擬全球細胞對藥物治療的反應。我們通過體內(nèi)CRISPR篩選（DREBIC）方法開發(fā)藥物反應評估，并使用來自獨立實驗的大規(guī)模實驗數(shù)據(jù)驗證其療效。比較分析表明，DREBIC 可以高精度地預測來自各種組織的癌細胞中的藥物反應，并識別各種癌癥類型中 MEK 抑制劑致癌突變的治療脆弱性。間充質(zhì)干細胞是干細胞家族的又一重要成員，源于發(fā)育早期的中胚層和外胚層。間充質(zhì)干細胞是一種具有自我復制能力和多向分化潛能的成體干細胞，屬于非終末分化細胞，它既有間質(zhì)細胞，又有內(nèi)皮細胞及上皮細胞的特征。間充質(zhì)干細胞在體外特定的誘導條件下，可分化為脂肪、軟骨、骨、肌肉、肌腱、神經(jīng)、肝、心肌、胰島β細胞和內(nèi)皮等多種組織細胞，連續(xù)傳代培養(yǎng)和冷凍保存后仍具有多向分化潛能。不論是自體還是同種異源的間充質(zhì)干細胞，一般都不會引起宿主的免疫反應。

由于該項研究資料和學習平臺較少，信息技術(shù)公開度低，培訓學習迫在眉睫，特此誠摯邀請您參加下述專題線上培訓課程

2023最新八大熱門專題

CADD計算機輔助藥物設計

機器學習代謝組學

AIDD人工智能藥物發(fā)現(xiàn)與設計

機器學習微生物組學

蛋白晶體結(jié)構(gòu)解析

機器學習在生物醫(yī)學中的應用

CRISPR-Cas9基因編輯技術(shù)

深度學習基因組學

課程內(nèi)容

Part.專題一

CRISPR-Cas9基因編輯技術(shù)課表

第一天

基因編輯簡介

1.基因編輯基本概念介紹

2.單基因遺傳病數(shù)據(jù)庫 (實操)

3.基因編輯歷史

4.TALEN

5.Zinc finger

6.Base editor

7.Prime editor

第二天

1.如何選擇正確Cas9蛋白類型

2.gRNA設計和軟件(實操)

3.sgRNA修飾

4.手動設計PegRNA的八個要點(實操)

5.七種PegRNA輔助設計軟件

第三天

1.AAV遞送(組織靶向)

2.脂質(zhì)體遞送

3.核糖核蛋白遞送

4.高分子遞送

5.Viral like particles遞送

6.外泌體遞送

7.無機納米粒遞送

8. 電轉(zhuǎn)

9. 超聲

10. 顯微注射

第四天

1.動物模型

2.質(zhì)粒

3.分子克隆基礎

4.AAV設計(實操)

5.Base editing文章分析

6.Prime editing 相關(guān)的140篇文章概覽

7.如何提高Prime editing效率

第五天

1.基因編輯已經(jīng)批準的藥物

2. 臨床試驗

3.主要公司、科學家和專利

4.副作用和退市的產(chǎn)品

5.FDA政策

6.CRISPR在診斷中的應用

7.CRISPR library

8.CRISPR與單細胞測序

9. CRISPR與表觀遺傳學

10. CIRPSR在植物學中的應用

11. 設計課題與評價(實操)

上下滑動查看更多內(nèi)容

Part.專題二

機器學習在生物醫(yī)學中應用專題

第一天

機器學習及相關(guān)概念介紹

機器學習基本概念介紹

常用機器學習模型介紹

主成分分析

一致性聚類分析

ROC曲線及時間依賴的ROC曲線

生存分析及生存曲線

預后模型介紹

R語言入門

R語言概述

R軟件及R包安裝

R語言語法及數(shù)據(jù)類型

條件語句

循環(huán)

函數(shù)

常用的機器學習相關(guān)的R包介紹

第二天

機器學習在生物醫(yī)學中的應用案例分享

利用機器學習方法篩選疾病相關(guān)的生物標志物

機器學習 生存分析預測患病風險

機器學習 生存分析預測患者預后

常用生物醫(yī)學公共數(shù)據(jù)庫介紹

TCGA數(shù)據(jù)庫介紹

TCGA數(shù)據(jù)庫表達譜數(shù)據(jù)下載

TCGA臨床數(shù)據(jù)下載

合并TCGA表達譜數(shù)據(jù)

GEO數(shù)據(jù)庫介紹

GEO數(shù)據(jù)庫檢索

GEO數(shù)據(jù)下載

第三天

機器學習 GEO公共數(shù)據(jù)，復現(xiàn)科研文章

差異表達分析

主成分分析

機器學習模型構(gòu)建

特征篩選及重要性評估

模型評估及ROC曲線繪制

構(gòu)建nomogram模型，繪制列線圖

矯準曲線繪制

決策曲線繪制

一致性聚類分析

GSEA分析

第四天

機器學習 TCGA公共數(shù)據(jù)，復現(xiàn)科研文章

差異表達分析

主成分分析

火山圖，熱圖繪制

GO和KEGG富集分析及可視化

生存分析，生存曲線繪制

一致性聚類分析

訓練集，測試集拆分

單因素，多因素cox分析

Lasso回歸分析

風險評估模型構(gòu)建

riskscore計算

Nomogram模型構(gòu)建，繪制列線圖

時間依賴ROC曲線繪制

矯準曲線，決策曲線繪制

第五天

ceRNA網(wǎng)格構(gòu)建

miRNA，lncRNA，circRNA介紹

miRNA，lncRNA，circRNA相關(guān)數(shù)據(jù)庫及工具介紹

ceRNA案例分享

實操部分

差異mRNA，lncRNA，miRNA分析

火山圖，熱圖，聚類圖，柱狀圖

差異表達基因GO,KEGG富集分析，氣泡圖，柱狀圖，KEGG通路圖展示

生存分析，生存曲線繪制

mRNA，lncRNA表達相關(guān)性分析，相關(guān)性散點圖

mRNA, lncRNA, miRNA網(wǎng)絡構(gòu)建

cytoscape展示ceRNA網(wǎng)絡，hub基因篩選

上下滑動查看更多內(nèi)容

結(jié)果展示：

主成分分析（PCA）

差異表達分析熱圖

差異表達分析火山圖

GO和KEGG富集分析

Part.專題三

機器學習代謝組學課表

第一天

A1 代謝物及代謝組學的發(fā)展與應用

（1） 代謝生理功能；

（2） 代謝疾??；

（3） 非靶向與靶向代謝組學；

（4） 空間代謝組學與質(zhì)譜成像（MSI）；

（5） 代謝流與機制研究；

（6） 代謝組學與藥物和生物標志物。

A2 代謝組學實驗流程簡介

A3 色譜、質(zhì)譜硬件原理

（1） 色譜分析原理；

（2） 色譜的氣相、液相和固相；

（3） 色譜儀和色譜柱的選擇；

（4） 質(zhì)譜分析原理及動畫演示；

（5） 正、負離子電離模式；

（6） 色譜質(zhì)譜聯(lián)用技術(shù)；

（7） LC-MS 的液相系統(tǒng)

A4 代謝通路及代謝數(shù)據(jù)庫

（1） 幾種經(jīng)典代謝通路簡介；

（2） 能量代謝通路；

（3） 三大常見代謝物庫：HMDB、METLIN 和 KEGG;

（4） 代謝組學原始數(shù)據(jù)庫：Metabolomics Workbench 和Metabolights.

第二天

B1 代謝物樣本處理與抽提

（1） 組織、血液和體液樣本的提取流程與注意事項；

（2） 用 ACN 抽提代謝物的流程與注意事項；

（3） 樣本及代謝物的運輸與保存問題；

B2 LC-MS 數(shù)據(jù)質(zhì)控與搜庫

（1） LC-MS 實驗過程中 QC 樣本的設置方法；

（2） LC-MS 上機過程的數(shù)據(jù)質(zhì)控監(jiān)測和分析；

（3） XCMS 軟件數(shù)據(jù)轉(zhuǎn)換與提峰；

B3 R 軟件基礎

（1） R 和 Rstudio 的安裝；

（2） Rstudio 的界面配置；

（3） R 的基本數(shù)據(jù)結(jié)構(gòu)和語法；

（4） 下載與加載包；

（5） 函數(shù)調(diào)用和 debug；

B4 ggplot2

（1） 安裝并使用 ggplot2

（2） ggplot2 的畫圖哲學；

（3） ggplot2 的配色系統(tǒng)；

（4） ggplot2 畫組合圖和火山圖；

第三天

機器學習

C1 無監(jiān)督式機器學習在代謝組學數(shù)據(jù)處理中的應用

（1） 大數(shù)據(jù)處理中的降維；

（2） PCA 分析作圖；

（3） 三種常見的聚類分析：K-means、層次分析與 SOM

（4） 熱圖和 hcluster 圖的 R 語言實現(xiàn)；

C2 一組代謝組學數(shù)據(jù)的降維與聚類分析的 R 演練

(1) 數(shù)據(jù)解析；

(2) 演練與操作；

C3 有監(jiān)督式機器學習在代謝組學數(shù)據(jù)處理中的應用

（1） 數(shù)據(jù)用 PCA 降維處理后仍然無法找到差異怎么辦？

（2） PLS-DA 找出最可能影響差異的代謝物；

（3） VIP score 和 coef 的意義及選擇；

（4） 分類算法：支持向量機，隨機森林

C4 一組代謝組學數(shù)據(jù)的分類算法實現(xiàn)的 R 演練

(1) 數(shù)據(jù)解讀；

(2) 演練與操作；

第四天

D1 代謝組學數(shù)據(jù)清洗與 R 語言進階

（1） 代謝組學中的 t、fold-change 和響應值；

（2） 數(shù)據(jù)清洗流程；

（3） R 語言 tidyverse

（4） R 語言正則表達式；

（5） 代謝組學數(shù)據(jù)過濾；

（6） 代謝組學數(shù)據(jù) Scaling 原理與 R 實現(xiàn)；

（7） 代謝組學數(shù)據(jù)的 Normalization；

（8） 代謝組學數(shù)據(jù)清洗演練；

D2 在線代謝組分析網(wǎng)頁 Metaboanalyst 操作

（1） 用 R 將數(shù)據(jù)清洗成網(wǎng)頁需要的格式；

（2） 獨立組、配對組和多組的數(shù)據(jù)格式問題；

（3） Metaboanalyst 的 pipeline 和注意事項；

（4） Metaboanalyst 的結(jié)果查看和導出；

（5） Metaboanalyst 的數(shù)據(jù)編輯；

（6） 全流程演練與操作

第五天

E1 機器學習與代謝組學頂刊解讀（2-3 篇）；

（1） Nature Communication 一篇代謝組學小鼠腦組織樣本 database 類型的文獻；

（2） Cell 一篇代謝組學患者血液樣本的機器學習與疾病判斷的文獻；

（3） 1-2 篇代謝組學與轉(zhuǎn)錄組學和蛋白組學結(jié)合的文獻。

E2 文獻數(shù)據(jù)分析部分復現(xiàn)（1 篇）

（1） 文獻深度解讀；

（2） 實操：從原始數(shù)據(jù)下載到圖片復現(xiàn)；

（3） 學員實操。

上下滑動查看更多內(nèi)容

Part：專題四

深度學習在基因組學中的應用

第一天

理論部分

深度學習算法介紹

1.有監(jiān)督學習的神經(jīng)網(wǎng)絡算法

1.1全連接深度神經(jīng)網(wǎng)絡DNN在基因組學中的應用舉例

1.2卷積神經(jīng)網(wǎng)絡CNN在基因組學中的應用舉例

1.3循環(huán)神經(jīng)網(wǎng)絡RNN在基因組學中的應用舉例

1.4圖卷積神經(jīng)網(wǎng)絡GCN在基因組學中的應用舉例

2.無監(jiān)督的神經(jīng)網(wǎng)絡算法

2.1自動編碼器AE在基因組學中的應用舉例

2.2生成對抗網(wǎng)絡GAN在基因組學中的應用舉例

實操內(nèi)容

1.Linux操作系統(tǒng)

1.1常用的Linux命令

1.2 Vim編輯器

1.3基因組數(shù)據(jù)文件管理, 修改文件權(quán)限

1.4查看探索基因組區(qū)域

2.Python語言基礎

2.1.Python包安裝和環(huán)境搭建

2.2.常見的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)類型

第二天

理論部分

基因組學基礎

1. 基因組數(shù)據(jù)庫

2. 表觀基因組

3. 轉(zhuǎn)錄基因組

4. 蛋白質(zhì)組

5. 功能基因組

實操內(nèi)容

基因組常用深度學習框架

1. 安裝并介紹深度學習工具包tensorflow, keras，pytorch

2. 在工具包中識別深度學習模型要素

2.1.數(shù)據(jù)表示

2.2.張量運算

2.3.神經(jīng)網(wǎng)絡中的“層”

2.4.由層構(gòu)成的模型

2.5.損失函數(shù)與優(yōu)化器

2.6.數(shù)據(jù)集分割

2.7.過擬合與欠擬合

3.基因組數(shù)據(jù)處理

3.1安裝并使用keras_dna處理各種基因序列數(shù)據(jù)如BED、 GFF、GTF、BIGWIG、BEDGRAPH、WIG等

3.2使用keras_dna設計深度學習模型

3.3使用keras_dna分割訓練集、測試集

3.4使用keras_dna選取特定染色體的基因序列等

第三天

理論部分

卷積神經(jīng)網(wǎng)絡CNN在基因調(diào)控預測中的應用

1. Chip-Seq中識別基序特征G4，如DeepG4

2. Chip-Seq中預測DNA甲基化，DeepSEA

3. Chip-Seq中預測轉(zhuǎn)錄調(diào)控因子結(jié)合，DeepSEA

實操內(nèi)容

復現(xiàn)卷積神經(jīng)網(wǎng)絡CNN識別基序特征DeepG4、非編碼基因突變DeepSEA復現(xiàn)DeepG4從Chip-Seq中識別G4特征

1. 安裝selene_sdk，復現(xiàn)DeepSEA從Chip-Seq中預測DNA甲基化，非編碼基因突變

第四天

理論部分

深度學習在識別拷貝數(shù)變異DeepCNV

1. SNP微陣列中預測拷貝數(shù)變異CNV，DeepCNV

2. RNA-Seq中預測premiRNA，dnnMiRPre

實操內(nèi)容

1. 復現(xiàn)DeepCNV利用SNP微陣列聯(lián)合圖像分析識別拷貝數(shù)變異

2. 復現(xiàn)循環(huán)神經(jīng)網(wǎng)絡RNN工具 dnnMiRPre，從RNA-Seq中預測premiRNA

第五天

理論部分

深度學習在識別及疾病表型及生物標志物上的應用

1. 從基因表達數(shù)據(jù)中識別乳腺癌分型的深度學習工具DeepType

實操內(nèi)容

1. 復現(xiàn)DeepType，從METABRIC乳腺癌數(shù)據(jù)中區(qū)分乳腺癌亞型

第六天

理論部分

深度學習在預測藥物反應機制上的應用

1. 聯(lián)合腫瘤基因標記及藥物分子結(jié)構(gòu)預測藥物反應機制的深度學習工具SWnet

實操內(nèi)容

1. 預處理藥物分子結(jié)構(gòu)信息

2. 計算藥物相似性

3. 在不同數(shù)據(jù)集上構(gòu)建self-attention SWnet

4. 評估self-attention SWnet

5. 構(gòu)建多任務的SWnet

6. 構(gòu)建單層SWnet

7. 構(gòu)建帶權(quán)值層的SWnet

上下滑動查看更多內(nèi)容

上下滑動查看更多

Part.專題五

機器學習微生物組學課表

第一天

1. 微生物學基礎知識回顧

2. 機器學習基本概念介紹

a. 什么是機器學習

b. 監(jiān)督學習、無監(jiān)督學習

c. 常用機器學習模型介紹

3. 混淆矩陣

4. ROC曲線

第二天

R語言簡介與實操

1. R語言概述

2. R studio軟件與R包安裝

3. R語言語法及數(shù)據(jù)類型

4. 條件語句和循環(huán)

Linux實操

1. Linux操作系統(tǒng)

2. Linux操作系統(tǒng)的安裝與設置

3. 網(wǎng)絡配置與服務進程管理

4. Linux的遠程登錄管理

5. 常用的Linux命令

6. 在Linux下獲取基因數(shù)據(jù)

7. Shell script與Vim編輯器

第三天

微生物組常用分析方法（實操）

1. 微生物豐度分析

2. 轉(zhuǎn)錄組豐度分析

3. 進化樹分析

4. 降維分析

第四天

機器學習在微生物組學中的應用案例分享

1. 疾病預測應用：利用機器學習基于微生物組學數(shù)據(jù)預測疾病狀態(tài)

2. 腸道菌群研究：機器學習研究飲食對腸道微生物的影響

第五天

機器學習模型訓練和分析（實操）

1. 加載數(shù)據(jù)及數(shù)據(jù)歸一化

2. 構(gòu)建訓練模型（GLM, RF, SVM）

3. 模型參數(shù)優(yōu)化

4. 模型錯誤率曲線繪制

5. 混淆矩陣計算

6. 重要特征篩選

7. 模型驗證，ROC曲線繪制利用模型進行預測

利用機器學習基于微生物組學數(shù)據(jù)預測宿主表型

1. 加載數(shù)據(jù)

2. 數(shù)據(jù)歸一化

3. OUT特征處理

4. 機器學習模型構(gòu)建（RF, KNN, SVM, Lasso等多種機器學習方法）

5. 繪制ROC 曲線，比較不同機器學習模型模型性能評估

利用機器學習基于臨床特征和腸道菌群預測疾病風險

1. 加載數(shù)據(jù)

2. 機器學習模型構(gòu)建（RF, gbm, SVM等等）

3. 交叉驗證

4. 模型性能評估

上下滑動查看更多內(nèi)容

Part.專題六

CADD計算機輔助藥物設計課表

第一天

上午

導論與基礎

1. 蛋白質(zhì)三維結(jié)構(gòu)的預測對于藥物發(fā)現(xiàn)的重要性

1.1 同源建模

1.2 從頭建模

2. 蛋白質(zhì)（酶/靶點）活性位點在藥物發(fā)現(xiàn)的重要性

3. 藥物發(fā)現(xiàn)中的關(guān)鍵結(jié)構(gòu)特征（特別是小分子）

4. 藥物輔助發(fā)現(xiàn)常用的計算方法

4.1 分子對接

4.2 虛擬篩選

4.3 分子動力學模擬

4.4 其他

下午

1. PDB數(shù)據(jù)庫的介紹

1.1 檢索蛋白

1.2 頁面功能及解讀

1.3 數(shù)據(jù)的下載

1.4 PDB文件格式的解讀

2. PyMol

2.1 軟件介紹

2.2 基本操作介紹

2.3 蛋白及小分子表面圖、靜電勢表示

2.4 繪制相互作用圖及制作簡單動畫

第二天

上午

同源建模

1. 同源建模原理介紹

1.1 同源建模的功能及使用場景

1.2 同源建模的方法

2. Swiss-Model 同源建模；

2.1 同源蛋白的搜索（blast等方法）

2.2 蛋白序列比對

2.3 蛋白模板選擇

2.4 蛋白模型搭建

2.5 模型評價（蛋白拉曼圖）

2.6 蛋白模型優(yōu)化

實例講解與練習：用2019-nCoV spike蛋白序列建模，根據(jù)相應參數(shù)和方法評價模型

下午

小分子構(gòu)建

1. ChemDraw軟件介紹

1.1 小分子結(jié)構(gòu)構(gòu)建

1.2 小分子理化性質(zhì)（如分子量、clogP等）計算

1.3 分別構(gòu)建大環(huán)、氨基酸、DNA、RNA等分子

小分子化合物庫

2 小分子數(shù)據(jù)庫

2.1 DrugBank、ZINC、ChEMBL等數(shù)據(jù)庫介紹及使用

2.2 天然產(chǎn)物、中藥成分數(shù)據(jù)庫介紹及使用

第三天

上午

1. 分子對接基礎

1.1 分子對接原理

1.2 分子對接分類

1.3 分子對接打分函數(shù)

2. 常規(guī)分子對接實踐

2.1 對接的執(zhí)行

2.1.1 藥物分子配體的準備

2.1.2 蛋白受體的準備

2.1.3 受體格點計算

2.1.3 執(zhí)行半柔性對接

下午

1.2對接結(jié)果評價

1.2.1 晶體結(jié)構(gòu)構(gòu)象進行對比

1.2.2 能量角度評價對接結(jié)果

1.2.3 聚類分析評價對接結(jié)果

1.2.4 最優(yōu)結(jié)合構(gòu)象的選擇

2 對接其他方式的實現(xiàn)

第四天

上午

1 柔性對接

1.1 小分子配體優(yōu)化準備

1.2 蛋白受體的準備

1.3 柔性殘基的定義

1.4 蛋白受體格點計算

1.5 柔性對接計算及結(jié)果評價

1.6 半柔性對接與柔性對接比較與選擇

2 柔性對接其他方式的實現(xiàn)

下午

基于受體的藥物發(fā)現(xiàn)

1 虛擬篩選的準備

1.1 小分子文件的不同格式

1.2 openbabel最實用功能的介紹

1.3 小分子不同格式的轉(zhuǎn)化

2. 基于對接的虛擬篩選

2.1 虛擬篩選定義、流程構(gòu)建及演示

2.2 靶點蛋白選擇、化合物庫獲取

2.3 虛擬篩選

2.4 結(jié)果分析（打分值、能量及相互作用分析）

第五天

上午

一些特殊的分子對接

1.小分子-小分子對接

1.1小分子-小分子相互作用簡介

1.2小分子結(jié)構(gòu)預處理

1.3小分子-小分子對接（糖-小分子為例）

1.4對接結(jié)果展示與分析

2. 蛋白-核酸對接

3. 蛋白-蛋白對接

下午

基于配體的藥物發(fā)現(xiàn)

1. 3D-QSAR模型構(gòu)建（Sybyl軟件）

1.1 小分子構(gòu)建

1.2 創(chuàng)建小分子數(shù)據(jù)庫

1.3 小分子加電荷及能量優(yōu)化

1.4 分子活性構(gòu)象確定及疊合

1.5 創(chuàng)建3D-QSAR模型

1.6 CoMFA和CoMSIA模型構(gòu)建

1.7 測試集驗證模型

1.8 模型參數(shù)分析

1.9 模型等勢圖分析

1.10 3D-QSAR模型指導藥物設計

第六天

上午

1. linux系統(tǒng)介紹

2.常用命令介紹

3. linux上程序的安裝（gromacs）

下午

MD實踐一：溶劑化下蛋白質(zhì)分子動力學模擬

全面熟悉分子動力學模擬的一般流程

第七天

上午

MD實踐二：溶劑化下蛋白質(zhì)-配體的分子動力學模擬

掌握處理非標準殘基的力場擬合

下午

分子動力學模擬中的常用分析命令

蛋白-配體結(jié)合自由能的結(jié)算

Part.專題七

AIDD人工智能藥物發(fā)現(xiàn)與設計課表

第一天

1 人工智能藥物發(fā)現(xiàn)(AIDD)簡介

2 機器學習和深度學習在藥物發(fā)現(xiàn)領域的應用

2.1 分子屬性預測與優(yōu)化

2.2 虛擬篩選

2.3 藥物副作用預測與安全性評估

2.4 新藥分子設計

3 工具介紹與安裝

3.1 Anaconda3/Pycharm 安裝

3.2 Numpy 基礎

3.3 Pandas 基礎

3.4 Matplotlib 基礎

3.5 Scikit-learn 基礎

3.6 Pytorch 基礎

3.7 RDKit 基礎

第二天

1 機器學習簡介

1.1 機器學習四要素

1.2 數(shù)據(jù)模塊

1.3 核心和高級 API

2 回歸算法與應用

2.1 線性回歸

2.2 Lasso 回歸

2.3 Ridge 回歸

2.4 ElasticNset 彈性網(wǎng)絡

3 分類算法與應用

3.1 邏輯回歸

3.2 樸素貝葉斯

3.3 KNN

3.4 SVC

3.5 決策樹

3.6 隨機森林

3.7 集成學習

4 聚類算法

4.1 KMeans

4.2 密度聚類 DBSCAN

5 降維

5.1 奇異值分解 SVD

5.2 主成分分析 PCA

5.3 非負矩陣分解 NMF

6 模型的評估方法和評價指標

6.1 超參數(shù)優(yōu)化

6.2 交叉驗證

6.3 評價指標

7 特征工程

8 機器學習藥物發(fā)現(xiàn)案例（一）

——化合物生物活性分類模型

9 機器學習藥物發(fā)現(xiàn)案例（二）

——化合物生物活性回歸模型

10 機器學習藥物發(fā)現(xiàn)案例（三）

—— 藥物副作用預測模型

第三天

1 深度學習與藥物發(fā)現(xiàn)（ 一）

1.1 深度神經(jīng)網(wǎng)絡

1.2 正向和反向傳播

1.3 優(yōu)化方法

1.3.1 梯度下降增加動力

1.3.2 自適應學習

1.3.3 Adam

1.4 損失函數(shù)

1.4.1 平均絕對誤差

1.4.2 均方誤差損失函數(shù)

1.4.3 交叉熵損失函數(shù)

1.5 卷積神經(jīng)網(wǎng)絡

1.5.1 卷

1.5.2 填充和步幅

1.5.3 池化層

1.5.4 LeNet 網(wǎng)絡

1.5.5 AlexNet 網(wǎng)絡

2 深度學習藥物發(fā)現(xiàn)案例（一）

—— 藥物-藥物相互作用預測模型

第四天

1 深度學習與藥物發(fā)現(xiàn)（ 二）

1.1 循環(huán)神經(jīng)網(wǎng)絡

1.2 消息傳遞神經(jīng)網(wǎng)絡

1.3 圖卷積神經(jīng)網(wǎng)絡

1.4 圖注意力神經(jīng)網(wǎng)絡

1.5 圖采樣和聚合

2 深度學習藥物發(fā)現(xiàn)案例（二）

—— 藥物靶標相互作用預測模型

3 深度學習藥物發(fā)現(xiàn)案例（三）

—— 藥物重定位模型

第五天

1 深度學習與藥物發(fā)現(xiàn) （三）

1.1 注意力機制

1.2 自注意力模型

1.3 多頭自注意力模型

1.4 交叉注意力模型

1.5 Transformer 模型

2 深度學習藥物發(fā)現(xiàn)案例（四）

—— 藥物-藥物相互作用預測模型

3 深度學習藥物發(fā)現(xiàn)案例（五）

—— 藥物靶標結(jié)合親和力預測模型

上下滑動查看更多內(nèi)容

副作用在藥物-藥物相似性網(wǎng)絡中傳播

利用藥物關(guān)聯(lián)網(wǎng)絡特征和深度神經(jīng)網(wǎng)絡識別藥物之間潛在相互作用事件

通過深度學習整合來自異構(gòu)網(wǎng)絡的鄰接信息以發(fā)現(xiàn)新的藥物靶點相互作用

將藥物和蛋白質(zhì)信息關(guān)聯(lián)起來的帶有注意力區(qū)塊的 AttentionDTA 模型

Part.專題八

蛋白質(zhì)晶體結(jié)構(gòu)解析課表

第一天

蛋白質(zhì)結(jié)晶前準備

課程介紹和蛋白質(zhì)結(jié)構(gòu)功能基本介紹

提純蛋白質(zhì),確定濃度、pH值、緩沖液等條件,控制蛋白質(zhì)穩(wěn)定性等。

1、目的蛋白質(zhì)信息檢索與調(diào)查

– 利用生物信息學工具搜集目標蛋白質(zhì)的基因序列、結(jié)構(gòu)域、同源蛋白質(zhì)的信息

– 分析目標蛋白質(zhì)的理化性質(zhì),如分子量、等電點、聚合程度、穩(wěn)定性等

2、質(zhì)粒制備

– 設計引物,克隆目標基因到表達載體

– 轉(zhuǎn)化表達宿主,提取重組質(zhì)粒

– 質(zhì)粒測序驗證目標基因插入

3、蛋白質(zhì)純化

– 選擇合適的誘導條件,表達可溶性或不溶性重組蛋白

– 裂解菌體,釋放重組蛋白質(zhì)

– 蛋白質(zhì)純化:親和層析、離子交換層析、凝膠過濾等

4、蛋白質(zhì)不表達和包涵體問題

– 分析不表達的原因,優(yōu)化誘導條件

– 改進溶解緩沖液條件,提高蛋白從包涵體中釋放

5、蛋白質(zhì)活性鑒定

– 進行Western Blot或酶活性實驗驗證蛋白質(zhì)活性

6、蛋白質(zhì)結(jié)晶前分析

– 測定蛋白質(zhì)的純度、聚合狀態(tài)、穩(wěn)定性

– 優(yōu)化緩沖液條件,調(diào)整蛋白質(zhì)到適宜的pH和離子濃度

第二天

蛋白質(zhì)結(jié)晶與衍射數(shù)據(jù)收集

利用協(xié)同結(jié)晶篩選獲得蛋白質(zhì)結(jié)晶,在同步輻射光源下收集衍射數(shù)據(jù)。

1、蛋白質(zhì)結(jié)晶

– 蛋白質(zhì)結(jié)晶的基本原理

– 蛋白質(zhì)結(jié)晶的影響因素

– 蛋白質(zhì)結(jié)晶的基本方法

– 結(jié)晶條件篩選策略

2、SSRF（同步輻射光源） 的介紹

– SSRF簡介

– SSRF的光源優(yōu)勢

– SSRF的實驗站介紹

3、蛋白質(zhì)晶體衍射數(shù)據(jù)收集

– X射線結(jié)晶學基本原理

– 晶體探針和晶體定位

– 晶體測試和優(yōu)化

– 衍射數(shù)據(jù)收集參數(shù)設定

– 衍射數(shù)據(jù)處理和分析

第三天

蛋白質(zhì)晶體結(jié)構(gòu)解析軟件安裝

安裝相關(guān)計算機程序,如Phenix, XDS, Pymol等用于后續(xù)的數(shù)據(jù)處理與模型建立。

1、Linux系統(tǒng)安裝

– Linux系統(tǒng)選擇和安裝

– Linux系統(tǒng)基本命令

– Linux系統(tǒng)環(huán)境配置

2、蛋白質(zhì)晶體結(jié)構(gòu)解析軟件安裝

– CCP4安裝

– Phenix安裝

– Coot安裝

– PyMol安裝

– 其他結(jié)構(gòu)解析支持軟件安裝

蛋白質(zhì)結(jié)構(gòu)解析的各種軟件主要在Linux系統(tǒng)下使用。建議使用Linux系統(tǒng)。首先需要對Linux系統(tǒng)進行簡單的介紹,包括選擇發(fā)行版本、基本命令使用、環(huán)境變量配置等。然后依次介紹CCP4、Phenix、Coot、PyMol等主要的結(jié)構(gòu)解析軟件的下載、編譯和安裝方法。也可以介紹一些結(jié)構(gòu)解析中需要的其他軟件工具的安裝。通過這個章節(jié)的學習,學生可以掌握在Linux系統(tǒng)上配置蛋白質(zhì)結(jié)構(gòu)解析的軟件環(huán)境。

Index、integrate與scale軟件使用和介紹

利用軟件index及integrate衍射點,scale衍射數(shù)據(jù)以校正強度。

1、晶體結(jié)構(gòu)學知識

– 晶體學中的衍射理論基礎

– 布拉格定律和倒易格向量

– 晶體的對稱性

2、蛋白質(zhì)晶體結(jié)構(gòu)解析流程

– 蛋白質(zhì)的表達與純化

– 蛋白質(zhì)的結(jié)晶

– X射線晶體學數(shù)據(jù)收集

– 晶體結(jié)構(gòu)解析流程概述

3、Index和integrate

– Indexing的目的和原理

– Integration的目的和過程

4、Scale

– Scale的目的——校正數(shù)據(jù)

– Scale常用方法

5、使用XSCALE功能進行scale

– XSCALE軟件介紹

– 使用XSCALE進行數(shù)據(jù)scale的步驟

6、使用HKL2000進行index、integrate和scale

– HKL2000軟件介紹

– 使用HKL2000進行indexing

– 使用HKL2000進行integration

– 使用HKL2000進行scaling

第四天

分子置換、構(gòu)建優(yōu)化與結(jié)構(gòu)提交

利用分子置換法確定蛋白質(zhì)框架,手動構(gòu)建余下結(jié)構(gòu),進行優(yōu)化后提交蛋白質(zhì)坐標庫。

1、分子置換

(1) 分子置換的概念

(2) 分子置換的目的

(3) 常用的分子置換軟件介紹

(4) 分子置換的具體操作步驟

2、蛋白質(zhì)晶體結(jié)構(gòu)構(gòu)建

(1) 蛋白質(zhì)序列比對確定構(gòu)建起始模型

(2) 主鏈構(gòu)建方法

(3) 側(cè)鏈構(gòu)建方法

(4) 構(gòu)建完成后的模型檢查

3、蛋白質(zhì)晶體結(jié)構(gòu)優(yōu)化

(1) 能量最小化原理

(2) 模擬退火原理

(3) 分子動力學模擬原理

(4) 優(yōu)化過程中的評估標準

4、蛋白質(zhì)晶體結(jié)構(gòu)驗證

(1) Ramachandran圖分析

(2) 各類鍵長和鍵角分布

(3) 密接點分析

(4) B因子分布

(5) 電子密度匹配度評價

5、蛋白質(zhì)晶體結(jié)構(gòu)提交到PDB

(1) PDB數(shù)據(jù)提交要求

(2) 各項驗證確認無誤后壓縮需提交文件

(3) 在PDB網(wǎng)站提交表單,上傳文件,等待審核結(jié)果

第五天

蛋白質(zhì)晶體結(jié)構(gòu)展示

利用Pymol等軟件分析并展示蛋白質(zhì)的二級結(jié)構(gòu)、三級結(jié)構(gòu),活性口袋等結(jié)構(gòu)信息。

1、pdb格式文件簡介

– pdb文件概述:包含蛋白質(zhì)晶體學數(shù)據(jù)的標準格式

– 原子坐標:記錄每個原子的xyz坐標

– 溫度因子:記錄每個原子的熱運動參數(shù)

– 二級結(jié)構(gòu):記錄α螺旋和β片層的位置

– 結(jié)構(gòu)注解:記錄配體、酶活性中心等重要結(jié)構(gòu)信息2、PyMOL制作蛋白質(zhì)晶體結(jié)構(gòu)圖

– PyMOL簡介:流行的分子可視化軟件

– 加載pdb文件

– 顯示蛋白質(zhì)鏈、α螺旋和β片層

– 調(diào)整視角、變色和放大關(guān)鍵結(jié)構(gòu)

– 導出高質(zhì)量圖像3、使用PyMOL制作蛋白質(zhì)配體結(jié)合位點信息

– 識別蛋白質(zhì)與配體的相互作用

– 突出顯示配體結(jié)合位點殘基

– 在結(jié)合位點生成表面模型

– 制作配體結(jié)合位點的特寫圖4、使用PyMOL調(diào)查蛋白質(zhì)的溫度因子B-factors

– 顯示溫度因子putty圖

– 分析柔性域和穩(wěn)定域

– 與酶活性中心和功能位點的關(guān)系5、使用PyMOL重疊對比不同的蛋白質(zhì)晶體結(jié)構(gòu)

– 載入不同狀態(tài)的pdb文件

– 重疊對齊蛋白質(zhì)結(jié)構(gòu)

– 比較構(gòu)象變化,如酶動力學過程中的不同中間狀態(tài)6、使用PyMOL顯示蛋白質(zhì)晶體結(jié)構(gòu)中配體的電子密度圖

– 加載包含配體密度的pdb文件

– 顯示2Fo-Fc 和 Fo-Fc電子密度圖

– 檢查配體與電子密度的匹配程度

– 評估配體定位和取向的準確性7、使用PyMOL結(jié)合Chimera實現(xiàn)同步顯示非對稱單元的蛋白質(zhì)分子

– 在PyMOL中顯示蛋白質(zhì)非對稱單元

– 在Chimera中同步顯示非對稱單元

– 細節(jié)對比不同分子中的相同結(jié)構(gòu)

– 分析蛋白質(zhì)多聚體形成的分子間相互作用

上下滑動查看更多內(nèi)容

三、

講師介紹

CADD主講老師來自國內(nèi)高校、中科院等單位，老師主要擅長深度學習、機器學習、藥物虛擬篩選、計算機輔助藥物設計、人工智能藥物發(fā)現(xiàn)、分子對接、分子動力學等方面的研究

AIDD授課老師余老師，有十余年的計算機算法研究和程序設計經(jīng)驗。研究方向涉及生物信息學，深度學習，藥物靶標識別，藥物不良反應等。參與了國自然基金2項，主持了省廳級科研項目3項。一作身份發(fā)表SCI論文數(shù)篇，包括BMC Bioinformatics, Journal of Biomedical Informatics, International Journal of Molecular Sciences等知名期刊。

蛋白晶體結(jié)構(gòu)解析主講老師顧博士來自基礎醫(yī)學院醫(yī)學藥理學系教師。具有十年以上的高校教學經(jīng)驗，承擔本科生、研究生的教學任務。主持省自然科學基金1項（已結(jié)題），發(fā)表SCI論文10余篇。參與編寫教材5部，擔任人民衛(wèi)生出版社配套教材編委，高等教育出版社數(shù)字教材編委，另外主編教輔教材2部。獲省教學成果獎二等獎（排名第9），省一流本科課程（排名3），省在線開放課程（排名3），擔任省藥理學會教學專委會委員，學系教學副主任。

CRISPR-Css9基因編輯主講老師來自加州大學生物醫(yī)學工程專業(yè)博士，曾在麻省理工和哈佛大學從事基因編輯研究，在耶魯大學從事基因遞送工作。文章發(fā)表在Nature Biomedical Engineering, Nature Communications等雜志上。曾在天使投資機構(gòu)工作，主要投資基因編輯、單細胞測序、AI制藥等方向的創(chuàng)業(yè)公司。

機器學習代謝組學主講老師來自985高校神經(jīng)科學博士，主要利用代謝組學、轉(zhuǎn)錄組學和分子生物學等技術(shù)研究神經(jīng)內(nèi)科慢性病的發(fā)病機制和生物標志物。擅長高效液相色譜-質(zhì)譜聯(lián)用（LC-MS）技術(shù)進行非靶向和靶向代謝組學從樣本制備到數(shù)據(jù)分析的全流程研究，以及多組學大數(shù)據(jù)的生物信息學整合分析。5年內(nèi)在J Clin Invest, EBioMedicine, Cell Death Dis, Cell Death Discov, Nanotoxicology等雜志發(fā)表SCI論文10篇。

機器學習微生物組學主講老師來自生物科技公司核心高管，曾在麻省理工學院、加州大學舊金山分校等機構(gòu)工作，過去5年科研工作發(fā)表于Cell, PNAS等雜志

機器學習生物醫(yī)學主講老師生物信息學博士，有十余年的測序數(shù)據(jù)分析經(jīng)驗。研究領域涉及機器學習，芯片數(shù)據(jù)分析，核酸及蛋白序列分析，DNA，RNA，甲基化測序數(shù)據(jù)分析，單細胞測序數(shù)據(jù)分析，miRNA及靶基因分析，生存分析及預后模型構(gòu)建等。具有5年培訓經(jīng)驗，對常用公共數(shù)據(jù)庫TCGA，NCBI, UCSC, GEO等非常熟悉。發(fā)表SCI論文30余篇，其中一作及并列一作15篇。

深度學習基因組學主講老師劉老師，生物信息學博士，有十余年的測序數(shù)據(jù)分析經(jīng)驗。研究領域涉及人工智能、自然語言處理、功能基因組學、轉(zhuǎn)錄組學、miRNA及靶基因網(wǎng)絡分析，單細胞測序數(shù)據(jù)分析，基因調(diào)控網(wǎng)絡時序分析，蛋白質(zhì)互作網(wǎng)絡分析，多組學聯(lián)合分析等。主持省自然科學基金等項目4項，發(fā)表SCI論文23篇，論著一部。

四 培訓對象

全國各大高校、企業(yè)、科研院所從事人工智能、生命科學、代謝工程、有機合成、天然產(chǎn)物、藥物、生物信息學、植物學，動物學、化學化工，醫(yī)學、基因組學、農(nóng)業(yè)科學、植物學、動物學，臨床醫(yī)學、食品科學與工程、腫瘤免疫與靶向治療、全基因組泛癌分析、人黏連蛋白折疊基因組機、病毒檢測、功能基因組、遺傳圖譜、基因挖掘變異、代謝組學、蛋白質(zhì)組學、轉(zhuǎn)錄組學、生物醫(yī)學、核酸、毒物學等研究科研人員及愛好者

五 學習目標

CADD計算機輔助藥物設計：讓學員能夠掌握包括PDB數(shù)據(jù)庫、靶點蛋白、蛋白質(zhì)-配體、蛋白-配體小分子、蛋白-配體結(jié)構(gòu)、notepad的介紹和使用、分子對接、蛋白-配體對接、虛擬篩選、蛋白-蛋白對接、蛋白-多糖分子對接、蛋白-水合對接、Linux安裝、gromacs分子動力學全程實操、溶劑化分子動力學模擬

CRISPR-Cas9基因編輯技術(shù)：課程從全局出發(fā)，由淺入深，課程通過基礎入門 應用案例實操演練的方式，從最初的原理講解到最后的應用實戰(zhàn)，學完本課程你將掌握基因編輯技術(shù)的相關(guān)原理及其應用，此外可以學到基因編輯系統(tǒng)的優(yōu)化策略，可以學到如何操作常用的生物學軟件。能夠快速運用到自己的科研項目和課題上。

AIDD人工智能藥物發(fā)現(xiàn)與設計：本課程讓學員了解藥物發(fā)現(xiàn)的前沿背景，學習人工智能領域的各類常見算法，熟悉工具包的安裝與使用，掌握一定的算法編程能力，能夠運用計算機方法研究藥物相關(guān)問題。通過大量的案例講解和實踐操作，具備一定的AIDD模型構(gòu)建和數(shù)據(jù)分析能力

蛋白質(zhì)晶體結(jié)構(gòu)解析：近年來結(jié)構(gòu)生物學發(fā)展迅速并和其他學科相互滲透交叉,特別是受到結(jié)構(gòu)基因組學等熱點學科的極大帶動。作為結(jié)構(gòu)生物學的基本手段和技術(shù),蛋白質(zhì)晶體學從解析簡單的蛋白質(zhì)三維結(jié)構(gòu)延伸到解決各類生物大分子及復合物結(jié)構(gòu),并更加注重研究結(jié)構(gòu)與功能之間的相互關(guān)系,派生出諸如基于結(jié)構(gòu)的藥物設計等應用性很強的分支。生物技術(shù)及計算機技術(shù)的飛速發(fā)展,尤其是高通量技術(shù)在生物學領域的應用,為蛋白質(zhì)晶體學帶來了全新的概念和更加廣闊的前景。

機器學習代謝組學：熟悉代謝組學和機器學習相關(guān)硬件和軟件；熟悉代謝組學從樣本處理到數(shù)據(jù)分析的全流程；能復現(xiàn)至少1篇CNS或子刊級別的代謝組學文章圖片。

機器學習微生物組學：通過本次培訓多個案例的系統(tǒng)講解讓參會學員學會機器學習在微生物組數(shù)據(jù)分析流程，能夠快速運用到自己的科研項目和課題上

機器學習生物醫(yī)學：通過本次學習，你將了解機器學習基本概念及常用機器學習模型的原理；生存分析及風險模型的構(gòu)建；R語言構(gòu)建常用機器學習模型；機器學習常見圖，表的繪制；生存分析，預后模型常見圖，表的繪制

深度學習基因組學：適于對深度學習、課程通過基礎入門 應用案例實操演練的方式，從初學及應用研究的角度出發(fā)，帶大家實戰(zhàn)演練多種深度學習模型（深度神經(jīng)網(wǎng)絡 DNN、 卷積神經(jīng)網(wǎng)絡 CNN、循環(huán)神經(jīng)網(wǎng)絡 RNN、可變自動編碼器 VAE、圖卷積神經(jīng)網(wǎng)絡 GCN）在基因組學分析中的各種應用：通過對這些深度學習在基因組學中的應用案例進行深度講解和實操，讓學員能夠掌 握深度學習分析高維基因組學、轉(zhuǎn)錄組學、蛋白組學等多組學數(shù)據(jù)流程，系統(tǒng)學習深度學習及基因組學理論知識及熟悉軟件代碼實操， 熟練掌握這些前沿的分析工具的使用以及研究創(chuàng)新深度學習算法解決生物學及臨床疾病問題與需求。

六 課程特色

課程特色

1、課程特色–全面的課程技術(shù)應用、原理流程、實例聯(lián)系全貫穿

2、學習模式–理論知識與上機操作相結(jié)合，讓零基礎學員快速熟練掌握

3、課程服務答疑–主講老師將為您實際工作中遇到的問題提供專業(yè)解答

福利及授課方式

福利：報名繳費成功贈送報名班型全套預習資料，課后學習完畢提供全程錄像視頻回放，針對與培訓課程內(nèi)容進行長期答疑，微信解疑群永不解散，參加本次課程的學員可免費再參加一次本單位后期組織的相同的專題培訓班（任意一期都可以）

授課方式：

通過騰訊會議線上直播，理論 實操的授課模式，老師手把手帶著操作，從零基礎開始講解，電子PPT和教程開課前一周提前發(fā)送給學員，所有培訓使用軟件都會發(fā)送給學員，有什么疑問采取開麥共享屏幕和微信群解疑，學員和老師交流、學員與學員交流，培訓完畢后老師長期解疑，培訓群不解散，往期培訓學員對于培訓質(zhì)量和授課方式一致評價極高！

七、授課時間

CADD計算機輔助藥物設計

2023.10.17-2023.10.20晚上授課

（晚19：00—晚22：00）

2023.10.21-2023.10.22全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

AIDD人工智能藥物發(fā)現(xiàn)與設計

2023.10.24-2023.10.27晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.31-2023.11.01晚上授課

（晚19：00—晚22：00）

蛋白晶體結(jié)構(gòu)解析

2023.10.17-2023.10.20晚上授課

（晚19：00—晚22：00）

2023.10.21-2023.10.22全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

CRISPR-Cas9基因編輯技術(shù)

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

2023.11.04-2023.11.05全天授課

（上午9：00-11：30下午13：30-17：00）

機器學習代謝組學

2023.10.24-2023.10.27晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.31-2023.11.01晚上授課

（晚19：00—晚22：00）

機器學習微生物組學

2023.10.17-2023.10.20晚上授課

（晚19：00—晚22：00）

2023.10.21-2023.10.22全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

機器學習生物醫(yī)學

2023.10.17-2023.10.20晚上授課

（晚19：00—晚22：00）

2023.10.21-2023.10.22全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.24-2023.10.25晚上授課

（晚19：00—晚22：00）

深度學習基因組學

2023.10.24-2023.10.27晚上授課

（晚19：00—晚22：00）

2023.10.28-2023.10.29全天授課

（上午9：00-11：30下午13：30-17：00）

2023.10.31-2023.11.01晚上授課

（晚19：00—晚22：00）

2023.11.04全天授課

（上午9：00-11：30下午13：30-17：00）

報名費用及福利

CADD計算機輔助藥物設計；

AIDD人工智能藥物發(fā)現(xiàn)；

蛋白晶體結(jié)構(gòu)解析；

深度學習基因組學；

公費價：5880 自費價：5480

每班價格

機器學習代謝組學；

機器學習微生物組學；

機器學習生物醫(yī)學；

CRISPR-Cas9基因編輯技術(shù)；

公費價4880 自費價4480

每班價格

優(yōu)惠一

兩班同報9880元另外贈送一個課程

（贈送一個班任選）

優(yōu)惠二

三班同報13880元

（贈送一個班任選）

四班同報17880元

（贈送兩個班任選）

特惠三

五班同報22880

（贈送三個班任選）

一年內(nèi)可免費參加本公司舉辦的任何課程（不限次數(shù)及課程）

證書：參加培訓并通過考試的學員，可以申請獲得工業(yè)和信息化部工業(yè)文化發(fā)展中心頒發(fā)的“工業(yè)強國建設素質(zhì)素養(yǎng)提升尚工行動”崗位能力適應評測證書。該證書可在中心官網(wǎng)查詢，可作為能力評價，考核和任職的重要依據(jù)。評測證書查詢網(wǎng)址：www.miit-icdc.org（自愿申請，須另行繳納考試費500元/人）

官方聯(lián)系方式

聯(lián)系人：汪老師

咨詢電話：17638148717（同V）

聽說99%的同學都來這里充電吖