BioArt专·精系列培训 | AI生信实战营（跟着多篇CNS文章源代码系统学生信）——2026年8月1日开课

打开网易新闻 查看精彩图片

AI 生信实战营将 AI 融入生信研究全流程，从论文拆解、R 零基础教学出发，系统学习差异分析、通路活性、WGCNA、机器学习、孟德尔随机化、免疫微环境、单细胞虚拟敲除、空间转录组、虚拟药物筛选等内容，并延伸至国自然标书写作。课程结合 Cell、Nature、Science 等论文的方法和文章源代码，讲清每一步的输入、参数、输出及生物学意义，帮助学员独立完成从选题设计、数据分析到机制验证和成果写作的完整研究路径。

01

课程特色

1. AI贯穿完整生信研究流程

把DeepSeek、ChatGPT等AI助手嵌入文献阅读、课题设计、代码学习、数据分析、结果解读、文章写作和标书修改等环节。

2. 从零基础到多组学进阶

学员不仅能够把代码跑出来，也能理解分析背后的统计逻辑和生物学意义。

3. 跟着CNS文章学习方法与源码

结合Nature、Cell、Science等文章的方法描述和源代码，讲清楚每一步使用什么数据、为什么选择这种方法、关键参数如何设置、结果应该怎样判断。

4. 打通“筛选—验证—机制”研究闭环

候选分子如何筛选、结果是否稳定、是否存在因果关系、在哪类细胞中发挥作用、可能通过什么机制影响疾病。

5. 覆盖传统生信与前沿AI生信

课程既包含Bulk RNA-seq、芯片、代谢、蛋白互作、网络药理学等常用分析，也加入单细胞、空间转录组、虚拟敲除、虚拟药物筛选和AI辅助多组学研究等前沿方向，帮助学员从常规的“差异基因和富集分析”，进一步走向因果推断、细胞机制和干预预测。

6. 强调课题迁移与成果交付

课程不以复现某一篇文章为终点，而是训练学员把方法迁移到自己的疾病、数据和研究方向中。每个模块都围绕可复用代码和标准分析流程。

02

课程核心模块

课程总体分为八个模块：按照AI科研基础—Bulk分析—调控网络机制—机器学习与因果—单细胞虚拟敲除—空间多组学—网络药理学—成果写作的顺序展开。

模块一：AI科研与编程基础

从CNS文章阅读和研究思路拆解入手，学习如何利用DeepSeek、ChatGPT判断课题创新性并辅助设计研究方案。同步完成R基础语法、数据结构、函数与循环、批次校正及生存分析，为后续实战建立统一的数据处理基础。

模块二：Bulk转录组全流程

系统学习芯片与RNA-seq数据的标准分析流程，包括数据归一化、差异分析，以及热图、火山图、三维PCA和层次聚类等论文常用图形。进一步完成GO、KEGG、GSEA、自定义基因集富集、GSVA、PROGENy和decoupleR通路活性推断，把差异基因转化为可解释的功能通路。

模块三：网络与系统生物学

围绕“基因之间如何协同、组织之间如何交流、代谢状态如何变化”展开，学习WGCNA筛选疾病相关模块，利用crossWGCNA分析跨组织共表达与通讯关系，通过BulkSignalR推断配体—受体网络。结合PPI、枢纽基因和模块富集建立网络、通路和表型之间的联系。

模块四：机器学习与因果推断

学习随机森林、XGBoost、SVM、弹性网络和GBM等常用机器学习方法，对候选基因进行特征筛选、重要性排序和模型比较，并整合WGCNA与PPI结果锁定核心基因。随后通过孟德尔随机化评估基因与疾病之间的方向性因果关系，把“表达相关”推进到“因果证据”。

模块五：免疫、调控与动态变化

整合CIBERSORT、ESTIMATE、xCell、TIMER和quanTIseq等多种方法，系统比较疾病与正常样本的免疫微环境差异，并分析核心基因与免疫细胞的关联。利用RcisTarget、BioNet和decoupleR推断核心转录因子及其调控网络；结合Mfuzz、TrendCatcher和自定义Bulk拟时间分析，解析基因、蛋白或代谢物随疾病进展和治疗过程的动态变化。

模块六：单细胞虚拟敲除和虚拟药物筛选

以Nature等文章为例完成单细胞数据质控、标准化、降维聚类、细胞注释和多组学分析。课程还将引入scFOCAL进行细胞亚群虚拟药物筛选，并利用scTenifoldKnk开展虚拟基因敲除，观察调控网络和细胞状态变化，形成“候选筛选—因果验证—细胞定位—干预预测”的完整分析链条。

模块七：空间组学与表观遗传

系统理解10x Visium、Xenium、Visium HD和Stereo-seq等平台的数据分析流程。同步学习ChIP-seq和ATAC-seq在CNS文章中的应用，包括峰值可视化、Peak注释及启动子、外显子和内含子分布分析，进一步连接转录表达与染色质调控。

模块八：网络药理学与成果写作

围绕中药—成分—靶点—疾病—通路构建网络药理学研究框架，完成候选中药反推、富集分析、PPI、转录因子网络等结果展示。最后利用AI辅助国自然标书写作，拆解立项依据、科学问题和创新点，并通过专家评审模拟修改内容。课程结尾将带领学员使用自己的数据完成分析流程。

03

课程具体内容

模块一：AI科研与R语言基础第1节：AI+CNS文章思路解读

1. 利用DeepSeek高效阅读多组学CNS生信文章

2. 整理转录组、蛋白组、代谢组和宏基因组分析流程

3. 从多篇文献中归纳共同的方法框架

4. 判断文章创新性、数据完整性和分析可行性

5. 利用AI辅助完成课题设计和主图规划

1. R与RStudio安装和环境配置

2. R语言基础语法、对象和常用命令

3. 根据Cell文章方法描述学习R包的安装与使用

4. 利用AI解读Nature文章源代码中的关键函数

5. 学会向AI提出准确的代码生成和修改要求【Cell】

1. 向量、矩阵、数据框和列表的创建与索引

2. 行列筛选、数据类型转换与缺失值处理

3. 多个数据框和表达矩阵的合并【Cell】

4. 自定义函数Function的编写

5. for循环、条件判断和字符型数据处理

打开网易新闻 查看精彩图片

第4节：转录组表达矩阵预处理

1. 重复基因合并和缺失值删除【Cell】

2. 多组样本信息的批量整理

3. 多个表达矩阵的合并与格式统一

4. 芯片探针ID向基因名转换

5. 使用ComBat处理不同数据集的批次效应

1. 临床生存时间和结局信息整理

2. 创建生存分析对象并拟合Kaplan–Meier曲线【Cell】

3. 根据特定基因表达构建高低表达组

4. 比较不同分组的生存差异

5. 输出风险表、生存曲线和统计结果

打开网易新闻 查看精彩图片

模块二：Bulk转录组与功能分析第6节：RNA-seq差异分析

1. 多样本原始计数矩阵整理【Nature】

2. 数据归一化与样本质量检查

3. DESeq2差异分析流程【Science】

4. edgeR差异分析流程

5. limma-voom差异分析及方法选择

1. ggplot2绘图体系与图层逻辑

2. 热图、火山图、箱线图和小提琴图

3. 多分组显著性P值添加【Nat Med】

4. 三维PCA展示样本差异【Nature】

5. 层次聚类分析样本相似性【Nature】

6. 图片尺寸、配色、图例和导出设置

打开网易新闻 查看精彩图片

第8节：基因集富集与网络分析

1. GO、KEGG和Reactome过度富集分析

2. GSEA排序基因集富 集分 析【Cancer Cell】

3. 自定义基因集和通路数据库的使用

4. 富集结果气泡图、条形图和网络图【Nat Genet】

5. 蛋白质互作网络构建与可视化

1. GSVA样本级通路打分

2. ssGSEA基因集活性计算【Cell】

3. decoupleR推断Bulk RNA-seq通路活性

4. PROGENy根据下游响应基因推断信号通路

5. 通路活性与疾病分组、临床表型关联分析

1. 基于表达矩阵构建共表达网络

2. 选择合适的软阈值

3. 识别共表达模块【Cell】

4. 分析模块与疾病表型的相关性

5. 提取模块枢纽基因【Nature】

6. 与差异基因取交集获得候选基因

1. 构建跨组织邻接矩阵与共表达网络

2. 计算跨组织连接度和kRatio【Nature】

3. 识别跨组织通讯模块

4. 对模块进行通路富集解释【Nature】

5. 分析枢纽基因、模块特征基因与样本定位

打开网易新闻 查看精彩图片

第12节：Bulk配体—受体互作分析

1. 创建BSRDataModel对象【Cell】

2. 从Bulk转录组推断配体—受体关系

3. 构建BSRSignature并计算信号评分

4. 使用BulkSignalR进行网络分析

5. 筛选关键发送信号、接收信号和调控轴

1. 将表达矩阵转换为代谢反应活性分数

2. 根据代谢网络推断反应通量【Nature】

3. 使用立方根变换降低极端值影响

4. 保留代谢通量正负方向

5. 按代谢通路汇总活性并进行组间比较

1. 从STRING等数据库获取蛋白互作关系

2. 构建候选基因PPI网络【Nature】

3. 识别网络中的关键节点和功能模块

4. 比较不同筛选方法得到的核心基因

5. 评估候选基因的稳定性和可重复性.

打开网易新闻 查看精彩图片

模块四：机器学习、因果与机制分析第15节：机器学习筛选Hub基因

1. 对候选基因进行特征整理

2. 构建Random Forest模型【Nat Med】

3. 根据特征重要性筛选候选基因

4. 构建XGBoost模型再次评估

5. 整合PPI、随机森林与XGBoost结果

6. 最终锁定Hub genes

1. 随机森林的原理与应用场景

2. 支持向量机SVM分类原理【Nature】

3. 弹性网络回归Enet特征筛选

4. 广义提升回归模型GBM【Nat Med】

5. 训练集、验证集与交叉验证

6. 过拟合、数据泄露和类别不平衡问题

1. 以核心基因为暴露构建MR框架

2. 获取并筛选SNP工具变量

3. 对暴露与结局数据进行协调

4. 使用IVW等方法评估因果效应

5. 进行异质性和水平多效性检验

6. 完成单SNP和留一法敏感性分析

7. 将表达相关推进为方向性因果证据

打开网易新闻 查看精彩图片

第18节：九种免疫浸润综合分析

1. CIBERSORT、ESTIMATE和MCP-counter

2. EPIC、xCell、TIMER和quanTIseq【Nature】

3. GSVA、SVR、LSEI等免疫推断思路

4. 比较疾病组与正常组免疫细胞差异

5. 分析核心基因与免疫细胞的相关性【Cell】

6. 建立“核心基因—免疫微环境”联系

1. Mfuzz识别基因表达时间模式

2. 分析蛋白质和代谢物的动态趋势

3. 使用TrendCatcher分析时间序列转录组

4. 构建自定义Bulk拟时间排序【Cell】

5. 筛选不同阶段的关键基因和功能通路

1. 使用RcisTarget筛选核心转录因子

2. 分析转录因子与靶基因关系

3. 使用BioNet构建调控网络【Cell Stem Cell】

4. 使用decoupleR推断转录因子活性

5. 将核心基因、转录因子和通路连接成机制网络

打开网易新闻 查看精彩图片

模块五：单细胞与虚拟干预第21节：单细胞转录组基础分析

1. CNS单细胞文章研究思路与常见图形解读

2. 单细胞数据读取与质量控制【Nature】

3. 数据标准化、高变基因筛选和ScaleData

4. PCA降维、邻接图构建与聚类

5. UMAP、t-SNE及三维可视化【Cell】

6. Marker基因筛选与细胞类型注释

7. 单细胞多组学整合研究思路

1. slingshot 拟时序分析原理

2. 选择目标细胞并构建轨迹【Cell】

3. 确定轨迹起点和细胞排序

4. 分析基因随拟时间的变化

5. 绘制轨迹基因热图【Nature】

6. 从轨迹结果中提炼细胞状态转变机制

打开网易新闻 查看精彩图片

第23节：scFOCAL虚拟药物筛选

1. 构建疾病特异性基因表达签名

2. 与药物扰动数据库进行匹配【Cell】

3. 筛选能够反转疾病表达模式的候选药物

4. 将药物反转信号映射回单细胞亚群

5. 模拟不同细胞类型的药物响应

6. 识别疾病关键亚群的潜在治疗药物

1. 使用scTenifoldKnk构建基因调控网络

2. 对PTPRC等目标基因进行虚拟敲除

3. 比较敲除前后的网络结构变化

4. 筛选受敲除影响的下游基因

5. 分析虚拟敲除对NK细胞及免疫环境的影响

6. 完成“筛选—因果—单细胞—机制预测”的研究闭环

1. 空间转录组技术发展历程

2. 不同平台的技术原理和数据特点

3. 空间组学CNS文章研究思路解析

4. 10x Visium数据读取与质量控制【Nature】

5. 聚类、空间区域识别和Marker展示

6. 空间数据与单细胞数据整合思路

1. Xenium数据结构与分析流程【Cell】

2. Visium HD高分辨率数据处理【Nature】

3. Stereo-seq亚细胞级空间测序原理

4. 细胞分割、转录本定位与空间注释

5. 多切片空间数据整合

6. 空间多截面三维邻域重建

打开网易新闻 查看精彩图片

第27节：AI助力表观遗传研究

1. ChIP-seq和ATAC-seq在CNS文章中的应用

2. ChIP-seq Peak识别与信号可视化【Cell】

3. ATAC-seq Peak注释【Nature】

4. Peak在启动子、外显子和内含子中的分布

5. 将染色质开放、转录因子与基因表达进行整合

6. 构建表观调控机制链

1. 中药—成分—靶点关系提取

2. 疾病相关靶点筛选【Cancer Cell】

3. 根据疾病靶点反推候选中药和处方

4. GO、KEGG和GSEA富集分析

5. 构建成分—靶点—疾病—通路网络

6. PPI和转录因子调控分析

7. 绘制桑基图、alluvial图、网络图和circos图

8. 将网络药理学结果与转录组或单细胞数据联合验证

打开网易新闻 查看精彩图片

模块八：标书写作与综合实践第29节：AI辅助国自然标书写作

1. 使用DeepSeek分析立项依据

2. 梳理研究背景、科学问题和研究假设

3. 提炼项目创新点

4. 优化研究目标和技术路线

5. AI模拟专家评审并提出修改意见

6. 汇总国自然标书常用指令

7. 参考优秀标书修改自己的申请书

1. 对30节课程内容进行系统总结

2. 从原始数据整理到结果出图完整实操

3. 根据数据特点选择合适的方法组合

4. 整合候选筛选、因果验证和机制分析结果

5. 针对环境、代码、参数和结果解释进行集中答疑

打开网易新闻 查看精彩图片

04

课程费用

费用：原价4880，自费暑期限时优惠价3880元

✅ 全方位学习： 直播授课 + 全套录播（支持无限次回放）

✅ 教学答疑： 授课期间专属学习群内导师一对一指导

✅ 配套资源： 全套核心代码、教学数据、精美讲义

团购优惠

两人同行：享9折

三人及以上：享85折

咨询扫码联系

05

合作机构

华哥科研平台

授课理念：将CNS文章的新技术学懂（理解）、学会（会敲代码分析）、学透彻（站在课题顶层设计角度理解）、学以致用（用到自己的标书申请和文章发表中）。

初心使命：普及前沿技术，服务科研一线，赋能创新突破，助推生命科学进步

主讲老师

张振华，华哥生信创始人，目前在东京大学从事医学人工智能研究。深耕单细胞多组学、空间转录组与机器学习领域6年，培养学员3万余人 ; 指导学员发表CNS主刊文章18篇、一区及子刊100余篇 ; 参与国自然重点、国家重大专项、孔雀计划等项目申报;合作院士团队及国际顶尖实验室，发表SCI论文26篇（Sci.Adv、 Mol Cell、 PNAS、 JACS、NC、 Cell Rep Med、Mol Cancer、EMBO Mol Med等顶刊）。

打开网易新闻 查看精彩图片

打开网易新闻 查看精彩图片

打开网易新闻 查看精彩图片