BioArt专·精系列培训 | AI单细胞精讲课·10月31日晚开讲

打开网易新闻 查看精彩图片

本次课程围绕18个模块、85个专题，系统开展R语言单细胞分析实战，并将DeepSeek、ChatGPT等AI助手贯穿文献阅读、课题设计、代码修改、报错排查和结果解读。课程从公共数据获取、双细胞识别与污染校正、降维聚类和多样本整合出发，逐步进入细胞注释与稀有细胞发现、特有亚群发现、响应细胞识别、共表达程序与转录调控网络、拟时序与RNA动力学、细胞通讯、细胞恶性解析，以及虚拟扰动和药物候选筛选。课程将帮助大家理解每种方法解决什么问题、适用于什么数据、参数如何选择、结果怎样解读，并学会围绕研究问题，将细胞类型、状态变化和分子程序等分析结果组织成相互支撑的证据，形成从数据处理、机制线索挖掘到论文图表制作的完整分析框架，迁移应用于自己的数据分析与课题研究。

01

课程特色

1. AI贯穿单细胞研究全流程

将DeepSeek、ChatGPT等AI助手融入单细胞文献阅读、课题设计、代码编写与修改、报错排查和结果解读。结合具体分析任务，学习如何向AI描述问题、补充数据背景、调整分析代码并核对输出结果，让AI辅助真正落到日常科研的实际操作中。

2. 18个模块、85个专题，系统学习R语言单细胞分析

按照单细胞分析流程由浅入深，从公共数据获取、质量控制、标准化、整合聚类和细胞注释出发，逐步进入差异分析、功能与代谢、基因程序、调控网络、拟时序、RNA动力学和细胞通讯，建立从基础处理到进阶分析的完整学习路径。

3. 以CNS文章的科学问题和主图逻辑为主线

围绕哪些细胞与疾病相关、哪些状态发生变化、哪些分子程序参与调控、细胞之间如何相互作用等关键问题组织教学。结合高水平文章案例，理解样本设计、方法选择和主图之间的关系，学习把细胞群、差异基因、功能通路、动态轨迹和通讯结果组织成相互支撑的研究证据。

4. 围绕真实数据中的常见难点开展实战

针对双细胞、环境RNA污染、批次效应、低表达恢复、稀有细胞识别及大规模数据处理等实际问题，讲解不同方法的输入要求、适用条件和参数选择。通过方法对照与结果检查，帮助学员根据组织特点、样本设计和计算资源选择合适的分析方案。

5. 学会迁移到自己的课题，形成完整分析成果

延续“看懂文章、理解原理、复现方法、迁移课题”的教学思路，结合公开数据与文章完整分析流程，学习根据自身研究目标组合分析模块。规范保存脚本、参数和中间对象，完成论文图形、组合图及R Markdown分析报告，将课程方法应用于自己的数据分析、课题设计和论文结果组织。

02

课程核心模块

课程设置为 18个核心模块、85个专题，以AI辅助研究贯穿教学，按照单细胞分析流程，由基础数据处理逐步进入细胞状态解析、机制线索挖掘与潜在干预方案探索。

模块一：AI贯穿完整生信研究流程

将DeepSeek、ChatGPT等AI助手融入单细胞文献阅读、科学问题梳理、课题设计、代码修改和结果解读。结合公共数据检索、常见文件识别、数据验收、Seurat/SCE对象构建与基因ID统一，学习如何从研究问题出发准备数据、设计分析路线，并建立规范的分析记录。

模块二：双细胞识别与污染校正

从逐样本质量控制和空液滴识别入手，使用DoubletFinder、scDblFinder检测双细胞，结合SoupX、DecontX和scCDC定位并校正环境RNA污染。学习质控阈值选择、不同方法结果对照和关键marker复核，评估处理前后的细胞保留情况与生物学信号变化。

模块三：标准化、降维聚类

比较LogNormalize、scran和SCTransform等标准化方法，学习高变基因筛选与技术协变量处理。系统完成PCA、邻接图构建、聚类和UMAP展示，结合维度、分辨率、样本分布与marker证据评估分群结果，理解不同表达层的特点及其下游使用场景。

模块四：表达恢复与选择性插补

学习SAVER、ALRA和scImpute的表达恢复与选择性插补原理，比较低表达基因、零值分布和共表达关系在处理前后的变化。结合估计不确定性、参数敏感性与marker保留情况，判断恢复表达的适用场景。

模块五：样本整合与大规模分析

学习Harmony、Seurat CCA/RPCA和scMerge2多样本整合，比较批次效应去除与生物学信号保留。结合BPCells磁盘矩阵、Seurat sketch和SuperCell细胞聚合，掌握大规模数据读取、代表性抽样、细胞标签投影与计算资源管理。

模块六：细胞身份注释与跨物种参考映射

结合组织背景、经典marker与跨供体表达证据开展手动注释，学习SingleR、Azimuth和Seurat参考映射与标签转移。进一步利用singleCellNet开展跨物种细胞身份分类，结合人鼠同源基因和保守表达程序，。

模块七：聚类可信度评估与稀有细胞发现

使用ROGUE、CHOIR和scSHC，从表达同质性、群体可区分性和聚类显著性等角度评价细胞分群，判断亚群进一步细分或合并的依据。结合RaceID和GapClust发现稀有细胞候选，通过marker、样本复现情况和质控证据核验其生物学意义。

模块八：特有亚群发现和差异分析

通过样本PCA、细胞组成图和OR分析检查样本差异及细胞群分布，结合propeller、miloR、FindMarkers和muscat开展细胞比例、局部状态丰度与差异表达分析。学习样本级统计、配对设计和伪批量流程，筛选与疾病或处理相关的候选亚群及关键基因。

模块九：响应细胞识别

学习Augur基于条件可区分性对细胞类型进行优先排序，以及scDist利用整体转录状态差异评估细胞响应。结合供体差异、批次混杂、交叉验证和排序稳定性，识别在疾病、治疗或实验处理条件下变化较突出的细胞群，为后续深入分析确定重点对象。

模块十：功能富集、细胞状态与代谢分析

系统学习clusterProfiler、fgsea、GSVA/ssGSEA和UCell/AUCell的功能富集与状态评分，结合scMetabolism解析代谢相关转录程序。通过SCPA和PAGODA2比较通路整体分布与功能异质性，联系关键基因、供体信息和研究背景，解释不同细胞群的功能状态及其变化。

模块十一：共表达网络与基因程序解析

使用hdWGCNA构建目标细胞群的共表达网络，识别功能模块与候选hub基因。结合GeneNMF、CoGAPS和SLIDE提取基因程序与潜在因子，比较不同细胞状态和样本中的程序变化，探索共同表达模式、程序间关系及其对应的生物学功能。

模块十二：转录调控网络与蛋白活性推断

利用SCENIC和SCORPION构建转录调控网络，结合decoupleR、viper和metaVIPER推断转录因子、通路及调控蛋白活性。通过靶基因表达、样本特异网络和细胞状态之间的联系，筛选可能参与疾病进展或细胞状态转变的关键调控因子。

模块十三：拟时序重建与跨条件轨迹比较

使用Monocle2/3、slingshot、destiny、TSCAN和URD重建细胞状态轨迹与分支，理解起点选择、谱系结构及拟时序结果的解释。结合tradeSeq筛选动态与分支差异基因，利用cellAlign对齐并比较跨条件轨迹的表达模式，探索发育或疾病相关的状态变化。

模块十四：RNA动力学、分化潜能与基因轨迹

通过CytoTRACE/CytoTRACE2和SCENT评估细胞分化潜能，学习velocyto.R基于剪接计数的RNA velocity分析，以及Vector的发育方向向量场。结合tricycle与GeneTrajectory分析细胞周期相位和基因动态顺序，理解不同方法的数据要求及其能够解释的状态变化。

模块十五：细胞通讯与下游信号机制

利用CellChat、LIANA R和scDiffCom构建并比较候选细胞通讯网络，结合NicheNet与MultiNicheNet连接发送细胞配体、接收细胞靶基因和多供体证据。进一步通过dominoSignal和SecAct探索下游转录调控与分泌信号活性，形成可用于后续验证的候选信号轴。

模块十六：恶性细胞识别、CNV与克隆解析

使用inferCNV、CopyKAT、SCEVAN和fastCNV，从RNA表达推断拷贝数异常，辅助识别恶性细胞与候选亚克隆。利用numbat联合表达和等位基因信息分析CNV及杂合性缺失（LOH），结合参考细胞选择与独立证据复核，解析肿瘤细胞异质性和候选克隆结构。

模块十七：虚拟扰动与药物候选筛选

学习scTenifoldKnk虚拟基因敲除，结合scFOCAL、ASGARD、scRank和scTherapy开展药物敏感与耐受状态预测、药物重定位、潜在响应细胞群排序及亚克隆联合用药预测。将网络变化、疾病基因程序与候选药物联系起来，为关键基因探索、药物筛选和实验验证提供线索。

模块十八：自定义可视化和分析完整流程

系统制作气泡图、热图、小提琴图与论文组合图，统一配色、分组标签、图例和输出格式。结合CNS文章案例贯通数据导入、质控整合、细胞注释和下游分析，复核关键图形与统计结果，形成完整分析报告。

课程咨询：

03

课程具体内容

模块一：AI贯穿完整生信研究流程专题1：单细胞原理、科学问题与文献解读

1. 单细胞与单核测序原理及适用科学问题【Science】

2. 从CNS研究案例识别细胞异质性与疾病研究切入点

3. 用DeepSeek、ChatGPT拆解论文问题、方法与证据链

4. 结合研究目标设计样本分组、生物学重复与验证方案

5. 围绕研究假设组织数据分析路线与关键结果图

1. 依据物种、组织与研究条件检索公共单细胞数据

2. 辨认FASTQ、BAM、MTX、H5与RDS的数据层级【Nature】

3. 使用GEOquery、scRNAseq下载矩阵和样本信息并整理目录

4. AI辅助编写批量读表与样本表合并代码并修复路径和字段不匹配报错

5. 核对处理说明并建立可追溯的样本表和下载清单

1. 用R读取文库指标并核对raw与filtered矩阵

2. 核对物种与注释版本，统一Ensembl、Symbol和Entrez ID并处理重复特征

3. 批量构建Seurat/SCE对象，校验样本字段、细胞条码与表达层

4. AI辅助解读异常指标，复核映射覆盖率、表达层、对象转换顺序与总计数

5. 规范脚本目录、分析记录与对象保存【Cell】

打开网易新闻 查看精彩图片

模块二：双细胞识别与污染校正专题4：逐样本质控与空液滴识别

1. 区分空液滴与低质量细胞并准备原始液滴矩阵

2. 使用DropletUtils识别含细胞液滴并检查条码曲线

3. 逐样本评估UMI、基因数及线粒体比例分布【Nat Med】

4. AI辅助比较组织适配的质控阈值并整理过滤代码

5. 对照过滤前后细胞组成并记录各样本保留情况

1. 按捕获文库准备分析对象与初步细胞群标签

2. 理解模拟双细胞与邻域评分的检测原理【Cancer Cell】

3. AI辅助整理参数扫描代码并比较pK候选值

4. 结合文库回收量与同型比例设定预期数并完成双细胞判定

5. 联合评分、双谱系marker与保留比例复核双细胞

1. 按捕获文库准备scDblFinder输入并运行自动检测

2. AI辅助编写scDblFinder批量检测代码并修复文库标签与细胞索引报错

3. 提取双细胞评分、预测标签与细胞保留情况【Sci Immunol】

4. AI辅助生成与DoubletFinder的分类一致性对照表

5. 结合谱系marker和质控指标复核方法冲突细胞

1. 结合高丰度基因与异位marker定位环境RNA污染线索

2. 逐样本核查SoupX与DecontX输入矩阵、群标签并调整运行脚本

3. 分别运行SoupX与DecontX并比较污染比例和校正矩阵

4. AI辅助编写校正矩阵回填代码并修复条码与特征维度不匹配报错

5. 对照关键marker保留与残余污染确定校正方案【Nat Cancer】

1. 基于单样本counts与初步群标签定位全局污染基因

2. 量化候选污染基因的污染程度并实施选择性校正【Nat Commun】

3. AI辅助核对污染基因表与关键marker校正前后变化

4. 与SoupX或DecontX对照评估残余污染与信号保留

打开网易新闻 查看精彩图片

模块三：标准化、降维聚类
专题9：标准化、高变基因与技术协变量处理

1. 理解文库大小差异、标准化目标与原始counts保留原则

2. 比较并运行LogNormalize、scran与SCTransform，评估是否回归线粒体比例与细胞周期【Science】

3. 筛选高变基因并区分标准化表达、SCT校正计数与Pearson残差

4. AI辅助编写特征筛选与表达层提取代码并修复assay或layer缺失报错

5. 结合marker与细胞群结构复核校正前后的信号保留和表达层选择

1. 运行PCA并结合载荷、解释度与生物学信号选择维度

2. 建立邻接图并开展维度与分辨率对照，结合聚类树比较候选分群

3. AI辅助编写邻接图与UMAP代码并修复降维名称或维度越界报错

4. 结合UMAP、样本分布与marker解释候选细胞群【Nature】

5. 复核小群稳定性并明确二维嵌入的解释边界

打开网易新闻 查看精彩图片

模块四：表达恢复与选择性插补专题11：SAVER：表达恢复与逐基因不确定性

1. 理解SAVER表达恢复思路并检查UMI计数输入

2. AI辅助编写SAVER表达恢复代码并修复计数矩阵类型与维度报错

3. 估计基因表达与后验不确定性并检查低表达基因【Nat Genet】

4. AI辅助对照恢复值、原始表达与不确定性图形

5. 评估恢复前后的表达关系并保留原始counts用于统计

1. 从标准化表达矩阵理解低秩重构与自适应阈值

2. 运行ALRA并对照秩与阈值变化下的低表达基因和零值分布【Sci Adv】

3. AI辅助编写恢复表达回填代码并修复ALRA矩阵转置与特征对齐报错

4. 对照未恢复数据评估marker保留与假共表达风险

5. 保留原始counts用于计数统计并明确恢复表达的使用范围

1. 理解scImpute掉零概率估计并准备原始计数输入

2. 设置掉零概率阈值与候选细胞群数量等关键参数【Nat Commun】

3. AI辅助修改选择性插补代码并检查受影响的表达值

4. 比较阈值变化对marker、群间差异与结果稳定性的影响

5. 记录插补表达的适用场景并保留原始counts用于计数统计

打开网易新闻 查看精彩图片

模块五：样本整合与大规模分析专题14：Harmony多样本整合

1. 核对批次、样本与研究条件之间的混杂关系

2. 核对批次字段并在PCA空间运行Harmony，调整参数后构建邻接图

3. AI辅助编写整合前后绘图代码并修复降维名称与细胞索引报错

4. 按样本与细胞类型比较整合前后的混合程度【Science】

5. 结合marker与处理效应检查过校正并确定主流程

1. 理解锚点匹配及CCA、RPCA的适用数据与前提

2. 构建多样本整合输入并运行CCA与RPCA流程【Cell】

3. AI辅助统一锚点、Harmony与MNN的对照分析代码

4. 在相同细胞集上比较整合效果、耗时与内存需求

5. 结合稀有群保留与过校正检查选择项目主流程

1. 核对样本、批次与表型并区分整合伪重复和生物学重复

2. 识别稳定表达基因并构建表型内伪重复与聚合表示

3. 核对层级索引与批次列表，运行分层整合并保存校正矩阵和参数记录

4. AI辅助编写校正矩阵对照代码并修复细胞索引与元数据合并报错

5. 比较批次去除效果与疾病、处理相关表达信号保留【Nat Med】

1. 使用BPCells建立磁盘矩阵并规划大规模数据读取

2. AI辅助检查矩阵稠密化与对象复制造成的内存瓶颈

3. 通过Seurat sketch抽取代表性细胞并完成子集分析

4. 将降维与细胞标签投影回全量细胞并检查映射结果【Nature】

5. 比较稀有群保留、投影置信度与计算资源用量

1. 理解细胞聚合、成员关系与聚合尺度gamma

2. 按样本构建SuperCell并保存成员表与细胞数权重

3. AI辅助调整聚合尺度并编写加权降维比较代码【Science】

4. 比较不同聚合尺度下的marker、稀有群与信息保留

打开网易新闻 查看精彩图片

模块六：细胞身份注释与跨物种参考映射专题19：手动marker注释、证据核验与跨供体一致性

1. 结合组织背景确定候选谱系，设置FindAllMarkers比较与筛选标准

2. 回查marker文献，结合表达强度、阳性比例与阳性及阴性marker建立注释证据

3. AI辅助编写marker筛选与供体绘图代码并修复分组字段和标签报错

4. 复核供体一致性与共表达模式，区分细胞身份、疾病或活化状态和污染线索

5. 整合可验证的标记组合完成细胞命名，为低置信度群保留未知标签【Immunity】

1. 按物种、组织与标签粒度选择参考，核对基因匹配和细胞类型覆盖

2. AI辅助编写参考数据对齐代码并修复基因匹配与细胞标签长度报错

3. 运行SingleR细胞级与群级注释，比较评分差距并检查标签修剪

4. 拓展至Azimuth与Seurat参考投影，完成标签转移与结果可视化【Cell】

5. 按方法汇总评分与冲突标签，结合marker和供体复核低置信度及参考外候选状态并保留未知标签

1. 整理人鼠同源基因与对应细胞类型的训练参考

2. 理解基因对特征与随机森林的跨物种身份分类思路

3. 训练并评估singleCellNet分类器后对查询细胞评分

4. AI辅助核查同源映射与跨物种分类混淆矩阵

5. 比较保守表达程序并复核低分与参考外候选细胞【Cell Stem Cell】

打开网易新闻 查看精彩图片

模块七：聚类可信度评估与稀有细胞发现专题22：ROGUE：评价cluster内部的表达同质性

1. 理解ROGUE表达同质性指标与样本、群标签输入

2. AI辅助编写ROGUE计算代码并修复样本标签缺失与矩阵维度报错

3. 计算样本×细胞群ROGUE矩阵并定位低同质性群体【Sci Adv】

4. AI辅助结合marker与样本分布整理混群复核依据

1. 理解细胞群层级关系并准备标准化后的分析对象

2. 运行CHOIR构建覆盖不同聚类粒度的层级树

3. 使用随机森林与置换检验评估群体可区分性并剪枝【Neuron】

4. AI辅助整理显著性阈值变化与最终分群对照结果

5. 结合marker与样本分布解释保留、合并及细分依据

1. 理解scSHC计数模型与聚类显著性检验思路

2. AI辅助编写scSHC检验代码并修复计数类型与群标签长度报错

3. 在原始计数上运行聚类或对已有分群进行显著性检验

4. AI辅助整理检验结果与候选亚群marker证据表

5. 结合跨样本复现情况评估细胞群继续细分或合并【Nat Neurosci】

1. 准备原始UMI矩阵并排查低质量细胞与技术异常

2. 运行RaceID3初始聚类并建立表达变异背景模型

3. 检测表达离群基因与细胞并生成稀有群候选【Cell Stem Cell】

4. AI辅助比较离群阈值与候选细胞数量的敏感性

5. 结合特征基因、样本复现与双细胞证据复核稀有群

1. 理解极小细胞群与邻近大群之间的距离间隙

2. AI辅助编写近邻参数对照代码并检查输入维度

3. 运行GapClust提取间隙统计与候选稀有细胞【Nat Cancer】

4. 结合marker、样本来源与RaceID对照复核候选群

打开网易新闻 查看精彩图片

模块八：特有亚群发现和差异分析专题27：样本与细胞亚群的三维PCA及异常样本检查

1. 按样本与细胞亚群汇总表达并保留供体、条件信息

2. 对表达变换后绘制三维PCA并检查批次、配对与离群

3. 用AI辅助核对样本标签并梳理PCA异常的可能来源【Nat Neurosci】

4. 开展留一供体分析并记录异常样本保留或排除的依据

1. 建立样本与细胞类型计数表并统一细胞比例的分母

2. AI辅助编写计数与OR计算代码并修复分组字段和数据类型报错

3. 计算描述性OR并检查零值和样本间细胞数不均衡

4. 用AI辅助修改组成图代码并展示逐供体的比例差异

5. 结合相对丰度与采样偏倚解释细胞组成变化【Cancer Cell】

1. 整理细胞类型、样本和分组标签并核查生物学重复

2. 比较logit与反正弦平方根变换及零比例处理

3. 使用propeller完成基础组间检验与多重检验校正

4. 用AI辅助核对结果列、效应方向与逐样本比例图

5. 结合比例效应与FDR解读组间细胞组成差异【Immunity】

1. 从基础两组比较拓展到配对样本与多因素实验设计

2. 用AI辅助构建设计矩阵并核查满秩及分组、配对编码

3. 设置对比矩阵并检验校正协变量后的目标组间差异

4. 通过留一供体与比例变换对照评估结论稳定性【Sci Immunol】

1. 在低维空间构建细胞邻接图并定义重叠邻域

2. 按样本统计邻域细胞数并设置差异丰度分析模型

3. 使用miloR估计局部丰度效应并完成邻域FDR校正

4. 用AI辅助关联差异邻域、细胞状态与标记基因【Cell】

5. 结合邻域图与参数对照复核局部细胞状态的丰度变化

1. 限定同类细胞、明确比较分组并选择合适的表达层

2. 比较Wilcoxon与MAST检验的假设及协变量设置【Nature】

3. AI辅助编写FindMarkers代码并修复分组与表达层报错

4. 运行差异基因筛选，用AI辅助解读火山图与基因表达效应

5. 识别细胞级伪重复并以供体层面分析复核候选基因

1. 按样本与细胞类型汇总原始counts并保留供体信息

2. 进行低计数过滤、库大小校正与可分析细胞群筛选

3. 用AI辅助设置配对及协变量模型并检查设计矩阵【Science】

4. 使用muscat与edgeR完成检验并对照其他伪批量流程

5. 综合效应量、FDR与样本表达图形成差异基因结论

打开网易新闻 查看精彩图片

模块九：响应细胞识别专题34：Augur响应细胞类型优先排序

1. 理解条件可分辨性与响应细胞类型优先级的关系

2. 设置等量抽样、分类器与交叉验证并计算AUC

3. AI辅助编写Augur抽样与验证代码并修复条件标签和样本数报错

4. 增加按供体留出的外层复核并检查批次混杂【Neuron】

5. 用AI辅助汇总多次运行的AUC与排序稳定性，结合生物学证据筛选响应群体

1. 准备标准化表达及供体、条件和细胞类型信息

2. AI辅助编写scDist输入与模型代码并修复供体索引和矩阵维度报错

3. 用混合效应模型控制供体差异并估计转录状态距离【Nature】

4. 用AI辅助解读状态距离、置信区间与差异检验结果

5. 结合样本一致性确定整体转录响应较强的细胞类型

打开网易新闻 查看精彩图片

模块十：功能富集、细胞状态与代谢分析专题36：clusterProfiler通路富集

1. 统一差异基因ID并设置实际可检验的背景基因

2. AI辅助编写富集分析代码并修复基因ID转换与空结果绘图报错

3. 按上下调方向运行GO、KEGG与Reactome富集【Cell】

4. 根据FDR、覆盖基因数与冗余关系整理候选通路

5. 用AI辅助核对富集基因和机制证据，绘制气泡图与基因关联图并解读

1. 依据完整差异统计量构建基因排序并匹配通路集

2. 使用fgsea检验正负富集并解释NES与FDR【Nat Metab】

3. 提取leading-edge基因并比较多细胞群的共同通路

4. 用AI辅助解读富集曲线并核对核心贡献基因

1. 匹配表达矩阵与通路基因集并检查基因覆盖率

2. 选择GSVA或ssGSEA进行通路评分与分布检查

3. 用AI辅助编写按样本汇总及通路差异比较代码

4. 绘制样本通路热图并解释组间效应与细胞异质性【Nature】

打开网易新闻 查看精彩图片

专题39：UCell/AUCell细胞状态签名

1. 整理耗竭、增殖等状态签名并核查缺失基因

2. 使用UCell与AUCell进行细胞内基因排序评分

3. 用AI辅助比较签名规模、评分阈值与候选状态划分

4. 结合标记基因与逐样本分布复核细胞状态【Cell】

1. 整理代谢通路基因集并理解RNA衍生评分的含义

2. 使用scMetabolism计算代谢程序并绘制状态热图

3. 按样本比较候选通路并核对关键代谢酶表达【Nat Metab】

4. 用AI辅助将代谢转录线索转化为后续实验验证问题

1. 准备同类细胞的条件表达矩阵与匹配通路基因集

2. 使用SCPA检测通路多变量分布变化并读取Q值【Science】

3. 结合表达分布与辅助效应图检查变化特征及供体一致性

4. 用AI辅助解释分布改变与整体上调、下调之间的差别

1. 建立PAGODA2对象并校正表达均值相关的方差

2. AI辅助编写PAGODA2检验代码并修复基因集索引与矩阵维度报错

3. 检验通路过度离散并整合冗余的功能模式【Nat Genet】

4. 用AI辅助对照贡献基因为异质性相关功能命名

5. 通过功能活动热图区分细胞亚群与跨群状态

打开网易新闻 查看精彩图片

模块十一：共表达网络与基因程序解析专题43：hdWGCNA共表达网络与hub基因

1. 在目标细胞群内按样本构建metacell并检查覆盖

2. AI辅助编写hdWGCNA流程代码并修复metacell分组与基因索引报错

3. 选择软阈值与网络参数建模块，计算特征向量并关联细胞状态

4. 用AI辅助整理hub基因与富集结果并提出模块注释

5. 比较跨供体模块稳定性并展示候选基因网络【Nat Neurosci】

1. 按样本准备非负表达矩阵并设定多个分解秩

2. AI辅助编写GeneNMF分解代码并修复矩阵非负性与分解秩报错

3. 运行GeneNMF提取基因载荷与细胞程序权重【Nat Metab】

4. 聚合跨样本、跨秩程序并构建共识meta-program

5. 用AI辅助核对基因与富集证据并命名程序，比较稳定性及跨样本分布

1. 理解贝叶斯非负分解并设置模式数与采样参数

2. 运行CoGAPS提取基因载荷、细胞模式及后验不确定性

3. 用AI辅助整理模式标记基因并注释相关生物过程

4. 比较重复运行的模式一致性与细胞活动分布【Sci Adv】

1. 按表型统计单位整理表达矩阵并核对样本、供体与条件

2. 使用SLIDE发现与目标表型相关的潜在因子【Nat Genet】

3. 检验潜在因子交互关系并筛选有统计证据的组合

4. 用AI辅助核对因子基因与通路并解释表型关联

打开网易新闻 查看精彩图片

模块十二：转录调控网络与蛋白活性推断专题47：SCENIC转录调控网络

1. 准备表达矩阵、转录因子名单与物种匹配的motif库

2. 使用GENIE3建立共表达候选网络并筛选调控模块【Cell】

3. 用RcisTarget筛选motif支持的regulon并运行AUCell

4. 用AI辅助整合regulon活性、靶基因与状态特异性证据

5. 逐样本复核候选转录因子并展示调控网络

1. 统一表达、motif与蛋白互作先验及基因标识【Nat Commun】

2. AI辅助编写SCORPION建网代码并修复表达与先验矩阵对齐报错

3. 按样本与细胞类型聚合相似细胞并构建调控网络

4. 在一致先验下比较调控边与网络特征，并用AI辅助关联靶基因和候选转录因子

5. 结合供体间一致性检查样本特异调控信号

1. 匹配DoRothEA、CollecTRI和PROGENy先验与表达数据

2. 使用decoupleR推断转录因子与通路足迹活性【Sci Immunol】

3. 比较估计方法、先验覆盖率与供体层面的活性差异

4. 用AI辅助连接活性变化、靶基因表达与候选信号通路

1. 整理表达矩阵与调控网络并核查regulon覆盖

2. 使用viper基于靶基因富集推断调控蛋白活性【Cell】

3. 对照推断活性与对应RNA表达筛选候选主调控因子

4. 用AI辅助解读活性热图并追溯关键靶基因证据

1. 整理多个候选互作网络并统一蛋白与靶基因标识

2. AI辅助编写metaVIPER代码并修复网络结构与靶基因匹配报错

3. 用metaVIPER整合多网络信息推断单细胞蛋白活性

4. 比较单网络与多网络结果及网络选择敏感性【Immunity】

5. 用AI辅助梳理跨网络稳定的候选调控蛋白与状态特征

打开网易新闻 查看精彩图片

模块十三：拟时序重建与跨条件轨迹比较专题52：Monocle2经典分支轨迹

1. 限定具有生物学连续性的谱系并选择排序基因

2. 构建Monocle2对象、运行DDRTree并完成初步排序

3. 用AI辅助核对早期状态证据并设置起点、重新计算拟时间

4. 运行BEAM筛选分支相关基因并绘制动态热图【Cell Stem Cell】

5. 比较分支与拟时间分布并检查跨样本一致性

1. 构建Monocle3对象并检查低维嵌入与partition分区

2. 学习细胞主图并检查连通关系及异常连接【Nature】

3. 用AI辅助对照标记基因与采样时间设置轨迹根节点

4. 计算拟时间并筛选与主图结构相关的候选基因

5. 展示状态过渡与基因动态并复核不同样本的轨迹

1. 准备细胞聚类与低维坐标并明确候选起终点

2. 使用slingshot推断多条谱系并拟合平滑主曲线【Science】

3. 提取各谱系拟时间与细胞权重并识别分支过渡细胞

4. 用AI辅助比较起点和聚类设置下的谱系稳定性

1. 准备连续状态表达数据并构建destiny扩散图【Cell Stem Cell】

2. 选择扩散分量、邻域与核宽参数并检查连续结构

3. 依据早期状态设置起点并计算扩散拟时间DPT

4. 用AI辅助对照PCA、UMAP与扩散空间复核排序稳定性

打开网易新闻 查看精彩图片

专题56：TSCAN：基于聚类的拟时序重建

1. 准备目标细胞表达矩阵并完成降维与聚类【Neuron】

2. 基于聚类中心构建最小生成树并设定起始群

3. 利用AI辅助核查起点选择和群体连接的生物学依据

4. 将细胞投影到轨迹并展示拟时序与标志基因变化

1. 使用AI梳理发育文献并确定根细胞和多个终末群

2. 构建扩散图并从根细胞估计发育拟时间【Science】

3. AI辅助编写URD分支重建代码并修复根与终末群索引及游走结果报错

4. 从终末群有偏游走并统计访问频率，按游走重叠重建分支树并展示标志基因

5. 比较终点与游走参数对分支结构稳定性的影响

1. 匹配原始计数、谱系权重与拟时间并检查细胞顺序

2. AI辅助编写tradeSeq拟合代码并修复细胞顺序、谱系权重与维度报错

3. 选择平滑结点数并拟合负二项广义加性模型【Nat Commun】

4. 利用AI辅助选择动态、终点及谱系模式差异检验

5. 结合效应量与多重校正筛选基因，绘制分支拟合曲线并归纳动态表达模块

1. 选取可比较谱系并统一两条件的基因与拟时序方向

2. 对表达曲线插值和缩放并完成全局或局部对齐【Nat Neurosci】

3. 利用AI修改对齐代码并核查平滑窗口与对齐路径

4. 展示表达时序偏移并区分拟时间差与真实时间差

打开网易新闻 查看精彩图片

模块十四：RNA动力学、分化潜能与基因轨迹专题60：CytoTRACE/CytoTRACE2分化潜能

1. 比较两代CytoTRACE的潜能含义与输入要求

2. 按各方法要求准备表达矩阵并计算细胞潜能评分

3. 利用AI核查分值方向并解释预测潜能类别差异

4. 对照分化标志与周期状态检查高潜能候选细胞【Cell】

5. 结合拟时序起点比较两代方法的排序一致性

1. 匹配标准化表达与蛋白互作网络并筛选共同基因

2. 计算网络信号熵并展示各细胞群的潜能分布【Nat Metab】

3. 利用AI整理高信号熵细胞的分化标志与文献证据

4. 对照CytoTRACE和拟时序复核潜能候选细胞

1. 导入剪接与未剪接计数并匹配细胞和基因标识

2. 筛选速度相关基因并检查剪接比例与相图

3. 估计RNA速度并投影到已有细胞嵌入空间【Nature】

4. 利用AI排查方向异常及邻域和平滑参数设置

5. 结合已知谱系标志复核速度方向与过渡状态

1. 从Seurat对象提取表达衍生PCA与UMAP并核对细胞顺序

2. AI辅助编写Vector网格分析代码，定位并修复坐标索引与矩阵维度报错

3. 构建网格并计算分位数极化分数，估计发育起点与绘制方向向量场

4. 对照起点与网格参数检查表达衍生方向向量场的稳定性【Sci Adv】

5. 对照分化标志核查方向并区分表达衍生向量场与剪接RNA速度

1. 将单细胞表达投影到预训练的细胞周期参考空间

2. 估计连续周期相位并绘制环形轨迹和基因表达【Cell】

3. 利用AI核查周期标志与相位对应关系及异常细胞

4. 比较细胞群周期分布并解释非增殖细胞的投影局限

1. 根据单细胞表达构建细胞近邻图并计算图距离

2. AI辅助编写基因距离计算代码，定位并修复图节点错配与距离矩阵报错

3. 以最优传输比较基因表达分布，降维提取基因轨迹及先后顺序

4. 沿基因轨迹划分动态程序并开展功能富集【Nature】

5. 利用AI整合基因顺序与通路证据提出待验证的调控假设

打开网易新闻 查看精彩图片

模块十五：细胞通讯与下游信号机制专题66：CellChat：单组通讯网络与多组差异比较

1. 整理表达与细胞注释，统一各组物种数据库、标签及分析参数

2. 构建单组配体受体与信号通路网络，解析发送和接收角色【Nature】

3. 整合多组通讯对象，比较网络数量、强度、差异通路与细胞角色

4. AI辅助检查细胞数量、表达阈值及参数设置对多组比较的影响

5. 结合表达证据与样本复核绘制差异通讯图，提出候选机制与验证假设

1. 统一表达、细胞标签和配体受体资源的输入

2. 运行多种通讯评分方法并汇总配体受体排名【Immunity】

3. 计算共识排名并比较不同资源对候选通讯的影响

4. 利用AI追溯高排名与方法分歧通讯的原始证据

1. 整理细胞类型、条件标签和物种配体受体资源

2. AI辅助编写差异通讯置换代码，定位并修复分组水平缺失与基因匹配报错

3. 构建群间互作并完成条件差异置换，结合效应量与多重校正筛选结果

4. 利用AI核查差异通讯分类并绘制发送接收关系【Sci Immunol】

5. 结合细胞组成和样本信息评估差异通讯的可解释

打开网易新闻 查看精彩图片

专题69：NicheNet配体—靶基因连接

1. 根据接收细胞变化定义目标基因集和表达背景

2. 筛选发送细胞配体并匹配接收细胞受体表达

3. 计算配体活性并提取候选配体对应的靶基因

4. 展示配体靶基因联系与接收细胞功能程序【Cell】

5. 利用AI连接已核实文献并提出可验证的信号假设

1. 整理样本、供体、条件和细胞类型对应，核查生物学重复、配对与协变量设计

2. AI辅助编写多供体通讯模型代码，定位并修复设计矩阵不满秩与样本错配报错

3. 按样本汇总表达并分析配体受体和靶基因差异

4. 综合配体活性与跨样本表达证据排序差异通讯

5. 绘制供体间一致性与配体受体靶基因证据图【Science】

1. 对齐表达矩阵、细胞分群与转录因子活性结果

2. 评估受体表达与转录因子活性的关联并筛选连接

3. 匹配发送细胞配体并构建配体受体转录因子网络【Neuron】

4. 利用AI核查候选信号轴的文献支持与因果表述

1. 明确分泌信号活性推断与蛋白丰度测量的区别

2. 匹配表达矩阵与分泌信号特征并估计活性分数

3. 比较细胞群和条件间分泌信号活性的变化【Nat Commun】

4. 结合发送端表达与接收端活性推断候选通讯流

5. 利用AI核对表达和活性差异并整理信号验证假设

打开网易新闻 查看精彩图片

模块十六：恶性细胞识别、CNV与克隆解析专题73：inferCNV恶性细胞辅助识别

1. 选择可信非恶性参考并核对计数、基因位置顺序与细胞注释对应关系

2. AI辅助编写inferCNV输入代码，定位并修复基因位置格式与参考标签缺失报错

3. 进行表达平滑与染色体片段的拷贝数异常推断

4. 解读CNV热图并结合细胞标志筛选恶性候选【Nat Cancer】

5. 更换非恶性参考复核结果并明确RNA推断拷贝数的证据边界

1. 按样本导入原始计数并检查二倍体参考细胞

2. AI辅助编写CopyKAT逐样本运行代码，定位并修复基因ID映射与矩阵格式报错

3. 基于RNA表达推断倍性标签与染色体拷贝数谱【Cancer Cell】

4. 结合CNV谱聚类比较候选亚克隆与细胞标志

5. 利用AI整理倍性、标志基因与样本来源的判定证据

1. 准备计数矩阵并检查自动识别的正常参考细胞

2. 进行联合分段并推断候选恶性细胞的CNV谱

3. 基于共享与特异异常识别候选克隆及其结构【Science】

4. 利用AI辅助修改分段参数并复核参考敏感性

5. 比较样本间克隆谱并结合独立证据解释异质性

1. 整理人源单细胞表达、样本标签与健康参考

2. 运行快速CNV估计并展示染色体异常与候选克隆【Nat Genet】

3. 利用AI排查参考选择、细胞标签及多样本配置问题

4. 比较参数设置对CNV结果、耗时与内存的影响

1. 准备原始计数矩阵与已定相等位基因表并核对供体

2. 利用AI核查SNP坐标、细胞条码及上游输入来源

3. 联合表达和等位基因失衡推断CNV与LOH【Nature】

4. 绘制克隆结构并检查参考与低覆盖区域的影响

5. 结合独立证据复核克隆关系与拷贝数中性LOH

打开网易新闻 查看精彩图片

模块十七：虚拟扰动与药物候选筛选专题78：scTenifoldKnk虚拟基因敲除

1. 聚焦目标细胞群并检查候选基因表达与网络覆盖

2. 基于单细胞表达构建参考调控网络并执行虚拟敲除

3. 比较扰动前后网络并筛选差异调控基因

4. 开展功能富集并检验随机抽样对候选结果的影响

5. 利用AI结合网络与通路证据设计基因功能验证【Science】

1. 设置肿瘤与参照细胞并构建疾病表达特征

2. 匹配L1000扰动签名并计算药物与细胞连接评分

3. 利用AI解释连接评分和“伪剂量”阈值的含义

4. 比较预测敏感和耐受状态并筛选药物组合线索【Nat Med】

5. 结合靶点文献制定候选药物与细胞状态验证方案

1. 整理疾病与对照细胞亚群并构建差异表达特征

2. AI辅助编写药物扰动匹配代码，定位并修复基因ID转换与参考矩阵维度报错

3. 匹配药物扰动参考并筛选可逆转疾病特征的候选【Nat Med】

4. 综合亚群比例与逆转证据排序药物，复核权重变化对排名的影响

5. 展示候选药物作用亚群，设计单药及组合验证并明确预测属性

1. 明确药物靶点与作用机制，准备未处理细胞表达和群标签并检查网络参数

2. AI辅助编写靶点扰动网络代码，定位并修复靶基因缺失与网络维度报错

3. 构建靶点扰动网络并对潜在响应细胞群排序【Nat Cancer】

4. 解析高排名群体的网络变化并比较靶点敏感性

5. 结合靶点表达和疾病程序设计候选响应细胞群的验证方案

1. 衔接恶性细胞与亚克隆标签并确定正常细胞参照

2. 提取各亚克隆表达特征并运行单药候选预测

3. 比较各克隆候选药物并组合互补覆盖的方案【Cancer Cell】

4. 利用AI汇总克隆覆盖与正常细胞影响的预测依据

5. 制定候选组合的剂量、协同效应与选择性验证设计

打开网易新闻 查看精彩图片

模块十八：自定义可视化和分析完整流程专题83：气泡图、热图与小提琴图可视化

1. 按细胞群和实验条件组织绘图数据与基因顺序

2. 制作气泡图和热图并区分表达比例与表达强度【Science】

3. 利用AI修改小提琴图分组、配色和标签代码

4. 核查尺度、样本来源与图例并完成多图对照解读

1. 根据论文问题规划主图顺序与各面板的信息层级【Nature】

2. 统一配色、字体、分组标签与样本量，完成拼图、图例和布局调整

3. 处理高密度散点并按需添加三维辅助展示

4. AI辅助编写批量出图代码，定位并修复字体缺失、图形设备与文件路径报错

5. 按投稿要求导出矢量或高分辨率图并检查可读性

1. 拆解CNS文章科学问题、样本设计与主图逻辑，获取公开数据和样本信息

2. AI辅助编写环境检查，定位并修复包版本冲突和中间对象缺失报错

3. 贯通数据导入、质控去污染、标准化、整合聚类与细胞注释【Cell】

4. 开展样本层面差异分析，并按文章问题衔接富集、轨迹或通讯分析

5. 对照原文复核关键图与统计结果和复现代码的完整报告

打开网易新闻 查看精彩图片

04

课程费用

课程价格

原价4380元/人。参与优惠活动后3980/人。

✅ 全方位学习： 直播授课 + 全套录播（支持无限次回放）

✅ 教学答疑： 授课期间学习群内导师一对一指导

✅ 配套资源： 全套代码、教学数据、讲义

组团更优惠

两人同行： 享 9折 优惠

三人及以上： 享 85折 巨大折扣

具体咨询扫码联系

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）。

许万喆，东京大学计算生物学及医学科学博士，日本科学技术振兴机构（JST）次世代研究员，剑桥大学生物化学系及毒理学研究中心访问学者。长期从事人工智能与生命科学交叉算法，蛋白质基础模型以及临床队列多模态模型开发；当前研究方向聚焦于人工智能体以及空间蛋白组学基础大模型研发。发表nature子刊等论文多篇；与欧洲生物信息学研究所（EMBL-EBI），国际通用蛋白质资源数据库（UniProt）长期合作，参与多项国际计算蛋白项目，着眼于AI驱动的生命科学新发现。

杨奕涛，东京大学医学科学研究所助理教授，日本学术振兴会（JSPS）特别研究员，长期深耕深度学习算法、医疗AI与空间组学交叉领域，积累了丰富的科研实践经验；现致力于多模态融合、生物医学基础大模型开发及转化医学相关算法研究。发表Nature Communications等SCI期刊发表论文多篇；与中日及欧美顶尖计算生物学实验室深度合作，参与多项国际前沿科研项目，致力于以人工智能驱动生命科学新发现。

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