A 空间蛋白质组学理论与实践
马克斯普朗克生物化学研究所（Matthias Mann 团队）、西湖大学以及西湖欧米专业团队教学，从蛋白质组学基础入门，系统讲解DVP、FAXP等前沿空间蛋白技术原理与应用，涵盖组织膨胀、样本处理、质谱采集全流程。
B 蛋白质组学数据分析
聚焦质谱数据解析与AI建模，从原始数据质控、差异分析、功能注释到DIA-BERT搜库平台，覆盖多种主流分析策略与工具，打造从数据到科研发现的闭环能力体系。
1. 蛋白质组质谱原始数据解析
本课程围绕蛋白质组质谱原始数据的解析，系统介绍了定量蛋白质组学的基本概念、主流技术及常用数据分析软件。
课程首先讲解了DDA（数据依赖采集）、DIA（数据非依赖采集）和靶向蛋白质组学等多种质谱技术的原理、优劣及适用场景；随后对iTRAQ/TMT标记定量与SILAC等方法进行了比较分析。
在软件工具方面，课程详细介绍了MaxQuant、FragPipe、DIA-NN、Spectronaut等用于不同类型数据的处理流程，并使用FragPipe、DIA-NN进行了操作演示。此外，还涉及质谱数据格式转换、蛋白数据库（如UniProt）使用及谱库构建方法。课程兼具理论阐释与实操指导，为学员全面理解和掌握质谱数据定量分析奠定了基础。
2. R语言基础与AI辅助编程
本课程围绕R语言在生物信息学中的基础应用及AI辅助编程展开，分为两个部分：
第一部分介绍了R语言与RStudio的基本概念、常见数据类型与数据结构，以及如何安装和使用CRAN、Bioconductor等资源包。课程还讲解了变量赋值、文件读写、常用函数、数据操作和可视化等核心技能，为学员打下扎实的编程基础。
第二部分聚焦AI工具（如Copilot、ChatGPT）在R编程中的应用，涵盖代码补全、语法解释及实际编程示例，帮助学员提升编程效率和理解能力。课程结合实例演示与练习，增强实战能力，适合初学者快速入门R语言并掌握AI辅助开发技巧。
3. 蛋白质组数据预处理
本课程聚焦于蛋白质组学数据的预处理，旨在提升数据质量和分析可靠性。
课程首先介绍了数据质控的重要性，然后介绍了从不同角度评估质控好坏的方法，包括定性定量指标的可视化、QC样本的稳定性评估、异常样本和批次效应检测。随后深入讲解了预处理流程，如异常样本和高缺失率蛋白的筛除、缺失值填充（依据缺失机制选择合适方法，如KNN、SVD、最小值填充等）、数据归一化（log2转换、Quantile、Z-score等）以及批次效应校正（如ComBat、removeBatchEffect）。
通过引用高水平文献案例，课程结合实际数据分析策略，强调预处理在保障蛋白质组学研究有效性中的关键作用，适用于科研人员掌握标准化分析流程。
4. 富集分析&蛋白互作网络分析
本课程系统讲解了富集分析与蛋白互作网络分析的原理、方法及工具。
首先介绍了富集分析的两大主流方法：ORA（基于基因列表的过度表达分析）和GSEA（基于全排序基因集趋势分析），并比较了它们的特点与适用场景。课程进一步介绍了多种富集分析工具，如Metascape、g\:Profiler、Enrichr-KG、WebGestalt 和 Pathview，展示了其在功能注释、通路分析及可视化方面的优势。
随后，课程讲解了蛋白互作网络（PPI）分析的意义与方法，重点介绍了STRING、GeneMANIA 和 STITCH 等常用数据库与平台，帮助学员构建和解析蛋白-蛋白及蛋白-化合物互作图谱。课程内容结合分析实操，增强学员对分析方法的理解及数据挖掘能力。
5. 蛋白组学数据差异分析与数据降维
本课程聚焦蛋白质组学中的差异分析与数据降维，帮助学员掌握高维数据的可视化与关键特征识别。
首先介绍了PCA、t-SNE和UMAP等常见降维方法的原理、优劣和适用场景，并强调降维前需标准化与填补缺失值。随后讲解差异分析的核心流程，包括差异倍数（FoldChange）与显著性检验（t检验、ANOVA），以及多重比较校正方法（如BH、Bonferroni）。课程还涵盖多组比较的Post Hoc分析策略（如Tukey、Games-Howell等）与聚类方法（如mfuzz）用于多组比较时的表达趋势归类。
最后通过火山图、热图、Upset图等多种可视化手段，展示差异分析结果，为蛋白质组数据解读提供全面工具。
在培训的尾声，来自西湖大学医学院蛋白质组复杂科学实验室和西湖欧米AI团队的讲师还介绍了Transformer模型的原理及其在蛋白质组学中的实际应用。
本课程通俗讲解了Transformer模型的原理和结构，并对比了BERT与GPT两种模型的差异，展示了它在自然语言处理和生物医学等领域的应用，帮助学员建立从理论到实战的整体认知。
课程随后介绍了DIA-BERT，它在Transformer的基础上对大规模的DIA质谱数据进行预训练，提升了蛋白质识别的深度和准确性，特别是在低丰度蛋白识别方面表现出色。
欢迎您以任何方式宣传我们的蛋白组学培训课程。
A 空间蛋白质组学理论与实践
马克斯普朗克生物化学研究所（Matthias Mann 团队）、西湖大学以及西湖欧米专业团队教学，从蛋白质组学基础入门，系统讲解DVP、FAXP等前沿空间蛋白技术原理与应用，涵盖组织膨胀、样本处理、质谱采集全流程。
B 蛋白质组学数据分析
聚焦质谱数据解析与AI建模，从原始数据质控、差异分析、功能注释到DIA-BERT搜库平台，覆盖多种主流分析策略与工具，打造从数据到科研发现的闭环能力体系。
1. 蛋白质组质谱原始数据解析
本课程围绕蛋白质组质谱原始数据的解析，系统介绍了定量蛋白质组学的基本概念、主流技术及常用数据分析软件。
课程首先讲解了DDA（数据依赖采集）、DIA（数据非依赖采集）和靶向蛋白质组学等多种质谱技术的原理、优劣及适用场景；随后对iTRAQ/TMT标记定量与SILAC等方法进行了比较分析。
在软件工具方面，课程详细介绍了MaxQuant、FragPipe、DIA-NN、Spectronaut等用于不同类型数据的处理流程，并使用FragPipe、DIA-NN进行了操作演示。此外，还涉及质谱数据格式转换、蛋白数据库（如UniProt）使用及谱库构建方法。课程兼具理论阐释与实操指导，为学员全面理解和掌握质谱数据定量分析奠定了基础。
2. R语言基础与AI辅助编程
本课程围绕R语言在生物信息学中的基础应用及AI辅助编程展开，分为两个部分：
第一部分介绍了R语言与RStudio的基本概念、常见数据类型与数据结构，以及如何安装和使用CRAN、Bioconductor等资源包。课程还讲解了变量赋值、文件读写、常用函数、数据操作和可视化等核心技能，为学员打下扎实的编程基础。
第二部分聚焦AI工具（如Copilot、ChatGPT）在R编程中的应用，涵盖代码补全、语法解释及实际编程示例，帮助学员提升编程效率和理解能力。课程结合实例演示与练习，增强实战能力，适合初学者快速入门R语言并掌握AI辅助开发技巧。
3. 蛋白质组数据预处理
本课程聚焦于蛋白质组学数据的预处理，旨在提升数据质量和分析可靠性。
课程首先介绍了数据质控的重要性，然后介绍了从不同角度评估质控好坏的方法，包括定性定量指标的可视化、QC样本的稳定性评估、异常样本和批次效应检测。随后深入讲解了预处理流程，如异常样本和高缺失率蛋白的筛除、缺失值填充（依据缺失机制选择合适方法，如KNN、SVD、最小值填充等）、数据归一化（log2转换、Quantile、Z-score等）以及批次效应校正（如ComBat、removeBatchEffect）。
通过引用高水平文献案例，课程结合实际数据分析策略，强调预处理在保障蛋白质组学研究有效性中的关键作用，适用于科研人员掌握标准化分析流程。
4. 富集分析&蛋白互作网络分析
本课程系统讲解了富集分析与蛋白互作网络分析的原理、方法及工具。
首先介绍了富集分析的两大主流方法：ORA（基于基因列表的过度表达分析）和GSEA（基于全排序基因集趋势分析），并比较了它们的特点与适用场景。课程进一步介绍了多种富集分析工具，如Metascape、g\:Profiler、Enrichr-KG、WebGestalt 和 Pathview，展示了其在功能注释、通路分析及可视化方面的优势。
随后，课程讲解了蛋白互作网络（PPI）分析的意义与方法，重点介绍了STRING、GeneMANIA 和 STITCH 等常用数据库与平台，帮助学员构建和解析蛋白-蛋白及蛋白-化合物互作图谱。课程内容结合分析实操，增强学员对分析方法的理解及数据挖掘能力。
5. 蛋白组学数据差异分析与数据降维
本课程聚焦蛋白质组学中的差异分析与数据降维，帮助学员掌握高维数据的可视化与关键特征识别。
首先介绍了PCA、t-SNE和UMAP等常见降维方法的原理、优劣和适用场景，并强调降维前需标准化与填补缺失值。随后讲解差异分析的核心流程，包括差异倍数（FoldChange）与显著性检验（t检验、ANOVA），以及多重比较校正方法（如BH、Bonferroni）。课程还涵盖多组比较的Post Hoc分析策略（如Tukey、Games-Howell等）与聚类方法（如mfuzz）用于多组比较时的表达趋势归类。
最后通过火山图、热图、Upset图等多种可视化手段，展示差异分析结果，为蛋白质组数据解读提供全面工具。
在培训的尾声，来自西湖大学医学院蛋白质组复杂科学实验室和西湖欧米AI团队的讲师还介绍了Transformer模型的原理及其在蛋白质组学中的实际应用。
本课程通俗讲解了Transformer模型的原理和结构，并对比了BERT与GPT两种模型的差异，展示了它在自然语言处理和生物医学等领域的应用，帮助学员建立从理论到实战的整体认知。
课程随后介绍了DIA-BERT，它在Transformer的基础上对大规模的DIA质谱数据进行预训练，提升了蛋白质识别的深度和准确性，特别是在低丰度蛋白识别方面表现出色。
欢迎您以任何方式宣传我们的蛋白组学培训课程。
