一、主题、内容

（一）数据格式、读取工具与常用数据库】

1.文献与临床文本数据:PubMed文献检索与API批量获取；CMCR公开病例库访问，TCGA临床表型数据下载；医学实体识别、术语标准化。

2.医学影像与病理图像:DICOM医学影像、WSI数字病理图像(TIFF/SVS格式)；Pydicom、OpenSlide完成图像读取和转换。

3.多组学数据:FASTQ、BAM及基因表达矩阵的数据结构；Seurat、Scanpy读取单细胞表达数据。

4.常用公开数据库:GEO、SRA、TCGA等数据库的检索、下载；临床、病理和组学数据的筛选和下载。

5.实践案例：下载肠癌公开队列数据:以TCGA公开队列为例，获取肠癌队列下400多例样本的临床表型、病理图像与基因数据的配对下载，构建多模态数据集。

（二）数据清洗、质量控制与异常分析

1.临床数据清洗与脱敏：正则表达式和自然语言处理方法识别并去除敏感信息；重复记录检测和处理，缺失及异常值核查。

2.医学图像质控与预处理：使用OpenSlide读取病理图像，掌握旋转、翻转、裁剪等数据增强方法。

3.组学数据质控:低质量样本、低表达基因、低质量细胞识别；区分技术异常与真实生物学差异。

4.批次效应识别与校正:结合批次标签与PCA、UMAP等结果识别系统性偏差，利用ComBat、Harmony方法进行批次校正，评估校正后的生物学信号保留情况。

5.实践案例：PBMC单细胞数据去批次:使用Seurat载入一个多批次PBMC单细胞数据集，完成数据质控、异常样本剔除、批次整合和批处理校正。

（三）生物信息统计分析

1.描述性统计与假设检验:连续变量与分类变量的描述规范;

t检验、Fisher精确检验、方差分析、秩和检验与卡方检验的适用条件；效应量、置信区间、P值及多重检验校正。

2.降维、聚类与亚群探索:PCA、t-SNE、UMAP及常用聚类方法；患者亚型和细胞亚群的识别、注释与评估。

3.生信分析方法:DESeq2、edgeR等方法进行差异表达分析；GO、KEGG、GSEA基因功能富集，理解背景基因集、不同Permutation方法。 微生物组α/β多样性、PCoA与LEfSe分析，WGCNA共表达网络、Random Walk随机游走算法。

4.生存分析:生存时间、事件与删失的定义；Kaplan–Meier曲线、Log-rank检验和Cox比例风险模型。

5.实践案例：分析肠癌队列差异:下载TCGA肠癌队列，对临床基线与组学表达数据进行差异分析。实战生成符合SCI期刊投稿要求的临床患者特征统计表格，并提取出具有显著统计学意义的差异表达基因集和功能富集结果。

（四）科研数据可视化

1.基础科研图表:GraphPad Prism、R/Python绘制散点图、箱线图、小提琴图、柱状图与相关性图，展示数据分布、显著性结果。

2.组学结果展示:火山图、热力图、富集气泡图、UMAP图、生存曲线及森林图的绘制与解读。

3.网络与多维关系:使用Cytoscape展示基因调控或分子互作网络；介绍Circos图、弦图及多种高级环形可视化图。

4.论文图版规范:Adobe Illustrator矢量图编辑，字体、配色、坐标与图例，完成多面板拼接、矢量导出及图注撰写。

5.实践案例：绘制1张论文主图:整合R代码，拼接一张包含差异基因火山图、聚类图、功能富集分析图与患者生存曲线的主图Figure。

（五）AI-R

1.数据标注:预训练和微调分层数据构建，图像文本的常用标注方法；监督学习和自监督学习。

2.数据划分:训练集、验证集、测试集的划分，内部验证和外部验证；五折交叉验证（5-fold Cross Validation）评估模型泛化能力。

3.指令微调集:结构化构建 {Instruction-Input-Output}格式的问答数据。学习思维链CoT和不同标注的加入方法。

4.检索增强RAG:RAG原理，文档解析、文本分块、向量嵌入和索引构建；BM25与向量混合检索、重排序及引文追溯。

5.实践案例：构建一个RAG模型:使用Python构建一套Instruction指令微调数据，进行数据标注，仿照DeepRare构建一个基于检索增强的疾病诊断模型。

（六）基于人工智能的数据建模

1.机器学习算法:熟悉Sklearn包，使用逻辑回归、支持向量机（SVM）、随机森林与XGBoost分类方法。

2.深度学习算法:CNN、ViT在医学图像中的应用，以及Transformer处理序列数据的基本思路；通过预训练模型开展迁移学习。

3.大语言模型适配:提示词设计、RAG与参数高效微调的适用场景，演示基于指令数据的轻量微调与独立测试集评价。

4.多模态融合:比较数据层、特征层与决策层融合；以临床变量、病理图像和组学特征为例，进行单模态建模与晚期融合对比。

5.模型评价与解释:ROC、ACC、Precision、Recall、F1评价指标；交叉验证与外部验证；使用SHAP等方法分析特征贡献。

6.实践案例：完成2个建模任务:利用Python, ①构建一个基于文本数据的糖尿病风险分类模型（机器学习）；②构建一个皮肤病的病变类型预测模型（深度学习）。

（七）AI辅助项目书撰写

1.常用AI4S工具:常见的文献和数据分析AI for Science 平台，包括DrAI、VIPaper、语鲸、玻尔、秘塔等。

2.文献精读:利用工具快速抽取海量医学文献中的研究动机、主要方法、核心创新与关键发现。

3.综述撰写:对多篇文献生成逻辑严密、脉络清晰的文献综述，撰写带有可核验引文的国内外现状。

4.科学假设提出:结合研究方向、已有数据与实验条件，提出可检验假设，明确分析方案、验证路径与预期结果。

5.实践案例：撰写1份科研项目书:基于专题知识库完成“国内外研究现状—研究缺口—科学假设—研究内容—验证方案”的项目书，核验关键引文与论据，利用AI进行形式审查与专家评审。

（八）Agent编写与自主科研探索

1.LLM API调用：API调用大语言模型的基本方式，设置系统和用户Prompt，编写一个问答简易程序。

2.Agent工作流程:理解任务规划、工具调用、代码执行、结果检查与错误修复的基本过程，将科研问题拆解为Agent可执行步骤。

3.AI辅助编程:使用WorkBuddy等工具，通过自然语言完成数据处理脚本编写、报错定位、代码修改与结果检查。

4.知识检索和工具调用:以BioMedAgent等系统为例，演示工作流编排、知识库检索、本地工具的调用。

5.实践案例：编写1个序列分析问答Agent:利用AI辅助编程工具，编写一个能够接收自然语言任务、读取FASTA序列并调用本地分析工具的简易Agent，完成序列长度与GC含量统计、Motif识别等分析任务。

（九）论文复现与科研课题闭环实践

1.综合案例1：论文复现：肿瘤VTE风险建模

从零复现一篇顶刊(Nature Medcine)多模态生物医学数据分析和建模论文。包括拉取开源代码，配置环境，加载公开数据集，第一步完成数据假设生成，第二步按照假设进行数据建模，运行训练脚本至最终复现论文中的核心性能指标。

2.综合案例2：疾病耐药机制的探索性研究

围绕明确的耐药问题，利用公开数据库与文献证据完成数据下载、差异分析、靶点和通路挖掘，提出候选机制与后续实验方案。在此基础上形成论文大纲、核心图表及初步研究报告，并明确已有证据与待验证假设。

二、参加人员

全国各级医疗机构、科研院所、高等院校、生物医药企业、科技服务公司等从事临床医学、基础医学、公共卫生、生物统计、生物信息学、药学、护理学相关领域的科研负责人、课题骨干、医护技术人员、实验研发工程师、数据分析专员；高校医学院、生物工程、大数据相关专业教师及科研学生；生物医药、医疗器械、医学检验、基因测序企业的研发与数据分析岗位人员，以及所有需要系统掌握生物医学数据清洗、统计建模、生信分析、临床数据挖掘与科研论文数据处理的相关从业者与爱好者。

三、授课专家

授课师资均为中国科学院研究所、知名院校等相关科研数据处理的专家，拥有丰富的科研项目数据实践经验。

四、时间、地点

第二期：2026年12月25日-12月27日（24日全天报到）

地点：南京市（详细信息报名后另行通知）

第三期：2027年1月22日-1月24日（21日全天报到）

地点：北京市（详细信息报名后另行通知）

线上:课程网上同步直播（课程前2天发放直播码和链接）

 五、参加费用

本次培训由中国科学院人才交流开发中心主办、北京中科创嘉人力资源咨询有限公司承办。

收费标准：线下现场参训 3680元/人（包含培训、资料、证书等费用） ，食宿统一安排，费用需自理。

线上直播培训 6900元/单位（包含三人名额的直播码、三张结业证书）。