Zhejiang Gongshang University

ChatGpt诞生之后，AI取代人类工作的焦虑就在社会中蔓延。现在的AI表现出的智能水平，让人们开始担心AI有朝一日会取代人类，或者至少抢走人类的工作。 历史上很多工作已经被机器代替，但替代的多是重复、可预测性强的工作任务。这种自动化，对蓝领工作冲击特别严重，却不会影响到白领工作，甚至还加大了白领工作的优势。AI不一样，人们认为AI有潜力处理更加复杂和抽象的任务，甚至包括决策、分析、创作和交流这些原本被认为仅限于人类智慧能完成的工作。 2023年《纽约时报》一篇文章的标题直接把AI带来的变化称为“逆转”。这篇文章认为，相比蓝领工作，现在最容易受到AI影响的是办公室的白领工作[1]。 这个判断来自于几项研究。皮尤中心的研究发现，2022 年，而五分之一的工人（19%）从事受AI影响最大的工作，这些工作岗位的工人平均每小时收入为 33 美元，而接触AI程度最低的工作岗位的工人平均每小时收入为 20 美元。也就是说，高薪行业的白领更容易受到AI影响。另外，女性、亚裔、受过大学教育的人群更容易受到AI影响，没有高中学历的蓝领反而从事着不会受AI影响的工作[2]。 OpenAI团队的成员做了一项类似的研究。团队分析了 923 种职业中完成的 19,265 项任务，发现80% 的美国工作者所做的工作中，10%可以通过大语言模型完成，大约有19%的工作者一半的工作内容会受到影响。那些收入较高的工作受AI的影响更明确[3]。 不过，这些研究只是衡量了AI对工作的“影响”，也就是AI技术和各行业工作任务的重合情况或者说暴露程度，至于这个影响能不能引发失业，并没有确切的结论。皮尤研究中心的研究中，还对预计的“高危行业”从业者进行了调查，但相关的从业者却更倾向于认为AI对他们个人的帮助大于伤害。 AI能某种程度上完成某个行业的工作，那么AI替代了人，用工就会减少，这是一个很自然的想法。但招聘市场的现实可能并非如此。 欧洲中央银行（ECB）的一项研究认为，现在对AI终结人类的说法是严重夸大的。在 16 个欧洲国家的样本中，AI驱动的自动化与就业份额之间存在正相关关系。利用现在常用的两种AI指标，研究者发现人工智能暴露程度每提高25%，行业的就业份额增加 2.6%或4.3%。对于高学历群体，人工智能暴露程度提高25%会增加3.1%或6.7%，中低学历群体没有出现这种情况[4]。 也就是说，受AI渗透越明显的行业，就业的状况反而越好。普华永道 (PwC) 的一项研究分析了来自 15 个国家超过 5 亿份招聘信息，以研究人工智能对就业、技能、工资和生产力的影响。这项研究也发现，AI暴露率高的行业生产率好于暴露率低的行业。 普华永道研究团队表示，认为AI会导致就业下降的人提出了错误的问题。他们只估计AI能不能像人类那样执行已有的一些事物，而忽略了AI创造新任务、新角色甚至新产业的能力[5]。 AI对工作不只有替代的作用，通过提高生产率扩大经济规模，技术进步可以催生出更多岗位。例如，一部分负责理货的货仓员工可能被AI替代，但是电子商务整个行业的扩张可能提供了更多就业机会。 另外，AI不仅能够替代人工，也可以增强工作者的能力，增强他们的市场竞争力。一项研究通过分析2015 年至 2022 年间向美国专利商标局（USPTO）提交的 24758 项AI专利，以及各个职业的工作任务。发现神经学家、放射科医生、心血管检查技师、航空交通管制员，都能得到AI的帮助。不仅提高了工作效率，还扩展了专业人员的能力，使他们能够更有效地完成复杂任务[6]。 在中国的招聘市场上，AI创造新岗位和新职业的能力已经开始显现。 浙江大学经济学院教授余林徽、与华东师范大学经济与管理学院教授陈琳、上海财经大学经济学院博士生高悦蓬三人最近发表的一项研究，收集了中国各大招聘网站2016年至2020年间发布的招聘广告数据。在这个时间段虽然大语言模型还没有普及，但2015年后中国的AI已经进入了高速发展期，已经影响到了多个行业。 研究显示，人工智能渗透度更高的企业，往往会增加对非常规岗位的需求，这些岗位难以标准化，通常要求员工具备灵活性、判断力、创造力和人际交往能力。更进一步，企业人工智能渗透每提高一个单位，企业招聘新职业员工的概率提高 11%，雇佣的新职业员工比例上升0.28%。 这些新职业包括人工智能工程技术人员、智能制造工程技术人员、数字化运营师等等，可以说是AI催生了这些市场需求。相反，企业对体力工作和常规工作的招聘人数出现了下降。从整体来看，相对于常规职业的就业替代效应，AI对于非常规型职业的就业创造效应更强[7]。 虽然AI看起来有替代白领工作的潜力，但至少现在的情况是，AI并没有大规模的冲击白领工作的就业，反而创造了更多机会。那些预计会高度受到AI影响的白领职业，现实中的就业形势却更好了。 AI替代人类，至少要等二十年 虽然目前人工智能可能还没有在就业市场上引起太大的波动，但很多人还是担心，过不了多久，AI还是会大规模取代人类的工作。 AI到底需要多久时间，又在多大程度上改变就业生态？前段时间，麻省理工学院经济学教授达伦·阿西莫格鲁（Daron Acemoglu）发表了对AI影响宏观经济的估计，按照他的估计。未来10年内全要素生产率（TFP）效应总计不会超过0.66%，即使考虑到GPU的成本下降，这个数字仍然保持在0.9%左右。 全要素生产率的变化可能不那么直观，阿西莫格鲁又把这个数字转化成了GDP估计，将AI带来的投资效应纳入后，预计带来的GDP增长在未来10年内只有0.93%至1.16%。 即使这样，作者还是觉得高估了AI的经济效益，因为生产率和成本节约的推算都是基于现在的情况，而现在的AI仅仅完成了对AI来说最易学习的内容。就算出现大规模投资热潮，预计AI带来的GDP总增长也不过是1.4%-1.56%之间[8]。 很多人觉得AI现在的表现已经足够惊艳，但阿西莫格鲁发现，不管之前的预测如何，AI现在只能自动化办公室工作人员大约 5% 的任务，对生产力的影响非常有限。按照他的估计，AI至少需要自动化大约40%的典型工人任务，才能算是符合他标准的合格创新工具。 有批评者认为阿西莫格鲁对AI的态度太过悲观和苛刻，不过即使是AI的支持者也同意，把一项新兴技术转化为提高生产力的利器有很长的路要走[9]。 于2023年底加入OpenAI 董事会的美国前财政部长拉里·萨默斯 (Larry Summers) 就在一次论坛中表示，AI不会在未来三到五年内创造生产力奇迹。 从加入OpenAI董事会这个决定看，萨默斯对AI的长远发展很看好。他相信AI最终将能够完成几乎所有人类工作，特别是白领的“认知劳动”。在他眼中，AI在未来甚至能够像医生那样精确诊断，同时代替护士安抚病人。 不过萨默斯表示，跨越技术发展的 "最后一英里"，也就是从一项革命性技术转化成普通大众日常使用的工具，通常需要比人们希望的更长的时间。实现生产率的提高需要多年的投资、研究和开发。 新的技术总是能够点燃大众的预期，让人们对于技术突破的速度和改变人类生活的程度期望过高。随着现实赶上预期，最初的泡沫都会破裂。实际上，一项通用技术普及到整个社会，需要的往往是几十年的时间。 “关于技术创新的正确普遍规律是：事情的发展比你预期的要慢，但一旦开始，它们的发展速度比你想象的要快。”萨默斯说[10]。 经合组织(OECD)的经济学家在一篇论文中提出了这样一个问题：“人工智能在经济领域的应用需要多长时间？他们发现，根据美国人口普查局的数据2024年的调查，在美国只有不到 5% 的公司报告使用了AI技术。 这个使用率相当于1900年美国的电力使用率，还达不到能够实现宏观经济收益的程度。而过去的通用技术（电力和计算机）普及到50%的使用率至少花了20年，要达到这种水平，AI可能要等到2040年之后。作者团队还表示，要成功整合AI系统并充分挖掘其潜力，可能仍需要大量的配套投资（数据、技能、重组），这需要时间，也需要管理人才[11]。  对于未来5年的情况，美国劳工统计局（Bureau of Labor Statistics）职业就业预测部门的研究经济学家迈克尔·J·汉德尔 (Michael J. Handel) ，对多个大众认为容易被AI和机器人技术替代的行业进行了就业情况预测[12]。 作者使用了2008-2018的职业就业和工资统计，以及2019-2029美国劳工统计局就业预测计划的数据，同时参考2008-2018年的就业预测数据和实际的差别来校正预测。在预测职业未来的就业变化时，作者特意区分了那些预计会受到AI影响的职业（11种），以及在2008年后已经受到计算机技术冲击的行业（16种）。 按照作者的标准，如果各职业最近和预测的就业形势都脆弱，而且受影响的职业数量和规模都足够庞大，那就说明AI自动化如大家担忧的拖累了就业。相反，如果各职业的就业增长稳定或者适中，或者受影响的职业规模很小，那当下对于AI影响就业的担忧就是多余的。 研究发现，自 2008 年以来，预计会受到AI冲击的11种职业，就业情况绝对值和相对值反而都在增长，并且预计 2019-2029 年的增长速度将继续快于平均水平。而已经受到计算机技术影响的16种职业，在2019-2029年间会出现1.9%负增长。 预计就业会受到AI冲击的11种职业包括个人财务顾问、口译员和笔译员、外科医生、放射科医生、快餐店柜员、清洁工、女佣和家政工人、园林绿化工人、重型卡车司机、拖拉机操作员。然而在预测和实际中出现就业下降的只有外科医生，其他职业都保持着涨势。 一个职业的就业情况和技术发展之间的关系是非常复杂的。财务顾问被认为是很容易被AI替代的职业，然而AI也能帮助财务顾问打开下沉市场，使得过去不会关注财务咨询的人了解到这一行业。口译员和笔译员未来的就业增长会出现放缓，然而决定他们就业增长的最主要因素是全球化催生的翻译需求。 深度学习之父杰弗里·辛顿 (Geoffrey Hinton) 认为放射科可能在几年内就被深度学习技术替代，实际情况是2010年后深度学习技术连续取得突破，但是放射科医生的比例和绝对数量都没有太大波动。作者指出，相比技术进步，医保报销政策、人口老龄化程度才是影响放射科医生就业的关键。 至于扫地机器人、自动割草机、全自动汉堡包机、无人驾驶卡车，预计在2019到2029年之间都不会明显冲击对应的人类职业就业，只有重型卡车司机的就业增长预计会放缓，但这个程度的放缓在历史上也出现过。 已经受到计算机技术冲击的16个行业就业状况比较惨淡。不过这些职业中很多不止受到了一波技术冲击，尽管大家关心的是最新技术的影响，但对这些职业来说冲击最大的是一些已经成熟的技术，只是技术的全部效应需要几十年才能体现。其中的数据录入员，接线员，从80年代计算机兴起开始就逐渐被淘汰，缝纫机操作员和邮件分拣员更是持续几十年大规模就业减少。 记者是预计就业减少幅度比较大的职业，降幅达到11.2%。不过，记者在网络的冲击下已经颓势尽显，2008-2018的实际降幅达到28.3%，这个降幅远超当时的预测。有鉴于此，作者们认为2019-2029年记者的就业下降可能更夸张。 意外的是，程序员被预测在2019-2029年出现9.4%的就业下降。不过在2008-2018年间，美国程序员已经出现了41.3%的就业下降。劳工统计局的专家认为这和技术关系不大，主要是跨国外包的影响。 总之，影响职业就业率的因素很复杂，技术变革只是其中的一环。作者解释，新技术之所以没有使就业率发生更剧烈的变化，部分原因在于职业内部工作的多样性以及工作内部任务的多样性，并非所有工作都同样容易被技术替代。某些工作的自动化也可能改变工作的任务构成，而不仅仅是减少工作的数量。  在 2010 年代初AI技术取得突破后，2008-2018年那些被认为会受到AI冲击的职业就业不减反增，而且美国劳工统计局预计这种趋势将持续下去。 蓝领的噩梦？ 许多人原本担心AI会首先替代白领的职位，但现实却是，蓝领工人的工作岗位受到了更大的影响。实际上，几乎每一波自动化首先冲击的，都是蓝领工人的就业和工资收入。 受工业领域自动化冲击最严重的是制造业。阿西莫格鲁和波士顿大学的帕斯夸尔-雷斯特雷波的合作研究发现，每1000名工人中增加1台机器人，就会使当地的就业率减少0.39个百分点，工资减少约0.77%。即使考虑到通勤区之间的溢出效应，仍会使总就业率降低0.2个百分点(或40万个工作岗位)，总工资降低0.42%。 这相当于每1000名工人中增加1台机器人，就会减少3.3个就业岗位。在相对边缘的地区，增加1台机器人甚至会减少6.2 名工人的就业。自动化能够通过增加生产率带来经济增长，但经济增长促进的就业更多出现在其他地区，使得边缘地区的就业情况更为不乐观[13]。 中国的数据也显示出相似的情况。分别来自多伦多大学、清华大学、匹兹堡大学的三位研究者，利用中国的纵向家庭数据分析了接触工业机器人对劳动力市场的影响。 研究发现机器人接触率每增加一个标准差，中国工人的劳动力参与率（-1%）、就业率（-7.5%）和时薪（-9%）都会下降。 与此同时，那些还没有失业的工人中，接触机器人的工人工时增加了 14%，自动化让普通工人就业更难了、时薪更少了、加班更多了[14]。 AI推动的自动化，会继续拉开低技能劳动者和高技能劳动者的工资差。浙江工商大学的三位作者，利用2010年至2019年中国工业面板数据进行数值模拟，分析了AI如何通过工业机器人影响不同劳动者的工资。结果表明，AI一方面替代低技能劳动者的工作，一方面为高技能劳动者创造新任务，这拉大了两者之间的技能溢价[15]。阿西莫格鲁的研究也显示，1980 年至 2016 年间美国工资不平等的增长有 50% 至 70% 是由自动化造成的[16]。 在AI时代，阿西莫格鲁更加担心工资不平等问题，因为基于AI技术的自动化可能让情况变得更糟。 传统的自动化变革虽然带来了很多失业，但也带动了生产率的增长，进而也创造了更多的就业岗位。例如，1870年至1979年间，虽然机械化逐渐使美国一半以上的农业劳动力失业，但工厂和新兴服务业带来了蓝领和服务业工作，这些工作也是劳动力密集的。比起毁掉的工作，技术变革带来了更多好工作，这些工作更轻松并且更安全。 但是在1980年之后，平衡逐渐被打破。新的技术变革对推动自动化效果显著，但对于生产率的提升很平庸（so-so technologies）。这类平庸的自动化技术只是替代了人工，但没有创造新的就业机会。举个好理解的例子，超市的自助结账机就是这类发明，它会替代超市的收银员，但带不来多大生产率提升，也促进不了多少就业。 1980年以来，受教育程度较低的工人的实际工资出现了显著下降。处于收入分配底部的工人以及大学以下学历的工人，他们的工资和就业下降更严重。阿西莫格鲁把这段时期的增长模式，称为数字技术和机器人技术引领的非共享增长[17]。 阿西莫格鲁认为，出现这种发展模式，公司和管理机构对技术方向的选择是一个重要原因。公司从利润出发，发明很多平庸自动化技术的时候，本身就没有打算提高生产率，目标只是让更廉价的资本（机器）直接替代劳动力。这对整个经济的生产率提高没有帮助，最终带来的是工人的失业和工资下降。 相反，那些能让工人受益的技术进步需要为工人创造一些能够发挥能力的新任务，增强工人的工作能力。用机器取代人工并不是提高经济效率的唯一途径，技术进步不只有促进自动化一条路，还可能创造更多的劳动密集型任务，在提高效率的同时保证就业[18]。 我们总是容易过度强调技术的决定性影响，然而，技术发展不是只有一条路，而是有很多可能的选择。技术方向的选择，本身也很容易受到经济激励和利益相关者讨价还价能力的影响。 在阿西莫格鲁看来，现在由科技巨头掌握的AI，也走上了过去几十年中以技术推动自动化这条错误道路。这条道路走得越远，投资也会越集中于这个方向，同时减少其他AI发展方向上的投资。 AI会被用来推动自动化，把人赶出工作？还是为人创造新岗位，增强人的工作能力？现在我们就处在一个历史的节点上。“如今，人工智能如何影响劳动力市场，技术方向选择的重要性可能比工业革命时期更为重要。”阿西莫格鲁说。  参考文献： ［1］Miller, C. C., & Cox, C.. (2023, August 24). In Reversal Because of A.I., Office Jobs Are Now More at Risk. The New York Times, Upshot.  ［2］Chavda, J., & Chavda, J. (2024, April 14). Which U.S. Workers Are More Exposed to AI on Their Jobs? Pew Research Center.  ［3］Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). Gpts are gpts: An early look at the labor market impact potential of large language models. arXiv preprint arXiv:2303.10130. ［4］Albanesi, S., Da Silva, A. D., Jimeno, J. F., Lamo, A., & Wabitsch, A. (2023). Reports of AI ending human labour may be greatly exaggerated. ［5］Ma, J. (2024, May 26). You don’t have to be a programmer to cash in on artificial intelligence. AI skills in these non-tech professions come with massive wage increases. Fortune.  ［6］Septiandri, A. A., Constantinides, M., & Quercia, D. (2023). The impact of AI innovations on US occupations. arXiv preprint arXiv:2312.04714. ［7］陈琳,高悦蓬,余林徽. 人工智能如何改变企业对劳动力的需求?[J]. 管理世界,2024,40(6):74-91. 8.Acemoglu, D. (2024). The Simple Macroeconomics of AI (No. w32487). National Bureau of Economic Research. ［8］Warner, B., & Kessler, S. (2024, July 13). What if the A.I. Boosters Are Wrong?The New York Times ［9］Daniel, W. (2024, March 28). Larry Summers, now an OpenAI board member, thinks AI could replace ‘almost all’ forms of labor. Fortune Asia.  ［10］Filippucci, F., Gal, P., Jona-Lasinio, C., Leandro, A., & Nicoletti, G. (2024, May 2).Should AI Stay or Should AI Go: Promises and Perils of AI Productivity and Growth. VOX EU, CEPR. ［11］Bureau of Labor Statistics. (2022). Growth trends for selected occupations considered at risk from automation. Monthly Labor Review. ［12］Acemoglu, D., & Restrepo, P. (2020). Robots and jobs: Evidence from US labor markets. Journal of political economy, 128(6), 2188-2244. ［13］Giuntella, O., Lu, Y., & Wang, T. (2022). How do workers and households adjust to robots? Evidence from China (No. w30707). National Bureau of Economic Research. ［14］Cheng, C., Luo, J., Zhu, C., & Zhang, S. (2024). Artificial intelligence and the skill premium: A numerical analysis of theoretical models. Technological Forecasting and Social Change, 200, 123140. ［15］Rotman, D. (2022, May 11). How to solve AI’s inequality problem. MIT Technology Review.  ［16］重新平衡人工智能发展之路. (2023, December 20). IMF.  ［17］错误的人工智能？人工智能与未来的劳动力需求. (2019, June 19). ［18］Acemoglu, Daron and Johnson, Simon, Learning from Ricardo and Thompson: Machinery and Labor in the Early Industrial Revolution, and in the Age of Ai (May 2024). NBER Working Paper No. w32416. 封面图来源：123rf 版权声明/免责声明 本文为授权转载文章。 本文仅作信息交流之目的，不提供任何商用、医用、投资用建议。 文中图片、视频、字体、音乐等素材或为药时代购买的授权正版作品，或来自微信公共图片库，或取自公司官网/网络，部分素材根据CC0协议使用，版权归拥有者，药时代尽力注明来源。 如有任何问题，请与我们联系。 衷心感谢! 药时代官方网站:www.drugtimes.cn 联系方式: 电话:13651980212 微信:27674131 邮箱:contact@drugtimes.cn 八年老药，悄然撤市 致敬科学巨匠！“中国萃取剂化学之父” 袁𠄘业院士百年华诞 CD 47的 “下坡路”，何时到头？ 点击这里，发现价值信息！

最近，在使用深度学习（Deep Learning）方法从头设计蛋白质方面取得了相当大的进展。但我们仍然缺少用来蛋白质设计的通用深度学习框架以解决蛋白质设计上遇到的各种挑战。 扩散模型（diffusion model）是一种生成式模拟方法，已经在图像和文本生成建模方面取得了相当大的成功，最近爆火的AI绘画，就是基于扩散模型。而且，扩散模型似乎也适用于蛋白质设计。然而，扩散模型在应用于蛋白质建模时成功率却并不高，产生的序列基本不能折叠成目标结构，这可能是由于蛋白质主干几何形状和序列结构关系的复杂性。 2023年7月11日，著名蛋白质设计专家、华盛顿大学医学院 David Baker 教授团队在 Nature 期刊发表了题为：De novo design of protein structure and function with RFdiffusion 的研究论文。 该研究开发并描述了一种能从头设计全新蛋白质的深度学习方法——RoseTTAFold Diffusion，简称RFdiffusion。该方法能生成各种功能性蛋白质，包括在天然蛋白质中从未见过的拓扑结构。  近年来，深度学习领域的迅速进步对蛋白质设计产生了显著影响。最近，深度学习方法在蛋白质结构预测方面取得了重大突破，使我们能够得到数百万种蛋白质的高质量模型。结合用于生成建模和序列分析的新型架构，这些方法在过去几年里极大改变了蛋白质设计领域，提高了识别新蛋白质序列和结构的准确性和能力。深度神经网络现在能够学习和提取蛋白质结构的基本特征，预测它们与其他生物分子的相互作用，并且有潜力创造用于治疗疾病的新型药物。 三大前沿课程目录 一、深度学习蛋白质设计 二、单细胞多组学 三、机器学习代谢组学 以下为课程内容介绍 一、深度学习蛋白质设计 STUDY 课程目标： 本课程从零基础开始学习，对 Python 编程基础、Linux 常用命令和 Machine Learning/Deep Learnings 领域相关算法进行详细讲解，并结合当前蛋白质设计方面的论文文献讲解相关技术的应用。主要介绍蛋白质设计的底层逻辑与基本规则，学习蛋白质结构预测、蛋白质序列设计、蛋白质-蛋白质相互作用分析、以及蛋白质功能注释和优化方法，掌握深度学习在蛋白质设计中的常见算法以及实际方法，培养学生具备基本的深度学习蛋白质设计能力和蛋白质人工智能应用的前沿视野，为参与解决生物医学、生物工程和生物能源等方面的重大问题提供更多机会。 课程内容主要分为三个方面： （1）结构到序列的预测基础：基于结构的蛋白质设计是蛋白质结构预测的 逆过程。学生将学会通过生物信息学工具分析蛋白质序列，预测其二级结构和三维结构，并初步理解结构与功能之间的关联。 （2）ML/DL 算法模型应用与评估：深度学习可以用于预测蛋白质序列的 功能和稳定性。学生将能够使用机器学习或深度学习算法模型进行蛋白质特定功能和序列稳定性预测，同时学习如何评估模型的准确性和可靠性。 （3）蛋白质设计应用实践：深度学习通过预测蛋白质-蛋白质之间的相互作 用、蛋白质的功能以及生物属性为生物制药、生物医学等方面提供了新的方向。学生将通过以上学习的与蛋白质序列、结构和功能预测相关的原理，学会设计新的蛋白质复合物和抗体，识别蛋白质的功能域、结构域和功能位点等，通过神经网络和生成对抗网络的应用，优化和筛选符合特定要求的蛋白质。 TEACHER 授课老师 Dr.Pang, 生物信息学博士，有8年生物数据分析、多组学交叉领域研究经验，曾在国内外多家知名生物医药企业和科研院所有任职经历，对机器学习、深度学习、基因组学、转录组学、代谢组学以及蛋白质组学等有深入研究，发表SCI论文18篇，其中一作及通讯作者9篇。 向下划动查看全部内容 第一天 Python 编程基础知识 1. Python 基础 1.1 Python 简介：了解 Python 的发展历史、特点、现状，以及与其他编程语 言的比较。 1.2 安装和设置 Python 环境：安装 Python3 ，设置 开 发 环 境 （ 如 Anaconda(miniconda)、Jupyter notebook）并运行第一个 Python 程序。 1.3 Python 变量和数据类型：数据类型（整数、浮点数、字符串、布尔值）、 表定制等。 4. 数据分析与可视化 4.1 Pandas：使用 Pandas 进行高级的数据分析操作，包括如何去做数据清洗、 预处理和排序等数学计算，数据的分箱技术，分组技术，聚合技术，以及透视表 等。 4.2 数据可视化：介绍 Seaborn 的基本使用，以及和 Matplotlib 的功能对比， 使用 Matplotlib 和 Seaborn 进行高级数据可视化。 5. 蛋白质设计中的特定应用 5.1 BioPython 包的使用：DNA，RNA 和蛋白质序列处理，访问主要的遗传 数据库（如 GenBank，SwissPort，FASTA 等）访问，执行基本生物学数据分析。 5.2 Python 脚本编写：将常见的蛋白质处理任务编写为自动化脚本，如序列 对比、结构预测等。 5.3 机器学习快速入门：学习使用 Scikit-learn 进行特征提取、机器学习模型 训练、评估和优化。 6. 实战案例 6.1 案例 1：蛋白质序列数据分析入门，如统计特定序列的频率、可视化序 列分布等。 6.2 案例 2：蛋白质结构预测基础，使用机器学习技术预测蛋白质的二级结 构或功能位点。 6.3 案例 3：开发一个自动化的蛋白质分析工具，集成数据处理、分析及可视 化功能。 第二天 Linux Shell 命令行操作基础 1. Shell 环境简介 1.1 什么是 Shell：了解 Shell 是什么，为什么要学习 Shell，以及它如何与操 作系统交互。 1.2 不同类型的 Shell 介绍：Bash、Zsh、Tcsh。 1.3 访问 Shell：如何打开终端窗口，基础的命令行界面操作。 2. 基础命令 2.1 文件系统操作：wc, cd, ls, pwd, rm, cp, mv 等命令的使用。 2.2 文件操作：mkdir, touch, more, less, head, tail, grep, find 等命令。 2.3 权限和所有权：使用 chmod, chown, chgrp 改变文件的权限和所有权。 2.4 文本处理：echo, cat, cut, sort, uniq, tr, awk, sed 等工具的基本使用。 2.5 归档和压缩：tar, gzip, gunzip, zip, unzip 等命令的使用。 3. Shell 脚本编写 3.1 Shell 变量和数据类型：定义和使用 String、int、float 和 array 变量。 3.2 流程控制与条件语句：if, else, elif, case 等语句的使用。 3.3 循环结构：for, while, until 循环的使用。 3.4 输入和输出：处理用户输入和脚本输出。 3.5 引用和转义字符：学习在命令行中正确使用单引号、双引号和转义字符。 3.6 高级文本编辑器 Vim 的配置和使用 Vim 3.7 创建和执行 Shell 脚本：编写一个简单的脚本并使其接收参数和执行。 4. 高级 Shell 编程 4.1 函数的高级用法：定义和使用函数，学习如何传递参数和调用函数。 4.2 调试 Shell 脚本：如何调试 Shell 脚本，包括设置和使用调试选项。 4.3 基本正则表达式的应用，学习文本处理三剑客 grep、sed、awk。 4.4 环境变量管理：了解 PATH 和其他环境变量的作用和管理方法。 5. 实用案例 5.1 案例 1: 使用 Python 运行 Shell 脚本。 5.2 案例 2: 编写一个自动整理下载并整理蛋白质序列数据的脚本。 5.3 案例 3: PDB 文件分析脚本的编写。 第三天 机器学习与深度学习基础 1. 统计学习理论基础 1.1 统计学习方法概述 1.2 传统有监督学习方法介绍 （a) 感知机与决策树算法 （b) K 近邻与朴素贝叶斯法 （c) 逻辑回归与支持向量机算法 （d) 随机森林算法与隐马尔可夫模型 1.3 集成学习算法重点介绍：GBDT、XGBoost 1.4 无监督学习与聚类算法 1.5 特征工程与模型评估 2. 神经网络与深度学习方法基础 2.1 人工神经网络基础知识 2.2 多层感知机 2.3 卷积神经网络：学习卷积的内涵、卷积的概念与特征、池化操作等 2.4 典型卷积神经网络算法结构、训练方法及应用 2.5 循环神经网络基本原理与模型介绍 2.6 长短期记忆神经网络模型及应用场景 3. 生成式神经网络 3.1 自动编码器 3.2 变分自动编码器 3.3 生成对抗网络 （a) 生成对抗网络基本原理 （b) Encoder-Decoder 模型 （c) DCGAN 和 WGAN 算法示例 4. 注意力机制 4.1 Seq2Seq 模型 4.2 (自)注意力机制模型的原理和工作机制 4.3 Transformer 模型及应用 4.4 BERT 模型与预训练方法介绍 4.5 基于 BERT 模型实现文本生成实验 5. 深度学习蛋白质设计入门 5.1 理解蛋白质设计的主要概念 5.2 传统从序列推断功能的方式介绍 5.3 机器学习领域中预测蛋白质功能的方法与局限性 5.4 了解 Pre-Trained Embeddings 方法的蛋白质设计方法 5.5 生成模型在蛋白质设计上的使用及优势 第四天 深度学习蛋白质设计基础 1. 深度学习蛋白质设计概述 1.1 蛋白质设计的背景与当前现状， 1.2 蛋白质设计面临的困难、传统方法与途径 （a) 从序列预测蛋白质结构：同源建模、共进化信息 （b) 使用神经网络预测蛋白质结构 1.3 蛋白质设计的关键点：序列、结构、功能、能量 1.4 蛋白质设计的目标：设计一个给定结构或功能的蛋白质 1.5 当前深度学习方法在蛋白质设计中的进展 （a) 基于序列的深度学习方法：DeepSequence，Progen，ProteinBERT 等 （b) 基于结构的深度学习方法：AlphaFold2, ColabFold, RoseTTAFold, OmegaFold 等 （c) 其他蛋白质深度学习方法： 1.6 蛋白质设计方法的评估（亲和力、催化活性、配体特异性等） 2. 蛋白质设计概述 1.1 蛋白质序列表示形式 （a) 独热编码（One-Hot Encoding） （b) 嵌入表示（Learned Embedding） （c) 特定位置评分矩阵（Position-Specific Scoring Matrix） 1.2 蛋白质结构的表示形式 （a) 基于顺序和手工修正的表示 （b) Voxel 表示 （c) 距离图 （d) 图表示形式：图和点云 1.3 蛋白质结构可视化工具介绍和使用 （a) 蛋白质数据结构文件格式 PDB 介绍 （b) PyMOL：查看和分析蛋白质、DNA 和小分子的 3D 结构 （c) Chimera：综合性分子建模程序，提供多种分析和可视化功能，包括 体积数据的处理。 （d) VMD:一个分子可视化程序，用于使用 3D 图形和内置脚本显示、动 态化和分析大型生物分子系统。 1.4 蛋白质设计的常用评估指标：NSR、RMSD、GDT、能量评分函数、可 溶性、与靶标之间的结合强度和特异性 3. 蛋白质数据库介绍 1.1 一级蛋白质序列数据库：UniProtKB 1.2 一级蛋白质结构数据库：PDB 1.3 二级蛋白质数据库：Pfam，CATH，SCOP2 1.4 专用数据库：KEGG，OMIM 4. 蛋白质设计工具箱介绍 1.1 Rosetta：提供一个灵活的函数库来完成一组不同生物分子的建模任务, 完成对各种生物分子系统的预测、设计和分析，包括蛋白、RNA 和 DNA、肽、 小分子以及非标准或衍生氨基酸。 1.2 Foldit: 一个结合了游戏和科学的蛋白质折叠和设计平台，允许用户通过 游戏界面参与蛋白质设计。 1.3 Bioluminate: 是 Schrödinger 提供的一套生物分子建模和设计工具，包含 蛋白质设计模块。集成了高质量的分子动力学模拟和自由能计算，适用于精准设 计和预测。 1.4 EvoDesign：一个基于进化信息和结构模拟的蛋白质设计工具，主要用于 功能性蛋白质设计。 1.5 OpenFold: 是 AlphaFold2 的开源实现，具有相同的架构，但拥有改进的 速度和内存使用效率。 5. Rosetta 工具箱使用案例：一种基于统计势函数的蛋白质设计方法 1.1 统计势函数的一般定义：基于对已知蛋白质结构的大规模数据库的统计 分析，提取出各种结构特征之间的概率分布。 1.2 蛋白质设计中的统计势函数介绍 (a) 学习 Rosetta 工具箱中统计势函数定义和基本理念 (b) Rosetta 工具箱中能量函数常见项及物理意义 1.3 基于 Rosetta 工具箱中统计势函数的蛋白质设计案例 (a) 使用 Rosetta 工具检查输入的 PDB 文件，预处理，确定设计目标 (b) 执行序列设计实验，使用 Rosetta 的 PackRotamers 协议 (c) 使用 Rosetta 的标准能量函数（包括统计势函数）对设计结果进行能 量评估 第五天 基于深度学习的蛋白质设计进阶 1. 一种基于深度学习的蛋白质序列设计模型 ProteinMPNN 1.1 ProteinMPNN 简介与核心理念：通过深度学习生成具有特定功能的蛋白 质序列 1.2 ProteinMPNN 模型结构与工作原理 (a) ProteinMPNN 技术分析 (b) ProteinMPNN 模型介绍 (c) ProteinMPNN 模型训练与模型推理 1.3 基于 ProteinMPNN 的蛋白质设计应用：设计新型抗菌肽 (a) 实验流程：环境配置，数据准备、模型训练、筛选与验证。 (b) 实验总结：学会如何应用 ProteinMPNN 进行实际的蛋白质设计任务。 2. 从统计分析到深度残差网络的蛋白质结构预测算法 2.1 直接耦合分析和互信息计算：分析蛋白质序列中残基之间的相互作用信 息来推测它们之间的耦合关系或互信息。 2.2 深度残差网络和蛋白质接触图预测：深度残差网络可以用来预测蛋白质 的接触图，即残基之间的接触概率或距离，从而揭示蛋白质的结构信息。 2.3 蛋白质距离矩阵预测：预测蛋白质结构中所有残基对之间的距离或接近 程度。 2.4 图神经网络方法：捕捉蛋白质结构中残基之间复杂的相互作用和依赖关 系。 3. 从几何约束的梯度下降法到端到端深度学习的蛋白结构预测 1.1 梯度下降法和其在蛋白结构优化中的应用概述。 1.2 几何约束如何被集成到梯度下降法中，以实现特定的结构优化目标。 1.3 端到端几何深度学习方法介绍以及在蛋白结构预测中的优势和挑战。 1.4 AlphaFold 等先进模型如何利用端到端深度学习实现高效精准的蛋白质 结构预测。 (a) TrRosetta 介绍：使用了经过调整的残基接触预测方法，通过分析多 序列对应（MSA）和残基间的共进化信息来推断蛋白质的三维结构。 (b) AlphaFold 介绍：使用了端到端的深度学习模型，结合了残基对应、 残基接触预测和结构优化等步骤，以预测蛋白质的三维结构。 (c) RoseTTAFold 介绍：基于 AlphaFold 的技术思路进行开发的一种端到 端几何深度学习方法, 综合利用 MSA、距离和 3D 坐标信息，提高 结构预测的准确性。 4. Alphafold2 详解 4.1 AlphaFold2 的发展背景及其前身 AlphaFold 的演变过程。 4.2 AlphaFold2 的工作原理 (a) 多序列对应（MSA）和残基接触预测：利用多序列对应信息和残基 间的共进化信号来预测蛋白质的三维结构。 (b) Evoformer 架构：介绍 AlphaFold2 中使用的 Evoformer 架构，包括其 在特征提取和结构预测中的应用。 4.3 AlphaFold2 的算法和技术细节 (a) 神经网络架构：AlphaFold2 中的主要神经网络架构和层次结构。 (b) 训练和优化：AlphaFold2 如何通过大规模数据集的训练来优化结构 预测的准确性。 4.4 了解 AlphaFold3 相比于 AlphaFold2 的优势 5. RoseTTAFold 详解 5.1 RoseTTAFold 背景和基本概念 5.2 RoseTTAFold 的工作原理与技术细节 (a) 多序列对应（MSA）和残基接触预测：RoseTTAFold 如何利用多序 列对应信息和残基间的共进化信号来预测蛋白质的三维结构。 (b) 深度神经网络架构：RoseTTAFold 中使用的主要神经网络结构和层 次。 (c) 模型架构和训练：详细介绍 RoseTTAFold 的模型架构，如何训练和 优化模型以提高预测准确性。 5.3 RoseTTAFold 的优势和局限性。 6. 案例演示 6.1 使用 AlphaFold2 进行蛋白质结构在线预测 6.2 使用 RoseTTAFold All-Atom（RFAA）进行蛋白-小分子复合物结构预测 6.3 RoseTTAFold、ProteinMPNN 和 AlphaFold 之间的主要区别 第六天 深度学习蛋白质设计应用实战 1. 基于 AlphaFold2 多体蛋白结构预测与设计 1.1 多序列比对与序列拼接配对问题 （a) 多序列比对在蛋白质结构预测中的关键作用。 （b) 序列拼接配对问题如何影响蛋白质结构预测的准确 （c) AlphaFold2 中模板匹配的原理及其应用范围。 （d) 多肽和蛋白质柔性对接的挑战和解决方案。 2. 基于 AlphaFold2 做蛋白结构和序列新设计及结构聚类 2.1 AlphaFold2 如何实现蛋白质序列和结构的新设计 2.2 结构聚类与新功能发现 （a) Alphadatabase 数据库的结构分析与新功能发现。 （b) 使用 Foldseek 工具进行新结构的探索与功能预测。 3. 基于 AlphaFold2 做多构象预测与质量评估 3.1 多构象预测与功能发现 （a) 多序列比对采样聚类分析在蛋白质多构象预测中的应用。 （b) 不同 MSA 对蛋白质构象预测和功能发现的影响。 3.2 模型质量评估与侧链构象优化 （a) 三角机制如何提升蛋白质模型质量评估的准确性。 （b) 局部三角机制和 Evoformer 在蛋白质侧链构象预测中的应用和效果 评估。 4. RFdiffusion 实现通用性蛋白结构生成 4.1 RFdiffusion 基于指定骨架的蛋白质结构设计核心知识点： 4.2 利用用户提供的特定结构框架进行蛋白质结构设计应用案例：   (a) 无约束单体设计（contigmap）：全新骨架的蛋白质结构创新设计，通 过 RFdiffusion 实现从头生成新颖、非同源蛋白质结构； （b) 特定骨架引导设计 (scaffoldguided)：利用已有结构骨架指导蛋白质 结构创新与改造。 5. ProteinGenerator 与 Rosettafold AA 的进阶应用 5.1 ProteinGenerator 实现蛋白质骨架与序列的 co-design (a) 隐空间中蛋白质序列和结构的联合分布模型。 (b) 与 RFdiffusion 在设计中的异同和比较分析。 5.2 Rosettafold AA 实现多类生物大分子结构预测与生成 (a) 加入小分子结构预测器的 Rosettafold AA 版本。 (b) 将局部坐标系迁移到小分子结构的技术与方法。 6. 一种蛋白质生成模型 Chroma 的基本构架与实现 6.1 Chroma 模型的基本架构和理论背景。 6.2 利用 Chroma 逼近蛋白构象空间全空间采样和生成的方法。 第七天 大语言模型在蛋白质设计中的应用进展 1.蛋白质大预言模型发展现状 1.1 介绍当前基于不同结构的蛋白质语言模型 2. ProGen 介绍 2.1 ProGen 模型构架讲解及其优势 2.2 ProGen 的性能与改进 3. ESMFold 介绍 3.1 ESM 网络构架介绍 3.2 ESMFold 环境配置与使用步骤讲解 3.3 ESMFold 运行结构预测及性能评估 3.4 ESMFold 与 AlphaFold2 方法的对比 4. ProLLaMA：用于多任务蛋白质语言处理的蛋白质大语言模型 4.1 ProLLaMA 模型介绍 4.2 ProLLaMA 训练框架概述及应用特色 5. ProteinBERT：蛋白质序列和功能的通用深度学习模型 5.1 ProteinBERT 方法概述与框架介绍 5.2 ProteinBERT 的优势及应用场景 6. 深度学习算法在多肽设计的应用 6.1 基于 RF diffusion 实现多肽设计 6.2 基于 AlphaFold2 梯度下降进行多肽骨架和序列设计 6.3 多肽对接算法介绍： (a) 基于 AutoDock 的多肽对接 (b) 基于 AlphaFold2 的多肽柔性对接 (c) 其他对接算法 6.4 基于多肽蛋白复合物训练的深度学习多肽设计算法 二、单细胞多组学课程 课程目标： 1. 掌握单细胞多组学研究思路以及课题设计方法 2. 掌握R语言基本语法以及基本绘图 3. 掌握单细胞转录组基础分析及高级分析 4. 掌握单细胞转录组多样本比较分析 5. 掌握单细胞ATAC数据分析，以及与转录组数据联合分析 6. 掌握单细胞VDJ数据分析，以及与转录组数据联合分析 TEACHER 授课老师 Dr. Li，生物信息学博士，有十余年的测序数据分析经验。研究领域涉及机器学习，芯片数据分析，核酸及蛋白序列分析，DNA，RNA，甲基化测序数据分析，单细胞测序数据分析，miRNA及靶基因分析，癌症相关基因预测及预后分析等，发表SCI论文30余篇，其中一作及并列一作15篇。 向下划动查看全部内容 Day 1 单细胞测序技术发展历程及研究现状 单细胞测序原理及测序平台介绍 单细胞相关数据库介绍 单细胞数据分析流程介绍 单细胞研究思路及案例分享 R语言简介 R语言概述 R软件及R包安装 R语言语法及数据类型 条件语句 循环 函数 Day 2 单样本转录组数据基础分析 数据质控及归一化 降维(PCA, tSNE, UMAP) 聚类分析 鉴定marker基因 细胞亚群注释 功能富集分析   单样本转录组数据高级分析 GSEA分析与GSVA分析 细胞亚群继续分群 细胞周期分析 拟时序分析 细胞通讯分析 代谢分析 RNA velocity分析 h5ad转seurat对象 Day 3 RNAseq与膜表面蛋白数据整合分析 RNAseq分群效果与膜蛋白分群效果比较 RNAseq与膜蛋白数据整合后分群 基因与蛋白表达相关性 多组样本转录组数据分析 质控、归一化 降维、聚类 鉴定marker基因，细胞亚群注释 样本间细胞亚群频率比较 样本间差异表达基因分析 绘制小提琴图、散点图、山脊图、火山图、热图、气泡图、feature plot Day 4 单细胞ATAC数据分析 细胞亚群peak鉴定 Motif富集分析 motif deviation 转录因子足迹分析 基因富集分析 peak co-accessibility分析 单细胞ATAC拟时序分析 单细胞ATAC与转录组的整合分析 Day 5 单细胞VDJ分析 VDJ分析以及可视化 检测克隆型 克隆型丰度 CDR3组成 比较克隆型 克隆空间稳态 克隆比例 重叠分析 多样性分析 转录组联合VDJ分析 课程案例图片： 三、机器学习代谢组学 课程目标：1.理解代谢生理功能和代谢疾病，熟悉技术及其应用。2.了解代谢组学实验流程、数据处理技巧，以及色谱、质谱和LC-MS技术。3.熟悉关键代谢通路和数据库，利用R软件进行分析和可视化。4.理解机器学习在代谢组学中的作用，掌握R语言进行分析。5.使用R语言进行数据清洗与分析，通过文献解读和复现增强研究创新能力 TEACHER 授课老师 机器学习代谢组学授课老师： 代谢组学老师来自国内985高校，该技术已研究有十余年，有丰富的研究经验，熟悉蛋白质组学、转录组学、代谢组学的原理及数据分析流程，已发表数篇SCI，Nature等顶刊，有丰富的教学经验！ 向下划动查看全部内容 第一天 A1代谢物及代谢组学的发展与应用                             （1） 代谢生理功能； （2） 代谢疾病； （3） 非靶向与靶向代谢组学； （4） 空间代谢组学与质谱成像（MSI）； （5） 代谢流与机制研究； （6） 代谢组学与药物和生物标志物。 A2代谢组学实验流程简介 A3色谱、质谱硬件原理 （1） 色谱分析原理； （2） 色谱的气相、液相和固相； （3） 色谱仪和色谱柱的选择； （4） 质谱分析原理及动画演示； （5） 正、负离子电离模式； （6） 色谱质谱联用技术； （7）LC-MS的液相系统 A4代谢物样本处理与抽提 （1）组织、血液和体液样本的提取流程与注意事项； （2）用ACN抽提代谢物的流程与注意事项； （3）样本及代谢物的运输与保存问题； 第二天 B1代谢通路及代谢数据库 （1） 几种经典代谢通路简介； （2） 能量代谢通路； （3） 三大常见代谢物库：HMDB、METLIN和KEGG; （4） 代谢组学原始数据库：Metabolomics Workbench和Metabolights. B2 LC-MS数据质控与搜库 （1）LC-MS实验过程中QC样本的设置方法； （2）LC-MS上机过程的数据质控监测和分析； （3） 代谢组学上游分析原理——基于 Compound Discoverer 与 Xcms 软件； （4）XCMS软件数据转换与提峰； B3 R软件基础 （1）R和Rstudio的安装； （2）Rstudio的界面配置； （3）R的基本数据结构和语法； （4）下载与加载包； （5）函数调用和debug； B4 ggplot2 （1）安装并使用ggplot2 （2）ggplot2的画图哲学； （3）ggplot2的配色系统； （4）ggplot2画组合图和火山图； B5 学习资源分享 （1）代谢组学学习资料 （2）R语言学习资料 第三天 C1机器学习简介 （1）有监督学习与无监督学习 （2）生物信息中十大机器学习算法 C2无监督式机器学习在代谢组学数据处理中的应用 （1）大数据处理中的降维； （2）PCA分析作图； （3）三种常见的聚类分析：K-means、层次分析与SOM （4）热图和hcluster图的R语言实现； C3一组代谢组学数据的降维与聚类分析的R演练 (1)数据解析； (2)演练与操作； C4有监督式机器学习在代谢组学数据处理中的应用 （1）数据用PCA降维处理后仍然无法找到差异怎么办？ （2）PLS-DA找出最可能影响差异的代谢物； （3）VIP score和coef的意义及选择； （4）分类算法：支持向量机，随机森林 C5一组代谢组学数据的分类算法实现的R演练 (1)数据解读； (2)演练与操作； 第四天 D1代谢组学数据清洗与R语言进阶 （1）代谢组学中的t、fold-change和响应值； （2）数据清洗流程； （3）R语言tidyverse （4）R语言正则表达式； （5）代谢组学数据过滤； （6）代谢组学数据Scaling原理与R实现； （7）代谢组学数据的Normalization； （8）代谢组学数据清洗演练； D2在线代谢组分析网页Metaboanalyst操作 （1）用R将数据清洗成网页需要的格式； （2）独立组、配对组和多组的数据格式问题； （3）Metaboanalyst的pipeline和注意事项； （4）Metaboanalyst的结果查看和导出； （5）Metaboanalyst的数据编辑； （6）全流程演练与操作 第五天 E1机器学习与代谢组学顶刊解读（2-3篇）； （1）代谢组学和机器学习算法预测中国2型糖尿病的未来发展； （2）机器学习与代谢组学相结合，为胃癌诊断和预后指明方向 （3）1-2篇代谢组学与转录组学和蛋白组学结合的文献。 E2文献数据分析部分复现（1篇） （1）文献深度解读； （2）实操：从原始数据下载到图片复现； （3）学员实操。 授课时间 深度学习蛋白质： 2024.08.17-----2024.08.18全天授课（上午9:00-11:30下午13:30-17:00） 2024.08.23晚上授课（晚上19:00-22:00） 2024.08.24-----2024.08.25全天授课（上午9:00-11:30下午13:30-17:00） 2024.08.30晚上授课（晚上19:00-22:00） 2024.08.31-----2024.09.01全天授课（上午9:00-11:30下午13:30-17:00） 腾讯会议 线上授课（共七天授课时间 提供全程回放视频） 单细胞多组学： 2024.08.03-----2024.08.04全天授课（上午9:00-11:30下午13:30-17:00） 2024.08.05-----2024.08.06晚上授课（晚上19:00-22:00） 2024.08.10-----2024.08.11全天授课（上午9:00-11:30下午13:30-17:00） 腾讯会议 线上授课（共五天授课时间 提供全程回放视频） 机器学习代谢组学： 2024.08.10-----2024.08.11全天授课（上午9:00-11:30下午13:30-17:00） 2024.08.12-----2024.08.13晚上授课（晚上19:00-22:00） 2024.08.17-----2024.08.18全天授课（上午9:00-11:30下午13:30-17:00） 腾讯会议 线上授课（共五天授课时间 提供全程回放视频） 报名费用 深度学习蛋白质设计 公费价：每人每班￥6880元 （含报名费、培训费、资料费提供课后全程回放资料） 自费价：每人每班￥6480元 （含报名费、培训费、资料费提供课后全程回放资料） 单细胞多组学、机器学习代谢组学 公费价：每人每班￥5680元 （含报名费、培训费、资料费提供课后全程回放资料） 自费价：每人每班￥5380元 （含报名费、培训费、资料费提供课后全程回放资料） 优惠政策 优惠一：报二赠一：10880（原价18240元，三门课程都可以学习）   优惠二：提前报名缴费学员+转发到朋友圈或者到学术交流群可享受每人300元优惠（仅限15名） 报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销  培训福利      课后学习完毕提供全程录像视频回放，针对与培训课程内容 进行长期答疑，微信解疑群永不解散，参加本次课程的学员可免费再参加一次本单位后期组织的相同的 专题培训班（任意一期都可以） 报名咨询请扫下方微信二维码 联系人：陈老师                      报名咨询电话｜18339237911（同微信） 授课方式 授课方式及学员反馈 通过腾讯会议线上直播，从零基础开始讲解，1300余页电子PPT和教程提前发送给学员，所有培训使用软件都会发送给学员，附赠安装教程和指导安装，培训采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师针对与培训内容长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高 往期学员参会单位 有来自四川大学、四川师范大学、中国科学院大学、西安电子科技大学、陕西科技大学、东北林业大学、渤海大学、海南大学、广西中医药大学、北京化工大学、成都大学、香港浸会大学中医药学院、赣南师范大学、重庆陆军勤务学院、齐鲁工业大学、陕西科技大学、陕西师范大学、中科院大学 、浙江工商大学、成都中医药大学、上海交通大学、哈尔滨商业大学、中国人民解放军海军军医大学、西安电子科技大学、中国农业大学、南昌大学、新疆医科大学、山东农业大学、合肥工业大学、清华大学、华中农业大学、山东理工大学、北京工商大学、河南大学、江苏大学、江南大学、大连工业大学、华南理工大学、华南农业大学、成都中医药大学、东北林业大学、北京大学、浙江大学、浙江工业大学、中南大学、复旦大学、南京农业大学、齐鲁工业大学、东北大学、国防科技大学、江苏海洋大学、华东理工大学、华中科技大学、湖北大学、中国医学科学院、西南大学、中南大学湘雅医院、山西省人民医院、中国药科大学、西安市中医医院、首都医科大学附属北京友谊医院、上海市第十人民医院、协和药物研究所、中国农业科学院基因组研究所、广州中医药大学、上海中医药大学、上海理工大学、成都中医药大学、北京中医药大学、武汉大学、香港大学、安阳工学院、沈阳药科大学、中山大学肿瘤防治中心、山东中医药大学、宁波大学、宁夏大学、山东大学、甘肃中医药大学、医学院附属仁济医院、杭州医学院、广州医科大学附属肿瘤医院等工程师老师学生参会，还有许多因为时间冲突没法参加。这次，我们诚挚邀请您来参加！                                    引用往期参会学员的一句话：  发现真的是脚踏实地的同时  需要偶尔仰望星空 非常感谢各位对我们培训的认可！  祝愿各位心想事成！ 声明：此内容由第三方提供、授权发布或者转载自第三方；本内容一切版权及连带责任由第三方负责，与本公众号无关。据此内容作出的任何判断，后果自负。

2023全国高等教育硕士研究生报名须知教育部、国家发改委、财政部联合印发《关于加快新时代研究生教育改革发展的意见》，表示要将“硕士研究生招生规模稳步扩大。”并且，教育部明确提出要扩大研究生招生规模。为积极落实国家研究生扩招政策，保障基层人员考研需求，特开通一次硕士研究生专属报名通道，本次仅招50人，截止报名时间10月11日，本周三22:00。各省人员均可在规定时间内报名，具体报名工作安排如下：No.1 学历形式教育层次：高等教育研究生三种形式：专业硕士/同等学力申硕/国际研招学历查询：国家认可，中国高等教育学生信息网（学信网）可查学习形式：在职学习/全日制学习学习优势：方便灵活，工作学习两不误No.2 选报院校全国各所大学（部分院校有政策变动，具体以招生简章为准）北京大学、清华大学、中国人民大学、西北大学、宁夏大学、兰州大学、四川大学、西南财经大学、西南大学、四川外国语大学、云南大学、青海大学、安徽大学、河南大学、南京师范大学、福建师范大学、福州大学、华侨大学、东北师范大学、天津商业大学、中国传媒大学、河北大学、山东大学、山西大学、复旦大学、华东师范大学、浙江工商大学、浙江财经大学、南昌大学、湘潭大学、湖南大学、华南农业大学、暨南大学、广西民族大学、海南大学、华中师范大学、中南财经政法大学、西安交通大学等。No.3 报名条件及流程报名条件（以管理类联考为例，具体请加老师咨询）1.具有国家承认的大学本科毕业学历后，有三年或三年以上工作经历者。2.具有国家承认的大专毕业学历毕业学历后，有五年或五年以上工作经历者。3.已获硕士、博士学位，并有两年或两年以上工作经历者。↓在职研究生相关问题请扫码咨询↓ 院校详情·专业选择·课程学习扫码添加老师，申请助学金名额，限前3名报名流程1、报名时间>10月11日22:00提交本期最后一批次培训报名信息2、报名方式 >网上报名：填写报名登记表通过资格审核，由老师线上代办完善报名手续；报名材料（以下资料都由微信发送，仅作报名使用）A：身份证正反扫描件、最高学历毕业证或者学生证扫描件B：一寸蓝底电子版照片（384*512规格，jpg格式）C：填写新生报名登记表No.4 专业招生计划管理类联考（具有大专或本科学历后并具备一定工作年限后可报名）专业类别招生层次招生人数授予学位MBA 硕士研究生5工商管理专业硕士学位MPA硕士研究生7公共管理专业硕士学位MPAcc硕士研究生2会计专业硕士学位MEM硕士研究生4工程管理专业硕士学位图书情报硕士硕士研究生2图书情报硕士学位旅游管理硕士硕士研究生2旅游管理硕士学位审计硕士硕士研究生4审计硕士学位大硕士（具有大专或本科学历后并具备一定工作年限后可报名）专业类别招生层次招生人数授予学位应用心理学硕士研究生2应用心理学专业硕士学位护理学专业硕士研究生4护理学专业硕士学位教育学专业硕士研究生3教育学专业硕士学位农业硕士硕士研究生3农学硕士学位法律硕士硕士研究生3法学硕士学位免统考（具有大专或本科学历后并具备一定工作年限后可报名）专业类别招生层次招生人数授予学位同等学力申硕在职研究生3视院校专业而定国际研招在职研究生4视院校专业而定↓更多院校专业请扫码咨询↓ 院校详情·专业选择·课程学习扫码添加老师，申请助学金名额，限前3名No.5 研究生优势1、毕业双证：毕业后可获研究生学历证和硕士学位证，且在职研究生与全日制研究生证书具有同等法律效力，证书官网可查，社会认可度高。2、人脉扩张：读研期间积累人脉，结识众多顶尖、知名人物，获得更好的交流机会。为以后积累非常重要的资源路径；3、增加专业知识：读研的过程就是一种知识的扩充或实践，是一种上升的学习形式，通过导师授课，可以掌握其他学习理论或学习方法；4、薪资待遇：学历不一样，薪资待遇当然也不一样，提升核心竞争力，获得更大的职业发展空间。No.6 助学金减免招生条件现在咨询报名还可申请助学补贴，满足以下任一条件即可申请！1.本科学历证书（包含成人学历）2.本省户籍3.获奖证明（工作或学校）4.公共事业单位↓助学金条件查询请扫码咨询↓ 院校详情·专业选择·课程学习扫码添加老师，申请助学金名额，限前3名特别提醒1.为避免报考时网络拥堵，现对本次报名学员优先注册，可根据考生意愿优先就近选择考试地点；2.报名时应仔细阅读报名相关事项，提交的报名材料信息须真实、准确、有效。对提供信息不实且影响报名审核的，一经发现，即取消报名资格；3.新生报名务必在规定时间内进行，超过截止时间，视为自动放弃。【免责声明】1.“药闻康策”部分文章信息来源于网络转载是出于传递更多信息之目的，并不意味着赞同其观点或证实其内容的真实性。如对内容有疑议，请及时与我司联系。2.“药闻康策”致力于提供合理、准确、完整的资讯信息，但不保证信息的合理性、准确性和完整性，且不对因信息的不合理、不准确或遗漏导致的任何损失或损害承担责任。3.“药闻康策”所有信息仅供参考，不做任何商业交易或医疗服务的根据，如自行使用“药闻康策”内容发生偏差，我司不承担任何责任，包括但不限于法律责任，赔偿责任。