Xidian University

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。

动脉网独家获悉，为麦智能科技（北京）有限公司（以下简称"为麦医疗"）宣布完成数千万元的A轮融资。本轮融资由国兴投资管理的厦门国贸产业基金独家投资，融资资金将主要用于推进产品研发升级、加强学术推广力度，以及销售体系和渠道建设。同时，为麦医疗也将继续深化围术期体温管理第一品牌，巩固数字化生命体征管理第一品牌的市场地位。以此为契机，为麦医疗将同中红普林医疗用品股份有限公司（以下简称"中红医疗"）开展深度业务合作，包括销售渠道的共享、跨学科技术融合以及双方品牌共建等。中红医疗是全球500强企业厦门国贸的控股子公司，创业板上市公司（股票代码300981），国务院国资委"世界一流专精特新示范企业"。为麦医疗是一家从事创新性高端医疗器械和医疗服务的研发、生产、销售的高科技企业集团，专注于患者生命体征的数字化管理，并向临床提供针对不同场景的生命体征监测解决方案。为麦医疗的总部位于北京，下分设研发中心、生产中心、营销中心和管理中心。2014年成立至今，为麦医疗已发展至百余人的规模。其中，核心研发团队具有多学科、多领域的行业经验，并且绝大多数均来自行业资深研究院所、迈瑞医疗、华为等各领域的头部企业。在团队带领下，公司累计已取得了100余项专利，20多项软件著作权和12张医疗器械注册证。强强联手全面深化多渠道合作，共建品牌联合体通过本轮融资，为麦医疗将加深与中红医疗间的合作关系，充分发挥、共享双方的市场优势、人才优势和技术优势，加快其技术产品往智能化、数字化等方向的进一步迭代，推动为麦医疗完成产品和商业模式的一次新跳跃。借助其上市公司的品牌影响力和为麦医疗的优势技术产品，双方将实现销售渠道共享、价值共享，共同开拓更加广阔的生命体征和健康管理市场。此外，中红医疗在全国设有六大生产基地与六大研发平台。双方也将依托彼此在全国范围内的多中心战略布局，进行跨学科的技术交流、融合与持续创新。通过建立品牌联合体的方式，用数字化、实时化、智能化、自动化的生命体征管理解决方案，帮助医院和患者获得更好的医疗结果、服务效率及服务质量。一次佩戴、全程监测，打造多场景下的数字化解决方案从创新优势来看，为麦医疗已主要完成了三大核心技术平台的建设，分别是多频分时复用无线技术，超高精度数据还原重构技术和基于边缘计算的边云协同技术，并形成数字化体温管理解决方案、数字化生命体征管理解决方案两条产品线，为医疗服务现代化提供了多种场景下的可穿戴的数字化生命体征管理解决方案。首先，围术期体温管理的数字化解决方案主要由三部分组成：无线测温传感器、主动保温系统和数字化质控软件。  无线可穿戴体温传感器 受访者供图无线测温传感器和主动保温系统的配合完成了测温保温的闭环管理，同时也完成了整个围术期体温数据的数字化，因此在体温数字化的基础之上，数字化质控软件就能够通过大数据算法和人工智能完成麻醉质控系统中的体温相关的指标的数字化提取，这与我国2023年印发的《数字中国建设整体布局规划》相契合。体温是人体生命五大体征之一，保持体温恒定是保证机体新陈代谢和正常生命活动的必要条件。据公开资料显示，体温下降1℃，基础代谢下降12%左右，免疫力会下降30%左右。随着临床和家庭场景下对持续测温功效价值关注度的不断提升，凭借出色的产品性能和临床反馈，数字化体温管理解决方案的应用场景也在进一步丰富。据介绍该解决方案已成功走出手术室，或将成为医院病房及家用持续测温的优选。为麦医疗也以严肃医疗为基础，面向消费医疗这个更广阔的市场，为体温管理行业带来新的定义和发展潜力。数字化生命体征管理解决方案是为麦医疗的第二条产品线。该解决方案以为麦医疗自研的以移动式多参数监护仪为依托，以可穿戴监护仪的信息采集、传输和分享功能为基础，以持续性的生命体征的数字化为核心，形成完整的病程生命体征数据流、信息流，并构建多种场景下的数字化生命体征解决方案。  多参数无线监护仪 受访者供图数字化生命体征解决方案还能结合具体的临床场景实现多种智能化和可扩展性的应用和解决方案。目前，为麦医疗已经落地应用的场景化解决方案包括无痛诊疗移动监护解决方案、数字化卒中中心解决方案和心血管疾病管理解决方案，能帮助麻醉科、心血管内科、康复中心、急救车、急诊科、外科及老年等科室进行不间断的生命体征监测和生命体征大数据的建设及应用。覆盖17个省市近500家医院，构建产学研医融合创新体系疫情过后，中国监护仪市场的品牌集中度较高，可谓是一片“红海”，并且其中不乏国外和国内巨头的身影。但随着人口老龄化程度的加深，以及在政策推动下监护设备的需求量仍在稳步提升。若想在红海市场中找到蓝海，首先要对临床需求进行了解。成立近十年，面对根深蒂固的对手，为麦医疗没有选择在价格中或者在推销中作降价竞争，而是坚持只做创新型产品和临床强需求产品。所研产品均以患者为中心，以临床有效性和安全性为基础，以技术创新为核心，打造真正满足临床需求的产品体系。这也是为麦医疗能在竞争中脱颖而出的重要发展逻辑。据介绍，为麦医疗的数字化解决方案已覆盖17个省市的近500家医院，并且产品获得了众多对医疗质量和医疗服务要求极高的大型三甲医院的认可，每个省市的TOP 3医院均在使用。近年来，为麦医疗销售额的年增长率均在100%左右。医疗设备研发的很多环节都离不开临床医生与医学工程专家的紧密合作。为麦医疗也在不断加深与各大医院间的合作，加强临床应用创新研究，加快数字化医疗器械发展。例如，公司与首都医科大学宣武医院合作开发了数字化卒中中心解决方案，与中国人民解放军总医院合作开发了心血管疾病管理解决方案等。这些医工合作成果将推动三甲医院解决方案向基层医疗机构辐射传递，满足心血管、脑卒中等疾病的患者希望在家门口获得优质医疗资源的迫切需求，并推动“健康中国2030”事业的发展。除了医工深度结合外，随着技术产品的不断迭代升级，为麦医疗也在人工智能、云计算等领域揽聚众多行业领先人才，并进行前沿技术探索。为麦医疗与中国科学院、西安电子科技大学、北京师范大学以及西北工业大学等研究机构和高校开展了深度合作。未来，以“数字化智慧医疗生态系统引领者”为目标的为麦医疗，将会打造更多医疗场景下的智能化升级产品，如将数字化卒中中心解决方案拓展至神经性疾病的全病程管理，全面构建数字化、智慧化医疗全场景建设，成为行业内领先的创新型智慧医疗解决方案供应商。为麦医疗创始人、CEO尹士畅表示：为麦医疗已建立软硬件结合下的多生命体征监测的场景化解决方案，为麦给自己的定位是数字化智慧医疗生态系统的引领者，这里面有几个关键词，数字化指的是为麦的技术，包括工业无线传输技术、基于数据重构的高精度还原技术、边缘协同技术以及机器学习技术等等，这个是为麦的基础也是为麦的核心，以这个为基础切入临床的强需求，比如质控的需求、诊疗水平提升的需求等，为临床构建一个软硬件相结合的场景化解决方案，这就是所说的智慧医疗。这个智慧医疗的本身除了解决临床的需求之外，还在于为麦通过这套解决方案建立了和患者以及和医生之间的连接关系，通过这个链接关系让医生认识到为麦产品的性能和特点，让患者意识到为麦属于严肃医疗的范畴。有了这层连接关系，为麦就可以将医疗的服务拓展到院外来应用，比如脑卒中的诊后管理，体温的数字疗法等，而这就是为麦所谓的覆盖患者的院前、院中以及院外的生态系统。国兴投资副总经理檀文表示：为麦医疗具有无线生命体征监测的技术优势和创新升级能力，尤其对于“核心体温”的无创式监测，解决了围术期核心体温监测的技术难题，该核心能力为未被满足的重大临床需求，为医疗行业所稀缺，为公司在未来的发展中提供了核心竞争力。为麦医疗的创新技术在麻醉领域有广阔的市场空间，具备业绩高成长性，并且结合临床需求，不断开拓和升级解决方案，打造数字化的生命体征场景化解决方案。期待为麦医疗以其技术优势和不断创新的发展理念，发展成为智慧医疗领域的引领者和佼佼者，不断填补临床需求，惠及患者群体。  中红医疗总裁杨浩表示：中红医疗创新孵化事业部目前正大力开拓麻醉重症领域相关业务。公司业务团队与为麦医疗经过近一年的沟通和磨合，在为麦温度监测产品等的市场前景方面达成广泛共识。业务上的深度合作是水到渠成，强强联合。中红医疗拥有强大的渠道优势，国内销售团队百余人，覆盖全国3000余家等级医院。为麦医疗研发实力突出，能紧跟政策导向，从实际临床需求出发，解决医护患的临床痛点。合作的效果将是1+1远大于2的。双方也将以此为起点，探索更多新产品的研产销合作，同时也会有更多更进一步合作的可能和机会。国兴投资公司旗下拥有四个在中国证券投资基金业协会登记的基金管理平台。管理的基金包括VC、PE、FOF、CVC等13只多种类型基金，在管总规模140亿元人民币。公司总部位于厦门，以研究驱动投资，专注于新一代信息技术、新能源、新材料、医疗大健康等新兴产业领域。国兴投资积极布局医疗大健康领域创新企业，充分发挥自身平台优势及资源，先后投资了包括北芯生命、赛克赛斯、赛诺邦格、致善生物等在内的项目，在医疗领域拥有丰富的产业资源。坚守“明德、驭势、专业、共赢”的价值观，国兴投资致力于成为企业最值得信赖的长期合作伙伴，共同创造良好收益。中红医疗中红医疗（股票代码300981）是国家高新技术企业，入选国务院国资委全国200家“世界一流专精特新示范企业”，中国医疗器械上市公司50强。公司从事高品质一次性健康防护用品、医用无菌器械等医用耗材与设备的研发、生产与销售，拥有健康防护、安全输注、创新孵化三大事业部，在全国设有六大生产基地与六大研发平台，致力于成为全球领先的综合型医疗健康用品及服务供应商。文|季嘉颖微信|MEAND_er添加时请注明：姓名-公司-职位网站、公众号等转载请联系授权：Rekkiiie近期推荐声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。动脉网，未来医疗服务平台

近日，由中国科学院、中国工程院主办，中国科学院学部工作局、中国工程院办公厅、中国科学报社、山东省科学技术厅、烟台市人民政府承办的中国科学院院士和中国工程院院士投票评选的2023年中国十大科技进展新闻、世界十大科技进展新闻于山东烟台揭晓。中国科学院副院长、党组成员常进，中国工程院副院长、党组成员钟志华，山东省委常委、烟台市委书记江成，山东省副省长、省政府秘书长宋军继出席会议并致辞。常进、钟志华分别揭晓了2023年中国十大科技进展新闻和2023年世界十大科技进展新闻，并与江成、宋军继一同为2023年中国十大科技进展新闻入选团队颁发纪念证书及纪念牌。中国科学院原党组副书记、中国科学技术大学原党委书记郭传杰，中国科学院原副院长、中国科学院院士詹文龙，以及来自中国科学院和中国工程院的多名院士一同出席发布会。此项年度评选活动至今已举办了30次。评选结果经新闻媒体广泛报道后，在社会上产生了强烈反响，使公众进一步了解国内外科技发展的动态，对普及科学前沿知识起到了积极作用。2023年中国十大科技进展新闻01全球首座第四代核电站商运投产我国具有完全自主知识产权的国家科技重大专项——华能石岛湾高温气冷堆核电站示范工程12月6日商运投产，成为世界首个实现模块化第四代核电技术商业化运行的核电站，标志着我国在高温气冷堆核电技术领域实现了全球领先，对推动我国实现高水平科技自立自强、建设能源强国具有重要意义。高温气冷堆是国际公认的第四代核电技术先进堆型，是世界核电未来发展的重要方向。在丧失所有冷却能力的情况下，不采取任何干预措施，反应堆都能保持安全状态，不会出现堆芯熔毁和放射性物质外泄。该示范工程是世界首座球床模块式高温气冷堆项目，位于山东省荣成市，由中国华能牵头，联合清华大学、中核集团共同建设，2006年被列入国家科技重大专项，2012年开工建设。中国华能集中产业链上下游优势资源，联合开展关键技术攻关和核心设备研制，研制出2200多套世界首台（套）设备，设备国产化率达93.4%。02神舟十六号返回 空间站应用与发展阶段首次载人飞行任务圆满完成北京时间10月31日8时11分，神舟十六号载人飞船返回舱在东风着陆场成功着陆，现场医监医保人员确认航天员景海鹏、朱杨柱、桂海潮身体健康状况良好，神舟十六号载人飞行任务取得圆满成功。神舟十六号载人飞船于2023年5月30日从酒泉卫星发射中心发射升空，随后与天和核心舱对接形成组合体。作为首批执行空间站应用与发展阶段载人飞行任务的航天员乘组，3名航天员在轨驻留154天，其间进行了1次出舱活动和中国空间站第四次太空授课活动，配合完成空间站多次货物出舱任务，为空间站任务常态化实施奠定了基础。此次任务是我国载人航天工程进入空间站应用与发展阶段的首次载人飞行任务，在航天员乘组和地面科研人员密切配合下，开展了人因工程、航天医学、生命生态、生物技术、材料科学、流体物理、航天技术等多项空间科学实（试）验，在空间生命科学与人体研究、微重力物理和空间新技术等领域取得重要进展，迈出了载人航天工程从建设向应用、从投入向产出转变的重要一步。03超越硅基极限的二维晶体管问世芯片是信息世界的基础核心，传统晶体管因接近物理极限而制约了芯片的进一步发展。原子级厚度的二维半导体理论上在未来节点更具潜力，但受限于其技术瓶颈，至今所有二维晶体管均不能媲美业界硅基器件。北京大学彭练矛院士、邱晨光研究员团队构筑了10 纳米超短沟道弹道二维硒化铟晶体管。创造性地提出“稀土钇元素掺杂诱导二维相变理论”，并发明了“原子级可控精准掺杂技术”，从而成功克服了二维领域金属和半导体接触的国际难题，首次使得二维晶体管实际性能超过业界硅基10纳米节点Fin晶体管和国际半导体路线图预测的硅极限，并且将二维晶体管的工作电压降到0.5V，室温弹道率提升至所有晶体管最高纪录的 83%，研制出国际上迄今速度最快、能耗最低的二维晶体管。相关成果3月22日发表于《自然》。04我国科学家发现耐碱基因可使作物增产我国盐碱地面积达1亿公顷，占世界盐碱地总面积的近十分之一，全球气候变化、淡水缺乏及化肥大量使用，使可耕土地盐渍化速度加快。为了更好地利用盐碱地资源，中国科学院遗传与发育生物学研究所谢旗研究员科研团队与国内多家科研机构和院校合作，经过多年研究发现主效耐碱基因AT1，可以显著提高高粱、水稻、小麦、玉米、谷子等作物在盐碱地上的产量，且在改良盐碱地的综合利用中具有重大应用前景，有望为我国粮食安全发挥重要支撑作用。该成果3月24日发表于《科学》。05天问一号研究成果揭示火星气候转变在太阳系的行星中，火星与地球最为相似，火星的现状和演化历程，被认为可能代表着“地球的未来”，针对火星气候演化的探测研究长期以来备受关注。风沙作用塑造了火星表面广泛分布的风沙地貌、沉积，记录了火星演化晚期和近代气候环境特征和气候变化过程。但由于缺乏就位、近距离详细系统的科学观测，我们对火星风沙活动过程和记录的古气候知之甚少。针对这一科学问题，中国科学院国家天文台李春来团队，联合中国科学院地质与地球物理所郭正堂团队、中国科学院青藏高原所、美国布朗大学和天问一号任务工程团队，瞄准火星乌托邦平原南部丰富的风沙地貌，利用环绕器高分辨率相机、火星车导航地形相机、多光谱相机、表面成分分析仪、气象测量仪等开展了高分辨率遥感和近距离就位的联合探测，提取了沙丘形态、表面结构、物质成分等信息，分析了其指示风向和发育年龄，发现了着陆区风场发生显著变化的层序证据，并与火星中高纬度分布的冰尘覆盖层记录有很好的一致性，揭示了祝融号着陆区可能经历了以风向变化为标志的两个主要气候阶段，风向从东北到西北发生了近70度的变化，风沙堆积从新月形亮沙丘转变为纵向暗沙垄。这一气候的转变，发生在距今约40万年前的火星末次冰期结束时，可能是由于自转轴倾角的变化，火星从中低纬度到极地地区，发生了一次“冰期-间冰期”的全球性气候转变。该项研究有助于增进我们对火星古气候历史的理解，为火星古气候研究提供了新的视角，也为地球未来的气候演化方向提供了借鉴。相关研究成果7月7日发表于《自然》。06我国首个万米深地科探井开钻5月30日上午，中国石油塔里木油田公司深地塔科1井开钻入地。深地塔科1井开钻，旨在探索万米级特深层地质、工程科学理论，标志着我国向地球深部探测技术系列取得新的重大突破，钻探能力开启“万米时代”。深地塔科1井位于新疆阿克苏地区沙雅县境内，紧邻埋深达8000米的富满10亿吨级超深油气区。这口井设计井深1.11万米，设计钻完井周期457天，将创造全球万米深井钻探用时最快纪录。该井采用的是我国自主研制的全球首台1.2万米特深井自动化钻机。与普通钻机相比，这台钻机的载重提升能力由三四百吨提高到最大900吨，相当于能同时吊起150头6吨重的成年大象。为保障万米级特深井“打成、打快、打好”，中国石油攻关研发智能控制一体化平台、钻井自主决策工控系统、超高重载井架底座等一批关键核心技术装备，自主研制国际领先的智能钻机，成功产出1.2万米特深井自动化钻机，为万米深地工程科学探索研究提供装备和技术保障。07液氮温区镍氧化物超导体首次发现7月12日，《自然》杂志刊登了中山大学王猛教授团队与清华大学、华南理工大学等单位合作的成果：首次发现在14 GPa压力下达到液氮温区的镍氧化物超导体。这是由我国科学家率先独立发现的全新高温超导体系，是人类目前发现的第二种液氮温区非常规超导材料，是基础研究领域的重要突破。这一研究成果将有望推动破解高温超导机理，使设计和预测高温超导材料成为可能，使超导在信息技术、工业加工、电力、生物医学和交通运输等领域实现更广泛的应用。08FAST探测到纳赫兹引力波存在证据由中国科学院国家天文台等单位科研人员组成的中国脉冲星测时阵列研究团队，利用中国天眼FAST，探测到纳赫兹引力波存在的关键性证据，表明我国纳赫兹引力波研究与国际同步达到领先水平。相关研究成果于北京时间6月29日在我国天文学术期刊《天文与天体物理研究》在线发表。12月14日，相关成果入选《科学》杂志2023年度十大科学突破。当前，纳赫兹引力波研究已经成为物理和天文领域国际竞赛的焦点之一。然而，纳赫兹引力波频率极低、周期长达数年，其波长可达数光年，对它的探测极具挑战性。利用大型射电望远镜对一批自转极其规律的毫秒脉冲星进行长期测时观测，是目前已知唯一的纳赫兹引力波探测手段。值得一提的是，欧洲脉冲星测时阵列—印度脉冲星测时阵列、北美纳赫兹引力波天文台和澳大利亚帕克斯脉冲星测时阵列等脉冲星测时阵列合作组也在同一时间宣布了相似的结果。据中国科学院国家天文台研究员、北京大学研究员李柯伽介绍，国际上4个团队分别独立获得纳赫兹引力波存在的关键证据，这使得研究结果可以相互印证，进一步提高了这一成果的准确性。09世界首个全链路全系统空间太阳能电站地面验证系统落成启用空间太阳能电站（SSPS）是解决能源危机、实现可持续发展的终极答案之一。工程院旗舰刊物《Engineering》于2023年11月30日系统报道了西安电子科技大学段宝岩院士团队完成的逐日工程——世界首个全链路、全系统SSPS地面验证系统，阐述了欧米伽SSPS创新设计方案、理论创新、技术突破、工程实现及实验结果。远距离高功率微波无线传能效率（距离55m，发射2081瓦，波束收集效率87.3%，DC-DC传输效率15.05%）与功质比等主要技术指标世界领先。逐日工程突破的远距离高功率微波无线传能技术，应用前景广阔。在太空，可助力构建空间能源网、空间充电桩，破解空间算力、星上信息处理、空间攻防及超远程探测的供电难题。在陆海空，可为空中飞艇、无人机群、海上移动平台、灾害及边远区域无线供电。10科学家阐明嗅觉感知分子机制大多数动物（包括人类）均拥有一套主嗅觉系统来识别挥发性的气味分子。大量的嗅觉受体通过“组合编码”的气味识别方式，帮助动物识别数以万亿计的气味分子。嗅觉受体可以分为三个家族，第I类是气味受体（OR）家族，第II类是痕量胺相关受体（TAAR）家族，OR和TAAR都属于A类G蛋白偶联受体（GPCR）家族，第III类是非GPCR嗅觉受体。山东大学孙金鹏教授团队和上海交通大学医学院李乾研究员团队合作，应用冷冻电镜技术解析了TAAR家族成员之一的小鼠TAAR9（mTAAR9）受体在4种不同配体结合条件下与Gs/Golf（嗅觉特异性Gα）蛋白三聚体复合物的结构，进一步结合药理学分析揭示了mTAAR9感知配体后被激活的分子机制。同时，该研究也提出了嗅觉受体“组合编码”识别配体的结构机制，阐明了II类嗅觉受体独特的激活方式。该研究阐释了II类特异嗅觉受体感知气味的分子机制，为嗅觉受体家族识别配体奠定了理论基础，对开发靶向嗅觉受体的新药也有重要意义。相关研究成果5月24日发表于《自然》。2023年世界十大科技进展新闻01科学家绘制迄今最全人脑细胞图谱10月13日，刊发在美国《科学》《科学进展》和《科学-转化医学》杂志上的21篇论文公布并阐释了迄今最全的人类大脑细胞图谱。多国科学家参与的这一系列研究揭示了3000多种脑细胞类型的特征，将有助于深入理解人类大脑的独特之处并推进脑部疾病和认知能力等研究。据悉，上述研究是美国国立卫生研究院“推进创新神经技术脑研究计划——细胞普查网络”的一部分，该计划于2017年启动，此次发表的论文是数百名科学家利用最先进的分子生物学技术进行的一系列合作研究的成果。科学家表示，这项研究为人们理解人类大脑的结构和功能提供了宝贵信息，将有助于进一步的研究和临床应用。它代表了科学界在解开大脑奥秘方面的重大突破，为未来的神经科学研究开辟了新方向。02人工智能首次成功从零生成原始蛋白质1月26日，美国Salesforce Research、Profluent Bio等机构在《自然-生物技术》上发表了一项研究成果，该研究创建了一个能够从头开始生成人造酶的人工智能（AI）系统。在实验室测试中，尽管人工生成的氨基酸序列与任何已知的天然蛋白质存在显著差异，但其中一些酶与自然界中发现的酶一样有效。该实验表明，虽然自然语言处理是为读写语言文本开发的，但至少可以学习一些生物学的基本原理。Salesforce Research公司开发了名为ProGen的人工智能程序，使用下一代标记预测将氨基酸序列组装成人造蛋白质。科学家表示，这项新技术可能比获得诺贝尔奖的“蛋白质设计技术——定向进化”更为强大，它将加速新蛋白质的开发，为已有50年历史的蛋白质工程领域注入活力。这些新蛋白质几乎可以用于从疾病治疗到降解塑料的任何领域。03全球最大实验性核聚变反应堆开始运行12月1日，欧洲聚变能组织(F4E)发布消息称，欧洲和日本共同建造和运营的核聚变反应堆JT-60SA正式投入运行。该反应堆为托卡马克装置，始于2007年，于2020年完成组装，并于今年10月23日点火成功。该装置位于日本量子科学技术研究开发机构（QST）那珂研究所，被视为世界上最先进的托卡马克，其启动运行是核聚变历史上的一个里程碑。JT-60SA计划是国际热核聚变实验反应堆计划（ITER，又称“人造太阳”计划）的先行项目。JT-60SA反应堆的目标是研究聚变作为一种安全、大规模和无碳的净能源的可行性，使它所产生的能量比消耗的能量更多。这两个项目的最终目标都是使内部的氢核融合成氦，以光和热的形式释放能量，模拟太阳内部发生的过程。据悉，核聚变可以通过不同的方式进行，其过程都比核裂变清洁度更高，不会产生放射性废物。如果实现经济的聚变反应，将大大减少甚至完全消除人类对化石燃料的依赖。04OpenAI正式发布GPT-43月15日，OpenAI发布了多模态预训练大模型GPT-4，这是其大型语言模型的最新版本。与此前的版本相比，GPT-4具备强大的识图能力，文字输入限制也提升至2.5万字；GPT-4的回答准确性也显著提升，还能够生成歌词、创意文本从而实现风格变化。同时，GPT-4在各类专业测试及学术基准上也表现优良。OpenAI称，该公司花费6个月的时间，利用对抗性测试程序和ChatGPT的经验教训迭代调整GPT-4，从而在真实性、可操纵性和拒绝超出设定范围方面取得了有史以来最好的结果。GPT-4的发布是人工智能应用的一个里程碑事件，人工智能可实现的功能越来越丰富，未来或将成为人类得心应手的工具。05卫星首次成功向地球传送太阳能 证明天基能源可信性6月1日，美国加州理工学院宣布，1月发射的一颗卫星已将微波束的能量导向太空中的目标，甚至还将一部分能量发送到地球的探测器上。该项目联合主任、加州理工学院电气工程师Ali Hajimiri指出：“这次的实验是一次概念验证，它表明了整个系统能够做什么。”该任务旨在更进一步开发轻便、廉价和灵活的部件。微波发射器是一个由32个平面天线组成的阵列，排列在比餐盘稍大的表面上。通过改变发送到不同天线的信号的时间，研究人员可以控制阵列的波束。他们把它对准一对微波接收器，然后随意将光束从一个接收器切换到另一个接收器，并点亮每个接收器上的LED。作为一种清洁、可再生的能源技术，天基太阳能利用技术被认为是实现零碳排放的可靠途径。06人类眼球首次移植成功美国纽约大学兰贡医疗中心的外科团队11月9日宣布，他们成功完成了世界上首次眼球移植手术。该手术由爱德华多·罗德里格斯带领的团队完成，为遭受严重眼部损伤的阿伦·詹姆斯恢复了部分视力。据悉，移植手术于今年5月进行，用时约21小时。手术过程中，外科团队从眼球供者的骨髓中提取成体干细胞，并在移植过程中将其注射到受者的视神经中，以期能取代受损的细胞并保护视神经。该团队表示，在手术后的六个月里，移植的眼球显示出明显的健康迹象，如血管功能良好等。尽管这只移植的眼球尚未恢复视力，但该团队认为，这一突破性成果将有助于相关医学领域的发展。目前该团队正在跟进监测，并期待找到这只眼球恢复视力的所有可能。07迄今最小粒子加速器问世10月18日，德国埃尔朗根-纽伦堡大学的研究团队成功制造出了世界上最小的粒子加速器，其长度仅为0.2毫米，可以装在笔尖上。相关研究成果已发表在《自然》杂志上。这一设备是第一个能够快速且聚焦良好的产生电子束的微型加速器，可将电子加速到每秒10万公里。该加速器采用了光波来加速粒子，通过数千根2微米高的硅柱排列成两条平行线，形成了一个狭窄的电子束。当他们制造出一个0.5毫米长的版本时，发现可以以更快速度加速电子，使电子携带的能量增加43%。这种新技术有望应用于医学领域，为医生提供新的治疗工具或为生物实验室提供小型消毒工具。这一创新为医学领域提供了新的可能性，未来我们可以期待更多关于小型粒子加速器的研究和应用。08科学家首次实现单原子X射线探测来自美国俄亥俄大学、阿贡国家实验室、伊利诺伊大学芝加哥分校等机构的科学家，首次拍摄到了单原子X射线信号，相关研究5月31日刊登于《自然》。在最新研究中，阿贡国家实验室的韦·哈拉等人将一个铁原子和一个铽原子插入各自的分子宿主内。为检测单个原子发出的X射线信号，他们在X射线探测器内加入了一个由位于样品附近的尖锐金属尖端制成的专用探测器来收集X射线激发的电子。当X射线照射到原子上时，核心能级的电子被激发，并通过重叠的原子/分子轨道隧穿到探测器尖端，获得的光谱能揭示原子的相关信息。研究团队强调，这项突破将为X射线和纳米科学领域开辟新天地。使用X射线检测和表征单个原子可能会催生量子信息、环境和医学研究微量元素检测等领域的新技术。这一成就也为研发先进的材料科学仪器开辟了道路。09全球首张昆虫大脑“地图”绘制完成来自英国剑桥大学、美国约翰斯·霍普金斯大学等多家顶尖机构的研究人员，首次完整地对“果蝇幼虫”的大脑连接组进行重建，绘制出第一张完整的昆虫大脑图谱，包括所有神经元和突触。这是了解大脑如何处理感官信息流并将其转化为行动的里程碑式成就。3月10日，《科学》杂志发表了这项研究成果。研究团队使用高分辨率电子显微镜扫描了果蝇幼虫的数千张大脑切片，在计算机分析的辅助下，最终生成的图谱包含3016个神经元和54.8万个突触。他们还开发了计算工具，以识别昆虫大脑中可能的信息流路径和不同类型的电路图案。这是有史以来第一张昆虫大脑“地图”，也是神经科学领域的一项里程碑式成就，使科学家更接近对思维机制的真正理解，为未来的大脑研究提供支持，并且还可能激发新的机器学习架构。10人类泛基因组首张草图发布5月10日，《自然》杂志发表了人类泛基因组参考的“初稿”，在3篇论文的合集中，人类泛基因组参考联盟（Human Pangenome Reference Consortium）发布了首张人类泛基因组参考草图，以及两个以这一参考图为基础的新遗传学研究发现。2003年，科学家们宣布，人类基因组序列图谱绘制成功。2022年，首个完整人类基因组序列发布，填补了人类基因组计划留下的空白。与前述两次基因主要来源于一个人不同，“泛基因组”草图是包括非洲、亚洲、美洲和欧洲的全球多地47人的脱氧核糖核酸（DNA）合集，地域和种族构成更多元化。研究人员指出，与使用原始的线性参考基因组相比，“泛基因组”使他们能够识别出更多的基因结构变异，比如基因复制或缺失等较大的基因组变动。研究人员计划不断完善人类基因组图谱，旨在到2024年年中对350人进行测序。识别微信二维码，添加生物制品圈小编，符合条件者即可加入生物制品微信群！请注明：姓名+研究方向！版权声明本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观点，不代表本站立场。