2024全基因组选择实操演练学习交流会会议通知
全基因组选择(Genomic selection, GS)是利用覆盖全基因组的高密度标记进行选择育种的新方法,简言之就是在全基因组范围内的标记辅助选择。全基因组选择作为新一代的育种技术,通过构建预测模型,根据全基因组估计育种值进行早期个体的预测和选择,从而缩短育种世代间隔,加快育种进程,节约成本,推动现代育种向精准化和高效化方向发展。统计模型作为全基因组选择的核心,极大地影响着全基因组预测的准确度和效率。传统预测方法基于线性回归模型,难以捕捉基因型和表型间的复杂关系。相较于传统模型,非线性模型具备分析复杂非加性效应的能力,机器学习(Machine Learning,ML)和深度学习(Deep Learning,DL)算法为解决大数据分析和高性能并行运算等难题提供了新的契机,因此,基于机器学习算法的全基因组选择进一步提高了选择的预测能力。
为了响应广大学员在该方向上的学习需求,北京金智研将于6月28~30日举办第三期全基因组选择学习交流会。届时,我们将邀请中国农业科学院作物科学研究所大数据智能育种创新团队首席、博士生导师李慧慧研究员为我们系统讲授基于机器学习和深度学习算法的全基因组选择课程。李老师长期从事基于高通量组学数据全基因组选择育种预测算法的研发和模型构建等生物信息学、统计基因组学和数量遗传学相关研究,实现了在计算机上模拟完整的育种选择过程、创制了高效分子辅助育种工具、创新了智能设计育种策略;在Molecular Plant, Nature Plants, Plant Biotechnology Journal, Trends in Plant Science等期刊发表第一/通讯作者45篇,研究成果获得2023年度海南省十大杰出农业科技成果;获国家基金委优秀青年科学基金项目资助,获中国农学会青年科技奖,并入选中国农科院“农科英才”领军人才;担任中国作物学会智慧农业专业委员会秘书长。
本次学习交流会,李老师做了精心的策划设计,仍然遵循理论学习+实操演练相结合的原则,兼顾身处不同学习阶段学员的需求,将从统计学基础知识、基因组选择概述入手,涵盖了利用经典统计(GBLUP,RRBLUP)和贝叶斯模型、基于机器学习算法的全基因组选择模型(SVM,KRR,RF,XGBoost,GBDT,LightGBM)、基于深度学习算法的全基因组选择模型(DNNGP)实现基因组预测;模型优化及实施目标群体预测;特别是相较于前面两期,新增了基于高通量基因组数据预测功能基因的深度学习模型以及利用高通量转录组数据预测功能基因的大语言模型。在此基础上,李老师团队对每个模型都会做详细的预测演示和交叉验证结果评价并实现可视化,带大家利用KNIME平台构建深度学习网络,最终让我们能够利用组学大数据基于深度学习算法开展全基因组预测。课时三天,干货满满,相信将为您呈现一场全基因组选择的视听盛宴。
培训形式
形 式:腾讯会议线上直播(免费回放三个月)
时 间:2024年6月28~30日
收费标准
学时3天,3200元/人(包含3个月的视频回放)。
优惠1:三人及以上成团,团购价2900元/人。
优惠2:早鸟优惠,6月15日之前报名并交费尊享3100元/人。
(温馨提示:两项优惠任选其一,不可叠加使用。)
报名方式
扫描或长按识别下方二维码,填写报名信息,提交并支付汇款,即为报名成功,报名截止于2024年6月27日17:00,届时报名通道将自动关闭。
交费方式
1. 转账汇款
收款单位:北京金智研生物科技有限公司
开户银行:中国工商银行股份有限公司北京中海凯旋支行
账号:0200205009200045825
2. 个人扫码支付
对于不能及时由单位转账的学员,可接受个人垫付的形式,我们在收到报名费后,会及时为您开具发票协助办理报销事宜。扫描下方二维码(支持公务卡、银联卡、信用卡)即可完成支付。如遇问题,请致电或微信:15210096658。
温馨提示:汇款时请备注“姓名+全基因组选择”
联系方式
电话:杨老师:15210096658(微信同号)
徐老师:15001277701,010-88608002
QQ:3442810497
北京金智研生物科技有限公司
2024年5月21日
2024全基因组选择实操演练学习交流会日程安排
日期 | 上午8:30-11:30 | 下午14:00-17:00 |
6月28日 星期五 | 统计理论及经典GS模型理论 | 实操课 |
基础统计学知识介绍 全基因组选择介绍 经典统计GBLUP,RRBLUP和贝叶斯模型介绍 交叉验证及模型评价 | R语言基础培训 基因型数据清洗 群体结构、亲缘关系构建 全基因组选择群体构建经典统计模型预测演示 BGLR软件包演示 实施目标群体预测 |
6月29日 星期六 | 机器学习理论 | 实操课 |
机器学习基本原理 基于机器学习算法的全基因组预测流程 SVM,KRR,RF,XGBoost,GBDT及LightGBM模型介绍 | 基于SVM,KRR,RF,XGBoost,GBDT及LightGBM模型实现基因组预测 模型优化及实施目标群体预测 基于高通量基因组数据预测植物功能基因的深度学习模型 |
6月30日 星期日 | 深度学习理论和实操 | 实操课 |
深度学习基本原理 基于深度学习算法的全基因组预测流程 DNNGP 3.1版本操作演示 | 基于高通量转录组数据预测植物功能基因的大语言模型 基于KNIME平台实现机器学习和深度学习的全基因组预测 |