生物信息工程师培训课程

华大的生物信息分析课程分三级 初级：生物信息分析员         报名参加认证考试的条件如下（满足其中一个就可以）：         a.参加了生物信息分析员的所有学员         b.生物信息专业在读本科生（大三及以上）、研究生可免修培训直接报名参加考试 中级：生物信息工程师         报名参加认证考试，需要符合以下2个条件之一：         a. 获得华大《生物信息分析员》认证证书（就是通过初级课程和考试）         b. 生物学、计算机学、统计学、生物信息学等专业，从事生物信息分析相关工作1年以上（已经工作的人找单位开个工作证明就行，so easy！） 高级：生物信息分析专家（分四个方向：复杂疾病，微生物，动植物，癌症）         高级的认证考试要求比较高，必须参加了高级课程（包括线上和线下的）而且通过了中级考试认证。两个条件都满足才可以划重点：仅目录，想看教学视频请移步华大基因学院慕序平台（收学费的呦，618，双十一经常会有优惠~~）    为什么要用Gene-based关联分析     Gene-based关联分析方法     相关概念介绍     生存曲线的比较     COX回归分析     表型方差计算与疾病预测概念及方法     基因交互的概念与分析方法     案例分享一，二     总结     概述     外显子和目标区域测序分析的整体流程     基于群体的变异检测     样本，SNPs QC     基于SNPs-based关联分析     连锁分析     Meta分析     案例分享     GWAS基本概念介绍     GWAS实验设计     样本的质控     Case-control常用统计术语     Case-control常用统计检验方法     项目案例分享

目前有有科研服务和临床检测两个方向，有硕士学历可以依靠生物学基础优势从科研服务做起。一般有生物信息分析工程师，和生物信息研发工程师，前者其实对编程基础要求不高，更多的是关注生物学问题，可能需要python 基础，只要能简单地利用内置的一些数据结构如列表，字典，集合，文件读取写入操作，以及循环判断等来进行数据的操作就行了。因为sci论文对绘图有要求，所以可能还需要R来绘图。可以考虑往第二者或者云平台开发等IT岗位发展，生物信息研发工程师一般要求能写流程，懂得性能测试，知道机器学习等统计算法，总的来说要求更高的综合能力。

1.编程

Linux：会用Editor(. VIM) 和 Shell Script (. bash)；推荐《鸟哥的Linux私房菜-基础学习篇》

PythonPerl：《Python编程入门（第3版）》，Perl推荐小骆驼

RMATLAB：《R语言实战（R in action）》

如果做数据库或者server，推荐再学PHP，MySQL，JavaScript

2.课程

Bioinformatics： 生物信息导论和方法（北大高歌老师的课程，讲解逻辑清晰，由浅入深），MOOC。

因为生信有好多分支，如对基因组、蛋白质组学数据分析并给出生物学解释；在研究算法方面，如利用机器学习的各种原理来解决生物学问题（对基因序列原件的注释，如对TSS，splicing sites，promoters，enhancers，positioned nucleosomes等功能区域的注释；通过对RNA-seq，microarray，ChIP-seq等数据的分析，区分不同的疾病类型或疾病的分子标志物（biomarkers）；对基因功能的注释，如Gene Ontology term；以及基因间互作调控网络的分析）；比如运用统计学知识改进已有的生信软件的算法，等等。可以根据将来要做什么继续补充知识，比如看一下斯坦福大学的Andrew Ng在coursera的机器课程呀 ，看一下统计学原理呀之类的。

3.文献和实战练习

如果是做基因组学的生信公司

RNA数据分析流程

RNA-seq：可以重复一下文章中的分析Differential gene and transcript expression analysis of RNA-seq experiments with TopHat and Cufflinks当然入门之后可以更多了解相关软件啦，比如STAR，feature counts, Gfold, EdgeR, DESeq2,DESeq等。

找lncRNA：Recurrently deregulated lncRNAs in hepatocellular carcinoma. 这篇文章中有如何找新lncRNA的流程，可以根据文章提供的方法重复一下。

DNA数据分析流程

GATK那一套流程检测

同时variant与疾病、eQTL等关联分析的话，可以了解一下STATA

结合机器学习和基因组学的话，可以看一下以下文献：

DeepVariant：由谷歌Deep mind公司研发，利用卷积神经网络（convolutional neural network, CNN）检测基因组上单碱基突变（SNP）和小的插入缺失（Indel），比现有的GATK软件有更高的精确度。

DeepWAS：根据功能单元选择出一组SNP的集合，与现有的基因组关联分析（GWAS）检测基因组上一个SNP与疾病的关系相比，DeepWAS能够更综合地分析致病基因突变，在寻找调控区域的基因突变也更为直接。DeepSEA：预测人类基因组非编码区有功能的变异。

DeepBind：预测DNA，RNA结合蛋白的序列特征，并能识别有害的基因突变。

DeepCpG：在表观遗传学层面上，应用深度神经网络算法，研发了通过单细胞测序的DNA序列和不完整的甲基化修饰数据的，用来预测细胞细胞层面是否会发生甲基化，其效果优于现有软件。