iFlora生物信息学中心开始招人了

我们“iFlora生物信息学中心”隶属中国科学院昆明植物研究所西南野生生物种质资源库,由寸玉鹏研究员领衔组建。我们主要从事机器学习为主的生物信息算法研究,开展植物多样性与系统发育基因组学、比较和功能基因组学的研究。研究组网页: https://cunlab.org。

 

欢迎生物信息学、数量/理论群体遗传学、信息学类、统计/数学专业的博士、硕士申请!

我们对专业能力及要求:

1.  至少熟练拥有一种或多种语言的编程能力:R, Python, C/C++;

2.  具有较强的统计学建模基础或算法的软件实现经验;

3.  已取得以下专业博士学位或具有相关经验的申请者优先:数量遗传学;图论理论;以二代和三代测序数据为主的高通量数据处理;生物网络分析;机器学习与模式识别;深度学习;统计学和R 语言编程;

4.  语言能力:具有良好的中英文的写作和语言交流能力;

5.  对科学有强烈的兴趣、并具备良好的合作精神和对工作孜孜以求的旺盛精力。

具体研究方向: Continue reading “iFlora生物信息学中心开始招人了”

欢迎葛林梅加入我们的团队

葛林梅硕士毕业于浙江大学,2018年10月中旬加入我们团队从事生物信息和植物基因组学的研究!葛林梅硕士期间以第一作者发表SCI文章1篇,核心期刊1篇,其中《双生病毒(Geminiviruses)的种群遗传结构和进化》研究结果以第一作者发表Journal of Virology (IF2007=5.332),该文现已被他引100多次并被权威期刊Nature Reviews Genetics作为重要结果介绍。

我们团队继续招聘博士后、研究助理,客座研究生和本科实习生,欢迎对计算生物学和生物信息学感兴趣的同仁来信咨询。

欢迎时有财加入我们的团队

时有财硕士毕业于中科院昆明植物所,于2018年9月底以研究助理的身份加入我们团队从事生物信息和植物系统学的研究!

我们团队继续招聘博士后、研究助理,客座研究生和本科实习生,欢迎对计算生物学和生物信息学感兴趣的同仁来信咨询。

 

《R语言生物学数据处理中的应用》第二期

R语言生物学数据处理中的应用

2018.10.20-10.21第二期

昆明

《R语言在生物学数据处理中的应用》学习班中将带您进入R数据分析的奇妙世界,为您的研究和文章让您增加一个酷炫的技能点!

  1. 培训概况

【课程讲师】 寸玉鹏 研究员

【培训地点】 云南大学校呈贡校区 xxx

【课程时间】 2018年10月20日 – 10月21日。报名截止:2018年10月1日后停止报名,2108年10月7日通知是否入选课程讲习班。

Continue reading “《R语言生物学数据处理中的应用》第二期”

中性理论五十年

今年是中性理论提出的五十周年,翻到以前的写的一篇小文纪念一下。

中性突变——随机漂变假说 
木村资生的分子演化理论的“中性突变——随机漂变假说”即“中性演化学说”,简单地可以比喻为:很大的一群人去买彩票,假设没有内幕操作,这个群体中每一个中奖的概率应该是一样(和你的肤色、学理、财富无关,也就是没有选择偏好)。在理论群体学的文章中,你会常常看到这样的描述:

Continue reading “中性理论五十年”

我在中科院昆明植物开始新的研究

在经历了短暂的公司研发后, 从2018年7月起, 我又回到学术圈在中国科学院昆明植物所做PI,领导一个生物信息学研究的实验室,从事二代、三代基因组数据的从头组装、遗传变异分析和相关的比较基因组学研究。 研究方向主要侧重于应用统计/概率论理论,机器学习(统计学习)算法到最新的计算生物学问题中,特别关注的数据是植物基因组。

欢迎有兴趣的同仁加盟我们实验室。实验室现有助理研究员、博士后、研究生和客座研究生等职位开放,欢迎有计算机、数学、物理或具有生物信息应用技术背景的人应聘。

IMG_20170218_161648

 

Sclust paper published on NP

After years fighting, our Sclsut paper published on Nature Protocols finally. Enjoy!

Copy-number analysis and inference of subclonal populations in cancer genomes using Sclust

  • Nature Protocols volume13pages1488–1501 (2018)
  • doi:10.1038/nprot.2018.033
Published: 24 May 2018

Abstract

The genomes of cancer cells constantly change during pathogenesis. This evolutionary process can lead to the emergence of drug-resistant mutations in subclonal populations, which can hinder therapeutic intervention in patients. Data derived from massively parallel sequencing can be used to infer these subclonal populations using tumor-specific point mutations. The accurate determination of copy-number changes and tumor impurity is necessary to reliably infer subclonal populations by mutational clustering. This protocol describes how to use Sclust, a copy-number analysis method with a recently developed mutational clustering approach. In a series of simulations and comparisons with alternative methods, we have previously shown that Sclust accurately determines copy-number states and subclonal populations. Performance tests show that the method is computationally efficient, with copy-number analysis and mutational clustering taking <10 min. Sclust is designed such that even non-experts in computational biology or bioinformatics with basic knowledge of the Linux/Unix command-line syntax should be able to carry out analyses of subclonal populations.

IMG_20171205_112001