你将在探索项目的过程中，学习必要的知识点与技能点，最终完成科研项目并触类旁通，真正能够自己将技能点运用在其他生物问题中。你将接触到尖端的生物计算科技以及真实的科研过程，体验与传统罗列知识点的课程形式不同的项目主导学习。

01 生物学背景与意义：抗生素抗药性 Biological background and significance: Antibiotic resistance

任何科学研究都具有一定的现实意义。你将了解常见的细菌疾病和一般治疗方法，其中深入了解抗生素的使用与功能，并以进化学的角度理解抗生素抗药性在细菌种群中的产生。同时，你将理解抗生素抗药性也可视作流行病，并接触生物信息学中研究其传播的方法。

实验：你将接触生物信息学在抗生素抗药性研究中的案例，包括基因组学、进化树、流行病学建模等。

02 解决抗生素抗药性的潜在方法 Potential solution to antibiotic resistance problem

你将思考并讨论解决抗生素抗药性的多种方法。同时，你将了解一类可能解决抗生素抗药性的新药物：抗菌肽。你将了解抗菌肽的基础结构与功能，理解抗菌肽对于解决抗生素抗药性问题的意义，并思考如何设计研发新的抗菌肽药物分子。

实验：你将通过圆桌讨论的形式，思考并讨论解决抗生素抗药性的多种方法。

03 提出科研目标：通过氨基酸序列预测抗菌功能 Research aim: To predict anti-microbial function based on amino acid sequences?

生物信息学或许能帮助我们寻找新的抗菌肽。你将接触生物中最常见的信息之一 —— 生物序列，并学习常见生物序列的表示与分析方法。你将着重学习氨基酸序列，并提出科研问题与目标，即通过氨基酸序列预测抗菌功能。

实验：你将学习观察与操作生物序列，常见生物序列数据库的使用，如基因组 DNA 序列 UCSC Genome Browser、蛋白质氨基酸序列等。

04 通过数据与人工智能达成科研目标 Fulfilling the research aim via data and AI

你将通过机器学习的方法来处理生物信息，并尝试达成科研目标。你将了解机器学习的概念，并在具体科研背景下体验机器学习与数据科学管线，包括：观察与清理数据库、提取数据特征、选择与设计模型结构（随机森林、支持向量机等）、训练模型、评估模型并迭代循环。你将深入学习每个步骤的理论知识，并在实验课中构建你的机器学习算法。

实验：在学习机器学习理论的过程中，你将逐步完成计算机上的编程与分析等操作。你将结成小组，探索不同实现方法对最终寻找抗菌肽准确性的影响，如数据选择、使用的特征、模型结构等。

05 科研成果报告：模型与算法是否能达到目标 Scientific report: whether the model and algorithm fulfill the aim

科学研究的成果需要经受质疑与提问。你将展示你的模型结果，论证你的机器学习模型是否能够准确地预测抗菌肽序列。同时，你将思考举一反三的可能性：其他的生物序列是否也可以同样分析？你将提出你感兴趣的生物学问题，并思考如何通过课程中学会的生物信息学方法来回答。

实验：你将学习科研成果展示方法，包括科研绘图、文章写作、海报制作与演讲等。如果时间允许，你将有机会自主完成一个相似的生物序列分析项目。