联结数据与生命，成就健康未来
- 我们的研究领域集中在通过统计遗传学方法开发，大规模基因组学，单细胞基因组学和多组学数据分析，对复杂疾病的分子遗传机制进行探索。
- 我们活跃在计算、统计和机器学习方法开发和应用的前沿领域，这些方法利用大规模和多组学数据来理解复杂疾病（如肺纤维化，心血管疾病）的发生、发展和治疗反应，并探索相应的治疗方案
- 我们倡导跨学科的积极合作，致力于解决现实世界中的生物学和基因组转化医学问题。我们欢迎生物学家、计算生物学家、生物信息学家、计算机科学家、临床医学专家、免疫学家和肿瘤学家等各学科的专家们一起合作。
具体研究领域
统计遗传学与基因组学
人类遗传变异（Human genetic variants）是研究与人类复杂疾病相关细胞与基因调控的重要线索。现有的大量全基因组关联研究(GWAS)鉴定出了许多与复杂疾病易感性相关的遗传变异位点。这些关联位点背后的分子机制是什么？哪些细胞类型介导了相应疾病特征的基因调控？我们通过开发新的统计遗传学方法，将GWAS结果统计数据和功能基因组学多组学（Multi-omics）相结合，进一步研究生物体的遗传变异、基因表达调控以及疾病发生发展机制。
人工智能与新药开发
机器学习在处理日益增多的高通量生物数据方面扮演着至关重要的角色。我们开发和利用各种前沿的机器学习方法和工具，为生物医学研究提供有效且高效的解决方案。我们的主要研究方向包括利用机器学习识别新的药物靶标，并对现有药物进行重定位（Drug Repurposing）；这一系列方法不仅可以帮助我们快速筛选出具有潜力的候选药物，也有助于我们从分子遗传学角度理解新药的作用机制。
重大疾病单细胞图谱
我们聚焦于开发和改进一系列计算方法。这些方法不仅利用了机器学习模型和大规模单细胞基因组数据，还包括空间转录组学和多组学等多种组学数据类型。我们特别感兴趣的是通过建立复杂疾病（如肺纤维化、心血管疾病等）的单细胞图谱（Single Cell Atlas），来揭示这些病症中细胞的异质性和动态变化。此外，我们也致力于通过低维方法和具有可解释性的深度学习模型来提高数据处理的效率和精确度。通过这些高级分析，我们希望能够更深入地理解细胞间的相互作用，以及它们如何在复杂疾病病理过程中发挥作用，从而为治疗复杂疾病提供新的策略和方向。
“创新，合作，挑战”，如果您对生物医学的前沿探索拥有足够的热情，同时也希望在一个健康，蓬勃发展的团队开展工作并获得自身发展，非常欢迎您加入我们。