唐继军 正教授
Jijun Tang, Full Professor
计算机科学与控制工程学院
爱好出勤奋，勤奋出天才
唐继军，曾任美国南卡罗莱纳大学工程和计算学院教授（终身教职）并兼任天津大学智能与计算学部特聘教授，主要研究领域为面向多尺度生物医学大数据挖掘的算法和人工智能方法开发，曾多次获得美国科学基金 (NSF)、国立卫生研究院 (NIH)、美国海军研究室 (ONR)、美国人文基金会 (NEH) 和中国国家自然科学基金、科技部等机构科研项目支持，研究经费总金额分别超过400万美元和450万元人民币；共计发表205篇原创性学术期刊和会议论文，成果发表在Nature Communications、Nature Microbiology和Nucleic acids research等高水平学术期刊上，总引用4500余次，包括10篇ESI高被引论文。曾担任生物信息学领域有超过20年历史的重要学术会议如生物信息学算法大会（WABI）和亚太生物信息学年会（APBC，CCF 四大生物信息学会议之一）的大会主席，当前担任生物信息学二区刊物 BMC Bioinformatics和Frontiers in Genetics的副编辑。
|
学习经历： 2002.06-2004.08 博士 美国新墨西哥大学 1998.06-2002.05 硕士 美国新墨西哥大学 1996.09-1998.05 博士 天津大学 1994.09-1996.06 硕士 天津大学 1990.09-1994.06 学士 天津大学 工作经历： 2021.04-至今 中国科学院深圳理工大学（筹）正教授 2018.01-2021.04 美国南卡罗来纳大学 系研究生主管 2015.01-2021.04 美国南卡罗来纳大学 教授 2013.05-2021.04 天津大学 特聘教授（兼职） 2011.08-2012.01 瑞士洛桑联邦理工学院 访问学者（兼职） 2009.05-2014.12 美国南卡罗来纳大学 副教授 2004.08-2009.04 美国南卡罗来纳大学 助理教授 |
|
开发的多套算法、软件、数据库和网络服务等被来自美国、德国、中国、澳大利亚和俄罗斯等国家和地区的研究人员使用。 创新成果一：基于深度学习方法构建基因组三维结构预测模型。三维基因组学是生物信息学的热门研究领域，但利用 Hi-C 等技术获取三维结构数据需要依赖高深度测序，成本超过十万美元。受 NSF等项目支持在高维基因组方面发表20余篇论文，涉及可视化和表观遗传学等多个研究内容。相关研究工作之一旨在降低三维结构测序成本和获取高分辨率的结构信息，利用深度卷积神经网络研发HiCPlus系统预测基因组三维结构。该系统一方面可以从低精度的 Hi-C 数据中推断高分辨率 Hi-C 交互矩阵，只需要原有测序深度的 1/16 即可估算与原始序列高度相似的交互矩阵，从而大大降低了测序成本；另一方面使用该系统增强后的 Hi-C 数据可以更清晰的呈现增强子和基因的关系，有助于基因调控和疾病相关的研究。该研究成果发表于生物信息学顶级期刊 Nature Communications，当前引用量为 100 次，研究工作被 Nature Methods、Nature Reviews 等顶尖期刊作为代表性方法引用，被国际同行评价为有影响力工作。 创新成果二：在生物信息和计算生物学层面挖掘潜在生物分子关联。生物分子间的调控关联，就像是计算机中的逻辑运算，但远比其复杂。在不同的组学层面，存在数目巨大的生物分子，同组学间和不同组学间的生物分子又存在直接或间接调控，使得生物分子关联挖掘是一个极其复杂的问题。受科技部等项目支持在该领域做了大量工作，通过整合生物分子多元信息开发高精度、高效率的预测模型，为生物实验提供备选集合。基于氨基酸的进化信息及物理化学属性，使用互信息理论提取任何两个位置的氨基酸相关性质，设计局部加权回归模型预测蛋白质-配体绑定亲和力值；通过设计基于蛋白质共进化的预测方法，识别蛋白质相互作用关系，分析蛋白质相邻位点的共进化信息，预测蛋白质相互作用结合位点。在该领域提出的蛋白质相互作用预测方法为生物实验提供初步筛选，能够有效降低实验成本和提高成功率，赋能生物功能元器件的理性设计，相关系列成果（40 余篇，包括6篇 ESI高被引论文）发表于 Briefings in Bioinformatics 等生物信息学主流期刊。 创新成果三：设计基因进化模型重建系统发育树并分析祖先基因组。全基因组数据的快速积累使对利用基因排列次序和结构变异数据进行系统发育分析和祖先重建的研究成为了热点，但当前的软件和 Web服务器通常不支持基因重复、丢失等复杂结构变异事件。为解决此问题，申报人受 NSF、NIH 和国家自然科学基金等项目支持研发了 MLGO 和 PMAG+ 等软件，通过最大似然法分析基因组结构变异及进化，重建系统发育和/或祖先基因组。这些方法利用似然计算方法，在准确性、灵活性以及能处理的变异复杂事件等方面显示出优势。与其他方法比较，MLGO 等预测的进化树和祖先基因次序实际基因结构和进化关系吻合度高，错误率小于1% (其他方法均在5%以上)。该软件已成为通过基因结构变异数据重建进化树最主要的工具并被广泛引用。成功开发的一个成熟的网络服务应用于从叶绿体到大型核基因组的计算，已经为全球科研人员提供了超过5000次的计算服务，成为基因组结构进化分析最好的工具。在基因组结构变异算法和数据分析方向的近60篇论文发表在ISMB（生物信息顶会）和Molecular Biology Evolution 和 BMC Bioinformatics等期刊，并被PNAS和Nature 子刊等引用。 |
|
主要研究领域为面向多尺度生物医学大数据挖掘的算法和人工智能方法开发，研究内容主要是基于不同尺度生物医学大数据，利用高性能计算、人工智能及数学和统计方法，以“生物分子-生物系统-物种进化”的研究思路为导向，从简单到复杂，研究基因组结构构建、分子网络高精度挖掘、物种和癌细胞进化和系统发育树重建。 |
|
电子邮件：jj.tang@siat.ac.cn |
