案例类别：人工智能+专业课程
课程名称：生物统计学 适用专业：生物科学、生物技术
开课学院：海洋科学与水产学院 主讲教师：杭新楠
技术类型：机器学习（特别聚焦于数据预处理与可视化技术）、自然语言处理（用于文本数据提取与初步分析）
应用场景：生物统计学数据分析中的数据整理与可视化，聚焦于复杂生物数据，例如高通量测序数据中提取有用信息，并通过可视化手段直观展示分析结果。
案例简介
在生物统计学教学中，数据的整理与可视化是理解生物现象、验证科学假设的关键步骤。然而，传统方法在处理大规模、高维度生物数据时显得力不从心，效率低下且易出错。本案例旨在通过引入人工智能技术，特别是机器学习算法和自然语言处理技术，提升生物统计学课程中数据整理与可视化的效率和准确性。学生将学习如何使用AI工具自动清洗数据、识别异常值、进行数据降维，并利用高级可视化技术（如热力图、网络图）展示生物数据间的复杂关系，从而加深对生物统计学原理的理解和应用能力。
一、背景
1. 传统方法的局限性
传统生物统计学数据整理主要依赖人工检查和Excel等基础软件，面对海量数据时，效率低下且容易出错。数据可视化则多采用简单的柱状图、折线图，难以直观展示数据间的多维度关系和复杂模式。
2. 人工智能引入的必要性
随着生物技术的飞速发展，生物数据量呈爆炸式增长，传统方法已无法满足需求。人工智能技术的引入，能够自动化处理大量数据，提高数据处理的准确性和效率，同时通过高级可视化技术，帮助学生更直观地理解数据背后的生物学意义。
3. 人工智能解决的核心痛点及预期目标
核心痛点：数据量大、维度高、噪声多，传统方法处理效率低且易出错；可视化手段单一，难以全面展示数据特征。预期目标：通过AI技术实现数据的自动化清洗、降维和异常值检测，提高数据处理效率；利用高级可视化技术，直观展示生物数据间的复杂关系，增强学生的数据分析能力和科学思维。
二、案例实施情况
在生物统计学以往的授课过程中，受限于时常和分析软件的局限，我们往往只会讲解简单的数据（例如植物的株高、鱼类的体长重量）的分析方法，对于繁杂冗长的数据，例如微生物高通量测序数据只能避之不及。作为教师，我十分希望学生可以了解甚至掌握相应的技能，可以解析测序数据，进一步体会生物统计学的魅力。
图1 复杂的细菌高通量测序数据
为实现这一目标，我们先学习如何搭建工作平台。我们不仅可以借助市面上已有的各类AI帮助我们搜索方法，也可以自行搭建本地AI，比如授课教师本人便借助deep seek AI平台部署了本地的Ollama AI平台。然后我们可以通过检索，让AI帮我们梳理整合现有分析方法，为我们分析数据提供支撑。通过AI提供的方法，我们先搭建了属于自己的分析平台（如图2所示的Ubuntu系统）。
图2 生信分析平台的搭建
在该平台上我们可以连接清华大学等平台的数据与工作环境，对我们的数据展开分析。通过代码整合多个工作软件，我们可以快速、精准地对下机数据进行剪切拼接、聚类、降噪和操作单元生成，最终得到图3所示数据表。
图3 海洋沉积物细菌测序分析表
在得到这样的数据表后，为了进行进一步的可视化，我们以往需要借助多种软件进行操作分析，而现在我们可以借助AI帮助我们进行可视化分析。通过阐述清晰诉求，我们可以借助AI整合通用的方法和代码，甚至于训练有素的本地AI模型可以快速地响应我们的要求，并基于以往的分析习惯进行图形的绘制，大大便利了我们的科研工作。借助工作平台，我们只需进行代码的运行，便可得到以前要费劲心力才能绘制出的可视化图形。
图4 借助AI进行测序数据的可视化分析
三、案例创新突破
1. 主要创新内容
将人工智能技术深度融入生物统计学教学，实现生物学与计算机科学的交叉融合。以真实生物数据为案例，强调实践操作和问题解决能力的培养。引入高级可视化技术和交互式平台，提升数据展示的直观性和趣味性。
2. 应用实践突破内容
通过AI辅助教学，培养了学生的跨学科思维和实践能力，为生物信息学领域输送了复合型人才。建立了可复用的AI教学资源和案例库，促进了教学资源的共享和优化配置。
四、推广价值
本案例在生物统计学教学中引入人工智能技术，不仅提高了数据处理的效率和准确性，还通过高级可视化技术增强了学生对生物数据的理解和分析能力。该案例具有广泛的推广价值，可应用于其他需要处理和分析大量生物数据的课程和教学中，如遗传学、生态学、药物发现等。同时，该案例也为其他高校提供了可借鉴的教学改革模式，推动了生物统计学教学的现代化和智能化发展。
五、其他相关情况
教师评价：AI技术的引入显著提高了数据处理的效率和准确性，减轻了教师的工作负担，同时激发了学生的学习兴趣和创新能力。
学生评价：通过AI辅助教学，我们学会了如何使用高级工具处理和分析生物数据，提高了自己的实践能力和科学思维。
