姜涛，中心首席科学家，现为河滨加州大学（University of California, Riverside）计算机系教授，他还曾执教于加拿大的McMaster大学（McMaster University）。姜教授现在还同时兼任清华大学计算机系访问教授（长江学者），以及北航客座教授。他于2007年获选美国计算机协会院士（ACM Fellow）（Citation: “For contributions to computational biology and computational complexity”，汉译：“对计算生物学和计算复杂性研究做出贡献”）。
姜教授1984年于中国科大计算机系学士毕业，1988年美国明尼苏达大学（Unvisity of Minnesota）计算机系博士毕业。姜教授的研究方向包括算法设计和分析，计算分子生物学，和有限自动机复杂性等。他属于多个国际期刊的编委会，如Journal of Combinatorial Optimization，Journal of Computer Science and Technology等，并参与组织多个学术会议。姜教授的博士毕业生有Lusheng Wang，Bhaska DasGupta，Todd Wareham，Lan Liu，Zheng Fu等。
2017 11 3 湖南师范大学
报告题目：Toward More Sensitive Differential Expression Analysis on RNA-Seq Data
报告人： Tao Jiang教授，Department of Computer Science and Engineering
University of California, Riverside, and School of Information Science and Technology, Tsinghua University
报告时间：2017年11月30日10：00
报告地点：量子楼410报告厅
As a fundamental tool for discovering genes involved in a disease or biological
process, differential gene expression analysis plays an important role in genomics
research. High throughput sequencing technologies such as RNA-Seq are increasingly
being used for differential gene expression analysis that was dominated by
the microarray technology in the past decade. However, inferring differentially
expressed genes based on the observed difference of RNA-Seq read counts has unique
challenges that were not present in microarray-based analysis. An RNA-Seq based
differential expression analysis may be biased against genes with low read counts
since the difference between genes with high read counts is more easily detected.
Moreover, analyses that do not take into account alternative splicing often miss
genes that have differentially expressed transcripts. In this talk, we introduce
two novel methods for enhancing differential expression analysis. One uses a
markov random field (MRF) model to integrate RNA-Seq data with coexpression data
and the other represents independent alternative splicing events by decomposing
the splice graph of a gene into special modules (called alternative splicing modules
or ASMs). Our extensive experiments on simulated data and real data with qPCR
validation demonstrate that these enhancements lead to more sensitive differential
expression analyses and better classification of cancer subtypes, cell types and
cell-cycle phases.
姜教授首先简要介绍了报告的大背景以及本次讲座内容所涉及的相关生物知识，指出RNA-Seq等检测手段的广泛应用，并指出这些测序手段存在的不足，从而提出用MRF模型应用到检测差异表达的基因，并利用共同表达数据，提高统计效果。此外，此次研究中，姜教授还进一步证明了MRF模型较之前的检测手段更为准确、偏差更小，从而论证了新型手段的可行性。接着，姜教授还向大家指出了生物信息和数据挖掘的区别，生物信息是需要结合真实数据进行的实用性较强的科学，而不能仅仅通过数据测试妄下结论。姜教授从常用方法出发，通过常用方法举例，结合仿真实验指出不足，再引出新的方法，并通过和常用方法的比较，进一步论证新方法的可行性。为我院师生论文写作的思路方法提供了很好的借鉴。
2012加州大学姜涛教授做客山东大学畅谈学科交叉下的基因算法
【导读】 3月26日下午，来自美国加州大学河滨分校（UCR）计算机科学系的终身教授、清华大学客座教授、“长江学者”特聘教授姜涛做客山东大学，在中心校区知新楼B座924室为山东大学的研究生们做了题为“基因序列的结合推断方法”的报告。数学学院“泰山学者”特聘教授、系统与运筹学研究所所长李国君教授主持报告会，数学学院多位教授出席报告会。
3月26日下午，来自美国加州大学河滨分校（UCR）计算机科学系的终身教授、清华大学客座教授、“长江学者”特聘教授姜涛做客山东大学，在中心校区知新楼B座924室为山东大学的研究生们做了题为“基因序列的结合推断方法”的报告。数学学院“泰山学者”特聘教授、系统与运筹学研究所所长李国君教授主持报告会，数学学院多位教授出席报告会。
在报告伊始，姜教授首先就援引美国主流媒体对于生命科学新闻所给予的高关注度，强调了生命科学在21世纪所占据的重要地位，并以现代生物研究中基因测序等领域为例介绍了现代生命科学对数学算法进步的客观需求，从而将话题引入了姜教授的工作内容——利用不同的数学算法来推测基因表达。
在介绍正式话题前，姜教授从基因学中最基本的中心法则入手，提纲挈领地为听众讲解了基因表达所经历的全部过程，并以转录RNA的剪切为切入点，为数学中的运筹学内容和生物过程找到了契合之处。由于剪切过程中的不确定性以及可变剪切这一现象的存在，剪切产物可能会存在很多种。对基因外显子与内含子的测序研究，及对可变剪切的研究对了解最终的基因表达结果具有重大的意义。
姜教授介绍，经过了多年的发展，对基因测序的研究方法已经从传统手段发展到了第二代技术，虽然测序基因段变短，但却具有了较高的通量。在2010年开始，与图论相结合的通过转录RNA而对基因顺序的推测成为了新的热点。通过介绍多种推测基因的方法，姜教授系统而细致地为听众分析了不同研究方法的利弊以及有关的误差分析知识，以数学中的概率为有力的武器来为得到的结果给出最终评价并确立了枚举法作为自己科研中的中心算法，由此也就完成了基因序列还原的任务。而仿真数据和真实数据的对比也证明了所用算法的可行性。
在提问环节中，姜教授在听众的要求下就仿真数据和现实生物验证方法做了对比分析，阐释了前者在可行性上的优势和可信性的劣势。也就中心法则其它环节的利用问题对听众做了简明的阐释和比较。
正如报告会的主题，学科交叉已经成为了当今科学界发展的主流。而姜教授的报告则另辟蹊径，从最前沿的角度为听众们阐释了生命科学同数学以及计算机科学之间的完美结合，为听众们拓展视野的同时也树立起了一种全新的学科理念。
