香港城市大学生物医学系全奖博士招生 | Prof. Chen

导师简介

如果你想申请香港城市大学 生物医学系博士，那今天这期文章解析可能对你有用！今天Mason学长为大家详细解析香港城市大学的Prof.Chen的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考，并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！

教授是香港城市大学生物医学科学系和电气工程系的双聘副教授，是当今流行病学、系统生物学和生物信息学领域的杰出学者。

她在香港大学获得信息工程学士学位后，在南加州大学获得流行病学和生物统计学公共卫生硕士学位，随后在加州大学洛杉矶分校(UCLA)获得流行病学博士学位。在UCLA和布朗大学完成博士后训练期间，她成功识别出T2D和CVD之间的多条共享分子通路和基因网络，为这两种疾病的共同发病机制提供了重要见解。

2016年，教授回到香港，加入香港中文大学糖尿病及肥胖研究所担任助理研究教授，同时兼任布朗大学流行病学系全球心代谢健康中心的兼职助理教授。2017年，她受邀担任香港中文大学医学及药物治疗学系客座助理教授。2018年，教授加入香港城市大学生物医学科学系和电子工程系，展开新的学术旅程。

研究领域

教授的研究兴趣跨越多个学科领域，主要包括遗传与分子流行病学、系统生物学、计算生物学和生物信息学。她的研究核心是通过整合多组学水平的变异、生物标志物和来自多样化人群的环境数据，研究具有重大全球负担的多方面疾病的复杂网络，从而提供新型预防方法、诊断和治疗策略。

教授当前的研究主题包括：

1. 疾病决定因素识别：包括但不限于遗传变异、拷贝数变异、分子通路、基因网络和生物标志物的鉴定
2. 疾病预测和预防：开发基于多组学数据的疾病风险预测模型和预防策略
3. 生物信息学工具开发：创新性地开发用于大规模生物医学数据分析的计算方法和工具

她的研究特色在于跨学科整合，将流行病学、数据工程和生物信息学专业知识结合起来，以多角度方式解决复杂研究问题，促进创新并培养全面理解。教授的研究组"陈分子流行病学和生物信息学组"(CMEB Group)专注于疾病与代谢特征之间的信号通路，以及不同疾病和代谢特征之间的共享信号架构，运用最新的人工智能技术推动研究创新。

研究分析

1. 《Shared molecular pathways and gene networks for cardiovascular disease and type 2 diabetes mellitus in women across diverse ethnicities》

本文发表于《Circulation: Cardiovascular Genetics》期刊，是教授在心血管疾病和2型糖尿病共同分子机制方面的奠基性工作。该研究采用整合性通路和网络分析方法，对参与美国国家女性健康计划的8155名黑人、3494名西班牙裔美国人和3697名高加索裔美国女性进行了全基因组关联研究。研究发现，在所有三个种族群体中，心肌病、钙信号传导、轴突导向、细胞粘附和细胞外基质等八个顶级通路和基因网络似乎在CVD和T2D之间共享。研究还识别了种族特异性通路，如细胞周期(特定于西班牙裔美国人和高加索裔美国人)和紧密连接(CVD和西班牙裔美国人中的CVD和T2D组合)。在基因-基因或蛋白质-蛋白质相互作用的网络分析中，研究确定了关键驱动因子，包括COL1A1、COL3A1和ELN，这些基因在CVD和T2D的共享通路中发挥重要作用。

2. 《A Multi-omics approach to identify and validate shared genetic architecture in rheumatoid arthritis, multiple sclerosis, and type 1 diabetes: integrating GWAS, GEO, MSigDB, and scRNA-seq data》

本研究发表于2025年的《Functional & Integrative Genomics》期刊，是教授在自身免疫疾病领域的重要贡献。研究采用多组学方法，整合全基因组关联研究(GWAS)、基因表达数据库(GEO)、分子信号数据库(MSigDB)和单细胞RNA测序(scRNA-seq)数据，鉴定和验证类风湿性关节炎、多发性硬化症和1型糖尿病之间的共享遗传架构。

该研究通过系统生物学和网络分析方法，确定了这三种自身免疫疾病之间的共同分子通路和关键调控因子，为理解这些疾病的共同发病机制提供了新视角。研究结果突显了免疫调节网络在自身免疫疾病发展中的关键作用，为潜在的治疗靶点提供了线索。

3. 《Classification of Cognitively Normal Condition, Mild Cognitive Impairment and Alzheimer's Disease Based on Convolutional Neural Networks with Attention Mechanism》

这项研究是教授领导开发的一项创新性专利(已接受/已申请，优先权号19/032,524)，该专利于2025年1月21日提交。该项目利用深度学习技术，特别是带有注意力机制的卷积神经网络，对认知正常状态、轻度认知障碍(MCI)和阿尔茨海默病(AD)进行分类。

这一创新方法通过分析大脑影像数据，结合注意力机制以捕捉关键特征，实现了对认知障碍不同阶段的准确分类。该专利的意义在于为早期认知障碍的诊断提供了一种非侵入性的高准确度工具，有助于早期干预，改善患者预后。

4. 《DPCIPI: A pre-trained deep learning model for predicting cross-immunity between drifted strains of Influenza A/H3N2》

这篇论文于2025年3月20日发表于《Journal of Automation and Intelligence》，展示了教授在流感病毒研究和机器学习领域的创新应用。研究开发了一种名为DPCIPI的预训练深度学习模型，用于预测甲型流感H3N2漂变毒株之间的交叉免疫性。

该模型通过整合基因序列数据和互信息分析，能够准确预测不同流感毒株之间的免疫关系，这对疫苗开发和流感防控具有重要意义。研究结果为季节性流感疫苗株选择提供了新的计算工具，有助于提高疫苗效力和公共卫生应对策略。

5. 《Nutritional interventions for preventing cognitive decline in patients with mild cognitive impairment and Alzheimer's disease: A comprehensive network meta-analysis andMendelian Randomization study》

这篇发表于2025年《Clinical Nutrition ESPEN》的研究是教授在营养干预与认知功能领域的重要贡献。研究采用网络荟萃分析和孟德尔随机化方法，全面评估了营养干预对轻度认知障碍和阿尔茨海默病患者认知功能下降的预防作用。

研究纳入了从1999年至2023年发表的51项研究(27项关于阿尔茨海默病，24项关于轻度认知障碍)，涉及8420名参与者。结果表明特定的营养干预策略，包括特殊饮食类型、饮食模式、特定食物和营养补充剂，对延缓认知功能下降具有显著效果。这项研究为轻度认知障碍和阿尔茨海默病患者的临床管理提供了重要依据，强调了营养干预作为非药物治疗策略的潜力。

6. 《Prediction of COVID-19 cases by multifactor driven long short-term memory (LSTM) model》

这篇发表于2025年《Scientific Reports》的研究展示了教授在人工智能和传染病预测领域的应用。研究开发了一种基于长短期记忆(LSTM)网络的多因素驱动模型，用于预测COVID-19病例。

该模型通过整合多种因素，包括历史病例数据、人口统计信息和环境因素，实现了对COVID-19传播趋势的准确预测。研究结果为公共卫生决策提供了有力工具，有助于优化资源分配和防控策略，对未来应对类似传染病爆发具有重要参考价值。

项目分析

1. 《STG-ExtU-Lead: Personalized Rehabilitation Pathways to Maximal Motor Functional Return through an AI Recovery Prediction System for Diverse Stroke Survivors》

这是一个由教授作为主要研究者参与的活跃项目，旨在为多样化脑卒中幸存者开发个性化康复途径，通过人工智能恢复预测系统实现最大运动功能恢复。该项目整合了脑卒中患者的医学影像、临床数据和功能评估结果，建立预测模型以指导个性化康复计划。

项目的创新点在于利用机器学习算法分析大量患者数据，识别影响康复结果的关键因素，并据此为不同人群提供定制化康复方案。这一研究对改善脑卒中幸存者的生活质量和降低医疗成本具有重要意义，同时推动了精准医疗在神经康复领域的应用。

2. 《精神障碍的药物再利用》

这是教授主导的一个活跃研究项目，聚焦于精神障碍治疗药物的再利用。该项目通过计算方法和系统生物学分析，识别已获批药物在精神障碍治疗中的新应用潜力，解决精神疾病治疗药物研发周期长、成本高的挑战。

研究采用多组学数据整合、药物-靶点网络分析和机器学习方法，预测已有药物对不同精神障碍的治疗效果，并通过实验验证。这一研究为精神障碍患者提供了新的治疗选择，加速了精神药物的开发进程，具有重要的临床转化价值。

3. 《ITF: Machine Learning–based Stroke Risk Assessment System Integrating Images, Structured Data, and Texts》

这是教授领导的一个创新项目，旨在开发基于机器学习的脑卒中风险评估系统，该系统整合了图像、结构化数据和文本信息。该项目通过分析患者的医学影像(如脑MRI、CT)、结构化临床数据(如实验室检查结果、生命体征)和非结构化文本(如医生记录、病历)，构建综合性脑卒中风险预测模型。

系统的优势在于能够自动提取和分析多模态数据，识别潜在的风险因素和早期警示信号，为医生提供决策支持。该研究对脑卒中的早期干预和个体化预防具有重要价值，有望降低脑卒中的发病率和死亡率，减轻相关医疗负担。

研究想法

1. 多维度整合分析框架用于预测多重慢性病发展轨迹

建立一个结合基因组学、转录组学、蛋白质组学、代谢组学和临床数据的多维度整合分析框架，用于预测个体从健康状态到多重慢性病(如T2D、CVD、认知障碍)的发展轨迹。该框架将利用深度学习算法识别疾病发展的早期标志物和关键转折点，为个性化预防干预提供时间窗口。研究可着重于：

• 构建疾病进展的时序预测模型，考虑基因-环境交互作用的动态变化
• 开发可解释的人工智能方法，帮助医生理解预测结果的生物学基础
• 设计针对不同风险分层人群的靶向干预策略

2. 营养干预与基因型相互作用对认知功能的影响

探索特定营养干预与个体基因型之间的相互作用如何影响认知功能，特别是在轻度认知障碍和早期阿尔茨海默病患者中。这项研究可以：

• 结合孟德尔随机化分析和临床试验，确定最有效的营养干预方案
• 研究不同饮食模式(如地中海饮食、MIND饮食、生酮饮食)对不同基因背景个体的差异化效果
• 探索肠道微生物组作为饮食干预与认知功能之间的中介机制
• 开发个性化营养推荐系统，根据个体基因型、代谢特征和疾病风险定制最佳饮食方案

3. 多模态数据驱动的疾病早期预警系统

开发一个整合多源数据的疾病早期预警系统，用于识别心血管疾病、代谢疾病和神经退行性疾病的前兆信号。该系统可以：

• 结合电子健康记录、穿戴设备数据、基因组信息和环境暴露数据
• 利用时序深度学习模型识别亚临床变化和异常模式
• 实施层级预警机制，根据风险水平提供不同级别的干预建议
• 开发移动健康应用，为个体提供实时风险监测和健康管理工具

4. 药物重定位用于多病共治的计算框架

构建一个针对多重慢性病共同治疗的药物重定位计算框架，特别关注心血管疾病、2型糖尿病和认知障碍的共治。该框架将：

• 分析疾病共享分子网络，识别可同时靶向多个疾病通路的药物
• 利用人工智能预测已上市药物的新适应症和潜在副作用
• 开发针对关键驱动基因的新型治疗策略
• 设计临床试验方案，验证计算预测的多病共治药物效果

申请建议

1. 学术背景准备

跨学科知识积累：鉴于教授的研究领域跨越生物医学、计算科学和工程学，申请者应具备坚实的跨学科背景。重点培养以下领域的知识：

• 流行病学和生物统计学基础
• 分子生物学和遗传学知识
• 计算生物学和生物信息学技能
• 机器学习和人工智能方法
• 数据科学和大数据分析能力

技术能力提升：掌握教授研究中常用的技术和工具，包括：

• 编程语言：R, Python, MATLAB
• 生物信息学工具：PLINK, GCTA, METAL等
• 统计分析软件：SPSS, SAS, STATA
• 机器学习框架：TensorFlow, PyTorch, scikit-learn
• 数据可视化工具：ggplot2, matplotlib, Tableau

研究经验积累：积极参与与教授研究方向相关的研究项目，积累实际研究经验，特别是：

• 全基因组关联研究分析
• 多组学数据整合分析
• 分子网络和通路分析
• 机器学习模型开发和应用
• 临床数据分析和解释

2. 申请准备策略

深入了解研究方向：彻底研读教授近期的研究论文，特别关注以下几个方面：

• 研究问题的演变和发展趋势
• 采用的方法学创新
• 未来研究的潜在方向
• 论文中提到的局限性和挑战

个性化研究计划：根据教授的研究兴趣，准备一份具有创新性和可行性的研究计划：

• 明确阐述研究问题及其重要性
• 详细说明研究方法和预期结果
• 解释该研究如何与教授现有工作互补
• 讨论潜在的应用价值和影响

3. 申请材料准备

研究陈述的差异化：撰写一份针对性强的研究陈述：

• 明确表达对教授特定研究领域的兴趣
• 解释自己的学术背景如何为其研究做出贡献
• 提出2-3个具体的研究问题或方向，与教授当前项目相关
• 展示对领域前沿问题的了解和洞察

技能展示：准备一份技能展示组合，包括：

• 数据分析项目案例
• 生物信息学分析实例
• 机器学习模型开发经验
• 科学写作和沟通能力证明

推荐信策略：寻求能够证明以下能力的推荐人：

• 跨学科研究能力
• 数据分析和计算技能
• 合作精神和团队工作能力

4. 面试准备

研究讨论准备：准备讨论教授的最新研究成果：

• 分析其最近发表论文的创新点和局限性
• 提出可能的改进或扩展方向
• 准备与其研究相关的技术性问题
• 展示对领域发展趋势的了解

技术能力展示：准备展示相关技术能力：

• 数据分析案例演示
• 代码示例和解释
• 研究方法讨论
• 解决特定研究问题的思路

博士背景

Darwin，985生物医学工程系博士生，专注于合成生物学和再生医学的交叉研究。擅长运用基因编辑技术和组织工程方法，探索人工器官构建和个性化医疗的新途径。在研究CRISPR-Cas9系统在干细胞定向分化中的应用方面取得重要突破。曾获国家自然科学基金优秀青年科学基金项目资助，研究成果发表于《Nature Biotechnology》和《Biomaterials》等顶级期刊。