⚡️ نکته ۷۵ استراخان: نکاتی در مورد ژن TP63 (بسیار مهم).
💯 مباحث از جزوه استراخان.

🖥 جهت مطالعه مباحث رفرنس استراخان، این هشتگ را دنبال کنید ⇦ #نکات_استراخان


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید: @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#ژنتیک
#نکات_استراخان
#نکته۷۵

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

📌 فیچر سلکشن و انتخاب بایومارکرهای پیش‌بینی‌کننده کاندید با روش LASSO

🔴 توضیحات ◀️

🔴 متود LASSO (Least Absolute Shrinkage and Selection Operator) یکی از روش‌های فیچر سلکشنه که با صفر کردن ضرایب متغیرها یا فیچرهای کم‌اهمیت، فقط مهم‌ترین فیچرها رو حفظ می‌کنه؛ تو مطالعات سرطان و بیماری‌ها، این روش به شناسایی تعداد محدودی از ژن‌ها به‌عنوان بایومارکرهای مؤثر از بین هزاران ژن کمک می‌کنه؛ فرض کنید داده‌های بیان ده هزار ژن بیماران مبتلا به سرطان و افراد سالم رو در اختیار داریم. بعد از اجرای LASSO، ممکنه ضریب ۹۹۹۰ ژن صفر بشه و فقط ده ژن با ضریب غیرصفر باقی بمونه. این ده ژن به عنوان بیومارکرهای بالقوه انتخاب می‌شن، چون بیشترین نقش رو در تمایز نمونه‌های سرطانی از نمونه‌های سالم دارن.

🟡 اگه می‌خواید جزییات تئوری این روش رو یاد بگیرید، به ترتیب ویدیوهای زیر رو ببینید:
Linear regression
Bias and Variance
Cross Validation
Ridge regression
LASSO

🟠 و اما برای اجرای عملی این روش روی دیتای خودتون، یه استراتژی اینه که اول آنالیز افتراقی بیان دیتای خودتون (میکرواری، bulk RNA-seq یا single cell RNA-seq یا ...) رو انجام بدید و ژن‌های upregulated و downregulated رو به دست بیارید؛ بعد مراحل downstream، مثل رسم شبکه PPI یا WGCNA و ... رو ادامه بدید تا در نهایت به تعدادی هاب ژن برسید. تو مرحله بعد با فیچر سلکشن با روش LASSO می‌تونید از بین این هاب ژن‌ها، بایومارکرهای پیش‌بینی‌کننده کاندید رو انتخاب کنید.

1️⃣ آماده‌سازی دیتا؛ توجه کنید که دیتاتون باید دیتای بیانی نرمالایزشده باشه (اگه دیتای کانت RNA-seq دارید، با متود VST پکیج DESeq2 نرمالایز کنید)؛ دیتای ورودی باید شامل هاب‌ژن‌ها تو ستون‌ها و سمپل‌ها تو ردیف‌ها و همین‌طور حاوی یک ستون که شرایط سمپل‌ها رو نشون‌ می‌ده (مثلا نرمال و تومور)، باشه.

df <- dataset1[rownames(dataset1) %in% hubs, ]
df <- t(df)
df <- data.frame(df)
df$Status <- c(rep("Tumor", 25), rep("Normal", 25))
x <- as.matrix(df[, -ncol(df)])
View(x)
y <- c(rep(1,25), rep(0, 25))

تو کد بالا، hubs یک وکتور حاوی اسامی هاب‌ژن‌ها و dataset1 هم دیتای بیانی نرمالایزشده هست.

2️⃣ با انجام cross validation، بهترین مقدار λ برای مدل LASSO تعیین می‌شه.

library(glmnet)
cv_fit <- cv.glmnet(x = x,
                    y = y,
                    alpha = 1,
                    family = "binomial",
                    nfolds = 10,
                    type.measure = "deviance")

3️⃣ این نمودار تغییر خطای مدل رو تو مقادیر مختلف λ نشون می‌ده و بهترین λ رو مشخص می‌کنه (اولین پلاتی که باید تو مقاله بذارید).

plot(cv_fit)

4️⃣ استخراج بهترین λ؛ مقدار λ با کمترین خطا انتخاب می‌شه.

best_lambda <- cv_fit$lambda.min

5️⃣ مدل نهایی با استفاده از λ بهینه ساخته می‌شه.

lasso_model <- glmnet(x = as.matrix(df[, -30]),
                      y = labels,
                      alpha = 1,
                      lambda = best_lambda,
                      family = "binomial")

6️⃣ ژن‌هایی که ضریب‌شون صفر نشده، به عنوان بایومارکرهای پیش‌بینی‌کننده کاندید انتخاب می‌شن.

coef(lasso_model)
selected_genes <- rownames(coef(lasso_model))[coef(lasso_model)[,1] != 0]
selected_genes <- selected_genes[-1]

7️⃣ رسم مسیر ضرایب (Coefficient Paths)؛ این نمودار تغییر ضرایب ژن‌ها رو با افزایش λ نشون می‌ده؛ با بزرگ‌تر شدن λ، ضرایب بیشتری به صفر میل می‌کنن و تعداد فیچرهای انتخاب‌شده کاهش پیدا می‌کنه (دومین پلاتی که باید تو مقاله بذارید).

# Fit the full LASSO model (not cross-validation) to extract paths
fit <- glmnet(x = as.matrix(df[, -30]), 
              y = labels, 
              alpha = 1, 
              family = "binomial")
plot(fit, 
     xvar = "lambda",          
     label = TRUE,
     main = "LASSO Coefficient Paths",
     cex.main = 1)

⭐️ به این مقاله که چند ماه پیش نوشتم، توجه کنید؛ یکی از استپ‌ها مربوط به همین روش هست.
Machine learning and WGCNA reveal the PVT1/miR-143–3p/CDK1 ceRNA axis as a key regulator in NSCLC


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#بیوانفورماتیک

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

💯 پاسخ تست (سطح تست: متوسط).
💯 مباحث از جزوه جرد.

🖥 جهت مطالعه مباحث رفرنس استراخان، این هشتگ را دنبال کنید ⇦ #نکات_جرد


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید: @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#تست_روز

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

📌 فیچر سلکشن و انتخاب بایومارکرهای پیش‌بینی‌کننده کاندید با روش Random forest (RF)

🔴 توضیحات ◀️

🔴 متود RF یکی از الگوریتم‌های یادگیری ماشین هست که از تعداد زیادی درخت تصمیم (Decision Tree) استفاده می‌کنه. هر درخت روی زیرمجموعه‌ای از داده‌ها و ژن‌ها آموزش داده می‌شه و در نهایت خروجی نهایی با رأی‌گیری تعیین می‌شه. در مطالعات سرطان و بیوانفورماتیک، Random Forest علاوه بر اینکه برای پیش‌بینی (مثلاً Tumor vs Normal) استفاده می‌شه، یک ابزار بسیار قوی برای Feature Selection هم هست، چون می‌تونه اهمیت هر ژن رو بر اساس میزان کاهش خطا یا کاهش ناخالصی (Gini impurity) محاسبه کنه. به زبان ساده اگه هزاران ژن داشته باشیم، این روش به هر ژن یک امتیاز اهمیت می‌ده و ژن‌هایی که بیشترین نقش رو در جداسازی کلاس‌ها دارن به عنوان بایومارکرهای کاندید انتخاب می‌شن.

🟡 دوستان در ادامه این آموزش اصطلاحاتی مطرح می‎شه که برای درکشون باید جزییات متود RF رو به صورت تئوری بلد باشید؛ برای این مورد، به ترتیب ویدیوهای زیر رو ببینید:
Decision and Classification Trees (Part 1)
Decision and Classification Trees (Part 2)
Random Forest (Part 1)
Random Forest (Part 2)
Random Forest in R

🟠 و اما برای اجرای عملی این روش روی دیتای خودتون، یه استراتژی اینه که اول آنالیز افتراقی بیان دیتای خودتون (میکرواری، bulk RNA-seq یا single cell RNA-seq یا ...) رو انجام بدید و ژن‌های up و down رو به دست بیارید؛ بعد مراحل downstream، مثل رسم شبکه PPI و WGCNA رو ادامه بدید تا در نهایت به تعدادی هاب‌ژن برسید. تو مرحله بعد با فیچر سلکشن با روش RF می‌تونید از بین این هاب‌ژن‌ها، بایومارکرهای کاندید رو انتخاب کنید.

1️⃣ آماده‌سازی دیتا؛ توجه کنید که دیتاتون باید دیتای بیانی نرمالایزشده باشه (اگه دیتای کانت RNA-seq دارید، با متود VST پکیج DESeq2 نرمالایز کنید)؛ دیتای ورودی باید شامل هاب‌ژن‌ها تو ستون‌ها و سمپل‌ها تو ردیف‌ها و همین‌طور حاوی یک ستون که شرایط سمپل‌ها رو نشون‌ می‌ده (مثلا نرمال و تومور)، باشه.

df <- dataset1[rownames(dataset1) %in% hubs, ]
df <- t(df)
df <- data.frame(df)
df$Status <- c(rep("Tumor", 25), rep("Normal", 25))
x <- as.matrix(df[, -ncol(df)])
View(x)
y <- c(rep(1,25), rep(0, 25))

تو کد بالا، hubs یک وکتور حاوی اسامی هاب‌ژن‌ها و dataset1 هم دیتای بیانی نرمالایزشده هست.

2️⃣ ساخت مدل Random Forest:

library(randomForest)

rf_model <- randomForest(Status ~ .,
                         data = df,
                         importance = TRUE,
                         ntree = 120)

🔹 آرگومان ntree: تعداد درخت‌ها (هرچی بیشتر ← پایدارتر ولی زمان بیشتر)
🔹 آرگومان importance = TRUE: فعال‌سازی محاسبه اهمیت ژن‌ها

3️⃣ بررسی خلاصه مدل؛ این خروجی شامل دقت مدل (OOB error) و عملکرد کلی طبقه‌بندی هست.

print(rf_model)

4️⃣ رسم نرخ خطا؛ این نمودار تغییر خطا را با افزایش تعداد درخت‌ها نشان می‌دهد (اولین پلات مهم برای مقاله).

plot(rf_model)

5️⃣ محاسبه اهمیت ژن‌ها؛ این مرحله یکی از کلیدی‌ترین بخش‌هاست. هر ژن بر اساس دو معیار اصلی رتبه‌بندی می‌شه: MeanDecreaseGini (کاهش ناخالصی) و MeanDecreaseAccuracy (کاهش دقت در صورت حذف ژن) (دومین پلات مهم برای مقاله).

importance_vals <- importance(rf_model)
varImpPlot(rf_model)

6️⃣ مرتب‌سازی ژن‌ها بر اساس اهمیت (از مهم‌ترین به کم‌اهمیت‌ترین).

important_genes_rf <- importance_vals[order(importance_vals[, "MeanDecreaseGini"], decreasing = TRUE), ]

7️⃣ انتخاب بایومارکرهای کاندید؛ می‌تونید از دو روش برای این کار استفاده کنید:
روش اول: آستانه روی MeanDecreaseAccuracy (Z-score):

z_scores <- scale(important_genes_rf[, "MeanDecreaseAccuracy"])
selected_genes <- names(z_scores[z_scores > 1])
selected_genes

روش دوم: انتخاب ژن‌های برتر (Top genes)؛ مثلا ده ژن برتر:

top_genes_rf <- rownames(important_genes_rf)[1:10]

⭐️ به این مقاله که چند ماه پیش نوشتم، توجه کنید؛ یکی از استپ‌ها مربوط به همین روش هست.
Machine learning and WGCNA reveal the PVT1/miR-143–3p/CDK1 ceRNA axis as a key regulator in NSCLC


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#بیوانفورماتیک

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

🔹 بررسی تست ⇐

✏️ باستان‌شناسان از اینکه در محل حفاری فسیل‌های باستانی را به خاطر فراهم آوردن اطلاعات ارزشمند درباره زندگی ماقبل تاریخ، از زیر خاک بیرون آوردند، بسیار هیجان‌زده بودند.

✅ Conceal: پنهان کردن
❌ Unearth: از زیر خاک بیرون آوردن، کشف کردن
✅ Fabricate: جعل کردن، ساختن
✅ Disintegrate: متلاشی کردن، متلاشی شدن
🔊 Archaeologist: باستان‌شناس
🔊 Thrill: هیجان، به هیجان آوردن
🔊 Ancient: باستانی، کهن
🔊 Excavation: حفاری، کاوش
🔊 Site: محل، مکان
🔊 Provide: فراهم کردن
🔊 Valuable: ارزشمند
🔊 Insight: نگرش، دیدگاه
🔊 Prehistoric: ماقبل تاریخ

🔹 این واژه‌ها رو اشتباه حفظ نکنید: Conceal به معنی پنهان کردن - Conceive به معنی تصور کردن، باردار شدن - Concise به معنی مختصر - Concentrate به معنی تمرکز کردن - Conceptualize به معنی مفهوم‌سازی کردن.

💯 مباحث و تست‌ از جزوه لغات زبان پزشکی.

🖥 جهت مطالعه لغات بیشتر، این هشتگ را دنبال کنید ⇦ #لغات_زبان


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#تست_زبان

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

⚡️ فصل ژنتیک سرطان یکی از فصل‌هاییه که شامل اسامی متعدد ژن‌ها و سرطان‌های مختلف هست. از اونجا که این موارد تو فصل ۱۴ امری به‌صورت پراکنده مطرح شده‌، برای مرور بهتر، اونا رو در قالب چند جدول دسته‌بندی کردم و فعلا پارت ۱ رو داشته باشید 💯

🔒 رمز فایل (حروف بزرگ و کوچک رعایت شود): GeneticsAS

⚡️ اگر هم می‌خواید به پست‌ها و نکات درسی کامل این فصل دسترسی داشته باشید، هشتگ #ژنتیک_سرطان رو دنبال کنید (پست اول).


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

📌 فیچر سلکشن و انتخاب بایومارکرهای پیش‌بینی‌کننده کاندید با روش Boruta

🔴 توضیحات ◀️

🔴 متود Boruta یکی از الگوریتم‌های قدرتمند فیچر سلکشن هست که بر پایه الگوریتم Random Forest توسعه داده شده. برخلاف بسیاری از روش‌های فیچر سلکشن که فقط به دنبال پیدا کردن کمترین تعداد ویژگی برای بهترین عملکرد مدل هستن، هدف Boruta شناسایی تمام ویژگی‌های واقعاً مهم هست؛ تو این روش اول برای هر ژن موجود در دیتاست، یک نسخه تصادفی و به‌هم‌ریخته از همون ژن ساخته می‌شه که به اون Shadow Feature گفته می‌شه؛ بعد الگوریتم Random Forest روی مجموعه داده شامل ژن‌های واقعی و Shadow Featureها اجرا می‌شه و اهمیت هر کدوم محاسبه می‌شه. اگه اهمیت یک ژن واقعی به طور معناداری بیشتر از بهترین Shadow Feature باشه، اون ژن به عنوان Important تأیید می‌شه؛ اگر کمتر باشه حذف می‌شه و اگر وضعیتش مشخص نباشه به عنوان Tentative باقی می‌مونه تا تو تکرارهای بعدی دوباره بررسی بشه. به زبان ساده، Boruta فقط ژن‌هایی رو نگه می‌داره که واقعاً اطلاعات زیستی ارزشمند برای تفکیک کلاس‌ها دارن و احتمال انتخاب ویژگی‌های تصادفی یا نویز رو تا حد زیادی کاهش می‌ده.

🟡 برای یادگیری تئوری این الگوریتم، اول ویدیوهای زیر رو ببینید:
Decision and Classification Trees (Part 1)
Decision and Classification Trees (Part 2)
Random Forest (Part 1)
Random Forest (Part 2)

🟠 و اما برای اجرای عملی این روش روی دیتای خودتون، یه استراتژی اینه که اول آنالیز افتراقی بیان دیتای خودتون (میکرواری، bulk RNA-seq یا single cell RNA-seq یا ...) رو انجام بدید و ژن‌های up و down رو به دست بیارید؛ بعد مراحل downstream، مثل رسم شبکه PPI و WGCNA رو ادامه بدید تا در نهایت به تعدادی هاب‌ژن برسید. تو مرحله بعد با فیچر سلکشن با روش Boruta می‌تونید از بین این هاب‌ژن‌ها، بایومارکرهای کاندید رو انتخاب کنید.

1️⃣ آماده‌سازی دیتا؛ توجه کنید که دیتاتون باید دیتای بیانی نرمالایزشده باشه؛ دیتای ورودی باید شامل هاب‌ژن‌ها تو ستون‌ها و سمپل‌ها تو ردیف‌ها و همین‌طور حاوی یک ستون که شرایط سمپل‌ها رو نشون‌ می‌ده (مثلا نرمال و تومور)، باشه.

df <- dataset1[rownames(dataset1) %in% hubs, ]
df <- t(df)
df <- data.frame(df)
df$Status <- c(rep("Tumor", 25), rep("Normal", 25))
x <- as.matrix(df[, -ncol(df)])
View(x)
y <- c(rep(1,25), rep(0, 25))

تو کد بالا، hubs یک وکتور حاوی اسامی هاب‌ژن‌ها و dataset1 هم دیتای بیانی نرمالایزشده هست.

2️⃣ اجرای الگوریتم Boruta:

library(Boruta)
df$Status <- as.factor(df$Status)
set.seed(123)
boruta_result <- Boruta(Status ~ .,
                        data = df,
                        doTrace = 2,
                        maxRuns = 500)

🔹 آرگومان doTrace = 2: نمایش روند اجرای الگوریتم و وضعیت فیچرها تو هر تکرار.
🔹 آرگومان maxRuns = 500: حداکثر تعداد دفعات اجرای Random Forest برای تصمیم‌گیری نهایی درباره فیچرها؛ هرچی بیشتر ← احتمال تصمیم‌گیری دقیق‌تر و زمان اجرای بیشتر.

3️⃣ رسم نمودار اهمیت فیچرها؛ این نمودار توزیع اهمیت ژن‌های واقعی رو در مقایسه با Shadow Featureها نشون می‌ده (نموداری که باید تو مقاله بذارید).

par(mar = c(5, 5, 5, 5))
plot(boruta_result,
     las = 2,
     cex.axis = 0.6,
     main = "Boruta Feature Importance")

🟢 فیچر سبز: ژن‌ تأیید شده (Confirmed)
🟡 فیچر زرد: ژن‌ نامشخص (Tentative)
🔴 فیچر قرمز: ژن‌ رد شده (Rejected)
🔵 فیچر آبی: Shadow Feature

4️⃣ تعیین تکلیف فیچرهای Tentative؛ تابع زیر سعی می‌کنه تصمیم نهایی رو برای این فیچرها بگیره که تو بازی باشن یا نه :)

final_boruta <- TentativeRoughFix(boruta_result)

5️⃣ استخراج بایومارکرهای منتخب و قطعی:

selected_boruta <- getSelectedAttributes(final_boruta,
                                         withTentative = FALSE)
print(selected_boruta)

⭐️ به این مقاله که چند ماه پیش نوشتم، توجه کنید؛ یکی از استپ‌ها مربوط به همین روش هست.
Machine learning and WGCNA reveal the PVT1/miR-143–3p/CDK1 ceRNA axis as a key regulator in NSCLC


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#بیوانفورماتیک

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

⚡️ پارت دوم و آخر جدول بیماری‌های ژنتیک سرطان 💯
پارت اول

🔒 رمز فایل (حروف بزرگ و کوچک رعایت شود): GeneticsAS

⚡️ اگر هم می‌خواید به پست‌ها و نکات درسی کامل این فصل دسترسی داشته باشید، هشتگ #ژنتیک_سرطان رو دنبال کنید (پست اول).


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

💯 پاسخ تست (سطح تست: سخت).
💯 مباحث از جزوه جرد.

🖥 جهت مطالعه مباحث رفرنس استراخان، این هشتگ را دنبال کنید ⇦ #نکات_جرد


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید: @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#تست_روز

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

💬 چهار پسیج تألیفی شبیه‌ساز زبان کنکور ارشد (سطح سوالات: آسان)

🔒 رمز فایل (حروف بزرگ و کوچک رعایت شود): GeneticsAS

✔️ کلید سوالات در صفحه آخر


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#زبان
#تست_زبان

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

✔️ فصل توارث چندعاملی رفرنس جرد: واریانت‌های مستعدکننده دیابت شیرین (این نکات، نکاتی هستن که در رفرنس امری گفته نشده یا کمتر گفته شده).

💯 مباحث از جزوه ژنتیک پزشکی جرد.

✏️ فصل مرتبط در رفرنس امری: فصل ۱۰ (توارث چندعاملی)؛ دیابت شیرین


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#ژنتیک
#نکات_جرد

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

💯 پاسخ تست (سطح تست: سخت).
🔹 خیلی از دوستان گزینه FTO رو انتخاب کردن؛ درسته که واریانت‌های FTO با افزایش خطر چاقی در جمعیت عمومی ارتباط دارن، اما وقتی سؤال به چاقی شدید (severe obesity) اشاره می‌کنه، پاسخ درست MC4R هست.

💯 مباحث از جزوه جرد.

🖥 جهت مطالعه مباحث رفرنس استراخان، این هشتگ را دنبال کنید ⇦ #نکات_جرد


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید: @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#تست_روز

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

🔍 تاریخ ثبت‌نام آزمون کارشناسی ارشد وزارت بهداشت ۱۴۰۵ اعلام شد؛ از ساعت ۹ صبح ۱۰ام تا ساعت ۱۳ ظهر ۱۸ام مردادماه.
🔴 زمان برگزاری این آزمون: ۷ و ۸ آبان‌ماه.


#اخبار
#کارشناسی_ارشد

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

📌 فیچر سلکشن و انتخاب بایومارکرهای پیش‌بینی‌کننده کاندید با روش XGBoost (Extreme Gradient Boosting)

🔴 توضیحات ◀️

🔴 این الگوریتم (الگوریتم موردعلاقه خودم 🙂) یکی از قدرتمندترین روش‌های یادگیری ماشین مبتنی بر درخت‌های تصمیمه که تو خیلی از مسائل طبقه‌بندی، پیش‌بینی و کشف بایومارکر مورد استفاده قرار می‌گیره؛ برخلاف روش‌های سنتی Random Forest که تعداد زیادی درخت رو به صورت مستقل ایجاد می‌کنن، XGBoost یه روش Gradient Boosting هست؛ یعنی درخت‌ها به صورت متوالی ساخته می‌شن و هر درخت جدید تلاش می‌کنه خطای مدل قبلی رو کاهش بده. در واقع، اول یه درخت تصمیم ساخته می‌شه، بعد نمونه‌هایی که مدل تو پیش‌بینی‌شون اشتباه کرده، وزن بیشتری تو مرحله بعد می‌گیرن تا درخت‌های بعدی تمرکز بیشتری روی اصلاح اون خطاها داشته باشن. این فرآیند چندبار تکرار می‌شه تا در نهایت یک مدل قدرتمند با توانایی بالای تفکیک کلاس‌ها ایجاد بشه. بعد از ساخت مدل، اهمیت فیچرها بر اساس پارامترهای زیر محاسبه می‌شن:
🟡 پارامتر Gain: میزان کاهش خطا یا بهبود عملکرد مدل توسط یک فیچر هنگام تقسیم‌بندی درخت‌ها.
🟢 پارامتر Cover: تعداد نمونه‌هایی که تحت تأثیر اون فیچر در تصمیم‌گیری درخت قرار گرفتن.
🔵 پارامتر Frequency: تعداد دفعاتی که یک فیچر برای تقسیم‌بندی درخت‌ها استفاده شده.

🟡 برای یادگیری تئوری این الگوریتم، اول ویدیوهای زیر رو ببینید:
Decision and Classification Trees (Part 1)
Decision and Classification Trees (Part 2)
Random Forest (Part 1)
Random Forest (Part 2)
Gradient Boost (Part 1)
Gradient Boost (Part 2)
Gradient Boost (Part 3)
Gradient Boost (Part 4)
XGBoost (Part 1)
XGBoost (Part 2)
XGBoost (Part 3)
XGBoost (Part 4)

🟠 و اما برای اجرای عملی این روش روی دیتای خودتون، یه استراتژی اینه که اول آنالیز افتراقی بیان دیتای خودتون رو انجام بدید و ژن‌های up و down رو به دست بیارید؛ بعد مراحل downstream، مثل رسم شبکه PPI و WGCNA رو ادامه بدید تا در نهایت به تعدادی هاب‌ژن برسید. تو مرحله بعد با فیچر سلکشن با روش XGBoost می‌تونید از بین این هاب‌ژن‌ها، بایومارکرهای کاندید رو انتخاب کنید.

1️⃣ آماده‌سازی دیتا؛ توجه کنید که دیتاتون باید دیتای بیانی نرمالایزشده باشه؛ دیتای ورودی باید شامل هاب‌ژن‌ها تو ستون‌ها و سمپل‌ها تو ردیف‌ها و همین‌طور حاوی یک ستون که شرایط سمپل‌ها رو نشون‌ می‌ده (مثلا نرمال و تومور)، باشه.

df <- dataset1[rownames(dataset1) %in% hubs, ]
df <- t(df)
df <- data.frame(df)
x <- as.matrix(df[, -ncol(df)])
y <- c(rep(1,25), rep(0, 25))

🔴 متغیر hubs یک وکتور حاوی اسامی هاب‌ژن‌ها و dataset1 هم دیتای بیانی نرمالایزشده هست.

2️⃣ تبدیل داده‌ها به فرمت DMatrix برای افزایش سرعت و کاهش مصرف حافظه.

library(xgboost)
library(caret)
library(Matrix)
dtrain <- xgb.DMatrix(data = x,
                      label = y)
class(dtrain)

3️⃣ آموزش مدل XGBoost:

params <- list(booster = "gbtree",
               objective = "binary:logistic",
               eval_metric = "logloss")
xgb_model <- xgb.train(params = params,
                       data = dtrain,
                       nrounds = 100,
                       verbose = 0)

🔹 آرگومان booster = gbtree: استفاده از درخت‌های تصمیم به عنوان مدل پایه.
🔹 آرگومان eval_metric = logloss: معیار ارزیابی عملکرد مدل هنگام آموزش.

4️⃣ محاسبه اهمیت فیچرها:

importance <- xgb.importance(model = xgb_model)
print(importance)

🔹 خروجی: پارامترهای Gain، Cover و Frequency یا Weight.

5️⃣ رسم نمودار اهمیت فیچرها (پلاتی که باید تو مقاله‌تون بذارید).

xgb.plot.importance(importance_matrix = importance,
                    top_n = 29,
                    col = col)

6️⃣ استخراج بایومارکرهای منتخب:

top_markers <- importance$Feature[1:5]
print(top_markers)

⚪️ بسته به پروژه خودتون می‌تونید تعداد فیچر بیشتری انتخاب کنید.

⭐️ به این مقاله که چند ماه پیش نوشتم، توجه کنید؛ یکی از استپ‌ها مربوط به فیچر سلکشن هست.
Machine learning and WGCNA reveal the PVT1/miR-143–3p/CDK1 ceRNA axis as a key regulator in NSCLC


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#بیوانفورماتیک

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

🔍 آغاز دریافت و ویرایش کارت ورود به جلسه آزمون کارشناسی ارشد وزارت علوم ۱۴۰۵ در سایت سازمان سنجش.
🔴 زمان برگزاری این آزمون: ۲۵ و ۲۶ تیرماه.


#اخبار
#کارشناسی_ارشد

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

💯 پاسخ تست (سطح تست: بسیار سخت).

💯 مباحث از جزوه جرد.

🖥 جهت مطالعه مباحث رفرنس استراخان، این هشتگ را دنبال کنید ⇦ #نکات_جرد


✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید: @Cyaxares

💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆

😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است!

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#تست_روز

کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠