RSG - Iran

🔜

سرفصل‌های کارگاه Single Cell RNA Seq

🗓

سومین کارگاه شاخه دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران با موضوع Single Cell RNA Seq در ۴ جلسه به‌صورت حضوری و آنلاین در تاریخ‌های ۳۰ مهر ماه ۱، ۵ و ۱۵ام آبان ماه برگزار می‌شود که سرفصل‌های این کارگاه ۴ جلسه‌ای را در دو فایل پیوست می‌توانید ببینید.

🖥 برای کسب اطلاعات بیشتر درباره‌ی کارگاه به پست معرفی کارگاه مراجعه کنید

🔗

لینک ثبت‌نام کارگاه به‌صورت حضوری و آنلاین

🔗

لینک ثبت‌نام کارگاه به‌صورت آنلاین

✉️ در صورت داشتن هر گونه سوال به اکانت پشتیانی انجمن زیست محاسباتی به آیدی @RSG_Iran مراجعه کنید.

📎

یادگیری ماشینی (ML) با ارائه ابزارهای قدرتمند برای:
📌پردازش
📌تجزیه و تحلیل
📌و درک مجموعه داده های عظیم، زیست شناسی را متحول می‌‌کند.

💥

اهمیت یادگیری ML در زیست‌شناسی در چندین زمینه کلیدی نهفته است:
1. مدیریت کلان داده‌ها
2. انجام پیش بینی
3. اتوماسیون

برای آشنایی با یادگیری ماشینی در زیست‌شناسی چه موضوعاتی را باید یاد گرفت؟

1. زیست شناسی پایه: مفاهیم کلیدی مانند: DNA، RNA، پروتئین ها، بیان ژن و درک عملکرد سلول

2. مبانی یادگیری ماشین:
    - یادگیری تحت نظارت
    - یادگیری بدون نظارت
    - یادگیری عمیق

3. مهارت‌های برنامه نویسی: یادگیری کدنویسی به زبان‌هایی مانند پایتون یا R که به‌طور معمول برای تجزیه و تحلیل داده‌ها و یادگیری ماشین در زیست‌شناسی استفاده می‌شوند. آشنایی با کتابخانه‌هایی مانند TensorFlow، scikit-learn یا BioPython

4. مدیریت و ترسیم داده‌ها: درک نحوه مدیریت و ترسیم مجموعه داده‌های بیولوژیکی.

توالی یابی RNA تک سلولی (scRNA-seq) چیست؟
توالی یابی RNA تک سلولی (scRNA-seq) تکنیکی است که برای مطالعه بیان ژن تک تک سلول.ها استفاده می‌شود. به جای تجزیه و تحلیل گروهی از سلول‌ها با هم (توالی RNA حجیم)، scRNA-seq تصویری از آنچه هر سلول جداگانه انجام می‌دهد از نظر این که کدام ژن در یک لحظه معین بیان می‌شوند ارائه می‌دهد.
این روش زیست شناسی را متحول کرده است زیرا؛ تنوع را در یک جمعیت سلولی آشکار می‌کند و تفاوت‌های ظریف بین سلول‌ها را شناسایی می‌کند که در غیر این صورت پنهان می‌شدند.

💱

ارتباط بین یادگیری ماشین و scRNA-seq
ارتباط بین scRNA-seq و یادگیری ماشین بسیار مهم است زیرا scRNA-seq مجموعه داده‌های بزرگ و پیچیده‌ای را تولید می‌کند که نیاز به تجزیه و تحلیل پیچیده دارد. یادگیری ماشینی به روش‌های زیر کمک می کند:

1. کاهش ابعاد: داده‌های scRNA-seq حاوی هزاران سطح بیان ژن در هر سلول است که داده ها را بسیار پیچیده می کند.
2. خوشه‌بندی سلول‌ها
3. شناسایی نوع سلول
4. پیش‌بینی رفتار سلولی

برای آشنایی با scRNA-seq چه موضوع‌هایی را باید یاد گرفت؟
1. بیولوژی سلولی پایه
2. تکنیک‌های scRNA-seq
3. پردازش و تجزیه و تحلیل داده‌ها

4. یادگیری ماشین برای scRNA-seq:
    - کاهش ابعاد
    - الگوریتم‌های خوشه‌بندی
    - مدل‌های طبقه‌بندی

🚀

🖼

Instagram

Please open Telegram to view this post