لینک ثبتنام:
https://register1.sanjesh.org/nrgarshad405/
#اخبار
#ارشد
#وزارت_علوم
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
🙏5❤3👍2😢1
@GeneticsAS Immune System Disorders Table 2.pdf
322.2 KB
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10😍3🙏2👏1💯1🏆1🍓1
#امری
#بیماریهای_تکژنی
#پارت۲۰
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👏3🙏2👍1
#امری
#بیماریهای_تکژنی
#پارت۲۰
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
🙏5❤3👍3👌1😍1
## Install and Load the package
install.packages("UpSetR")
library(UpSetR)
## Input Sets
listInput <- list(A = c("Gene 1", "Gene 2", "Gene 3", "Gene 4", "Gene 5"), B = c("Gene 2", "Gene 3", "Gene 4", "Gene 1", "Gene 6"), C = c("Gene 1", "Gene 6", "Gene 5"), D = c("Gene 2", "Gene 3", "Gene 1", "Gene 6"), E = c("Gene 1", "Gene 4", "Gene 3", "Gene 5", "Gene 6"), F = c("Gene 5", "Gene 1", "Gene 2"))
length(listInput)
## Create the UpSet Plot
upset(fromList(listInput),
order.by = "degree",
nsets = 11,
main.bar.color = "black",
matrix.color = "black",
sets.bar.color = "black",
point.size = 3,
shade.color = "grey",
line.size = 1)
#بیوانفورماتیک
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍2🔥2👏2🙏1
Anonymous Quiz
17%
Exclude
7%
Disregard
51%
Recruit
25%
Diagnose
❤7❤🔥2👍2👌1💯1
#تست_زبان
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍3👏2🙏1🍓1
ما همیشه فکر میکنیم مرگ سلولی پایان داستانه. اما واقعیت ترسناکتره؛ حتی بعد از مرگ، برخی سلولها حرف میزنند!
این واژه به مجموعه ژنهایی اشاره داره که بعد از مرگ فعال میشن و شروع به تولید RNA میکنن. بله، درست شنیدید؛ ژنها بعد از مرگ همچنان فعالیت میکنن! مطالعات نشون دادن که برخی از ژنها، حتی تا چند روز بعد از مرگ روشن میشن و مسیرهای سلولی مرتبط با استرس، التهاب و حتی رشد سلولی را فعال میکنن.
بعد از مرگ، سلولها هنوز به شرایط محیطی واکنش نشون میدن و ژنهایی که با استرس، التهاب و پاسخهای سلولی مرتبط هستن، فعال میشن. همینطور شگفتانگیزه که بعضی از ژنها حتی مسیرهای مرتبط با تقسیم و رشد سلولی رو فعال میکنن، انگار که سلولها تلاش میکنن تا خودشون رو احیا کنن! بعضی از ژنها حتی تا ۴۸ ساعت بعد از مرگ، در نمونههای موش و انسان فعال باقی میمونن.
تحلیل تاناتوترنسکریپتوم میتونه به تعیین زمان دقیق مرگ کمک کنه. همینطور درک این پدیده باعث میشه بفهمیم که مرگ سلولی یک پروسه ناگهانی نیست و با واکنشهای پیچیدهای همراه هست. حتی برخی از مسیرهای فعالِ بعد از مرگ میتونن الهامبخش تحقیقات در مورد ترمیم بافتها و سلولها باشن.
#رازهای_ژنتیک
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤17👍4👏3😢3👌1🏆1🍓1
Anonymous Quiz
38%
PTF1A
29%
TBX5
22%
LMBR1
11%
SOX9
❤4👍2🙏2❤🔥1👌1🍓1
#تست_روز
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👏2🙏2⚡1😍1💯1
#امری
#بیماریهای_تکژنی
#پارت۲۱
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8🙏2🏆2👍1🍓1
#امری
#بیماریهای_تکژنی
#پارت۲۱
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👏3👍1🙏1🍓1
#مشاوره
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10👍4🙏2🍓2❤🔥1👌1
LASSO
RF
SVM-RFE
Boruta
XGBoost
AdaBoost
BRT
دوستان اگه میخواید کدهای مربوط به هر الگوریتم رو بهصورت بهینه و ساده تو پستهای بعدی بذارم، پست رو شِیر کنید و ریاکشن بزنید.
#بیوانفورماتیک
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤9❤🔥5👍4😍2👏1🍓1
#امری
#بیماریهای_تکژنی
#پارت۲۲
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👏3❤🔥2🙏1🍓1
#امری
#بیماریهای_تکژنی
#پارت۲۲
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5🙏3❤🔥1👌1🏆1🍓1
Anonymous Quiz
26%
SLC3A1 - CTNS
25%
SLC7A9 - SLC3A1
29%
SLC3A1 - SLC7A9
20%
CTNS - SLC7A9
❤6👍3🙏1👌1🏆1🍓1
#تست_روز
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍2🙏2👏1💯1🏆1
library(SingleR)
library(celldex)
library(SingleCellExperiment)
ref <- HumanPrimaryCellAtlasData(ensembl = F)
mylabels <- SingleR(test = as.SingleCellExperiment(srobj_clus),
ref = ref,
labels = ref$label.main)
View(data.frame(table(mylabels$labels)))
View(data.frame(mylabels$scores))
srobj_clus$CellTypes <- mylabels$labels
DimPlot(object = srobj_clus,
reduction = "umap",
label = T,
group.by = "CellTypes") +
NoLegend()
* بهطور خیلی ساده، SingleR از یک دیتای رفرنس pre-annotated استفاده میکنه و پروفایل بیانی این دیتا رو با پروفایل بیانی دیتای خودمون مقایسه میکنه و در نهایت لیبلها رو ترنسفر میکنه.
devtools::install_github("chloelulu/scMayoMap")
library(scMayoMap)
scMayoMap.obj <- scMayoMap(data = markers,
database = scMayoMapDatabase,
tissue = "prostate")
class(scMayoMap.obj)
View(scMayoMap.obj$res)
plt <- scMayoMap.plot(scMayoMap.object = scMayoMap.obj)BiocManager::install("EasyCellType")
BiocManager::install("org.Mm.eg.db")
library(EasyCellType)
markers_easy <- markers[, c("gene", "cluster", "avg_log2FC")]
colnames(markers_easy) <- c("gene", "cluster", "score")
markers_easy <- markers_easy[order(markers_easy$score, decreasing = TRUE), ]
View(markers_easy)
data(cellmarker_tissue)
View(cellmarker_tissue$Human)
easy_annot <- easyct(data = markers_easy,
db = "cellmarker",
genetype = "symbol",
species = "Human",
tissue = "Prostate",
p_cut = 0.5,
test = "GSEA",
scoretype = "pos")
class(easy_annot)* توجه کنید که آبجکت markers نتیجهی تابع FindAllMarkers طبق پایپلاین Seurat هست.
#بیوانفورماتیک
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👏3❤🔥2😍1💯1