📌 دوستانی که علاقه‌مند به نوشتن مقاله بیوانفورماتیکی هستن، توجه داشته باشن که حتی تو سال ۲۰۲۶ هم می‌تونن یک مقاله تماما بیوانفورماتیکی بنویسن و حتی از همون تکنیک‌های کلاسیک و بیسیک استفاده کنن.

📌 به همین منظور چهار مقاله کاملا جدید انتخاب کردم که پایپ‌لاین ساده تا نسبتا ساده دارن؛ می‌تونین از این پایپ‌لاین‌ها تو کارهاتون الگوبرداری کنید. اگه این استپ‌ها رو یاد بگیرید، می‌تونید پروژه‌ها و مقاله‌های خوبی کار کنید.

✏️ مقاله ۱ ⬇️
1. Data collection (GEO)
2. Differential expression analysis
3. Enrichment analysis
4. PPI network
5. PPI network hub genes
6. Hub genes enrichment analysis
7. External dataset validation

✏️ مقاله ۲ ⬇️
1. Data collection (GEO)
2. Differential expression analysis
3. Enrichment analysis
4. WGCNA
5. PPI network
6. Feature selection
7. ROC analysis
8. ceRNA network
9. ssGSEA

✏️ مقاله ۳ ⬇️
1. Data collection (GEO)
2. Differential expression analysis
3. Enrichment analysis
4. GSEA
5. Gene set extraction
6. External dataset validation
7. Immune infiltration
8. WGCNA

✏️ مقاله ۴ ⬇️
1. Data collection (TCGA)
2. Differential expression analysis
3. WGCNA
4. GSEA
5. ceRNA network
6. Immune infiltration
7. Survival analysis

📌 توجه کنید تو همه‌ی این پایپ‌لاین‌ها، یک‌سری از مراحل و تکنیک‌های بیسیک، پای ثابت یه مقاله بیوانفورماتیکی هستن؛ مثل کار با دیتابیس‌های عمومی، پیش‌پردازش و آنالیز دیتا، ساخت و آنالیز شبکه، فیچر سلکشن با الگوریتم‌های مختلف مشین لرنینگ، آنالیز انریچمنت، اعتبارسنجی یا ولیدیشن با دیتاست مستقل خارجی و آنالیز بقا. برای شروع می‌تونید این مراحل رو یاد بگیرید. اگه اینارو بلدید، دوتا تکنیکی که جدیدا تو مقاله‌ها زیاد استفاده می‌شه، immune cell infiltration analysis و Mendelian Randomization هست.

📌 حرف آخر این که یادگیری این موضوعات برای همه دانشجوهای فیلد زیست‌شناسی و بالین لازمه. اگه دانشجوی ارشد هستید و این تکنیک‌ها رو بلد نیستید که سریعا دست به کار شید، اما برای دانشجوهای دکتری، ناآشنایی با این تکنیک‌ها، حقیقتا یک ضعف جدی محسوب می‌شه!


✨ 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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

🔍 خبرگزاری مهر: کنکور کارشناسی ارشد وزارت علوم ۱۴۰۵ در روزهای ۱۸ و ۱۹ تیر برگزار می‌گردد (لینک خبر).

🟢 ثبت‌نام جاماندگان این آزمون از امروز تا ۱۱ خرداد.


#اخبار
#کارشناسی_ارشد

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

⚡️ پلتفرم DataCamp از امروز تا دوشنبه هفته بعد دسترسی به کورس‌هاش رو رایگان کرده. فرصت خوبیه که مهارت یاد بگیرید و رزومه‌تون رو تقویت کنید. فقط با یک ایمیل می‌تونید تو این سایت پروفایل بسازید و از همه دوره‌هاش به‌طور نامحدود استفاده کنید. ضمن اینکه با تکمیل کردن هر دوره، بهتون سرتیفیکت معتبر می‌ده که می‌تونید تو رزومه‌تون بذارید.

✅ لینک سایت:
https://www.datacamp.com/
✅ لینک دانلود اپلیکیشن از گوگل‌پلی:
https://play.google.com/store/apps/details?id=com.datacamp

⚡️ چندتا از دوره‌‌های دیتاکمپ که برای بیوانفورماتیک می‌تونه بدردتون بخوره:
✅ Introduction to R
✅ Intermediate R
✅ Network Analysis in R
✅ Survival Analysis in R
✅ Machine learning with caret in R
✅ RNA-Seq with Bioconductor in R
✅ Differential Expression Analysis with limma in R


✨ 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 سوم جدول بیماری‌های ژنتیک تکوین 💯
پارت اول
پارت دوم

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

⚡️ اگر می‌خواید به پست‌ها و نکات درسی کامل این فصل دسترسی داشته باشید، هشتگ #ژنتیک_تکوین 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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

❗️ داراکسونراسیب (Daraxonrasib)؛ امید تازه در درمان سرطان پانکراس ❗️


💀 سرطان پانکراس یکی از مرگبارترین سرطان‌هاست؛ علت اصلی هم این است که در اکثر موارد، خیلی دیر تشخیص داده می‌شود و از طرفی به درمان‌های رایج هم به‌خوبی پاسخ نمی‌دهد. اما در سال‌های اخیر، تمرکز تحقیقات روی یک هدف بسیار مهم تغییر کرده: ژن KRAS.

🧬 در حالت طبیعی، پروتئین RAS مثل یک کلید روشن/خاموش برای رشد سلول عمل می‌کند؛ اما در بسیاری از سرطان‌ها، RAS جهش‌یافته به‌طور مداوم در حالت فعال باقی می‌ماند و سیگنال رشد را بدون کنترل به سلول منتقل می‌کند. بیش از ۹۰٪ سرطان‌های پانکراس دارای جهش KRAS هستند (مثل G12D، G12V و G12R)؛ همین موضوع این مسیر را به یک هدف طلایی در درمان تبدیل کرده است.

➕ داراکسونراسیب یک داروی نسل جدید است که برخلاف درمان‌های قبلی، به‌جای هدف‌گیری یک جهش خاص، طیف وسیعی از پروتئین‌های RAS جهش‌یافته و فعال را هدف قرار می‌دهد. به بیان دیگر داراکسونراسیب یک مهارکننده‌ برای حالت فعال RAS است و مسیر سیگنال‌دهی رشد RAS/MAPK signaling را خاموش می‌کند.

✅ طبق نتایج مقاله‌ای که اخیرا منتشر شد، داروی داراکسونراسیب در بیماران مبتلا به سرطان پانکراس متاستاتیک که قبلاً درمان شده بودند، نسبت به شیمی‌درمانی استاندارد نتایج به‌مراتب بهتری داشته است؛ به‌طوری‌که بقای کلی بیماران تقریباً از حدود ۶.۶ ماه در گروه شیمی‌درمانی به حدود ۱۳.۲ ماه در گروه دارو افزایش پیدا کرده و زمان پیشرفت بیماری نیز تقریباً دو برابر شده است. همین‌طور خطر مرگ حدود ۶۰٪ کاهش یافت.

⚠️ البته این دارو هنوز تأیید نهایی FDA را دریافت نکرده است، اما نتایج یک کارآزمایی بزرگ فاز ۳ بسیار امیدوارکننده بوده‌اند. با این وجود، داراکسونراسیب را می‌توان یکی از جدی‌ترین تلاش‌ها برای هدف‌گیری مستقیم RAS در سرطان پانکراس دانست؛ مسیری که اگر موفق شود، می‌تواند یکی از سخت‌ترین سرطان‌های دنیا را وارد عصر درمان‌های هدفمند واقعی کند.

🌐لینک مقاله: https://www.nejm.org/doi/full/10.1056/NEJMoa2605555


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

➕ پست‌ها رو برای دوستانتون فوروارد کنید.


#رازهای_ژنتیک

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

🟡 لیست آپدیت‌شده از بهترین ویدیوهای آموزشی یوتوب در رابطه با تکنیک‌های آزمایشگاهی، بیوانفورماتیک و مهارت‌های مربوط به بایولوژی (آپدیت نهم) 👈🏻


🤔 تکنیک‌های آزمایشگاهی 👈

🖥 تکنیک PCR (تئوری)
🖥 تکنیک PCR (عملی)
🖥 تکنیک Real-time PCR (تئوری)
🖥 تکنیک Real-time PCR (عملی)
🖥 تکنیک ARMS PCR (تئوری)
🖥 تکنیک Tetra ARMS PCR (تئوری)
🖥 تکنیک Hot start PCR (تئوری)
🖥 تکنیک Nested PCR (تئوری)
🖥 تکنیک Nested PCR (تئوری و عملی)
🖥 تکنیک Droplet Digital PCR
🖥 تکنیک RFLP (تئوری)
🖥 تکنیک Southern Blot (تئوری)
🖥 تکنیک Northern Blot (تئوری)
🖥 تکنیک Gel Electrophoresis (تئوری)
🖥 تکنیک Gel Electrophoresis (عملی)
🖥 تکنیک DNA Microarray (تئوری)
🖥 تکنیک Sanger Sequencing (تئوری)
🖥 تکنیک Pyrosequencing (تئوری)
🖥 تکنیک Illumina Sequencing (تئوری)
🖥 تکنیک PacBio Sequencing (تئوری)
🖥 تکنیک Oxford Nanopore Sequencing
🖥 تکنیک Bisulfite sequencing (تئوری)
🖥 تکنیک Single cell RNA-seq (تئوری) (۱)
🖥 تکنیک Single cell RNA-seq (تئوری) (۲)
🖥 تکنیک CUT & RUN
🖥 تکنیک CUT & TAG
🖥 تکنیک فلوسایتومتری (تئوری)
🖥 تکنیک CRISPR-Cas9 (تئوری)
🖥 تکنیک ChIP-Seq (تئوری)
🖥 تکنیک ATAC-Seq با توضیحات کوتاه (تئوری)
🖥 تکنیک ATAC-Seq با توضیحات تکمیلی (تئوری)
🖥 تکنیک Hi-C
🖥 تکنیک FISH (تئوری)
🖥 استخراج RNA با استفاده از trizol (تئوری)
🖥 استخراج RNA با استفاده از trizol (عملی)
🖥 سنتز cDNA (تئوری)


🤔 دیتابیس‌های زیستی 👈

🖥 دیتابیس NCBI
🖥 دیتابیس UCSC
🖥 دیتابیس TCGA
🖥 پلی‌لیست آموزش کامل دیتابیس TCGA
🖥 دیتابیس Xena Browser
🖥 دیتابیس Enrichr
🖥 آدیتابیس gprofiler
🖥 دیتابیس DAVID
🖥 دیتابیس STRING
🖥 دیتابیس miR2Disease
🖥 دیتابیس‌های TargetScan، miRDB و RNA22


🤔 مهارت‌های بیوانفورماتیکی 👈

🖥 طراحی پرایمر PCR با استفاده از ابزار primer blast دیتابیس NCBI
🖥 طراحی پرایمر PCR با وبسایت Primer3plus
🖥 طراحی پرایمر Real-time PCR با ابزار primer blast دیتابیس NCBI
🖥 بررسی اختصاصیت پرایمر طراحی‌شده با primer blast دیتابیس NCBI
🖥 بررسی اختصاصیت پرایمر طراحی‌شده با in silico PCR دیتابیس UCSC
🖥 آشنایی با مفهوم Gene Ontology
🖥 آشنایی با آنالیز Pathway
🖥 نحوه‌ی دانلود دیتاهای سرطان از دیتابیس TCGA
🖥 آنالیز دیتای Microarray با ابزار GEO2R
🖥 آنالیز دیتای Microarray با پکیج affy در زبان برنامه‌نویسی R
🖥 آنالیز Gene Ontology پکیج custerProfiler در زبان‌ برنامه‌نوسی R
🖥 آنالیز دیتای فلوسایتومتری با نرم‌افزار Flowjo
🖥 آموزش آنالیز شبکه هم‌بیانی وزن‌دار (WGCNA)
🖥 توضیحات تئوری پکیج DESeq2 برای آنالیز RNA-seq
🖥 کار با پکیج DESeq2 برای آنالیز RNA-seq (پارت 1)
🖥 کار با پکیج DESeq2 برای آنالیز RNA-seq (پارت 2)
🖥 معرفی فایل‌های SAM و BAM
🖥 پلی‌لیست آموزش ابزار samtools
🖥 معرفی فایل‌های تولیدشده در آنالیز ChIP-seq
🖥 آنالیز دیتای ChIP-seq در R
🖥 آموزش زبان برنامه‌نویسی R سطح مبتدی
🖥 آموزش زبان برنامه‌نویسی Python سطح مبتدی
🖥 آموزش کتابخانه numpy در پایتون
🖥 آموزش کتابخانه pandas در پایتون
🖥 آموزش کتابخانه matplotlib در پایتون
🖥 آموزش پکیج ggplot2 در R
🖥 آموزش پکیج dplyr در R
🖥 مجموعه ویدیوهای آمار و آمار زیستی
🖥 مجموعه ویدیوهای تئوری آنالیز بقا (Survival analysis)
🖥 انجام آنالیز بقا در زبان برنامه‌نویسی R
🖥 مجموعه ویدیوهای آموزش Graphpad Prism
🖥 مجموعه ویدیوهای آموزش Graphpad Prism (فارسی)
🖥 آموزش نصب سیستم عامل Linux ubuntu
🖥 آموزش نصب ماشین مجازی در ویندوز
🖥 آموزش کامندهای لینوکس (دوره کامل)
🖥 آموزش کامندهای ضروری لینوکس (در ده دقیقه)
🖥 پلی‌لیست آموزش Shell Scripting در لینوکس

💬 توجه: دوستان زیرنویس انگلیسی برای همه‌ی این ویدیوها اکتیو هست و می‌تونید برای یادگیری بهتر ازش استفاده کنید. دوستانی که ویدیوهای بهتر تو یوتوب یا جاهای دیگه دیدن، می‌تونن لینکش رو برام بفرستن که من تو این لیست قرار بدم. همین‌طور این لیست به مرور زمان آپدیت می‌شه و ویدیوهای تخصصی‌تر، مخصوصا تو حوزه بیوانفورماتیک که خودم‌ ازشون استفاده کردم، به لیست اضافه می‌شن.


✨ 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.


#تکنیک
#ویدیو_آموزشی

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

⚡️ پارت چهارم جدول بیماری‌های ژنتیک تکوین 💯
پارت اول
پارت دوم
پارت سوم

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

⚡️ اگر می‌خواید به پست‌ها و نکات درسی کامل این فصل دسترسی داشته باشید، هشتگ #ژنتیک_تکوین 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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

🔴 خیلی از شما دوستان کار با دیتابیس GEO رو بلدید؛ اما شاید به یک‌سری از جزییات در مورد این دیتابیس کمتر دقت کردید. این فایل تقریبا تمام چیزهایی که باید در مورد GEO بدونید رو داره.

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


✨ 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 پنجم (آخر) جدول بیماری‌های ژنتیک تکوین 💯
پارت اول
پارت دوم
پارت سوم
پارت چهارم

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

⚡️ اگر می‌خواید به پست‌ها و نکات درسی کامل این فصل دسترسی داشته باشید، هشتگ #ژنتیک_تکوین 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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

🔍 آزمون کارشناسی ارشد وزارت علوم ۱۴۰۵ که قرار بود در روزهای پنج‌شنبه و جمعه ۱۸ و ۱۹ تیر ماه برگزار شود، در روزهای پنج‌شنبه و جمعه ۲۵ و ۲۶ تیرماه در سراسر کشور برگزار خواهد شد.


#اخبار
#کارشناسی_ارشد

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

📌 ساخت شبکه‌های تنظیمی ژن با استفاده از دیتاهای سینگل‌سل

🔴 توضیحات ◀️

🔴 شبکه‌های تنظیمی ژن (GRNs) مجموعه‌ای از اینتراکشن‌های مولکولی هستن که در اون‌ها فاکتورهای رونویسی، ژن‌های هدف خودشون رو کنترل می‌کنن و در نهایت تعیین می‌کنن که هر ژن تو چه زمانی و تو چه سلولی روشن یا خاموش بشه؛ به بیان ساده، GRNها یک نقشه از روابط تنظیمی بین ژن‌ها هستن که بیان ژن و هویت سلولی رو هدایت می‌کنن. تو این شبکه‌ها، گره‌ها (nodes) معمولاً ژن‌ها یا TFها هستن و یال‌ها (edges) نشون‌دهنده رابطه تنظیمی بین اوناست.

🟡 حالا اگر داده‌های سینگل‌سل داشته باشیم، هدف اینه که GRNها رو در سطح هر سلول به‌صورت جداگانه بازسازی کنیم، نه به‌صورت میانگین جمعیت سلولی. این موضوع اهمیت زیادی داره، چون سلول‌ها حتی تو یک بافت، حالت‌های تنظیمی متفاوتی دارند.

🟠 تو R، پکیجی داریم تحت‌عنوان SCENIC که یکی از ابزارهای قدرتمند برای بازسازی شبکه‌های تنظیمی ژن در داده‌های Single cell RNA-seq است. برخلاف روش‌های معمول که صرفا بر بیان ژن‌ها تمرکز دارن، SCENIC فعالیت فاکتورهای رونویسی و ژن‌های هدف‌شون را رو شناسایی و به درک بهتر مکانیسم‌های تنظیمی در سطح سلولی کمک می‌کنه.

🟢 کدهای پکیج SCENIC ←
1⃣ بازسازی شبکه هم‌بیانی ژن‌ها: تو این مرحله، ارتباط بین فاکتورهای رونویسی و ژن‌های هدف با استفاده از الگوریتم‌های GENIE3 یا GRNBoost2 محاسبه می‌شه.

install.packages("devtools")
devtools::install_github("aertslab/SCENIC")

counts <- GetAssayData(seurat.obj,
                       slot = "counts")
exprMat <- as.matrix(counts)

genesKept <- geneFiltering(exprMat, scenicOptions)
exprMat_filtered <- exprMat[genesKept, ]

runGenie3(exprMat_filtered, scenicOptions)

2⃣ شناسایی Regulonها: تو این مرحله، ارتباط‌های به‌دست‌اومده با استفاده از اطلاعات موتیف‌های DNA پالایش شده و مجموعه ژن‌های تحت کنترل هر فاکتور رونویسی یا Regulon تعیین می‌شن (Regulon یعنی فاکتور رونویسی + ژن‌های هدف).

runSCENIC_1_coexNetwork2modules(scenicOptions)
runSCENIC_2_createRegulons(scenicOptions)

3⃣ محاسبه فعالیت Regulonها در هر سلول: فعالیت هر Regulon با استفاده از روش AUCell اندازه‌گیری شده و می‌شه سلول‌ها رو بر اساس الگوهای تنظیمی‌شون خوشه‌بندی کرد.

runSCENIC_3_scoreCells(scenicOptions)

aucell_regulonAUC <- loadInt(scenicOptions, "aucell_regulonAUC")

4⃣ مرحله مصورسازی:

tsneAUC <- plotTsne_AUCellApp(
  scenicOptions,
  aucell_regulonAUC)

library(igraph)

g <- graph_from_data_frame(regulonTargetsInfo)
plot(g)

🔴 خروجی این آنالیز مجموعه‌ای از Regulonها، میزان فعالیت‌شون در هر سلول و شبکه تنظیمی ژن‌هاست. این اطلاعات امکان شناسایی مسیرهای تنظیمی، تعیین هویت سلولی و کشف فاکتورهای کلیدی دخیل تو بیماری‌ها و فرآیندهای زیستی رو فراهم می‌کنن.

🔴 لینک گیت‌هاب: https://github.com/aertslab/SCENIC/


✨ 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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠

🟡 لیست پست‌های مربوط به بیوانفورماتیک کانال 👈🏻

💻 دیتابیس HMDD (پارت 1)
💻 دیتابیس HMDD (پارت 2)
💻 دیتابیس miRCancer (پارت 1)
💻 دیتابیس miRCancer (پارت 2)
💻 دیتابیس DGIdb
💻 دیتابیس Lnc2Cancer v3
💻 کار با دیتابیس GEO
💻 دیتابیس LncTarD
💻 دیتابیس TISIDB
💻 وب‌سرور RNAfold
💻 ابزار FastQC
💻 تفسیر نتایج FastQC (پارت ۱)
💻 تفسیر نتایج FastQC (پارت ۲)
💻 تفسیر نتایج FastQC (پارت ۳)
💻 ابزار trimmomatic (پارت ۱)
💻 ابزار trimmomatic (پارت ۲)
💻 ابزار SRAtoolkit
💻 آشنایی با miRها و دیتابیس miRbase (پارت ۱)
💻 آشنایی با miRها و دیتابیس miRbase (پارت ۲)
💻 آشنایی با ceRNA و شبکه ceRNA (پارت ۱)
💻 آشنایی با ceRNA و شبکه ceRNA (پارت ۲)
💻 ساخت شبکه ceRNA (پارت ۱)
💻 ساخت شبکه ceRNA (پارت ۲)
💻 ساخت شبکه ceRNA (پارت ۳)
💻 ساخت شبکه ceRNA (پارت ۴)
💻 ساخت شبکه ceRNA (پارت ۵)
💻 ساخت شبکه ceRNA (پارت ۶)
💻 ساخت شبکه ceRNA (پارت ۷)
💻 ساخت شبکه ceRNA (پارت ۸)
💻 ساخت شبکه ceRNA (پارت ۹)
💻 ساخت شبکه ceRNA (پارت ۱۰)
💻 پکیج circlize جهت رسم circle plot
💻 پکیج multiMiR
💻 دانلود دیتای GTEx با پکیج recount3
💻 رسم پلات Upset با پکیج UpSetR
💻 تهیه لیست ژنی یک مسیر سلولی خاص (پارت ۱)
💻 تهیه لیست ژنی یک مسیر سلولی خاص (پارت ۲)
💻 تبدیل IDهای مختلف ژنی به Symbol
💻 انتخاب بایومارکرهای کاندید با Feature selection
💻 آنالیز دیتاهای single cell RNA-seq با scanpy
💻 مرحله annotation‌ دیتای سینگل‌سل (دیتابیس)
💻 مرحله annotation دیتای سینگل‌سل (پکیج)
💻 مفهوم و آنالیز Trajectory در دیتاهای سینگل‌سل
💻 ساخت شبکه‌های تنظیمی ژن با استفاده از دیتاهای سینگل‌سل با پکیج SCENIC


✨ 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: سخت).
💯 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.


#تست_روز

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

⚡️ نکته ۷۴ استراخان: سندرم McCune-Albright و سندرم Robinow (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
#نکته۷۴

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

⚡️ 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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠