اپلیکیشن اندرویدی فلش‌کارت آموزشی گنجینه پنهان ژن‌ها: تحلیل بیومتری صفات کمی با R

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب گنجینه پنهان ژن‌ها: تحلیل بیومتری صفات کمی با R

موضوع کلی: ژنتیک کمی و تجزیه بیومتری

موضوع میانی: روش‌های آماری در تحلیل ژنتیکی صفات کمی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر ژنتیک کمی و صفات کمی
• 2. واریانس ژنتیکی و محیطی: مفاهیم پایه
• 3. اجزای واریانس: واریانس افزایشی، غالبیت و اپیستازی
• 4. تجزیه و تحلیل واریانس (ANOVA) در ژنتیک کمی
• 5. همبستگی و رگرسیون بین صفات کمی
• 6. وراثت پذیری (Heritability): مفهوم و روش های تخمین
• 7. وراثت پذیری در معنای وسیع و محدود
• 8. روش های تخمین وراثت پذیری از داده های خویشاوندی
• 9. پیش بینی پاسخ به گزینش (Selection Response)
• 10. گزینش تک صفتی: اصول و روش ها
• 11. گزینش چند صفتی: شاخص گزینش (Selection Index)
• 12. همبستگی ژنتیکی: مفهوم و اهمیت
• 13. روش های تخمین همبستگی ژنتیکی
• 14. اثرات متقابل ژنوتیپ و محیط (GxE Interaction)
• 15. مدل های GxE Interaction: مقیاس و رتبه
• 16. پایداری عملکرد ژنوتیپ ها: روش های ارزیابی
• 17. تجزیه و تحلیل رگرسیونی پایداری (Regression Analysis of Stability)
• 18. تجزیه و تحلیل میانگین-واریانس (Mean-Variance Analysis)
• 19. تجزیه و تحلیل عاملی (Factor Analysis) در ژنتیک کمی
• 20. تجزیه و تحلیل مسیر (Path Analysis)
• 21. مدل های اثرات تصادفی (Random Effects Models)
• 22. مدل های اثرات آمیخته (Mixed Effects Models)
• 23. برازش مدل های اثرات آمیخته با R
• 24. مدل های خطی تعمیم یافته (Generalized Linear Models) در ژنتیک کمی
• 25. مدل های لجستیک رگرسیون (Logistic Regression) برای صفات دودویی
• 26. مدل های پواسون رگرسیون (Poisson Regression) برای صفات شمارشی
• 27. تجزیه و تحلیل بقا (Survival Analysis) در ژنتیک کمی
• 28. مدل کاکس (Cox Model)
• 29. روش کاپلان-میر (Kaplan-Meier)
• 30. مقدمه ای بر نشانگرهای مولکولی (Molecular Markers)
• 31. انواع نشانگرهای مولکولی: SNP، SSR و غیره
• 32. پیوند ژنتیکی (Genetic Linkage) و نقشه یابی ژنتیکی
• 33. تجزیه و تحلیل پیوستگی (Linkage Analysis)
• 34. نقشه یابی QTL (Quantitative Trait Loci)
• 35. روش های نقشه یابی QTL: فاصله ای ساده (Simple Interval Mapping)
• 36. روش های نقشه یابی QTL: فاصله ای ترکیبی (Composite Interval Mapping)
• 37. روش های نقشه یابی QTL: رگرسیون چندگانه (Multiple Regression)
• 38. روش های نقشه یابی QTL: مدل های اثرات آمیخته
• 39. اثرات QTL: افزایشی، غالبیت و اپیستازی
• 40. تخمین اثرات QTL و واریانس تبیین شده
• 41. انتخاب به کمک نشانگر (Marker-Assisted Selection)
• 42. انتخاب ژنومی (Genomic Selection): اصول و روش ها
• 43. مدل های انتخاب ژنومی: GBLUP و Bayes
• 44. ارزیابی دقت پیش بینی ژنومی (Genomic Prediction Accuracy)
• 45. اعتبارسنجی متقابل (Cross-Validation) در انتخاب ژنومی
• 46. انتخاب ژنومی در جمعیت های دورگه (Hybrid Populations)
• 47. انتخاب ژنومی با استفاده از داده های توالی یابی (Sequence Data)
• 48. متاآنالیز (Meta-Analysis) در ژنتیک کمی
• 49. ترکیب نتایج QTL از مطالعات مختلف
• 50. تجزیه و تحلیل تنوع ژنتیکی (Genetic Diversity)
• 51. روش های تخمین تنوع ژنتیکی: هتروزیگوسیتی، شاخص فیکسیشن
• 52. تحلیل جمعیت (Population Structure Analysis)
• 53. روش های تحلیل جمعیت: PCA و ADMIXTURE
• 54. ژنتیک منظره (Landscape Genetics)
• 55. روش های تجزیه و تحلیل ژنتیک منظره
• 56. ارتباط بین تنوع ژنتیکی و سازگاری (Adaptation)
• 57. ژنتیک سازگاری (Adaptation Genetics)
• 58. شناسایی ژن های درگیر در سازگاری
• 59. روش های شناسایی ژن های درگیر در سازگاری: اسکن ژنومی
• 60. روش های شناسایی ژن های درگیر در سازگاری: تست های همبستگی
• 61. داده های ژنومی بزرگ (Big Data) در ژنتیک کمی
• 62. مدیریت و تحلیل داده های ژنومی بزرگ با R
• 63. استفاده از بسته های R برای تحلیل داده های ژنومی
• 64. تجسم داده های ژنتیکی با R
• 65. تولید نمودارهای با کیفیت بالا برای مقالات علمی
• 66. اتوماسیون تجزیه و تحلیل های ژنتیکی با R
• 67. ایجاد اسکریپت های R برای تجزیه و تحلیل های تکراری
• 68. بهینه سازی کد R برای سرعت و کارایی
• 69. دیباگ کردن کد R
• 70. مستندسازی کد R
• 71. استفاده از R Markdown برای ایجاد گزارش های تعاملی
• 72. ایجاد بسته های R برای به اشتراک گذاری کد
• 73. اصول طراحی آزمایش در ژنتیک کمی
• 74. طرح های بلوک کامل تصادفی (RCBD)
• 75. طرح های مربع لاتین (Latin Square Designs)
• 76. طرح های بلوک ناقص (Incomplete Block Designs)
• 77. طرح های فاکتوریل (Factorial Designs)
• 78. طرح های اسپلیت پلات (Split-Plot Designs)
• 79. طرح های آلفا (Alpha Designs)
• 80. تحلیل داده های حاصل از طرح های آزمایشی مختلف با R
• 81. مدیریت داده ها در R: خواندن، نوشتن و تغییر شکل داده ها
• 82. پاکسازی داده ها و مدیریت داده های از دست رفته
• 83. تبدیل داده ها و ایجاد متغیرهای جدید
• 84. ادغام داده ها از منابع مختلف
• 85. استفاده از حلقه ها و توابع در R
• 86. برنامه نویسی شی گرا در R
• 87. کار با رشته ها در R
• 88. کار با تاریخ و زمان در R
• 89. ایجاد توابع سفارشی برای تجزیه و تحلیل های ژنتیکی
• 90. استفاده از بسته های R برای موازی سازی محاسبات
• 91. کار با داده های مکانی (Spatial Data) در R
• 92. ایجاد نقشه ها با R
• 93. تحلیل داده های سری زمانی (Time Series Data) در R
• 94. مدل سازی سری زمانی در ژنتیک کمی
• 95. روش های یادگیری ماشین (Machine Learning) در ژنتیک کمی
• 96. رگرسیون ماشین بردار پشتیبان (Support Vector Regression)
• 97. جنگل تصادفی (Random Forest)
• 98. شبکه های عصبی (Neural Networks)
• 99. ارزیابی عملکرد مدل های یادگیری ماشین
• 100. کاربردهای پیشرفته ژنتیک کمی در اصلاح نباتات و دام.