اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل داده‌های توالی‌یابی RNA در مقیاس بزرگ (Bulk RNA-Seq) برای پژوهش‌های زیستی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های توالی‌یابی RNA در مقیاس بزرگ (Bulk RNA-Seq) برای پژوهش‌های زیستی

موضوع کلی: علوم زیستی و محاسباتی

موضوع میانی: تجزیه و تحلیل داده‌های ژنومیک

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم زیستی محاسباتی
• 2. مبانی تحلیل داده‌های زیستی
• 3. آشنایی با داده‌های توالی‌یابی
• 4. معرفی RNA-Seq
• 5. مراحل پایپ‌لاین Bulk RNA-Seq
• 6. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 7. نصب و پیکربندی محیط پایتون
• 8. مبانی پایتون برای علوم زیستی
• 9. ساختار داده‌ها در پایتون
• 10. توابع و ماژول‌ها در پایتون
• 11. مقدمه‌ای بر زبان R
• 12. نصب و پیکربندی محیط R
• 13. مبانی R برای علوم زیستی
• 14. ساختار داده‌ها در R
• 15. توابع و بسته‌ها در R
• 16. مقدمه‌ای بر ابزارهای خط فرمان (Command Line)
• 17. آشنایی با سیستم‌عامل لینوکس
• 18. دستورات پایه‌ای لینوکس
• 19. مدیریت فایل و دایرکتوری
• 20. کار با ویرایشگرهای متن در لینوکس
• 21. مبانی پایپ‌لاین‌های بیوانفورماتیک
• 22. اهمیت کنترل کیفیت داده‌ها
• 23. ابزارهای کنترل کیفیت داده‌های توالی‌یابی
• 24. آشنایی با فرمت FASTQ
• 25. فیلتر کردن و پیرایش خوانش‌ها (Reads)
• 26. ابزارهای پیرایش خوانش
• 27. مقدمه‌ای بر نگاشت خوانش‌ها (Read Mapping)
• 28. انتخاب ابزار مناسب نگاشت
• 29. آشنایی با فرمت SAM/BAM
• 30. نگاشت خوانش‌ها به ژنوم مرجع
• 31. تفسیر خروجی نگاشت
• 32. مقدمه‌ای بر شمارش خوانش‌ها (Read Counting)
• 33. ابزارهای شمارش خوانش
• 34. آشنایی با فرمتcounts
• 35. فهم توزیع خوانش‌ها
• 36. مقدمه‌ای بر تحلیل داده‌های بیان ژن (Gene Expression)
• 37. مفاهیم اولیه بیان ژن
• 38. نرمال‌سازی داده‌های بیان ژن
• 39. چرا نرمال‌سازی ضروری است؟
• 40. روش‌های مختلف نرمال‌سازی
• 41. مقدمه‌ای بر شناسایی ژن‌های افتراقی (Differential Gene Expression)
• 42. مفهوم ژن افتراقی
• 43. ابزارهای آماری برای تحلیل DGE
• 44. آشنایی با بسته‌های DESeq2 و edgeR
• 45. اجرای تحلیل DESeq2
• 46. تفسیر نتایج DESeq2
• 47. اجرای تحلیل edgeR
• 48. تفسیر نتایج edgeR
• 49. مقدمه‌ای بر مصورسازی داده‌های بیان ژن
• 50. انواع نمودارهای مصورسازی DGE
• 51. نمودار هیپ‌هیت‌مپ (Heatmap)
• 52. ساخت هیپ‌هیت‌مپ با پکیج‌های R
• 53. نمودار volcano plot
• 54. ساخت volcano plot با پکیج‌های R
• 55. نمودار scatter plot
• 56. کاربرد scatter plot در تحلیل DGE
• 57. مقدمه‌ای بر تحلیل غنی‌سازی مسیرها (Pathway Enrichment Analysis)
• 58. اهمیت تحلیل غنی‌سازی مسیرها
• 59. پایگاه‌های داده مسیرها (GO, KEGG)
• 60. ابزارهای تحلیل غنی‌سازی مسیرها
• 61. اجرای تحلیل غنی‌سازی مسیرها
• 62. تفسیر نتایج غنی‌سازی مسیرها
• 63. مقدمه‌ای بر تحلیل خوشه‌بندی (Clustering Analysis)
• 64. انواع روش‌های خوشه‌بندی
• 65. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 66. خوشه‌بندی K-means
• 67. کاربرد خوشه‌بندی در تحلیل RNA-Seq
• 68. مقدمه‌ای بر تحلیل عاملی اصلی (Principal Component Analysis - PCA)
• 69. مفهوم PCA
• 70. کاربرد PCA در داده‌های RNA-Seq
• 71. اجرای PCA با پکیج‌های R
• 72. تفسیر نتایج PCA
• 73. مقدمه‌ای بر ادغام داده‌ها (Data Integration)
• 74. چالش‌های ادغام داده‌ها
• 75. روش‌های ادغام داده‌ها
• 76. کاربرد ادغام داده‌ها در تحقیقات زیستی
• 77. مقدمه‌ای بر یادگیری ماشین در بیوانفورماتیک
• 78. مبانی یادگیری ماشین
• 79. کاربرد یادگیری ماشین در تحلیل داده‌های زیستی
• 80. طبقه‌بندی و رگرسیون در بیوانفورماتیک
• 81. مقدمه‌ای بر شبکه‌های تنظیم ژنی (Gene Regulatory Networks)
• 82. مفهوم شبکه‌های تنظیم ژنی
• 83. روش‌های استنتاج شبکه‌های تنظیم ژنی
• 84. کاربرد شبکه‌های تنظیم ژنی در تحقیقات زیستی
• 85. مقدمه‌ای بر تحلیل داده‌های تک‌سلولی (Single-cell RNA-Seq)
• 86. مقایسه Bulk RNA-Seq و Single-cell RNA-Seq
• 87. چالش‌های تحلیل داده‌های تک‌سلولی
• 88. مقدمه‌ای بر ابزارهای تحلیل داده‌های تک‌سلولی
• 89. مقدمه‌ای بر اعتبارسنجی نتایج
• 90. اهمیت اعتبارسنجی
• 91. روش‌های اعتبارسنجی نتایج تحلیل RNA-Seq
• 92. مقدمه‌ای بر کاربردهای عملی Bulk RNA-Seq
• 93. تحلیل تومور و سرطان
• 94. مطالعه بیماری‌های ژنتیکی
• 95. تحقیقات دارویی و کشف دارو
• 96. مقدمه‌ای بر اخلاق در بیوانفورماتیک
• 97. مسائل حریم خصوصی داده‌ها
• 98. مسئولیت‌پذیری در تحلیل داده‌ها
• 99. اهمیت شفافیت در تحقیقات بیوانفورماتیک
• 100. مقدمه‌ای بر آینده بیوانفورماتیک