فلش‌کارت‌های آموزشی مدل‌سازی و تحلیل تغییرات بیان ژن با DESeq2

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی و تحلیل تغییرات بیان ژن با DESeq2

موضوع کلی: تحلیل داده‌های زیستی و بیوانفورماتیک

موضوع میانی: ابزارهای آماری در تحلیل داده‌های ژنومیک

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های زیستی
• 2. اصول بیوانفورماتیک و داده‌کاوی زیستی
• 3. مفاهیم پایه ژنومیک و ترانسکریپتومیک
• 4. داده‌های توالی‌یابی نسل جدید (NGS)
• 5. مبانی آماری در تحلیل داده‌های زیستی
• 6. مقدمه‌ای بر مدل‌سازی آماری
• 7. مفاهیم احتمالات در زیست‌شناسی
• 8. توزیع‌های آماری پرکاربرد در بیوانفورماتیک
• 9. آزمون فرض آماری و مفاهیم مرتبط
• 10. خطای نوع اول و دوم
• 11. مقدمه‌ای بر تحلیل تغییرات بیان ژن
• 12. مفهوم Log2 Fold-Change
• 13. تفسیر Log2 Fold-Change
• 14. محدودیت‌های Log2 Fold-Change
• 15. معرفی DESeq2
• 16. معماری و اصول DESeq2
• 17. نصب و راه‌اندازی DESeq2
• 18. کار با داده‌های ورودی DESeq2
• 19. فرمت فایل‌های ورودی
• 20. آماده‌سازی داده‌ها برای DESeq2
• 21. کنترل کیفیت داده‌های توالی‌یابی
• 22. نرمال‌سازی داده‌ها در DESeq2
• 23. مدل‌سازی آماری DESeq2
• 24. رگرسیون پواسون در DESeq2
• 25. برآورد پراکندگی (Dispersion Estimation)
• 26. مدل‌سازی پراکندگی در DESeq2
• 27. برآورد ضرایب و خطای استاندارد
• 28. آزمون فرض در DESeq2
• 29. p-value و FDR (False Discovery Rate)
• 30. تصحیح p-value برای مقایسه‌های چندگانه
• 31. انتخاب ژن‌های با تغییر بیان معنی‌دار
• 32. فیلتر کردن نتایج DESeq2
• 33. تفسیر ژن‌های با تغییر بیان معنی‌دار
• 34. تجسم نتایج DESeq2
• 35. نقشه حرارتی (Heatmap)
• 36. نمودار MA (MA Plot)
• 37. نمودار حجم (Volcano Plot)
• 38. تحلیل مولفه‌های اصلی (PCA)
• 39. تحلیل خوشه‌ای (Clustering)
• 40. کار با داده‌های نمونه‌های متعدد
• 41. طراحی آزمایش برای تحلیل تغییر بیان ژن
• 42. نمونه‌های تکراری (Replicates)
• 43. نمونه‌های کنترل
• 44. مقایسه‌های زوجی در DESeq2
• 45. مقایسه‌های چندگانه در DESeq2
• 46. مدل‌های خطی تعمیم‌یافته (GLM)
• 47. کار با داده‌های بالانس نشده
• 48. بررسی پیش‌فرض‌های مدل DESeq2
• 49. شناسایی ژن‌های مارکر
• 50. تحلیل مسیرهای بیولوژیکی (Pathway Analysis)
• 51. ابزارهای آنلاین برای تحلیل مسیر
• 52. تفسیر نتهایج تحلیل مسیر
• 53. مقدمه‌ای بر داده‌های RNA-Seq
• 54. چالش‌های تحلیل داده‌های RNA-Seq
• 55. مقایسه DESeq2 با سایر ابزارها
• 56. edgeR در مقابل DESeq2
• 57. limma در مقابل DESeq2
• 58. کار با داده‌های تک‌سلولی (Single-cell RNA-Seq)
• 59. ملاحظات ویژه در تحلیل داده‌های تک‌سلولی
• 60. کار با داده‌های طولانی (Long-read RNA-Seq)
• 61. کار با داده‌های جهش‌یافته
• 62. تحلیل داده‌های پلی‌پلوئیدی
• 63. تحلیل داده‌های اپی‌ژنتیک
• 64. مقدمه‌ای بر داده‌های متاژنومیک
• 65. کاربرد DESeq2 در متاژنومیک
• 66. تحلیل داده‌های ریزجانداران
• 67. مقدمه‌ای بر داده‌های پروتئومیک
• 68. کاربرد DESeq2 در پروتئومیک (با احتیاط)
• 69. مقدمه‌ای بر داده‌های متابولومیک
• 70. کاربرد DESeq2 در متابولومیک (با احتیاط)
• 71. ابزارهای پیشرفته DESeq2
• 72. تنظیم پارامترهای DESeq2
• 73. مدل‌سازی اثرات پیچیده
• 74. تحلیل اثرات اصلی و متقابل
• 75. بررسی همبستگی بین ژن‌ها
• 76. شناسایی ژن‌های مرتبط با فنوتیپ
• 77. کاربرد DESeq2 در تحقیقات بالینی
• 78. کاربرد DESeq2 در کشف داروها
• 79. کاربرد DESeq2 در کشاورزی
• 80. کاربرد DESeq2 در علوم محیطی
• 81. اصول برنامه‌نویسی R برای بیوانفورماتیک
• 82. مقدمه‌ای بر بسته Bioconductor
• 83. نوشتن اسکریپت‌های R برای تحلیل داده
• 84. اشکال‌زدایی در اسکریپت‌های R
• 85. بهینه‌سازی کد R
• 86. ساخت گزارش‌های قابل تکرار (Reproducible Reports)
• 87. استفاده از R Markdown
• 88. انتشار نتایج تحلیل
• 89. اخلاق در تحلیل داده‌های زیستی
• 90. حفظ حریم خصوصی داده‌های ژنتیکی
• 91. ملاحظات امنیتی در تحلیل داده‌های حساس
• 92. استفاده مسئولانه از ابزارهای بیوانفورماتیک
• 93. آینده تحلیل داده‌های زیستی
• 94. یادگیری عمیق در بیوانفورماتیک
• 95. هوش مصنوعی در تحلیل داده‌های زیستی
• 96. چالش‌های پیش رو در بیوانفورماتیک
• 97. منابع تکمیلی برای DESeq2
• 98. چکیده و جمع‌بندی مباحث