کتاب صوتی تحلیل داده‌های RNA-Seq با Bioconductor در R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های RNA-Seq با Bioconductor در R

موضوع کلی: زیست‌شناسی محاسباتی و تحلیل داده‌های ژنومی

موضوع میانی: تحلیل داده‌های بیان ژن با استفاده از ابزارهای بیوانفورماتیک

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زیست‌شناسی محاسباتی و تحلیل داده‌های ژنومی
• 2. مبانی بیوانفورماتیک و ابزارهای آن
• 3. آشنایی با زبان برنامه‌نویسی R برای تحلیل داده
• 4. نصب و پیکربندی Bioconductor
• 5. مفاهیم پایه در تحلیل داده‌های RNA-Seq
• 6. اصول طراحی آزمایش RNA-Seq
• 7. آماده‌سازی داده‌های خام RNA-Seq
• 8. کنترل کیفیت داده‌های RNA-Seq
• 9. پردازش اولیه داده‌ها: نقشه‌برداری خوانش‌ها
• 10. ابزارهای نقشه‌برداری خوانش‌ها (مانند STAR, HISAT2)
• 11. مفاهیم و معیارهای کیفیت نقشه‌برداری
• 12. مدیریت فایل‌های BAM و SAM
• 13. فیلتر کردن و مرتب‌سازی فایل‌های BAM
• 14. پایگاه‌های داده مرجع ژنومی
• 15. نحوه استفاده از Bioconductor برای مدیریت داده‌های ژنومی
• 16. کار با داده‌های توالی‌یابی و اطلاعات ژنومی
• 17. مقدمه‌ای بر بیان ژن و سطوح بیان
• 18. مفهوم بیان ژن در سطح mRNA
• 19. اندازه‌گیری بیان ژن با RNA-Seq
• 20. تکنیک‌های اندازه‌گیری بیان ژن
• 21. مفاهیم نرمال‌سازی داده‌های RNA-Seq
• 22. روش‌های مختلف نرمال‌سازی (مانند TPM, FPKM)
• 23. نرمال‌سازی داده‌ها با استفاده از Bioconductor
• 24. بسته‌های Bioconductor برای نرمال‌سازی
• 25. شناسایی ژن‌های بیان‌شده تفاضلی
• 26. مفاهیم آماری در شناسایی ژن‌های بیان‌شده تفاضلی
• 27. آزمون‌های آماری برای بیان ژن تفاضلی
• 28. بسته‌های Bioconductor برای تحلیل بیان ژن تفاضلی
• 29. روش‌های مبتنی بر توزیع دوجمله‌ای منفی
• 30. تفسیر نتایج بیان ژن تفاضلی
• 31. نمودارهای heatmap برای نمایش بیان ژن
• 32. نمودارهای volcano برای نمایش بیان ژن تفاضلی
• 33. تحلیل غنی‌سازی ژنی (Gene Set Enrichment Analysis)
• 34. مفاهیم پایه در غنی‌سازی ژنی
• 35. ابزارهای Bioconductor برای غنی‌سازی ژنی
• 36. مسیرهای بیولوژیکی مرتبط با بیان ژن تفاضلی
• 37. شبکه‌های تنظیم ژنی
• 38. تحلیل شبکه‌های بیان ژن
• 39. مفاهیم مربوط به خوشه‌بندی داده‌ها
• 40. خوشه‌بندی داده‌های بیان ژن
• 41. روش‌های مختلف خوشه‌بندی
• 42. کار با بسته‌های Bioconductor برای خوشه‌بندی
• 43. تحلیل داده‌های RNA-Seq تک‌سلولی
• 44. مقدمه‌ای بر RNA-Seq تک‌سلولی
• 45. چالش‌های تحلیل داده‌های RNA-Seq تک‌سلولی
• 46. بسته‌های Bioconductor برای تحلیل RNA-Seq تک‌سلولی
• 47. مقدمه‌ای بر Bioconductor برای RNA-Seq تک‌سلولی
• 48. پردازش و نرمال‌سازی داده‌های RNA-Seq تک‌سلولی
• 49. شناسایی انواع سلول‌ها با استفاده از RNA-Seq تک‌سلولی
• 50. تجسم داده‌های RNA-Seq تک‌سلولی
• 51. تحلیل مسیرهای بیولوژیکی در RNA-Seq تک‌سلولی
• 52. مطالعه تغییرات بیان ژن در طول زمان
• 53. تحلیل داده‌های RNA-Seq در شرایط مختلف فیزیولوژیکی
• 54. مقایسه داده‌های RNA-Seq از منابع مختلف
• 55. کار با پایگاه‌های داده عمومی RNA-Seq
• 56. مثال‌های عملی از تحلیل داده‌های RNA-Seq
• 57. مطالعه موردی: شناسایی نشانگرهای بیماری
• 58. مطالعه موردی: بررسی پاسخ به درمان
• 59. مطالعه موردی: تحلیل تفاوت‌های سلولی در تومور
• 60. تفسیر نتایج بیوانفورماتیکی در زمینه زیست‌شناسی
• 61. اعتبارسنجی نتایج تحلیل داده‌ها
• 62. مقدمه‌ای بر اصول طراحی آزمایش‌های بیوانفورماتیکی
• 63. بهبود کیفیت داده‌ها در طول تحلیل
• 64. مستندسازی فرآیندهای تحلیل داده
• 65. اشتراک‌گذاری نتایج و داده‌ها
• 66. اصول اخلاقی در تحلیل داده‌های ژنومی
• 67. حفظ حریم خصوصی داده‌های ژنومی
• 68. امنیت داده‌های ژنومی
• 69. مقدمه‌ای بر یادگیری ماشین در زیست‌شناسی محاسباتی
• 70. کاربرد یادگیری ماشین در تحلیل بیان ژن
• 71. مدل‌های پیش‌بینی‌کننده در زیست‌شناسی
• 72. کار با بسته‌های یادگیری ماشین در R
• 73. مقدمه‌ای بر Bioconductor و یادگیری ماشین
• 74. تحلیل داده‌های RNA-Seq با استفاده از مدل‌های یادگیری ماشین
• 75. شناسایی الگوهای پیچیده در داده‌های بیان ژن
• 76. کاربرد یادگیری ماشین در تشخیص بیماری
• 77. شبکه‌های عصبی در تحلیل داده‌های ژنومی
• 78. مدل‌های درخت تصمیم و جنگل تصادفی
• 79. تحلیل بقای سلولی با استفاده از RNA-Seq
• 80. پیش‌بینی پاسخ سلول به محرک‌ها
• 81. مقدمه‌ای بر تحلیل داده‌های جهش‌زایی (Mutational Data)
• 82. مقایسه بیان ژن و الگوهای جهش‌زایی
• 83. تحلیل داده‌های اپی‌ژنتیکی در کنار RNA-Seq
• 84. مقدمه‌ای بر ابزارهای پیشرفته Bioconductor
• 85. کار با بسته‌های تخصصی Bioconductor
• 86. توسعه بسته‌های Bioconductor (مقدماتی)
• 87. نکات و ترفندها در تحلیل داده‌های RNA-Seq
• 88. حل مشکلات رایج در تحلیل داده‌ها
• 89. آینده تحلیل داده‌های RNA-Seq
• 90. چالش‌های پیش رو در بیوانفورماتیک ژنومی
• 91. نقش زیست‌شناسی محاسباتی در پیشرفت علم
• 92. مسیر شغلی در حوزه زیست‌شناسی محاسباتی
• 93. منابع بیشتر برای یادگیری و تحقیق
• 94. جمع‌بندی و مرور آموخته‌ها
• 95. تمرینات عملی و پروژه‌های پیشرفته
• 96. ارزیابی نهایی دانش آموخته‌ها
• 97. کاربرد یافته‌های RNA-Seq در تحقیقات زیست‌پزشکی
• 98. نقش RNA-Seq در کشف داروها
• 99. تحلیل داده‌های RNA-Seq در مطالعات اپیدمیولوژیک
• 100. مقدمه‌ای بر تحلیل داده‌های متاژنومیک