اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل داده‌های RNA-seq تک‌سلولی: از صفر تا متخصص

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های RNA-seq تک‌سلولی: از صفر تا متخصص

موضوع کلی: بیوانفورماتیک و ژنومیکس

موضوع میانی: تجزیه و تحلیل داده‌های تک‌سلولی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر فناوری RNA-seq تک‌سلولی
• 2. اصول پایه‌ای توالی‌یابی نسل جدید (NGS)
• 3. معرفی انواع پلتفرم‌های RNA-seq تک‌سلولی
• 4. مراحل اصلی یک آزمایش RNA-seq تک‌سلولی
• 5. کنترل کیفیت داده‌های RNA-seq تک‌سلولی
• 6. حذف توالی‌های آداپتور و توالی‌های با کیفیت پایین
• 7. هم‌ترازی (Alignment) داده‌های RNA-seq تک‌سلولی
• 8. معرفی ابزارهای هم‌ترازی (STAR, HISAT2)
• 9. تولید ماتریس شمارش (Count Matrix)
• 10. نرمال‌سازی داده‌های RNA-seq تک‌سلولی
• 11. روش‌های نرمال‌سازی (TPM, CPM, DESeq2 normalization)
• 12. کاهش ابعاد (Dimensionality Reduction) در داده‌های تک‌سلولی
• 13. تحلیل مولفه‌های اصلی (PCA)
• 14. تکنیک‌های t-SNE و UMAP برای تجسم داده‌ها
• 15. خوشه‌بندی (Clustering) سلول‌ها
• 16. الگوریتم‌های خوشه‌بندی (K-means, Louvain, Leiden)
• 17. شناسایی نشانگرهای سلولی (Cell Markers)
• 18. بررسی بیان ژن‌های اختصاصی هر خوشه
• 19. آنالیز مسیرهای بیولوژیکی (Pathway Analysis)
• 20. غنی‌سازی ژنی (Gene Set Enrichment Analysis - GSEA)
• 21. استفاده از پایگاه‌های داده GO و KEGG
• 22. تحلیل تفاوت بیان ژن (Differential Gene Expression - DGE)
• 23. ابزارهای DGE (DESeq2, edgeR, limma)
• 24. تصحیح چندآزمونی (Multiple Testing Correction)
• 25. بررسی تعاملات ژن-ژن (Gene-Gene Interactions)
• 26. تحلیل مسیرهای سیگنالینگ (Signaling Pathway Analysis)
• 27. شناسایی سلول‌های غیرمعمول (Outlier Cells)
• 28. حذف دابلت‌ها (Doublet Removal)
• 29. تحلیل داده‌های RNA-seq تک‌سلولی در شرایط مختلف
• 30. تحلیل داده‌های RNA-seq تک‌سلولی در مقایسه با کنترل
• 31. تحلیل داده‌های RNA-seq تک‌سلولی در پاسخ به درمان
• 32. پیش‌بینی نوع سلول (Cell Type Prediction)
• 33. استفاده از الگوریتم‌های یادگیری ماشین (Machine Learning)
• 34. تحلیل داده‌های RNA-seq تک‌سلولی در بیماری‌ها
• 35. شناسایی ژن‌های مرتبط با بیماری
• 36. تحلیل داده‌های RNA-seq تک‌سلولی در سرطان
• 37. شناسایی زیرگروه‌های سلولی سرطانی
• 38. تحلیل داده‌های RNA-seq تک‌سلولی در ایمونولوژی
• 39. شناسایی سلول‌های ایمنی و پاسخ‌های ایمنی
• 40. تحلیل داده‌های RNA-seq تک‌سلولی در تکوین
• 41. شناسایی تغییرات ژنی در طول فرآیند تکوین
• 42. تحلیل داده‌های RNA-seq تک‌سلولی در علوم اعصاب
• 43. شناسایی انواع سلول‌های عصبی و عملکرد آن‌ها
• 44. ادغام داده‌های RNA-seq تک‌سلولی از منابع مختلف
• 45. روش‌های ادغام داده (Data Integration)
• 46. تحلیل داده‌های RNA-seq تک‌سلولی فضایی (Spatial Transcriptomics)
• 47. مقدمه‌ای بر تکنیک‌های Spatial Transcriptomics
• 48. تحلیل داده‌های RNA-seq تک‌سلولی با استفاده از R و Python
• 49. آشنایی با پکیج‌های بیوانفورماتیکی R (Seurat, scater)
• 50. آشنایی با پکیج‌های بیوانفورماتیکی Python (Scanpy)
• 51. تفسیر نتایج RNA-seq تک‌سلولی و ارائه گزارش
• 52. نگارش مقالات علمی بر اساس نتایج RNA-seq تک‌سلولی
• 53. بهینه‌سازی جریان کار (Workflow Optimization) RNA-seq تک‌سلولی
• 54. آینده RNA-seq تک‌سلولی و تکنیک‌های نوظهور