اپلیکیشن اندرویدی فلش‌کارت آموزشی مدل‌سازی آماری پیشرفته برای داده‌های Omics: از تئوری تا عمل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی آماری پیشرفته برای داده‌های Omics: از تئوری تا عمل

موضوع کلی: آمار و داده‌کاوی

موضوع میانی: بیوانفورماتیک و تحلیل داده‌های ژنومیکس

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های Omics و چالش‌های آماری
• 2. ژنومیکس، پروتئومیکس، متابولومیکس و سایر Omicsها: مروری بر مفاهیم
• 3. نیاز به مدل‌سازی آماری پیشرفته در تحلیل Omics
• 4. مروری بر آمار توصیفی برای داده‌های Omics
• 5. آمار استنباطی و آزمون فرضیه‌ها در Omics
• 6. مبانی جبر خطی و کاربرد آن در تحلیل داده‌های Omics
• 7. مقدمه‌ای بر احتمال و توزیع‌های آماری مرتبط با Omics
• 8. روش‌های پیش‌پردازش داده‌های Omics: نرمال‌سازی و حذف نویز
• 9. روش‌های کاهش ابعاد: PCA و t-SNE برای داده‌های Omics
• 10. خوشه‌بندی داده‌های Omics: K-means، خوشه‌بندی سلسله مراتبی
• 11. تحلیل تفاضلی بیان ژن: روش‌های آماری و چالش‌ها
• 12. مدل‌های خطی تعمیم‌یافته (GLM) در تحلیل داده‌های Omics
• 13. رگرسیون Ridge و Lasso برای انتخاب ویژگی در Omics
• 14. روش‌های Bayesian در مدل‌سازی داده‌های Omics
• 15. شبکه‌های بیولوژیکی و تحلیل شبکه‌های ژنی
• 16. مدل‌سازی بقا و تحلیل زمان تا رویداد در Omics
• 17. روش‌های یادگیری ماشین برای طبقه‌بندی و پیش‌بینی در Omics
• 18. ماشین‌های بردار پشتیبان (SVM) در تحلیل داده‌های Omics
• 19. درخت‌های تصمیم و جنگل تصادفی در Omics
• 20. روش‌های Ensemble و Boosting در تحلیل داده‌های Omics
• 21. شبکه‌های عصبی عمیق (DNN) و کاربرد آن‌ها در Omics
• 22. تحلیل داده‌های سری زمانی در Omics
• 23. مدل‌سازی داده‌های تک‌سلولی (Single-cell data)
• 24. تحلیل داده‌های RNA-seq: چالش‌ها و روش‌ها
• 25. تحلیل داده‌های ChIP-seq: شناسایی مناطق اتصال پروتئین
• 26. تحلیل داده‌های Methyl-seq: بررسی الگوهای متیلاسیون DNA
• 27. تحلیل داده‌های Microarray: اصول و روش‌ها
• 28. تحلیل داده‌های متابولومیکس: شناسایی متابولیت‌ها و مسیرهای متابولیکی
• 29. تحلیل داده‌های پروتئومیکس: شناسایی پروتئین‌ها و تغییرات آن‌ها
• 30. روش‌های چند-Omics: ادغام و تحلیل داده‌های مختلف Omics
• 31. تحلیل مسیرهای بیولوژیکی (Pathway analysis)
• 32. غنی‌سازی ژنی (Gene set enrichment analysis)
• 33. تحلیل همبستگی در داده‌های Omics
• 34. مدل‌سازی علّی (Causal modeling) در Omics
• 35. آزمون‌های آماری چندگانه (Multiple testing correction)
• 36. ارزیابی عملکرد مدل و اعتبارسنجی
• 37. نرم‌افزارهای آماری رایج برای تحلیل داده‌های Omics: R, Python
• 38. کاربرد تحلیل داده‌های Omics در تشخیص بیماری‌ها
• 39. کاربرد تحلیل داده‌های Omics در داروشناسی و توسعه دارو
• 40. کاربرد تحلیل داده‌های Omics در کشاورزی و اصلاح نباتات
• 41. اخلاق و ملاحظات قانونی در تحلیل داده‌های Omics
• 42. چالش‌ها و آینده مدل‌سازی آماری در Omics