دوره تحلیل Differential Expression با DESeq2 همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل Differential Expression با DESeq2

موضوع کلی: زیست‌شناسی و مهندسی ژنتیک

موضوع میانی: آنالیز داده‌های NGS

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بیان ژن و داده‌های RNA-Seq
• 2. آشنایی با بسته‌های مورد نیاز در R برای تحلیل RNA-Seq
• 3. کیفیت‌سنجی داده‌های RNA-Seq
• 4. نرمال‌سازی داده‌های RNA-Seq
• 5. مفهوم بیان دیفرانسیلی
• 6. طراحی آزمایش برای بیان دیفرانسیلی
• 7. مقدمه‌ای بر DESeq2
• 8. نصب و بارگذاری بسته DESeq2 در R
• 9. ایجاد شیء DESeqDataSet
• 10. تنظیم فاکتورها و گروه‌های مقایسه‌ای
• 11. اجرای تحلیل بیان دیفرانسیلی با DESeq
• 12. استخراج نتایج تحلیل بیان دیفرانسیلی
• 13. درک مقادیر p-value و adjusted p-value
• 14. مفهوم Log2 Fold Change
• 15. تصحیح چندآزمونی در بیان دیفرانسیلی
• 16. روش‌های مختلف تصحیح p-value (Benjamini-Hochberg, Bonferroni)
• 17. نمایش نتایج بیان دیفرانسیلی با استفاده از volcano plot
• 18. نمایش نتایج بیان دیفرانسیلی با استفاده از heatmap
• 19. شناسایی ژن‌های با بیان دیفرانسیلی معنی‌دار
• 20. بررسی نتایج با استفاده از MA plot
• 21. تحلیل بیان دیفرانسیلی در شرایط مختلف
• 22. بررسی تاثیر اندازه نمونه بر نتایج
• 23. مفهوم overdispersion در DESeq2
• 24. اصلاح overdispersion در DESeq2
• 25. بررسی و تفسیر نتایج DESeq2 با استفاده از گزارش‌ها
• 26. استفاده از DESeq2 برای تحلیل داده‌های single-cell RNA-Seq
• 27. مقدمه‌ای بر Normalization با DESeq2
• 28. روش‌های مختلف Normalization در DESeq2
• 29. مقایسه روش‌های Normalization مختلف
• 30. انتخاب روش Normalization مناسب
• 31. تحلیل داده‌های RNA-Seq با تکرار کم
• 32. بررسی تاثیر تکرار بر نتایج
• 33. تحلیل داده‌های RNA-Seq با داده‌های نامتوازن
• 34. اصلاح داده‌های نامتوازن
• 35. بررسی و تفسیر نتایج در داده‌های نامتوازن
• 36. مقدمه‌ای بر Gene Set Enrichment Analysis (GSEA)
• 37. اجرای GSEA با استفاده از نتایج DESeq2
• 38. تفسیر نتایج GSEA
• 39. مفهوم pathway analysis
• 40. استفاده از pathway analysis برای تفسیر نتایج DESeq2
• 41. بررسی ارتباط بین ژن‌های با بیان دیفرانسیلی و pathwayها
• 42. مقدمه‌ای بر visualization داده‌های RNA-Seq
• 43. استفاده از ابزارهای visualization مختلف
• 44. ساخت نمودارهای تعاملی برای نمایش نتایج
• 45. مقدمه‌ای بر annotation داده‌های RNA-Seq
• 46. استفاده از پایگاه‌داده‌های annotation مختلف
• 47. تفسیر نتایج DESeq2 با استفاده از annotation
• 48. مقدمه‌ای بر quality control داده‌های RNA-Seq
• 49. بررسی آلودگی داده‌ها
• 50. بررسی bias داده‌ها
• 51. مقدمه‌ای بر filtering داده‌های RNA-Seq
• 52. انتخاب آستانه مناسب برای filtering
• 53. استفاده از filtering برای بهبود نتایج
• 54. تحلیل بیان دیفرانسیلی در داده‌های paired-end
• 55. تحلیل بیان دیفرانسیلی در داده‌های single-end
• 56. مقایسه نتایج بین paired-end و single-end
• 57. مقدمه‌ای بر batch effect
• 58. اصلاح batch effect در DESeq2
• 59. بررسی تاثیر batch effect بر نتایج
• 60. مقدمه‌ای بر spike-in normalization
• 61. استفاده از spike-in normalization در DESeq2
• 62. تفسیر نتایج spike-in normalization
• 63. مقدمه‌ای بر size factor estimation
• 64. روش‌های مختلف size factor estimation
• 65. مقایسه روش‌های size factor estimation
• 66. استفاده از size factor estimation برای بهبود نتایج
• 67. بررسی و تفسیر نتایج DESeq2 در مطالعات بالینی
• 68. بررسی و تفسیر نتایج DESeq2 در مطالعات آزمایشگاهی
• 69. مقدمه‌ای بر استفاده از DESeq2 در محیط خط فرمان
• 70. اجرای DESeq2 با استفاده از اسکریپت
• 71. مقدمه‌ای بر R Markdown برای گزارش‌گیری از نتایج DESeq2
• 72. تهیه گزارش‌های تعاملی با استفاده از R Markdown
• 73. مقدمه‌ای بر استفاده از DESeq2 در محیط ابری
• 74. اجرای DESeq2 در محیط ابری
• 75. بررسی مزایا و معایب استفاده از محیط ابری