دوره خوشه‌بندی داده‌های تک‌سلولی 10x: از مبتدی تا حرفه‌ای همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره خوشه‌بندی داده‌های تک‌سلولی 10x: از مبتدی تا حرفه‌ای

موضوع کلی: بیوانفورماتیک

موضوع میانی: تحلیل داده‌های تک‌سلولی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های تک‌سلولی و فناوری 10x Genomics
• 2. فرآیند آماده‌سازی نمونه برای 10x Genomics Single Cell
• 3. بررسی ساختار داده‌های خروجی 10x Genomics (Cell Ranger)
• 4. آشنایی با فرمت‌های داده‌ای رایج تک‌سلولی (MTX, H5AD, AnnData)
• 5. مفاهیم پایه‌ای خوشه‌بندی: فاصله، شباهت، معیارها
• 6. پیش‌پردازش داده‌های تک‌سلولی: فیلتر کردن سلول‌ها و ژن‌ها
• 7. نرمال‌سازی داده‌های تک‌سلولی: روش‌های مختلف و انتخاب مناسب
• 8. مقیاس‌بندی داده‌های تک‌سلولی برای خوشه‌بندی
• 9. کاهش ابعاد داده‌های تک‌سلولی: PCA (تحلیل مولفه‌های اصلی)
• 10. تفسیر نتایج PCA در داده‌های تک‌سلولی
• 11. انتخاب تعداد بهینه مولفه‌های اصلی
• 12. روش‌های کاهش ابعاد غیرخطی: t-SNE
• 13. تفسیر نتایج t-SNE و چالش‌های آن
• 14. روش‌های کاهش ابعاد غیرخطی: UMAP
• 15. مزایای UMAP نسبت به t-SNE
• 16. انتخاب پارامترهای بهینه برای UMAP
• 17. خوشه‌بندی K-Means در داده‌های تک‌سلولی
• 18. ارزیابی نتایج خوشه‌بندی K-Means
• 19. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering) در داده‌های تک‌سلولی
• 20. انتخاب روش linkage مناسب در خوشه‌بندی سلسله‌مراتبی
• 21. خوشه‌بندی مبتنی بر گراف: Louvain Algorithm
• 22. پارامترهای Louvain Algorithm و تاثیر آن‌ها
• 23. خوشه‌بندی مبتنی بر گراف: Leiden Algorithm
• 24. مقایسه Louvain و Leiden Algorithm
• 25. ارزیابی خوشه‌بندی: Silhouette Score
• 26. ارزیابی خوشه‌بندی: Davies-Bouldin Index
• 27. ارزیابی خوشه‌بندی: Calinski-Harabasz Index
• 28. تفسیر زیستی خوشه‌ها: آنالیز ژن‌های دیفرانسیلی
• 29. استفاده از DEseq2 برای آنالیز ژن‌های دیفرانسیلی
• 30. استفاده از MAST برای آنالیز ژن‌های دیفرانسیلی
• 31. آنالیز مسیرهای بیولوژیکی (Pathway Analysis)
• 32. GSEA (Gene Set Enrichment Analysis)
• 33. بررسی مارکرهای خوشه‌ای (Cluster Markers)
• 34. اعتبارسنجی خوشه‌ها با استفاده از دانش پیشین
• 35. ادغام نتایج خوشه‌بندی با اطلاعات بالینی
• 36. تصویرسازی نتایج خوشه‌بندی در R و Python
• 37. استفاده از Seurat package در R برای خوشه‌بندی
• 38. استفاده از Scanpy package در Python برای خوشه‌بندی
• 39. مقایسه Seurat و Scanpy
• 40. بهینه‌سازی جریان کاری خوشه‌بندی
• 41. حل مشکلات رایج در خوشه‌بندی داده‌های تک‌سلولی
• 42. انتخاب الگوریتم خوشه‌بندی مناسب بر اساس نوع داده
• 43. خوشه‌بندی داده‌های تک‌سلولی با داده‌های چندگانه (Multi-omics)
• 44. خوشه‌بندی داده‌های تک‌سلولی با در نظر گرفتن اطلاعات فضایی
• 45. مقدمه‌ای بر خوشه‌بندی داده‌های تک‌سلولی با استفاده از هوش مصنوعی
• 46. روش‌های یادگیری عمیق برای خوشه‌بندی داده‌های تک‌سلولی
• 47. کاربرد خوشه‌بندی تک‌سلولی در تحقیقات سرطان
• 48. کاربرد خوشه‌بندی تک‌سلولی در ایمونولوژی
• 49. کاربرد خوشه‌بندی تک‌سلولی در علوم اعصاب
• 50. آینده خوشه‌بندی داده‌های تک‌سلولی