دوره ماسترکلاس کامل تحلیل داده‌های scRNA-seq: از پیش‌پردازش تا کشف بیولوژیک همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ماسترکلاس کامل تحلیل داده‌های scRNA-seq: از پیش‌پردازش تا کشف بیولوژیک

موضوع کلی: بایوإنفورماتیک و ژنومیک پیشرفته

موضوع میانی: تحلیل داده‌های سکوانس‌گذاری تک‌سلولی (scRNA-seq)

📋 سرفصل‌های دوره

• 1. مفاهیم پایه بیولوژی تک‌سلولی و اهمیت scRNA-seq
• 2. اصول کار تکنولوژی‌های سکوانس‌گذاری تک‌سلولی (10x Genomics, Smart-seq2, Drop-seq, و غیره)
• 3. طراحی آزمایش scRNA-seq: انتخاب بافت، جداسازی سلول، و کنترل‌های کیفی
• 4. فرمت‌های داده خام: FASTQ، BAM، و ماتریس‌های شمارش
• 5. پیش‌پردازش داده‌ها: کنترل کیفیت (FastQC، MultiQC) و ترمیمリードها
• 6. مقایسه ابزارهای Alignment: STAR، Cell Ranger، kallisto|bustools
• 7. سازماندهی ماتریس شمارش: سلول‌ها × ژن‌ها، بارکدها، UMIها
• 8. کنترل کیفیت سطح سلول: فیلتر بر اساس تعداد ژن، UMI، درصد میتوکندری
• 9. کنترل کیفیت سطح ژن: حذف ژن‌های کم‌عبارت، ژن‌های میتوکندری/ریبوزومال
• 10. نرمال‌سازی داده‌ها: LogNormalize، SCTransform، scran، و مقایسه روش‌ها
• 11. شناسایی و حذف دوئبлет‌ها: Scrublet، DoubletFinder، cxds/bcds
• 12. مقیاس‌بندی و رگرس-out متغیرهای مزاحم (چرخه سلولی، استرس، بچ‌های فنی)
• 13. انتخاب ژن‌های متغیر بالا (Highly Variable Genes) برای کاهش بعد
• 14. تحلیل مؤلفه‌های اصلی (PCA) و تعیین تعداد PCهای معنادار
• 15. کاهش بعد غیرخطی: t-SNE، UMAP، PHATE، TriMap — مزایا و معایب
• 16. خوشه‌بندی سلولی: روش‌های گراف-محور (Louvain، Leiden)، K-means، Hierarchical
• 17. ارزیابی پایداری خوشه‌ها: Clustree، silhouette، bootstrapping
• 18. تشخیص نوع سلول: مارکرهای کلاسیک، پایگاه‌های داده (CellMarker، PanglaoDB، Human Cell Atlas)
• 19. برچسب‌گذاری خودکار نوع سلول: SingleR، scCATCH، scANVI، CellTypist
• 20. مقایسه روش‌های برچسب‌گذاری و استراتژی‌های ترکیبی
• 21. تصویرسازی expresión ژن در فضای کاهش‌یافته: FeaturePlot، DotPlot، ViolinPlot، RidgePlot
• 22. تحلیل بیان تفاوتی ژن (DEG) بین خوشه‌ها: Wilcoxon، MAST، DESeq2، edgeR، pseudo-bulk
• 23. تصحیح تست‌های متعدد و کنترل FDR در مقیاس تک‌سلولی
• 24. تحلیل غنی‌سازی مسیر (Pathway Enrichment): GSEA، GSVA، AUCell، PROGENy
• 25. شبکه‌های регуلاسیون ژنی: SCENIC، GRNBoost2، PIDC، InferCNV برای CNV
• 26. تحلیل ترایکتوری و Pseudotime: Monocle3، Slingshot، PAGA، Palantir، STEMNET
• 27. شناسایی حالت‌های میانی و انشعاب سلولی (Branching)
• 28. تحلیل RNA velocity: scVelo، velocyto، Dynamo — دینامیک تکثیر و تفاضل
• 29. ادغام داده‌های چند بچ/شرط/پلتفرم: Harmony، Seurat v4/v5 Integration، LIGER، Scanorama، BBKNN
• 30. ارزیابی کیفیت ادغام: kBET، LISI، ASW، 그래프-محور metrics
• 31. تحلیل داده‌های 멀تی‌اومیکس تک‌سلولی: CITE-seq (ADT)، ATAC-seq (10x Multiome)، methylation
• 32. مطابقت مشی‌های 멀تی‌اومیکس: WNN (Weighted Nearest Neighbors)، MOFA+، totalVI
• 33. تحلیل تعامل سلول-سلول: CellPhoneDB، CellChat، NicheNet، NATMI، SingleCellSignalR
• 34. استنتاج لיגند-رسبتور و مسیرهای سیگنالینگ بین انواع سلولی
• 35. تحلیل فضایی ترنسکریپتومیک: Visium، Slide-seq، MERFISH، seqFISH — ادغام با scRNA-seq
• 36. Deconvolution داده‌های bulk RNA-seq با مرجع تک‌سلولی: CIBERSORTx، MuSiC، BisqueRNA، DWLS
• 37. شناسایی جمعیت‌های سلولی نادر و حالت‌های переходی
• 38. تحلیل TCR/BCR repertoire در کنار ترنسکریپتوم: VDJ-seq، scRepertoire، TRUST4
• 39. مقدمه‌ای بر مدل‌های یادگیری عمیق برای scRNA-seq: scVI، scANVI، scGen، GeneFormer، scGPT
• 40. استفاده از مدل‌های پایه (Foundation Models) برای انتقال دانش و پیش‌بینی
• 41. بهینه‌سازی پارامترها و پایپ‌لاین‌های reproduciable: Snakemake، Nextflow، Docker/Singularity
• 42. مدیریت داده‌های بزرگ: AnnData، SeuratDisk، HDF5، Zarr، TileDB
• 43. تصویرسازی تعاملی: cellxgene، Vitessce، CELLxGENE Discover، ShinyCell
• 44. استراتژی‌های متا-تحلیل و ادغام مطالعات عمومی (GEO، ArrayExpress، SRA)
• 45. کنترل کیفیت داده‌های عمومی و چالش‌های Batch Effect در مقیاس بزرگ
• 46. مقدمه‌ای برpatial transcriptomics و تکنولوژی‌های نوظهور (Xenium، CosMx، MERSCOPE)
• 47. تحلیل تک‌سلولی در بیماری: تومور، ایمونوتراپی، خودایمنی، نورودژنراتیو، توسعه
• 48. مطالعه موردی: تحلیل داده‌های scRNA-seq تومور برونش (از داده‌های خام تا مقاله)
• 49. مطالعه موردی: اتلس تک‌سلولی بافت طبیعی و بیمارستان (Human Cell Atlas workflow)
• 50. مطالعه موردی: تحلیل 멀تی‌اومیکس CITE-seq + VDJ در سلول‌های T
• 51. بهترین شیوه‌های گزارش‌نویسی، تصویرسازی برای انتشار، و FAIR data principles
• 52. چالش‌های فعلی و روندهای آینده: Spatial multi-omics، Live-cell imaging + seq، Perturb-seq