فلش‌کارت‌های آموزشی مقدمه‌ای بر محاسبات در بیوانفورماتیک

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در بیوانفورماتیک

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. بخش اول: مبانی و ابزارهای ضروری
• 2. مقدمه‌ای بر بیوانفورماتیک و چالش‌های محاسباتی آن
• 3. مرکزداده‌ها و معماری کامپیوتر: CPU، حافظه، دیسک
• 4. آشنایی با سیستم‌عامل لینوکس برای بیوانفورماتیک
• 5. کار با خط فرمان (Command-Line Interface)
• 6. دستورات پایه‌ای لینوکس: ناوبری و مدیریت فایل‌ها
• 7. ورودی/خروجی، پایپ‌ها و تغییر مسیر (Pipes and Redirection)
• 8. پردازش متن در خط فرمان: grep, awk, sed
• 9. مقدمه‌ای بر اسکریپت‌نویسی شل (Bash Scripting)
• 10. مدیریت نسخه با Git و GitHub
• 11. مبانی برنامه‌نویسی با پایتون
• 12. نصب و مدیریت محیط‌های پایتون با Conda
• 13. متغیرها، انواع داده‌ها و عملگرها در پایتون
• 14. ساختارهای داده: لیست‌ها، تاپل‌ها و دیکشنری‌ها
• 15. جریان کنترل: دستورات شرطی و حلقه‌ها
• 16. تعریف و استفاده از توابع
• 17. کار با فایل‌ها در پایتون: خواندن و نوشتن
• 18. ماژول‌ها، پکیج‌ها و کتابخانه‌های پایتون
• 19. مقدمه‌ای بر NumPy برای محاسبات عددی
• 20. کار با داده‌های جدولی با Pandas
• 21. مصورسازی داده‌ها با Matplotlib و Seaborn
• 22. مقدمه‌ای بر کتابخانه Biopython
• 23. بخش دوم: الگوریتم‌های کلیدی در بیوانفورماتیک
• 24. نمایش توالی‌های بیولوژیکی: DNA، RNA و پروتئین
• 25. فرمت‌های داده در بیوانفورماتیک: FASTA و FASTQ
• 26. مفهوم هم‌ترازی توالی (Sequence Alignment)
• 27. ماتریس‌های امتیازدهی: PAM و BLOSUM
• 28. الگوریتم هم‌ترازی سراسری: نیدلمن-وانچ
• 29. الگوریتم هم‌ترازی محلی: اسمیت-واترمن
• 30. جستجوی هیوریستیک در پایگاه داده: BLAST
• 31. تحلیل و تفسیر نتایج BLAST
• 32. هم‌ترازی چند توالی (Multiple Sequence Alignment)
• 33. مبانی فیلوژنتیک و درخت‌های تکاملی
• 34. روش‌های فاصله‌محور در فیلوژنتیک
• 35. روش‌های کاراکترمحور در فیلوژنتیک
• 36. مقدمه‌ای بر ژنومیکس نسل جدید (NGS)
• 37. فرمت‌های داده NGS: SAM، BAM و VCF
• 38. بازسازی ژنوم (Genome Assembly)
• 39. نگاشت خوانش‌ها به ژنوم مرجع
• 40. شناسایی واریانت‌های ژنتیکی (Variant Calling)
• 41. پیش‌بینی و حاشیه‌نویسی ژن (Gene Annotation)
• 42. مبانی ترنسکریپتومیکس و تحلیل RNA-Seq
• 43. تحلیل بیان افتراقی ژن‌ها
• 44. مقدمه‌ای بر بیوانفورماتیک ساختاری و فرمت PDB
• 45. بخش سوم: مفاهیم محاسبات سطح بالا (HPC)
• 46. پیچیدگی محاسباتی و تحلیل الگوریتم‌ها (Big O Notation)
• 47. شناسایی گلوگاه‌های محاسباتی: پروفایلینگ کد
• 48. مفاهیم پردازش موازی: هم‌زمانی در مقابل موازی‌سازی
• 49. قانون آمدال و محدودیت‌های موازی‌سازی
• 50. معماری‌های حافظه: حافظه مشترک در مقابل حافظه توزیع‌شده
• 51. برنامه‌نویسی موازی با ماژول Multiprocessing در پایتون
• 52. استفاده از Pool برای موازی‌سازی داده‌ها
• 53. برنامه‌نویسی موازی با ماژول Threading و قفل مفسر سراسری (GIL)
• 54. آشنایی با کلاسترهای محاسباتی (HPC Clusters)
• 55. معماری کلاستر: گره اصلی، گره‌های محاسباتی و شبکه
• 56. سیستم‌های مدیریت صف و زمان‌بند کار (Job Schedulers)
• 57. آشنایی با SLURM: ارسال و مدیریت کارها
• 58. نوشتن اسکریپت‌های ارسال کار (Job Submission Scripts)
• 59. مدیریت ماژول‌های نرم‌افزاری در کلاستر (Environment Modules)
• 60. مدیریت داده‌ها و فایل‌سیستم‌های اشتراکی در کلاستر
• 61. مقدمه‌ای بر رابط ارسال پیام (Message Passing Interface - MPI)
• 62. مفاهیم اصلی MPI: رتبه، اندازه و ارتباط‌دهنده‌ها
• 63. ارتباط نقطه به نقطه در MPI
• 64. ارتباطات جمعی در MPI
• 65. استفاده از mpi4py برای برنامه‌نویسی MPI در پایتون
• 66. مقدمه‌ای بر محاسبات با GPU و معماری CUDA
• 67. کاربردهای GPU در بیوانفورماتیک
• 68. بخش چهارم: کاربردهای پیشرفته و یکپارچه‌سازی
• 69. طراحی پایپ‌لاین‌های محاسباتی مقیاس‌پذیر
• 70. پردازش موازی داده‌های حجیم NGS
• 71. موازی‌سازی جستجوی BLAST در سطح کلاستر
• 72. موازی‌سازی الگوریتم‌های هم‌ترازی توالی
• 73. اهمیت تکرارپذیری در علوم محاسباتی
• 74. مدیریت گردش کار (Workflow Management Systems)
• 75. مقدمه‌ای بر Snakemake
• 76. مقدمه‌ای بر Nextflow
• 77. ایزوله‌سازی محیط با کانتینرها: مقدمه‌ای بر Docker
• 78. ایجاد یک Dockerfile برای ابزارهای بیوانفورماتیک
• 79. استفاده از Singularity در محیط‌های HPC
• 80. مقدمه‌ای بر محاسبات ابری برای بیوانفورماتیک
• 81. استفاده از AWS EC2 و S3 برای تحلیل‌های زیستی
• 82. پلتفرم‌های ابری بیوانفورماتیک (Terra, DNAnexus)
• 83. مقدمه‌ای بر یادگیری ماشین در بیوانفورماتیک
• 84. یادگیری نظارت‌شده و بدون نظارت
• 85. کار با Scikit-learn برای تحلیل داده‌های بیولوژیکی
• 86. مقدمه‌ای بر یادگیری عمیق برای تحلیل توالی‌ها
• 87. مطالعه موردی: پایپ‌لاین تحلیل کامل RNA-Seq در کلاستر
• 88. مطالعه موردی: تحلیل داده‌های GWAS
• 89. مطالعه موردی: پایپ‌لاین تحلیل متاژنومیکس
• 90. بهینه‌سازی عملکرد کد در پایتون
• 91. استفاده از Cython برای سرعت بخشیدن به کد
• 92. مصورسازی داده‌های بیولوژیکی در مقیاس بزرگ
• 93. اصول مهندسی نرم‌افزار برای تحقیقات علمی
• 94. مدیریت وابستگی‌ها و بسته‌بندی نرم‌افزار
• 95. اشکال‌زدایی و تست کدهای موازی
• 96. امنیت داده‌ها در محاسبات بیوانفورماتیک
• 97. اخلاق در بیوانفورماتیک و کار با داده‌های حساس
• 98. طراحی و ارائه پروژه نهایی
• 99. جمع‌بندی دوره و مسیرهای آینده در محاسبات زیستی
• 100. **تصویرسازی و تحلیل داده‌های بیولوژیکی با R و پایتون: نمودارها، آمار توصیفی و کتابخانه‌های کاربردی**