فلش‌کارت‌های آموزشی یکپارچه‌سازی و تحلیل پیشرفته داده‌های ترنسکریپتومیکس فضایی با روش‌های محاسباتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یکپارچه‌سازی و تحلیل پیشرفته داده‌های ترنسکریپتومیکس فضایی با روش‌های محاسباتی

موضوع کلی: زیست‌شناسی محاسباتی و تحلیل داده‌های اُمیکس

موضوع میانی: تحلیل و یکپارچه‌سازی داده‌های Spatial Transcriptomics

📋 سرفصل‌های دوره

• 1. مبانی ترنسکریپتومیکس فضایی و داده‌های مکانی
• 2. ساختار و انواع داده‌های Spatial Transcriptomics
• 3. تفاوت ترنسکریپتومیکس فضایی با Single-Cell RNA-seq
• 4. چالش‌های محاسباتی در یکپارچه‌سازی داده‌های فضایی
• 5. ساختار ماتریس بیان ژن و مختصات مکانی
• 6. پیش‌پردازش داده‌های ترنسکریپتومیکس فضایی
• 7. کنترل کیفیت سلول‌ها، Spotها و ژن‌ها
• 8. نرمال‌سازی داده‌های بیان ژن
• 9. انتخاب ژن‌های با واریانس بالا
• 10. کاهش بُعد در داده‌های فضایی
• 11. تحلیل مؤلفه‌های اصلی در داده‌های Spatial Transcriptomics
• 12. ساخت و تحلیل نمایش‌های کم‌بعد
• 13. مدیریت Batch Effect در داده‌های فضایی
• 14. مبانی یکپارچه‌سازی چند نمونه Spatial Transcriptomics
• 15. هم‌ترازسازی داده‌های فضایی از نمونه‌های مختلف
• 16. یکپارچه‌سازی داده‌های Spatial Transcriptomics و scRNA-seq
• 17. انتقال اطلاعات سلولی از داده‌های Single-Cell به فضای بافت
• 18. تشخیص انواع سلول در داده‌های فضایی
• 19. Deconvolution داده‌های Spatial Transcriptomics
• 20. برآورد ترکیب سلولی Spotها
• 21. تحلیل بیان ژن وابسته به موقعیت مکانی
• 22. شناسایی ژن‌های Spatially Variable
• 23. مدل‌سازی وابستگی‌های مکانی در بیان ژن
• 24. تحلیل همبستگی و ساختار فضایی داده‌ها
• 25. خوشه‌بندی سلول‌ها و نواحی بافتی
• 26. شناسایی دامنه‌های مکانی در بافت
• 27. تحلیل تعاملات سلولی و Cell-Cell Communication
• 28. یکپارچه‌سازی اطلاعات بیان ژن و موقعیت مکانی
• 29. ثبت و هم‌ترازی تصاویر با داده‌های مولکولی
• 30. Image Registration در ترنسکریپتومیکس فضایی
• 31. ادغام داده‌های تصویری و بیان ژن
• 32. تحلیل چندلایه‌ای داده‌های Spatial Omics
• 33. یکپارچه‌سازی چند فناوری Spatial Transcriptomics
• 34. مقایسه روش‌های مبتنی بر مدل‌سازی و روش‌های مبتنی بر کاهش بُعد
• 35. روش‌های Graph-Based برای یکپارچه‌سازی داده‌های فضایی
• 36. ساخت گراف همسایگی مکانی
• 37. یادگیری نمایش گراف برای داده‌های Spatial Transcriptomics
• 38. روش‌های Matrix Factorization برای ادغام داده‌های فضایی
• 39. روش‌های مبتنی بر Autoencoder برای یکپارچه‌سازی
• 40. استفاده از Variational Autoencoder در داده‌های فضایی
• 41. روش‌های یادگیری عمیق برای حذف Batch Effect
• 42. یکپارچه‌سازی با روش‌های Manifold Learning
• 43. روش‌های مبتنی بر Optimal Transport برای تطبیق داده‌های فضایی
• 44. تطبیق جمعیت‌های سلولی بین نمونه‌ها
• 45. مدل‌سازی ناهمگونی بافتی در داده‌های چندنمونه‌ای
• 46. یکپارچه‌سازی داده‌های Spatial Transcriptomics در مقیاس بزرگ
• 47. تحلیل داده‌های چندبافتی و چندبیماری
• 48. انتقال دانش بین بافت‌ها و نمونه‌های مختلف
• 49. ادغام داده‌های Spatial Transcriptomics با داده‌های Multi-Omics
• 50. یکپارچه‌سازی Spatial Transcriptomics و Epigenomics
• 51. یکپارچه‌سازی Spatial Transcriptomics و Proteomics
• 52. تحلیل مشترک داده‌های RNA و پروتئین در فضای بافت
• 53. ارزیابی کیفیت نتایج یکپارچه‌سازی
• 54. معیارهای ارزیابی Batch Correction
• 55. معیارهای ارزیابی حفظ ساختار زیستی
• 56. ارزیابی حفظ ساختار مکانی پس از Integration
• 57. مقایسه روش‌های مختلف Integration
• 58. طراحی Pipeline کامل برای تحلیل داده‌های فضایی
• 59. پیاده‌سازی تحلیل Spatial Transcriptomics با Python
• 60. کار با AnnData و ساختار داده‌های تک‌سلولی
• 61. استفاده از Scanpy برای تحلیل داده‌های فضایی
• 62. مدیریت داده‌های فضایی با ابزارهای تخصصی
• 63. تجسم بیان ژن روی نقشه بافت
• 64. تجسم دامنه‌های مکانی و انواع سلولی
• 65. تحلیل و تفسیر زیستی نتایج Integration
• 66. شناسایی الگوهای مکانی مرتبط با بیماری
• 67. مطالعه موردی یکپارچه‌سازی چند نمونه واقعی
• 68. مطالعه موردی ادغام Spatial Transcriptomics و scRNA-seq
• 69. مطالعه موردی تحلیل ناهمگونی سلولی در بافت
• 70. مطالعه موردی ادغام چندلایه‌ای داده‌های فضایی
• 71. بهینه‌سازی Pipeline و مدیریت منابع محاسباتی
• 72. بازتولیدپذیری و مستندسازی تحلیل‌های فضایی
• 73. خطاهای رایج در یکپارچه‌سازی داده‌های Spatial Transcriptomics
• 74. انتخاب روش Integration متناسب با مسئله پژوهشی
• 75. طراحی پروژه نهایی یکپارچه‌سازی و تحلیل داده‌های فضایی