فلش‌کارت‌های آموزشی ژنتیک کمی و پیش‌بینی بیماری‌های چند ژنی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ژنتیک کمی و پیش‌بینی بیماری‌های چند ژنی

موضوع کلی: ژنتیک کمی و تجزیه بیومتری

موضوع میانی: پیش‌بینی روندهای تحقیقاتی آینده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ژنتیک کمی و بیماری‌های چند ژنی
• 2. مفاهیم پایه ژنتیک جمعیتی
• 3. تنوع ژنتیکی و منابع آن
• 4. وراثت‌پذیری و اجزای آن
• 5. روش‌های تخمین وراثت‌پذیری
• 6. طراحی مطالعه در ژنتیک کمی
• 7. اصول آمار در ژنتیک کمی
• 8. تحلیل واریانس (ANOVA) در مطالعات ژنتیکی
• 9. مدل‌های خطی تعمیم‌یافته (GLM)
• 10. مقدمه‌ای بر GWAS (مطالعات ارتباط گسترده ژنومی)
• 11. کنترل نتایج غلط مثبت در GWAS
• 12. تحلیل مانhattan plot و شناسایی مناطق مرتبط
• 13. تحلیل‌های تکمیلی GWAS (Fine-mapping)
• 14. اهمیت و کاربردهای GWAS در بیماری‌های چند ژنی
• 15. پیش‌بینی ریسک ژنتیکی با استفاده از GWAS
• 16. اسکور ریسک پلی‌ژنیک (PRS) و محاسبه آن
• 17. اعتبارسنجی PRS در جوامع مختلف
• 18. بهینه‌سازی PRS برای افزایش دقت پیش‌بینی
• 19. روش‌های یادگیری ماشین در پیش‌بینی بیماری
• 20. شبکه‌های عصبی مصنوعی و ژنتیک
• 21. درخت‌های تصمیم و جنگل‌های تصادفی در ژنتیک
• 22. مدل‌های رگرسیون در پیش‌بینی بیماری
• 23. تحلیل داده‌های بیان ژن (Gene Expression Data)
• 24. ادغام داده‌های ژنومی و بیان ژن
• 25. تحلیل مسیرهای بیولوژیکی (Pathway Analysis)
• 26. متاآنالیز GWAS برای افزایش توان آماری
• 27. ژن‌های کاندید و رویکردهای هدفمند
• 28. اثرات ژن-محیط (Gene-Environment Interactions)
• 29. اثرات اپی‌ژنتیک و نقش آن‌ها در بیماری‌های چند ژنی
• 30. ویرایش ژن (Gene Editing) و کاربردهای آن در درمان بیماری‌ها
• 31. ژن‌درمانی (Gene Therapy) و چالش‌های آن
• 32. بیوانفورماتیک و ابزارهای تحلیل داده‌های ژنتیکی
• 33. پایگاه‌های داده ژنتیکی (Genetic Databases)
• 34. اصول اخلاقی در ژنتیک و ژنومیک
• 35. آینده ژنتیک کمی و پیش‌بینی بیماری‌ها
• 36. روندهای جدید در تجزیه بیومتری
• 37. تحلیل داده‌های بزرگ ژنتیکی (Big Data)