کتاب صوتی آموزش Visualization داده‌های Drop-seq با Scanpy: از پیش‌پردازش تا نشر نتایج

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش Visualization داده‌های Drop-seq با Scanpy: از پیش‌پردازش تا نشر نتایج

موضوع کلی: دستهٔ جامع

موضوع میانی: تخصص در داده‌های تک-سلولی و Visualization با Scanpy

📋 سرفصل‌های دوره

• 1. مقدمه بر داده‌های Drop-seq و اهمیت آن
• 2. مفاهیم پایه تک-سلولی RNA-seq
• 3. نصب و تنظیم Scanpy در محیط Python
• 4. بارگذاری داده‌های Drop-seq خام (FASTQ/MTX)
• 5. کنترل کیفیت پیش‌پردازش: فیلترینگ سلول‌ها بر اساس تعداد خوانش‌ها
• 6. فیلترینگ जीن‌ها بر اساس występowania
• 7. نرمال‌سازی داده‌ها با Scanpy (normalize_total)
• 8. تبدیل لاگ و skalierung
• 9. شناسיית जीن‌های altamente متغیر (HVGs)
• 10. مقیاسدهی داده‌ها (scale)
• 11. تحلیل اجزای اصلی (PCA) در Scanpy
• 12. تعیین تعداد مكونات مؤثرة
• 13. همبستگی و تجزیه و تحلیل خوشه‌ای (clustering) با Leiden
• 14. تنظیم پارامتر resolución در clustering
• 15. تجسم خوشه‌ها با UMAP
• 16. تجسم خوشه‌ها با t-SNE
• 17. مارکرات جين خوشه‌ای (marker genes) و یافتن آن‌ها
• 18. تست آماری برای marcadores (rank_genes_groups)
• 19. annotating clusters با marcadores شناخته شده
• 20. integrating multiple Drop-seq batches (batch correction) با Harmony یا BBKNN
• 21. تصحیح اثر batch با Scanorama
• 22. تست batcheffect با kBET
• 23. تحلیل مسیری (pseudotime) با Scanpy (DPT)
• 24. رسم مسیرهای differentiation
• 25. تحلیل экспрессия जीン entlang مسیر
• 26. تجسم heatmap expresión gen
• 27. ایجاد violin plot برای marcadores
• 28. ایجاد dot plot برای marcadores
• 29. ایجاد stacked bar chart برای نسبت cluster
• 30. xuất داده‌های پردازش شده به فرمت h5ad
• 31. بارگذاری و ذخیره‌سازی نتایج در Scanpy
• 32. ایجاد گزارش PDF با Scanpy و matplotlib
• 33. استفاده از plotly برای تجسم تعاملی
• 34. export نمودارها به SVG/PNG برای نشر
• 35. بهینه‌سازی حافظه و سرعت برای دیتاست‌های بزرگ
• 36. استفاده از دیتاست‌های میلیون‑سلولی با دکستری
• 37. parallelizing Scanpy jobs با joblib
• 38. استفاده از GPU با rapids (cuml) برای PCA
• 39. بررسی ميتابوليسم با داده‌های multimodal
• 40. ادغام داده‌های CITE-seq با Scanpy
• 41. تحلیل ligand-receptor interactions (CellPhoneDB) در Scanpy
• 42. ایجاد نمودار شبکه ligand-receptor
• 43. تحلیل Variance spiegato per componente
• 44. ایجاد trajectوهای differentiation با PAGA
• 45. رسم گراف PAGA و ترکیب با UMAP
• 46. تست تفاوت जीن بین دو خوشه (wilcoxon)
• 47. ایجاد ridge plot برای توزیع expr
• 48. ایجاد scatter plot رنگی بر اساس जीن
• 49. ایجاد facet plot برای multiple जीن
• 50. ایجاد کد reusable workflow در Snakemake
• 51. ایجاد notebook جالب برای آموزش
• 52. استفاده از nbconvert برای تبدیل به 슬라이د
• 53. تنظیم محیط Conda برای reproducibilit
• 54. ثبت نسخه‌ها با Git و DVC
• 55. نوشتن توابع سفارشی در Scanpy (wrapper)
• 56. بهینه‌سازی پارامترهای Leiden با grid search
• 57. ارزیابی خوشه‌بندی با silhouette score
• 58. ارزیابی خوشه‌بندی با Davies‑Bouldin index
• 59. استخراج marcadores ویژه برای هر cluster با logistic regression
• 60. ایجاد barcode plot برای expr distribution
• 61. انجام enrichment analysis (GO, KEGG) با gseapy
• 62. تصوير نتایج enrichment (barplot, network)
• 63. ادغام داده‌های فضایی (spatial transcriptomics) با Scanpy
• 64. تجسم espacial با histopathology overlay
• 65. استفاده از CellTypist برای annotate خودکار
• 66. مقایسهٔ روش‌های annotate دستی vs خودکار
• 67. ایجاد گزارش اتوماتیک با Jinja2 templating
• 68. استخراج метаданные Sample و تبدیل به metadata obs
• 69. مدیریت metadata complejo (تجربه، دارو، زمان)
• 70. visualize metadata با scatter plot colored by covariate
• 71. تست ارتباط متغیرهای فیزیولوژیکی با expr (correlation)
• 72. ایجاد نمودار boxplot برای expr بر حسب گروه‌هایmetadata
• 73. انجام differential expression بین شرایط تجريبی (LR test)
• 74. تصحیح چندین假设 با Benjamini-Hochberg
• 75. ایجاد جدول نتایج DEG قابل جستجو
• 76. export DEG به CSV/Excel
• 77. ایجاد heatmap взаимодействия DEGs
• 78. تحلیل شبکه co‑expression (WGCNA) در Scanpy
• 79. شناس کردن hub genes در ماژول‌ها
• 80. تجسم ماژول‌ها با eigengene heatmap
• 81. استفاده از آنتولوژی Celular برای تفسير ماژول‌ها
• 82. درک heterogeneity tumor با subclustering
• 83. re‑clustering خوشه‌های intéressant
• 84. تجسم trajectوهای转移 (metastasis) با RNA velocity
• 85. estimating RNA velocity با scVelo و integràtion در Scanpy
• 86. تصویر vector場 velocity بر روی UMAP
• 87. تست تفاوت velocity بین خوشه‌ها
• 88. integrating CITE‑seq ADT داده با Scanpy
• 89. تجسم proteína سطح कोशیا با CITE‑seq
• 90. ایجاد نمودار distribución ADT
• 91. استفاده از مالتومودالیتی (RNA + ADT) برای annotate
• 92. تجذیب batch effects در داده‌های multimodal
• 93. ایجاد گزارش نهایی شامل تمام تجسم‌ها
• 94. آماده‌سازی داده‌ها برای depositing در مخازن عمومی (GEO, ArrayExpress)
• 95. نوشتن مستندات متدهای تحلیلی برای مقال
• 96. ایجاد نسخه reproduzierbare با بایندر (Binder)
• 97. آموزش کاربران جدید با وركشاپ زنده
• 98. ارزیابی بازخورد و بهبود دوره
• 99. منابع و کتاب‌خانه‌های پیشنهادی برای یادگیری ادامه