اکسپرس 24
کتاب آموزش Visualization داده‌های Drop-seq با Scanpy: از پیش‌پردازش تا نشر نتایج

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

تگ‌ها: bioinformatics biomarker discovery clustering Drop-seq genomics machine learning pseudotime Python RNA velocity Scanpy single-cell RNA-seq t-SNE UMAP آموزش データ visualization

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 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

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.