آموزش تحلیل داده‌های Single-Cell RNA-Seq با R و پایتون - آخرین آپدیت

دانلود Learn Single-Cell RNA-Seq Data Analysis Using R & Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر تحلیل Single-Cell RNA-seq از صفر با استفاده از R، پایتون و ابزارهای ابری — یادگیری جامع کنترل کیفیت (QC)، خوشه‌بندی و حاشیه‌نویسی (Annotation) درک اصول توالی‌یابی RNA تک‌سلولی (scRNA-seq) و تفاوت‌های آن با bulk RNA-seq. راه‌اندازی و استفاده از R و RStudio برای گردش کارهای بیوانفورماتیک، شامل وارد کردن/خروجی داده‌ها، بصری‌سازی و مدیریت پکیج‌ها. انجام کنترل کیفیت و نرمال‌سازی بر روی داده‌های single-cell RNA-seq با استفاده از Seurat در R. اجرای کاهش ابعاد (PCA/UMAP) و خوشه‌بندی برای شناسایی جمعیت‌های سلولی متمایز. شناسایی ژن‌های نشانگر (Marker Genes) و تحلیل بیان تفاضلی ژن‌ها (DEG) بین خوشه‌ها یا شرایط مختلف. استفاده از SingleR و مجموعه‌داده‌های مرجع برای حاشیه‌نویسی انواع سلول‌ها در داده‌های تک‌سلولی. تحلیل داده‌های scRNA-seq در پایتون با استفاده از Scanpy و scVI-tools، از پیش‌پردازش تا حاشیه‌نویسی نوع سلول. بصری‌سازی نتایج scRNA-seq با نمودارهای ویولنی، PCA، UMAP و نمودارهای آتشفشانی (Volcano plots) برای گرافیک‌های در سطح مقالات علمی. اجرای خط‌لوله‌های (Pipelines) تک‌سلولی مبتنی بر رابط گرافیکی (GUI) و ابری مانند Galaxy یا CodeOcean بدون نیاز به کدنویسی. به‌کارگیری با اعتمادبه‌نفس خط‌لوله‌های کامل scRNA-seq روی مجموعه‌داده‌های واقعی GEO (NCBI) با استفاده از R، پایتون یا ابزارهای GUI. پیشنیازها: هیچ تجربه قبلی در مورد single-cell RNA-seq مورد نیاز نیست – این دوره برای مبتدیان کامل طراحی شده و هر مفهوم را از صفر به شما آموزش می‌دهد. درک اولیه از زیست‌شناسی یا ژنومیک مفید است اما اجباری نیست. ما تمام اصطلاحات بیولوژیکی ضروری را به روشی ساده و کاربردی توضیح می‌دهیم. به هیچ تجربه قبلی در کدنویسی نیاز نیست – ما شما را گام‌به‌گام در استفاده از R و پایتون برای بیوانفورماتیک راهنمایی می‌کنیم. داشتن کامپیوتری با دسترسی به اینترنت (ویندوز، مک یا لینوکس) برای نصب R، RStudio، پایتون و سایر ابزارهای رایگان مورد استفاده در دوره ضروری است. اشتیاق به یادگیری و کاوش در داده‌های بیولوژیکی واقعی با استفاده از ابزارهای مدرن بیوانفورماتیک. (اختیاری) اگر با استفاده‌های پایه از خط فرمان (Command-line) یا RNA-seq آشنا هستید، مسیر یادگیری شما سریع‌تر خواهد بود، اما مجدداً تأکید می‌شود که الزامی نیست!

به دوره جامع ما، “آموزش تحلیل داده‌های Single-Cell RNA-Seq با R، پایتون، ابزارهای GUI و پلتفرم‌های ابری”خوش آمدید. این دوره طراحی شده است تا شما را به مهارت‌ها و دانش ضروری برای کاوش در یکی از پیشرفته‌ترین و باکیفیت‌ترین فناوری‌های ژنومیک، یعنی توالی‌یابی RNA تک‌سلولی (scRNA-seq)مجهز کند.

در عصر زیست‌شناسی دقیق، جایی که درک رفتار تک‌تک سلول‌ها برای دستیابی به بینش‌هایی در زیست‌شناسی سرطان، ایمونولوژی، علوم اعصاب و پزشکی بازساختی حیاتی است، scRNA-seqبه عنوان یک ابزار تحول‌آفرین ظاهر شده است. این دوره به عنوان نقطه ورود کامل شما به حوزه ترانسکریپتومیکس تک‌سلولیعمل می‌کند و شما را از تئوری‌های بنیادی تا تحلیل عملی داده‌ها با استفاده از قدرتمندترین ابزارهای متن‌باز موجود راهنمایی می‌کند.

چرا Single-Cell RNA-Seq؟

با توجه به محدودیت‌های توالی‌یابی سنتی bulk RNA-seq — که در آن بیان ژن در هزاران یا میلیون‌ها سلول میانگین‌گیری می‌شود — روش scRNA-seq به شما اجازه می‌دهد بیان ژن را در سطح تک‌سلول تحلیل کنید، ناهمگنی‌های پنهان در بافت‌ها را آشکار کنید، انواع سلول‌های نادر را شناسایی کنید و ابعاد جدیدی به درک بیماری‌ها و استراتژی‌های درمان ببخشید.

بیوانفورماتیک برای عصر تک‌سلولی

در قلب این دوره، قدرت بین‌رشته‌ای بیوانفورماتیکقرار دارد — ترکیبی از زیست‌شناسی، علوم کامپیوتر و علوم داده. شما بر رویکردهای محاسباتی و چارچوب‌های آماری که محرک تحلیل داده‌های تک‌سلولیمدرن هستند مسلط می‌شوید و یاد می‌گیرید چگونه از مجموعه‌داده‌های پیچیده، بینش‌های بیولوژیکی معنادار استخراج کرده و آن‌ها را تفسیر و بصری‌سازی کنید.

مسیر یادگیری جامع:از مبانی فناوری تک‌سلولی تا گردش‌های کاری تحلیل در مقیاس کامل، این دوره هر مرحله از تحلیل داده‌های scRNA-seq را با وضوح و بینش عملی به شما آموزش می‌دهد.

تسلط بر ابزارهای متنوع: شما تجربه عملی در هر دو خط‌لوله تحلیل مبتنی بر R و پایتونبا استفاده از کتابخانه‌های قدرتمندی مانند Seuratو Scanpyکسب خواهید کرد و همزمان رابط‌های گرافیکی و پلتفرم‌های ابریمانند Galaxy را برای کسانی که کدنویسی نمی‌کنند، بررسی می‌کنید.

داده‌های واقعی: با مجموعه‌داده‌های واقعی scRNA-seqاز مخازن عمومی مانند NCBI GEO کار خواهید کرد که به شما در به‌کارگیری مهارت‌هایتان روی داده‌های بیولوژیکی واقعی اعتمادبه‌نفس می‌دهد.

آموزش تخصصی:از مدرسان باتجربه بیوانفورماتیک بیاموزید که مفاهیم پیچیده را به گام‌های یادگیری قابل مدیریت و کاربردی تبدیل می‌کنند.
بخش ۱: مقدمه‌ای بر Single-Cell RNA-Seq

  • scRNA-seq چیست و چه تفاوتی با bulk RNA-seq دارد

  • کاربردهای واقعی در پزشکی و زیست‌شناسی

  • مروری جامع بر کل خط‌لوله تحلیل

بخش ۲: شروع کار با R و RStudio

  • مقدمه‌ای بر برنامه‌نویسی R برای زیست‌شناسان

  • نصب RStudio و درک ساختارهای داده

  • وارد کردن داده‌ها، مدیریت پکیج‌ها و ایجاد بصری‌سازی‌ها با ggplot2 و Seurat

بخش ۳: تحلیل Single-Cell RNA-Seq در R

  • پیش‌پردازش داده‌های scRNA-seq با Seurat

  • کنترل کیفیت، نرمال‌سازی، مقیاس‌بندی و PCA

  • خوشه‌بندی، بصری‌سازی UMAP، شناسایی ژن‌های نشانگر و حاشیه‌نویسی نوع سلول

بخش ۴: تحلیل Single-Cell RNA-Seq در پایتون

  • استفاده از Scanpy و scVI-tools

  • پیاده‌سازی خط‌لوله‌های کامل در پایتون

  • حاشیه‌نویسی پیشرفته با استفاده از مدل‌هایی مانند scANVI

بخش ۵: خط‌لوله‌های GUI و مبتنی بر ابر

  • اجرای تحلیل scRNA-seq بدون کدنویسی

  • استفاده از پلتفرم‌هایی مانند Galaxy، CodeOcean یا Cellxgene

  • دانلود و تحلیل بصری مجموعه‌داده‌های GEO

این دوره برای چه کسانی است:

  • دانشجویان زیست‌شناسی یا پزشکی که قصد ورود به حوزه بیوانفورماتیک را دارند

  • مبتدیان و پژوهشگران بیوانفورماتیک

  • دانشمندان داده که به دنبال کاربردهای تک‌سلولی هستند

  • دانشمندان آزمایشگاهی (Wet lab) که می‌خواهند داده‌های scRNA-seq خود را تحلیل کنند

  • هر کسی که به ترانسکریپتومیکس با رزولوشن بالا علاقه‌مند است

آنچه نیاز دارید:

  • هیچ تجربه قبلی در کدنویسی نیاز نیست — این دوره برای مبتدیان مناسب است

  • تمام ابزارهای مورد استفاده متن‌باز و رایگانهستند

  • آشنایی اولیه با زیست‌شناسی یا علاقه به ژنومیک مفید است

به ما در این تجربه یادگیری عمیق بپیوندید و اعتمادبه‌نفس لازم برای اجرای کامل خط‌لوله‌های تحلیل single-cell RNA-seq، تفسیر نتایج و مشارکت موثر در تحقیقات پیشرو را کسب کنید. چه هدف شما ایجاد یک مسیر شغلی پژوهشی باشد و چه ارتقای مهارت‌هایتان به عنوان متخصص علوم زیستی، این دوره دروازه شما برای تسلط بر بیوانفورماتیک تک‌سلولیبا استفاده از R، پایتون، ابزارهای GUI و پلتفرم‌های ابریاست.


سرفصل ها و درس ها

شروع کار با فناوری تک‌سلولی (تئوری) Getting Started with Single Cell Technology (Theory)

  • توالی‌یابی RNA تک‌سلولی (scRNA seq) چیست؟ What is Single-Cell RNA Sequencing (scRNA-seq)?

  • از Bulk RNA Seq تا ترانسکریپتومیکس تک‌سلولی From Bulk RNA-Seq to Single-Cell Transcriptomics

  • کاربردهای کلیدی scRNA seq در پژوهش و پزشکی Key Applications of scRNA-seq in Research and Medicine

  • مروری بر خط‌لوله تحلیل Single Cell RNA Seq Overview of the Single-Cell RNA-Seq Analysis Pipeline

  • شروع کار با فناوری تک‌سلولی Getting Started with Single Cell Technology

شروع کار با R و R Studio Getting Started with R and R-Studio

  • مقدمه‌ای بر برنامه‌نویسی R برای بیوانفورماتیک Introduction to R Programming for Bioinformatics

  • راه‌اندازی R و RStudio برای تحلیل scRNA seq Setting Up R and RStudio for scRNA-seq Analysis

  • درک ساختارهای داده در R (وکتورها، لیست‌ها، دیتا فریم‌ها) Understanding Data Structures in R (Vectors, Lists, Data Frames)

  • وارد کردن و خروجی گرفتن داده‌ها در R Importing and Exporting Data in R

  • نصب و مدیریت پکیج‌های R Installing and Managing R Packages

  • تکنیک‌های بصری‌سازی داده‌ها در R (ggplot2) Data Visualization Techniques in R (ggplot2)

تحلیل Single Cell RNA Seq در R Single-Cell RNA-Seq Analysis in R

  • نصب کتابخانه‌های مورد نیاز برای scRNA seq در R Installing Required Libraries for scRNA-seq in R

  • دانلود و بارگذاری مجموعه‌داده‌های Single Cell RNA seq Downloading and Loading Single-Cell RNA-seq Datasets

  • کنترل کیفیت و نرمال‌سازی داده‌ها Quality Control and Data Normalization

  • کاهش ابعاد، خوشه‌بندی و بصری‌سازی Dimensionality Reduction, Clustering, and Visualization

  • شناسایی ژن‌های نشانگر و بیان تفاضلی Identifying Marker Genes and Differential Expression

  • تحلیل Single Cell RNA Seq در R Single-Cell RNA-Seq Analysis in R

  • بررسی ناهمگنی تومور با استفاده از داده‌های Single Cell RNA seq Characterizing Tumor Heterogeneity Using Single-Cell RNA-seq Data

تحلیل Single Cell RNA Seq در پایتون Single-Cell RNA-Seq Analysis in Python

  • تحلیل Single Cell RNA Seq با استفاده از Scanpy Single-Cell RNA-Seq Analysis Using Scanpy

  • تحلیل Single Cell RNA Seq در پایتون Single-Cell RNA-Seq Analysis in Python

ابزارهای scRNA Seq مبتنی بر GUI و ابری GUI and Cloud-Based scRNA-Seq Tools

  • تحلیل داده‌های scRNA Seq با استفاده از پلتفرم‌های GUI و ابری Analyzing scRNA-Seq Data using GUI and Cloud Platforms

نمایش نظرات

آموزش تحلیل داده‌های Single-Cell RNA-Seq با R و پایتون
جزییات دوره
4 hours
17
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
244
4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Rafiq Ur Rehman Rafiq Ur Rehman

بیوانفورماتیسین | تحلیلگر داده | زیست‌شناس محاسباتی