🏅 Genetics A.S 🏅
⚡️ Genetics A.S ⚡️ 🧬 نکات ژنتیک پزشکی 🧬 ✏️ تستهای ژنتیک ✏️ 📖 لغات زبان 📖 📺 ویدیوهای آموزشی 📺 📝 نکات مشاورهای و برنامهریزی 📝 🔍 راهنمای استفاده از مطالب کانال : https://t.me/GeneticsAS/689 ارتباط با بنده : @Cyaxares ادمین تبادل : @starh20
إظهار المزيد📈 نظرة تحليلية على قناة تيليجرام 🏅 Genetics A.S 🏅
تُعد قناة 🏅 Genetics A.S 🏅 (@geneticsas) في القطاع اللغوي Farsi لاعباً نشطاً. يضم المجتمع حالياً 11 913 مشتركاً، محتلاً المرتبة 2 247 في فئة الطب والمرتبة 26 762 في منطقة إيران.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 11 913 مشتركاً.
بحسب آخر البيانات بتاريخ 29 سبتمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 162، وفي آخر 24 ساعة بمقدار 16، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 1.23%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 2.07% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 146 مشاهدة. وخلال اليوم الأول يجمع عادةً 246 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 18.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل علم, بهداشت, ژنتیک, دکتری, جزوه.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“⚡️ Genetics A.S ⚡️
🧬 نکات ژنتیک پزشکی 🧬
✏️ تستهای ژنتیک ✏️
📖 لغات زبان 📖
📺 ویدیوهای آموزشی 📺
📝 نکات مشاورهای و برنامهریزی 📝
🔍 راهنمای استفاده از مطالب کانال :
https://t.me/GeneticsAS/689
ارتباط با بنده : @Cyaxares
ادمین تبادل : @starh...”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 30 سبتمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة الطب.
remotes::install_github("MRCIEU/TwoSampleMR")
library(TwoSampleMR)
library(data.table)
library(dplyr)
library(ggplot2)
library(forestploter)
library(MRPRESSO)
library(ieugwasr)
2️⃣ اتصال به OpenGWAS؛ برای اتصال به دیتابیس OpenGWAS به ساخت اکانت و تولید یک API نیاز دارید. برای این کار ابتدا وارد سایت api.opengwas.io/profile/ بشید و با یک ایمیل آکادمیک، ثبتنام کنید؛ لینک تأیید به ایمیلتون ارسال میشه و با زدن این لینک، میتونید وارد پروفایلتون در OpenGWAS بشید. در قدم بعد، از قسمت Token (JWT)، توکن مخصوص خودتون رو کپی کنید. بعد با کد زیر، یک .Renviron بسازید و مراحل گفته شده رو انجام بدید.
file.edit("~/.Renviron")
OPENGWAS_JWT=copy your token!
Save!
Restart R!
میتونید توکن خودتون رو چک کنید.
ieugwasr::get_opengwas_jwt()
ieugwasr::user()
3️⃣ انتخاب GWAS مناسب؛ در این آموزش، BMI به عنوان Exposure و Coronary Artery Disease (CAD) به عنوان Outcome در نظر گرفته شده.
ao <- available_outcomes()
bmi_gwas <- ao[grepl("body mass index|BMI", ao$trait, ignore.case = TRUE), ]
cad_gwas <- ao[grepl("coronary artery disease | coronary heart disease", ao$trait, ignore.case = TRUE), ]
4️⃣ انتخاب SNPهای Instrument؛ تو این مثال SNPهای مرتبط با BMI انتخاب میشن.
exposure_dat <- extract_instruments(outcomes = "ieu-b-40", p1 = 5e-8, clump = 1, r2 = 0.001, kb = 10000)
5️⃣ استخراج اثر SNPها روی Outcome؛ تو این مرحله اثر همون SNPهای انتخابشده روی Outcome استخراج میشه.
outcome_dat <- extract_outcome_data(snps = exposure_dat$SNP, outcomes = "ieu-a-8", proxies = TRUE)
6️⃣ هماهنگ کردن آللها یا Harmonisation؛ این مرحله خیلی مهمه، چون باید اثر SNP روی Exposure و Outcome نسبت به یک آلل یکسان تعریف شده باشه.
dat <- harmonise_data(exposure_dat = exposure_dat, outcome_dat = outcome_dat, action = 2)
dat_mr <- dat[ dat$mr_keep == TRUE, ]
7️⃣ اجرای MR.
mr_results <- mr(dat = dat_mr, method_list = c( "mr_ivw", "mr_egger_regression", "mr_weighted_median", "mr_weighted_mode"))
mr_results
8️⃣ تبدیل β به Odds Ratio.
mr_results$OR <- exp(mr_results$b)
mr_results$OR_lower <- exp( mr_results$b - 1.96 * mr_results$se)
mr_results$OR_upper <- exp( mr_results$b + 1.96 * mr_results$se)
9️⃣ آنالیز Sensitivity؛ برای اینکه فقط به نتیجه اصلی MR اکتفا نکنیم، چندتا آنالیز حساسیت مهم انجام میدیم.
# Leave-One-Out (LOO)
loo <- mr_leaveoneout(dat_mr)
mr_leaveoneout_plot(loo)
# Heterogeneity
mr_heterogeneity(dat_mr)
# Horizontal Pleiotropy
mr_pleiotropy_test(dat_mr)
0️⃣1️⃣ روش MR-PRESSO و بررسی Outlierها.
mr_presso_result <- mr_presso(BetaOutcome = "beta.outcome", BetaExposure = "beta.exposure", SdOutcome = "se.outcome", SdExposure = "se.exposure", OUTLIERtest = TRUE, DISTORTIONtest = TRUE, data = dat_mr, NbDistribution = 1000, SignifThreshold = 0.05)
🔴 دوستان آنالیز MR پیچیدگیها و مفاهیم خاص خودش رو داره که تو این پست کاور نشد؛ اما این ورکفلو برای یه آنالیز استاندارد، کافیه. با این حال اگه به ارور خاصی برخورد کردید یا سوالی در مورد انتخاب دیتاست GWAS، گرفتن توکن OpenGWAS یا مفاهیم آنالیز حساسیت داشتید، میتونید از من بپرسید.
✨ جهت ثبتنام در دوره برنامهریزی و مشاوره ۱۴۰۶ و تهیه جزوات جامع و جمعبندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید: @Cyaxares
💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک استفاده کنید: 🏆 رتبهها - مصاحبهها 🏆
😢 کپی کردن مباحث و پستهای کانال، تنها با ذکر نام کانال بلامانع است!
➕ پستها رو برای دوستانتون فوروارد کنید.
#بیوانفورماتیک
کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠GeneticsAS
موفق باشید 🥇
✨ جهت ثبتنام در دوره برنامهریزی و مشاوره ۱۴۰۶ و تهیه جزوات جامع و جمعبندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares
💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک استفاده کنید : 🏆رتبهها - مصاحبهها🏆
😢 کپی کردن مباحث و پستهای کانال، تنها با ذکر نام کانال بلامانع است!
➕ پستها رو برای دوستانتون فوروارد کنید.
کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠⚡️🔠🔠