🏅 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 الفارسية لاعباً نشطاً. يضم المجتمع حالياً 12 324 مشتركاً، محتلاً المرتبة 2 240 في فئة الطب والمرتبة 27 290 في منطقة إيران.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 12 324 مشتركاً.
بحسب آخر البيانات بتاريخ 20 نوفمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 299، وفي آخر 24 ساعة بمقدار 10، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 3.72%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 2.63% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 458 مشاهدة. وخلال اليوم الأول يجمع عادةً 324 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 15.
- 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 21 نوفمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة الطب.
GeneticsAS
✨ 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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠devtools::install_github("bmbolstad/preprocessCore")
devtools::install_github("Moonerss/CIBERSORT")
library(preprocessCore)
library(CIBERSORT)
library(edgeR)
library(dplyr)
2️⃣ دریافت Signature Matrix یا LM22؛ تو این مثال از ماتریس استاندارد LM22 استفاده میکنیم که بهصورت داخلی در پکیج CIBERSORT قرار داره.
LM22_file <- system.file("extdata",
"LM22.txt",
package = "CIBERSORT")
⚡️ ماتریس LM22 شامل ژنها در ردیفها و ۲۲ جمعیت سلولی در ستونهاست.
3️⃣ ایمپورت ماتریس بیانی (کانتهای خام RNA-seq یا ماتریس نرمالایزشده میکرواری)؛
rawcounts <- read.delim(file = "count_data.txt",
header = TRUE,
sep = "\t")
rownames(rawcounts) <- rawcounts$SYMBOL
rawcounts <- rawcounts[, -1]
⚡️ تو این مثال فرض شده که آیدی ژنها از نوع Symbol هست. اگر از آیدی دیگهای داشته باشن، اول باید اونا رو به Symbol تبدیل کنید. همچنین ژنهای دارای Symbol تکراری باید قبل از نرمالسازی یونیک بشن. همینطور اسامی سمپلها باید به صورت دو گروه (مثلا normal و tumor) باشه.
4️⃣ ساخت متادیتا.
condition <- gsub(pattern = "[0-9]",
replacement = "",
x = colnames(rawcounts))
Samples <- colnames(rawcounts)
metadata <- data.frame(condition = factor(condition),
samples = Samples)
rownames(metadata) <- metadata$samples
metadata$group <- rownames(metadata)
metadata <- metadata[, -2, drop = FALSE]
5️⃣ بررسی ژنهای تکراری و فیلتر کردن دادهها.
sum(duplicated(rownames(counts)))
⚡️ در صورت وجود Symbol تکراری، باید مقادیر آنها در سطح کانتهای خام تجمیع بشن. در ادامه ژنهایی رو نگه میداریم که حداقل در ۵۰ درصد نمونهها دارای مقدار کانت برابر یا بیشتر از ۱۰ باشند.
keep <- rowSums(rawcounts >= 10) >= 0.5 * ncol(rawcounts)
counts_filtered <- rawcounts[keep, ]
6️⃣ نرمالسازی دادهها؛ برای دیتای کانت خام، از CPM با استفاده از پکیج edgeR استفاده میکنیم.
library(edgeR)
dge <- DGEList(counts = counts_filtered)
cpm_matrix <- cpm(dge,
log = FALSE)
⚡️ ورودی CIBERSORT باید در مقیاس خطی و غیرلگاریتمی باشه. برای دادههای RNA-seq، واحدهای FPKM و TPM هم گزینههای متداولی هستن.
7️⃣ بررسی آیدی ژنها و میزان اورلپ با LM22؛
rownames(cpm_matrix) <- toupper(rownames(cpm_matrix))
rownames(LM22) <- toupper(rownames(LM22))
sum(duplicated(rownames(cpm_matrix)))
sum(duplicated(rownames(LM22)))
overlap_genes <- intersect(rownames(cpm_matrix), rownames(LM22))
length(overlap_genes)
length(overlap_genes) / nrow(LM22) * 100
8️⃣ اجرای الگوریتم CIBERSORT.
cibersort_results <- CIBERSORT::cibersort(sig_matrix = as.matrix(LM22),
mixture_file = cpm_matrix,
perm = 1000,
QN = FALSE)
fractions <- cibersort_results[, 1:22]
qc <- cibersort_results[, 23:25]
9️⃣ انتخاب نمونههایی که P-value کمتر از 0.05 دارن؛ معمولاً این نمونهها برای بررسیهای downstream مناسبتر هستن.
keep_samples <- !is.na(qc$`P-value`) & qc$`P-value` < 0.05
fractions <- fractions[keep_samples, , drop = FALSE]
metadata <- metadata[rownames(fractions), , drop = FALSE]
⚡️ در ادامه میشه برای مقایسه فراوانی نسبی هر کدوم از ۲۲ جمعیت سلولی بین دو گروه از Wilcoxon Rank-Sum Test استفاده کرد.
✨ 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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠⚡️🔠🔠