🏅 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
显示更多📈 Telegram 频道 🏅 Genetics A.S 🏅 的分析概览
频道 🏅 Genetics A.S 🏅 (@geneticsas) 波斯语 语言赛道中的 是活跃参与者。目前社区聚集了 12 324 名订阅者,在 医学 类别中位列第 2 240,并在 伊朗 地区排名第 27 290 位。
📊 受众指标与增长动态
自 невідомо 创建以来,项目保持高速增长,吸引了 12 324 名订阅者。
根据 20 十一月, 2026 的最新数据,频道保持稳定运转。过去 30 天订阅人数变化为 299,过去 24 小时变化为 10,整体触达仍然可观。
- 认证状态: 未认证
- 互动率 (ER): 平均受众互动率为 3.72%。内容发布后 24 小时内通常能获得 2.63% 的反应,占订阅者总量。
- 帖子覆盖: 每篇帖子平均可获得 458 次浏览,首日通常累积 324 次浏览。
- 互动与反馈: 受众积极参与,单帖平均反应数为 15。
- 主题关注点: 内容集中在 علم, بهداشت, ژنتیک, دکتری, جزوه 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台:
“⚡️ 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...”
凭借高频更新(最新数据采集于 21 十一月, 2026),频道始终保持新鲜度与高覆盖。分析显示受众积极互动,使其成为 医学 类别中的关键影响点。
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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠⚡️🔠🔠