🏅 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
Show more📈 Analytical overview of Telegram channel 🏅 Genetics A.S 🏅
Channel 🏅 Genetics A.S 🏅 (@geneticsas) in the Farsi language segment is an active participant. Currently, the community unites 12 324 subscribers, ranking 2 240 in the Medicine category and 27 290 in the Iran region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 12 324 subscribers.
According to the latest data from 20 November, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 299 over the last 30 days and by 10 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 3.72%. Within the first 24 hours after publication, content typically collects 2.63% reactions from the total number of subscribers.
- Post reach: On average, each post receives 458 views. Within the first day, a publication typically gains 324 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 15.
- Thematic interests: Content is focused on key topics such as علم, بهداشت, ژنتیک, دکتری, جزوه.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“⚡️ 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...”
Thanks to the high frequency of updates (latest data received on 21 November, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Medicine category.
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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠⚡️🔠🔠