🏅 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
نمایش بیشتر📈 تحلیل کانال تلگرام 🏅 Genetics A.S 🏅
کانال 🏅 Genetics A.S 🏅 (@geneticsas) در بخش زبانی فارسی بازیگری فعال است. در حال حاضر جامعه شامل 11 913 مشترک است و جایگاه 2 247 را در دسته پزشکی و رتبه 26 762 را در منطقه إيران دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 11 913 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 29 سپتامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 162 و در ۲۴ ساعت گذشته برابر 16 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 1.23% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 2.07% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 146 بازدید دریافت میکند. در اولین روز معمولاً 246 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 18 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند علم, بهداشت, ژنتیک, دکتری, جزوه تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“⚡️ 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...”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 30 سپتامبر, 2026)، کانال همواره بهروز و دارای دسترسی بالاست. تحلیلها نشان میدهد مخاطبان بهطور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته پزشکی تبدیل کردهاند.
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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠⚡️🔠🔠