🏅 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 12 324 مشترک است و جایگاه 2 240 را در دسته پزشکی و رتبه 27 290 را در منطقه إيران دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 12 324 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 20 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 299 و در ۲۴ ساعت گذشته برابر 10 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 3.72% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 2.63% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 458 بازدید دریافت میکند. در اولین روز معمولاً 324 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 15 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 21 نوامبر, 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.
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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠⚡️🔠🔠