🏅 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
Больше📈 Аналитический обзор Telegram-канала 🏅 Genetics A.S 🏅
Канал 🏅 Genetics A.S 🏅 (@geneticsas) языкового сегмента Фарси является активным участником. Сейчас сообщество объединяет 12 324 подписчиков, занимая 2 240 место в категории Медицина и 27 290 место в регионе Иран.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 12 324 подписчиков.
Согласно последним данным от 20 ноября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 299, а за последние 24 часа — 10, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 3.72%. В первые 24 часа после публикации контент обычно набирает 2.63% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 458 просмотров. В течение первых суток публикация набирает 324 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 15.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как علم, بهداشت, ژنتیک, دکتری, جزوه.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“⚡️ 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...”
Благодаря высокой частоте обновлений (последние данные получены 21 ноября, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Медицина.
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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠⚡️🔠🔠