🏅 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
Ko'proq ko'rsatish📈 Telegram kanali 🏅 Genetics A.S 🏅 analitikasi
🏅 Genetics A.S 🏅 (@geneticsas) Forsiy til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 11 913 obunachidan iborat bo'lib, Tibbiyot toifasida 2 247-o'rinni va Eron mintaqasida 26 762-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 11 913 obunachiga ega bo‘ldi.
29 Sentabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 162 ga, so‘nggi 24 soatda esa 16 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 1.23% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 2.07% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 146 marta ko‘riladi; birinchi sutkada odatda 246 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 18 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent علم, بهداشت, ژنتیک, دکتری, جزوه kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“⚡️ 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...”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 30 Sentabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Tibbiyot toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠⚡️🔠🔠