دوره آموزش صفر تا صد WGCNA

استاد دوره آموزش صفر تا صد WGCNA

مهسا احسانی فرد؛ فارغ التحصیل کارشناسی ارشد ژنتیک و متخصص آنالیز داده های بیومدیکال سرطان
مدت زمان دوره: ۹ ساعت و ۱۵ دقیقه
قیمت دوره: ۸۳۲.۰۰۰ تومان
به همراه صدور گواهی مرکز رشد بیوتکنولوژی دانشگاه علوم پزشکی شیراز به زبان انگلیسی

تجزیه و تحلیل شبکه ای هم بیان وزنی ژن یا WGCNA (Weighted Gene Co-expression Network Analysis) به عنوان یک روش قدرتمند برای تجزیه و تحلیل داده های بیان ژن در مقیاس بزرگ معرفی می شد. این رویکرد نوآورانه به محققان اجازه داد تا خوشه‌هایی از ژن‌های بسیار همبسته را شناسایی کنند، ماژول‌ها را با استفاده از ژن‌های ویژه یا هاب، ماژول‌های مرتبط با یکدیگر و ویژگی‌های خارجی خلاصه کنند و معیارهای عضویت در ماژول را محاسبه کنند.

این روش آنالیزی قدرتمند با استفاده از پکیج WGCNA انجام شده و تعداد متنوعی از داده های بیماری ها، به خصوص سرطان ها، را می توان از نظر همبستگی و تعاملات ژن-ژن، ژن-ماژول و ژن-کلینیکال ارزیابی کرد. این بسته شامل توابعی برای ساخت شبکه وزن دار، تشخیص ماژول، انتخاب ژن، محاسبات خواص توپولوژیکی، شبیه سازی داده ها، تجسم و ارتباط با نرم افزارهای خارجی است. با استفاده از WGCNA، دانشمندان می توانند الگوهای پنهان را در مجموعه داده های بیان ژن در مقیاس بزرگ کشف کنند، و روابط بین ژن ها را آشکار کنند که ممکن است تنها از طریق روش های آماری دیگر آشکار نباشد. این رویکرد به ویژه در مطالعه فرآیندهای بیولوژیکی پیچیده مانند تنظیم رشد، پیشرفت بیماری و پاسخ به محرک‌های محیطی، و همچنین ارتباطات معنی دار ویژگی های بالینی، کلینیکی، فنوتیپی و مولکولی با بان ژن ها مفید است.

اهمیت و کاربرد WGCNA

WGCNA محققان را قادر می‌سازد تا ژن‌ها یا ماژول‌های کلیدی مرتبط با صفات یا شرایط خاص را شناسایی کنند که به طور بالقوه منجر به نشانگرهای زیستی جدید، اهداف درمانی یا بینش‌هایی در مورد مکانیسم‌های مولکولی زمینه‌ساز بیماری‌های مختلف می‌شود. با ارائه یک چارچوب سیستماتیک برای تجزیه و تحلیل داده‌های بیان ژن، WGCNA به ابزاری ضروری در تحقیقات ژنومیک مدرن تبدیل شده است که دانشمندان را قادر می‌سازد اطلاعات بیولوژیکی معنی‌داری را از مجموعه داده‌های با ابعاد بالا استخراج کنند و درک ما از سیستم‌های بیولوژیکی پیچیده را ارتقا دهند.

۱. همبستگی با صفات بیماری (Correlation with Disease Traits)

ماژول هایی که همبستگی قوی با شدت بیماری، پیشرفت یا پاسخ درمانی نشان می دهند، می توانند ژن ها یا مسیرهای دخیل در مکانیسم های بیماری را برجسته کنند. این ماژول های مرتبط اغلب حاوی اهداف درمانی امیدوارکننده هستند.

۲. کشف بیومارکر شخصی (Personalized Biomarker Discovery)

WGCNA به شناسایی ماژول‌های مهم ژنی کمک می‌کند که با ویژگی‌های خاص بیماری یا ویژگی‌های بالینی و مولکولی به طور معناداری مرتبط هستند. این ماژول ها اغلب حاوی ژن هایی هستند که می توانند به عنوان نشانگرهای زیستی شخصی سازی شده برای پیش بینی پیشرفت بیماری یا پاسخ درمانی عمل کنند. در درون ماژول‌های ژنی شناسایی‌شده توسط WGCNA، محققان می‌توانند ژن‌های هاب را که نقش مهمی در حفظ الگوهای هم‌بیان ماژول دارند، مشخص کنند. این ژن های هاب اغلب اهداف درمانی امیدوارکننده ای را نشان می دهند.

موارد آموزشی دوره آموزش صفر تا صد WGCNA

در این کارگاه، مفاهیم اصلی و کاربردهای عملی WGCNA را به همراه توضیحات کاربردی شبکه های بیولوژیکی بررسی خواهیم کرد و تجربه عملی را در R با پکیج های مرتبط اختصاصی و مفاهیم آنالیزی را ارائه خواهیم کرد. شرکت کنندگان یاد خواهند گرفت که چگونه داده ها را برای این آنالیز آماده کنند، چه نوع داده هایی را استفاده کنند، هر مرحله از این آنالیز چه مفهومی دارد، شبکه بسازند، ماژول های معنادار را شناسایی کنند و نتایج را در چارچوب سوالات تحقیق خود تفسیر کنند. شرکت کنندگان مهارت های عملی در به کارگیری WGCNA در پروژه های تحقیقاتی خود به دست خواهند آورد. در پایان این کارگاه، شرکت‌کنندگان به دانش و مهارت‌های لازم برای استفاده از WGCNA برای تجزیه و تحلیل جامع داده‌های بیان ژن مجهز خواهند شد که منجر به بینش‌های جدیدی در زیست‌شناسی سیستم‌ها و تحقیقات ژنومیک عملکردی می‌شود.

سرفصل های دوره آموزش صفر تا صد WGCNA

• مباحث تئوری شبکه ها و مفاهیم WGCNA
• شروع کدنویسی در R با پکیج WGCNA
• کلاسترینگ (sample clustering)
• رو ش های کلاستربندی و توزیع نمونه ها
• شناسایی نمونه ی outlier (outlier detection)
• روش های شناسایی و بررسی نمونه ی outlier
• حذف نمونه ی outlier
• ارتباط همبستگی نمونه ها با ویژگی های فنوتایپی ( کلینیکال) و مولکولی
• بررسی همبستگی با هر دو نوع trait های مولکولی و کلینیکال
• شناسایی ماژو ل ها (module detection)
• شناسایی عدد soft power و مبحث scale free
• توضیحات تئوری و عملی soft threshold power
• تشکیل ماتریکس TOM و adjacency به همراه توضیحات تئوری
• مفاهیم connectivity و similarity
• مرج کردن ماژو ل ها
• ایجاد ماژول آیگنژن (module eigengene )
• ارتباط همبستگی ماژول – trait
• molecular & clinical trait-module correlation
• ترسیم هیت مپ همبستگی
• Gene Significance & Module Membership
• شناسایی هاب ماژو ل های مرتبط با trait
• شناسایی هاب ژ ن های درون ماژو ل ها
• Annotation کردن ژ ن ها
• ترسیم شبکه ی وزن دار در سایتواسکیپ