یکی از مشکلات رایجی که خیلی از پژوهشگران باهاش دست و پنجه نرم می کنند بحث شلوغی فولدرها و نامرتب بودن فایل های موجود در هر فولدر هستش. با استفاده از این افزونه غیر نصبی می توانید به فایل های خود نظم دهید و فایل هایی که به صورت پراکنده در یک درایو دارید یا در پوشه دانلود یا هرجای دیگر براساس فرمت آنها مرتب کنید و به صورت اتوماتیک دسته بندی کنید. کافی است فایل پیوست را دانلود کنید و بر روی آن کلیک کنید تا فایل های شما به صورت اتوماتیک براساس فرمتی که دارند دسته بندی شود. این فایل که با فرمت .bat است در ویندوز مدیریت فایل را برای شما آسان می کند.

مستند آب: مولکولی که ما را ساخت
لینک مشاهده

یه اصطلاح معروف آمریکایی هست که میگه:
“Go Big Or Go Home ”
یعنی:
"یا تا تهش برو، یا کلاً بی‌خیال شو."
اگه یه چیزی رو می‌خوای، باید یا با تمام توان بازی کنی یا از زمین بازی بری بیرون و دیگه حرفشم نزنی.
برای رسیدن به اهدافت تمام شجاعت و خلاقیتت رو بذار وسط، وگرنه این فرصت رو کسی به دست میاره که جرعتش رو داره.

“Go Big Or Go Home ”
یعنی:
"یا تا تهش برو، یا کلاً بی‌خیال شو."

نرم افزار fastp یک ابزار همه کاره برای کنترل کیفی داده های NGS
نصب از طریق کوندا:

conda install -c bioconda fastp

اجرا:

#single end reads
fastp -i in.fq -o out.fq
#paired end reads 
fastp -i in.R1.fq.gz -I in.R2.fq.gz -o out.R1.fq.gz -O out.R2.fq.gz

‍‍

روش WGCNA
روش WGCNA (Weighted Gene Co-expression Network Analysis) یک تکنیک آماری در بیوانفورماتیک است که برای تحلیل الگوهای بیان ژن به‌صورت شبکه‌ای به‌کار می‌رود. در این روش، ژن‌هایی که الگوی بیان مشابهی در نمونه‌های مختلف دارند، به‌صورت خوشه‌هایی از ژن‌های هم‌بیان (co-expressed) گروه‌بندی می‌شوند. سپس شبکه‌ای وزندار از ژن‌ها ساخته می‌شود که در آن هر گره نماینده یک ژن است و وزن یال‌ها میزان شباهت بیان بین دو ژن را نشان می‌دهد. این تحلیل کمک می‌کند تا ماژول‌هایی از ژن‌ها که با ویژگی‌های فنوتیپی یا بیماری خاصی مرتبط هستند، شناسایی شوند. در نهایت، ژن‌های مرکزی یا "hub genes" در هر ماژول شناسایی می‌شوند که می‌توانند اهداف مناسبی برای مطالعات عملکردی یا درمانی باشند.

برای انجام انالیز wgcna می توانید از کدهای پایتون پیوست استفاده نمایید. کافی است داده های مورد نیاز را در مسیر اسکریپ ها قرار دهید و سپس در مرحله بعد با تغییر مسیر اسکریپت به محل ذخیره داده های ورودی مانند جدول countها و... داده نمودارهای مربوطه را با استفاده از این اسکریپت ها انالیز کنید.

روش‌های کمی‌سازی داده‌های RNA-Seq شامل تکنیک‌هایی هستند که به منظور اندازه‌گیری سطح بیان ژن‌ها یا ترنسکریپت‌ها از داده‌های توالی‌یابی RNA به‌کار می‌روند. این روش‌ها معمولاً پس از مرحله پیش‌پردازش و تراز کردن خوانش‌ها (reads) به ژنوم یا ترنسکریپتوم مرجع انجام می‌شوند. از جمله رایج‌ترین روش‌های کمی‌سازی می‌توان به HTSeq و featureCounts اشاره کرد که تعداد خوانش‌های تراز شده به هر ژن را شمارش می‌کنند. همچنین، روش‌هایی مانند RSEM، Salmon و Kallisto از رویکردهای شبه-تراز (pseudo-alignment) یا مدل‌های آماری پیچیده برای برآورد فراوانی نسبی ترنسکریپت‌ها (TPM, FPKM یا RPKM) استفاده می‌کنند. این روش‌ها سرعت بالا و دقت مناسبی در شناسایی سطح بیان ژن دارند و در تحلیل‌های پایین‌دستی مانند شناسایی ژن‌های متفاوت‌بیان یا شبکه‌های هم‌بیان استفاده می‌شوند.

روش های
TPM (Transcripts Per Million)
FPKM (Fragments Per Kilobase of transcript per Million mapped reads) RPKM (Reads Per Kilobase of transcript per Million mapped reads) از جمله روش‌های نرمال‌سازی داده‌های RNA-Seq هستند که برای مقایسه سطح بیان ژن‌ها به کار می‌روند.

هدف این روش‌ها حذف اثرات طول ژن و عمق توالی‌یابی (sequencing depth) برای مقایسه عادلانه‌تر بین ژن‌ها و نمونه‌ها است. در روش RPKM (برای خوانش های single end) و FPKM (برای خوانش های paired end)، تعداد خوانش‌های تراز شده به هر ژن بر طول ژن (به کیلوباز) و تعداد کل خوانش‌ها (به میلیون) تقسیم می‌شود.

اما روش TPM ابتدا داده‌ها را بر طول ژن نرمال‌سازی کرده و سپس به‌گونه‌ای مقیاس‌بندی می‌کند که مجموع بیان تمام ژن‌ها در هر نمونه برابر یک میلیون شود. این ویژگی باعث می‌شود TPM برای مقایسه بین نمونه‌ها مناسب‌تر از RPKM/FPKM باشد.

مقایسه روش های مورد استفاده برای نرمال سازی داده های RNAseq. یک مقاله عالی و خواندی برای یادگیری بحث TPM، FPKM و RPKM

معرفی نرم افزار Fastqc
ح.رسولی، دانشجوی دکتری بیوتکنولوژی کشاورزی دانشگاه تربیت مدرس تهران

ابزار FastQC یک نرم‌افزار کنترل کیفیت است که به کاربران اجازه می‌دهد تا بررسی‌های متعددی بر روی داده‌های خام حاصل از توالی‌یابی‌های با توان بالا مانند پلتفرم‌های Illumina و ABI SOLiD که در قالب فایل FASTQ تولید شده‌اند، انجام دهند. این نرم‌افزار به‌عنوان خروجی، یک گزارش جامع چندصفحه‌ای از ترکیب و کیفیت قرائت‌ها (Reads) در قالب HTML تولید می‌کند که برای هر یک از قرائت‌ها یک صفحه اختصاصی دارد.

1- دانلود نرم افزار

2- تفسیر خروجی های نرم افزار

قانون اعداد بزرگ یکی از مفاهیم کلیدی در آمار است که نشان می‌دهد با افزایش تعداد نمونه‌های تصادفی از یک توزیع، میانگین نمونه‌ای به مقدار میانگین واقعی یا امید ریاضی آن توزیع نزدیک‌تر می‌شود. این اصل کمک می‌کند تا بفهمیم چرا نمونه‌های بزرگ‌تر نتایج آماری پایدارتر و قابل‌اعتمادتری تولید می‌کنند، در حالی‌که نمونه‌های کوچک ممکن است الگوهای اشتباه و پرنوسانی نشان دهند. این مفهوم پایه‌ای برای شبیه‌سازی، استنباط آماری و روش‌های مونت‌کارلو است. برای مشاهده عملی این پدیده می‌توانید در زبان R از تابع rnorm() و در پایتون از numpy.random.normal() به‌همراه رسم نمودار چگالی استفاده کنید.

دانشمندان کره‌جنوبی در مؤسسه KAIST به کشف انقلابی در درمان سرطان روده بزرگ دست یافته‌اند. این تیم به رهبری پروفسور کوانگ-هیون چو، موفق شده‌اند سلول‌های سرطانی را به حالت طبیعی بازگردانند، بدون نیاز به نابودسازی آن‌ها.

این روش نوآورانه با بهره‌گیری از فناوری «دوقلوی دیجیتال» و شبیه‌سازی تعاملات ژنی، کلیدهای مولکولی مؤثر در این بازبرگشت را شناسایی کرده است.

برخلاف روش‌های سنتی که با از بین بردن سلول‌های سرطانی همراه‌اند و عوارض جانبی زیادی دارند، این روش می‌تواند درمانی ایمن‌تر و مؤثرتر باشد. اگر تحقیقات بیشتر این نتایج را تأیید کند، تحول بزرگی در درمان سرطان رقم خواهد خورد.

New Scientist - April 26, 2025

New Scientist - April 26, 2025