#امری
#بیماریهای_تکژنی
#پارت۲۱
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8🙏2🏆2👍1🍓1
#امری
#بیماریهای_تکژنی
#پارت۲۱
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👏3👍1🙏1🍓1
#مشاوره
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10👍4🙏2🍓2❤🔥1👌1
LASSO
RF
SVM-RFE
Boruta
XGBoost
AdaBoost
BRT
دوستان اگه میخواید کدهای مربوط به هر الگوریتم رو بهصورت بهینه و ساده تو پستهای بعدی بذارم، پست رو شِیر کنید و ریاکشن بزنید.
#بیوانفورماتیک
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤9❤🔥5👍4😍2👏1🍓1
#امری
#بیماریهای_تکژنی
#پارت۲۲
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👏3❤🔥2🙏1🍓1
#امری
#بیماریهای_تکژنی
#پارت۲۲
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5🙏3❤🔥1👌1🏆1🍓1
Anonymous Quiz
28%
SLC3A1 - CTNS
24%
SLC7A9 - SLC3A1
29%
SLC3A1 - SLC7A9
19%
CTNS - SLC7A9
❤6👍3🙏1👌1🏆1🍓1
#تست_روز
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍2🙏2👏1💯1🏆1
library(SingleR)
library(celldex)
library(SingleCellExperiment)
ref <- HumanPrimaryCellAtlasData(ensembl = F)
mylabels <- SingleR(test = as.SingleCellExperiment(srobj_clus),
ref = ref,
labels = ref$label.main)
View(data.frame(table(mylabels$labels)))
View(data.frame(mylabels$scores))
srobj_clus$CellTypes <- mylabels$labels
DimPlot(object = srobj_clus,
reduction = "umap",
label = T,
group.by = "CellTypes") +
NoLegend()
* بهطور خیلی ساده، SingleR از یک دیتای رفرنس pre-annotated استفاده میکنه و پروفایل بیانی این دیتا رو با پروفایل بیانی دیتای خودمون مقایسه میکنه و در نهایت لیبلها رو ترنسفر میکنه.
devtools::install_github("chloelulu/scMayoMap")
library(scMayoMap)
scMayoMap.obj <- scMayoMap(data = markers,
database = scMayoMapDatabase,
tissue = "prostate")
class(scMayoMap.obj)
View(scMayoMap.obj$res)
plt <- scMayoMap.plot(scMayoMap.object = scMayoMap.obj)BiocManager::install("EasyCellType")
BiocManager::install("org.Mm.eg.db")
library(EasyCellType)
markers_easy <- markers[, c("gene", "cluster", "avg_log2FC")]
colnames(markers_easy) <- c("gene", "cluster", "score")
markers_easy <- markers_easy[order(markers_easy$score, decreasing = TRUE), ]
View(markers_easy)
data(cellmarker_tissue)
View(cellmarker_tissue$Human)
easy_annot <- easyct(data = markers_easy,
db = "cellmarker",
genetype = "symbol",
species = "Human",
tissue = "Prostate",
p_cut = 0.5,
test = "GSEA",
scoretype = "pos")
class(easy_annot)* توجه کنید که آبجکت markers نتیجهی تابع FindAllMarkers طبق پایپلاین Seurat هست.
#بیوانفورماتیک
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👏3❤🔥2😍1💯1
پست اول فصل الگوهای توارث
پست اول فصل ژنتیک مولکولی
پست اول فصل سایتوژنتیک
پست اول فصل ناهنجاریهای کروموزومی
پست اول فصل اختلالات تکژنی
#مشاوره
کانال آموزشی آرش صفرزاده (@GeneticsAS
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👏2😍2🙏1🍓1