Telegram-канал geneticsas - 🏅 Genetics A.S 🏅: Unsorted

🏅 Genetics A.S 🏅

16 June 2026 16:21

📌 ساخت شبکه‌های تنظیمی ژن با استفاده از دیتاهای سینگل‌سل

🔴 توضیحات ◀️

🔴 شبکه‌های تنظیمی ژن (GRNs) مجموعه‌ای از اینتراکشن‌های مولکولی هستن که در اون‌ها فاکتورهای رونویسی، ژن‌های هدف خودشون رو کنترل می‌کنن و در نهایت تعیین می‌کنن که هر ژن تو چه زمانی و تو چه سلولی روشن یا خاموش بشه؛ به بیان ساده، GRNها یک نقشه از روابط تنظیمی بین ژن‌ها هستن که بیان ژن و هویت سلولی رو هدایت می‌کنن. تو این شبکه‌ها، گره‌ها (nodes) معمولاً ژن‌ها یا TFها هستن و یال‌ها (edges) نشون‌دهنده رابطه تنظیمی بین اوناست.

🟡 حالا اگر داده‌های سینگل‌سل داشته باشیم، هدف اینه که GRNها رو در سطح هر سلول به‌صورت جداگانه بازسازی کنیم، نه به‌صورت میانگین جمعیت سلولی. این موضوع اهمیت زیادی داره، چون سلول‌ها حتی تو یک بافت، حالت‌های تنظیمی متفاوتی دارند.

🟠 تو R، پکیجی داریم تحت‌عنوان SCENIC که یکی از ابزارهای قدرتمند برای بازسازی شبکه‌های تنظیمی ژن در داده‌های Single cell RNA-seq است. برخلاف روش‌های معمول که صرفا بر بیان ژن‌ها تمرکز دارن، SCENIC فعالیت فاکتورهای رونویسی و ژن‌های هدف‌شون را رو شناسایی و به درک بهتر مکانیسم‌های تنظیمی در سطح سلولی کمک می‌کنه.

🟢 کدهای پکیج SCENIC ←
1⃣ بازسازی شبکه هم‌بیانی ژن‌ها: تو این مرحله، ارتباط بین فاکتورهای رونویسی و ژن‌های هدف با استفاده از الگوریتم‌های GENIE3 یا GRNBoost2 محاسبه می‌شه.

install.packages("devtools")
devtools::install_github("aertslab/SCENIC")

counts <- GetAssayData(seurat.obj,
                       slot = "counts")
exprMat <- as.matrix(counts)

genesKept <- geneFiltering(exprMat, scenicOptions)
exprMat_filtered <- exprMat[genesKept, ]

runGenie3(exprMat_filtered, scenicOptions)

2⃣ شناسایی Regulonها: تو این مرحله، ارتباط‌های به‌دست‌اومده با استفاده از اطلاعات موتیف‌های DNA پالایش شده و مجموعه ژن‌های تحت کنترل هر فاکتور رونویسی یا Regulon تعیین می‌شن (Regulon یعنی فاکتور رونویسی + ژن‌های هدف).

runSCENIC_1_coexNetwork2modules(scenicOptions)
runSCENIC_2_createRegulons(scenicOptions)

3⃣ محاسبه فعالیت Regulonها در هر سلول: فعالیت هر Regulon با استفاده از روش AUCell اندازه‌گیری شده و می‌شه سلول‌ها رو بر اساس الگوهای تنظیمی‌شون خوشه‌بندی کرد.

runSCENIC_3_scoreCells(scenicOptions)

aucell_regulonAUC <- loadInt(scenicOptions, "aucell_regulonAUC")

4⃣ مرحله مصورسازی:

tsneAUC <- plotTsne_AUCellApp(
  scenicOptions,
  aucell_regulonAUC)

library(igraph)

g <- graph_from_data_frame(regulonTargetsInfo)
plot(g)

🔴 خروجی این آنالیز مجموعه‌ای از Regulonها، میزان فعالیت‌شون در هر سلول و شبکه تنظیمی ژن‌هاست. این اطلاعات امکان شناسایی مسیرهای تنظیمی، تعیین هویت سلولی و کشف فاکتورهای کلیدی دخیل تو بیماری‌ها و فرآیندهای زیستی رو فراهم می‌کنن.

🔴 لینک گیت‌هاب: https://github.com/aertslab/SCENIC/

✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و 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 🌐)
🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠