آینده آنالیزهای بیوانفورماتیکی؛ کدوم ترندها میتونن به نوآوری پروژه کمک کنن؟
توضیحات 
برای اینکه ببینیم روند استفاده از روشهای مختلف بیوانفورماتیکی تو سالهای اخیر به چه صورت تغییر کرده، فراوانی مقالات مرتبط با چند تکنیک و آنالیز رو در PubMed بررسی کردم؛ نتیجه جالبه! نمودارها بهخوبی نشون میدن که حوزه بیوانفورماتیک به چه سمتی در حال حرکته.
متود Microarray؛ یک تکنولوژی در حال افول! اگر به نمودار آنالیز Microarray نگاه کنیم، بخش عمده مقالات مربوط به سالهای قدیمیتره و در سالهای اخیر کاهش محسوسی دیده میشه؛ البته این به معنی بیارزش شدن Microarray نیست؛ هنوز هم دیتاستهای بسیار خوبی وجود دارن و برای بعضی از استپهای مقالهتون، مخصوصا validation، میتونن مفید باشن. اما احتمالا شروع یک مقاله بیوانفورماتیکی با دیتاهای microarray، بهاندازه متودهای جدیدتر، جذابیت و پتانسیل توسعه نداره!
متود Bulk RNA-seq؛ هنوز بسیار مهم و کاربردی! با وجود ظهور single cell، از دیتاستهای Bulk RNA-seq هنوز هم استفادههای زیادی میشه و مقالات زیادی بر اساس این نوع دیتاستها طراحی میشن. پس یادگیری ابزارهایی مثل DESeq2 و edgeR و همچنین کار با دیتاستهای بزرگی مثل TCGA، همچنان بخش مهمی از یک پروژه بیوانفورماتیکیه.
متود WGCNA؛ هنوز زنده و پرکاربرد! نمودار WGCNA هم نکته جالبی داره. با وجود اینکه WGCNA یک روش قدیمیتر محسوب میشه، استفاده از اون همچنان قابلتوجه هست و تو سالهای اخیر هم مقالات زیادی با این ابزار منتشر شدن. پس یادگیری پکیج WGCNA میتونه از ملزومات باشه؛ البته با ورود single-cell، نسخههای جدیدتر مثل hdWGCNA هم توسعه پیدا کردن تا مفهوم network analysis به دادههای single-cell منتقل بشه.
متود Single-cell RNA-seq؛ یکی از مهمترین ترندهای بیوانفورماتیک! استفاده از scRNA-seq طی سالهای اخیر رشد بسیار زیادی داشته. به همین دلیل، یادگیری مباحث تئوری و پایه و همینطور ابزارها و پکیجهایی مثل Seurat، Scanpy، CellChat، SCENIC و ابزارهای مشابه میتونن یک سرمایهگذاری بسیار خوب برای علاقهمندان به بیوانفورماتیک باشه.
متود Spatial transcriptomics؛ نسل بعدی! با اینکه Single-cell به ما میگه چه سلولی چه ژنهایی رو بیان میکنه، Spatial به یک سؤال بسیار مهم دیگه پاسخ میده: این سلول دقیقاً کجاست؟ و این تفاوت بسیار مهمه. به همین دلیل Spatial Transcriptomics یکی از جذابترین حوزههای در حال رشد تو بیوانفورماتیکه. تو این مسیر، کار با دیتاهای تولیدشده از پلتفرمهایی مثل 10x Visium و Xenium و ابزارهای تحلیل دادههای spatial رو یاد بگیرید.
و اما Multi-omics؛ احتمالاً یکی از مهمترین مسیرهای آینده! تو این نمودار، Multi-omics analysis یکی از واضحترین روندهای صعودی رو نشان میده و این موضوع کاملاً منطقیه. زیستشناسی فقط RNA نیست! ما میتونیم همزمان اطلاعات مختلف مربوط به ژنومیکس، ترنسکریپتومیکس، اپیژنومیکس و ... رو بررسی کنیم و بعد این لایهها را با همدیگه ادغام کنیم. برای مثال میتونیم اطلاعات RNA-seq + DNA methylation + ATAC-seq + proteomics رو با هم integrate کنیم و به جای بررسی یک لایه از بایولوژی، ارتباط بین لایههای مختلف مولکولی رو بررسی کنیم.
جهت ثبتنام دوره جمعبندی ژنتیک پزشکی 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
)
