📚Σκοπός του προγράμματος είναι να προσφέρει στους/στις εκπαιδευόμενους/ες μια ολοκληρωμένη και πρακτικά προσανατολισμένη εκπαίδευση στην ανάλυση δεδομένων γονιδιακής έκφρασης σε επίπεδο μεμονωμένου κυττάρου.
Το πρόγραμμα καλύπτει τις βασικές αρχές της τεχνολογίας single-cell RNA sequencing και τα κύρια στάδια ενός ολοκληρωμένου υπολογιστικού workflow, από την εισαγωγή και τον ποιοτικό έλεγχο των δεδομένων έως την ομαδοποίηση και τον χαρακτηρισμό κυτταρικών πληθυσμών, τη διαφορική γονιδιακή έκφραση και τη βιολογική ερμηνεία των αποτελεσμάτων.
Ιδιαίτερη έμφαση δίνεται στην πρακτική εφαρμογή σύγχρονων υπολογιστικών μεθόδων, στην κριτική αξιολόγηση των αποτελεσμάτων και στην αντιμετώπιση βασικών τεχνικών ζητημάτων της ανάλυσης, όπως τα batch effects και η ενοποίηση διαφορετικών δειγμάτων.
Τελικός στόχος είναι οι εκπαιδευόμενοι/ες να αποκτήσουν το θεωρητικό υπόβαθρο και τις πρακτικές δεξιότητες που απαιτούνται για τον σχεδιασμό, την εκτέλεση, την αξιολόγηση και την παρουσίαση μιας ολοκληρωμένης και αναπαραγώγιμης ανάλυσης single-cell RNA-seq, συνδέοντας τα υπολογιστικά ευρήματα με το αντίστοιχο βιολογικό ή ερευνητικό ερώτημα.
Να χειρίζεσαι εργαλεία αιχμής: Να αναλύεις μονοκυτταρικά δεδομένα με Python, Jupyter Notebooks, Scanpy και αντικείμενα AnnData.
Να ελέγχεις και να καθαρίζεις δεδομένα: Να εφαρμόζεις ποιοτικό έλεγχο, αφαιρώντας κύτταρα χαμηλής ποιότητας, doublets και τεχνικό θόρυβο (ambient RNA).
Να προετοιμάζεις τους πίνακες έκφρασης: Να πραγματοποιείς κανονικοποίηση (normalization), λογαριθμικό μετασχηματισμό και επιλογή μεταβλητών γονιδίων (HVGs).
Να ομαδοποιείς και να οπτικοποιείς κύτταρα: Να μειώνεις διαστάσεις (PCA), να δημιουργείς γραφήματα UMAP / t-SNE και να εντοπίζεις κυτταρικούς πληθυσμούς μέσω Leiden clustering.
Να ταυτοποιείς κυτταρικούς τύπους: Να ανιχνεύεις γονίδια-δείκτες (marker genes) και να αποδίδεις βιολογικές ταυτότητες (cell annotation) στα clusters.
Να εκτελείς διαφορική έκφραση: Να συγκρίνεις ομάδες κυττάρων με στατιστικούς ελέγχους, λογική pseudobulk και λειτουργικό εμπλουτισμό (Gene Ontology, GSEA).
Να ενοποιείς δείγματα και να μελετάς τροχιές: Να διορθώνεις τεχνικές αποκλίσεις (batch effects) και να μοντελοποιείς δυναμικές κυτταρικές μεταβάσεις (pseudotime / trajectory inference).
Να στήνεις αναπαραγώγιμα workflows: Να εκτελείς από την αρχή έως το τέλος μια πλήρη, επιστημονικά τεκμηριωμένη και αναπαραγώγιμη ανάλυση single-cell RNA-seq.
-
1) Βασικές αρχές, βιολογικό υπόβαθρο και υπολογιστικό περιβάλλον
Γίνεται εισαγωγή στις βασικές έννοιες της γονιδιακής έκφρασης, της κυτταρικής ετερογένειας, καθώς και στο περιβάλλον εργασίας με Python, Jupyter Notebooks, Scanpy και AnnData.
-
Γονιδιακή έκφραση και μεταγραφομική
-
Bulk και single-cell RNA-seq
-
Κυτταρική ετερογένεια
-
Βασικές αρχές Python και Jupyter
-
Εισαγωγή στο Scanpy και στο AnnData
-
-
2) Από το πείραμα στον πίνακα γονιδιακής έκφρασης
Oι εκπαιδευόμενοι θα γνωρίσουν τις τεχνολογίες scRNA-seq, τη χρήση κυτταρικών barcodes και UMIs, τον πειραματικό σχεδιασμό, τη ροή επεξεργασίας FASTQ αρχείων και τη διαχείριση raw/filtered matrices και μεταδεδομένων.
-
Τεχνολογίες scRNA-seq
-
Barcodes και UMIs
-
Πειραματικός σχεδιασμός
-
Από τα FASTQ αρχεία στον count matrix
-
Μεταδεδομένα και μορφές αρχείων
-
-
3) Διαχείριση δεδομένων με Python, AnnData και Scanpy
Αναλύεται η εισαγωγή δεδομένων scRNA-seq, η δομή και η διαχείριση του αντικειμένου AnnData (layers, obs, var), η επιλογή υποσυνόλων, η βασική διερευνητική ανάλυση και η αποθήκευση/ανάκτηση αποτελεσμάτων.
-
Εισαγωγή δεδομένων
-
Η δομή AnnData
-
Διαχείριση κυττάρων, γονιδίων και μεταδεδομένων
-
Layers και αναπαραστάσεις δεδομένων
-
Αποθήκευση και ανάκτηση αναλύσεων
-
-
4) Ποιοτικός έλεγχος και φιλτράρισμα κυττάρων
Εξετάζονται οι βασικοί δείκτες ποιότητας (αριθμός γονιδίων/counts, ποσοστό μιτοχονδριακών γονιδίων), η επιλογή ορίων φιλτραρίσματος, ο εντοπισμός doublets, ο τεχνικός θόρυβος (ambient RNA) και η αξιολόγηση του φιλτραρίσματος.
-
Δείκτες ποιότητας
-
Επιλογή ορίων φιλτραρίσματος
-
Μιτοχονδριακά και ριβοσωμικά γονίδια
-
Doublets και multiplets
-
Ambient RNA και τεχνικός θόρυβος
-
-
5) Κανονικοποίηση, μετασχηματισμός και επιλογή γονιδίων
Οι εκπαιδευόμενοι θα εφαρμόσουν μεθόδους κανονικοποίησης ως προς το μέγεθος της βιβλιοθήκης, λογαριθμικό μετασχηματισμό, επιλογή highly variable genes, κλιμάκωση (scaling) δεδομένων και αφαίρεση τεχνικών παραγόντων.
-
Library-size normalization
-
Log transformation
-
Highly variable genes
-
Scaling και τεχνικές μεταβλητές
-
Διαχείριση raw και normalized δεδομένων
-
-
6) Μείωση διαστάσεων, γράφοι γειτονίας και ομαδοποίηση
Καλύπτεται η ανάλυση κύριων συνιστωσών (PCA), η κατασκευή γράφου κοντινότερων γειτόνων, η οπτικοποίηση με UMAP/t-SNE και η ομαδοποίηση κυττάρων με τον αλγόριθμο Leiden.
-
PCA
-
Γράφος γειτονίας
-
UMAP και t-SNE
-
Leiden clustering
-
Αξιολόγηση και ερμηνεία clusters
-
-
7) Γονίδια-δείκτες και χαρακτηρισμός κυτταρικών τύπων
Αναλύεται ο εντοπισμός και η οπτικοποίηση marker genes (dot plots, heatmaps κ.λπ.), ο χειροκίνητος και ιεραρχικός χαρακτηρισμός (annotation) κυτταρικών τύπων, η χρήση αυτοματοποιημένων εργαλείων και η διαχείριση της αβεβαιότητας.
-
Marker genes
-
Οπτικοποίηση δεικτών
-
Χειροκίνητη annotation
-
Αυτοματοποιημένη annotation
-
Έλεγχος και τεκμηρίωση κυτταρικών ταυτοτήτων
-
-
8) Διαφορική έκφραση και βιολογική ερμηνεία
Πραγματοποιείται στατιστική σύγκριση μεταξύ κυτταρικών ομάδων (fold change, p-values, FDR), αναλύονται οι περιορισμοί σε επίπεδο κυττάρου, εισάγεται η pseudobulk ανάλυση και εφαρμόζονται μέθοδοι Gene Ontology και GSEA.
-
Διαφορική έκφραση
-
Πολλαπλοί στατιστικοί έλεγχοι
-
Pseudobulk λογική
-
Gene Ontology και pathway analysis
-
Βιολογική ερμηνεία και παρουσίαση αποτελεσμάτων
-
-
9) Ενοποίηση δεδομένων, κυτταρικές τροχιές και αναπαραγώγιμη ανάλυση
Καλύπτονται τα batch effects, οι προσεγγίσεις ενοποίησης δεδομένων (integration), η ανάλυση κυτταρικών μεταβάσεων (trajectory inference / pseudotime) και οι βέλτιστες πρακτικές για αναπαραγώγιμο workflow και τελική παρουσίαση
-
Batch effects
-
Integration διαφορετικών δειγμάτων
-
Αξιολόγηση της ενοποίησης
-
Trajectory inference και pseudotime
-
Αναπαραγωγιμότητα και τεκμηρίωση
-
Ολοκληρωμένο workflow ανάλυσης
-
- Συνολικός χρόνος ενασχόλησης: 75 ώρες
- Online μαθήματα με τους εκπαιδευτές: 18 ώρες
- Διάρκεια: 9 Εβδομάδες
- Επωφεληθείτε από τις εκπτώσεις στα δίδακτρα έως 35%
- 🎓 Απονέμεται Πιστοποιητικό Επιμόρφωσης