שיטות חישוביות באנליזת ביטוי של RNA

ידע מוקדם: לא נדרש כל ידע מוקדם. מטרות הקורס: להבין את המושגים הביולוגיים הבסיסיים הקשורים לביטוי RNA וחלבונים. השגת מיומנויות מעשיות בניתוח נתוני ביטוי גנים באמצעות כלים חישוביים. החלת שיטות סטטיסטיות ולמידת מכונה כדי לקבץ ולסווג סוגי תאים. לפתח מיומנות בשימוש ב- Python ובספריות "anndata" ו "scanpy" לניתוח תעתיקי RNA. להראות שימוש בידע הנלמד בביצוע מניפולציות על מערכת החיסון על מנת לטפל בסרטן. פירוט: מבוא לביולוגיה של התא והדוגמה המרכזית: סקירה כללית של מבנה ותפקוד התא, הדוגמה המרכזית של הביולוגיה המולקולרית: DNA ל-RNA לחלבון, מבוא להפרשת חלבון או הצגתו על קרום התא. אלגוריתמים לחיפוש גנים פרולוגים. סקירת טכנולוגיות ריצוף RNA: סקירה כללית של טכנולוגיות ריצוף RNA, מבוא ל bulk RNA-Seq ול single cell RNA-Seq. היכרות עם סוגי התאים: אפיתל (Epithelial cells), תאי משתית (Stroma cells) ותאי חיסון (Immune cells), היכרות עם תת סוגי תאי חיסון Myeloid cells, T cells, B cells, Plasma cells. היכרות עם ספריות python רלוונטיות לטיפול בניתוח תעתיקי RNA: מבוא למחברות Jupyter לניסויים חישוביים, היכרות עם הספרייה "scanpy" ועם מבנה הנתונים "anndata", לעיבוד מקדים של נתוני מטריצות ביטוי, בקרת איכות וניתוחם. Principal Component Analysis (PCA): מבוא ל-PCA והיסודות המתמטיים שלו. Uniform Manifold Approximation and Projection (UMAP): אלגוריתם ה UMAP. יישום של PCA ו UMAP בהפחתת מימדים, Case study: שימוש ב PCA ו UMAP כהכנה מוקדמת לקיבוץ (Clustering). סיווג (Classification) ידני ואוטומטי (CellTypist) של סוגי תאים. ניתוח ביטוי גנים דיפרנציאלי: שיטות סטטיסטיות לזיהוי ביטוי דיפרנציאלי (t-test, Mann-Whitney-U test), כלים וטכניקות ב python. case study: הגן PD1 במצבים נורמליים לעומת פתולוגיים: תפקידו של הגן PD1, ביטוי דיפרנציאלי של PD1 בסרטן לעומת רקמות נורמליות, שימוש בנוגדן ל PD1 על מנת לבצע מניפולציה על מערכת החיסון בניסון לטפל בסרטן - Cancer immunotherapy.