تکنیک RNA sequencing چیست و چه کاربردی دارد؟

سلول‌های زنده و تعاملات درونی آن‌ها، همچنان یکی از بزرگترین معماهای بشری‌اند که به شکل کامل ساز و کار آن‌ها درک نشده است. هزاران ژن درون هر سلول به طور هماهنگ فعال و غیرفعال می‌شوند تا فرآیندهای حیاتی مانند رشد، تقسیم سلولی، پاسخ به استرس و بسیاری از فعالیت‌های زیستی دیگر انجام شود. یک رویکرد برای درک بهتر ساز و کار سلولی، مطالعه در سطح ترانسکریپتوم (بررسی محتوای تمام RNA هاست). برای درک بهتر این فرآیندها، دانشمندان نیاز دارند بدانند کدام ژن‌ها در یک زمان مشخص فعال هستند و چه مقدار RNA از آن‌ها تولید می‌شود.

RNA در واقع نسخه‌ای رونوشت شده از اطلاعات ژنتیکی DNA است که برای ساخت پروتئین‌ها و اجرای بسیاری از عملکردهای سلولی مورد استفاده قرار می‌گیرد. بنابراین بررسی RNA می‌تواند تصویر دقیقی از وضعیت فعالیت ژن‌ها در یک سلول یا بافت در اختیار پژوهشگران قرار دهد. در سال‌های گذشته، فناوری‌های مختلفی برای مطالعه بیان ژن توسعه یافته‌اند (مانند میکرواری و توالی‌یابی).  با پیشرفت تکنولوژی‌های توالی‌یابی نسل جدید، روشی قدرتمند به نام RNA sequencing یا به اختصار RNA seq معرفی شد. این تکنیک به پژوهشگران اجازه می‌دهد به صورت همزمان هزاران مولکول RNA را در یک نمونه بررسی کنند و تصویری جامع از الگوی بیان ژن به دست آورند. تکنیک RNA seq نه تنها امکان بررسی دقیق بیان ژن‌ها را فراهم می‌کند، بلکه می‌تواند به کشف ژن‌های جدید، شناسایی تغییرات مولکولی در بیماری‌ها و درک بهتر مسیرهای زیستی کمک کند. در مقاله قبلی، به بررسی تکنیک میکرواری پرداختیم و در این مقاله تلاش می‌کنیم یک دید کلی و قابل فهم درباره RNA seq ارائه دهیم تا افرادی که آشنایی قبلی با این روش ندارند نیز بتوانند با مفاهیم اصلی آن آشنا شوند.

معرفی و تاریخچه تکنیک RNA sequencing

برای درک بهتر تکنیک RNA seq، بهتر است با انواع مختلف تکنیک‌های توالی‌یابی نوکلئیک اسید آشنا شویم. به طور کلی، تکنیک‌های توالی یابی را می‌توان در سه نسل مختلف طبقه‌بندی کرد:

توالی‌یابی نسل اول – نقطه شروع مسیر

در سال‌های ابتدایی زیست‌شناسی مولکولی، دانشمندان هنوز ابزارهای کافی برای بررسی دقیق DNA و RNA نداشتند. پس از کشف ساختار DNA در سال 1953، قدم‌های مهمی برای خواندن توالی ژن‌ها برداشته شد. یکی از نقطه‌عطف‌ها در این مسیر، توسعه روش Sanger Sequencing بود که به دلیل عملکرد خوب و خطای بسیار پایین، سال‌ها به عنوان روش استاندارد شناخته می‌شد و هنوز هم پرکاربرد است.

ویژگی‌های مهم این نسل از توالی‌یابی:

• دقت بسیار بالا
• امکان توالی‌یابی قطعات کوتاه DNA (در حد 300 تا 1000 جفت‌باز)
• زمان‌بر و با ظرفیت انجام پایین
• هزینه زیاد به ازای هر باز خوانده‌شده

در واقع نسل اول پایه و اساس مفاهیم توالی‌یابی را بنا کرد، اما محدودیت سرعت و حجم داده اجازه نمی‌داد که هزاران ژن یا RNA از یک نمونه بررسی شوند. همین محدودیت‌ها زمینه‌ساز ظهور نسل‌های جدید شد که نقش کلیدی در شکل‌گیری تکنیک RNA sequencing داشتند.

توالی‌یابی نسل دوم – آغاز عصر NGS و مسیر ایجاد RNAseq

با معرفی نسل دوم توالی‌یابی در دهه 1990، تحول بزرگی در دنیا زیست‌مولکولی ایجاد شد. این نسل که با عنوان NGS (Next-Generation Sequencing) شناخته می‌شود، کلید اصلی توسعه تکنیک RNA sequencing است. در این نسل، توالی‌یابی با سرعت بالا و حجم عظیم داده ممکن شد. شرکت‌هایی مانند Illumina، Roche و Life Technologies روش‌هایی مانند Sequencing-by-synthesis و Sequencing-by-ligation را توسعه دادند. این فناوری‌ها امکان بررسی همزمان هزاران ژن را فراهم کردند و هزینه توالی‌یابی را به شدت کاهش دادند.

این تصویر با کمک هوش مصنوعی تولید شده است.

مزیت‌های مهم نسل دوم که زمینه‌ساز RNAseq شدند:

• توانایی پردازش حجم بسیار زیادی از توالی‌ها
• امکان multiplexing (تحلیل چندین نمونه در یک آزمایش)
• حساسیت بالا برای شناسایی بیان ژن‌های کم‌بیان
• مناسب برای پروژه‌های بزرگ مطالعه بیان ژن

به دلیل همین توانایی‌ها بود که تکنیک RNA sequencing به محبوب‌ترین روش برای تحلیل بیان ژن تبدیل شد و جای بسیاری از روش‌های قبلی مانند میکرواری را گرفت.

توالی‌یابی نسل سوم – خوانش طولانی و امکان آنالیز دقیق‌تر RNAها

نسل سوم توالی‌یابی با ارائه خوانش‌های بسیار بلند (Long-read sequencing) انقلابی تازه ایجاد کرد. این نسل که توسط شرکت‌هایی مثل PacBio و Oxford Nanopore توسعه یافت، امکان خواندن قطعات بسیار بزرگ DNA و RNA را فراهم کرد؛ چیزی که برای شناسایی ایزوفرم‌های مختلف RNA، فیوژن‌های ژنی و تحلیل ساختارهای پیچیده RNA اهمیت دارد.

مزیت‌های نسل سوم که به پیشرفت بیشتر RNAseq کمک کرده‌اند:

• امکان خواندن توالی‌های بسیار بلند
• سرعت بالا
• مناسب برای مطالعه ژنوم‌ها و ترنسکریپتوم‌های جدید

محدودیت نسل سوم، هزینه بالاتر و خطای بیشتر در برخی مدل‌هاست، اما به سرعت در حال پیشرفت است و امروزه در بسیاری از پروژه‌های RNA sequencing نقش مهمی دارد.

ورود RNA sequencing به عنوان یک تکنیک کلیدی

معمولا تکنیک‌هایی که برای توالی‌یابی DNA استفاده می‌شوند را می‌توان برای RNA نیز استفاده کرد. کافی است از روی RNA یک نسخه از جنس DNA ساخت و اقدام به توالی‌يابی آن کرد. تکنیک RNA sequencing زمانی اهمیت پیدا کرد که دانشمندان فهمیدند دانستن توالی DNA کافی نیست. آنچه فعالیت واقعی سلول را مشخص می‌کند، میزان RNAهای موجود در نمونه است. تکنیک RNA sequencing با ترکیب توالی‌یابی نسل جدید و تبدیل RNA به cDNA، این امکان را فراهم کرد که:

• تمام RNAهای موجود در یک سلول بدون نیاز به طراحی پروب بررسی شوند
• ژن‌های فعال و میزان فعالیت آن‌ها شناسایی شوند
• ایزوفرم‌ها، فیوژن‌ها و جهش‌های کوچک RNA تشخیص داده شوند
• تصویر دقیقی از وضعیت سلول در لحظه به‌دست آید

کاربردهای تکنیک RNA sequencing

تکنیک RNA sequencing به دلیل دقت و توان عملیاتی بسیار بالا، امروزه به یکی از ابزارهای جدایی‌ناپذیر در تحقیقات زیست‌شناسی و پزشکی تبدیل شده است. در ادامه با مهم‌ترین کاربردهای این فناوری آشنا می‌شویم تا درک بهتری از اهمیت آن در دنیای علم پیدا کنید.

آنالیز بیان ژن و بررسی مسیرهای زیستی

اصلی‌ترین کاربرد در آشنایی با تکنیک RNA sequencing، سنجش میزان فعالیت ژن‌ها در شرایط مختلف است. با استفاده از این روش می‌توان فهمید که در پاسخ به یک محرک خاص، دارو یا در یک بیماری مشخص، کدام ژن‌ها افزایش یا کاهش بیان داشته‌اند. این اطلاعات به دانشمندان کمک می‌کند تا مسیرهای پیچیده زیستی و نحوه تعامل ژن‌ها با یکدیگر را به دقت ترسیم کنند.

کشف ژن‌های جدید و ایزوفرم‌ها

یکی از برتری‌های بزرگ در آشنایی با RNA seq نسبت به روش‌های قدیمی، توانایی آن در شناسایی ژن‌های ناشناخته است. از آنجا که این روش نیازی به دانش قبلی از توالی ندارد، می‌تواند ایزوفرم‌های جدید (نسخه‌های مختلف از یک ژن) و محل‌های پیرایش جدید را با دقت بسیار زیاد شناسایی کند که در گذشته امکان‌پذیر نبود.

شناسایی جهش‌ها و فیوژن‌های ژنی

در بیماری‌هایی مانند سرطان، گاهی اوقات دو ژن مجزا به هم متصل شده و یک ژن ادغام‌یافته یا فیوژن ایجاد می‌کنند. تکنیک RNA sequencing ابزاری قدرتمند برای شناسایی این تغییرات ساختاری و همچنین تشخیص جهش‌های نقطه‌ای در توالی‌های کدکننده پروتئین است. این قابلیت در تشخیص دقیق نوع سرطان و پیش‌بینی رفتار تومور اهمیت حیاتی دارد.

تحقیقات سرطان و کشف داروهای جدید

در حوزه انکولوژی، آشنایی با RNA seq به پزشکان کمک می‌کند تا پروفایل مولکولی تومور هر بیمار را بررسی کرده و بر اساس آن، درمان‌های هدفمند ارائه دهند. همچنین در صنعت داروسازی، از این تکنیک برای بررسی دقیق اثرات داروها بر بیان ژن‌ها و شناسایی اهداف دارویی جدید برای درمان بیماری‌های صعب‌العلاج استفاده می‌شود.

مطالعات تک‌سلولی (Single-cell RNA seq)

یکی از پیشرفته‌ترین کاربردهای تکنیک RNA sequencing، بررسی بیان ژن در سطح تک‌تک سلول‌ها است. این روش که یک variation مدرن از RNA seq است، به پژوهشگران اجازه می‌دهد تا تفاوت‌های میان سلول‌های مختلف درون یک بافت را درک کنند. این موضوع در مطالعه تکوین جنین، تکامل سیستم ایمنی و بررسی ناهمگونی سلول‌ها در تومورهای سرطانی بسیار راهگشا است.

بررسی پاتوژن‌ها و تحقیقات کشاورزی

تکنیک RNA sequencing نه تنها در انسان، بلکه در مطالعه نحوه عملکرد ویروس‌ها و باکتری‌ها نیز کاربرد وسیعی دارد. در علوم کشاورزی نیز برای اصلاح نژاد گیاهان، بهبود مقاومت در برابر آفات و افزایش عملکرد محصولات از طریق بررسی الگوهای بیان ژن در شرایط تنش‌های محیطی و خشکسالی استفاده می‌شود.

مروری بر پروتکل پلتفرم ایلومینا (Illumina)

برای آشنایی با تکنیک RNA sequencing، خوب است که سراغ معروف‌ترین تکنولوژی این فیلد رفت. باید بدانید که امروزه پلتفرم ایلومینا (Illumina) به عنوان استاندارد طلایی در این حوزه شناخته می‌شود و اکثر دیتاست‌های RNA seq تولید شده در پایگاه‌های داده مختلف، مبتنی بر این تکنولوژی بوده است. بنابراین، آشنایی با آن به درک کلیت RNA seq کمک زیادی می‌کند. این پروتکل شامل یک مسیر مهندسی شده و دقیق است که مولکول‌های زیستی ناپایدار RNA را به داده‌های دیجیتالی قابل تحلیل تبدیل می‌کند. در ادامه، مراحل گام‌به‌گام این روش را بررسی می‌کنیم.

مرحله اول: تبدیل RNA به cDNA دو رشته‌ای

ابتدا RNA استخراج‌شده (معمولا  پس از حذف rRNA یا انتخاب mRNA)، به قطعات کوچک‌تر تقسیم می‌شود. سپس با استفاده از آنزیم رونوشت معکوس، رشته اول DNA مکمل (cDNA) ساخته می‌شود و در ادامه رشته دوم با آنزیم‌های پلیمرایز تکمیل می‌گردد. حاصل این مرحله یک مولکول DNA دو رشته‌ای پایدار است که مبنای ادامه کار را تشکیل می‌دهد. منطق قطعه قطعه کردن توالی این است که به جای توالی‌یابی یک ژن بلند که می‌تواند خیلی زمان بر باشد، میلیون‌ها قطعه کوچک (مثلا 100 bp) را به موازات و همزمان توالی یابی کنیم. چون در این نوع توالی‌یابی، ما تعداد زیادی توالی کوچک را همزمان توالی‌یابی می‌کنیم، به آن short read sequencing نیز گفته می‌شود.

مرحله دوم: ساخت کتابخانه و افزودن آداپتورها و ایندکس‌ها

در این مرحله لازم است یک سری نواحی تکمیلی به دو انتهای قطعات ایجاد شده اضافه شوند. به این توالی‌ها آداپتور (Adaptor) گفته می‌شود و به دو سر هر قطعه متصل می‌شوند. این آداپتورها معمولا شامل توالی‌هایی برای اتصال به سطح دستگاه، پرایمر و بارکدهای شناسایی (Index) هستند که امکان ترکیب چند نمونه در یک اجرای واحد را فراهم می‌کنند. بعد از اضافه شدن توالی آداپتور، ما یک کتابخانه از توالی‌های کوتاه کوتاه داریم که می‌توان با کمک واکنش PCR تعداد هر توالی را زیاد کرد تا برای توالی‌یابی آماده گردند.

مرحله سوم: توالی‌یابی بر پایه سنتز (Sequencing by Synthesis)

در این مرحله، کتابخانه DNA آماده شده روی صفحه شیشه‌ای ویژه‌ای به نام Flow Cell منتقل می‌شود و کل فرآیند توالی‌یابی روی همین بستر انجام می‌گیرد. ابتدا با روش Bridge Amplification، هر مولکول DNA به سطح Flow Cell متصل شده و سپس چندین بار تکثیر می‌شود. نتیجه این فرآیند ایجاد خوشه‌هایی (Cluster) است که هرکدام شامل صدها نسخه یکسان از یک توالی اولیه‌اند؛ این کار شدت سیگنال در زمان خوانش را افزایش می‌دهد.

پس از تشکیل خوشه‌ها، توالی‌یابی آغاز می‌شود. در هر چرخه، یک نوکلئوتید نشاندار فلورسنت و دارای گروه توقف موقت به رشته در حال سنتز اضافه می‌شود. اضافه شدن این نوکلئوتید باعث ساطع شدن سیگنال نوری با رنگ مشخص می‌شود که توسط سیستم تصویربرداری دستگاه ثبت می‌گردد. سپس عکس کامل از سطح Flow Cell گرفته می‌شود و نرم‌افزار دستگاه رنگ هر خوشه را تشخیص می‌دهد تا مشخص شود کدام باز (A، T، C یا G) اضافه شده است.

بعد از ثبت تصویر، گروه توقف نوکلئوتید برداشته می‌شود، چرخه بعدی شروع شده و نوکلئوتید بعدی اضافه می‌شود. این چرخه از افزودن، توقف موقت، تصویربرداری و آزادسازی تا انتهای قطعه DNA ادامه پیدا می‌کند. در پایان، مجموعه تصاویر حاصل به کمک نرم‌افزار تحلیل شده و داده خام توالی به‌عنوان خروجی تولید می‌شود.

مرحله چهارم: تولید خوانش‌های دیجیتال (Reads)

در این مرحله، دستگاه توالی‌یاب تصاویری که در چرخه‌های توالی‌یابی ثبت شده‌اند را تحلیل کرده و سیگنال‌های نوری را به چهار حرف اصلی ژنتیکی A، T، C و G تبدیل می‌کند؛ این فرآیند «Base Calling» نام دارد. نتیجه آن، میلیون‌ها قطعه کوتاه از توالی DNA است که هرکدام نماینده بخشی از RNA اولیه استخراج‌شده‌اند.

این توالی‌های کوتاه که خوانش (Read) نامیده می‌شوند، در قالب فایل‌های استانداردی به نام FASTQ ذخیره می‌گردند. در این فایل‌ها علاوه بر خود توالی، کیفیت هر باز نیز ثبت شده است. این مرحله در واقع نقطه‌ای است که داده زیستی به داده دیجیتال قابل آنالیز تبدیل می‌شود.

مرحله پنجم: تحلیل بیوانفورماتیکی داده‌ها و تولید Count Matrix

در مرحله نهایی، فایل‌های FASTQ تولیدشده ابتدا از نظر کیفیت بررسی و پاک‌سازی می‌شوند؛ برای مثال توالی‌های با کیفیت پایین یا بقایای آداپتورها حذف می‌گردند. سپس خوانش‌های باقی‌مانده با استفاده از نرم‌افزارهای تخصصی روی ژنوم یا ترانسکریپتوم مرجع هم‌تراز (Mapping / Alignment) می‌شوند تا مشخص شود هر خوانش به کدام ژن یا ناحیه ژنی تعلق دارد.

پس از تعیین محل هر خوانش، تعداد خوانش‌هایی که به هر ژن اختصاص داده شده‌اند شمرده می‌شود. این شمارش نشان‌دهنده میزان نسبی بیان آن ژن در نمونه است؛ زیرا هرچه یک ژن فعال‌تر باشد، RNA بیشتری از آن تولید شده و در نتیجه خوانش بیشتری نیز از آن مشاهده می‌شود.

خروجی این مرحله معمولا در قالب جدولی به نام Count Matrix ارائه می‌شود. در این جدول، سطرها نماینده ژن‌ها و ستون‌ها نماینده نمونه‌های مختلف هستند و مقدار هر خانه تعداد خوانش نگاشت‌شده به آن ژن در آن نمونه را نشان می‌دهد. این ماتریس نقطه شروع تحلیل‌های پیشرفته‌تر مانند مقایسه بیان ژن‌ها بین شرایط مختلف (Differential Gene Expression) است.

آنالیزهای مرسوم با کمک نتایج RNA seq

پس از به دست آمدن Count Matrix، سفر بیوانفورماتیکی شما وارد مرحله جدی می‌شود که قرار است از نتایج این تکنیک، به استنتاج‌های بیولوژیکی برسید. با کمک نتایج به دست آمده از تکنیک RNA seq، انواع آنالیزهای مختلف را می‌توان انجام داد. از آنالیزهای پایه‌ای بیوانفورماتیکی تا انجام پروژه‌های هوش مصنوعی و یادگیری ماشین. شاید بتوان گفت معروف‌ترین و پرکاربردترین آنالیز بیوانفورماتیکی که با این ماتریس انجام می‌شود، شناسایی ژن‌های با بیان نامتعارف یا متفاوت (Differential Gene Expression) است. در این آنالیز، شما بین گروه‌هایی که بر روی آن‌ها RNA seq انجام داده‌اید، به دنبال ژن‌هایی می‌گردید که بیان‌شان از سطح نرمال خارج شده و یا افزایش بیان داشته‌اند، یا کاهش بیان. این ژن‌ها می‌توانند سرنخ‌هایی از بیماری‌زایی یا هر موضوع دیگری که مورد مطالعه شماست باشند. این آنالیز با جزئیات در دوره جامع آنالیز داده‌های میکرواری و RNAseq آموزش داده شده‌اند.

آنالیزهای دیگری همچون پیاده‌سازی‌ خوشه‌بندی (Clustering)، WGCNA، انجام Enrichment analysis، ترسیم انواع شبکه‌های زیستی و … نیز با کمک نتایج RNA seq قابل انجام و پیاده‌سازی هستند.

آیا لازم است خودمان RNA seq انجام دهیم؟

تا اینجا که با مفهوم تکنیک RNA sequencing آشنا شدید، شاید این سوال برایتان پیش‌ آید که آیا لازم است خودمان این تکنیک را انجام دهیم؟ پاسخ خیر است. انجام RNA seq نیازمند بودجه پژوهشی قابل توجهی است و تولید یک دیتاست با تعداد نمونه قابل قبول، بعضا تا چند ده هزار دلار بودجه نیاز دارد. بنابراین، نه تنها پژوهشگران داخل کشور، بلکه بسیاری از پژوهشگران سراسر دنیا، از دیتای آماده و خام تولید شده توسط پژوهشگران دیگر که به شکل رایگان در دسترس‌اند استفاده می‌کنند. شما با دریافت این دیتاست‌های موجود و طراحی یک پروژه پژوهشی، می‌توانید به درک جدیدی در بیولوژی برسید. می‌توان گفت سوال پژوهشی و زاویه دید شما موضوع بسیار مهمی است و از یک دیتاست واحد، ده‌ها تیم پژوهشی می‌توانند به نتایج متفاوتی برسند که هرکدام با ارزش است.

دیتابیس‌های معروف نگهداری داده‌های RNA seq

شما می‌توانید دیتاست‌های RNA sequencing را از پایگاه‌ داده‌های مختلفی دریافت کنید. این دیتابیس‌ها شامل:

GEO: که معروف‌ترین و بزرگترین دیتابیس مربوط به الگوی بیان ژن است. علاوه بر دیتاست‌های میکرواری، انبوهی از دیتاست‌های RNA seq را می‌توانید از GEO دریافت کنید.

TCGA: اگر قصد مطالعه بر روی سرطان‌های مختلف را داشته باشید، TCGA معروف‌ترین و یکی از باکیفیت ترین دیتاست های RNA seq را برای هر سرطان در اختیار شما قرار می‌دهد. کوهورت‌های موجود در TCGA، بعضا تا هزاران بیمار را شامل می‌شوند که طی سالیان زیاد جمع‌آوری شده‌اند و با آنالیز دیتای موجود در این دیتابیس، می‌توان به نتایج جالبی در سرطان‌های مختلف رسید.

cBioPortal: این دیتابیس نیز علاوه بر داده‌های میکرواری و ژنومیکسی، تعدادی دیتاست تیمار و آماده شده از سرطان‌های مختلف را در اختیار شما قرار می‌دهد.

دیتابیس‌های اختصاصی: علاوه بر موارد اشاره شده، شما می‌توانید با سرچ در گوگل، دیتابیس‌های اختصاصی مربوط به بیماری‌ها و سرطان‌های مختلف را پیدا کنید. علاوه بر این، بسیاری از افراد نتایج خود را در Github یا سایر وبسایت‌ها بارگزاری می‌کنند که با مطالعه مقالاتی که تکنیک RNA seq را انجام داده‌اند، می‌توانید سرنخ‌هایی از محل ذخیره دیتاست آن‌ها پیدا کنید.

ابزارهای آنالیز داده‌های RNA seq

برای آنالیز داده‌های RNAseq، معتبرترین روش که بسیاری از پژوهشگران از آن استفاده می‌کنند، انجام آنالیزهای مختلف در بستر زبان برنامه‌نویسی R است. انبوهی پکیج تخصصی R برای سرعت‌ بخشیدن و ارتقا کیفیت آنالیز RNA seq در بستر R توسعه داده شده‌اند که تقریبا تمام نیاز شما برای آنالیزهای تخصصی را پوشش می‌دهند. بنابراین، اگر قصد ورود به آنالیز این دیتا را دارید، پیشنهاد ما زبان R است. شما می‌توانید با این آموزش زبان R و با این آموزش آنالیز تخصصی RNA seq در R را آموزش ببینید.

همچنین ابزارهای بدون کد متفاوتی برای آنالیز RNA seq وجود دارند که معروف‌ترین آن‌ها Galaxy است. طبیعتا این ابزارها به واسطه محیط گرافیکی، تجربه جالبی از آنالیز را در اختیار شما قرار می‌دهند، اما چون به شکل یک رابط کاربری گرافیکی در دسترس‌اند، شما لازم است در چارچوبی که توسعه‌دهنده مدنظر داشته است آنالیز خود را انجام دهید و طبیعتا در مقایسه با روش برنامه‌نویسی R، محدودیت‌های بیشتری دارند. بنابراین، همچنان پیشنهاد ما یادگیری و انجام آنالیز RNA sequencing با کمک R است.

جمع‌بندی

تکنیک RNA sequencing طی یک دهه گذشته روند صعودی را تجربه کرده و بخش بزرگی از مطالعات omics را به خود اختصاص داده است. اگر قصد دارید در بیوانفورماتیک به شکل جدی فعالیت کنید، یادگیری آنالیز نتایج این تکنیک، یک مهارت ضروری و پرکاربرد برای شماست. در دایا زیست فناوران، آموزش‌های مختلفی به منظور ورود به دنیای omics و آنالیز RNA seq ارائه شده است که همه چیز را از پایه به شما آموزش می‌دهند.