پست آموزشی مربوط به مقاله Autotaxin–lysolipid signaling suppresses a CCL11–eosinophil axis to promote pancreatic cancer progression
از مجله
Nature cancer
در ابتدا چند بخش از این مقاله رو باهاتون به اشترام میگذارم.
از مجله
Nature cancer
در ابتدا چند بخش از این مقاله رو باهاتون به اشترام میگذارم.
🎯 تحلیل آموزشی از یک مقاله در ژورنال معتبر: بررسی دقیق طراحی آزمایش و تفسیر داده‌ها
گاهی حتی در مقالات منتشرشده در ژورنال‌های بسیار معتبر هم می‌توان نکاتی پیدا کرد که ارزش آموزش و بحث دارند. هدف این پست، تمرین مهارت خوانش نقادانه مقاله‌های علمی است؛ نه زیر سؤال بردن پژوهشگران. مقاله مورد نظر در Nature Cancer (2024) منتشر شده و به بررسی نقش سیگنال‌دهی Autotaxin در پیشرفت سرطان پانکراس می‌پردازد.
🔎 در ادامه، چند نکته مهم از این مقاله آورده شده که می‌توانند برای تمرین تحلیل داده‌ها و طراحی آزمایش مفید باشند:
📌 نکته ۱ – خطای احتمالی در جایگذاری داده‌ها (شکل 2A)
در شکل 2A، نموداری به‌عنوان shENPP2 +Dox نمایش داده شده، ولی بررسی شکل 2B و داده‌های مکمل نشان می‌دهد که این نمودار احتمالاً متعلق به shENPP2 –Dox است. به این ترتیب، داده واقعی برای +Dox نمایش داده نشده.
🧠 نکته آموزشی: همیشه داده‌های چند شکل را با هم مقایسه کنید تا از هماهنگی میان آن‌ها مطمئن شوید. گاهی اشتباه‌های ظریفی در برچسب‌گذاری رخ می‌دهد.
📌 نکته ۲ – گیتینگ مشکوک در فلوسایتومتری (Extended Data Fig. 2)
در یکی از نمودارهای داده‌های افزوده، جمعیت CD3⁻ CD45⁺ مجدد گیت شده؛ درحالی‌که این جمعیت قبلاً از طریق CD45⁺ انتخاب شده است. این باعث ابهام در نحوه اجرای استراتژی گیتینگ می‌شود.
🧠 نکته آموزشی: طراحی گیتینگ باید مرحله‌به‌مرحله، غیرتکراری، و منطقی باشد. هر مرحله باید دقیق توضیح داده شود.
📌 نکته ۳ – تفسیر مبهم از Knockdown ژن ENPP2 (شکل 1A و 1B)
در شکل 1A گفته شده shENPP2 باعث کاهش بیان ATX در سطح پروتئین شده، اما بررسی داده‌ها نشان می‌دهد که سطح ENPP2 در حالت –Dox بالاتر از parental است، و فقط در +Dox به حالت نرمال برمی‌گردد، نه اینکه کاهش یابد.
همچنین، کاهش تکثیر مشاهده‌شده در شکل 1B می‌تواند ناشی از فرآیند زیرکلون‌سازی باشد؛ نه صرفاً به‌دلیل مهار ENPP2. کنترلی برای حذف این اثر وجود ندارد.
🧠 نکته آموزشی: زیرکلون‌سازی ممکن است به کاهش تنوع سلولی و در نتیجه تغییر رفتار سلول‌ها منجر شود. همیشه بررسی کنید آیا اثرات ناشی از تکنیک‌های انتخاب سلولی در تحلیل داده‌ها در نظر گرفته شده‌اند یا نه.
گاهی حتی در مقالات منتشرشده در ژورنال‌های بسیار معتبر هم می‌توان نکاتی پیدا کرد که ارزش آموزش و بحث دارند. هدف این پست، تمرین مهارت خوانش نقادانه مقاله‌های علمی است؛ نه زیر سؤال بردن پژوهشگران. مقاله مورد نظر در Nature Cancer (2024) منتشر شده و به بررسی نقش سیگنال‌دهی Autotaxin در پیشرفت سرطان پانکراس می‌پردازد.
🔎 در ادامه، چند نکته مهم از این مقاله آورده شده که می‌توانند برای تمرین تحلیل داده‌ها و طراحی آزمایش مفید باشند:
📌 نکته ۱ – خطای احتمالی در جایگذاری داده‌ها (شکل 2A)
در شکل 2A، نموداری به‌عنوان shENPP2 +Dox نمایش داده شده، ولی بررسی شکل 2B و داده‌های مکمل نشان می‌دهد که این نمودار احتمالاً متعلق به shENPP2 –Dox است. به این ترتیب، داده واقعی برای +Dox نمایش داده نشده.
🧠 نکته آموزشی: همیشه داده‌های چند شکل را با هم مقایسه کنید تا از هماهنگی میان آن‌ها مطمئن شوید. گاهی اشتباه‌های ظریفی در برچسب‌گذاری رخ می‌دهد.
📌 نکته ۲ – گیتینگ مشکوک در فلوسایتومتری (Extended Data Fig. 2)
در یکی از نمودارهای داده‌های افزوده، جمعیت CD3⁻ CD45⁺ مجدد گیت شده؛ درحالی‌که این جمعیت قبلاً از طریق CD45⁺ انتخاب شده است. این باعث ابهام در نحوه اجرای استراتژی گیتینگ می‌شود.
🧠 نکته آموزشی: طراحی گیتینگ باید مرحله‌به‌مرحله، غیرتکراری، و منطقی باشد. هر مرحله باید دقیق توضیح داده شود.
📌 نکته ۳ – تفسیر مبهم از Knockdown ژن ENPP2 (شکل 1A و 1B)
در شکل 1A گفته شده shENPP2 باعث کاهش بیان ATX در سطح پروتئین شده، اما بررسی داده‌ها نشان می‌دهد که سطح ENPP2 در حالت –Dox بالاتر از parental است، و فقط در +Dox به حالت نرمال برمی‌گردد، نه اینکه کاهش یابد.
همچنین، کاهش تکثیر مشاهده‌شده در شکل 1B می‌تواند ناشی از فرآیند زیرکلون‌سازی باشد؛ نه صرفاً به‌دلیل مهار ENPP2. کنترلی برای حذف این اثر وجود ندارد.
🧠 نکته آموزشی: زیرکلون‌سازی ممکن است به کاهش تنوع سلولی و در نتیجه تغییر رفتار سلول‌ها منجر شود. همیشه بررسی کنید آیا اثرات ناشی از تکنیک‌های انتخاب سلولی در تحلیل داده‌ها در نظر گرفته شده‌اند یا نه.
📌📌📌این نکته‌هایی که گفتم، حاصل یه بررسی دقیق و مقایسه‌ی شکل‌ها، نمودارها و توضیحات مقاله‌ست. از دل بحث‌هایی که توی جمع‌های علمی و بین پژوهشگرای مختلف شکل گرفته بیرون کشیده شده.
منم فقط سعی کردم این ایرادای فنی و مهم رو با یه زبون ساده‌تر و قابل فهم‌تر جمع و جور کنم، تا کسایی که دارن یاد می‌گیرن چطوری مقاله بخونن و نقد کنن، راحت‌تر درکش کنن. قطعا وقتی مقاله ای رو چاپ می کنیم با مشکلات پس از چاپ هم روبرو هستیم و بایستی تا جایی که میشه این موارد رو مطالعه کنیم تا بتونیم از بازپسگیری (retract) جلوگیری کنیم. سعی من بر این هست که مثال های متفاوتی از رشته های مختلف براتون بیارم و در واقع تفاوت کانال و گروه ما در همین مبحث هست.
منم فقط سعی کردم این ایرادای فنی و مهم رو با یه زبون ساده‌تر و قابل فهم‌تر جمع و جور کنم، تا کسایی که دارن یاد می‌گیرن چطوری مقاله بخونن و نقد کنن، راحت‌تر درکش کنن. قطعا وقتی مقاله ای رو چاپ می کنیم با مشکلات پس از چاپ هم روبرو هستیم و بایستی تا جایی که میشه این موارد رو مطالعه کنیم تا بتونیم از بازپسگیری (retract) جلوگیری کنیم. سعی من بر این هست که مثال های متفاوتی از رشته های مختلف براتون بیارم و در واقع تفاوت کانال و گروه ما در همین مبحث هست.
Technical writing pinned «📌📌📌این نکته‌هایی که گفتم، حاصل یه بررسی دقیق و مقایسه‌ی شکل‌ها، نمودارها و توضیحات مقاله‌ست. از دل بحث‌هایی که توی جمع‌های علمی و بین پژوهشگرای مختلف شکل گرفته بیرون کشیده شده. منم فقط سعی کردم این ایرادای فنی و مهم رو با یه زبون ساده‌تر و قابل فهم‌تر جمع…»
پست آموزشی مربوط به مقاله
Neuronal aging causes mislocalization of splicing proteins and unchecked cellular stress
از مجله
Nature neuroscience
مشخصات مجله
Journal Impact Factor: 21.3 (2023)
5-year Journal Impact Factor: 25.7 (2023)
Immediacy Index: 4.0 (2023)
Eigenfactor® Score: 0.09521 (2023)
Article Influence Score: 13.9 (2023)
Source Normalized Impact per Paper (SNIP): 4.705 (2024)
SCImago Journal Rank (SJR): 11.197 (2024)
Neuronal aging causes mislocalization of splicing proteins and unchecked cellular stress
از مجله
Nature neuroscience
مشخصات مجله
Journal Impact Factor: 21.3 (2023)
5-year Journal Impact Factor: 25.7 (2023)
Immediacy Index: 4.0 (2023)
Eigenfactor® Score: 0.09521 (2023)
Article Influence Score: 13.9 (2023)
Source Normalized Impact per Paper (SNIP): 4.705 (2024)
SCImago Journal Rank (SJR): 11.197 (2024)
🎯 تحلیل آماری دقیق در مطالعات RNA-seq و پروتئومیکس: چرا اصلاح چندگانگی اهمیت دارد؟
در بسیاری از مطالعاتی که هزاران ژن یا پروتئین به‌صورت هم‌زمان بررسی می‌شوند، یک موضوع آماری بسیار مهم گاهی نادیده گرفته می‌شود: اصلاح برای مقایسه‌های چندگانه (Multiple Comparisons Correction).
🧬 در مقاله ای که براتون ارسال کردیم، نمودارهای Volcano برای تحلیل RNA-seq و داده‌های Mass Spectrometry ارائه شده‌اند (شکل‌های 2b، 3a، 4f، 6b). در این نمودارها ژن‌ها یا پروتئین‌هایی به‌عنوان «معنادار» گزارش شده‌اند، اما بررسی دقیق نشان می‌دهد که:
این داده‌ها اصلاحی برای مقایسه‌های چندگانه (مثل FDR) نداشته‌اند، و p-value اکثر یافته‌ها بیش از 1e-4 است. این یعنی اگر برای ~3000 ژن یا پروتئین آزمون انجام شده باشد، آستانه معناداری واقعی باید حدود 1.7e-5 باشد (بر اساس روش Bonferroni)، تا بتوان با اطمینان گفت که یافته‌ها از نظر آماری معنادارند.
📌 به‌بیان ساده‌تر:
اگر هزاران آزمون هم‌زمان انجام دهیم و فقط از p<0.05 استفاده کنیم، به‌طور تصادفی ممکن است ده‌ها نتیجه کاذب به‌دست آید. اصلاحاتی مانند FDR (False Discovery Rate) کمک می‌کنند تا احتمال گزارش نتایج کاذب را کاهش دهیم.
🧠 نکته آموزشی:
در تحلیل داده‌های omics (مثل transcriptomics یا proteomics)، همیشه بررسی کنید آیا اصلاح آماری برای مقایسه‌های چندگانه انجام شده یا نه. صرفاً دیدن p<0.05 در یک volcano plot کافی نیست — ممکنه اون ژن/پروتئین اصلاً معنادار نباشه بعد از اصلاح FDR!
در بسیاری از مطالعاتی که هزاران ژن یا پروتئین به‌صورت هم‌زمان بررسی می‌شوند، یک موضوع آماری بسیار مهم گاهی نادیده گرفته می‌شود: اصلاح برای مقایسه‌های چندگانه (Multiple Comparisons Correction).
🧬 در مقاله ای که براتون ارسال کردیم، نمودارهای Volcano برای تحلیل RNA-seq و داده‌های Mass Spectrometry ارائه شده‌اند (شکل‌های 2b، 3a، 4f، 6b). در این نمودارها ژن‌ها یا پروتئین‌هایی به‌عنوان «معنادار» گزارش شده‌اند، اما بررسی دقیق نشان می‌دهد که:
این داده‌ها اصلاحی برای مقایسه‌های چندگانه (مثل FDR) نداشته‌اند، و p-value اکثر یافته‌ها بیش از 1e-4 است. این یعنی اگر برای ~3000 ژن یا پروتئین آزمون انجام شده باشد، آستانه معناداری واقعی باید حدود 1.7e-5 باشد (بر اساس روش Bonferroni)، تا بتوان با اطمینان گفت که یافته‌ها از نظر آماری معنادارند.
📌 به‌بیان ساده‌تر:
اگر هزاران آزمون هم‌زمان انجام دهیم و فقط از p<0.05 استفاده کنیم، به‌طور تصادفی ممکن است ده‌ها نتیجه کاذب به‌دست آید. اصلاحاتی مانند FDR (False Discovery Rate) کمک می‌کنند تا احتمال گزارش نتایج کاذب را کاهش دهیم.
🧠 نکته آموزشی:
در تحلیل داده‌های omics (مثل transcriptomics یا proteomics)، همیشه بررسی کنید آیا اصلاح آماری برای مقایسه‌های چندگانه انجام شده یا نه. صرفاً دیدن p<0.05 در یک volcano plot کافی نیست — ممکنه اون ژن/پروتئین اصلاً معنادار نباشه بعد از اصلاح FDR!
به تاریخ چاپ مقاله دقت کنید 10 روز پیش چاپ شده، هیچ شانسی از بررسی های بعد از چاپ نداریم و چه بسا اگر درست مقاله آماده نشده باشه به مشکلات زیادی برخورد کنیم.
حتما از تمامی رشته های حوزه BIOSCIENCE کشاورزی و .... مثال ایجا قرار میدیم که در کنار سایر پست های آموزشی دیدگاه عالی نسبت به نگارش مقاله پیدا کنیم.
اما انشا الله از این به بعد مقالات خوبی رو آماده می کنیم تا با مشکلاتی از این دست روبرو نشیم.
حتما از تمامی رشته های حوزه BIOSCIENCE کشاورزی و .... مثال ایجا قرار میدیم که در کنار سایر پست های آموزشی دیدگاه عالی نسبت به نگارش مقاله پیدا کنیم.
اما انشا الله از این به بعد مقالات خوبی رو آماده می کنیم تا با مشکلاتی از این دست روبرو نشیم.
سلام و درود خدمت همه همراهان عزیز، انشا الله تا دو یا سه روز آینده پست های جدید رو براتون قرار می دیم. در این فاصله فلش کارت های مر بوط به گرامر عمومی رو براتون جمع آوری کردم و سعی می کنم یه صورت موضوع محور براتون قرار بدم. 🙏