آکادمی بیوانفورماتیک ایران
Open in Telegram
آکادمی بیوانفورماتیک ایران 💻🔬 (وابسته به اتحاد زیستشناسان ایران) جایی برای یادگیری بیوانفورماتیک؛ از مفاهیم پایه تا کاربردهای پیشرفته. 📢 @ir_bioinf_group
Show more5 439
Subscribers
-124 hours
+207 days
+7930 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '26
+56
in 0 channels
August '26
+190
in 1 channels
Get PRO
July '26
+251
in 0 channels
Get PRO
June '26
+242
in 3 channels
Get PRO
May '26
+41
in 0 channels
Get PRO
April '26
+11
in 0 channels
Get PRO
March '26
+8
in 0 channels
Get PRO
February '26
+77
in 0 channels
Get PRO
January '26
+46
in 0 channels
Get PRO
December '25
+475
in 51 channels
Get PRO
November '25
+362
in 9 channels
Get PRO
October '25
+323
in 6 channels
Get PRO
September '25
+228
in 10 channels
Get PRO
August '25
+516
in 12 channels
Get PRO
July '25
+218
in 15 channels
Get PRO
June '25
+207
in 1 channels
Get PRO
May '25
+189
in 4 channels
Get PRO
April '25
+67
in 0 channels
Get PRO
March '25
+100
in 1 channels
Get PRO
February '25
+140
in 2 channels
Get PRO
January '25
+197
in 13 channels
Get PRO
December '24
+276
in 3 channels
Get PRO
November '24
+322
in 2 channels
Get PRO
October '24
+333
in 1 channels
Get PRO
September '24
+266
in 2 channels
Get PRO
August '24
+304
in 2 channels
Get PRO
July '24
+990
in 5 channels
Get PRO
June '240
in 2 channels
Get PRO
May '240
in 6 channels
Get PRO
April '240
in 3 channels
Get PRO
March '240
in 3 channels
Get PRO
February '24
+280
in 3 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 10 September | 0 | |||
| 09 September | +1 | |||
| 08 September | +9 | |||
| 07 September | +6 | |||
| 06 September | +3 | |||
| 05 September | +3 | |||
| 04 September | +1 | |||
| 03 September | +14 | |||
| 02 September | +8 | |||
| 01 September | +11 |
Channel Posts
Repost from آکادمی اخترزیستشناسی ایران
💎 آکادمی اخترزیستشناسی ایران با همکاری اتحاد زیستشناسان با افتخار تقدیم میکند.
وبینار رایگان با عنوان:
حیات آنگونه که نمیدانیم
🎓 امیررضا کرمپور
🔸 دانشجوی کارشناسی ارشد فیزیک، دانشگاه صنعتی شریف
🧬 از بیت تا حیات:
نگاهی به اطلاعات، پیچیدگی و پیدایش حیات❓ جهان چگونه از مادهای بیجان، سامانههایی پدید میآورد که اطلاعات را ذخیره میکنند، تکثیر میکنند و در نهایت درباره خودِ جهان پرسش میکنند؟ 🐌 زمان برگزاری: جمعه، ۲۰ شهریور ماه ۱۴۰۵ ساعت ۱۹ 🔮 این رویداد مجازی است و در بستر اسکایروم و از طریق سایت www.biologyevents.ir برگزار میشود. 🔗 برای ثبتنام رایگان اینجا کلیک کنید. ❊ آکادمی اخترزیستشناسی ایران ❊
| 2 | ▶️شروع شد!
🥇توام المپیادی شو
سلسله رویدادها گفتوگو با مدالآوران المپیاد دانشجویی سلولهای بنیادی و مهندسی بافت
🎙با حضور جناب آقای محمدمهدی زینلی
🔹رتبه اول و طلای المپیاد زیست سال ١۴٠٣
🔹رتبه سوم و برنز المپیاد بنیادی سال ١۴٠۴
🖥 لینک ورود به جلسه
📎 با کلیک بر روی گزینه میهمان وارد جلسه شوید ...
◈─────────────────────◈
Telegram ° Instagram ° LinkedIn
🩹آکادمی پزشکی بازساختی ایران
🩺 @ir_regenerative_ac
◈─────────────────────◈ | 147 |
| 3 |  💡 وقتی پیدا کردن یک توالی سخت شد...
⚡️ با زیاد شدن پایگاههای داده، پیدا کردن یک توالی مشابه میان هزاران و میلیونها توالی دیگر، دیگر کار سادهای نبود.
🤔 چطور میشد این جستوجو را سریعتر کرد؟
👨💻 دیوید جی. لیپمن (David J. Lipman)
🏆 دستاورد اصلی
لیپمن همراه با همکارانش، BLAST را در سال ۱۹۹۰ معرفی کرد؛ ابزاری برای جستوجوی شباهت بین توالیهای DNA و پروتئین که امکان پیدا کردن توالیهای مشابه را با سرعت بالا فراهم میکند.
🛤 مسیر پژوهش
اما BLAST از صفر شکل نگرفت. لیپمن پیش از آن روی روشهای محاسباتی برای جستوجوی پایگاههای داده توالی کار کرده بود و در توسعه FASTA نیز نقش داشت. این مسیر در نهایت به توسعه روشهای سریعتر برای مقایسه توالیها و شکلگیری BLAST رسید.
🌍 تأثیر بر علم امروز
امروز BLAST یکی از ابزارهای پرکاربرد در بیوانفورماتیک است و پژوهشگران از آن برای پیدا کردن توالیهای مشابه، بررسی عملکرد احتمالی ژنها و مقایسه دادههای زیستی استفاده میکنند.
💡 از مسیر او چه یاد میگیریم؟
با بزرگتر شدن دادههای زیستی، فقط داشتن اطلاعات کافی نیست؛ پیدا کردن اطلاعات درست در میان حجم عظیمی از دادهها هم یک مسئله علمی است. مسیر لیپمن نشان داد که روشهای محاسباتی میتوانند این جستوجو را سریعتر و کاربردیتر کنند.
🔗 Source
✍️ نساء کارجو
Instagram | LinkedIn | Q & A Group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~ @ir_bioinformtic_academy | 286 |
| 4 |  💥 ۹ میلیارد تغییر در DNA؛ یکجا برای پیشبینی!
✨️ گوگل دیپمایند (Google DeepMind) از AlphaGenome Atlas رونمایی کرد؛ اطلس محاسباتی بزرگی که اثر احتمالی ۹ میلیارد واریانت تکنوکلئوتیدی در ژنوم انسان را پیشبینی میکند.
🔬 این مجموعه حدود ۱ پتابایت حجم دارد و برای هر واریانت، پیشبینیهایی درباره اثر آن بر بیان ژن، Splicing و تنظیم کروماتین ارائه میدهد.
📊 برای اولویتبندی این حجم از واریانتها، امتیاز AVI (شاخص اثر واریانت) میتواند به شناسایی تغییرات مهم، بهویژه در بیماریهای نادر، کمک کند.
📌 البته باید توجه داشت که این نتایج، پیشبینیهای محاسباتیاند و برای تأیید نهایی به بررسیهای آزمایشگاهی نیاز دارند.
🔗 Source
🖋 حسین شاهسواری
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 363 |
| 5 |  💥داده داری؛ تحلیلش را بلدی؟
🖇 دسترسی به دادههای زیستی امروز سخت نیست؛ مسئله اصلی، کار کردن درست با آنهاست.
🔸️ برای رسیدن از داده به یک نتیجه قابل اعتماد، باید بتوانی تشخیص بدهی:
🔹 آیا این داده برای سؤال پژوهشی مناسب است؟
🔹 کیفیت و ساختار آن چه محدودیتهایی ایجاد میکند؟
🔹 چه پردازشی قبل از تحلیل لازم است؟
🔹 کدام روش تحلیل با نوع داده و سؤال پژوهش سازگار است؟
🔹 و نتیجه بهدستآمده از نظر زیستی چه معنایی دارد؟
📍 نکته مهم اینجاست که یک مسیر ثابت برای همه دادههای زیستی وجود ندارد.
نوع داده، طراحی مطالعه، کیفیت داده و سؤال پژوهش میتوانند مسیر تحلیل را تغییر دهند.
📌 پس مهارت در بیوانفورماتیک فقط این نیست که چند ابزار را بشناسیم؛ باید بتوانیم برای یک داده واقعی، تصمیمهای درست بگیریم.
🤔 به نظرت سختترین بخش کار با دادههای زیستی کدام است؟
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 1 010 |
| 6 | 🔬 واژههای ضروری بیوانفورماتیک | بخش بیستم: مفاهیم تحلیل توالی
📕 بعد از آشنایی با دادههای زیستی و ابزارهای تحلیل، حالا سراغ چند اصطلاح پایه و پرکاربرد در تحلیل توالی میرویم.
1️⃣ توالی مرجع (Reference Sequence)
توالی استانداردی است که برای مقایسه و تحلیل توالیهای مورد مطالعه استفاده میشود.
2️⃣ همترازی توالی (Sequence Alignment)
فرایند قرار دادن دو یا چند توالی در کنار یکدیگر برای شناسایی شباهتها و تفاوتهای آنهاست.
3️⃣ همترازی جفتی (Pairwise Alignment)
مقایسه و همترازی دو توالی با یکدیگر است.
4️⃣ همترازی چندگانه (Multiple Sequence Alignment | MSA)
همترازی همزمان سه یا چند توالی برای بررسی میزان شباهت و تفاوت آنهاست.
5️⃣ شباهت توالی (Sequence Similarity)
میزان مشابهت بین دو یا چند توالی را نشان میدهد.
6️⃣ همولوژی (Homology)
نشاندهنده وجود یک نیای تکاملی مشترک میان دو یا چند توالی است.
7️⃣ امتیاز همترازی (Alignment Score)
عددی است که میزان مطلوبیت یک همترازی را بر اساس تطابقها، عدمتطابقها و گپها نشان میدهد.
8️⃣ گپ (Gap)
فضای ایجادشده در یک توالی برای بهبود همترازی و نشان دادن حذف یا درج احتمالی است.
9️⃣ جستوجوی شباهت توالی (Sequence Similarity Search)
فرایند جستوجوی پایگاههای داده برای یافتن توالیهایی مشابه با یک توالی مورد مطالعه است.
🔟 حاشیهنویسی توالی (Sequence Annotation)
فرایند شناسایی و ثبت ویژگیها و اطلاعات زیستی مرتبط با یک توالی است.
🖋 نساء کارجو
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~ @ir_bioinformtic_academy | 414 |
| 7 |  🧬 بهروزرسانی ProtVar؛ ابزار EMBL-EBI برای بررسی واریانتها
🔹️ پایگاه ProtVar بهروزرسانی شده و اکنون یک موتور جستوجوی جدید برای بررسی واریانتهایی ارائه میکند که در سطح پروتئین به جایگزینی یک اسیدآمینه منجر میشوند (واریانتهای میسنس؛ Missense variants).
🔬 این بهروزرسانی، اطلاعات ژنومی، پروتئینی و ساختاری را در کنار هم قرار میدهد و بررسی اثر احتمالی این واریانتها را سادهتر میکند.
📌 در نتیجه، تفسیر واریانتها در ارتباط با ساختار و عملکرد پروتئینها دقیقتر و کاربردیتر میشود.
🔗 Source
🖋 فرزین رودباری
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 453 |
| 8 |  ✨️ توالییابی RNA؛ چگونه بیان ژنها را بررسی میکنیم؟
🔬 توالییابی RNA (RNA Sequencing یا RNA-Seq) یکی از روشهای مهم برای مطالعه ترنسکریپتوم است که به ما امکان میدهد RNAهای موجود در یک نمونه را بررسی کرده و الگوهای بیان ژن را تحلیل کنیم.
📍 در این اینفوگرافیک با موارد زیر آشنا میشویم:
🔹 چرا RNA-Seq اهمیت پیدا کرد؟
🔹 انواع RNA-Seq و کاربرد هرکدام
🔹 مراحل اصلی یک پروژه RNA-Seq
🔹 تبدیل RNA به دادههای توالییابی و در نهایت اطلاعات بیان ژن
🔹 ارتباط نتایج محاسباتی با سؤال زیستی
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 481 |
| 9 |  🧬 از زیست وارد بیوانفورماتیک میشوی؟ حواست به این ۵ اشتباه باشد!
✨️ خیلیها وقتی میخواهند بیوانفورماتیک را شروع کنند، از همان اول مسیر را اشتباه میروند؛ نه به خاطر اینکه توانایی یادگیری ندارند، بلکه چون نمیدانند دقیقاً از کجا باید شروع کنند.
1️⃣ فکر میکنی بیوانفورماتیک یعنی فقط کدنویسی
کدنویسی مهم است، اما بیوانفورماتیک فقط نوشتن کد نیست. باید بتوانی سؤال زیستی را به مسئلهای قابل تحلیل با داده تبدیل کنی.
2️⃣ قبل از سؤال زیستی، سراغ ابزار میروی
اینکه R، Python یا دهها نرمافزار را بلد باشی، بهتنهایی کافی نیست. اول باید بدانی دنبال چه پاسخی هستی؛ بعد ابزار مناسب را انتخاب کنی.
3️⃣ خروجی نرمافزار را با نتیجه علمی اشتباه میگیری
یک نمودار یا یک جدول، خودش «نتیجه» نیست. باید بفهمی این خروجی چه چیزی را نشان میدهد و آیا از نظر زیستی قابل تفسیر است یا نه.
4️⃣فکر میکنی باید همهچیز را یکجا یاد بگیری
ژنومیکس، ترنسکریپتومیکس، متاژنومیکس، R، Python، Linux، پایگاههای داده و...
قرار نیست همه را همزمان بلد باشی. یادگیری مرحلهبهمرحله خیلی مهمتر از جمع کردن اسم ابزارهاست.
5️⃣ فقط روی تحلیل داده تمرکز میکنی و زیست را کنار میگذاری
اتفاقاً دانش زیستی همان چیزی است که کمک میکند بفهمی یک تغییر در داده چه معنایی دارد.
💡 بیوانفورماتیک جایی است که دانش زیستی + داده + محاسبات کنار هم قرار میگیرند.
پس اگر از زیست وارد این حوزه میشوی، لازم نیست از صفر یک متخصص کامپیوتر باشی؛ باید یاد بگیری از دانش زیستیات برای کار با داده استفاده کنی.
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 502 |
| 10 |  🧬 ترنسکریپتوم فقط یک فهرست از RNAهای یک سلول نیست!
🔸️ وقتی یک ژن بیان میشود، اطلاعات آن در قالب RNA رونویسی میشود. بنابراین، با بررسی RNAهای موجود در سلول میتوانیم درباره بیان ژنها اطلاعات به دست بیاوریم.
✨️ مجموعه این RNAها در یک سلول یا بافت، در یک زمان و شرایط مشخص، ترنسکریپتوم (Transcriptome) نام دارد.
📊 با بررسی ترنسکریپتوم میتوانیم ببینیم:
🔹 چه رونوشتهایی (Transcripts) در سلول وجود دارند.
🔹 مقدار هرکدام چقدر است.
🔹 و الگوی بیان ژنها در یک شرایط مشخص چگونه است.
🔬 اما چطور میتوان این حجم از RNA را همزمان بررسی کرد؟
🧬 یکی از روشهای اصلی برای این کار، RNA-Seq است.
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 521 |
| 11 | 🔬 واژههای ضروری بیوانفورماتیک | بخش نوزدهم: مفاهیم بیان ژن
📕 در تحلیل دادههای بیان ژن، اصطلاحات مختلفی برای توصیف مقدار بیان ژنها و مقایسه آنها بین نمونهها به کار میرود. در این بخش، با چند واژه پرکاربرد آشنا میشویم.
1️⃣ بیان ژن (Gene Expression)
فرایندی است که طی آن اطلاعات موجود در یک ژن برای تولید یک محصول ژنی، مانند RNA یا پروتئین، مورد استفاده قرار میگیرد.
2️⃣ رونوشت (Transcript)
مولکول RNA حاصل از رونویسی یک ژن است.
3️⃣ شمارش خوانشها (Read Count)
تعداد خوانشهای توالییابی است که به یک ژن یا رونوشت نسبت داده میشوند.
4️⃣ ماتریس شمارش (Count Matrix)
جدولی است که تعداد خوانشهای مربوط به هر ژن یا رونوشت را در نمونههای مختلف نشان میدهد.
5️⃣ نرمالسازی (Normalization)
فرایندی برای کاهش اثر تفاوتهای فنی و مقیاس دادهها، بهمنظور امکان مقایسه بیان ژنها بین نمونههاست.
6️⃣ ژن با بیان متفاوت (Differentially Expressed Gene | DEG)
ژنی است که میزان بیان آن بین دو یا چند گروه مورد مطالعه، تفاوت آماری معنیداری دارد.
7️⃣ افزایش بیان (Upregulation)
افزایش میزان بیان یک ژن در یک شرایط یا گروه، در مقایسه با شرایط یا گروه مرجع است.
8️⃣ کاهش بیان (Downregulation)
کاهش میزان بیان یک ژن در یک شرایط یا گروه، در مقایسه با شرایط یا گروه مرجع است.
9️⃣ تغییر چندبرابری (Fold Change | FC)
نسبت میزان بیان یک ژن بین دو شرایط یا گروه را نشان میدهد.
🔟 غنیسازی (Enrichment)
فرایندی برای بررسی بیشازحد مشاهده شدن مجموعهای از ژنها یا ویژگیهای زیستی در میان نتایج یک تحلیل است.
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~ @ir_bioinformtic_academy | 1 104 |
| 12 |  ⚠️ هشدار: این پست ممکن است نگاهتان به «پژوهش علمی» را عوض کند!
📌 چون با پژوهشهایی روبهرو میشوید که احتمالاًهیچوقت فکر نمیکردید کسی واقعاً آنها را انجام داده باشد!
برندگان عجیب ایگ نوبل را از دست ندهید!
🔗 مشاهده پست
اینستاگرام | تلگرام | لینکدین | بله | درباره ما
┏━━━━━━
🆔 @UIBiologists 🌱💡
┗━━━━━━ | 302 |
| 13 |  🧬 سلول فقط به DNA خودش گوش نمیدهد!
🔹️ در پست قبل دیدیم که سلولهای مختلف، با وجود DNA بسیار مشابه، میتوانند رفتار و عملکرد متفاوتی داشته باشند. دلیل مهم این تفاوت، این است که همه ژنها در همه سلولها به یک اندازه بیان نمیشوند.
❗️ اما این الگو هم ثابت نیست؛ سلول با توجه به محیط، شرایط فیزیولوژیک و پیامهایی که دریافت میکند، میتواند بیان بعضی ژنها را تغییر دهد.
📡 یکی از راههایی که این پیامها میتوانند بر بیان ژن اثر بگذارند، مسیرهای پیامرسانی (Signaling Pathways) است. هورمونها و فاکتورهای رشد از طریق این مسیرها میتوانند فعالیت تنظیمکنندههای بیان ژن را تغییر دهند.
💡 بنابراین، یک سلول با همان DNA میتواند در دو شرایط متفاوت، الگوی متفاوتی از RNA و بیان ژن داشته باشد.
🔬 برای دیدن این تفاوتها در سطح RNA، باید به ترنسکریپتوم (Transcriptome) نگاه کنیم.
💥 در پست بعدی میبینیم ترنسکریپتوم دقیقاً چیست و RNA-Seq چطور به ما اجازه میدهد الگوی بیان ژنها را بررسی کنیم.
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 1 119 |
| 14 |  🧬 اُمیکس؛ نگاهی فراتر از DNA
💥 اُمیکس به مطالعه گسترده و جامعِ یک لایه از اطلاعات زیستی گفته میشود؛ از ژنوم (Genome) و ترنسکریپتوم (Transcriptome) گرفته تا پروتئوم (Proteome) و متابولوم (Metabolome).
🖇 در پستهای قبلی درباره مفهوم اُمیکس و شاخههای مهم آن صحبت کردیم. دیدیم که برای شناخت بهتر یک سیستم زیستی، میتوان از زاویههای مختلف به اطلاعات مولکولی آن نگاه کرد.
💡 اما اینجا یک سؤال مهمتر مطرح میشود...
🔹️ وقتی این لایههای مختلف اطلاعات را کنار هم قرار میدهیم، میتوانیم تصویر کاملتری از وضعیت یک سلول داشته باشیم؛ اما آیا دانستن اطلاعات ژنتیکی یک سلول بهتنهایی برای توضیح رفتار آن کافی است؟
❓ اگر سلولهای مختلف بدن DNA بسیار مشابهی دارند، پس چه چیزی باعث میشود یکی سلول عصبی باشد، دیگری سلول عضلانی و دیگری سلول کبدی؟
🔎 برای پیدا کردن جواب، باید کمی عمیقتر از خود DNA نگاه کنیم...
🖋 نسا کارجو
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 1 044 |
| 15 |  🧬 یک جهش کوچک؛ یک تغییر بزرگ در سرنوشت سلول؟
🔬 برای تغییر سرنوشت یک سلول، همیشه لازم نیست تغییر بزرگی در DNA رخ دهد؛ گاهی یک جهش کوچک میتواند مسیر سلول را عوض کند.
🧬 اما همه جهشها اثر یکسانی ندارند؛ بعضی از آنها میتوانند باعث شوند یک سلول بیشتر زنده بماند یا سریعتر تکثیر شود.
🔬 در این حالت، سلولِ دارای جهش میتواند نسبت به سلولهای اطراف بیشتر گسترش پیدا کند. به جهشهایی که در این فرایند نقش دارند، Driver Mutation گفته میشود.
⏳ با ادامه تکثیر این سلولها، ممکن است در طول زمان تغییرات دیگری هم در آنها ایجاد شود؛ تغییراتی که میتوانند ویژگیهای سلول و نحوه رشد آن را بیشتر تغییر دهند.
🧬 در برخی موارد، انباشت این تغییرات میتواند سلول را به سمت ویژگیهای سرطانی سوق دهد؛ به همین دلیل، سرطان را میتوان نتیجهی تکامل تدریجی سلولها در طول زمان دانست.
🔗 Source
🖋 تینا قربانخانلو
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 574 |
| 16 |  💡 وقتی تعداد توالیها بیشتر شد، یک سؤال مهم مطرح شد...
⚡️ چطور میشد دو توالی DNA یا پروتئین را با هم مقایسه کرد و میزان شباهتشان را فهمید؟
🤔 چه کسی راهی برای حل این مسئله پیدا کرد؟
👨💻 مایکل واترمن (Michael S. Waterman)
🏆 دستاورد اصلی
واترمن همراه با تمپل اسمیت، الگوریتم Smith–Waterman را در سال ۱۹۸۱ ارائه کرد؛ روشی برای همترازی و مقایسه توالیهای زیستی که به پیدا کردن نواحی مشابه بین دو توالی کمک میکند.
🛤 مسیر پژوهش
واترمن با بهکارگیری روشهای محاسباتی در مطالعه توالیها، مقایسه آنها را دقیقتر کرد و به یکی از روشهای مهم در تحلیل توالیهای زیستی رسید.
🌍 تأثیر بر علم امروز
همترازی توالیها هنوز یکی از بخشهای مهم تحلیل دادههای زیستی است و برای بررسی شباهت ژنها و پروتئینها و مطالعه روابط تکاملی استفاده میشود.
💡 از مسیر او چه یاد میگیریم؟
گاهی برای حل یک مسئله زیستی، باید از ابزارهای یک حوزه دیگر کمک گرفت. واترمن با بهکارگیری روشهای محاسباتی در مطالعه توالیها، راه تازهای برای بررسی و مقایسه دادههای زیستی ایجاد کرد.
🔗 Source
✍️ نساء کارجو
Instagram | LinkedIn | Q & A Group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~ @ir_bioinformtic_academy | 1 280 |
| 17 |  🧬 آیا میتوان بیان ژن را از روی تصویر بافت پیشبینی کرد؟
🖇 بررسی بیان ژن در سطح تکسلولی اطلاعات زیادی درباره وضعیت سلولها میدهد؛ اما ترنسکریپتومیکس فضایی (Spatial Transcriptomics) پرهزینه و محدود به تعداد مشخصی از نمونهها و ژنها است.
🔬 برای کاهش این محدودیت، پژوهشگران با مدل هوش مصنوعی VOICE نشان دادند که میتوان با کمک تصاویر بافتشناسی H&E، بیان ژن سلولها را پیشبینی کرد.
📊 این مدل در هفت معیار، عملکرد بهتری از روشهای قبلی داشت و روی نمونههای جدید هم عملکرد خوبی نشان داد.
💡 این روش میتواند با تکیه بر تصاویر بافتیِ در دسترس، راهی کمهزینهتر برای استخراج اطلاعات مولکولی از آرشیوهای بزرگ بافتی فراهم کند.
🔗 Source
🖋 فاطمه خانلرپور
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 1 491 |
| 18 |  🧬 بعد از NGS، با دادهها چه میکنیم؟
🖇 تا اینجا از نمونه و آمادهسازی کتابخانه رسیدیم به توالییابی و تولید داده. اما حالا یک سؤال مهم داریم:
❓ از این حجم از داده چطور به یک نتیجه زیستی میرسیم؟
📍 دادههای تولیدشده باید کنترل، پردازش و تحلیل شوند تا بتوانیم از دل آنها اطلاعات معناداری درباره سیستم زیستی به دست بیاوریم.
⚡️ اما یک نکته جالب وجود دارد؛ همه دادههای زیستی از یک جنس نیستند. گاهی با DNA سروکار داریم، گاهی RNA، گاهی پروتئینها و گاهی متابولیتها.
❓ پس سؤال بعدی این است:
💥 این لایههای مختلف اطلاعات زیستی را چطور دستهبندی و مطالعه میکنیم؟
آیا این همان چیزی است که «اُمیکس» (Omics) نامیده میشود؟
🖋 نساء کارجو
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻🔬
~~@ir_bioinformtic_academy | 1 223 |
| 19 |  ❗️ آیا میتوان هویت یک سلول را از روی سلولهای اطراف پیشبینی کرد؟
🖇 مدل هوش مصنوعی CellWorld با استفاده از اطلاعات مولکولی و موقعیت سلولهای اطراف، ویژگیهای سلولی را پیشبینی میکند.
🔹 برخلاف روشهایی که مستقیماً ژنهای حذفشده را بازسازی میکنند، CellWorld با ترکیب بیان ژن و اطلاعات فضایی بافت، یک نمایش نهفته از سلول ایجاد میکند.
📊 این مدل با دادههای ۴۶ میلیون سلول انسانی از ۱۱ اندام و سه فناوری رونویسی فضایی آموزش داده شد و در ارزیابیهای مختلف، عملکرد بهتری نسبت به روشهای مقایسهشده داشت.
🧪 نکته مهم این بود که تنوع زیستی دادههای آموزشی برای تعمیمپذیری مدل اهمیت زیادی داشت؛ نه صرفاً تعداد بیشتر سلولها.
🔗 Source
🖋 الینا صنایعی
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻
@ir_bioinformtic_academy | 1 248 |
| 20 | ❗️ آیا میتوان هویت یک سلول را از روی سلولهای اطراف پیشبینی کرد؟
🖇 مدل هوش مصنوعی CellWorld با استفاده از اطلاعات مولکولی و موقعیت سلولهای اطراف، ویژگیهای سلولی را پیشبینی میکند.
🔹 برخلاف روشهایی که مستقیماً ژنهای حذفشده را بازسازی میکنند، CellWorld با ترکیب بیان ژن و اطلاعات فضایی بافت، یک نمایش نهفته از سلول ایجاد میکند.
📊 این مدل با دادههای ۴۶ میلیون سلول انسانی از ۱۱ اندام و سه فناوری رونویسی فضایی آموزش داده شد و در ارزیابیهای مختلف، عملکرد بهتری نسبت به روشهای مقایسهشده داشت.
🧪 نکته مهم این بود که تنوع زیستی دادههای آموزشی برای تعمیمپذیری مدل اهمیت زیادی داشت؛ نه صرفاً تعداد بیشتر سلولها.
🔗 Source
🖋 الینا صنایعی
Instagram | LinkedIn | Q & A group
~~ آکادمی بیوانفورماتیک ایران 💻
@ir_bioinformtic_academy | 1 |
