Neuroscience & Neoplaisa Artificial Intelligence Research Group (NAIRG)
رفتن به کانال در Telegram
نمایش بیشتر
387
مشترکین
+124 ساعت
-27 روز
+1730 روز
در حال بارگیری داده...
کانالهای مشابه
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
ابر برچسبها
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
سپتامبر '26
سپتامبر '26
+2
در 0 کانالها
اوت '26
+63
در 6 کانالها
Get PRO
ژوئیه '260
در 0 کانالها
Get PRO
ژوئن '260
در 0 کانالها
Get PRO
مه '260
در 0 کانالها
Get PRO
آوریل '260
در 0 کانالها
Get PRO
مارس '260
در 0 کانالها
Get PRO
فوریه '260
در 0 کانالها
Get PRO
ژانویه '260
در 0 کانالها
Get PRO
دسامبر '250
در 0 کانالها
Get PRO
نوامبر '250
در 0 کانالها
Get PRO
اکتبر '250
در 0 کانالها
Get PRO
سپتامبر '250
در 0 کانالها
Get PRO
اوت '250
در 0 کانالها
Get PRO
ژوئیه '250
در 0 کانالها
Get PRO
ژوئن '250
در 0 کانالها
Get PRO
مه '250
در 0 کانالها
Get PRO
آوریل '250
در 0 کانالها
Get PRO
مارس '250
در 0 کانالها
Get PRO
فوریه '250
در 1 کانالها
Get PRO
ژانویه '250
در 0 کانالها
Get PRO
دسامبر '240
در 5 کانالها
Get PRO
نوامبر '240
در 0 کانالها
Get PRO
اکتبر '240
در 7 کانالها
Get PRO
سپتامبر '240
در 1 کانالها
Get PRO
اوت '240
در 1 کانالها
Get PRO
ژوئیه '240
در 1 کانالها
Get PRO
ژوئن '240
در 1 کانالها
Get PRO
مه '24
+2
در 1 کانالها
Get PRO
آوریل '24
+35
در 2 کانالها
Get PRO
مارس '24
+11
در 1 کانالها
Get PRO
فوریه '24
+5
در 0 کانالها
Get PRO
ژانویه '24
+4
در 0 کانالها
Get PRO
دسامبر '23
+13
در 3 کانالها
Get PRO
نوامبر '23
+16
در 1 کانالها
Get PRO
اکتبر '23
+7
در 0 کانالها
Get PRO
سپتامبر '23
+2
در 0 کانالها
Get PRO
اوت '230
در 0 کانالها
Get PRO
ژوئیه '230
در 0 کانالها
Get PRO
ژوئن '23
+4
در 0 کانالها
Get PRO
مه '23
+2
در 0 کانالها
Get PRO
آوریل '230
در 0 کانالها
Get PRO
مارس '23
+2
در 0 کانالها
Get PRO
فوریه '23
+8
در 0 کانالها
Get PRO
ژانویه '230
در 0 کانالها
Get PRO
دسامبر '22
+5
در 0 کانالها
Get PRO
نوامبر '220
در 0 کانالها
Get PRO
اکتبر '22
+1
در 0 کانالها
Get PRO
سپتامبر '22
+6
در 0 کانالها
Get PRO
اوت '22
+21
در 0 کانالها
Get PRO
ژوئیه '22
+4
در 0 کانالها
Get PRO
ژوئن '22
+4
در 0 کانالها
Get PRO
مه '22
+14
در 0 کانالها
Get PRO
آوریل '22
+28
در 0 کانالها
Get PRO
مارس '220
در 0 کانالها
Get PRO
فوریه '220
در 0 کانالها
Get PRO
ژانویه '220
در 0 کانالها
Get PRO
دسامبر '210
در 0 کانالها
Get PRO
نوامبر '210
در 0 کانالها
Get PRO
اکتبر '210
در 0 کانالها
Get PRO
سپتامبر '21
+1
در 0 کانالها
Get PRO
اوت '21
+2
در 0 کانالها
Get PRO
ژوئیه '21
+4
در 0 کانالها
Get PRO
ژوئن '21
+2
در 0 کانالها
Get PRO
مه '21
+4
در 0 کانالها
Get PRO
آوریل '21
+353
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 07 سپتامبر | 0 | |||
| 06 سپتامبر | +1 | |||
| 05 سپتامبر | 0 | |||
| 04 سپتامبر | +1 | |||
| 03 سپتامبر | 0 | |||
| 02 سپتامبر | 0 | |||
| 01 سپتامبر | 0 |
پستهای کانال
🚨 معرفی GPT-6 Astra؛ یک جهش بزرگ در هوش مصنوعی
شرکت OpenAI از مدل جدید خودش با نام GPT-6 Astra رونمایی کرده؛ مدلی که فقط برای پاسخدادن به سؤالها ساخته نشده و میتونه کارهای پیچیده رو هم انجام بده.
🔥 بعضی از نتایج اعلامشده:
• امتیاز ۹۹.۹٪ در آزمون ARC-AGI-3
• امتیاز ۹۸٪ در آزمون FrontierMath Tier 4
• امتیاز ۱۰۰٪ در آزمون ExploitBench
• امتیاز ۹۶٪ در آزمون GPQA Diamond
• امتیاز ۹۵.۹٪ در آزمون BenchCAD
• امتیاز ۷۲.۶٪ در آزمون OSWorld 2.0
🖥 یکی از مهمترین قابلیتهای این مدل، کار با کامپیوتره.
مدل Astra میتونه محیط کامپیوتر رو ببینه و مستقیماً با نرمافزارها و ابزارهای مختلف کار کنه. یعنی بهجای اینکه فقط توضیح بده یک کار رو چطور انجام بدی، میتونه خودش مراحل انجام اون کار رو اجرا کنه.
برای مثال میتونه:
🔹 فرمهای آنلاین رو تکمیل کنه
🔹 با نرمافزارهای مختلف کار کنه
🔹 کد بنویسه و اجرا کنه
🔹 وبسایت بسازه و اون رو آزمایش کنه
🔹 از ابزارهای تخصصی استفاده کنه
🔹 چند مرحله از یک پروژه رو پشت سر هم انجام بده
این قابلیت که بهش Computer Use میگن، یکی از ویژگیهایی هست که این مدل رو به یک عامل هوش مصنوعی (AI Agent) نزدیکتر میکنه.
🧠 تفاوت اصلی همینجاست:
قبلاً از هوش مصنوعی میپرسیدیم:
«چطور این کار رو انجام بدم؟»
اما مدلهای جدید دارن به سمتی میرن که میتونیم بهشون بگیم:
«این کار رو برای من انجام بده.»
و خود مدل، مراحل لازم رو انجام بده و نتیجه رو تحویل بده.
⚠️ پیشرفت در درک وظایف:
شرکت OpenAI همچنین اعلام کرده که این مدل در درک دستورها و رعایت محدودیتهای تعیینشده پیشرفت چشمگیری داشته؛ یعنی بهتر میتونه تشخیص بده چه کاری باید انجام بده و چه کاری خارج از محدودهی وظیفهاش قرار داره.
📌 مدل GPT-6 Astra فعلاً برای گروه محدودی از سازمانها عرضه شده و در ادامه برای کاربران نسخههای Plus و Pro و Business و همچنین از طریق API در دسترس عموم قرار میگیره.
به نظر میرسه تعریف «چتبات» داره تغییر میکنه. آیندهی هوش مصنوعی فقط دربارهی جواب دادن نیست؛ دربارهی انجام دادن کارهاست. 🤯
🔗 منبع رسمی: سایت OpenAI مدل GPT-6 Astra
| 2 | تا حالا به این فکر کردید که چقدر از دادههای ارزشمند پزشکی، فقط به خاطر «ناقص بودن»، خیلی راحت دور ریخته میشن؟ 🧩
توی دنیای تحقیقات هوش مصنوعی با یه چالش بزرگ روبهرو هستیم به اسم «دادههای سانسورشده» (Censored Data) . منظورمون پروندهی بیمارانی هست که در طول دوره مطالعه، به هر دلیلی ارتباطشون با بیمارستان قطع میشه یا تا پایان پژوهش زنده میمونن ولی ما دقیقاً نمیدونیم سرنوشت نهاییشون چی میشه. مدلهای هوش مصنوعی کلاسیک معمولاً با این دادههای نیمهکاره گیج میشن و در نهایت اونها رو نادیده میگیرن؛ که این یعنی از دست دادن کوهی از الگوهای حیاتی!
اما ما توی پژوهش جدیدمون (با همکاری تیم NAIRG، به رهبری انستیتو سرطان BC و دانشگاه UBC) تصمیم گرفتیم به جای پاک کردن صورت مسئله، از همین ابهامات برای باهوشتر کردن مدلمون استفاده کنیم! 💡
ما یه سیستم «یادگیری نیمهنظارتی آگاه به سانسور» (Censor-Aware SSL) طراحی کردیم. داستان از این قراره که سیستم ما با ترکیب اطلاعات بالینی و استخراج ویژگیهای پنهانِ تصاویر PET و سیتیاسکن (رادیومیکس کلاسیک و عمیق)، به جای اینکه پروندههای ناقص رو کنار بذاره، با تکنیکی به اسم Pseudo-labeling از همونها هم یاد میگیره! انگار که به هوش مصنوعی یاد دادیم جاهای خالی پازل رو با دقت حدس بزنه و تصویر رو کامل کنه.
نتیجه چی شد؟ فوقالعاده! 🎯
وقتی این سیستم رو روی دادههای بیماران مبتلا به سرطان ریه تست کردیم، دیدیم که این رویکرد تونست خطای پیشبینی زمان بقای بیماران رو تا ۲۶.۵ درصد کاهش بده. این یعنی یک قدم بسیار بزرگ به سمت پزشکی شخصیسازیشده و برنامهریزی دقیقترِ مسیر درمان برای هر بیمار.
این دستاورد نشون میده که توی دنیای دادهها، حتی سکوت و اطلاعات ناقص هم میتونن حرفهای زیادی برای گفتن داشته باشن؛ به شرطی که بدونیم چطور بهشون گوش بدیم! 🎧🔬
برای خوندن جزئیات ، معماری مدلها و بررسیهای فنی، می تونید نسخه پیشچاپ این مقاله رو از لینک زیر مطالعه کنید:
🔗 لینک دسترسی مستقیم به مقاله:
[https://arxiv.org/abs/2502.01661]
NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.
🌐 https://nairg.org/
📱 https://t.me/NAIRG_ResearchGroup | 52 |
| 3 | تا حالا به این فکر کردید که چقدر از دادههای ارزشمند پزشکی، فقط به خاطر «ناقص بودن»، خیلی راحت دور ریخته میشن؟ 🧩
توی دنیای تحقیقات هوش مصنوعی با یه چالش بزرگ روبهرو هستیم به اسم «دادههای سانسورشده» (Censored Data) . منظورمون پروندهی بیمارانی هست که در طول دوره مطالعه، به هر دلیلی ارتباطشون با بیمارستان قطع میشه یا تا پایان پژوهش زنده میمونن ولی ما دقیقاً نمیدونیم سرنوشت نهاییشون چی میشه. مدلهای هوش مصنوعی کلاسیک معمولاً با این دادههای نیمهکاره گیج میشن و در نهایت اونها رو نادیده میگیرن؛ که این یعنی از دست دادن کوهی از الگوهای حیاتی!
اما ما توی پژوهش جدیدمون (با همکاری تیم NAIRG، به رهبری انستیتو سرطان BC و دانشگاه UBC) تصمیم گرفتیم به جای پاک کردن صورت مسئله، از همین ابهامات برای باهوشتر کردن مدلمون استفاده کنیم! 💡
ما یه سیستم «یادگیری نیمهنظارتی آگاه به سانسور» (Censor-Aware SSL) طراحی کردیم. داستان از این قراره که سیستم ما با ترکیب اطلاعات بالینی و استخراج ویژگیهای پنهانِ تصاویر PET و سیتیاسکن (رادیومیکس کلاسیک و عمیق)، به جای اینکه پروندههای ناقص رو کنار بذاره، با تکنیکی به اسم Pseudo-labeling از همونها هم یاد میگیره! انگار که به هوش مصنوعی یاد دادیم جاهای خالی پازل رو با دقت حدس بزنه و تصویر رو کامل کنه.
نتیجه چی شد؟ فوقالعاده! 🎯
وقتی این سیستم رو روی دادههای بیماران مبتلا به سرطان ریه تست کردیم، دیدیم که این رویکرد تونست خطای پیشبینی زمان بقای بیماران رو تا ۲۶.۵ درصد کاهش بده. این یعنی یک قدم بسیار بزرگ به سمت پزشکی شخصیسازیشده و برنامهریزی دقیقترِ مسیر درمان برای هر بیمار.
این دستاورد نشون میده که توی دنیای دادهها، حتی سکوت و اطلاعات ناقص هم میتونن حرفهای زیادی برای گفتن داشته باشن؛ به شرطی که بدونیم چطور بهشون گوش بدیم! 🎧🔬
برای خوندن جزئیات ، معماری مدلها و بررسیهای فنی، خوشحال میشیم نسخه پیشچاپ این مقاله رو از لینک زیر مطالعه کنید:
🔗 لینک دسترسی مستقیم به مقاله:
[https://arxiv.org/abs/2502.01661]
NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.
🌐 https://nairg.org/
📱 https://t.me/NAIRG_ResearchGroup | 1 |
| 4 | هوش مصنوعی راز بیماریهای DNA را گشود! 🧬
تصور کنید دانشمندان بتوانند به سادگی با خواندن "کدهای" درون DNA ما، پیشبینی کنند که کدام بیماریها در انتظار ما هستند. این رویایی بود که سالها در لابراتوارهای علوم زیستی و دنبال میشد، و اکنون به نظر میرسد که با یک پیشرفت بزرگ، به واقعیت نزدیک شدهایم. مقالهای که منتشر شده، نشان میدهد که چگونه یک سیستم هوش مصنوعی توانسته است با دقتی حیرتانگیز، علت بیماریها را از روی جهشهای ژنتیکی شناسایی کند. این دستاورد نه تنها یک جهش علمی قابل توجه در حوزه هوش مصنوعی و آنکولوژی است، بلکه دریچهای نو به سوی فهم عمیقتر تعامل پیچیده بین ژنتیک و سلامت انسان باز می کند.
این تکنولوژی جدید، فراتر از یک ابزار تشخیصی صرف، قابلیت پیشبینی علّی بیماریها را فراهم میآورد. به عبارت دیگر، هوش مصنوعی نه تنها "چه" بیماریای ممکن است رخ دهد را تشخیص میدهد، بلکه "چرا" آن بیماری ایجاد میشود را نیز از دل تغییرات ظریف در کد ژنتیکی استخراج میکند. این سطح از ریزبینی و فهم علّی، پتانسیل بینظیری برای توسعه رویکردهای درمانی شخصیسازی شده و پیشگیرانه دارد. برای ما که در این حوزههای تحقیقاتی فعالیت میکنیم، این خبر به معنای گامی بزرگ در جهت درک بهتر سازوکارهای مولکولی بیماریها و در نهایت، خلق راهکارهای درمانی نوآورانه است.
🔗 مطالعه متن کامل مقاله | 57 |
| 5 | تا حالا از خودتون پرسیدین چرا با وجود این همه اخبار پر سر و صدا از پیشرفتهای خیرهکننده هوش مصنوعی تو پزشکی، هنوز پزشکها برای استفاده از این ابزارها تو کلینیکها مردد هستن؟ 🤔
راستش رو بخواین، دیوار بلندی به نام «بیاعتمادی» بین دنیای الگوریتمها و دنیای واقعی درمان وجود داره. وقتی پای پیشبینی وضعیت و بقای بیماران مبتلا به سرطان ریه در میون باشه، هیچ متخصصی حاضر نیست فرمان رو کاملاً به یک ماشین بسپاره. ماشینها شاید دقیق باشن، اما شهود، تجربه و درک بالینی پزشک رو ندارن.
توی پژوهش تازهای که به تازگی نسخه پیشچاپ اون منتشر شده (با همکاری محققان انستیتو سرطان BC، دانشگاه UBC و تیم خودمون در NAIRG)، تصمیم گرفتیم این قاعده رو تغییر بدیم و این دیوار رو خراب کنیم! 🧱🔨
ایده ما خیلی ساده ولی در عین حال قدرتمند بود: استفاده از رویکرد «پزشک در حلقه» (Clinician-in-the-Loop). ما نیومدیم یک مدل هوش مصنوعی بسازیم که جایگزین پزشک بشه؛ بلکه یک همتیمی و دستیار هوشمند خلق کردیم. توی این سیستم، داستان از این قراره که پزشک تنها با چند کلیک ساده روی تصاویر سیتیاسکن (CT) به مدل خط میده. سپس هوش مصنوعی ما وارد عمل میشه و با استفاده از قدرت «یادگیری نیمهنظارتی» (SSL) که روی دادههای نزدیک به ۱۰۰۰ بیمار آموزش دیده، الگوهای پیچیده و پنهان بافتها (رادیومیکس) رو استخراج کرده و مرزهای تومور رو با دقت بالا ترسیم میکنه.
وقتی این ایده رو روی ۵ معماری معروف دیپلرنینگ تست کردیم، نتایج بینظیر بود! ترکیب شبکه VNet با یادگیری نیمهنظارتی، نه تنها در پیشبینی روند بیماری و شانس بقای بیماران فوقالعاده عمل کرد، بلکه تونست اعتماد متخصصان آنکولوژی رو هم به طور کامل جلب کنه. دلیلش هم مشخصه: در این ساختار، هوش مصنوعی کارهای پردازشی سنگین رو به دوش میکشه، اما تایید و اصلاح نهایی رو به عهده خود پزشک میذاره.
این دستاورد نشون میده که کلید طلایی ورود هوش مصنوعی به جریان اصلی درمان و پزشکی شخصیسازیشده، همافزایی و اعتماد بین انسان و ماشینه، نه رقابت بینشون! 🤝💡
برای خوندن کامل این پژوهش و بررسی موشکافانهی فنی مدلها، میتونید از طریق لینک زیر نسخه کامل مقاله رو مطالعه کنید:
🔗 لینک دسترسی مستقیم به مقاله:
[https://arxiv.org/pdf/2510.17039]
NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.
🌐 https://nairg.org/
📱 https://t.me/NAIRG_ResearchGroup | 61 |
| 6 | تا حالا از خودتون پرسیدین چرا با وجود این همه اخبار پر سر و صدا از پیشرفتهای خیرهکننده هوش مصنوعی تو پزشکی، هنوز پزشکها برای استفاده از این ابزارها تو کلینیکها مردد هستن؟ 🤔
راستش رو بخواین، دیوار بلندی به نام «بیاعتمادی» بین دنیای الگوریتمها و دنیای واقعی درمان وجود داره. وقتی پای پیشبینی وضعیت و بقای بیماران مبتلا به سرطان ریه در میون باشه، هیچ متخصصی حاضر نیست فرمان رو کاملاً به یک ماشین بسپاره. ماشینها شاید دقیق باشن، اما شهود، تجربه و درک بالینی پزشک رو ندارن.
توی پژوهش تازهای که به تازگی نسخه پیشچاپ اون منتشر شده (با همکاری محققان انستیتو سرطان BC، دانشگاه UBC و تیم خودمون در NAIRG)، تصمیم گرفتیم این قاعده رو تغییر بدیم و این دیوار رو خراب کنیم! 🧱🔨
ایده ما خیلی ساده ولی در عین حال قدرتمند بود: استفاده از رویکرد «پزشک در حلقه» (Clinician-in-the-Loop). ما نیومدیم یک مدل هوش مصنوعی بسازیم که جایگزین پزشک بشه؛ بلکه یک همتیمی و دستیار هوشمند خلق کردیم. توی این سیستم، داستان از این قراره که پزشک تنها با چند کلیک ساده روی تصاویر سیتیاسکن (CT) به مدل خط میده. سپس هوش مصنوعی ما وارد عمل میشه و با استفاده از قدرت «یادگیری نیمهنظارتی» (SSL) که روی دادههای نزدیک به ۱۰۰۰ بیمار آموزش دیده، الگوهای پیچیده و پنهان بافتها (رادیومیکس) رو استخراج کرده و مرزهای تومور رو با دقت بالا ترسیم میکنه.
وقتی این ایده رو روی ۵ معماری معروف دیپلرنینگ تست کردیم، نتایج بینظیر بود! ترکیب شبکه VNet با یادگیری نیمهنظارتی، نه تنها در پیشبینی روند بیماری و شانس بقای بیماران فوقالعاده عمل کرد، بلکه تونست اعتماد متخصصان آنکولوژی رو هم به طور کامل جلب کنه. دلیلش هم مشخصه: در این ساختار، هوش مصنوعی کارهای پردازشی سنگین رو به دوش میکشه، اما تایید و اصلاح نهایی رو به عهده خود پزشک میذاره.
این دستاورد نشون میده که کلید طلایی ورود هوش مصنوعی به جریان اصلی درمان و پزشکی شخصیسازیشده، همافزایی و اعتماد بین انسان و ماشینه، نه رقابت بینشون! 🤝💡
برای خوندن کامل این پژوهش و بررسی موشکافانهی فنی مدلها، میتونید از طریق لینک زیر نسخه کامل مقاله رو مطالعه کنید:
🔗 لینک دسترسی مستقیم به مقاله:
[https://arxiv.org/pdf/2510.17039]
NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.
🌐 https://nairg.org/
📱 https://t.me/NAIRG_ResearchGroup | 1 |
| 7 |  «در حوزه یادگیری عمیق، الگوریتمهایی که امروزه از آنها استفاده میکنیم، در واقع نسخههایی از همان الگوریتمهایی هستند که در دهههای ۸۰ و ۹۰ میلادی در حال توسعهشان بودیم. در آن زمان، افراد نسبت به این الگوریتمها بسیار خوشبین بودند، اما در نهایت مشخص شد که آنطور که باید، کارایی ندارند.»
In deep learning, the algorithms we use now are versions of the algorithms we were developing in the 1980s, the 1990s. People were very optimistic about them, but it turns out they didn't work too well.
Geoffrey Hinton | 61 |
| 8 | ✨ کشف مشترک در قلب اختلالات عصبی-رشدی: آیا انعطافپذیری نورونهای میانی، سرنخ اصلی است؟ 🧠
تصور کنید مغز ما ارکستر بسیار پیچیدهای است که هر نوازنده آن نقشی حیاتی ایفا میکند. در این میان، نورونهای میانی (interneurons) نقشی شبیه به رهبران ارکستر دارند؛ آنها نه تنها ضربان و هماهنگی را در میان دیگر نورونها تنظیم میکنند، بلکه ظرفیت یادگیری و انطباق مغز را نیز فراهم میآورند. اکنون، پژوهشی جذاب و بسیار امیدوارکننده، دریچهای نو به سوی فهم اختلالات عصبی-رشدی گشوده است. این مطالعه پیشنهاد میکند که "از دست دادن انعطافپذیری" در این نورونهای کلیدی، ممکن است یک نشانه مشترک در طیفی از این اختلالات، از اوتیسم گرفته تا شیزوفرنی، باشد.
در این پژوهش، دانشمندان با بررسی دقیقتر نحوه عملکرد این نورونهای تنظیمکننده، متوجه شدهاند که در بسیاری از اختلالات عصبی-رشدی، توانایی این نورونها برای تغییر و انطباق خود با تجربیات جدید، به طور چشمگیری کاهش مییابد. این "خشکی" یا عدم انعطافپذیری، میتواند منجر به آشفتگی در الگوهای ارتباطی مغز و در نهایت بروز علائم این اختلالات شود. این ایده که یک نقص مولکولی یا عملکردی مشترک میتواند در پس طیف وسیعی از چالشهای عصبی-رشدی قرار داشته باشد، بسیار هیجانانگیز است. این امر به ما اجازه میدهد تا به جای در نظر گرفتن هر اختلال به صورت مجزا، به دنبال مکانیسمهای زیربنایی مشترک باشیم که میتواند منجر به توسعه رویکردهای درمانی جامعتر و هدفمندتر شود.
🔗 مطالعه متن کامل مقاله | 60 |
| 9 | ذرات ویروسنما: پیکهای هوشمند برای ویرایش ژن در مدل دوشن 🧬
تصور کنید در دنیای پیچیده ژنتیک، ابزاری پیدا کنیم که بتواند دقیقاً به سلولهای هدف ما برسد و تغییرات لازم را در کد ژنتیکی ایجاد کند؛ تغییری که میتواند سرنوشت بیماریهای ژنتیکی را دگرگون کند. اخیراً، پژوهشگران در این مسیر گامی مهم برداشتهاند و از ذراتی شبیه به ویروس، اما کاملاً بیخطر، برای رساندن ابزارهای ویرایش ژن به سلولهای عضلانی در مدل حیوانی بیماری دوشن استفاده کردهاند. این بیماری، که به دلیل نقص در پروتئین دیستروفین رخ میدهد، منجر به تحلیل پیشرونده عضلانی میشود و یافتن راههای مؤثر برای اصلاح ژنتیکی آن، همواره یکی از چالشهای بزرگ بوده است. این مطالعه، با استفاده از پاکتهای پروتئینی سلولی که به طور طبیعی در بدن ما وجود دارند و با مهندسی آنها، توانستهاند این "پیکهای هوشمند" را بسازند. این ذرات ویروسنما (Virus-Like Particles یا VLPs)، نه تنها قابلیت رساندن مؤثر ابزارهای ویرایش ژن مانند CRISPR-Cas9 را به سلولهای عضلانی دارند، بلکه به نظر میرسد که میتوانند از پاسخ ایمنی ناخواسته نیز فرار کنند؛ نکتهای حیاتی برای هرگونه درمان ژنتیکی موفق.
این رویکرد نوآورانه، پتانسیل عظیمی برای درمان بیماریهای ژنتیکی پیچیدهای دارد که در حال حاضر گزینههای درمانی محدودی برایشان وجود دارد. توانایی طراحی این ذرات برای هدفگیری سلولهای خاص، راه را برای درمانهای شخصیسازی شده باز میکند. برای جامعه علمی ما، این یافته نه تنها یک پیشرفت تکنیکی در زمینه رساندن ژن است، بلکه یک نقطه عطف در درک چگونگی استفاده از سازوکارهای زیستی طبیعی برای اهداف درمانی محسوب میشود.
🔗 مطالعه متن کامل مقاله
https://www.thetransmitter.org/spectrum/virus-like-particles-deliver-gene-editing-tools-into-duchenne-mouse-model/ | 72 |
| 10 | با عرض سلام و خسته نباشید
گواهیهای شرکت در کارگاه و همچنین لینک دسترسی به ریکورد برای شرکتکنندگان عزیز از طریق ایمیل ارسال شده است.
لطفاً ایمیل خود را بررسی کنید و در صورت عدم دریافت، پوشه Spam/Junk را نیز چک کنید.
در صورتی که همچنان ایمیل را دریافت نکردهاید، لطفاً به ما اطلاع دهید.
nairesearchgroup@gmail.com
با تشکر از همراهی شما 🌷 | 77 |
| 11 | با عرض سلام و خسته نباشید
گواهیهای شرکت در کارگاه و همچنین لینک دسترسی به ریکورد برای شرکتکنندگان عزیز از طریق ایمیل ارسال شده است.
لطفاً ایمیل خود را بررسی کنید و در صورت عدم دریافت، پوشه Spam/Junk را نیز چک کنید.
در صورتی که همچنان ایمیل را دریافت نکردهاید، لطفاً به ما اطلاع دهید.
nairesearchgroup@gmail.com
با تشکر از همراهی شما 🌷 | 19 |
| 12 |  بدون متن... | 95 |
| 13 | 🚀 دستاورد جدید تحقیقاتی در تلفیق هوش مصنوعی و انکولوژی 🚀
📄 به چاپ رسیده در ژورنال بینالمللی Cancers 🌟
این پژوهش برجسته، به رهبری تیم پژوهشگران دانشگاه UBC و مؤسسه تحقیقاتی BC Cancer کانادا با همکاری تیم NAIRG است.
❓ پیشبینی دقیق میزان بقای بیماران مبتلا به سرطان ریه، همواره یکی از پیچیدهترین موانع پیش روی پزشکان بوده است. از سوی دیگر، آموزش مدلهای قدرتمند هوش مصنوعی در پزشکی معمولاً با سد بزرگی به نام «کمبود دادههای برچسبدار» مواجه میشود. اما چگونه میتوان از این محدودیت عبور کرد؟
💡 راهکار تیم ما در این پروژه، توسعه یک فریمورک هوشمند مبتنی بر یادگیری نیمهنظارتی (Semi-Supervised Learning) بود. ما با بهرهگیری از تکنیک Pseudo-Labeling، مدلی طراحی کردیم که توانایی دارد علاوه بر دادههای محدود سرطان ریه، از دل حجم انبوهی از دادههای بدون برچسبِ تصاویر PET/CT نیز الگوهای پنهان و ویژگیهای پیچیده رادیومیکس را بیاموزد.
نتیجهی این ابتکار ارتقای چشمگیر عملکرد و دقت مدلها در پیشبینی شانس بقای بیماران بود. این ابزار به پزشکان کمک میکند تا با تکیه بر تحلیلهای دقیق و قابل اتکا، بهترین استراتژیهای درمانی را انتخاب کنند؛ گامی محکم و رو به جلو در مسیر تحقق کامل پزشکی شخصیسازیشده (Personalized Medicine).
🔗 لینک دسترسی مستقیم به مقاله:
[https://doi.org/10.3390/cancers17020285]
NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.
🌐 https://nairg.org/
📱 https://t.me/NAIRG_ResearchGroup | 92 |
| 14 | استرس زودهنگام، اضطراب بزرگسالی را شعلهور میسازد: نگاهی عمیقتر به سازوکارهای عصبی 🧠
تصور کنید که چگونه تجربیات اولیهی زندگی، بهویژه در دوران حساس رشد، میتوانند ردپایی ماندگار بر روان ما بر جای بگذارند. یافتههای اخیر در حوزه علوم اعصاب، دریچهای نو به سوی درک این پدیده باز کردهاند و نشان میدهند که چگونه استرسهای محیطی در دوران اولیه رشد، میتوانند سازوکارهای پیچیده نوروبیولوژیکی را تحت تأثیر قرار داده و زمینه را برای بروز اختلالات اضطرابی در بزرگسالی فراهم آورند.
این پژوهش با کاوش در مدلهای جانوری، نشان میدهد که قرار گرفتن در معرض استرس در مراحل اولیه رشد، نه تنها بر بیان ژنهای خاصی که در تنظیم پاسخهای استرسی نقش دارند، تأثیر میگذارد، بلکه مسیرهای دوپامینرژیک مغز را نیز دچار دگرگونی میکند. دوپامین که در فرآیندهای یادگیری، انگیزش و تنظیم خلقوخو نقش اساسی ایفا میکند، با دستکاریهای ناشی از استرس اولیه، میتواند عملکرد خود را مختل سازد و بدین ترتیب، آستانه تحریکپذیری مغز نسبت به عوامل استرسزا را در دوران بزرگسالی کاهش دهد. این تغییرات اپیژنتیکی و نوروشیمیایی، به نوعی «برنامهریزی مجدد» سیستم عصبی محسوب میشوند که پیامدهای بلندمدتی برای سلامت روان به همراه دارند.
برای ما که در پی کشف ریشههای پیچیدگیهای مغز انسان هستیم، این یافتهها صرفاً یک پیشرفت علمی نیستند، بلکه تلنگری هستند برای تأمل در پیوندهای عمیق میان محیط، ژنتیک و سلامت روان.
🔗 مطالعه متن کامل مقاله | 85 |
| 15 | نقش سرنوشتساز تراکم گیرندههای استیلکولین در سیمکشی پویای مغز! 🧠
تصور کنید مغز ما، این شبکه شگفتانگیز و پیچیده، یک ارکستر عظیم است و هر بخش آن، نوای منحصر به فرد خود را مینوازد. اما چه چیزی باعث هماهنگی این سمفونی میشود؟ تحقیقات اخیر، پرده از رازی برداشتـهاند که چگونه تراکم گیرندههای استیلکولین، این پیامرسان کلیدی عصبی، نقش حیاتی در شکلدهی به دینامیک کل مغز، به ویژه در چرخه خواب و بیداری، ایفا میکند. این یافتهها نه تنها درک ما از عملکردهای پایهای مغز را عمیقتر میکنند، بلکه پیامدهای قابل توجهی برای حوزههایی چون علوم اعصاب شناختی و حتی درک بهتر اختلالات مرتبط با خواب و بیماریهایی مانند آلزایمر دارند. به عبارت دیگر، این فقط یک کشف علمی نیست، بلکه پنجرهای نو به سوی فهم چرایی و چگونگی ارتباطات گسترده در مغز میگشاید.
این مطالعه جذاب، با تمرکز بر چگونگی توزیع غیریکنواخت گیرندههای استیلکولین در نواحی مختلف مغز، نشان میدهد که این توزیع، خود به عنوان یک "نقشه" عمل کرده و نحوه تبادل اطلاعات و ارتباط بین شبکههای عصبی را دیکته میکند. درست مانند تنظیم دقیق ابزارهای یک ارکستر که تعدادشان در بخشهای مختلف متفاوت است و این تفاوت، کیفیت صدا را تعیین میکند، تراکم این گیرندهها در نواحی خاص، بر شدت و کیفیت سیگنالهای عصبی و در نتیجه بر الگوهای کلی فعالیت مغز تأثیر میگذارد. این موضوع، به خصوص در هنگام گذار از حالت بیداری به خواب و بالعکس، که نیازمند تنظیم دقیق و ظریف فعالیت عصبی است، اهمیت ویژهای پیدا میکند و نشان میدهد که چطور ظریفترین جزئیات ساختاری، میتوانند بر کل دینامیک سیستم تأثیرگذار باشند.
این کشف، دریچهای نو به سوی درمانهای هدفمندتر باز میکند. با درک بهتر اینکه چگونه تغییر در تراکم این گیرندهها میتواند به اختلالات عصبی منجر شود، میتوانیم گامهای مؤثرتری در جهت توسعه مداخلات درمانی برای طیف وسیعی از بیماریها، از اختلالات خواب گرفته تا بیماریهای تحلیلبرنده عصبی، برداریم.
🔗 مطالعه متن کامل | 87 |
| 16 |  💥 پروژه به رهبری UBC کانادا و BC Cancer Research Institute و با همکاری تیم NAIRG 💥
چاپ شده در ژورنال Physics in Medicine & Biology🔥
⁉️ تا حالا فکر کردی چطور میشه در تشخیص هوشمند سرطان پستان با MRI، بهجای خروجیهای پیچیده و جعبهسیاه AI، دقیقاً متوجه منطق تصمیمگیری مدلها بشیم؟
ما دقیقاً روی همین چالش کار کردیم: ارائه چارچوب دوگانه BM1.0 (دیکشنری رادیولوژیک و بیولوژیک) که ویژگیهای پیچیدهی رادیومیکس رو مستقیم به اصطلاحات استاندارد و قابلفهم بالینیِ BI-RADS ترجمه میکنه.
ما در این پروژه با تحلیل دادههای MRI پستان بیماران، هوش مصنوعیِ قابلی اعتماد و «قابلفهم» برای پزشکی دقیق (Personalized Medicine) طراحی کردیم؛ سیستمی که با شفافسازی ویژگیهای بافتی و ارتباط دادن آنها با مفاهیم بیولوژیک و بالینی، اعتماد پزشکان به خروجیهای AI را بهطور چشمگیری افزایش میده.
🔗 لینک مقاله:
[https://doi.org/10.1088/1361-6560/ae3658]
NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.
🌐 https://nairg.org/
📱 https://t.me/NAIRG_ResearchGroup | 105 |
| 17 |  به نظر من پرسش اصلی، یعنی «آیا ماشینها میتوانند فکر کنند؟»، پوچتر از آن است که ارزش بحث داشته باشد. با این حال، معتقدم تا پایان قرن، نحوه استفاده از کلمات و نظر عمومی افراد تحصیلکرده آنقدر تغییر خواهد کرد که میتوان از تفکر ماشینها سخن گفت، بدون آنکه انتظار داشته باشیم کسی با آن مخالفت کند. بهعلاوه، بر این باورم که پنهان کردن این دیدگاهها هیچ فایدهای ندارد.
"I believe the original question, 'Can machines think?' to be too meaningless to deserve discussion. Nevertheless, I believe that at the end of the century the use of words and general educated opinion will have altered so much that one will be able to speak of machines thinking without expecting to be contradicted. I believe further that no useful purpose is served by concealing these beliefs."
— Alan Turing, Computing Machinery and Intelligence (1950) | 95 |
| 18 | 🧠 راز فعالیت ژنها در مغز در حال رشد 🧠
فکر کنید ما داریم راجع به مغز خودمون صحبت میکنیم، همین ارگان پیچیدهای که باعث میشه ما فکر کنیم، احساس کنیم، و دنیا رو تجربه کنیم. حالا دانشمندا یه کشف شگفتانگیز کردن که نشون میده چطور فعالیت ژنها در دوران حساس رشد مغز کنترل میشه. قضیه چیه؟ اینطور که به نظر میرسه، محل قرارگیری ژنها درون هسته سلول نقش خیلی مهمی داره!
محققین با مطالعه بافت مغز در حال رشد انسانی متوجه شدن که وقتی ژنها از لبه هسته سلول دور میشن و به سمت نواحی خاصی در مرکز حرکت میکنن، فعالیتشون به طرز چشمگیری قویتر میشه. این نواحی مرکزی حاوی پروتئینهای خیلی مهمی هستن که نقش اساسی در ساخت و پردازش RNA دارن. پس وقتی ژنها به این مراکز تولید و پردازش RNA نزدیکتر میشن، انگار که دارن چراغ سبز قویتری دریافت میکنن و با انرژی بیشتری فعال میشن تا دستورالعملها رو برای ساخت و ساز مغز در حال رشد اجرا کنن. چقدر خلاقانه و هوشمندانه است این سیستم!
این کشف نه تنها دریچهای تازه به روی فهم ما از پیچیدگیهای مغز در حال توسعه باز میکنه، بلکه میتونه در آینده به ما کمک کنه تا اختلالات رشدی مغز رو بهتر درک کنیم و شاید حتی راههای جدیدی برای درمانشون پیدا کنیم. انگار داریم رمز و راز ساخت اولین لبخند، اولین فکر، و اولین خاطره رو کشف میکنیم، و فهمیدن اینکه چطور مکان فیزیکی در سلول میتونه این همه تاثیرگذار باشه جذابه!
🔗 مطالعه متن کامل مقاله
#Neuroscience
#genetics
#neurodevelopment | 103 |
| 19 |  تقریبا تمام ابرکامپیوتر های برتر جهان و شبکههای پردازش گرافیکی (GPU Clusters) که مدلهای بزرگ زبانی (LLM) و شبکههای عصبی عمیق را آموزش میدهند، روی پلتفرم لینوکس اجرا میشوند.
از نرمافزارهای تحلیل FMRI و MRI مثل FSL و FreeSurfer گرفته تا شبیهسازهای عصبی مثل NEST و NEURON، همگی برای محیطهای مبتنی بر لینوکس بهینه شدهاند.
لینوکس با فلسفه متنباز نشان داد که پیچیدگیهای عظیم با همکاری جمعی حل میشوند. امروزه پروژههای بزرگ نقشهبرداری مغزی (مانند Human Connectome Project) و مدلهای هوش مصنوعی آزاد، دقیقاً از همین الگوی لینوکس پیروی میکنند.
لینوس توروالدز در سال ۱۹۹۱ گفت: «لینوکس فقط یک سرگرمیه، قرار نیست بزرگ و حرفهای بشه!» اما امروز، هم مدلهای هوش مصنوعی که مغز انسان را شبیهسازی میکنند و هم ابزارهایی که مغز را اسکن میکنند، روی همین «سرگرمی» اجرا میشوند.
#Linux
#AI
#Neuroscience
#هوش_مصنوعی
#نوروساینس | 104 |
| 20 |  امروز سالروز انتشار نخستین پیام لینوس توروالدز برای معرفی لینوکس است؛ هستهای آزاد که امروزه شریان اصلی هر دو حوزه هوش مصنوعی و نوروساینس محاسباتی را تشکیل میدهد.
چرا مغز هوش مصنوعی و آزمایشگاههای نوروساینس روی لینوکس میتپد؟ 🐧🧠
سیستمعاملی که بدون آن، نه ابرکامپیوترهای هوش مصنوعی وجود داشتند و نه نقشهبرداریهای پیچیده از مغز انسان! | 87 |
