This media is not supported in your browser
VIEW IN TELEGRAM
"اِنسو" قرار نیست یک دایرهی کامل باشد؛ همانطور که زندگی هم قرار نیست همیشه بینقص و بسته باشد.
این خطِ ساده، جایی برای ناتمامی میگذارد؛ برای مکث، برای تغییر، برای چیزی که هنوز تمام نشده.
وقتی اِنسو را میبینیم، درمییابیم کامل نبودن، لزوماً نشانهی کمبود نیست؛ که همین نقص ها و جاهای خالی، بخشی از مسیر است.
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
این خطِ ساده، جایی برای ناتمامی میگذارد؛ برای مکث، برای تغییر، برای چیزی که هنوز تمام نشده.
وقتی اِنسو را میبینیم، درمییابیم کامل نبودن، لزوماً نشانهی کمبود نیست؛ که همین نقص ها و جاهای خالی، بخشی از مسیر است.
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
❤7👏2
در اگر بر تو ببندد مرو و صبر کن آن جا
ز پس صبر تو را او به سر صدر نشاند
و اگر بر تو ببندد همه رهها و گذرها
ره پنهان بنماید که کس آن راه نداند
ز پس صبر تو را او به سر صدر نشاند
و اگر بر تو ببندد همه رهها و گذرها
ره پنهان بنماید که کس آن راه نداند
❤19
بهداشت دکتری 1405.pdf
3.5 MB
🌐آغاز ثبت نام آزمون دکتری وزارت بهداشت ۱۴۰۵
🔴 ثبت نام آزمون دکتری تخصصی و پژوهشی رشته های علوم پایه پزشکی، بهداشت و تخصصی، داروسازی و دندانپزشکی ۱۴۰۵ در سایت سنجش پزشکی به نشانی sanjeshp.ir، آغاز شده است. داوطلبان متقاضی شرکت در این آزمون می توانند پس از مطالعه دقیق دفترچه راهنمای ثبت نام و بررسی شرایط، مدارک مورد نیاز را آماده کرده و مراحل نام نویسی خود را تکمیل کنند.
♾ زمان ثبت نام: تا 2 شهریور ماه 1405
🔴 ثبت نام آزمون دکتری تخصصی و پژوهشی رشته های علوم پایه پزشکی، بهداشت و تخصصی، داروسازی و دندانپزشکی ۱۴۰۵ در سایت سنجش پزشکی به نشانی sanjeshp.ir، آغاز شده است. داوطلبان متقاضی شرکت در این آزمون می توانند پس از مطالعه دقیق دفترچه راهنمای ثبت نام و بررسی شرایط، مدارک مورد نیاز را آماده کرده و مراحل نام نویسی خود را تکمیل کنند.
♾ زمان ثبت نام: تا 2 شهریور ماه 1405
❤4👍1
🌐تمدید مهلت نامنویسی آزمون کارشناسی ارشد علوم پزشکی ۱۴۰۵ تا ۲۸ مردادماه/ اصلاح برخی موارد دفترچه راهنما
🔹با توجه به فعال شدن مجدد سامانه پرداخت، مهلت نامنویسی این آزمون تا ساعت ۱۰ صبح روز ۲۸ مردادماه ۱۴۰۵ تمدید شد. همچنین محل اخذ تعهد برای استفاده از سهمیه بومی عدالت آموزشی در برخی رشتهها اصلاح شده است.
🔹فرصت دیگری برای ثبتنام در نظر گرفته نخواهد شد و متقاضیان نامنویسی خود را به روزهای پایانی موکول نکنند.
🔹بر اساس اعلام سازمان نظام وظیفه، مشمولان غیرغایب دارای برگ آماده به خدمت در ماههای شهریور، مهر و آبان ۱۴۰۵ که در آزمون کارشناسی ارشد شرکت میکنند، میتوانند با ارائه برگ ثبتنام آزمون تا اول آذرماه از تمدید مهلت معرفی بهرهمند شوند. این افراد در صورت قبولی و احراز شرایط ادامه تحصیل، امکان استفاده از معافیت تحصیلی دانشجویی را خواهند داشت.
🔹با توجه به فعال شدن مجدد سامانه پرداخت، مهلت نامنویسی این آزمون تا ساعت ۱۰ صبح روز ۲۸ مردادماه ۱۴۰۵ تمدید شد. همچنین محل اخذ تعهد برای استفاده از سهمیه بومی عدالت آموزشی در برخی رشتهها اصلاح شده است.
🔹فرصت دیگری برای ثبتنام در نظر گرفته نخواهد شد و متقاضیان نامنویسی خود را به روزهای پایانی موکول نکنند.
🔹بر اساس اعلام سازمان نظام وظیفه، مشمولان غیرغایب دارای برگ آماده به خدمت در ماههای شهریور، مهر و آبان ۱۴۰۵ که در آزمون کارشناسی ارشد شرکت میکنند، میتوانند با ارائه برگ ثبتنام آزمون تا اول آذرماه از تمدید مهلت معرفی بهرهمند شوند. این افراد در صورت قبولی و احراز شرایط ادامه تحصیل، امکان استفاده از معافیت تحصیلی دانشجویی را خواهند داشت.
❤1
ره آسمان درون است، پَر عشق را بجنبان
پَر عشق چون قَوی شد، غم نردبان نماند
تو مبین جهان ز بیرون، که جهان درونِ دیدهست
چو دو دیده را ببستی، ز جهان، جهان نماند
پَر عشق چون قَوی شد، غم نردبان نماند
تو مبین جهان ز بیرون، که جهان درونِ دیدهست
چو دو دیده را ببستی، ز جهان، جهان نماند
❤14
🧬 یک قدم جدید در تشخیص بیماریهای نادر با RNA-seq
🔬 مقالهای جدید در Science Advances روشی به نام STRIPE معرفی کرده که با ترکیب Targeted RNA-seq و Long-read sequencing، امکان بررسی دقیقتر اثر واریانتهای ژنتیکی بر RNA را فراهم میکند.
❓ چرا این روش اهمیت دارد؟
در بسیاری از بیماران مبتلا به بیماریهای نادر، حتی با WES/WGS هم علت ژنتیکی بیماری مشخص نمیشود. یکی از مشکلات این است که پیدا کردن یک واریانت، لزوماً نشان نمیدهد که آن واریانت در سطح RNA چه اثری ایجاد کرده است.
اینجاست که Long-read RNA-seq وارد میشود؛ چون میتواند ترنسکریپتهای کامل را ببیند و اطلاعاتی دربارهی:
🔹 تغییرات splicing
🔹 isoformهای مختلف
🔹 بیان ژن
🔹 واریانتهای موجود در RNA
🔹 و ارتباط واریانت با haplotype
ارائه دهد.
🧪 STRIPE
چگونه کار میکند؟
بهجای اینکه کل transcriptome با عمق بالا توالییابی شود، ابتدا RNA مربوط به ژنهای موردنظر یک پنل بیماری بهصورت هدفمند غنیسازی شده و سپس با long-read sequencing بررسی میشود.
این کار باعث میشود با هزینه و حجم داده کمتر، پوشش بسیار عمیقتری از ژنهای مهم به دست آید.
📊 نتایج مطالعه
محققان STRIPE را روی ۸۸ فرد، شامل افراد سالم و بیماران مبتلا به دو گروه از بیماریهای نادر، آزمایش کردند.
نتایج نشان داد که این روش:
✅ واریانتهای بیماریزای شناختهشده را بهدرستی شناسایی کرد.
✅ اثر واقعی بسیاری از واریانتها روی RNA را مشخص کرد.
✅ در تعدادی از واریانتهای splice-site، اختلالات پیچیدهتری از آنچه انتظار میرفت نشان داد.
✅ به تفسیر Variants of Uncertain Significance (VUS) کمک کرد.
✅ و مهمتر از همه، در ۵ بیمار که قبلاً تشخیص ژنتیکی نداشتند، واریانتهای بیماریزا را شناسایی کرد. (PubMed)
💡 یکی از یافتههای جالب مطالعه این بود که برخی واریانتهای donor splice site میتوانند باعث فعال شدن cryptic polyadenylation sites داخل اینترون شوند؛ در نتیجه RNA زودتر از موعد خاتمه پیدا میکند. این نوع اثرات ممکن است با روشهای معمول بهسادگی قابل مشاهده نباشند.
🎯 جمعبندی
STRIPE نشان میدهد که برای تشخیص بیماریهای نادر، فقط دانستن «چه واریانتی وجود دارد؟» کافی نیست؛ گاهی باید ببینیم:
این واریانت دقیقاً با RNA چه میکند؟
Targeted long-read RNA-seq میتواند پلی بین ژنوتیپ → اثر مولکولی → تشخیص بیماری ایجاد کند و در آینده به تفسیر VUS و افزایش diagnostic yield کمک کند.
📌 Reference:
Wang R, et al. Targeted long-read RNA sequencing for rare disease diagnosis and variant interpretation. Science Advances. 2026;12(16):eady9895. (PubMed)
#Genomics #RNAseq #LongReadSequencing #RareDisease #GeneticDiagnosis #Splicing #VariantInterpretation #STRIPE
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
🔬 مقالهای جدید در Science Advances روشی به نام STRIPE معرفی کرده که با ترکیب Targeted RNA-seq و Long-read sequencing، امکان بررسی دقیقتر اثر واریانتهای ژنتیکی بر RNA را فراهم میکند.
❓ چرا این روش اهمیت دارد؟
در بسیاری از بیماران مبتلا به بیماریهای نادر، حتی با WES/WGS هم علت ژنتیکی بیماری مشخص نمیشود. یکی از مشکلات این است که پیدا کردن یک واریانت، لزوماً نشان نمیدهد که آن واریانت در سطح RNA چه اثری ایجاد کرده است.
اینجاست که Long-read RNA-seq وارد میشود؛ چون میتواند ترنسکریپتهای کامل را ببیند و اطلاعاتی دربارهی:
🔹 تغییرات splicing
🔹 isoformهای مختلف
🔹 بیان ژن
🔹 واریانتهای موجود در RNA
🔹 و ارتباط واریانت با haplotype
ارائه دهد.
🧪 STRIPE
چگونه کار میکند؟
بهجای اینکه کل transcriptome با عمق بالا توالییابی شود، ابتدا RNA مربوط به ژنهای موردنظر یک پنل بیماری بهصورت هدفمند غنیسازی شده و سپس با long-read sequencing بررسی میشود.
این کار باعث میشود با هزینه و حجم داده کمتر، پوشش بسیار عمیقتری از ژنهای مهم به دست آید.
📊 نتایج مطالعه
محققان STRIPE را روی ۸۸ فرد، شامل افراد سالم و بیماران مبتلا به دو گروه از بیماریهای نادر، آزمایش کردند.
نتایج نشان داد که این روش:
✅ واریانتهای بیماریزای شناختهشده را بهدرستی شناسایی کرد.
✅ اثر واقعی بسیاری از واریانتها روی RNA را مشخص کرد.
✅ در تعدادی از واریانتهای splice-site، اختلالات پیچیدهتری از آنچه انتظار میرفت نشان داد.
✅ به تفسیر Variants of Uncertain Significance (VUS) کمک کرد.
✅ و مهمتر از همه، در ۵ بیمار که قبلاً تشخیص ژنتیکی نداشتند، واریانتهای بیماریزا را شناسایی کرد. (PubMed)
💡 یکی از یافتههای جالب مطالعه این بود که برخی واریانتهای donor splice site میتوانند باعث فعال شدن cryptic polyadenylation sites داخل اینترون شوند؛ در نتیجه RNA زودتر از موعد خاتمه پیدا میکند. این نوع اثرات ممکن است با روشهای معمول بهسادگی قابل مشاهده نباشند.
🎯 جمعبندی
STRIPE نشان میدهد که برای تشخیص بیماریهای نادر، فقط دانستن «چه واریانتی وجود دارد؟» کافی نیست؛ گاهی باید ببینیم:
این واریانت دقیقاً با RNA چه میکند؟
Targeted long-read RNA-seq میتواند پلی بین ژنوتیپ → اثر مولکولی → تشخیص بیماری ایجاد کند و در آینده به تفسیر VUS و افزایش diagnostic yield کمک کند.
📌 Reference:
Wang R, et al. Targeted long-read RNA sequencing for rare disease diagnosis and variant interpretation. Science Advances. 2026;12(16):eady9895. (PubMed)
#Genomics #RNAseq #LongReadSequencing #RareDisease #GeneticDiagnosis #Splicing #VariantInterpretation #STRIPE
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
❤4👍1
واکسن سرطان رسماً جواب داد 🧬
سهام $MRNA بعد از نتایج مثبت در پیشمارکت نزدیک دو برابر شد
دلیل جهش 100درصدی سهام مدرنا: برای اولین بار یک واکسن سرطان در مراحل نهایی آزمایش موفق عمل کرده است. در یک روز ارزش دارایی سهامداران خود را دو برابر کرد.
پروکسی | پروکسی
پروکسی | پروکسی | پروکسی
پروکسی | پروکسی | پروکسی
پروکسی | پروکسی | پروکسی
سهام $MRNA بعد از نتایج مثبت در پیشمارکت نزدیک دو برابر شد
دلیل جهش 100درصدی سهام مدرنا: برای اولین بار یک واکسن سرطان در مراحل نهایی آزمایش موفق عمل کرده است. در یک روز ارزش دارایی سهامداران خود را دو برابر کرد.
پروکسی | پروکسی
پروکسی | پروکسی | پروکسی
پروکسی | پروکسی | پروکسی
پروکسی | پروکسی | پروکسی
❤12🔥1😍1
This media is not supported in your browser
VIEW IN TELEGRAM
بیدلیل نیست که اینقدر از آمپول میترسیم:
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
😢5🔥2
انتشارات وایلی دیگر پژوهشگران ایرانی را از پرداخت هزینههای انتشار مقاله معاف نمیکند.
بر اساس مکاتبات رسمی اخیر، انتشارات ویلی (Wiley) در برخی موارد اعلام نموده است که امکان اعفاء از هزینه انتشار بر اساس مکان جغرافیایی (Geographical APC Waiver) برای ایران فراهم نمیباشد؛ در حالی که پژوهشگران ایرانی همزمان با محدودیتهای جدی بانکی، تحریمها و هزینههای بسیار بالای انتشار (APC) مواجه هستند.
در چنین شرایطی، حذف یا محدود شدن این اعفاء صرفاً یک مسئله مالی محسوب نمیشود، بلکه میتواند مستقیماً بر امکان انتشار در دسترس آزاد (Open Access)، دیدهشدن پژوهشها و حضور بینالمللی پژوهشگران ایرانی تأثیر بگذارد.
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
بر اساس مکاتبات رسمی اخیر، انتشارات ویلی (Wiley) در برخی موارد اعلام نموده است که امکان اعفاء از هزینه انتشار بر اساس مکان جغرافیایی (Geographical APC Waiver) برای ایران فراهم نمیباشد؛ در حالی که پژوهشگران ایرانی همزمان با محدودیتهای جدی بانکی، تحریمها و هزینههای بسیار بالای انتشار (APC) مواجه هستند.
در چنین شرایطی، حذف یا محدود شدن این اعفاء صرفاً یک مسئله مالی محسوب نمیشود، بلکه میتواند مستقیماً بر امکان انتشار در دسترس آزاد (Open Access)، دیدهشدن پژوهشها و حضور بینالمللی پژوهشگران ایرانی تأثیر بگذارد.
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
😢11❤1
امید و تاب آوری در زمانه سخت
Dr.Azarakhsh Mokri
📌 امید و تاب آوری در زمانه سخت
📅 ۲۳ تیرماه ۱۴۰۵
دانشگاه علوم پزشکی تهران
🎙 دکتر مکری
🌸سایه این بزرگان مستدام
👈نوع نگاه همه چی رو میتونه عوض کنه
نگاهتون رو عوض کنید!
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
📅 ۲۳ تیرماه ۱۴۰۵
دانشگاه علوم پزشکی تهران
🎙 دکتر مکری
🌸سایه این بزرگان مستدام
👈نوع نگاه همه چی رو میتونه عوض کنه
نگاهتون رو عوض کنید!
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
❤9
🧬⏳ آیا بالاخره میتوانیم بفهمیم بدنمان واقعاً چقدر پیر شده؟
سالهاست دانشمندان از چیزی به نام «ساعت اپیژنتیک» استفاده میکنند؛ ابزاری که با بررسی تغییرات DNA تخمین میزند بدن از نظر زیستی چقدر پیر شده است.
اما یک سؤال بزرگ وجود دارد:
🤔 اگر یک دارو، رژیم غذایی یا تغییر سبک زندگی عدد این ساعت را پایین بیاورد، آیا واقعاً یعنی پیری کند شده؟
🔬 یک مطالعه بزرگ در Nature Medicine دقیقاً همین سؤال را بررسی کرده است.
پژوهشگران دادههای ۵۱ مطالعه انسانی و بیش از ۳۱۰۰ نمونه را بررسی کردند و ۱۶ ساعت اپیژنتیک مختلف را با هم مقایسه کردند.
📊 نتایج جالب بود:
🟢 ۱۹ مداخله باعث کاهش معنادار برخی شاخصهای سن اپیژنتیک شدند.
🔴 ۵ مداخله حتی افزایش نشان دادند.
⚪ در ۲۶ مطالعه هم تغییر معناداری دیده نشد.
اما نکته مهمتر اینجاست 👇
همه ساعتهای اپیژنتیک به یک اندازه قابل اعتماد نیستند.
⭐ ساعتهایی که با سلامت، خطر مرگ و سرعت پیری ارتباط بیشتری دارند، عملکرد بهتری نشان دادند؛ بهخصوص DunedinPACE و PCGrimAge.
💊 بعضی مداخلات دارویی، از جمله درمانهای ضدالتهابی و متفورمین، تغییرات قابلتوجهتری ایجاد کردند.
اما…
🚨 جوانتر شدن یک ساعت اپیژنتیک الزاماً به معنی جوانتر شدن بدن نیست!
ممکن است یک دارو التهاب یا وضعیت متابولیک بدن را تغییر دهد و ساعت اپیژنتیک هم به آن واکنش نشان دهد؛ بدون اینکه واقعاً «فرآیند پیری» متوقف یا معکوس شده باشد.
🎯 شاید بتوان اینطور خلاصه کرد:
ساعت اپیژنتیک ممکن است مثل یک دماسنج برای پیری باشد؛ اما هنوز مطمئن نیستیم که خودِ «پیری» را اندازه میگیرد یا فقط بعضی پیامدهای آن را.
و این موضوع برای آینده پزشکی ضدپیری فوقالعاده مهم است. 🧬🚀
چون برای اینکه یک ساعت واقعاً وارد پزشکی شود، باید ثابت کنیم:
✅ درمان مؤثر → ساعت تغییر کند
❌ درمان بیاثر → ساعت بیدلیل تغییر نکند
پس فعلاً نمیتوان گفت:
«ساعت اپیژنتیک پایین آمد = جوانتر شدی» 😉
اما شاید همین ابزارها یکی از کلیدیترین قطعات پازل پزشکی ضدپیری در آینده باشند. 🔥🧬
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
سالهاست دانشمندان از چیزی به نام «ساعت اپیژنتیک» استفاده میکنند؛ ابزاری که با بررسی تغییرات DNA تخمین میزند بدن از نظر زیستی چقدر پیر شده است.
اما یک سؤال بزرگ وجود دارد:
🤔 اگر یک دارو، رژیم غذایی یا تغییر سبک زندگی عدد این ساعت را پایین بیاورد، آیا واقعاً یعنی پیری کند شده؟
🔬 یک مطالعه بزرگ در Nature Medicine دقیقاً همین سؤال را بررسی کرده است.
پژوهشگران دادههای ۵۱ مطالعه انسانی و بیش از ۳۱۰۰ نمونه را بررسی کردند و ۱۶ ساعت اپیژنتیک مختلف را با هم مقایسه کردند.
📊 نتایج جالب بود:
🟢 ۱۹ مداخله باعث کاهش معنادار برخی شاخصهای سن اپیژنتیک شدند.
🔴 ۵ مداخله حتی افزایش نشان دادند.
⚪ در ۲۶ مطالعه هم تغییر معناداری دیده نشد.
اما نکته مهمتر اینجاست 👇
همه ساعتهای اپیژنتیک به یک اندازه قابل اعتماد نیستند.
⭐ ساعتهایی که با سلامت، خطر مرگ و سرعت پیری ارتباط بیشتری دارند، عملکرد بهتری نشان دادند؛ بهخصوص DunedinPACE و PCGrimAge.
💊 بعضی مداخلات دارویی، از جمله درمانهای ضدالتهابی و متفورمین، تغییرات قابلتوجهتری ایجاد کردند.
اما…
🚨 جوانتر شدن یک ساعت اپیژنتیک الزاماً به معنی جوانتر شدن بدن نیست!
ممکن است یک دارو التهاب یا وضعیت متابولیک بدن را تغییر دهد و ساعت اپیژنتیک هم به آن واکنش نشان دهد؛ بدون اینکه واقعاً «فرآیند پیری» متوقف یا معکوس شده باشد.
🎯 شاید بتوان اینطور خلاصه کرد:
ساعت اپیژنتیک ممکن است مثل یک دماسنج برای پیری باشد؛ اما هنوز مطمئن نیستیم که خودِ «پیری» را اندازه میگیرد یا فقط بعضی پیامدهای آن را.
و این موضوع برای آینده پزشکی ضدپیری فوقالعاده مهم است. 🧬🚀
چون برای اینکه یک ساعت واقعاً وارد پزشکی شود، باید ثابت کنیم:
✅ درمان مؤثر → ساعت تغییر کند
❌ درمان بیاثر → ساعت بیدلیل تغییر نکند
پس فعلاً نمیتوان گفت:
«ساعت اپیژنتیک پایین آمد = جوانتر شدی» 😉
اما شاید همین ابزارها یکی از کلیدیترین قطعات پازل پزشکی ضدپیری در آینده باشند. 🔥🧬
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
❤7
🧬🤖 هوش مصنوعی بخشی از «کد فعالسازی» ژنهای انسان را کشف کرد!
🔬 پژوهشگران دانشگاه کالیفرنیا سندیگو با کمک هوش مصنوعی موفق شدند الگوی DNA مربوط به بخشی کلیدی به نام Initiator را شناسایی کنند؛ بخشی که نقش مهمی در شروع فعال شدن ژنها دارد.
🧪 محققان فعالیت حدود ۵۰۰ هزار نسخه متفاوت از این توالی DNA را بررسی کردند و سپس دادهها را در اختیار یک مدل یادگیری ماشین قرار دادند. 🤖 مدل هوش مصنوعی توانست الگوی مشخص این بخش را شناسایی و رمزگشایی کند.
🧬 نکته جالب اینکه حدود ۶۰٪ از ژنهای انسان دارای این توالی هستند.
🩺 اهمیت این کشف فقط در شناخت بهتر DNA نیست. پژوهشگران میتوانند از این مدل برای بررسی اینکه جهشهای DNA چگونه روی فعال شدن ژنها تأثیر میگذارند و چه ارتباطی با بیماریهایی مانند سرطان دارند، استفاده کنند.
🚀 در آینده، این یافته حتی میتواند به طراحی توالیهای مصنوعی DNA برای کنترل دقیقتر فعالیت ژنها کمک کند.
💡 ترکیب زیستشناسی و هوش مصنوعی حالا دارد به یکی از پیچیدهترین سیستمهای اطلاعاتی جهان، یعنی DNA انسان، نگاه تازهای میاندازد.
https://today.ucsd.edu/story/researchers-use-ai-to-decode-key-dna-sequence-in-gene-activation
#هوش_مصنوعی #AI #DNA #ژنتیک #زیست_فناوری #پژوهش #علم
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
🔬 پژوهشگران دانشگاه کالیفرنیا سندیگو با کمک هوش مصنوعی موفق شدند الگوی DNA مربوط به بخشی کلیدی به نام Initiator را شناسایی کنند؛ بخشی که نقش مهمی در شروع فعال شدن ژنها دارد.
🧪 محققان فعالیت حدود ۵۰۰ هزار نسخه متفاوت از این توالی DNA را بررسی کردند و سپس دادهها را در اختیار یک مدل یادگیری ماشین قرار دادند. 🤖 مدل هوش مصنوعی توانست الگوی مشخص این بخش را شناسایی و رمزگشایی کند.
🧬 نکته جالب اینکه حدود ۶۰٪ از ژنهای انسان دارای این توالی هستند.
🩺 اهمیت این کشف فقط در شناخت بهتر DNA نیست. پژوهشگران میتوانند از این مدل برای بررسی اینکه جهشهای DNA چگونه روی فعال شدن ژنها تأثیر میگذارند و چه ارتباطی با بیماریهایی مانند سرطان دارند، استفاده کنند.
🚀 در آینده، این یافته حتی میتواند به طراحی توالیهای مصنوعی DNA برای کنترل دقیقتر فعالیت ژنها کمک کند.
💡 ترکیب زیستشناسی و هوش مصنوعی حالا دارد به یکی از پیچیدهترین سیستمهای اطلاعاتی جهان، یعنی DNA انسان، نگاه تازهای میاندازد.
https://today.ucsd.edu/story/researchers-use-ai-to-decode-key-dna-sequence-in-gene-activation
#هوش_مصنوعی #AI #DNA #ژنتیک #زیست_فناوری #پژوهش #علم
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
UC San Diego Today
Researchers Use AI to Decode Key DNA Sequence in Gene Activation
Scientists have revealed the DNA identity of the “initiator,” a crucial sequence that kickstarts gene activation. AI analysis of a half million data points deciphered the initiator’s identity. Researchers can use the new information to scan for mutations…
❤5
s41467-026-76834-4_reference.pdf
2.2 MB
PubMind: literature-based genetic variant extraction and functional annotation using large language models
❤6
Academic_science
s41467-026-76834-4_reference.pdf
🧬🤖 PubMind؛ وقتی هوش مصنوعی میلیونها مقاله ژنتیکی را میخواند!
📚 هر روز هزاران مقاله علمی درباره ژنها، جهشهای ژنتیکی و بیماریها منتشر میشود. اما بخش بزرگی از اطلاعات مهم این مقالات بهصورت متن خام باقی میماند و پیدا کردن ارتباط بین یک جهش ژنتیکی، عملکرد آن و یک بیماری میتواند برای پژوهشگران بسیار زمانبر باشد.
حالا پژوهشگران یک چارچوب هوش مصنوعی به نام PubMind توسعه دادهاند که برای حل همین مشکل طراحی شده است. 🧠🔬
🧠 PubMind دقیقاً چه کار میکند؟
این سیستم از مدلهای زبانی بزرگ (LLM) برای خواندن و تحلیل متون پزشکی استفاده میکند و میتواند از دل مقالات علمی اطلاعاتی مثل:
🧬 انواع مختلف تغییرات ژنتیکی
🦠 ارتباط یک واریانت با بیماری
⚙️ اثر یا عملکرد احتمالی واریانت
📖 شواهد علمی پشتیبان
🧪 میزان احتمال بیماریزا بودن یک واریانت
را استخراج و به دادههای ساختاریافته تبدیل کند.
نکته مهم این است که PubMind فقط روی یک نوع جهش تمرکز ندارد؛ بلکه میتواند جهشهای تکنوکلئوتیدی (SNV)، تغییرات تعداد نسخه (CNV)، تغییرات ساختاری (SV) و حتی gene fusionها را شناسایی کند و اطلاعات آنها را به مختصات ژنومی و ترنسکریپتی استاندارد تبدیل کند. 🧬
📚 مقیاس این پروژه واقعاً بزرگ است
پژوهشگران PubMind را روی بیش از:
🔹 ۴۱ میلیون چکیده PubMed
🔹 بیش از ۵ میلیون مقاله متنکامل دسترسیآزاد
اجرا کردند.
خروجی این پردازش عظیم، پایگاه دادهای به نام PubMind-DB است که حدود ۱.۳ میلیون واریانت ژنتیکی منحصربهفرد را در خود جای داده است. 📊🧬
🎯 دقت هوش مصنوعی چقدر بوده؟
در ارزیابیها، PubMind در شناسایی واریانتهای ژنتیکی بیش از ۹۰٪ دقت داشته و برای استخراج بیماریها به حدود ۹۹٪ precision رسیده است. 🤯
اما شاید جالبترین بخش ماجرا این باشد:
🔎 فقط حدود ۱۰٪ از واریانتهای موجود در PubMind-DB با ClinVar همپوشانی داشتند.
یعنی PubMind توانسته حجم قابلتوجهی از اطلاعات مربوط به واریانتهایی را پیدا کند که در پایگاه ClinVar وجود نداشتند.
از طرف دیگر، برای بیش از ۸۰٪ از واریانتهای مشترک، برچسب بیماریزایی PubMind با ClinVar همخوانی داشت. برای واریانتهایی که توسط متخصصان خبره بررسی شده بودند نیز توافق بسیار بالایی گزارش شد. 🧪✅
🩺 چرا این موضوع مهم است؟
فرض کنید یک پزشک یا پژوهشگر با یک واریانت ژنتیکی نادر روبهرو شود.
ممکن است اطلاعات مربوط به آن در چندین مقاله مختلف پراکنده باشد؛ یک مقاله درباره ارتباط آن با بیماری صحبت کند، مقاله دیگری درباره عملکرد مولکولی آن و مقالهای دیگر درباره بیماریزا بودن احتمالی آن.
پیدا کردن و کنار هم گذاشتن دستی این اطلاعات میتواند بسیار دشوار و زمانبر باشد. ⏳
💡 PubMind تلاش میکند این فرآیند را خودکار کند و اطلاعات پراکنده در ادبیات علمی را به یک ارتباط ساختاریافته تبدیل کند:
واریانت 🧬 ← بیماری 🩺 ← عملکرد ⚙️ ← شواهد علمی 📚
این قابلیت میتواند در حوزههایی مثل پزشکی دقیق، تفسیر واریانتهای ناشناخته و مطالعه بیماریهای ژنتیکی بسیار ارزشمند باشد.
⚠️ آیا PubMind میتواند جای پزشک را بگیرد؟
خیر.
PubMind بر اساس اطلاعات موجود در مقالات علمی، شواهد را استخراج و دستهبندی میکند. بنابراین خروجی آن بیشتر یک ابزار برای جمعآوری، سازماندهی و اولویتبندی شواهد علمی است، نه یک سیستم تشخیص پزشکی مستقل.
🚀 آینده چه شکلی خواهد بود؟
شاید یکی از مهمترین کاربردهای مدلهای زبانی بزرگ در زیستشناسی این نباشد که فقط به سؤالهای ما پاسخ دهند؛ بلکه بتوانند حجم عظیمی از دانش پراکنده علمی را بخوانند و آن را به دادههای ساختاریافته و قابل استفاده تبدیل کنند.
PubMind نمونهای از همین مسیر است:
🤖 هوش مصنوعی میلیونها مقاله را بررسی میکند
🧬 واریانتهای ژنتیکی را پیدا میکند
🔗 ارتباط آنها با بیماریها و عملکردهای زیستی را استخراج میکند
📊 و این اطلاعات را در قالبی قابل تحلیل در اختیار پژوهشگران قرار میدهد.
در واقع، اینجا هوش مصنوعی فقط مقاله نمیخواند؛ بلکه از دل ادبیات علمی، دانش ژنتیکی استخراج میکند. 🧬🤖📚
#هوش_مصنوعی #AI #ژنتیک #Genomics #LLM #پزشکی_دقیق #PrecisionMedicine #بیوانفورماتیک #زیست_فناوری #پژوهش
📚 هر روز هزاران مقاله علمی درباره ژنها، جهشهای ژنتیکی و بیماریها منتشر میشود. اما بخش بزرگی از اطلاعات مهم این مقالات بهصورت متن خام باقی میماند و پیدا کردن ارتباط بین یک جهش ژنتیکی، عملکرد آن و یک بیماری میتواند برای پژوهشگران بسیار زمانبر باشد.
حالا پژوهشگران یک چارچوب هوش مصنوعی به نام PubMind توسعه دادهاند که برای حل همین مشکل طراحی شده است. 🧠🔬
🧠 PubMind دقیقاً چه کار میکند؟
این سیستم از مدلهای زبانی بزرگ (LLM) برای خواندن و تحلیل متون پزشکی استفاده میکند و میتواند از دل مقالات علمی اطلاعاتی مثل:
🧬 انواع مختلف تغییرات ژنتیکی
🦠 ارتباط یک واریانت با بیماری
⚙️ اثر یا عملکرد احتمالی واریانت
📖 شواهد علمی پشتیبان
🧪 میزان احتمال بیماریزا بودن یک واریانت
را استخراج و به دادههای ساختاریافته تبدیل کند.
نکته مهم این است که PubMind فقط روی یک نوع جهش تمرکز ندارد؛ بلکه میتواند جهشهای تکنوکلئوتیدی (SNV)، تغییرات تعداد نسخه (CNV)، تغییرات ساختاری (SV) و حتی gene fusionها را شناسایی کند و اطلاعات آنها را به مختصات ژنومی و ترنسکریپتی استاندارد تبدیل کند. 🧬
📚 مقیاس این پروژه واقعاً بزرگ است
پژوهشگران PubMind را روی بیش از:
🔹 ۴۱ میلیون چکیده PubMed
🔹 بیش از ۵ میلیون مقاله متنکامل دسترسیآزاد
اجرا کردند.
خروجی این پردازش عظیم، پایگاه دادهای به نام PubMind-DB است که حدود ۱.۳ میلیون واریانت ژنتیکی منحصربهفرد را در خود جای داده است. 📊🧬
🎯 دقت هوش مصنوعی چقدر بوده؟
در ارزیابیها، PubMind در شناسایی واریانتهای ژنتیکی بیش از ۹۰٪ دقت داشته و برای استخراج بیماریها به حدود ۹۹٪ precision رسیده است. 🤯
اما شاید جالبترین بخش ماجرا این باشد:
🔎 فقط حدود ۱۰٪ از واریانتهای موجود در PubMind-DB با ClinVar همپوشانی داشتند.
یعنی PubMind توانسته حجم قابلتوجهی از اطلاعات مربوط به واریانتهایی را پیدا کند که در پایگاه ClinVar وجود نداشتند.
از طرف دیگر، برای بیش از ۸۰٪ از واریانتهای مشترک، برچسب بیماریزایی PubMind با ClinVar همخوانی داشت. برای واریانتهایی که توسط متخصصان خبره بررسی شده بودند نیز توافق بسیار بالایی گزارش شد. 🧪✅
🩺 چرا این موضوع مهم است؟
فرض کنید یک پزشک یا پژوهشگر با یک واریانت ژنتیکی نادر روبهرو شود.
ممکن است اطلاعات مربوط به آن در چندین مقاله مختلف پراکنده باشد؛ یک مقاله درباره ارتباط آن با بیماری صحبت کند، مقاله دیگری درباره عملکرد مولکولی آن و مقالهای دیگر درباره بیماریزا بودن احتمالی آن.
پیدا کردن و کنار هم گذاشتن دستی این اطلاعات میتواند بسیار دشوار و زمانبر باشد. ⏳
💡 PubMind تلاش میکند این فرآیند را خودکار کند و اطلاعات پراکنده در ادبیات علمی را به یک ارتباط ساختاریافته تبدیل کند:
واریانت 🧬 ← بیماری 🩺 ← عملکرد ⚙️ ← شواهد علمی 📚
این قابلیت میتواند در حوزههایی مثل پزشکی دقیق، تفسیر واریانتهای ناشناخته و مطالعه بیماریهای ژنتیکی بسیار ارزشمند باشد.
⚠️ آیا PubMind میتواند جای پزشک را بگیرد؟
خیر.
PubMind بر اساس اطلاعات موجود در مقالات علمی، شواهد را استخراج و دستهبندی میکند. بنابراین خروجی آن بیشتر یک ابزار برای جمعآوری، سازماندهی و اولویتبندی شواهد علمی است، نه یک سیستم تشخیص پزشکی مستقل.
🚀 آینده چه شکلی خواهد بود؟
شاید یکی از مهمترین کاربردهای مدلهای زبانی بزرگ در زیستشناسی این نباشد که فقط به سؤالهای ما پاسخ دهند؛ بلکه بتوانند حجم عظیمی از دانش پراکنده علمی را بخوانند و آن را به دادههای ساختاریافته و قابل استفاده تبدیل کنند.
PubMind نمونهای از همین مسیر است:
🤖 هوش مصنوعی میلیونها مقاله را بررسی میکند
🧬 واریانتهای ژنتیکی را پیدا میکند
🔗 ارتباط آنها با بیماریها و عملکردهای زیستی را استخراج میکند
📊 و این اطلاعات را در قالبی قابل تحلیل در اختیار پژوهشگران قرار میدهد.
در واقع، اینجا هوش مصنوعی فقط مقاله نمیخواند؛ بلکه از دل ادبیات علمی، دانش ژنتیکی استخراج میکند. 🧬🤖📚
#هوش_مصنوعی #AI #ژنتیک #Genomics #LLM #پزشکی_دقیق #PrecisionMedicine #بیوانفورماتیک #زیست_فناوری #پژوهش
❤8
🧬💉 واکسن شخصیسازیشده سرطان Moderna؛ آیا بالاخره میتوان سیستم ایمنی را علیه خودِ تومور آموزش داد؟
وقتی اسم «واکسن سرطان» را میشنویم، ممکن است تصور کنیم قرار است یک واکسن معمولی دریافت کنیم و دیگر به سرطان مبتلا نشویم.
اما فناوری mRNA-4157/V940 از Moderna داستان متفاوتی دارد. این یک واکسن درمانی و شخصیسازیشده سرطان است که برای هر بیمار بر اساس ویژگیهای ژنتیکی تومور خودش طراحی میشود. این فناوری هنوز تحقیقاتی و در مرحله کارآزمایی بالینی است و برای استفاده عمومی تأیید نشده است. 🧪
🧬 واکسن برای هر بیمار جداگانه ساخته میشود!
یکی از جذابترین بخشهای این فناوری همین است.
فرض کنید دو نفر هر دو به ملانوم مبتلا هستند. سرطان این دو نفر لزوماً از نظر ژنتیکی یکسان نیست.
بنابراین قرار نیست هر دو یک واکسن یکسان دریافت کنند.
فرآیند تقریباً اینطور است:
🧫 ۱. نمونهای از تومور گرفته میشود
⬇️
🧬 ۲. DNA تومور و سلولهای سالم بررسی و توالییابی میشود
⬇️
🔎 ۳. جهشهای اختصاصی سلولهای سرطانی شناسایی میشوند
⬇️
🎯 ۴. از میان این جهشها، اهداف مناسب برای سیستم ایمنی انتخاب میشوند
⬇️
🤖 ۵. یک واکسن mRNA اختصاصی برای همان بیمار طراحی میشود
⬇️
💉 ۶. واکسن به بیمار تزریق میشود تا سیستم ایمنی با این اهداف آشنا شود
این یعنی واکسن به جای هدف گرفتن یک ویژگی عمومی سرطان، تلاش میکند «اثر انگشت ژنتیکی» همان تومور را به سیستم ایمنی نشان دهد.
🧠 اصلاً mRNA در این واکسن چه کار میکند؟
mRNA را میتوان شبیه یک دستورالعمل موقت برای ساخت پروتئین در نظر گرفت.
در V940، این دستورالعملها طوری طراحی میشوند که سلولهای بدن بتوانند قطعاتی از پروتئینهای مرتبط با نئوآنتیژنهای تومور را تولید کنند.
سیستم ایمنی این قطعات را میبیند و سلولهای T میتوانند یاد بگیرند که چنین ویژگیهایی را شناسایی کنند. 🧬➡️🛡️
در نتیجه، هدف این است که وقتی سلول سرطانی واقعی این ویژگیها را نشان میدهد، سیستم ایمنی بتواند آن را پیدا و هدف قرار دهد.
🎯 نئوآنتیژن چیست؟
سرطان در اثر جهشهای مختلف DNA ایجاد میشود.
بعضی از این جهشها باعث تولید پروتئینهایی میشوند که در سلولهای سالم وجود ندارند یا شکل متفاوتی دارند.
به این اهداف Neoantigen گفته میشود.
میتوان ساده تصور کرد که:
🧬 سلول سرطانی = یک سلول با تغییرات ژنتیکی
🎯 نئوآنتیژن = یکی از «نشانههای» ناشی از این تغییرات
🛡️ واکسن = آموزش سیستم ایمنی برای شناخت این نشانهها
⚔️ سلول T = نیرویی که بعداً میتواند سلول دارای این نشانه را هدف قرار دهد
🤖 هوش مصنوعی و محاسبات زیستی کجا وارد میشوند؟
یک تومور میتواند تعداد زیادی جهش داشته باشد؛ اما همه آنها هدف خوبی برای واکسن نیستند.
بنابراین باید مشخص شود کدام جهش احتمالاً:
🔹 باعث تولید یک پروتئین غیرطبیعی میشود
🔹 توسط سلولهای سرطانی ارائه میشود
🔹 توسط سیستم ایمنی قابل شناسایی است
🔹 و احتمالاً میتواند پاسخ سلولهای T را تحریک کند.
اینجاست که تحلیلهای محاسباتی و الگوریتمهای پیشبینی اهمیت پیدا میکنند. 🤖🧬
هدف این است که از میان حجم زیادی از اطلاعات ژنتیکی، بهترین اهداف ایمنی برای همان بیمار انتخاب شوند.
🛑 چرا Moderna آن را با Keytruda ترکیب کرده است؟
اینجا قسمت بسیار جالب ماجرا شروع میشود.
V940 در مطالعات اصلی همراه با Keytruda (pembrolizumab) بررسی شده است.
این دو درمان نقش متفاوتی دارند:
💉 V940:
به سیستم ایمنی کمک میکند اهداف اختصاصی تومور را بهتر بشناسد.
🛑 Keytruda:
مسیر PD-1 را مهار میکند؛ مسیری که یکی از ترمزهای مهم پاسخ سلولهای T است.
بنابراین ایده کلی این است:
واکسن 🎯 → هدف را به سیستم ایمنی معرفی میکند
Keytruda 🚀 → یکی از ترمزهای سیستم ایمنی را برمیدارد
و ترکیب این دو ممکن است باعث شود سلولهای T بهتر بتوانند سلولهای سرطانی را شناسایی و از بین ببرند.
📊 نتایج آزمایشها چه میگویند؟
یکی از مهمترین مطالعات، KEYNOTE-942، روی بیماران مبتلا به ملانوم پرخطر مرحله III و IV انجام شد که تومورشان با جراحی بهطور کامل برداشته شده بود.
در نتایج قبلی این مطالعه، ترکیب V940 با Keytruda در مقایسه با Keytruda بهتنهایی:
📉 خطر عود یا مرگ را حدود ۴۴٪ کاهش داد
و
📉 خطر متاستاز دوردست یا مرگ را حدود ۶۵٪ کاهش داد.
M
Merck.com
+1
اما دادههای جدیدتر حتی جالبتر هستند.
در پیگیری ۵ ساله منتشرشده در سال ۲۰۲۶، مزیت این ترکیب از نظر بقای بدون عود (RFS) و بقای بدون متاستاز دوردست (DMFS) همچنان پایدار گزارش شده است.
M
Merck.com
این موضوع مهم است، چون در سرطان فقط این سؤال مطرح نیست که «آیا تومور الان کوچک شد؟»
بلکه یک سؤال بسیار مهمتر وجود دارد:
آیا سرطان دوباره برمیگردد؟
🩺 پس هدف اصلی واکسن چیست؟
وقتی اسم «واکسن سرطان» را میشنویم، ممکن است تصور کنیم قرار است یک واکسن معمولی دریافت کنیم و دیگر به سرطان مبتلا نشویم.
اما فناوری mRNA-4157/V940 از Moderna داستان متفاوتی دارد. این یک واکسن درمانی و شخصیسازیشده سرطان است که برای هر بیمار بر اساس ویژگیهای ژنتیکی تومور خودش طراحی میشود. این فناوری هنوز تحقیقاتی و در مرحله کارآزمایی بالینی است و برای استفاده عمومی تأیید نشده است. 🧪
🧬 واکسن برای هر بیمار جداگانه ساخته میشود!
یکی از جذابترین بخشهای این فناوری همین است.
فرض کنید دو نفر هر دو به ملانوم مبتلا هستند. سرطان این دو نفر لزوماً از نظر ژنتیکی یکسان نیست.
بنابراین قرار نیست هر دو یک واکسن یکسان دریافت کنند.
فرآیند تقریباً اینطور است:
🧫 ۱. نمونهای از تومور گرفته میشود
⬇️
🧬 ۲. DNA تومور و سلولهای سالم بررسی و توالییابی میشود
⬇️
🔎 ۳. جهشهای اختصاصی سلولهای سرطانی شناسایی میشوند
⬇️
🎯 ۴. از میان این جهشها، اهداف مناسب برای سیستم ایمنی انتخاب میشوند
⬇️
🤖 ۵. یک واکسن mRNA اختصاصی برای همان بیمار طراحی میشود
⬇️
💉 ۶. واکسن به بیمار تزریق میشود تا سیستم ایمنی با این اهداف آشنا شود
این یعنی واکسن به جای هدف گرفتن یک ویژگی عمومی سرطان، تلاش میکند «اثر انگشت ژنتیکی» همان تومور را به سیستم ایمنی نشان دهد.
🧠 اصلاً mRNA در این واکسن چه کار میکند؟
mRNA را میتوان شبیه یک دستورالعمل موقت برای ساخت پروتئین در نظر گرفت.
در V940، این دستورالعملها طوری طراحی میشوند که سلولهای بدن بتوانند قطعاتی از پروتئینهای مرتبط با نئوآنتیژنهای تومور را تولید کنند.
سیستم ایمنی این قطعات را میبیند و سلولهای T میتوانند یاد بگیرند که چنین ویژگیهایی را شناسایی کنند. 🧬➡️🛡️
در نتیجه، هدف این است که وقتی سلول سرطانی واقعی این ویژگیها را نشان میدهد، سیستم ایمنی بتواند آن را پیدا و هدف قرار دهد.
🎯 نئوآنتیژن چیست؟
سرطان در اثر جهشهای مختلف DNA ایجاد میشود.
بعضی از این جهشها باعث تولید پروتئینهایی میشوند که در سلولهای سالم وجود ندارند یا شکل متفاوتی دارند.
به این اهداف Neoantigen گفته میشود.
میتوان ساده تصور کرد که:
🧬 سلول سرطانی = یک سلول با تغییرات ژنتیکی
🎯 نئوآنتیژن = یکی از «نشانههای» ناشی از این تغییرات
🛡️ واکسن = آموزش سیستم ایمنی برای شناخت این نشانهها
⚔️ سلول T = نیرویی که بعداً میتواند سلول دارای این نشانه را هدف قرار دهد
🤖 هوش مصنوعی و محاسبات زیستی کجا وارد میشوند؟
یک تومور میتواند تعداد زیادی جهش داشته باشد؛ اما همه آنها هدف خوبی برای واکسن نیستند.
بنابراین باید مشخص شود کدام جهش احتمالاً:
🔹 باعث تولید یک پروتئین غیرطبیعی میشود
🔹 توسط سلولهای سرطانی ارائه میشود
🔹 توسط سیستم ایمنی قابل شناسایی است
🔹 و احتمالاً میتواند پاسخ سلولهای T را تحریک کند.
اینجاست که تحلیلهای محاسباتی و الگوریتمهای پیشبینی اهمیت پیدا میکنند. 🤖🧬
هدف این است که از میان حجم زیادی از اطلاعات ژنتیکی، بهترین اهداف ایمنی برای همان بیمار انتخاب شوند.
🛑 چرا Moderna آن را با Keytruda ترکیب کرده است؟
اینجا قسمت بسیار جالب ماجرا شروع میشود.
V940 در مطالعات اصلی همراه با Keytruda (pembrolizumab) بررسی شده است.
این دو درمان نقش متفاوتی دارند:
💉 V940:
به سیستم ایمنی کمک میکند اهداف اختصاصی تومور را بهتر بشناسد.
🛑 Keytruda:
مسیر PD-1 را مهار میکند؛ مسیری که یکی از ترمزهای مهم پاسخ سلولهای T است.
بنابراین ایده کلی این است:
واکسن 🎯 → هدف را به سیستم ایمنی معرفی میکند
Keytruda 🚀 → یکی از ترمزهای سیستم ایمنی را برمیدارد
و ترکیب این دو ممکن است باعث شود سلولهای T بهتر بتوانند سلولهای سرطانی را شناسایی و از بین ببرند.
📊 نتایج آزمایشها چه میگویند؟
یکی از مهمترین مطالعات، KEYNOTE-942، روی بیماران مبتلا به ملانوم پرخطر مرحله III و IV انجام شد که تومورشان با جراحی بهطور کامل برداشته شده بود.
در نتایج قبلی این مطالعه، ترکیب V940 با Keytruda در مقایسه با Keytruda بهتنهایی:
📉 خطر عود یا مرگ را حدود ۴۴٪ کاهش داد
و
📉 خطر متاستاز دوردست یا مرگ را حدود ۶۵٪ کاهش داد.
M
Merck.com
+1
اما دادههای جدیدتر حتی جالبتر هستند.
در پیگیری ۵ ساله منتشرشده در سال ۲۰۲۶، مزیت این ترکیب از نظر بقای بدون عود (RFS) و بقای بدون متاستاز دوردست (DMFS) همچنان پایدار گزارش شده است.
M
Merck.com
این موضوع مهم است، چون در سرطان فقط این سؤال مطرح نیست که «آیا تومور الان کوچک شد؟»
بلکه یک سؤال بسیار مهمتر وجود دارد:
آیا سرطان دوباره برمیگردد؟
🩺 پس هدف اصلی واکسن چیست؟
❤5
در مطالعات ملانوم، یکی از کاربردهای مهم V940 این است که بعد از جراحی و برداشتن تومور، به سیستم ایمنی کمک کند تا اگر سلولهای سرطانی باقیمانده در بدن وجود دارند، آنها را شناسایی کند.
یعنی:
🔪 جراحی → تومور قابل مشاهده برداشته میشود
⬇️
🧬 واکسن → سیستم ایمنی با اهداف اختصاصی تومور آموزش میبیند
⬇️
🛡️ Keytruda → فعالیت سلولهای T تقویت میشود
⬇️
🎯 هدف → کاهش احتمال برگشت سرطان
مطالعه فاز ۳ نیز دقیقاً در حال بررسی این است که V940 به همراه pembrolizumab آیا نسبت به pembrolizumab بهتنهایی میتواند احتمال عود را کاهش دهد یا خیر.
C
ClinicalTrials.gov
🌍 آیا فقط برای ملانوم است؟
نه.
Moderna و Merck در حال بررسی این فناوری در سرطانهای دیگری نیز هستند؛ از جمله سرطان ریه غیرکوچک (NSCLC) و چندین نوع سرطان دیگر.
برای مثال، یک مطالعه فاز ۳ در سرطان ریه غیرکوچک کاملاً برداشتهشده در حال بررسی V940 به همراه pembrolizumab است.
C
ClinicalTrials.gov
همچنین مطالعاتی برای سرطان سلول سنگفرشی پوست، سرطان کلیه و سرطان مثانه در حال انجام است.
M
Merck.com
⚠️ اما یک نکته بسیار مهم
با وجود نتایج امیدوارکننده، هنوز نباید گفت:
❌ «واکسن سرطان کشف شده است.»
یا:
❌ «Moderna سرطان را درمان کرده است.»
V940 هنوز یک درمان تحقیقاتی است و نتایج فازهای بزرگتر باید مشخص کنند که این مزیت در جمعیتهای بزرگتر و سرطانهای مختلف تا چه اندازه پایدار است.
قویترین شواهد فعلی مربوط به ملانوم پرخطر پس از جراحی است و نمیتوان نتایج آن را مستقیماً به همه سرطانها تعمیم داد.
M
Merck.com
🔥 چرا این فناوری با واکسنهای معمولی فرق دارد؟
واکسنهای معمولی معمولاً برای تعداد زیادی از افراد یک فرمول مشخص دارند.
اما اینجا داستان میتواند چیزی شبیه «پزشکی فوقشخصیسازیشده» باشد:
👤 بیمار اول
→ تومور اول
→ جهشهای اول
→ نئوآنتیژنهای اول
→ واکسن اول
👤 بیمار دوم
→ تومور دوم
→ جهشهای دوم
→ نئوآنتیژنهای دوم
→ واکسن دوم
یعنی ممکن است دو بیمار مبتلا به یک نوع سرطان، واکسنهای mRNA متفاوتی دریافت کنند.
🚀 آینده سرطان شاید به این سمت برود...
ترکیب چند فناوری میتواند مسیر جدیدی در درمان سرطان ایجاد کند:
🧬 توالییابی ژنوم تومور
🤖 هوش مصنوعی و الگوریتمهای پیشبینی
🎯 شناسایی نئوآنتیژنها
💉 واکسنهای mRNA شخصیسازیشده
🛡️ ایمونوتراپی و مهارکنندههای نقاط کنترلی
همه اینها در نهایت یک هدف دارند:
به سیستم ایمنی یاد بدهند دقیقتر بفهمد «چه چیزی سرطان است» و سپس توانایی بیشتری برای حمله به آن داشته باشد.
شاید مهمترین نکته درباره V940 همین باشد:
🧬 قرار نیست فقط یک دارو به سرطان حمله کند؛ هدف این است که خودِ سیستم ایمنی بیمار آموزش ببیند تا سرطان را بهتر شناسایی کند. 🤖💉🛡️
#سرطان #Cancer #Moderna #mRNA #واکسن_سرطان #ایمونوتراپی #ژنتیک #ژنوم #هوش_مصنوعی #AI #پزشکی_دقیق #PrecisionMedicine #ملانوم #بیوتکنولوژی
یعنی:
🔪 جراحی → تومور قابل مشاهده برداشته میشود
⬇️
🧬 واکسن → سیستم ایمنی با اهداف اختصاصی تومور آموزش میبیند
⬇️
🛡️ Keytruda → فعالیت سلولهای T تقویت میشود
⬇️
🎯 هدف → کاهش احتمال برگشت سرطان
مطالعه فاز ۳ نیز دقیقاً در حال بررسی این است که V940 به همراه pembrolizumab آیا نسبت به pembrolizumab بهتنهایی میتواند احتمال عود را کاهش دهد یا خیر.
C
ClinicalTrials.gov
🌍 آیا فقط برای ملانوم است؟
نه.
Moderna و Merck در حال بررسی این فناوری در سرطانهای دیگری نیز هستند؛ از جمله سرطان ریه غیرکوچک (NSCLC) و چندین نوع سرطان دیگر.
برای مثال، یک مطالعه فاز ۳ در سرطان ریه غیرکوچک کاملاً برداشتهشده در حال بررسی V940 به همراه pembrolizumab است.
C
ClinicalTrials.gov
همچنین مطالعاتی برای سرطان سلول سنگفرشی پوست، سرطان کلیه و سرطان مثانه در حال انجام است.
M
Merck.com
⚠️ اما یک نکته بسیار مهم
با وجود نتایج امیدوارکننده، هنوز نباید گفت:
❌ «واکسن سرطان کشف شده است.»
یا:
❌ «Moderna سرطان را درمان کرده است.»
V940 هنوز یک درمان تحقیقاتی است و نتایج فازهای بزرگتر باید مشخص کنند که این مزیت در جمعیتهای بزرگتر و سرطانهای مختلف تا چه اندازه پایدار است.
قویترین شواهد فعلی مربوط به ملانوم پرخطر پس از جراحی است و نمیتوان نتایج آن را مستقیماً به همه سرطانها تعمیم داد.
M
Merck.com
🔥 چرا این فناوری با واکسنهای معمولی فرق دارد؟
واکسنهای معمولی معمولاً برای تعداد زیادی از افراد یک فرمول مشخص دارند.
اما اینجا داستان میتواند چیزی شبیه «پزشکی فوقشخصیسازیشده» باشد:
👤 بیمار اول
→ تومور اول
→ جهشهای اول
→ نئوآنتیژنهای اول
→ واکسن اول
👤 بیمار دوم
→ تومور دوم
→ جهشهای دوم
→ نئوآنتیژنهای دوم
→ واکسن دوم
یعنی ممکن است دو بیمار مبتلا به یک نوع سرطان، واکسنهای mRNA متفاوتی دریافت کنند.
🚀 آینده سرطان شاید به این سمت برود...
ترکیب چند فناوری میتواند مسیر جدیدی در درمان سرطان ایجاد کند:
🧬 توالییابی ژنوم تومور
🤖 هوش مصنوعی و الگوریتمهای پیشبینی
🎯 شناسایی نئوآنتیژنها
💉 واکسنهای mRNA شخصیسازیشده
🛡️ ایمونوتراپی و مهارکنندههای نقاط کنترلی
همه اینها در نهایت یک هدف دارند:
به سیستم ایمنی یاد بدهند دقیقتر بفهمد «چه چیزی سرطان است» و سپس توانایی بیشتری برای حمله به آن داشته باشد.
شاید مهمترین نکته درباره V940 همین باشد:
🧬 قرار نیست فقط یک دارو به سرطان حمله کند؛ هدف این است که خودِ سیستم ایمنی بیمار آموزش ببیند تا سرطان را بهتر شناسایی کند. 🤖💉🛡️
#سرطان #Cancer #Moderna #mRNA #واکسن_سرطان #ایمونوتراپی #ژنتیک #ژنوم #هوش_مصنوعی #AI #پزشکی_دقیق #PrecisionMedicine #ملانوم #بیوتکنولوژی
❤8
Tutorial_guidance_on_the_use_of_large_language_models_for_medical.pdf
3.8 MB
Tutorial: guidance on the use of large language models for medical research
👍6❤1
Academic_science
Tutorial_guidance_on_the_use_of_large_language_models_for_medical.pdf
مقاله در Nature Protocols در ۲۴ ژوئیه ۲۰۲۶ منتشر شده و یک راهنمای مرحلهبهمرحله برای استفاده از LLMها در پژوهش و مراقبت پزشکی ارائه میکند.
Nature
🧠🔬 چطور از مدلهای زبانی بزرگ (LLM) در پژوهش پزشکی استفاده کنیم؟
یک مقاله آموزشی جدید در Nature Protocols یک چارچوب عملی برای استفاده از مدلهایی مثل GPT، Claude، Gemini، Llama و سایر LLMها در پژوهش پزشکی ارائه کرده است.
نکته مهم مقاله این است که استفاده از هوش مصنوعی در پزشکی فقط به «پرسیدن سؤال از ChatGPT» محدود نمیشود؛ بلکه باید یک فرایند علمی و قابل ارزیابی داشته باشیم. 👇
🧩 ۱. اول «مسئله» را مشخص کنید
قبل از انتخاب مدل یا نوشتن Prompt باید دقیقاً مشخص کنیم LLM قرار است چه کاری انجام دهد.
برای مثال:
🔹 خلاصهسازی مقالات و متون پزشکی
🔹 استخراج اطلاعات از پروندههای پزشکی
🔹 طبقهبندی و سازماندهی دادهها
🔹 پاسخگویی به سؤالات پزشکی
🔹 کمک به مرور متون و شواهد علمی
🔹 تطبیق بیماران با کارآزماییهای بالینی
🔹 تولید یا خلاصهسازی مستندات بالینی
🔹 استخراج مفاهیم و روابط از متون زیستپزشکی
🎯 هرچه Task دقیقتر تعریف شود، انتخاب مدل و ارزیابی عملکرد آن آسانتر خواهد بود.
🤖 ۲. هر LLM برای هر کاری مناسب نیست
یکی از نکات کلیدی مقاله، انتخاب مدل متناسب با Task است.
هنگام انتخاب مدل باید مواردی مثل اینها را در نظر گرفت:
📌 نوع وظیفه
📌 نوع و حجم داده
📌 طول Context موردنیاز
📌 دقت مورد انتظار
📌 توانایی مدل در استدلال و کار با دادههای پزشکی
📌 قابلیت پردازش متن، تصویر یا دادههای چندوجهی
📌 هزینه و سرعت
📌 امکان استفاده از API یا اجرای مدل در محیط اختصاصی
بنابراین صرفاً اینکه یک مدل در یک Benchmark پزشکی عملکرد خوبی داشته، به این معنی نیست که برای پروژه شما بهترین انتخاب است.
✍️ ۳. Prompt Engineering؛ سؤال خوب، خروجی بهتر
یکی از بخشهای مهم مقاله به طراحی Prompt اختصاص دارد.
به جای اینکه فقط بنویسیم:
❌ «این مقاله را خلاصه کن.»
بهتر است وظیفه، زمینه، محدودیتها و قالب خروجی را مشخص کنیم.
مثلاً:
📝 «متن زیر را بهعنوان یک پژوهشگر پزشکی تحلیل کن.
۱. سؤال پژوهش را مشخص کن.
۲. جمعیت مورد مطالعه را استخراج کن.
۳. روش مطالعه را توضیح بده.
۴. مهمترین یافتهها را همراه با محدودیتها بیان کن.
۵. مواردی را که در متن ذکر نشدهاند، حدس نزن.»
این نوع ساختار باعث میشود خروجی قابلاستفادهتر و قابلارزیابیتر باشد.
🧪 ۴. Few-shot prompting
در بعضی کارهای تخصصی میتوان چند نمونه از ورودی و خروجی مطلوب را به مدل نشان داد.
مثلاً اگر هدف، استخراج نام بیماری، دارو و عارضه جانبی از متن پزشکی باشد، چند نمونه صحیح به مدل داده میشود و سپس متن جدید برای پردازش ارائه میشود.
این روش میتواند به مدل کمک کند الگوی موردنظر پژوهشگر را بهتر درک کند. 🔍
🧬 ۵. وقتی Prompt کافی نیست: Fine-tuning
گاهی یک مدل عمومی برای یک کار تخصصی کافی نیست.
در این شرایط میتوان مدل را با دادههای اختصاصی برای یک Task خاص Fine-tune کرد.
مثلاً:
🧬 دادههای زیستپزشکی
🏥 متون بالینی
📄 گزارشهای پزشکی
🔬 مقالات تخصصی
🧪 دادههای یک حوزه خاص از پزشکی
اما Fine-tuning همیشه بهترین راهحل نیست و هزینه، کیفیت داده آموزشی و خطر انتقال خطا یا سوگیری باید در نظر گرفته شود.
📚 ۶. استفاده از منابع خارجی و RAG
یکی از چالشهای مهم LLMها این است که ممکن است پاسخی تولید کنند که ظاهراً درست است اما از نظر علمی اشتباه باشد؛ یعنی همان چیزی که معمولاً با عنوان Hallucination شناخته میشود.
برای کاهش این مشکل، میتوان مدل را به منابع معتبر متصل کرد؛ برای مثال:
📖 مقالات علمی
📚 راهنماهای بالینی
🧬 پایگاههای داده زیستپزشکی
🏥 پروتکلهای بیمارستانی
📑 اسناد و منابع اختصاصی یک پروژه
در روشهایی مانند RAG (Retrieval-Augmented Generation)، ابتدا اطلاعات مرتبط بازیابی میشود و سپس مدل بر اساس آنها پاسخ تولید میکند.
این رویکرد میتواند برای کارهای پزشکی که نیاز به اطلاعات مستند و بهروز دارند بسیار مهم باشد.
⚠️ ۷. خروجی LLM را «حقیقت علمی» فرض نکنید!
این شاید مهمترین پیام مقاله باشد.
حتی اگر یک مدل پاسخ بسیار حرفهای و قانعکننده ارائه کند، ممکن است:
❌ اطلاعات نادرست تولید کند
❌ منبع جعلی ایجاد کند
❌ بخشی از اطلاعات را حذف کند
❌ در استدلال دچار خطا شود
❌ تحت تأثیر Bias قرار بگیرد
❌ در گروههای مختلف بیماران عملکرد متفاوتی داشته باشد
بنابراین در پژوهش پزشکی، ارزیابی انسانی و اعتبارسنجی علمی ضروری است.
به زبان ساده:
🤖 LLM میتواند دستیار پژوهشگر باشد؛
👨⚕️ اما نباید بدون نظارت، جایگزین قضاوت علمی و پزشکی شود.
📊 ۸. فقط Accuracy کافی نیست!
برای ارزیابی یک LLM در پزشکی، نباید فقط بپرسیم:
Nature
🧠🔬 چطور از مدلهای زبانی بزرگ (LLM) در پژوهش پزشکی استفاده کنیم؟
یک مقاله آموزشی جدید در Nature Protocols یک چارچوب عملی برای استفاده از مدلهایی مثل GPT، Claude، Gemini، Llama و سایر LLMها در پژوهش پزشکی ارائه کرده است.
نکته مهم مقاله این است که استفاده از هوش مصنوعی در پزشکی فقط به «پرسیدن سؤال از ChatGPT» محدود نمیشود؛ بلکه باید یک فرایند علمی و قابل ارزیابی داشته باشیم. 👇
🧩 ۱. اول «مسئله» را مشخص کنید
قبل از انتخاب مدل یا نوشتن Prompt باید دقیقاً مشخص کنیم LLM قرار است چه کاری انجام دهد.
برای مثال:
🔹 خلاصهسازی مقالات و متون پزشکی
🔹 استخراج اطلاعات از پروندههای پزشکی
🔹 طبقهبندی و سازماندهی دادهها
🔹 پاسخگویی به سؤالات پزشکی
🔹 کمک به مرور متون و شواهد علمی
🔹 تطبیق بیماران با کارآزماییهای بالینی
🔹 تولید یا خلاصهسازی مستندات بالینی
🔹 استخراج مفاهیم و روابط از متون زیستپزشکی
🎯 هرچه Task دقیقتر تعریف شود، انتخاب مدل و ارزیابی عملکرد آن آسانتر خواهد بود.
🤖 ۲. هر LLM برای هر کاری مناسب نیست
یکی از نکات کلیدی مقاله، انتخاب مدل متناسب با Task است.
هنگام انتخاب مدل باید مواردی مثل اینها را در نظر گرفت:
📌 نوع وظیفه
📌 نوع و حجم داده
📌 طول Context موردنیاز
📌 دقت مورد انتظار
📌 توانایی مدل در استدلال و کار با دادههای پزشکی
📌 قابلیت پردازش متن، تصویر یا دادههای چندوجهی
📌 هزینه و سرعت
📌 امکان استفاده از API یا اجرای مدل در محیط اختصاصی
بنابراین صرفاً اینکه یک مدل در یک Benchmark پزشکی عملکرد خوبی داشته، به این معنی نیست که برای پروژه شما بهترین انتخاب است.
✍️ ۳. Prompt Engineering؛ سؤال خوب، خروجی بهتر
یکی از بخشهای مهم مقاله به طراحی Prompt اختصاص دارد.
به جای اینکه فقط بنویسیم:
❌ «این مقاله را خلاصه کن.»
بهتر است وظیفه، زمینه، محدودیتها و قالب خروجی را مشخص کنیم.
مثلاً:
📝 «متن زیر را بهعنوان یک پژوهشگر پزشکی تحلیل کن.
۱. سؤال پژوهش را مشخص کن.
۲. جمعیت مورد مطالعه را استخراج کن.
۳. روش مطالعه را توضیح بده.
۴. مهمترین یافتهها را همراه با محدودیتها بیان کن.
۵. مواردی را که در متن ذکر نشدهاند، حدس نزن.»
این نوع ساختار باعث میشود خروجی قابلاستفادهتر و قابلارزیابیتر باشد.
🧪 ۴. Few-shot prompting
در بعضی کارهای تخصصی میتوان چند نمونه از ورودی و خروجی مطلوب را به مدل نشان داد.
مثلاً اگر هدف، استخراج نام بیماری، دارو و عارضه جانبی از متن پزشکی باشد، چند نمونه صحیح به مدل داده میشود و سپس متن جدید برای پردازش ارائه میشود.
این روش میتواند به مدل کمک کند الگوی موردنظر پژوهشگر را بهتر درک کند. 🔍
🧬 ۵. وقتی Prompt کافی نیست: Fine-tuning
گاهی یک مدل عمومی برای یک کار تخصصی کافی نیست.
در این شرایط میتوان مدل را با دادههای اختصاصی برای یک Task خاص Fine-tune کرد.
مثلاً:
🧬 دادههای زیستپزشکی
🏥 متون بالینی
📄 گزارشهای پزشکی
🔬 مقالات تخصصی
🧪 دادههای یک حوزه خاص از پزشکی
اما Fine-tuning همیشه بهترین راهحل نیست و هزینه، کیفیت داده آموزشی و خطر انتقال خطا یا سوگیری باید در نظر گرفته شود.
📚 ۶. استفاده از منابع خارجی و RAG
یکی از چالشهای مهم LLMها این است که ممکن است پاسخی تولید کنند که ظاهراً درست است اما از نظر علمی اشتباه باشد؛ یعنی همان چیزی که معمولاً با عنوان Hallucination شناخته میشود.
برای کاهش این مشکل، میتوان مدل را به منابع معتبر متصل کرد؛ برای مثال:
📖 مقالات علمی
📚 راهنماهای بالینی
🧬 پایگاههای داده زیستپزشکی
🏥 پروتکلهای بیمارستانی
📑 اسناد و منابع اختصاصی یک پروژه
در روشهایی مانند RAG (Retrieval-Augmented Generation)، ابتدا اطلاعات مرتبط بازیابی میشود و سپس مدل بر اساس آنها پاسخ تولید میکند.
این رویکرد میتواند برای کارهای پزشکی که نیاز به اطلاعات مستند و بهروز دارند بسیار مهم باشد.
⚠️ ۷. خروجی LLM را «حقیقت علمی» فرض نکنید!
این شاید مهمترین پیام مقاله باشد.
حتی اگر یک مدل پاسخ بسیار حرفهای و قانعکننده ارائه کند، ممکن است:
❌ اطلاعات نادرست تولید کند
❌ منبع جعلی ایجاد کند
❌ بخشی از اطلاعات را حذف کند
❌ در استدلال دچار خطا شود
❌ تحت تأثیر Bias قرار بگیرد
❌ در گروههای مختلف بیماران عملکرد متفاوتی داشته باشد
بنابراین در پژوهش پزشکی، ارزیابی انسانی و اعتبارسنجی علمی ضروری است.
به زبان ساده:
🤖 LLM میتواند دستیار پژوهشگر باشد؛
👨⚕️ اما نباید بدون نظارت، جایگزین قضاوت علمی و پزشکی شود.
📊 ۸. فقط Accuracy کافی نیست!
برای ارزیابی یک LLM در پزشکی، نباید فقط بپرسیم:
Nature
Tutorial: guidance on the use of large language models for medical research
Nature Protocols - An entry-level guide for understanding how to choose large language models for medical research applications, customize the prompts and fine-tune the models’ performance.
👍5❤1