Academic_science
برندگان جایزه نوبل پزشکی ۲۰۲۶ معرفی شدند «کارل دایسروث»، «پیتر هگمان» و «گئورگ ناگل» برای اکتشاف در زمینه کانال‌های یونی کنترل‌شونده با نور و اپتوژنتیک برنده جایزه نوبل پزشکی ۲۰۲۶ شدند 🔮 با #آکادمیک #ساینس همراه باشید🍂 💯اطلاعات بیشتر در ⬅️ 👈 🌐 @academic_science
🏆🧠 نوبل پزشکی ۲۰۲۶؛ وقتی دانشمندان «کلید نوری» مغز را پیدا کردند! 💡
تصور کنید بتوانید فقط با تاباندن یک پرتو نور، یک سلول عصبی را فعال یا خاموش کنید! 🔦🧠
چیزی که تا چند دهه پیش شبیه داستان‌های علمی‌تخیلی بود، امروز به یکی از قدرتمندترین ابزارهای علوم اعصاب تبدیل شده است.
🔬 کارل دایسروث، پیتر هگمان و گئورگ ناگل برنده جایزه نوبل فیزیولوژی یا پزشکی ۲۰۲۶ شدند؛ به‌خاطر کشفیات مهمشان درباره کانال‌های یونی حساس به نور و نقشی که این کشفیات در شکل‌گیری فناوری اپتوژنتیک داشته‌اند.
اما ماجرا دقیقاً چیست؟ 🤔
💡 نور چطور می‌تواند نورون را کنترل کند؟
نورون‌ها برای ارتباط با یکدیگر از سیگنال‌های الکتریکی استفاده می‌کنند. این سیگنال‌ها به حرکت یون‌ها، مثل سدیم و پتاسیم، از غشای سلول وابسته‌اند.
اینجاست که «کانال‌های یونی» وارد داستان می‌شوند. 🚪⚡
این کانال‌ها را می‌توان مثل دروازه‌های بسیار کوچکی تصور کرد که با باز و بسته شدن، عبور یون‌ها را کنترل می‌کنند.
برخی از این کانال‌ها به نور حساس‌اند.
دانشمندان دریافتند که می‌توان از این ویژگی استفاده کرد تا سلول‌های عصبی را به شکلی بسیار دقیق با نور کنترل کنند. 🔦
🧠 اپتوژنتیک چیست؟
در اپتوژنتیک، دانشمندان از پروتئین‌های حساس به نور استفاده می‌کنند تا نورون‌ها به نور واکنش نشان دهند.
حالا اگر نور مناسب را به این سلول‌ها بتابانیم، می‌توانیم فعالیت آن‌ها را روشن یا خاموش کنیم.
یعنی به جای اینکه فقط ببینیم هنگام ترس، حرکت، حافظه یا خواب چه اتفاقی در مغز رخ می‌دهد، می‌توانیم با دقت بسیار بالا بررسی کنیم:
🔹 اگر این نورون را فعال کنیم، چه اتفاقی می‌افتد؟
🔹 اگر آن را خاموش کنیم، رفتار چه تغییری می‌کند؟
🔹 کدام مدارهای عصبی مسئول یک خاطره، احساس یا رفتار خاص هستند؟
این یعنی یک تحول بزرگ در مطالعه مغز. 🤯
🦠 شروع ماجرا از یک موجود کوچک!
یکی از قسمت‌های جذاب این داستان این است که ایده اصلی از میکروارگانیسم‌های ساده شروع شد.
برخی موجودات تک‌سلولی برای پاسخ به نور از پروتئین‌هایی استفاده می‌کنند که می‌توانند جریان یون‌ها را در غشای سلول تغییر دهند.
دانشمندان این سازوکار طبیعی را شناختند و بعدها آن را به ابزاری برای مطالعه سلول‌های عصبی تبدیل کردند.
🔬 از یک پروتئین حساس به نور در یک موجود میکروسکوپی...
➡️ تا کنترل دقیق فعالیت نورون‌های مغز انسان!
👁️ فقط برای تحقیق نیست!
اپتوژنتیک در حال باز کردن مسیرهای جدیدی برای پژوهش‌های پزشکی نیز هست.
دانشمندان در حال بررسی کاربردهای این فناوری در زمینه‌هایی مانند اختلالات عصبی و بیماری‌های شبکیه و بازگرداندن بخشی از بینایی هستند.
البته بسیاری از این کاربردها هنوز در مرحله پژوهش و توسعه قرار دارند و نباید آن‌ها را درمان قطعی دانست.
🌟 شاید جذاب‌ترین بخش ماجرا این باشد:
برای فهمیدن مغز، سال‌ها مجبور بودیم فقط به فعالیت آن نگاه کنیم.
اما اپتوژنتیک یک قدم فراتر رفت:
حالا می‌توانیم بعضی از مدارهای عصبی را با نور دستکاری کنیم و ببینیم دقیقاً چه اتفاقی می‌افتد. 🔦🧠
این فناوری مثل این است که دانشمندان بالاخره یک کنترل از راه دور برای مدارهای خاص مغز پیدا کرده باشند!
و شاید همین «کلید نوری» در آینده به ما کمک کند رازهای بیشتری از حافظه، احساسات، حرکت و بیماری‌های مغزی را کشف کنیم. ✨
🏆 نوبل پزشکی ۲۰۲۶؛ جایزه‌ای برای کشف اینکه چگونه می‌توان زبان نور را به زبان سلول‌های عصبی تبدیل کرد.
#نوبل #نوبل_پزشکی
🔮 با #آکادمیک #ساینس همراه باشید 🍂
💯 اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
تصور کنید بتوانید فقط با تاباندن یک پرتو نور، یک سلول عصبی را فعال یا خاموش کنید! 🔦🧠
چیزی که تا چند دهه پیش شبیه داستان‌های علمی‌تخیلی بود، امروز به یکی از قدرتمندترین ابزارهای علوم اعصاب تبدیل شده است.
🔬 کارل دایسروث، پیتر هگمان و گئورگ ناگل برنده جایزه نوبل فیزیولوژی یا پزشکی ۲۰۲۶ شدند؛ به‌خاطر کشفیات مهمشان درباره کانال‌های یونی حساس به نور و نقشی که این کشفیات در شکل‌گیری فناوری اپتوژنتیک داشته‌اند.
اما ماجرا دقیقاً چیست؟ 🤔
💡 نور چطور می‌تواند نورون را کنترل کند؟
نورون‌ها برای ارتباط با یکدیگر از سیگنال‌های الکتریکی استفاده می‌کنند. این سیگنال‌ها به حرکت یون‌ها، مثل سدیم و پتاسیم، از غشای سلول وابسته‌اند.
اینجاست که «کانال‌های یونی» وارد داستان می‌شوند. 🚪⚡
این کانال‌ها را می‌توان مثل دروازه‌های بسیار کوچکی تصور کرد که با باز و بسته شدن، عبور یون‌ها را کنترل می‌کنند.
برخی از این کانال‌ها به نور حساس‌اند.
دانشمندان دریافتند که می‌توان از این ویژگی استفاده کرد تا سلول‌های عصبی را به شکلی بسیار دقیق با نور کنترل کنند. 🔦
🧠 اپتوژنتیک چیست؟
در اپتوژنتیک، دانشمندان از پروتئین‌های حساس به نور استفاده می‌کنند تا نورون‌ها به نور واکنش نشان دهند.
حالا اگر نور مناسب را به این سلول‌ها بتابانیم، می‌توانیم فعالیت آن‌ها را روشن یا خاموش کنیم.
یعنی به جای اینکه فقط ببینیم هنگام ترس، حرکت، حافظه یا خواب چه اتفاقی در مغز رخ می‌دهد، می‌توانیم با دقت بسیار بالا بررسی کنیم:
🔹 اگر این نورون را فعال کنیم، چه اتفاقی می‌افتد؟
🔹 اگر آن را خاموش کنیم، رفتار چه تغییری می‌کند؟
🔹 کدام مدارهای عصبی مسئول یک خاطره، احساس یا رفتار خاص هستند؟
این یعنی یک تحول بزرگ در مطالعه مغز. 🤯
🦠 شروع ماجرا از یک موجود کوچک!
یکی از قسمت‌های جذاب این داستان این است که ایده اصلی از میکروارگانیسم‌های ساده شروع شد.
برخی موجودات تک‌سلولی برای پاسخ به نور از پروتئین‌هایی استفاده می‌کنند که می‌توانند جریان یون‌ها را در غشای سلول تغییر دهند.
دانشمندان این سازوکار طبیعی را شناختند و بعدها آن را به ابزاری برای مطالعه سلول‌های عصبی تبدیل کردند.
🔬 از یک پروتئین حساس به نور در یک موجود میکروسکوپی...
➡️ تا کنترل دقیق فعالیت نورون‌های مغز انسان!
👁️ فقط برای تحقیق نیست!
اپتوژنتیک در حال باز کردن مسیرهای جدیدی برای پژوهش‌های پزشکی نیز هست.
دانشمندان در حال بررسی کاربردهای این فناوری در زمینه‌هایی مانند اختلالات عصبی و بیماری‌های شبکیه و بازگرداندن بخشی از بینایی هستند.
البته بسیاری از این کاربردها هنوز در مرحله پژوهش و توسعه قرار دارند و نباید آن‌ها را درمان قطعی دانست.
🌟 شاید جذاب‌ترین بخش ماجرا این باشد:
برای فهمیدن مغز، سال‌ها مجبور بودیم فقط به فعالیت آن نگاه کنیم.
اما اپتوژنتیک یک قدم فراتر رفت:
حالا می‌توانیم بعضی از مدارهای عصبی را با نور دستکاری کنیم و ببینیم دقیقاً چه اتفاقی می‌افتد. 🔦🧠
این فناوری مثل این است که دانشمندان بالاخره یک کنترل از راه دور برای مدارهای خاص مغز پیدا کرده باشند!
و شاید همین «کلید نوری» در آینده به ما کمک کند رازهای بیشتری از حافظه، احساسات، حرکت و بیماری‌های مغزی را کشف کنیم. ✨
🏆 نوبل پزشکی ۲۰۲۶؛ جایزه‌ای برای کشف اینکه چگونه می‌توان زبان نور را به زبان سلول‌های عصبی تبدیل کرد.
#نوبل #نوبل_پزشکی
🔮 با #آکادمیک #ساینس همراه باشید 🍂
💯 اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
❤15👏3🔥2
#کارزار درخواست افزایش مبلغ کمک هزینه تحصیلی رزیدنت‌ها و اینترن‌ها در نیمسال دوم سال ۱۴۰۵
https://www.karzar.net/354710
https://www.karzar.net/354710
www.karzar.net
امضا کنید: کارزار درخواست افزایش حقوق کارورزان و دستیاران در نیمه دوم سال ۱۴۰۵
ما امضاکنندگان خواستار افزایش متناسب حقوق و کمک‌هزینه کارورزان و دستیاران پزشکی از مهر ۱۴۰۵، جبران کاهش قدرت خرید و تأمین پایدار منابع آن هستیم.
🙏1
🧬 اگر تشخیص سرطان کودک به‌جای چند هفته، فقط ۳ روز طول بکشد چه؟
تصور کنید کودکی با شک به سرطان به بیمارستان مراجعه می‌کند؛
پزشک باید خیلی سریع بداند:
🔬 دقیقاً با چه نوع سرطانی روبه‌رو هستیم؟
🧬 چه تغییرات ژنتیکی در تومور وجود دارد؟
🎯 آیا درمان هدفمندی برای این تغییرات وجود دارد؟
⚠️ آیا بیمار در گروه پرخطر قرار می‌گیرد؟
و مهم‌تر از همه… آیا واقعاً باید همین حالا درمان تهاجمی را شروع کرد؟
در سرطان کودکان، پاسخ این سؤال‌ها نمی‌تواند هفته‌ها منتظر بماند.
حالا یک مطالعه جدید در Nature Communications یک راه‌حل بسیار جذاب را بررسی کرده است:
⚡️ Rapid Whole Genome Sequencing | rWGS
پژوهشگران بررسی کردند که آیا می‌توان کل ژنوم کودک و تومور را با سرعت بسیار بالا توالی‌یابی کرد و اطلاعات بالینی قابل استفاده را به‌جای چند هفته، در عرض چند روز در اختیار تیم درمان قرار داد.
نتیجه؟
🔥 میانگین زمان دریافت نتیجه از ۴۲ روز به فقط ۳ روز کاهش یافت!
یعنی:
⏳ 42 روز → 3 روز
اما داستان فقط سرعت نیست…
🧬 آیا سرعت باعث کاهش دقت نشد؟
اتفاقاً داده‌ها بسیار جالب‌اند.
در این مطالعه، ۵۴ کودک مبتلا به سرطان یا مشکوک به سرطان بررسی شدند و rWGS توانست:
✅ ۱۴۷ مورد از ۱۵۵ واریانت بالینی قابل‌اقدام (95%) را شناسایی کند.
در مقابل، آزمایش‌های استاندارد مورد استفاده در مطالعه ۱۳۸ مورد از ۱۵۵ (89%) را شناسایی کردند.
یعنی rWGS علاوه بر سریع‌تر بودن، در این مجموعه حتی واریانت‌های قابل‌اقدام بیشتری را شناسایی کرد. NNature
🎯 اما مهم‌ترین قسمت مطالعه کجاست؟
پژوهشگران فقط به «تعداد واریانت‌ها» نگاه نکردند؛
آن‌ها بررسی کردند که این اطلاعات واقعاً چه تغییری در مراقبت از بیمار ایجاد کرده است.
در میان ۳۵ بیمار که به‌صورت آینده‌نگر بررسی شدند:
📌 در ۱۷ کودک (۴۹٪)، نتیجه سریع WGS به بهبود قابل‌اندازه‌گیری در مراقبت کمک کرد.
از جمله:
🔹 دسترسی سریع‌تر به درمان هدفمند
🔹 تعیین دقیق‌تر ریسک
🔹 تصمیم‌گیری برای درمان شخصی‌سازی‌شده
🔹 جلوگیری از بررسی‌های غیرضروری
🔹 جلوگیری از تشدید غیرضروری درمان
یعنی ژنوم فقط یک «گزارش آزمایشگاهی» نبود؛
در بعضی موارد، تصمیم بالینی را تغییر داد. NNature
🚨 چند مثال واقعاً شگفت‌انگیز از مقاله
در یکی از بیماران، rWGS به تشخیص یک وضعیت غیرسرطانی کمک کرد و باعث شد اقدامات تهاجمی و درمان سیستمیک غیرضروری کنار گذاشته شود.
در یک کودک دیگر، شناسایی یک NKD2-BRAF fusion امکان استفاده از درمان هدفمند مسیر MEK را مطرح کرد.
و در بیماری دیگر، اطلاعات مولکولی به‌دست‌آمده از مایع پلور باعث شد تشخیص لنفوم بدون انجام یک بیوپسی پرخطر انجام شود.
حتی در برخی بیماران مبتلا به لوسمی، اطلاعات به‌دست‌آمده از یک نمونه خون یا مغز استخوان می‌توانست هم‌زمان برای تشخیص مولکولی، تعیین ریسک، شناسایی مارکرهای MRD و برخی اطلاعات فارماکوژنومیک استفاده شود. NNature
🧠 پیام بزرگ‌تر این مطالعه چیست؟
این مقاله فقط درباره «سریع‌تر شدن یک آزمایش ژنتیکی» نیست.
موضوع اصلی، تغییر مدل Precision Oncology است:
از این:
بیمار → آزمایش‌های متعدد → انتظار → نتیجه → تصمیم درمانی
به سمت این:
بیمار → Whole Genome → تحلیل سریع → تشخیص مولکولی → تصمیم درمانی
همه در یک بازه زمانی بسیار کوتاه‌تر.
در واقع، اگر WGS بتواند در همان روزهای ابتدایی تشخیص، اطلاعات ژنتیکی قابل‌اعتماد و قابل‌اقدام ارائه کند، ژنوم می‌تواند از یک ابزار تکمیلی به یکی از نخستین مراحل تشخیص سرطان کودکان تبدیل شود. NNature
⚠️ اما یک نکته مهم!
نباید این نتایج را بیش از حد تعمیم داد.
مطالعه فقط ۵۴ بیمار داشت، در یک مرکز انجام شد و طراحی آن تصادفی‌سازی‌شده نبود. خود نویسندگان نیز تأکید کرده‌اند که برای ارزیابی قطعی اثربخشی بالینی، هزینه-اثربخشی و امکان پیاده‌سازی در مقیاس بزرگ به مطالعات چندمرکزی بیشتری نیاز است. NNature
پس هنوز با «استاندارد جهانی جدید» فاصله داریم؛
اما یک پیام بسیار روشن وجود دارد:
📚 رفرنس مقاله:
Vedi A, Trotman J, Dias JML, et al.
Rapid Whole Genome Sequencing Enhances Pediatric Cancer Diagnosis.
Nature Communications. 2026;17:10078.
DOI: 10.1038/s41467-026-77918-x NNature
🔗 متن کامل مقاله در Nature Communications
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
تصور کنید کودکی با شک به سرطان به بیمارستان مراجعه می‌کند؛
پزشک باید خیلی سریع بداند:
🔬 دقیقاً با چه نوع سرطانی روبه‌رو هستیم؟
🧬 چه تغییرات ژنتیکی در تومور وجود دارد؟
🎯 آیا درمان هدفمندی برای این تغییرات وجود دارد؟
⚠️ آیا بیمار در گروه پرخطر قرار می‌گیرد؟
و مهم‌تر از همه… آیا واقعاً باید همین حالا درمان تهاجمی را شروع کرد؟
در سرطان کودکان، پاسخ این سؤال‌ها نمی‌تواند هفته‌ها منتظر بماند.
حالا یک مطالعه جدید در Nature Communications یک راه‌حل بسیار جذاب را بررسی کرده است:
⚡️ Rapid Whole Genome Sequencing | rWGS
پژوهشگران بررسی کردند که آیا می‌توان کل ژنوم کودک و تومور را با سرعت بسیار بالا توالی‌یابی کرد و اطلاعات بالینی قابل استفاده را به‌جای چند هفته، در عرض چند روز در اختیار تیم درمان قرار داد.
نتیجه؟
🔥 میانگین زمان دریافت نتیجه از ۴۲ روز به فقط ۳ روز کاهش یافت!
یعنی:
⏳ 42 روز → 3 روز
اما داستان فقط سرعت نیست…
🧬 آیا سرعت باعث کاهش دقت نشد؟
اتفاقاً داده‌ها بسیار جالب‌اند.
در این مطالعه، ۵۴ کودک مبتلا به سرطان یا مشکوک به سرطان بررسی شدند و rWGS توانست:
✅ ۱۴۷ مورد از ۱۵۵ واریانت بالینی قابل‌اقدام (95%) را شناسایی کند.
در مقابل، آزمایش‌های استاندارد مورد استفاده در مطالعه ۱۳۸ مورد از ۱۵۵ (89%) را شناسایی کردند.
یعنی rWGS علاوه بر سریع‌تر بودن، در این مجموعه حتی واریانت‌های قابل‌اقدام بیشتری را شناسایی کرد. NNature
🎯 اما مهم‌ترین قسمت مطالعه کجاست؟
پژوهشگران فقط به «تعداد واریانت‌ها» نگاه نکردند؛
آن‌ها بررسی کردند که این اطلاعات واقعاً چه تغییری در مراقبت از بیمار ایجاد کرده است.
در میان ۳۵ بیمار که به‌صورت آینده‌نگر بررسی شدند:
📌 در ۱۷ کودک (۴۹٪)، نتیجه سریع WGS به بهبود قابل‌اندازه‌گیری در مراقبت کمک کرد.
از جمله:
🔹 دسترسی سریع‌تر به درمان هدفمند
🔹 تعیین دقیق‌تر ریسک
🔹 تصمیم‌گیری برای درمان شخصی‌سازی‌شده
🔹 جلوگیری از بررسی‌های غیرضروری
🔹 جلوگیری از تشدید غیرضروری درمان
یعنی ژنوم فقط یک «گزارش آزمایشگاهی» نبود؛
در بعضی موارد، تصمیم بالینی را تغییر داد. NNature
🚨 چند مثال واقعاً شگفت‌انگیز از مقاله
در یکی از بیماران، rWGS به تشخیص یک وضعیت غیرسرطانی کمک کرد و باعث شد اقدامات تهاجمی و درمان سیستمیک غیرضروری کنار گذاشته شود.
در یک کودک دیگر، شناسایی یک NKD2-BRAF fusion امکان استفاده از درمان هدفمند مسیر MEK را مطرح کرد.
و در بیماری دیگر، اطلاعات مولکولی به‌دست‌آمده از مایع پلور باعث شد تشخیص لنفوم بدون انجام یک بیوپسی پرخطر انجام شود.
حتی در برخی بیماران مبتلا به لوسمی، اطلاعات به‌دست‌آمده از یک نمونه خون یا مغز استخوان می‌توانست هم‌زمان برای تشخیص مولکولی، تعیین ریسک، شناسایی مارکرهای MRD و برخی اطلاعات فارماکوژنومیک استفاده شود. NNature
🧠 پیام بزرگ‌تر این مطالعه چیست؟
این مقاله فقط درباره «سریع‌تر شدن یک آزمایش ژنتیکی» نیست.
موضوع اصلی، تغییر مدل Precision Oncology است:
از این:
بیمار → آزمایش‌های متعدد → انتظار → نتیجه → تصمیم درمانی
به سمت این:
بیمار → Whole Genome → تحلیل سریع → تشخیص مولکولی → تصمیم درمانی
همه در یک بازه زمانی بسیار کوتاه‌تر.
در واقع، اگر WGS بتواند در همان روزهای ابتدایی تشخیص، اطلاعات ژنتیکی قابل‌اعتماد و قابل‌اقدام ارائه کند، ژنوم می‌تواند از یک ابزار تکمیلی به یکی از نخستین مراحل تشخیص سرطان کودکان تبدیل شود. NNature
⚠️ اما یک نکته مهم!
نباید این نتایج را بیش از حد تعمیم داد.
مطالعه فقط ۵۴ بیمار داشت، در یک مرکز انجام شد و طراحی آن تصادفی‌سازی‌شده نبود. خود نویسندگان نیز تأکید کرده‌اند که برای ارزیابی قطعی اثربخشی بالینی، هزینه-اثربخشی و امکان پیاده‌سازی در مقیاس بزرگ به مطالعات چندمرکزی بیشتری نیاز است. NNature
پس هنوز با «استاندارد جهانی جدید» فاصله داریم؛
اما یک پیام بسیار روشن وجود دارد:
🧬 در سرطان کودکان، شاید آینده تشخیص فقط ژنومی نباشد؛ ژنومی و سریع باشد.و شاید در پزشکی دقیق، هر روزی که از زمان تشخیص کم می‌کنیم، خودش بخشی از درمان باشد. ⚡️
📚 رفرنس مقاله:
Vedi A, Trotman J, Dias JML, et al.
Rapid Whole Genome Sequencing Enhances Pediatric Cancer Diagnosis.
Nature Communications. 2026;17:10078.
DOI: 10.1038/s41467-026-77918-x NNature
🔗 متن کامل مقاله در Nature Communications
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
Nature
Rapid Whole Genome Sequencing Enhances Pediatric Cancer Diagnosis
Nature Communications - Whole-genome sequencing (WGS) can provide important benefits to childhood cancer patients, but clinical WGS workflows typically take weeks. Here, the authors evaluate the...
❤4
نسل سوم استارلینک؛ جهش ۱۰ برابری ظرفیت شبکه
📢 اسپیس‌اکس با استقرار ماهواره‌های نسل سوم استارلینک، قواعد بازی را تغییر داده و اینترنت ماهواره‌ای را به سطحی غیر قابل باور رسانده است.
🔍خیره‌کننده‌ترین دستاورد این نسل، ارتقای ظرفیت ارسال داده (Downlink) هر ماهواره به عدد شگفت‌انگیز ۱ ترابیت بر ثانیه است. برای درک این عدد باید بدانید که این ظرفیت دقیقا ۱۰ برابر بیشتر از ماهواره‌های نسل پیشین است.
🔑 این ارتقای زیرساختی باعث شده تا میانگین سرعت دانلود جهانی برای کاربران به راحتی از مرز ۲۰۰ مگابیت بر ثانیه عبور کند. یکی از بزرگترین دغدغه‌های کاربران اینترنت و چالش‌های استارلینک، افت شدید سرعت در ساعات شلوغی است؛ یعنی زمانی که همه در حال استفاده از شبکه هستند. با ظرفیت عظیم ماهواره‌های نسل سه، ترافیک و شلوغی شبکه کم اثر می‌شود. پایداری شبکه به شکل بی‌سابقه‌ای افزایش یافته و میزان تاخیر به قدری کاهش پیدا کرده که گیمرهای حرفه‌ای می‌توانند با کمترین تاخیر روی استارلینک حساب باز کنند.
🔓این ماهواره‌های نسل سوم به قدری بزرگ و سنگین هستند (وزنی در حدود ۲ تُن) که موشک‌های معمول فالکون ۹ توانایی حمل تعداد بالایی از آن‌ها را ندارند. اسپیس‌ایکس برای انتقال این ماهواره‌ها به فضا، از غول‌پیکرترین و قدرتمندترین راکت تاریخ بشر یعنی استارشیپ استفاده می‌کند که هر پرتاب آن، ظرفیت عظیمی حدود ۶۰ ترابیت بر ثانیه را به کل شبکه استارلینک در جهان اضافه می‌کند.
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
📢 اسپیس‌اکس با استقرار ماهواره‌های نسل سوم استارلینک، قواعد بازی را تغییر داده و اینترنت ماهواره‌ای را به سطحی غیر قابل باور رسانده است.
🔍خیره‌کننده‌ترین دستاورد این نسل، ارتقای ظرفیت ارسال داده (Downlink) هر ماهواره به عدد شگفت‌انگیز ۱ ترابیت بر ثانیه است. برای درک این عدد باید بدانید که این ظرفیت دقیقا ۱۰ برابر بیشتر از ماهواره‌های نسل پیشین است.
🔑 این ارتقای زیرساختی باعث شده تا میانگین سرعت دانلود جهانی برای کاربران به راحتی از مرز ۲۰۰ مگابیت بر ثانیه عبور کند. یکی از بزرگترین دغدغه‌های کاربران اینترنت و چالش‌های استارلینک، افت شدید سرعت در ساعات شلوغی است؛ یعنی زمانی که همه در حال استفاده از شبکه هستند. با ظرفیت عظیم ماهواره‌های نسل سه، ترافیک و شلوغی شبکه کم اثر می‌شود. پایداری شبکه به شکل بی‌سابقه‌ای افزایش یافته و میزان تاخیر به قدری کاهش پیدا کرده که گیمرهای حرفه‌ای می‌توانند با کمترین تاخیر روی استارلینک حساب باز کنند.
🔓این ماهواره‌های نسل سوم به قدری بزرگ و سنگین هستند (وزنی در حدود ۲ تُن) که موشک‌های معمول فالکون ۹ توانایی حمل تعداد بالایی از آن‌ها را ندارند. اسپیس‌ایکس برای انتقال این ماهواره‌ها به فضا، از غول‌پیکرترین و قدرتمندترین راکت تاریخ بشر یعنی استارشیپ استفاده می‌کند که هر پرتاب آن، ظرفیت عظیمی حدود ۶۰ ترابیت بر ثانیه را به کل شبکه استارلینک در جهان اضافه می‌کند.
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
❤3
🧬 وقتی یک تغییر کوچک در DNA، مسیر تنظیم ژن را مختل می‌کند!
🔬 ردیابی تغییرات تنظیمی ژنوم در مقیاس جفت‌باز و در سطح هر آلل
📣 پژوهشی تازه در مجله Nature Genetics، منتشرشده در ۲ اکتبر ۲۰۲۶، روشی جدید برای شناسایی اثر عملکردی و سازوکار مولکولی واریانت‌های ژنتیکی معرفی می‌کند؛ تغییراتی که بسیاری از آن‌ها در بخش‌های غیرکدکننده ژنوم قرار دارند.
🧩 مسئله چیست؟
بسیاری از واریانت‌های مرتبط با بیماری‌ها، توالی پروتئین را تغییر نمی‌دهند؛ بلکه ممکن است با دستکاری عناصر تنظیمی DNA، نحوه روشن و خاموش شدن ژن‌ها را تغییر دهند.چالش اصلی این است که بفهمیم کدام واریانت واقعاً عملکرد تنظیمی را تغییر می‌دهد، کدام ژن هدف آن است و این اثر دقیقاً از چه سازوکاری ایجاد می‌شود.
🧪 راهکار پژوهشگران چه بود؟پژوهشگران پلتفرم MCCv (Micro Capture-C variant-to-function) را توسعه دادند؛ روشی که ساختار کروماتین را در سطح هر آلل و با وضوحی در حد جفت‌باز بررسی می‌کند. این روش می‌تواند تغییرات تماس‌های کروماتینی را آشکار کند و به شناسایی ارتباط میان عناصر تنظیمی و ژن‌های هدف کمک کند.
📊 مهم‌ترین یافته‌ها:
🔹 پژوهشگران ۴۰۵ عنصر تنظیمی cis مرتبط با بیماری‌های التهابی با واسطه سیستم ایمنی را بررسی کردند.🔹 در ۵۴٫۶٪ از واریانت‌های ناهموزیگوت مرتبط با بیماری که بررسی شدند، دست‌کم یک تماس کروماتینی به‌طور معناداری تغییر کرده بود.🔹 یافته مهم‌تر، شناسایی سازوکاری ناشناخته در ارتباط با خودایمنی بود: ایجاد یک موتیف جدید برای اتصال پروتئین CTCF که تماس سوپرانهانسر با پروموتر ژن SESN3 را مسدود می‌کند.🔹 پژوهشگران همچنین با بررسی نقش SESN3 در تنظیم مسیر mTOR و استفاده از مدل‌های موشی، شواهدی درباره نقش این ژن در خودایمنی ارائه کردند.
💡 چرا این کشف مهم است؟این پژوهش فقط به یافتن ارتباط آماری میان یک واریانت و بیماری بسنده نمی‌کند؛ بلکه راهی برای پیوند دادن تغییر توالی DNA به تغییر ساختار سه‌بعدی کروماتین، ژن هدف و سازوکار زیستی فراهم می‌کند.
🚀 چنین رویکردی می‌تواند تفسیر واریانت‌های غیرکدکننده را دقیق‌تر کند و به کشف مسیرهای مولکولی جدید در بیماری‌های التهابی و خودایمنی کمک کند؛ هرچند برای تبدیل این یافته‌ها به کاربرد بالینی، پژوهش‌های بیشتری لازم است.
📚 منبع اصلی: Hamley JC, Zhang W, Willmott D, et al. Single-allele nanoscale mapping of regulatory variants.🧬
Nature Genetics, 2026; 58: 2660–2672.🔗 https://doi.org/10.1038/s41588-026
@academic_science
🔬 ردیابی تغییرات تنظیمی ژنوم در مقیاس جفت‌باز و در سطح هر آلل
📣 پژوهشی تازه در مجله Nature Genetics، منتشرشده در ۲ اکتبر ۲۰۲۶، روشی جدید برای شناسایی اثر عملکردی و سازوکار مولکولی واریانت‌های ژنتیکی معرفی می‌کند؛ تغییراتی که بسیاری از آن‌ها در بخش‌های غیرکدکننده ژنوم قرار دارند.
🧩 مسئله چیست؟
بسیاری از واریانت‌های مرتبط با بیماری‌ها، توالی پروتئین را تغییر نمی‌دهند؛ بلکه ممکن است با دستکاری عناصر تنظیمی DNA، نحوه روشن و خاموش شدن ژن‌ها را تغییر دهند.چالش اصلی این است که بفهمیم کدام واریانت واقعاً عملکرد تنظیمی را تغییر می‌دهد، کدام ژن هدف آن است و این اثر دقیقاً از چه سازوکاری ایجاد می‌شود.
🧪 راهکار پژوهشگران چه بود؟پژوهشگران پلتفرم MCCv (Micro Capture-C variant-to-function) را توسعه دادند؛ روشی که ساختار کروماتین را در سطح هر آلل و با وضوحی در حد جفت‌باز بررسی می‌کند. این روش می‌تواند تغییرات تماس‌های کروماتینی را آشکار کند و به شناسایی ارتباط میان عناصر تنظیمی و ژن‌های هدف کمک کند.
📊 مهم‌ترین یافته‌ها:
🔹 پژوهشگران ۴۰۵ عنصر تنظیمی cis مرتبط با بیماری‌های التهابی با واسطه سیستم ایمنی را بررسی کردند.🔹 در ۵۴٫۶٪ از واریانت‌های ناهموزیگوت مرتبط با بیماری که بررسی شدند، دست‌کم یک تماس کروماتینی به‌طور معناداری تغییر کرده بود.🔹 یافته مهم‌تر، شناسایی سازوکاری ناشناخته در ارتباط با خودایمنی بود: ایجاد یک موتیف جدید برای اتصال پروتئین CTCF که تماس سوپرانهانسر با پروموتر ژن SESN3 را مسدود می‌کند.🔹 پژوهشگران همچنین با بررسی نقش SESN3 در تنظیم مسیر mTOR و استفاده از مدل‌های موشی، شواهدی درباره نقش این ژن در خودایمنی ارائه کردند.
💡 چرا این کشف مهم است؟این پژوهش فقط به یافتن ارتباط آماری میان یک واریانت و بیماری بسنده نمی‌کند؛ بلکه راهی برای پیوند دادن تغییر توالی DNA به تغییر ساختار سه‌بعدی کروماتین، ژن هدف و سازوکار زیستی فراهم می‌کند.
🚀 چنین رویکردی می‌تواند تفسیر واریانت‌های غیرکدکننده را دقیق‌تر کند و به کشف مسیرهای مولکولی جدید در بیماری‌های التهابی و خودایمنی کمک کند؛ هرچند برای تبدیل این یافته‌ها به کاربرد بالینی، پژوهش‌های بیشتری لازم است.
📚 منبع اصلی: Hamley JC, Zhang W, Willmott D, et al. Single-allele nanoscale mapping of regulatory variants.🧬
Nature Genetics, 2026; 58: 2660–2672.🔗 https://doi.org/10.1038/s41588-026
@academic_science
❤2👍1
معرفی
SpliceAI2
🧬 وقتی هوش مصنوعی می‌تواند بفهمد یک تغییر کوچک در DNA چطور سرنوشت یک ژن را عوض می‌کند!
🔬 معرفی SpliceAI2؛ نسل جدید هوش مصنوعی برای رمزگشایی از پیچیدگی ژنوم انسانشاید فکر کنیم پیچیدگی انسان باید به تعداد ژن‌های او مربوط باشد؛ اما واقعیت بسیار جالب‌تر است!
🧩 یک ژن می‌تواند با استفاده از فرایندی به نام Alternative Splicing (پیرایش جایگزین RNA)، چندین نسخهٔ متفاوت از RNA و در بسیاری از موارد، پروتئین‌های متفاوت تولید کند.حالا تصور کنید یک تغییر کوچک در DNA بتواند نحوهٔ این پیرایش را تغییر دهد و در نهایت بر عملکرد یک ژن اثر بگذارد. شناسایی چنین تغییراتی، به‌ویژه در بیماری‌های ژنتیکی نادر، یکی از چالش‌های مهم ژنومیک است.
🚀 اینجاست که SpliceAI2 وارد میدان می‌شود!این مدل هوش مصنوعی که توسط آزمایشگاه BioInsight AI شرکت Illumina توسعه یافته، نسبت به نسخهٔ قبلی خود فراتر می‌رود و به سه پرسش اساسی پاسخ می‌دهد:
🔹 ۱. محل پیرایش کجاست؟ پیش‌بینی می‌کند کدام موقعیت‌های DNA به‌عنوان جایگاه پیرایش استفاده می‌شوند و میزان استفاده از آن‌ها چقدر است.
🔹 ۲. این جایگاه‌ها چگونه به هم متصل می‌شوند؟ ارتباط بین جایگاه‌های پیرایش را پیش‌بینی می‌کند تا مشخص شود RNA چگونه کنار هم قرار می‌گیرد.
🔹 ۳. محصول نهایی چیست؟ به پیش‌بینی نسخه‌های کامل رونوشت RNA می‌پردازد؛ یعنی تصویری جامع‌تر از خروجی فرایند پیرایش ارائه می‌دهد.
📊 چند عدد جالب از پشت صحنهٔ این مدل:
▪️ بیش از ۳۱۴ هزار نمونهٔ RNA-seq از ۱۰ گونه در داده‌های آموزشی آن استفاده شده است.
▪️ این داده‌ها بیش از ۴۶ میلیون اتصال پیرایشی مشاهده‌شده را پوشش می‌دهند.
▪️ در پیش‌بینی رایج‌ترین رونوشت کامل برای ژن‌هایی که در آموزش ندیده بود، به دقت ۸۲٪ رسید؛ در مقایسه با ۷۸٪ برای مدلی که فقط با داده‌های کوتاه‌خوان آموزش دیده بود.
▪️ در تحلیل داده‌های ۷٬۵۰۴ فرد از پروژهٔ Genomics England، در آستانه‌های اطمینان قابل‌مقایسه، ۱۷٪ بیشتر از سایر مدل‌های پیرایش آزمایش‌شده، واریانت‌های مرتبط با بیماری را شناسایی کرد.
🧠 چرا این پیشرفت مهم است؟بسیاری از تغییرات ژنتیکی مهم در بخش‌هایی از ژنوم رخ می‌دهند که مستقیماً پروتئین را کد نمی‌کنند. برخی از این تغییرات می‌توانند جایگاه‌های پیرایش جدید ایجاد کنند و ساختار RNA را تغییر دهند.SpliceAI2 با پیش‌بینی پیامدهای احتمالی این تغییرات از روی توالی DNA، می‌تواند به پژوهشگران کمک کند واریانت‌های مهم را بهتر اولویت‌بندی کنند؛ حتی در شرایطی که دسترسی به RNA بافت موردنظر دشوار است.البته پیش‌بینی هوش مصنوعی به‌تنهایی به معنای اثبات بیماری‌زایی یک واریانت یا تشخیص قطعی بالینی نیست؛ بلکه ابزاری برای هدایت دقیق‌تر پژوهش و تفسیر ژنتیکی است.
✨ پیام اصلی: برای درک عملکرد ژن‌ها، دانستن توالی DNA کافی نیست؛ باید بفهمیم این توالی چگونه به RNA تبدیل می‌شود و تغییرات کوچک چگونه می‌توانند محصول نهایی را دگرگون کنند.🔗 منبع و مطالعهٔ بیشتر:
Introducing SpliceAI2 — Illumina
@academic_science
SpliceAI2
🧬 وقتی هوش مصنوعی می‌تواند بفهمد یک تغییر کوچک در DNA چطور سرنوشت یک ژن را عوض می‌کند!
🔬 معرفی SpliceAI2؛ نسل جدید هوش مصنوعی برای رمزگشایی از پیچیدگی ژنوم انسانشاید فکر کنیم پیچیدگی انسان باید به تعداد ژن‌های او مربوط باشد؛ اما واقعیت بسیار جالب‌تر است!
🧩 یک ژن می‌تواند با استفاده از فرایندی به نام Alternative Splicing (پیرایش جایگزین RNA)، چندین نسخهٔ متفاوت از RNA و در بسیاری از موارد، پروتئین‌های متفاوت تولید کند.حالا تصور کنید یک تغییر کوچک در DNA بتواند نحوهٔ این پیرایش را تغییر دهد و در نهایت بر عملکرد یک ژن اثر بگذارد. شناسایی چنین تغییراتی، به‌ویژه در بیماری‌های ژنتیکی نادر، یکی از چالش‌های مهم ژنومیک است.
🚀 اینجاست که SpliceAI2 وارد میدان می‌شود!این مدل هوش مصنوعی که توسط آزمایشگاه BioInsight AI شرکت Illumina توسعه یافته، نسبت به نسخهٔ قبلی خود فراتر می‌رود و به سه پرسش اساسی پاسخ می‌دهد:
🔹 ۱. محل پیرایش کجاست؟ پیش‌بینی می‌کند کدام موقعیت‌های DNA به‌عنوان جایگاه پیرایش استفاده می‌شوند و میزان استفاده از آن‌ها چقدر است.
🔹 ۲. این جایگاه‌ها چگونه به هم متصل می‌شوند؟ ارتباط بین جایگاه‌های پیرایش را پیش‌بینی می‌کند تا مشخص شود RNA چگونه کنار هم قرار می‌گیرد.
🔹 ۳. محصول نهایی چیست؟ به پیش‌بینی نسخه‌های کامل رونوشت RNA می‌پردازد؛ یعنی تصویری جامع‌تر از خروجی فرایند پیرایش ارائه می‌دهد.
📊 چند عدد جالب از پشت صحنهٔ این مدل:
▪️ بیش از ۳۱۴ هزار نمونهٔ RNA-seq از ۱۰ گونه در داده‌های آموزشی آن استفاده شده است.
▪️ این داده‌ها بیش از ۴۶ میلیون اتصال پیرایشی مشاهده‌شده را پوشش می‌دهند.
▪️ در پیش‌بینی رایج‌ترین رونوشت کامل برای ژن‌هایی که در آموزش ندیده بود، به دقت ۸۲٪ رسید؛ در مقایسه با ۷۸٪ برای مدلی که فقط با داده‌های کوتاه‌خوان آموزش دیده بود.
▪️ در تحلیل داده‌های ۷٬۵۰۴ فرد از پروژهٔ Genomics England، در آستانه‌های اطمینان قابل‌مقایسه، ۱۷٪ بیشتر از سایر مدل‌های پیرایش آزمایش‌شده، واریانت‌های مرتبط با بیماری را شناسایی کرد.
🧠 چرا این پیشرفت مهم است؟بسیاری از تغییرات ژنتیکی مهم در بخش‌هایی از ژنوم رخ می‌دهند که مستقیماً پروتئین را کد نمی‌کنند. برخی از این تغییرات می‌توانند جایگاه‌های پیرایش جدید ایجاد کنند و ساختار RNA را تغییر دهند.SpliceAI2 با پیش‌بینی پیامدهای احتمالی این تغییرات از روی توالی DNA، می‌تواند به پژوهشگران کمک کند واریانت‌های مهم را بهتر اولویت‌بندی کنند؛ حتی در شرایطی که دسترسی به RNA بافت موردنظر دشوار است.البته پیش‌بینی هوش مصنوعی به‌تنهایی به معنای اثبات بیماری‌زایی یک واریانت یا تشخیص قطعی بالینی نیست؛ بلکه ابزاری برای هدایت دقیق‌تر پژوهش و تفسیر ژنتیکی است.
✨ پیام اصلی: برای درک عملکرد ژن‌ها، دانستن توالی DNA کافی نیست؛ باید بفهمیم این توالی چگونه به RNA تبدیل می‌شود و تغییرات کوچک چگونه می‌توانند محصول نهایی را دگرگون کنند.🔗 منبع و مطالعهٔ بیشتر:
Introducing SpliceAI2 — Illumina
@academic_science
Illumina
Introducing SpliceAI2: The Next Generation of Splicing and Transcript Isoform Prediction
Introducing SpliceAI2, a new model from the BioInsight AI Lab trained on hundreds of thousands of RNA sequencing samples to predict splice sites, splice junctions, and complete transcript isoforms directly from DNA sequence. SpliceAI2 succeeds SpliceAI, which…
👍3
بمنظور کار در آزمایشگاه ژنتیک پزشکی واقع در خیابان مفتح تهران نیازمند نیروی باسابقه و متبحر در رابطه با تست های ژنتیکی هستیم.
ترجیحا ارشد ژنتیک انسانی.
چنانچه تمایل به همکاری دارین، به اینجانب پیام دهید
اگر دوستانی دارین مایل به همکاری، لطف بفرمایید و پیام من رو براشون ارسال کنید.
+98 912 688 3417
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
ترجیحا ارشد ژنتیک انسانی.
چنانچه تمایل به همکاری دارین، به اینجانب پیام دهید
اگر دوستانی دارین مایل به همکاری، لطف بفرمایید و پیام من رو براشون ارسال کنید.
+98 912 688 3417
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
❤5
This media is not supported in your browser
VIEW IN TELEGRAM
لحظه‌ای سرشار از عشق، اشک و امید در آتیبایای برزیل رقم خورد؛ جایی که پدر و مادر «جسه» ۹ ساله، پس‌از ماه‌ها داغ فرزندشان، برای نخستین‌بار با «داوی» ۳ ساله، کودکی که قلب پسرشان را دریافت کرده بود، دیدار کردند.
معجزه‌ی_علم
@academic_science
معجزه‌ی_علم
@academic_science
❤12👍3
🧬 موفقیت یک درمان مبتنی بر RNA برای بیماری ALS
🔺 یک درمان مبتنی بر #RNA برای یکی از انواع نادر بیماری ALS (اسکلروز جانبی آمیوتروفیک)، در نخستین فردی که این درمان را دریافت کرده، نتایج امیدوارکننده‌ای نشان داده است.
🔺 این بیمار که یک پزشک است، یک سال پس از آغاز درمان نه‌تنها توانسته به فعالیت حرفه‌ای خود ادامه دهد، بلکه بهبود علائم بیماری نیز در او گزارش شده است.
🔬 این روش بر پایه‌ی Antisense Oligonucleotide (ASO) طراحی شده است. در این رویکرد، قطعات کوتاهی از ماده ژنتیکی به‌گونه‌ای طراحی می‌شوند که RNA تولیدشده از یک ژن معیوب را هدف قرار دهند. در این مورد، هدف درمان ژن CHCHD10 بوده است؛ ژنی که یک جهش نادر در آن می‌تواند باعث بروز نوعی ALS شود.
✨ اهمیت این مطالعه در توسعه‌ی یک درمان ASO شخصی‌سازی‌شده برای یک جهش ژنتیکی بسیار نادر در میان بیماران مبتلا به آن بیماری است. این رویکرد می‌تواند در آینده راه را برای توسعه درمان‌های هدفمند برای بیماری‌های نورودژنراتیو ناشی از جهش‌های نادر هموار کند.
👈 لازم به ذکر است که این نتیجه مربوط به نخستین بیمار دریافت‌کننده درمان است و برای اثبات #ایمنی و #اثربخشی این رویکرد در بیماران بیشتر، مطالعات گسترده‌تری لازم خواهد بود.
لینک خبر:
https://www.nature.com/articles/d41586-026-02945-z
🔺 یک درمان مبتنی بر #RNA برای یکی از انواع نادر بیماری ALS (اسکلروز جانبی آمیوتروفیک)، در نخستین فردی که این درمان را دریافت کرده، نتایج امیدوارکننده‌ای نشان داده است.
🔺 این بیمار که یک پزشک است، یک سال پس از آغاز درمان نه‌تنها توانسته به فعالیت حرفه‌ای خود ادامه دهد، بلکه بهبود علائم بیماری نیز در او گزارش شده است.
🔬 این روش بر پایه‌ی Antisense Oligonucleotide (ASO) طراحی شده است. در این رویکرد، قطعات کوتاهی از ماده ژنتیکی به‌گونه‌ای طراحی می‌شوند که RNA تولیدشده از یک ژن معیوب را هدف قرار دهند. در این مورد، هدف درمان ژن CHCHD10 بوده است؛ ژنی که یک جهش نادر در آن می‌تواند باعث بروز نوعی ALS شود.
✨ اهمیت این مطالعه در توسعه‌ی یک درمان ASO شخصی‌سازی‌شده برای یک جهش ژنتیکی بسیار نادر در میان بیماران مبتلا به آن بیماری است. این رویکرد می‌تواند در آینده راه را برای توسعه درمان‌های هدفمند برای بیماری‌های نورودژنراتیو ناشی از جهش‌های نادر هموار کند.
👈 لازم به ذکر است که این نتیجه مربوط به نخستین بیمار دریافت‌کننده درمان است و برای اثبات #ایمنی و #اثربخشی این رویکرد در بیماران بیشتر، مطالعات گسترده‌تری لازم خواهد بود.
لینک خبر:
https://www.nature.com/articles/d41586-026-02945-z
Nature
First for RNA therapy: man with rare motor-neuron disease improves after treatment
Nature - Gene-targeting treatments could be used to treat other people with rare forms of amyotrophic lateral sclerosis (ALS).
❤3
⭕️خداحافظی با تعویض مفصل؟ دانشمندان راهی برای بازسازی غضروف و مقابله با آرتروز پیدا کردند
🔹دانشمندان دانشگاه استنفورد روشی را شناسایی کرده‌اند که می‌تواند با مهار پروتئین مرتبط با افزایش سن، به بازسازی غضروف آسیب‌دیده و مقابله با آرتروز کمک کند. این پروتئین که ۱۵-PGDH نام دارد، با افزایش سن بیشتر می‌شود و در کاهش عملکرد بافت‌های بدن نقش دارد.
🔹در آزمایش‌ها، مهار این پروتئین باعث بازسازی غضروف زانوی موش‌های مسن شد و احتمال ابتلا به آرتروز پس از آسیب‌های مشابه پارگی رباط صلیبی را کاهش داد. موش‌های درمان‌شده همچنین حرکت طبیعی‌تری داشتند. نکته مهم این بود که غضروف بازسازی‌شده از نوع هیالین بود؛ همان غضروف صاف و تخصص‌یافته‌ای که برای عملکرد طبیعی مفاصل ضروری است.
🔹پژوهشگران همچنین نمونه‌های غضروف بیماران مبتلا به آرتروز را که تحت جراحی تعویض مفصل زانو قرار گرفته بودند، بررسی کردند. پس از یک هفته مواجهه با مهارکننده ۱۵-PGDH، این نمونه‌ها نشانه‌هایی از کاهش فعالیت ژن‌های مرتبط با تخریب غضروف و تولید غضروف مفصلی جدید نشان دادند. این فرایند ظاهراً با تغییر فعالیت ژن‌های سلول‌های غضروفی موجود انجام می‌شود و به سلول‌های بنیادی نیاز ندارد.
🔹با وجود این نتایج امیدوارکننده، هنوز مشخص نیست این روش در بدن انسان تا چه اندازه مؤثر و ایمن است. پژوهشگران امیدوارند در آینده امکان آزمایش آن برای بازسازی غضروف فراهم شود. اگر اثربخشی این رویکرد در کارآزمایی‌های بالینی تأیید شود، می‌تواند مسیر تازه‌ای برای درمان آرتروز و کاهش نیاز به جراحی تعویض مفصل زانو و لگن ایجاد کند.
🔹دانشمندان دانشگاه استنفورد روشی را شناسایی کرده‌اند که می‌تواند با مهار پروتئین مرتبط با افزایش سن، به بازسازی غضروف آسیب‌دیده و مقابله با آرتروز کمک کند. این پروتئین که ۱۵-PGDH نام دارد، با افزایش سن بیشتر می‌شود و در کاهش عملکرد بافت‌های بدن نقش دارد.
🔹در آزمایش‌ها، مهار این پروتئین باعث بازسازی غضروف زانوی موش‌های مسن شد و احتمال ابتلا به آرتروز پس از آسیب‌های مشابه پارگی رباط صلیبی را کاهش داد. موش‌های درمان‌شده همچنین حرکت طبیعی‌تری داشتند. نکته مهم این بود که غضروف بازسازی‌شده از نوع هیالین بود؛ همان غضروف صاف و تخصص‌یافته‌ای که برای عملکرد طبیعی مفاصل ضروری است.
🔹پژوهشگران همچنین نمونه‌های غضروف بیماران مبتلا به آرتروز را که تحت جراحی تعویض مفصل زانو قرار گرفته بودند، بررسی کردند. پس از یک هفته مواجهه با مهارکننده ۱۵-PGDH، این نمونه‌ها نشانه‌هایی از کاهش فعالیت ژن‌های مرتبط با تخریب غضروف و تولید غضروف مفصلی جدید نشان دادند. این فرایند ظاهراً با تغییر فعالیت ژن‌های سلول‌های غضروفی موجود انجام می‌شود و به سلول‌های بنیادی نیاز ندارد.
🔹با وجود این نتایج امیدوارکننده، هنوز مشخص نیست این روش در بدن انسان تا چه اندازه مؤثر و ایمن است. پژوهشگران امیدوارند در آینده امکان آزمایش آن برای بازسازی غضروف فراهم شود. اگر اثربخشی این رویکرد در کارآزمایی‌های بالینی تأیید شود، می‌تواند مسیر تازه‌ای برای درمان آرتروز و کاهش نیاز به جراحی تعویض مفصل زانو و لگن ایجاد کند.
👏3❤1
jmg-2026-111522full.pdf
1.3 MB
The British Society for Genetic Medicine guidance on managing incidental findings identified during rare disease genomic testing
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
👍3
Academic_science
jmg-2026-111522full.pdf
🧬 یک آزمایش برای بیماری نادر؛ کشفی که می‌تواند از سرطان آینده پیشگیری کند!
🔬 نگاهی به ژن‌ها و یافته‌های اتفاقی در راهنمای BSGM سال ۲۰۲۶
تصور کنید کودک به دلیل ناهنجاری مادرزادی تحت توالی‌یابی کل ژنوم (WGS) قرار می‌گیرد؛ اما در نتایج، واریانتی در ژنی شناسایی می‌شود که با استعداد ابتلا به سرطان در سال‌های آینده ارتباط دارد!
آیا باید این یافته را گزارش کرد؟ آیا کودک یا خانواده‌اش به پیگیری نیاز دارند؟
راهنمای انجمن بریتانیایی پزشکی ژنتیک (BSGM) به این پرسش مهم می‌پردازد. 👇
📌 ۱. ژن‌های مستعدکننده سرطان؛ کدام یافته‌ها اهمیت بیشتری دارند؟
مقاله فهرستی از ژن‌های مستعدکننده سرطان را معرفی می‌کند که واریانت‌های بیماری‌زای آن‌ها، در صورت احراز معیارهای بالینی، می‌توانند به‌عنوان یافته اتفاقی گزارش شوند.
🧬 BRCA1 و BRCA2 مرتبط با افزایش استعداد ابتلا به سرطان پستان و تخمدان و برخی سرطان‌های دیگر. شناسایی واریانت بیماری‌زا می‌تواند به ارزیابی خطر، برنامه‌ریزی پایش و بررسی اعضای خانواده منجر شود.
🧬 TP53 مرتبط با سندرم Li-Fraumeni و افزایش استعداد ابتلا به انواع مختلف سرطان، گاهی از سنین پایین. شناسایی واریانت بیماری‌زای مرتبط می‌تواند بر برنامه پایش سرطان و مراقبت از خانواده تأثیر بگذارد.
🧬 MLH1، MSH2، MSH6 و PMS2 ژن‌های دخیل در ترمیم عدم تطابق DNA (Mismatch Repair). واریانت‌های بیماری‌زای این ژن‌ها می‌توانند با سندرم Lynch و افزایش خطر برخی سرطان‌ها، به‌ویژه سرطان کولورکتال و آندومتر، مرتبط باشند.
🧬 APC مرتبط با پولیپوز آدنوماتوز خانوادگی (FAP) و افزایش خطر سرطان کولورکتال. شناسایی آن می‌تواند زمینه‌ساز پایش و مداخلات پیشگیرانه مناسب باشد.
🧬 RET برخی واریانت‌های بیماری‌زای این ژن با نئوپلازی اندوکرین متعدد نوع ۲ (MEN2) و سرطان مدولاری تیروئید مرتبط‌اند. نکته مهم این است که طبق راهنما، نوع و سطح خطر واریانت RET برای تصمیم‌گیری درباره گزارش اهمیت دارد.
🧬 RB1 مرتبط با رتینوبلاستوما؛ شناسایی واریانت بیماری‌زا می‌تواند ضرورت پایش چشمی و ارزیابی خطر خانوادگی را مطرح کند.
📍 این‌ها نمونه‌هایی از ژن‌های فهرست مقاله‌اند؛ نه اینکه هر واریانت در این ژن‌ها الزاماً گزارش شود. معیار، واریانت بیماری‌زا و شواهد کافی درباره اهمیت بالینی آن است.
۲. چرا فقط نام ژن کافی نیست؟
سه مفهوم کلیدی، تصمیم‌گیری را تعیین می‌کنند:
🔹 Pathogenicity | بیماری‌زایی: آیا شواهد کافی نشان می‌دهند که واریانت واقعاً بیماری‌زاست؟
🔹 Penetrance | نفوذپذیری: چه احتمالی وجود دارد که فرد حامل واریانت واقعاً به بیماری مبتلا شود؟ حتی یک واریانت بیماری‌زا نیز لزوماً به معنای ابتلای قطعی نیست.
🔹 Clinical Actionability | قابلیت اقدام بالینی: آیا شناسایی این یافته می‌تواند به درمان، پایش یا پیشگیری مؤثر منجر شود؟
بر همین اساس، در غیاب فنوتیپ مرتبط، راهنما گزارش واریانت‌های _Pathogenic_ را در صورت وجود نفوذپذیری بالا و مداخله بالینی مؤثر مطرح می‌کند؛ اما گزارش واریانت‌های _Likely Pathogenic_ و _VUS_ را به‌عنوان یافته اتفاقی در این چارچوب توصیه نمی‌کند.
۳. آیا هر یافته اتفاقی باید گزارش شود؟ خیر!
🧪 اگر در یک پنل گسترده، فرد تنها حامل یک واریانت بیماری‌زا در ژن مرتبط با یک بیماری اتوزومال مغلوب باشد، گزارش روتین این وضعیت توصیه نمی‌شود؛ زیرا ناقل‌بودن به‌تنهایی معمولاً علت علائم فرد نیست.
❤️ درباره ژن‌های بیماری‌های قلبی ارثی نیز باید محتاط بود. امکان پایش یا درمان به‌تنهایی کافی نیست؛ میزان خطر واقعی، شواهد مربوط به نفوذپذیری و سود و زیان مداخله باید بررسی شوند. مقاله برای این گروه، فهرست ژنی عمومی ارائه نمی‌کند.
۴. اهمیت این یافته‌ها برای خانواده چیست؟
یک واریانت بیماری‌زا ممکن است علاوه بر فرد آزمایش‌شده، برای خویشاوندان نیز مهم باشد. پس از تأیید واریانت و ارزیابی بالینی، ممکن است بررسی هدفمند اعضای خانواده و اقدامات پیشگیرانه یا پایشی برای افراد در معرض خطر مطرح شود.
🎯 پیام نهایی مقاله:
در ژنومیک بالینی، ارزش یک یافته صرفاً به کشف واریانت محدود نمی‌شود؛ بلکه به این بستگی دارد که آیا این کشف می‌تواند تصمیم پزشکی را تغییر دهد و پیامد سلامت بیمار یا خانواده را بهبود بخشد.
📚 منبع: Ellard S, et al. _The British Society for Genetic Medicine guidance on managing incidental findings identified during rare disease genomic testing._
Journal of Medical Genetics، منتشرشده در ۶ اوت ۲۰۲۶.
🔗 (<https://jmg.bmj.com/content/early/2026/08/06/jmg-2026-111522>)
منبع علمی فهرست ژن‌ها و معیارهای گزارش‌دهی: متن اصلی مقاله در Journal of Medical Genetics. BMJ Journals
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
🔬 نگاهی به ژن‌ها و یافته‌های اتفاقی در راهنمای BSGM سال ۲۰۲۶
تصور کنید کودک به دلیل ناهنجاری مادرزادی تحت توالی‌یابی کل ژنوم (WGS) قرار می‌گیرد؛ اما در نتایج، واریانتی در ژنی شناسایی می‌شود که با استعداد ابتلا به سرطان در سال‌های آینده ارتباط دارد!
آیا باید این یافته را گزارش کرد؟ آیا کودک یا خانواده‌اش به پیگیری نیاز دارند؟
راهنمای انجمن بریتانیایی پزشکی ژنتیک (BSGM) به این پرسش مهم می‌پردازد. 👇
📌 ۱. ژن‌های مستعدکننده سرطان؛ کدام یافته‌ها اهمیت بیشتری دارند؟
مقاله فهرستی از ژن‌های مستعدکننده سرطان را معرفی می‌کند که واریانت‌های بیماری‌زای آن‌ها، در صورت احراز معیارهای بالینی، می‌توانند به‌عنوان یافته اتفاقی گزارش شوند.
🧬 BRCA1 و BRCA2 مرتبط با افزایش استعداد ابتلا به سرطان پستان و تخمدان و برخی سرطان‌های دیگر. شناسایی واریانت بیماری‌زا می‌تواند به ارزیابی خطر، برنامه‌ریزی پایش و بررسی اعضای خانواده منجر شود.
🧬 TP53 مرتبط با سندرم Li-Fraumeni و افزایش استعداد ابتلا به انواع مختلف سرطان، گاهی از سنین پایین. شناسایی واریانت بیماری‌زای مرتبط می‌تواند بر برنامه پایش سرطان و مراقبت از خانواده تأثیر بگذارد.
🧬 MLH1، MSH2، MSH6 و PMS2 ژن‌های دخیل در ترمیم عدم تطابق DNA (Mismatch Repair). واریانت‌های بیماری‌زای این ژن‌ها می‌توانند با سندرم Lynch و افزایش خطر برخی سرطان‌ها، به‌ویژه سرطان کولورکتال و آندومتر، مرتبط باشند.
🧬 APC مرتبط با پولیپوز آدنوماتوز خانوادگی (FAP) و افزایش خطر سرطان کولورکتال. شناسایی آن می‌تواند زمینه‌ساز پایش و مداخلات پیشگیرانه مناسب باشد.
🧬 RET برخی واریانت‌های بیماری‌زای این ژن با نئوپلازی اندوکرین متعدد نوع ۲ (MEN2) و سرطان مدولاری تیروئید مرتبط‌اند. نکته مهم این است که طبق راهنما، نوع و سطح خطر واریانت RET برای تصمیم‌گیری درباره گزارش اهمیت دارد.
🧬 RB1 مرتبط با رتینوبلاستوما؛ شناسایی واریانت بیماری‌زا می‌تواند ضرورت پایش چشمی و ارزیابی خطر خانوادگی را مطرح کند.
📍 این‌ها نمونه‌هایی از ژن‌های فهرست مقاله‌اند؛ نه اینکه هر واریانت در این ژن‌ها الزاماً گزارش شود. معیار، واریانت بیماری‌زا و شواهد کافی درباره اهمیت بالینی آن است.
۲. چرا فقط نام ژن کافی نیست؟
سه مفهوم کلیدی، تصمیم‌گیری را تعیین می‌کنند:
🔹 Pathogenicity | بیماری‌زایی: آیا شواهد کافی نشان می‌دهند که واریانت واقعاً بیماری‌زاست؟
🔹 Penetrance | نفوذپذیری: چه احتمالی وجود دارد که فرد حامل واریانت واقعاً به بیماری مبتلا شود؟ حتی یک واریانت بیماری‌زا نیز لزوماً به معنای ابتلای قطعی نیست.
🔹 Clinical Actionability | قابلیت اقدام بالینی: آیا شناسایی این یافته می‌تواند به درمان، پایش یا پیشگیری مؤثر منجر شود؟
بر همین اساس، در غیاب فنوتیپ مرتبط، راهنما گزارش واریانت‌های _Pathogenic_ را در صورت وجود نفوذپذیری بالا و مداخله بالینی مؤثر مطرح می‌کند؛ اما گزارش واریانت‌های _Likely Pathogenic_ و _VUS_ را به‌عنوان یافته اتفاقی در این چارچوب توصیه نمی‌کند.
۳. آیا هر یافته اتفاقی باید گزارش شود؟ خیر!
🧪 اگر در یک پنل گسترده، فرد تنها حامل یک واریانت بیماری‌زا در ژن مرتبط با یک بیماری اتوزومال مغلوب باشد، گزارش روتین این وضعیت توصیه نمی‌شود؛ زیرا ناقل‌بودن به‌تنهایی معمولاً علت علائم فرد نیست.
❤️ درباره ژن‌های بیماری‌های قلبی ارثی نیز باید محتاط بود. امکان پایش یا درمان به‌تنهایی کافی نیست؛ میزان خطر واقعی، شواهد مربوط به نفوذپذیری و سود و زیان مداخله باید بررسی شوند. مقاله برای این گروه، فهرست ژنی عمومی ارائه نمی‌کند.
۴. اهمیت این یافته‌ها برای خانواده چیست؟
یک واریانت بیماری‌زا ممکن است علاوه بر فرد آزمایش‌شده، برای خویشاوندان نیز مهم باشد. پس از تأیید واریانت و ارزیابی بالینی، ممکن است بررسی هدفمند اعضای خانواده و اقدامات پیشگیرانه یا پایشی برای افراد در معرض خطر مطرح شود.
🎯 پیام نهایی مقاله:
در ژنومیک بالینی، ارزش یک یافته صرفاً به کشف واریانت محدود نمی‌شود؛ بلکه به این بستگی دارد که آیا این کشف می‌تواند تصمیم پزشکی را تغییر دهد و پیامد سلامت بیمار یا خانواده را بهبود بخشد.
📚 منبع: Ellard S, et al. _The British Society for Genetic Medicine guidance on managing incidental findings identified during rare disease genomic testing._
Journal of Medical Genetics، منتشرشده در ۶ اوت ۲۰۲۶.
🔗 (<https://jmg.bmj.com/content/early/2026/08/06/jmg-2026-111522>)
منبع علمی فهرست ژن‌ها و معیارهای گزارش‌دهی: متن اصلی مقاله در Journal of Medical Genetics. BMJ Journals
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
Journal of Medical Genetics
The British Society for Genetic Medicine guidance on managing incidental findings identified during rare disease genomic testing
Background Genomic testing will occasionally identify a highly actionable genetic variant or other finding that is not related to the reason for testing. Such incidental findings may be relevant to the patient undergoing testing or to their family members.…
❤6👍1
این عکس یکی از معروف‌ترین و جالب ترین «آغوش‌ها»ی تاریخ پزشکیه.
سال ۱۹۹۵، دوقلوهای نارس بریل و کایری جکسون در آمریکا به دنیا اومدن. بریل حال خوبی نداشت؛ اکسیژن خونش پایین می‌اومد، ضربان قلبش به‌هم ریخته بود و بدنش داشت کبود می‌شد.
وقتی روش‌های معمول جواب نداد، پرستار گیل کاسپاریان تصمیم گرفت کاری انجام بده که اون زمان توی بیمارستان رایج نبود:
خواهر دوقلوی قوی‌ترش، کایری، رو داخل همون انکوباتور کنار بریل گذاشت. 🏥
چند دقیقه بعد، وضعیت بریل بهتر شد؛ اکسیژن خونش بالا رفت، ضربان قلبش پایدارتر شد و بدنش گرم‌تر شد. بعد هم کایری دست کوچیکش رو دور خواهرش حلقه کرد؛ همون لحظه‌ای که بعدها به اسم «آغوش نجات‌بخش» معروف شد.
این ماجرا بعدها توجه زیادی به روش کنار هم نگه‌داشتن دوقلوهای نارس (Co-bedding) جلب کرد.
+ بعضی وقتا یه آغوش، کاری می‌کنه که هیچ دستگاهی نمی‌تونه اندازه‌ش تاثیرگذار باشه. ❤️
❤19🔥2
رکورد طلای ایران در المپیادهای علمی جهان
رئیس باشگاه دانش‌پژوهان جوان:
ایران در المپیادهای علمی جهانی و بین‌المللی ۲۰۲۶، با کسب ۱۸ مدال طلا و با وجود شرکت در دو مسابقه کمتر نسبت به سال گذشته، رکورد طلای خود را از ۱۱ به ۱۸ مدال افزایش داد.
رئیس باشگاه دانش‌پژوهان جوان:
ایران در المپیادهای علمی جهانی و بین‌المللی ۲۰۲۶، با کسب ۱۸ مدال طلا و با وجود شرکت در دو مسابقه کمتر نسبت به سال گذشته، رکورد طلای خود را از ۱۱ به ۱۸ مدال افزایش داد.
❤20
s41587-026-03332-9.pdf
14.3 MB
Structural variant detection across sequencing technologies
Gaoyang Li , Yadong Liu …Yadong Wang
Nature Biotechnology (2026)
Gaoyang Li , Yadong Liu …Yadong Wang
Nature Biotechnology (2026)
🧬🚀 وقتی الگوریتم‌ها بخش‌های پنهان ژنوم را آشکار می‌کنند؛ معرفی HitSV، رویکردی نوین برای شناسایی تغییرات ساختاری DNA
🔬 مقاله‌ای تازه منتشرشده در مجله معتبر Nature Biotechnology در ۱۵ اکتبر ۲۰۲۶، به یکی از چالش‌های مهم ژنومیکس مدرن پرداخته است: چگونه می‌توان تغییرات ساختاری ژنوم را با دقت بالا، در فناوری‌های مختلف توالی‌یابی شناسایی کرد؟
📌 عنوان مقاله: _Structural variant detection across sequencing technologies_
👨🔬 نویسندگان: Gaoyang Li، Yadong Liu و همکاران
📚 مجله: Nature Biotechnology | 2026
🔗 لینک مقاله: https://doi.org/10.1038/s41587-026-03332-9
━━━━━━━━━━━━━━
🧬 ۱. چرا شناسایی Structural Variants این‌قدر مهم است؟
وقتی درباره تغییرات ژنتیکی صحبت می‌کنیم، معمولاً SNPها و جهش‌های کوچک در ذهنمان نقش می‌بندند؛ اما بخش مهمی از تنوع ژنومی انسان به تغییرات بزرگ‌تر و پیچیده‌تر مربوط می‌شود.
تغییرات ساختاری یا Structural Variants (SVs) معمولاً به تغییراتی در DNA با اندازه بیش از ۵۰ جفت‌باز گفته می‌شود؛ از جمله:
🔹 Deletion: حذف بخشی از توالی DNA
🔹 Insertion: اضافه‌شدن قطعه‌ای جدید به ژنوم
🔹 Inversion: معکوس‌شدن جهت یک قطعه از DNA
🔹 Duplication: تکرار و افزایش تعداد نسخه‌های یک ناحیه ژنومی
🔹 Complex SVs: تغییرات پیچیده‌ای که ممکن است ترکیبی از چند رویداد ساختاری باشند.
این تغییرات در تنوع ژنتیکی جمعیت‌ها، تکامل، بیماری‌های ژنتیکی و سرطان اهمیت دارند. بااین‌حال، شناسایی دقیق آن‌ها، به‌ویژه در نواحی تکراری ژنوم، همچنان یکی از چالش‌های جدی تحلیل داده‌های توالی‌یابی است.
━━━━━━━━━━━━━━
⚠️ ۲. مشکل اصلی کجاست؟ چرا ابزارهای قبلی کافی نیستند؟
تصور کنید بخواهید یک کتاب چندمیلیون‌حرفی را با قطعات کوچک کاغذ بازسازی کنید؛ آن هم در شرایطی که بسیاری از جمله‌ها تکراری‌اند!
این دقیقاً یکی از مشکلات تحلیل ژنوم است.
🧩 در نواحی تکراری، قطعات مشابه DNA در چندین نقطه ژنوم وجود دارند. بنابراین، ابزارهای هم‌ترازی ممکن است نتوانند مشخص کنند یک قطعه توالی دقیقاً به کدام موقعیت تعلق دارد.
نتیجه چیست؟
❌ برخی تغییرات ساختاری شناسایی نمی‌شوند.
❌ یک تغییر واقعی ممکن است به چند تغییر کوچک‌تر تقسیم شود.
❌ محل دقیق نقاط شکست (Breakpoints) ممکن است اشتباه تعیین شود.
❌ تعیین ژنوتیپ و بازسازی توالی واقعی آلل‌ها دشوار می‌شود.
از طرف دیگر، فناوری‌های مختلف نیز محدودیت‌های متفاوتی دارند:
🔹 Short-read sequencing: هزینه و توان عملیاتی مناسب برای مطالعات جمعیتی، اما محدودیت در بازسازی تغییرات بزرگ و پیچیده.
🔹 Long-read sequencing: توانایی بهتر در عبور از نواحی پیچیده و تکراری، اما با هزینه و نیازهای داده‌ای بیشتر.
💡 سؤال کلیدی پژوهش این است: آیا می‌توان با الگوریتمی بهتر، از داده‌های موجود اطلاعات ژنومی بیشتری استخراج کرد؟
━━━━━━━━━━━━━━
🚀 ۳. راهکار جدید مقاله چیست؟ معرفی HitSV
نویسندگان این پژوهش روش HitSV را معرفی کرده‌اند؛ ابزاری برای شناسایی تغییرات ساختاری که داده‌های Short-read، Long-read و داده‌های ترکیبی را پشتیبانی می‌کند.
نکته مهم این است که HitSV صرفاً به شناسایی سیگنال‌های تغییرات ساختاری اکتفا نمی‌کند، بلکه تلاش می‌کند از شواهد پراکنده و گاهی مبهم موجود در داده‌های توالی‌یابی، بازسازی دقیق‌تری از تغییرات واقعی انجام دهد.
🧠 این روش بر چند ایده اصلی تکیه دارد:
۱️⃣ درنظرگرفتن پیچیدگی نواحی تکراری ژنوم
HitSV شدت و الگوی سیگنال‌های مرتبط با تغییرات ساختاری را با میزان تکراری‌بودن ناحیه ژنومی مرتبط می‌کند. به این ترتیب، سیگنال‌های ضعیف یا مبهم در مناطق پیچیده بهتر ارزیابی می‌شوند.
۲️⃣ خوشه‌بندی هوشمند سیگنال‌ها
به‌جای تکیه بر گروه‌بندی ساده شواهد، این روش با خوشه‌بندی تدریجی، شواهد مربوط به نقاط شکست را پالایش می‌کند تا سیگنال‌های پراکنده مرتبط با یک رویداد واقعی بهتر کنار هم قرار گیرند.
۳️⃣ بازسازی موضعی توالی DNA
HitSV از _Local Assembly_ و گراف‌های مبتنی بر روش De Bruijn برای بازسازی آلل‌های کاندید استفاده می‌کند. سپس با بررسی شواهد حاصل از خوانش‌ها، محتمل‌ترین بازسازی‌ها و ژنوتیپ‌ها را ارزیابی می‌کند.
۴️⃣ تعیین ژنوتیپ با تفکیک هاپلوتیپی
این رویکرد تلاش می‌کند مشخص کند هر تغییر ساختاری روی کدام نسخه از کروموزوم قرار دارد؛ موضوعی مهم برای تحلیل تغییرات پیچیده و چندآللی.
✨ مزیت اصلی این رویکرد، ترکیب شناسایی تغییرات با بازسازی دقیق‌تر توالی آن‌هاست؛ نه صرفاً گزارش یک مختصات ژنومی.
━━━━━━━━━━━━━━
📊 ۴. نتایج مقاله چه می‌گویند؟
بخش جذاب پژوهش، ارزیابی HitSV در مقایسه با ابزارهای مطرح موجود است.
🔬 مقاله‌ای تازه منتشرشده در مجله معتبر Nature Biotechnology در ۱۵ اکتبر ۲۰۲۶، به یکی از چالش‌های مهم ژنومیکس مدرن پرداخته است: چگونه می‌توان تغییرات ساختاری ژنوم را با دقت بالا، در فناوری‌های مختلف توالی‌یابی شناسایی کرد؟
📌 عنوان مقاله: _Structural variant detection across sequencing technologies_
👨🔬 نویسندگان: Gaoyang Li، Yadong Liu و همکاران
📚 مجله: Nature Biotechnology | 2026
🔗 لینک مقاله: https://doi.org/10.1038/s41587-026-03332-9
━━━━━━━━━━━━━━
🧬 ۱. چرا شناسایی Structural Variants این‌قدر مهم است؟
وقتی درباره تغییرات ژنتیکی صحبت می‌کنیم، معمولاً SNPها و جهش‌های کوچک در ذهنمان نقش می‌بندند؛ اما بخش مهمی از تنوع ژنومی انسان به تغییرات بزرگ‌تر و پیچیده‌تر مربوط می‌شود.
تغییرات ساختاری یا Structural Variants (SVs) معمولاً به تغییراتی در DNA با اندازه بیش از ۵۰ جفت‌باز گفته می‌شود؛ از جمله:
🔹 Deletion: حذف بخشی از توالی DNA
🔹 Insertion: اضافه‌شدن قطعه‌ای جدید به ژنوم
🔹 Inversion: معکوس‌شدن جهت یک قطعه از DNA
🔹 Duplication: تکرار و افزایش تعداد نسخه‌های یک ناحیه ژنومی
🔹 Complex SVs: تغییرات پیچیده‌ای که ممکن است ترکیبی از چند رویداد ساختاری باشند.
این تغییرات در تنوع ژنتیکی جمعیت‌ها، تکامل، بیماری‌های ژنتیکی و سرطان اهمیت دارند. بااین‌حال، شناسایی دقیق آن‌ها، به‌ویژه در نواحی تکراری ژنوم، همچنان یکی از چالش‌های جدی تحلیل داده‌های توالی‌یابی است.
━━━━━━━━━━━━━━
⚠️ ۲. مشکل اصلی کجاست؟ چرا ابزارهای قبلی کافی نیستند؟
تصور کنید بخواهید یک کتاب چندمیلیون‌حرفی را با قطعات کوچک کاغذ بازسازی کنید؛ آن هم در شرایطی که بسیاری از جمله‌ها تکراری‌اند!
این دقیقاً یکی از مشکلات تحلیل ژنوم است.
🧩 در نواحی تکراری، قطعات مشابه DNA در چندین نقطه ژنوم وجود دارند. بنابراین، ابزارهای هم‌ترازی ممکن است نتوانند مشخص کنند یک قطعه توالی دقیقاً به کدام موقعیت تعلق دارد.
نتیجه چیست؟
❌ برخی تغییرات ساختاری شناسایی نمی‌شوند.
❌ یک تغییر واقعی ممکن است به چند تغییر کوچک‌تر تقسیم شود.
❌ محل دقیق نقاط شکست (Breakpoints) ممکن است اشتباه تعیین شود.
❌ تعیین ژنوتیپ و بازسازی توالی واقعی آلل‌ها دشوار می‌شود.
از طرف دیگر، فناوری‌های مختلف نیز محدودیت‌های متفاوتی دارند:
🔹 Short-read sequencing: هزینه و توان عملیاتی مناسب برای مطالعات جمعیتی، اما محدودیت در بازسازی تغییرات بزرگ و پیچیده.
🔹 Long-read sequencing: توانایی بهتر در عبور از نواحی پیچیده و تکراری، اما با هزینه و نیازهای داده‌ای بیشتر.
💡 سؤال کلیدی پژوهش این است: آیا می‌توان با الگوریتمی بهتر، از داده‌های موجود اطلاعات ژنومی بیشتری استخراج کرد؟
━━━━━━━━━━━━━━
🚀 ۳. راهکار جدید مقاله چیست؟ معرفی HitSV
نویسندگان این پژوهش روش HitSV را معرفی کرده‌اند؛ ابزاری برای شناسایی تغییرات ساختاری که داده‌های Short-read، Long-read و داده‌های ترکیبی را پشتیبانی می‌کند.
نکته مهم این است که HitSV صرفاً به شناسایی سیگنال‌های تغییرات ساختاری اکتفا نمی‌کند، بلکه تلاش می‌کند از شواهد پراکنده و گاهی مبهم موجود در داده‌های توالی‌یابی، بازسازی دقیق‌تری از تغییرات واقعی انجام دهد.
🧠 این روش بر چند ایده اصلی تکیه دارد:
۱️⃣ درنظرگرفتن پیچیدگی نواحی تکراری ژنوم
HitSV شدت و الگوی سیگنال‌های مرتبط با تغییرات ساختاری را با میزان تکراری‌بودن ناحیه ژنومی مرتبط می‌کند. به این ترتیب، سیگنال‌های ضعیف یا مبهم در مناطق پیچیده بهتر ارزیابی می‌شوند.
۲️⃣ خوشه‌بندی هوشمند سیگنال‌ها
به‌جای تکیه بر گروه‌بندی ساده شواهد، این روش با خوشه‌بندی تدریجی، شواهد مربوط به نقاط شکست را پالایش می‌کند تا سیگنال‌های پراکنده مرتبط با یک رویداد واقعی بهتر کنار هم قرار گیرند.
۳️⃣ بازسازی موضعی توالی DNA
HitSV از _Local Assembly_ و گراف‌های مبتنی بر روش De Bruijn برای بازسازی آلل‌های کاندید استفاده می‌کند. سپس با بررسی شواهد حاصل از خوانش‌ها، محتمل‌ترین بازسازی‌ها و ژنوتیپ‌ها را ارزیابی می‌کند.
۴️⃣ تعیین ژنوتیپ با تفکیک هاپلوتیپی
این رویکرد تلاش می‌کند مشخص کند هر تغییر ساختاری روی کدام نسخه از کروموزوم قرار دارد؛ موضوعی مهم برای تحلیل تغییرات پیچیده و چندآللی.
✨ مزیت اصلی این رویکرد، ترکیب شناسایی تغییرات با بازسازی دقیق‌تر توالی آن‌هاست؛ نه صرفاً گزارش یک مختصات ژنومی.
━━━━━━━━━━━━━━
📊 ۴. نتایج مقاله چه می‌گویند؟
بخش جذاب پژوهش، ارزیابی HitSV در مقایسه با ابزارهای مطرح موجود است.
Nature
Structural variant detection across sequencing technologies
Nature Biotechnology - HitSV models the interaction between genomic repetitiveness and signature intensity to improve structural variant detection.
بر اساس نتایج گزارش‌شده در مقاله:
📈 بهبود عملکرد در داده‌های Long-read
در بنچمارک نمونه انسانی HG002، امتیاز F1 مربوط به ژنوتیپ‌ها برای HitSV به حدود ۸۵٪ در داده‌های PacBio HiFi با پوشش ۳۰ برابر و ۸۸٫۴۸٪ در داده‌های Oxford Nanopore با پوشش ۳۰ برابر رسید.
نویسندگان، بسته به فناوری و ابزار مقایسه‌شده، بهبود نسبی ۱۵ تا ۷۲ درصدی را در معیار F1 ژنوتیپ نسبت به روش‌های برتر مقایسه‌شده گزارش کردند.
📈 بهبود شناسایی در داده‌های Short-read
در همین بنچمارک، HitSV نسبت به ابزارهای متداول مبتنی بر Short-read نیز عملکرد بهتری نشان داد؛ از جمله بهبود گزارش‌شده ۱۰٫۴۷ درصدی نسبت به Manta و ۲۰٫۲۸ درصدی نسبت به DELLY در معیار F1 ژنوتیپ.
🧪 استفاده ترکیبی از داده‌ها
یکی دیگر از یافته‌های مهم، عملکرد روش ترکیبی است: استفاده از ۴ برابر پوشش Long-read به همراه ۳۰ برابر پوشش Short-read در نمونه HG002، عملکردی قابل مقایسه با یا بهتر از Sniffles با ۳۰ برابر پوشش Long-read ایجاد کرد.
این نتیجه می‌تواند برای مطالعاتی که به دنبال تعادل میان هزینه توالی‌یابی و کیفیت شناسایی SVها هستند، اهمیت داشته باشد.
🔎 نکته روش‌شناختی: اعداد بالا مربوط به بنچمارک‌ها و شرایط مشخص‌شده در مقاله‌اند؛ بنابراین نباید آن‌ها را تضمینی برای عملکرد یکسان در تمام نمونه‌ها، فناوری‌ها یا انواع تغییرات ساختاری دانست.
━━━━━━━━━━━━━━
🌍 ۵. یک نتیجه قابل‌توجه: شناسایی ۳۱٫۵ درصد SV بیشتر در یک مجموعه‌داده بزرگ انسانی
نویسندگان HitSV را روی داده‌های فاز چهارم پروژه 1000 Genomes نیز اعمال کردند؛ مجموعه‌ای شامل ۳۲۰۲ نمونه انسانی.
نتایج گزارش‌شده نشان داد:
🧬 HitSV تعداد ۲۲۸٬۰۲۵ تغییر ساختاری را شناسایی کرد.
📈 این مجموعه، ۳۱٫۵ درصد بزرگ‌تر از مجموعه SVهای مبتنی بر Short-read در تحلیل مرجع مقایسه‌شده بود.
🔍 همچنین، ۹۳٬۲۴۲ تغییر ساختاری در مجموعه HitSV وجود داشت که در مجموعه مرجع مورد مقایسه گزارش نشده بودند.
این یافته نشان می‌دهد که محدودیت ابزارهای تحلیل می‌تواند باعث شود بخشی از تنوع ژنتیکی موجود در داده‌های توالی‌یابی، حتی در پروژه‌های بزرگ، شناسایی نشود.
اما یک نکته بسیار مهم: بیشترشدن تعداد واریانت‌ها لزوماً به معنای واقعی‌بودن تمام واریانت‌های اضافه‌شده نیست. ارزش این افزایش باید با معیارهایی مانند دقت، حساسیت، اعتبارسنجی مستقل و کیفیت تعیین ژنوتیپ بررسی شود.
━━━━━━━━━━━━━━
🧬 ۶. فراتر از SVهای معمولی؛ نگاهی به معماری پیچیده ژنوم
یکی دیگر از بخش‌های جالب مقاله، بررسی مجموعه‌های پیچیده تغییرات ساختاری و الگوهای ترکیبی تکرارها در یک مجموعه بزرگ از داده‌های Long-read انسانی است.
نویسندگان به ساختارهایی اشاره می‌کنند که در آن‌ها توالی‌های تکراری پشت‌سرهم، عناصر متحرک ژنومی و تغییرات ساختاری با یکدیگر ترکیب شده‌اند.
چنین ساختارهایی ممکن است با دسته‌بندی ساده‌ای مانند حذف یا درج به‌خوبی توصیف نشوند.
🔬 شناسایی این معماری‌ها می‌تواند به درک بهتر تنوع آللی، تفاوت‌های ژنومی میان افراد و ماهیت برخی تغییرات پیچیده کمک کند.
البته تعیین اهمیت زیستی یا بیماری‌زایی هر ساختار، به شواهد مستقل و تحلیل‌های تکمیلی نیاز دارد.
━━━━━━━━━━━━━━
🎯 ۷. چرا این مقاله برای پژوهشگران بیوانفورماتیک اهمیت دارد؟
این پژوهش چند پیام مهم برای طراحی مطالعات ژنومی دارد:
✅ برای تحلیل داده‌های موجود: شاید بتوان با روش‌های محاسباتی بهتر، SVهایی را بازیابی کرد که در تحلیل‌های قبلی شناسایی نشده‌اند.
✅ برای انتخاب فناوری توالی‌یابی: نوع تغییرات موردنظر، پیچیدگی نواحی ژنومی و بودجه پروژه باید در انتخاب Short-read، Long-read یا روش ترکیبی لحاظ شوند.
✅ برای مطالعات جمعیتی: بهبود شناسایی SVها می‌تواند بر برآورد فراوانی آلل‌ها و تفسیر تفاوت‌های ژنتیکی میان جمعیت‌ها اثر بگذارد.
✅ برای توسعه ابزارها: مدل‌سازی پیچیدگی ژنوم و بازسازی آلل‌ها می‌تواند بخش مهمی از طراحی الگوریتم‌های نسل بعدی باشد.
⚠️ بااین‌حال، HitSV جایگزین همه محدودیت‌های فناوری‌های توالی‌یابی نیست. به‌خصوص برای برخی درج‌های بزرگ و توالی‌های جدید، داده‌های Short-read همچنان محدودیت ذاتی دارند و استفاده از Long-read یا داده‌های ترکیبی می‌تواند ضروری باشد.
━━━━━━━━━━━━━━
💎 جمع‌بندی؛ پیام اصلی مقاله چیست؟
این پژوهش نشان می‌دهد که برای دستیابی به تصویری کامل‌تر از تنوع ژنومی، فقط افزایش حجم داده‌ها کافی نیست؛ بلکه نحوه تفسیر سیگنال‌های توالی‌یابی، درنظرگرفتن پیچیدگی نواحی تکراری و بازسازی دقیق آلل‌ها نیز اهمیت اساسی دارد.
HitSV تلاشی برای استخراج اطلاعات بیشتر از داده‌های توالی‌یابی و بهبود شناسایی تغییرات ساختاری در فناوری‌های مختلف است.
📈 بهبود عملکرد در داده‌های Long-read
در بنچمارک نمونه انسانی HG002، امتیاز F1 مربوط به ژنوتیپ‌ها برای HitSV به حدود ۸۵٪ در داده‌های PacBio HiFi با پوشش ۳۰ برابر و ۸۸٫۴۸٪ در داده‌های Oxford Nanopore با پوشش ۳۰ برابر رسید.
نویسندگان، بسته به فناوری و ابزار مقایسه‌شده، بهبود نسبی ۱۵ تا ۷۲ درصدی را در معیار F1 ژنوتیپ نسبت به روش‌های برتر مقایسه‌شده گزارش کردند.
📈 بهبود شناسایی در داده‌های Short-read
در همین بنچمارک، HitSV نسبت به ابزارهای متداول مبتنی بر Short-read نیز عملکرد بهتری نشان داد؛ از جمله بهبود گزارش‌شده ۱۰٫۴۷ درصدی نسبت به Manta و ۲۰٫۲۸ درصدی نسبت به DELLY در معیار F1 ژنوتیپ.
🧪 استفاده ترکیبی از داده‌ها
یکی دیگر از یافته‌های مهم، عملکرد روش ترکیبی است: استفاده از ۴ برابر پوشش Long-read به همراه ۳۰ برابر پوشش Short-read در نمونه HG002، عملکردی قابل مقایسه با یا بهتر از Sniffles با ۳۰ برابر پوشش Long-read ایجاد کرد.
این نتیجه می‌تواند برای مطالعاتی که به دنبال تعادل میان هزینه توالی‌یابی و کیفیت شناسایی SVها هستند، اهمیت داشته باشد.
🔎 نکته روش‌شناختی: اعداد بالا مربوط به بنچمارک‌ها و شرایط مشخص‌شده در مقاله‌اند؛ بنابراین نباید آن‌ها را تضمینی برای عملکرد یکسان در تمام نمونه‌ها، فناوری‌ها یا انواع تغییرات ساختاری دانست.
━━━━━━━━━━━━━━
🌍 ۵. یک نتیجه قابل‌توجه: شناسایی ۳۱٫۵ درصد SV بیشتر در یک مجموعه‌داده بزرگ انسانی
نویسندگان HitSV را روی داده‌های فاز چهارم پروژه 1000 Genomes نیز اعمال کردند؛ مجموعه‌ای شامل ۳۲۰۲ نمونه انسانی.
نتایج گزارش‌شده نشان داد:
🧬 HitSV تعداد ۲۲۸٬۰۲۵ تغییر ساختاری را شناسایی کرد.
📈 این مجموعه، ۳۱٫۵ درصد بزرگ‌تر از مجموعه SVهای مبتنی بر Short-read در تحلیل مرجع مقایسه‌شده بود.
🔍 همچنین، ۹۳٬۲۴۲ تغییر ساختاری در مجموعه HitSV وجود داشت که در مجموعه مرجع مورد مقایسه گزارش نشده بودند.
این یافته نشان می‌دهد که محدودیت ابزارهای تحلیل می‌تواند باعث شود بخشی از تنوع ژنتیکی موجود در داده‌های توالی‌یابی، حتی در پروژه‌های بزرگ، شناسایی نشود.
اما یک نکته بسیار مهم: بیشترشدن تعداد واریانت‌ها لزوماً به معنای واقعی‌بودن تمام واریانت‌های اضافه‌شده نیست. ارزش این افزایش باید با معیارهایی مانند دقت، حساسیت، اعتبارسنجی مستقل و کیفیت تعیین ژنوتیپ بررسی شود.
━━━━━━━━━━━━━━
🧬 ۶. فراتر از SVهای معمولی؛ نگاهی به معماری پیچیده ژنوم
یکی دیگر از بخش‌های جالب مقاله، بررسی مجموعه‌های پیچیده تغییرات ساختاری و الگوهای ترکیبی تکرارها در یک مجموعه بزرگ از داده‌های Long-read انسانی است.
نویسندگان به ساختارهایی اشاره می‌کنند که در آن‌ها توالی‌های تکراری پشت‌سرهم، عناصر متحرک ژنومی و تغییرات ساختاری با یکدیگر ترکیب شده‌اند.
چنین ساختارهایی ممکن است با دسته‌بندی ساده‌ای مانند حذف یا درج به‌خوبی توصیف نشوند.
🔬 شناسایی این معماری‌ها می‌تواند به درک بهتر تنوع آللی، تفاوت‌های ژنومی میان افراد و ماهیت برخی تغییرات پیچیده کمک کند.
البته تعیین اهمیت زیستی یا بیماری‌زایی هر ساختار، به شواهد مستقل و تحلیل‌های تکمیلی نیاز دارد.
━━━━━━━━━━━━━━
🎯 ۷. چرا این مقاله برای پژوهشگران بیوانفورماتیک اهمیت دارد؟
این پژوهش چند پیام مهم برای طراحی مطالعات ژنومی دارد:
✅ برای تحلیل داده‌های موجود: شاید بتوان با روش‌های محاسباتی بهتر، SVهایی را بازیابی کرد که در تحلیل‌های قبلی شناسایی نشده‌اند.
✅ برای انتخاب فناوری توالی‌یابی: نوع تغییرات موردنظر، پیچیدگی نواحی ژنومی و بودجه پروژه باید در انتخاب Short-read، Long-read یا روش ترکیبی لحاظ شوند.
✅ برای مطالعات جمعیتی: بهبود شناسایی SVها می‌تواند بر برآورد فراوانی آلل‌ها و تفسیر تفاوت‌های ژنتیکی میان جمعیت‌ها اثر بگذارد.
✅ برای توسعه ابزارها: مدل‌سازی پیچیدگی ژنوم و بازسازی آلل‌ها می‌تواند بخش مهمی از طراحی الگوریتم‌های نسل بعدی باشد.
⚠️ بااین‌حال، HitSV جایگزین همه محدودیت‌های فناوری‌های توالی‌یابی نیست. به‌خصوص برای برخی درج‌های بزرگ و توالی‌های جدید، داده‌های Short-read همچنان محدودیت ذاتی دارند و استفاده از Long-read یا داده‌های ترکیبی می‌تواند ضروری باشد.
━━━━━━━━━━━━━━
💎 جمع‌بندی؛ پیام اصلی مقاله چیست؟
این پژوهش نشان می‌دهد که برای دستیابی به تصویری کامل‌تر از تنوع ژنومی، فقط افزایش حجم داده‌ها کافی نیست؛ بلکه نحوه تفسیر سیگنال‌های توالی‌یابی، درنظرگرفتن پیچیدگی نواحی تکراری و بازسازی دقیق آلل‌ها نیز اهمیت اساسی دارد.
HitSV تلاشی برای استخراج اطلاعات بیشتر از داده‌های توالی‌یابی و بهبود شناسایی تغییرات ساختاری در فناوری‌های مختلف است.
شاید یکی از مهم‌ترین پیام‌های این مطالعه این باشد که بخشی از تنوع ژنتیکی پنهان، نه به دلیل نبود داده، بلکه به دلیل محدودیت روش‌های تحلیل از دید ما دور مانده است. 🧬🔍
━━━━━━━━━━━━━━
📚 منبع اصلی و دسترسی به مقاله:
Li, G., Liu, Y. et al. (2026). _Structural variant detection across sequencing technologies_. Nature Biotechnology.
🔗 https://doi.org/10.1038/s41587-026-03332-9
💻 کد ابزار HitSV: https://github.com/hitbc/HitSV
━━━━━━━━━━━━━━
📚 منبع اصلی و دسترسی به مقاله:
Li, G., Liu, Y. et al. (2026). _Structural variant detection across sequencing technologies_. Nature Biotechnology.
🔗 https://doi.org/10.1038/s41587-026-03332-9
💻 کد ابزار HitSV: https://github.com/hitbc/HitSV
Nature
Structural variant detection across sequencing technologies
Nature Biotechnology - HitSV models the interaction between genomic repetitiveness and signature intensity to improve structural variant detection.
در مورد یادگیری و تمرین سیتوژنتیک و شناسایی کروموزوم ها ازم پرسیده بودید
اینو خودم نوشتم
شاید برای شروع کمک کننده باشه
بقیه اش با تمرین و تکرار
@medical_human_genetics
اینو خودم نوشتم
شاید برای شروع کمک کننده باشه
بقیه اش با تمرین و تکرار
@medical_human_genetics
👍11❤2
یادآوری امروزت:
ماشین خوب، ظاهر زیبا و ثروت زیاد یه روزی عادی می‌شه. تنها چیزی که هیچ‌وقت عادی نمی‌شه، ادبه؛ ادب یعنی هنگام عصبانیت بی‌احترامی نکنی، هنگام پولداری فروتن و متواضع باشی، به حریم خصوصی آدم‌ها احترام بذاری، با هیچ‌کسی زیاد شوخی نکنی، با صدای خیلی بلند حرف نزنی، آدم‌ها رو زیاد سؤال‌پیچ نکنی، قبل از حرف زدن فکر کنی، تو زندگی بقیه دخالت نکنی، پشت سر بقیه حرف نزنی و کسی رو قضاوت نکنی.
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
ماشین خوب، ظاهر زیبا و ثروت زیاد یه روزی عادی می‌شه. تنها چیزی که هیچ‌وقت عادی نمی‌شه، ادبه؛ ادب یعنی هنگام عصبانیت بی‌احترامی نکنی، هنگام پولداری فروتن و متواضع باشی، به حریم خصوصی آدم‌ها احترام بذاری، با هیچ‌کسی زیاد شوخی نکنی، با صدای خیلی بلند حرف نزنی، آدم‌ها رو زیاد سؤال‌پیچ نکنی، قبل از حرف زدن فکر کنی، تو زندگی بقیه دخالت نکنی، پشت سر بقیه حرف نزنی و کسی رو قضاوت نکنی.
🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈
🌐 @academic_science
❤20👍1
یادآوری امروزت:
تو مسابقه‌ی گاوبازی، کسی نفر اول می‌شه که قشنگ‌ترین جاخالی رو بده، نه کسی که با گاوها درگیر بشه!
پس بنابراین، با گاوهای «همسایه»، با گاوهای «فامیل» و با گاوهای «همکار» درگیر نشید؛ جاخالی بدید بره!
تو مسابقه‌ی گاوبازی، کسی نفر اول می‌شه که قشنگ‌ترین جاخالی رو بده، نه کسی که با گاوها درگیر بشه!
پس بنابراین، با گاوهای «همسایه»، با گاوهای «فامیل» و با گاوهای «همکار» درگیر نشید؛ جاخالی بدید بره!
❤20👏3👍2😍1