🧬 به BioInsight خوش اومدی 😍

اینجا قراره فقط به داده نگاه نکنیم؛ 📈

قراره ببینیم ازش چی می‌تونیم بفهمیم. 📊

توی BioInsight درباره زیست‌شناسی، داده و ابزارهای محاسباتی حرف می‌زنیم؛ از فهم یک مسئله زیستی و آماده‌کردن داده گرفته تا تحلیل، پیدا کردن الگوها، خودکارسازی کارها و ساخت ابزارهای بهتر.

💠 موضوعات اصلی کانال:

🌱 Biology

🖥 Bioinformatics

🧫 Computational Biology

🟠 Systems Biology

😊 کنار این‌ها، آموزش، معرفی مقاله، خبرهای علمی، منابع یادگیری، ابزارهای کاربردی و پروژه‌های جالب هم داریم.

اگه به زیست‌شناسی، داده و تکنولوژی علاقه داری، احتمالاً اینجا به دردت می‌خوره.🤓

🔗 BioInsight ❤️

📖 فهرست کانال BioInsight
#library 📚
معرفی کتاب‌ها، دوره‌ها، منابع آموزشی و ابزارهای مفید برای یادگیری و پژوهش

#news 📰
اخبار و اتفاقات تازه در زیست‌شناسی، بیوانفورماتیک، هوش مصنوعی و فناوری

#article 🔴
معرفی، مرور و بررسی مقالات علمی و پژوهش‌های جدید

#tutorial 🎞
آموزش‌های کاربردی و مرحله‌به‌مرحله برای یادگیری ابزارها، مفاهیم و روش‌های تحلیل

#github 🐱
معرفی Repositoryها، پروژه‌های متن‌باز، ابزارها و منابع کاربردی در GitHub

🧬 آیا یک مرحله از metabolomics واقعاً می‌تواند بیش از ۱۰۰ برابر سریع‌تر شود؟

⚠️ این پژوهش فعلاً یک preprint است و هنوز peer review نشده است.
در تحلیل داده‌های LC-MS، مرحله‌ی feature finding می‌تواند یکی از بخش‌های پرهزینه‌ی محاسباتی باشد. پژوهشگران یک روش جدید با نام Everything Bagel Feature Finder را روی ۸ مجموعه‌داده‌ی benchmark آزمایش کرده‌اند.
طبق گزارش خود نویسندگان، این روش در بعضی شرایط تا ۱۵۰ برابر CPU-hours کمتر و تا ۱۱۳ برابر wall time کمتر از دو feature finder خودکار دیگر نیاز داشته است، در حالی که عملکرد تحلیلی آن حفظ شده است.
اگر این نتیجه روی سیستم‌ها و datasetهای مستقل هم تکرار شود، می‌تواند برای پروژه‌های بزرگ metabolomics مهم باشد؛ جایی که زمان محاسبه و هزینه‌ی پردازش محدودکننده هستند.
اما یک نکته مهم وجود دارد: این اعداد author-reported هستند و هنوز مستقل بازتولید نشده‌اند. عبارت «تا ۱۵۰ برابر» نیز بهترین حالت benchmark را نشان می‌دهد و نباید آن را به همه‌ی datasetها تعمیم داد.

🌐 Source: bioRxiv preprint 🔴
DOI: 10.64898/2026.08.17.744735

#article 🔴

اخبار روز دنیای بیولوژی در BioInsight 👁

🎆 دانلود فایل مقاله در Comment ⬇️

🧬 ممکن است فیلتر کردن variantهای کم‌فراوانی mtDNA، بخشی از تاریخچه‌ی سلول را پاک کند

⚠️ این مطالعه یک preprint است و هنوز peer review نشده است.
در lineage tracing، پژوهشگران گاهی از mutationهای mitochondrial DNA برای تشخیص رابطه‌ی سلول‌ها استفاده می‌کنند. اما variantهایی با heteroplasmy پایین معمولاً به دلیل نگرانی درباره‌ی noise فیلتر می‌شوند.
در این مطالعه، پژوهشگران نتیجه‌ی lineage tracing مبتنی بر mtDNA را با lentiviral barcodes به‌عنوان یک مرجع مستقل مقایسه کردند.
طبق گزارش نویسندگان، variantهای با heteroplasmy کمتر از ۱۰٪ تقریباً نیمی از lineage-informative calls را تشکیل می‌دادند. همچنین نگه‌داشتن طیف کامل heteroplasmy، در این داده‌ها، AUPRC انتساب clone را تقریباً دو برابر کرد؛ در مقایسه با حالتی که فقط variantهای بالاتر از ۱۰٪ نگه داشته شدند.
این نتیجه نشان می‌دهد thresholdهای سخت‌گیرانه ممکن است همراه با noise، بخشی از signal واقعی lineage را هم حذف کنند.
با این حال، این نتیجه هنوز به معنی مناسب بودن یک threshold مشخص برای همه‌ی single-cell datasetها نیست و به validation مستقل در نمونه‌ها و assayهای دیگر نیاز دارد.

🌐 Source: bioRxiv preprint 🔴
DOI: 10.64898/2026.08.17.745291


#article 🔴

اخبار روز دنیای بیولوژی در BioInsight 👁

🎆 دانلود فایل مقاله در Comment ⬇️

🧬 مدل زبانی پروتئین برای تشخیص neuropeptide به چه ویژگی‌هایی تکیه می‌کند؟

⚠️ این پژوهش یک preprint است و هنوز peer review نشده است.
مدل‌های Protein Language Model مانند ESM-2 می‌توانند الگوهای پیچیده‌ای را از میلیون‌ها sequence یاد بگیرند، اما فهمیدن اینکه یک prediction دقیقاً بر چه ویژگی‌هایی متکی است، ساده نیست.
در یک کار جدید، پژوهشگران از Sparse Autoencoder برای استخراج featureهای قابل‌تفسیر از representationهای ESM-2 استفاده کرده‌اند و بر اساس این featureها یک predictor برای neuropeptideها ساخته‌اند.
نکته‌ی جالب این است که هدف فقط classification نیست. این روش تلاش می‌کند بخشی از representation داخلی مدل را به featureهایی تبدیل کند که بتوان آن‌ها را جداگانه بررسی کرد. نویسندگان همچنین code، package در PyPI و یک web tool برای این پروژه ارائه کرده‌اند.
این مسیر می‌تواند برای interpretability در Protein Language Models مفید باشد؛ یعنی به‌جای اینکه فقط بپرسیم مدل چه چیزی پیش‌بینی کرد، بررسی کنیم چه signalهایی در تصمیم آن نقش داشتند.
اما prediction مدل معادل تأیید آزمایشگاهی یک neuropeptide نیست. نتایج نیز فعلاً در مرحله‌ی preprint قرار دارند.

Source: bioRxiv preprint 🔴
🌐 DOI: 10.64898/2026.08.20.746077


#article 🔴

اخبار روز دنیای بیولوژی در BioInsight 👁

🎆 دانلود فایل مقاله در Comment ⬇️

🧬 وقتی GNN و LLM با هم وارد علم مولکولی می‌شوند، چه چیزی به دست می‌آید؟

مولکول را می‌توان به شکل یک گراف دید؛ اتم‌ها گره‌های گراف هستند و پیوندهای شیمیایی ارتباط میان آن‌ها را می‌سازند. این همان جایی است که Graph Neural Network یا GNN می‌تواند اطلاعات ساختاری مولکول را یاد بگیرد.
از طرف دیگر، Large Language Model یا LLM می‌تواند با اطلاعات متنی و نمایش‌هایی مانند SMILES کار کند و حتی دستورهای زبان طبیعی را پردازش کند.
یک مقاله مروری جدید در ژورنال Bioinformatics بررسی کرده است که ترکیب این دو رویکرد در علوم مولکولی چگونه انجام می‌شود.
پژوهشگران ۱۰ مدل GNN–LLM را بررسی کرده‌اند؛ مدل‌هایی که برای کارهایی مانند پیش‌بینی ویژگی‌های مولکولی، طبقه‌بندی مولکول‌ها، تولید ترکیبات جدید و تولید توضیحات متنی درباره مولکول‌ها استفاده شده‌اند.
یکی از بخش‌های کاربردی مقاله، ارائه یک طبقه‌بندی برای معماری‌های ترکیبی است. در این مدل‌ها ممکن است ابتدا اطلاعات ساختاری مولکول با GNN پردازش و سپس به LLM منتقل شود، یا نمایش ساختاری و متنی به روش‌های مختلف با یکدیگر هم‌تراز یا ترکیب شوند.
نویسندگان همچنین معماری‌ها، نوع GNN و LLM، امکان fine-tuning، استفاده از prompt، datasetها، taskها و نتایج گزارش‌شده برای این مدل‌ها را کنار هم قرار داده‌اند. حتی لینک کد مدل‌های بررسی‌شده نیز در Supplementary Material جمع‌آوری شده است.

🌐 Source: Bioinformatics 🔴
DOI: 10.1093/bioinformatics/btag387

#article 🔴

اخبار روز دنیای بیولوژی در BioInsight 👁

🎆 دانلود فایل مقاله در Comment ⬇️

🐷 هشدار بیل گیتس درباره AI و خطر بیوتروریسم

بیل گیتس هشدار داده است که یکی از خطرهای مهم هوش مصنوعی، آسان‌تر شدن سوءاستفاده از دانش زیستی است.
به گفته او، اطلاعات مربوط به ساخت سلاح‌های زیستی از قبل وجود داشته است؛ اما AI می‌تواند پیدا کردن، فهمیدن و عملی‌کردن این اطلاعات را برای افراد با تخصص کمتر آسان‌تر کند.
نگرانی اصلی، ماهیت dual-use این فناوری است: همان ابزارهایی که می‌توانند به طراحی دارو، واکسن و تحلیل داده‌های زیستی کمک کنند، ممکن است برای اهداف مخرب نیز استفاده شوند.
گیتس به‌طور مشخص از این احتمال ابراز نگرانی کرده که AI بتواند موانع فنی برای طراحی عوامل بیماری‌زای خطرناک را کاهش دهد.
او در کنار این خطر، درباره حذف بخشی از مشاغل و نبود آمادگی کافی دولت‌ها برای گذار به عصر AI نیز هشدار داده است.
📌 نکته مهم این است که گیتس نمی‌گوید AI الزاماً به یک فاجعه زیستی منجر خواهد شد؛ هشدار او درباره کاهش موانع دسترسی به قابلیت‌های خطرناک و نیاز به مدیریت و کنترل این ریسک‌هاست.

🌐 Source: Bill Gates، Gates Notes، ۲۰۲۶

#news 📰

اخبار روز دنیای بیولوژی در BioInsight 👁

💡 بیش از ۱۸۰ کانال یوتیوب برای یادگیری Data Science و AI

اگه برای یادگیری Data Science، Machine Learning و AI هی بین کانال‌های مختلف یوتیوب می‌چرخی و آخرش هم نمی‌دونی کدوم رو دنبال کنی، این Repository می‌تونه خیلی به کارت بیاد.
توش بیشتر از ۱۸۰ کانال یوتیوب جمع شده و خوشبختانه فقط یه لیست شلوغ از لینک‌ها نیست؛ کانال‌ها موضوعی دسته‌بندی شدن.
مثلاً برای این حوزه‌ها می‌تونی کانال پیدا کنی:

✅ Data Science و Data Analysis
✅ Machine Learning، AI و Deep Learning
✅ Data Engineering

✅ آمار و ریاضی ♾
✅ پژوهش‌های AI🧠
✅ برنامه‌نویسی
✅ Software Engineering
✅ Cybersecurity 👨‍💻

✅ پادکست‌های تخصصی 🎙

برای بچه‌های Bioinformatics و Computational Biology هم می‌تونه منبع خوبی باشه، مخصوصاً برای پیدا کردن کانال‌های مرتبط با برنامه‌نویسی، آمار، تحلیل داده و Machine Learning.

#github

🌐Source: yt-channels-DS-AI-ML-CS 🐱


اخبار روز دنیای بیولوژی در BioInsight 👁

📚 اگه بشه یک سلول پستاندار رو مثل یک سیستم مهندسی طراحی کرد، از کجا باید شروع کنیم؟

اولین کتابی که می‌خوام در بخش library معرفی کنم:

📖 Mammalian Synthetic Systems

زیست شناسی مصنوعی (Synthetic Biology) فقط درباره دست‌کاری چند ژن نیست. ایده جذاب‌تر اینه که بتونیم رفتار یک سلول رو طراحی، کنترل و حتی برنامه‌ریزی کنیم.
این کتاب دقیقاً وارد همین فضا می‌شه؛ اما به‌جای اینکه فقط درباره مفاهیم حرف بزنه، سراغ روش‌ها و پروتکل‌های عملی برای مهندسی سلول‌های پستانداران می‌ره.
داخل کتاب با موضوعاتی مثل این‌ها روبه‌رو می‌شیم:

🐇 طراحی مدارهای ژنتیکی و کنترل بیان ژن

🧬 ابزارهای CRISPR و Anti-CRISPR

🌟ساخت biosensorهای مبتنی بر RNA و پروتئین

🟠 طراحی سیستم‌های کنترل در سلول

❤️مهندسی ارتباط و رفتار سلول‌ها

📉مدل‌سازی محاسباتی و حتی Flux Balance Analysis در سلول‌های پستانداران

چیزی که این کتاب رو جذاب می‌کنه اینه که مرز بین زیست‌شناسی و مهندسی رو خیلی واضح می‌بینیم:
سلول فقط چیزی نیست که مطالعه‌اش کنیم؛
می‌شه از خودمون بپرسیم چطور می‌توانیم رفتار آن را طراحی کنیم؟

✍️ این کتاب بیشتر یک مجموعه روش و پروتکل تخصصی است تا یک کتاب مقدماتی؛ بنابراین برای کسی که با مبانی Molecular Biology و Synthetic Biology آشناست، کاربرد بیشتری دارد.

#library 📚


🎆 دانلود فایل کتاب در Comment ⬇️

🤖 وقتی سیستم‌عامل فقط برای اجرای برنامه‌ها نباشد؛ Omarchy چه سیگنالی برای آینده زیست‌شناسی دارد؟
سال‌هاست سیستم‌عامل‌ها تقریباً با یک منطق ثابت طراحی می‌شوند:
ما برنامه را باز می‌کنیم، فایل را پیدا می‌کنیم، دستور اجرا می‌کنیم و بین ابزارهای مختلف جابه‌جا می‌شویم.
اما ظهور AI Agentها می‌تواند این رابطه را تغییر دهد. 🧠
در این مدل، واحد اصلی تعامل دیگر لزوماً «برنامه» نیست؛ می‌تواند هدف باشد.
مثلاً به‌جای اینکه خودمان چند ابزار را باز کنیم، فایل‌ها را جابه‌جا کنیم و مجموعه‌ای از commandها را اجرا کنیم، به یک Agent می‌گوییم:
«این داده را بررسی کن، محیط تحلیل را آماده کن، pipeline را اجرا کن، خطاها را پیدا کن و نتیجه را برای بررسی من آماده کن.»
عامل (Agent) برای انجام این کار باید بتواند با terminal، filesystem، کد، ابزارهای محلی و سرویس‌های مختلف کار کند.
اینجاست که سیستم‌عامل دوباره اهمیت پیدا می‌کند.

یکی از پروژه‌های جالب در این مسیر Omarchy است.
توزیع Omarchy یک Linux distribution نسبتاً opinionated است که توسط David Heinemeier Hansson یا DHH ساخته شده و در نسخه فعلی بر پایه Arch Linux، Hyprland و Quickshell شکل گرفته است.
نکته مهم‌تر برای این بحث این است که راهنمای رسمی آن، AI coding agentها را صریحاً first-class citizens در محیط سیستم معرفی می‌کند. ابزارهایی مانند Claude Code، Codex، OpenCode، Copilot و چند Agent دیگر مستقیماً برای استفاده از داخل محیط آماده شده‌اند.
البته Omarchy را نباید یک «سیستم‌عامل کاملاً خودمختار مبتنی بر Agent» نامید.
سیگنال مهم‌تر این است که Agent دیگر فقط یک chatbot داخل مرورگر نیست؛ در حال ورود به لایه‌ای است که فایل‌ها، terminal، کد و ابزارهای واقعی کاربر در آن قرار دارند.
و این موضوع برای زیست‌شناسی اهمیت ویژه‌ای دارد.
بخش بزرگی از bioinformatics و computational biology از قبل در محیط‌هایی انجام می‌شود که برای Agentها بسیار مناسب‌اند: فایل‌های داده، command-line tools، Python و R، workflowها، notebookها و مجموعه‌ای از ابزارهای تخصصی که باید پشت سر هم اجرا شوند.
در چنین محیطی، یک Agent می‌تواند در آینده فقط درباره RNA-seq توضیح ندهد؛ بلکه workflow تحلیل را اجرا کند، خروجی ابزارها را بخواند، خطاها را بررسی کند، کد تولید کند و مسیر تحلیل را مستند کند.
این سناریو دیگر فقط فرضی نیست.
در سال ۲۰۲۶، سیستم چندایجنتی Robin در Nature معرفی شد. یکی از اجزای آن به نام Finch می‌تواند workflowهایی مانند differential expression در RNA-seq و تحلیل flow cytometry را با تولید و اجرای کد انجام دهد. پروژه CellVoyager نیز در Nature Methods نمونه دیگری از حرکت Agentها به سمت تحلیل خودکار داده‌های computational biology است.
اما اینجا یک مرز علمی مهم وجود دارد:
اجرای خودکار analysis با انجام پژوهش قابل‌اعتماد یکی نیست.
انتخاب روش درست، کنترل کیفیت، provenance، reproducibility، حفاظت از داده‌های حساس و تفسیر زیستی هنوز به نظارت جدی نیاز دارند. حتی ارزیابی‌های جدید نشان می‌دهند Agentها در اکتشاف گسترده داده می‌توانند مفید باشند، اما هدایت روش‌شناختی و synthesis زیستی همچنان به expertise انسانی وابسته است.
شاید بنابراین اهمیت واقعی Omarchy خودِ این distribution نباشد.
Omarchy یک سیگنال از تغییر بزرگ‌تری است:
کامپیوتر در حال حرکت از محیطی برای «اجرای ابزارها توسط انسان» به محیطی برای «همکاری انسان، Agent و ابزار» است.
و برای زیست‌شناسی محاسباتی، سؤال آینده شاید این نباشد که:
«آیا AI می‌تواند زیست‌شناسی را توضیح دهد؟»
بلکه این باشد:
آیا می‌توانیم محیط‌های محاسباتی علمی بسازیم که Agent در آن‌ها analysis را اجرا کند، اما هر تصمیم، داده و نتیجه همچنان قابل‌ردیابی، قابل‌بازتولید و قابل‌بررسی توسط پژوهشگر باشد؟
این همان جایی است که «سیستم‌عامل مبتنی بر Agent» می‌تواند از یک ایده جذاب نرم‌افزاری به بخشی از زیرساخت آینده پژوهش تبدیل شود.

#news 📰

اخبار روز دنیای بیولوژی در BioInsight 👁

📚 وقتی زیست‌شناسی به مسئله‌ای برای محاسبه تبدیل می‌شود 💡

اگر بتوانیم یک مسیر سیگنالینگ را به یک مدل تبدیل کنیم، آیا می‌توانیم رفتار آینده آن را هم پیش‌بینی کنیم؟ 🔮

کتاب Computational Methods in Systems Biology مجموعه‌ای از پژوهش‌های حوزه زیست‌شناسی سامانه‌هاست که نشان می‌دهد برای مطالعه یک سیستم زیستی همیشه لازم نیست فقط به داده‌های آزمایشگاهی نگاه کنیم.

از Boolean Network و مدل‌های ODE گرفته تا شناسایی drug target، مدل‌سازی مسیرهای سیگنالینگ، استنباط شبکه‌های تنظیم ژن و حتی کنترل سیستم‌های زیستی.

این کتاب بیشتر از آنکه چیزی برای «از اول تا آخر خواندن» باشد، شبیه پنجره‌ای است به این سؤال:

وقتی زیست‌شناسی را به یک مدل محاسباتی تبدیل کنیم، چه چیزهایی را می‌توانیم ببینیم که در داده خام دیده نمی‌شوند؟

#library 📚

🎆 دانلود فایل کتاب در Comment ⬇️

🐀 وقتی رفتار موش آزمایشگاهی به «داده» تبدیل می‌شود

در بسیاری از مطالعات زیست‌پزشکی، رفتار حیوان هنوز یکی از دشوارترین فنوتیپ‌ها برای اندازه‌گیری است. یک پژوهشگر ممکن است ساعت‌ها ویدئو ببیند و رفتارهایی مثل راه‌رفتن، grooming یا تغییرات پوسچر را به‌صورت دستی ثبت کند؛ فرایندی که هم زمان‌بر است و هم می‌تواند تحت تأثیر قضاوت مشاهده‌گر قرار بگیرد.

پژوهشگران The Jackson Laboratory برای حل این مسئله سامانه‌ای به نام JABS — JAX Animal Behavior System توسعه داده‌اند.
این پلتفرم با استفاده از Computer Vision و Machine Learning، ویدئوی موش‌های آزمایشگاهی را تحلیل می‌کند، موقعیت بخش‌هایی مثل بینی، اندام‌ها و دم را دنبال می‌کند و از روی حرکت و پوسچر، رفتارهایی مانند grooming و الگوهای حرکتی را به داده‌های کمی تبدیل می‌کند.
اما بخش جالب‌تر JABS فقط تشخیص رفتار نیست.
پژوهشگران داده‌های رفتاری مربوط به ۱۶۸ سویه موش را نیز در این اکوسیستم قرار داده‌اند و امکان تحلیل‌هایی مانند heritability، genetic correlation و GWAS را فراهم کرده‌اند.
یعنی می‌توان پرسید یک ویژگی رفتاری تا چه اندازه تحت تأثیر ژنتیک است و چه نواحی ژنومی ممکن است با آن ارتباط داشته باشند.
در نتیجه، رفتار به‌تدریج از یک مشاهده توصیفی به یک لایه داده‌ای از فنوتیپ تبدیل می‌شود؛ لایه‌ای که می‌تواند در کنار ژنتیک، عملکرد مدارهای عصبی و مدل‌های بیماری تحلیل شود.
این همان جایی است که Computational Ethology به Bioinformatics و Systems Biology نزدیک می‌شود:
از Genotype → Neural circuits → Quantitative behavior.

البته JABS هنوز یک سامانه فنوتایپینگ برای مدل‌های حیوانی است. تشخیص یک الگوی رفتاری در موش به معنی تشخیص مستقیم اضطراب، اوتیسم یا سایر اختلالات انسانی نیست و خود مقاله نیز بر ضرورت اعتبارسنجی الگوریتم‌ها روی داده‌ها و شرایط آزمایشی جدید تأکید می‌کند.

🌐 Source: eLife 🔴
DOI: 10.7554/eLife.107259.3

#article 🔴

اخبار روز دنیای بیولوژی در BioInsight 👁

🎆 دانلود فایل مقاله در Comment ⬇️

🐱 اگر یک AI Agent واقعاً قرار باشد وارد پژوهش علمی شود، فقط «مدل زبانی قوی» کافی نیست.

باید بداند برای RNA-seq از چه workflowای استفاده کند، چطور با Scanpy داده‌های single-cell را تحلیل کند، چگونه از PubMed، UniProt یا ChEMBL اطلاعات بگیرد، چه زمانی سراغ RDKit یا COBRApy برود و چطور خروجی را به یک گزارش علمی قابل‌ردیابی تبدیل کند.
ریپوی Scientific Agent Skills از K-Dense دقیقاً روی همین مسئله کار می‌کند.
در نسخه فعلی این پروژه، ۱۶۳ مهارت علمی آماده جمع‌آوری شده که حوزه‌هایی مثل این‌ها را پوشش می‌دهند:
🧬بیوانفورماتیک و ژنومیک؛ از Bulk RNA-seq و single-cell تا variant analysis و phylogenetics
🧪 کشف دارو و cheminformatics؛ با ابزارهایی مثل RDKit، DeepChem و DiffDock
🔗 زیست‌شناسی سامانه‌ای و Multi-Omics؛ شامل network analysis، pathway analysis و metabolic modeling
📚 جست‌وجوی مقالات، مرور منابع، hypothesis generation و scientific writing
📊آمار، Machine Learning، visualization و ساخت گزارش‌های پژوهشی.

نکته جالب‌تر این است که این‌ها صرفاً مجموعه‌ای از promptها نیستند. هر Skill می‌تواند شامل دستورالعمل، workflow، مثال کد، reference و در بعضی موارد ابزار اجرایی و تست باشد؛ یعنی Agent قبل از انجام یک کار تخصصی، یک «راهنمای عملیاتی» مرتبط با همان مسئله در اختیار دارد.

🔭 سیگنال بزرگ‌تر شاید همین‌جا باشد: آینده‌ی AI در پژوهش فقط به مدل‌های بزرگ‌تر وابسته نیست؛ بخشی از آن به Agentهایی وابسته است که مجموعه‌ای از مهارت‌های تخصصی، قابل‌تعویض و قابل‌بررسی دارند.

#github

🌐Source: K-Dense-AI/scientific-agent-skills


اخبار روز دنیای بیولوژی در BioInsight 👁

💳 گاهی مشکل خرید یک ابزار این نیست که گران است؛ مشکل این است که اصلاً راه پرداخت مستقیم نداریم.

دو marketplace که بد نیست برای خرید محصولات و سرویس‌های دیجیتال بشناسید:

G2G.com
🆚
Plati.Market

در هر دو، فروشنده‌های مختلف محصول ارائه می‌کنند و ممکن است برای license، subscription و بعضی سرویس‌های Premium گزینه‌های متفاوتی پیدا کنید.

فقط با یک نکته مهم:

هر چیزی که ارزان‌تر بود، الزاماً انتخاب بهتری نیست. 😊
رتبه بندی فروشنده، سابقه فروش، روش تحویل و شرایط ضمانت را قبل از خرید بررسی کنید؛ مخصوصاً وقتی محصول یک account آماده یا shared account است.

این دو را به‌عنوان marketplace جایگزین معرفی می‌کنیم، نه فروشنده رسمی سرویس‌ها.

⁉️تو comment شیوه پرداخت بین المللی هم گذاشتیم😅

#tutorial 🎞

اخبار روز دنیای بیولوژی در BioInsight 👁