استفاده از دوربین و تکنولوژی پردازش تصویر برای کاهش کووید.

✏️ دانشگاه آلاباما در حال استفاده از آخرین تکنولوژی‌های موجود برای کاهش کووید است. این دانشگاه ایستگاه‌های غربالگری ایجاد کرده است که با استفاده از دوربین‌ها قادر است تغییرات دمایی و حیاتی را به دانشجویان، اساتید و کارکنان اطلاع دهد و آنها را از علائم عفونی آگاه کند. مسئولان رسمی دانشگاه از اولین ایستگاه در کنفرانس اول سپتامبر، رونمایی کردند. علاوه بر این ایستگاه، 5 ایستگاه دیگر در مناطق پر تردد و پر ترافیک دانشگاه نصب شده است.
به گفته مقامات رسمی، دستگاه غربالگری توسعه داده شده توسط Dragangly، نخستین بار است که مورد استفاده قرار می‌گیرد. هر ایستگاه از یک دوربین، حسگر مادون قرمز و یک حسگر تشخیص دهنده فاصله تشکیل شده است. هر شخص باید در مکان‌های از قبل تعیین شده روبروی دوربین قرار بگیرد، بعد از چند ثانیه سیستم به کاربر پیغام پاک بودن و یا مراجعه به مرکز درمانی دانشگاه را می‌دهد. حسگر مادون قرمز برای تشخیص دمای اشیا پیرامونی و نیز اشیایی که از روبروی ایستگاه عبور می‌کنند استفاده می‌شود. سیستم تشخیص دهنده فاصله، فاصله بین افراد را اندازه‌گیری می‌کند و در صورتی که فاصله بین آنها کمتر از 6 فوت باشد به آنها هشدار می‌دهد.
هر کدام از دستگاه‌ها مجهز به یک سیستم پردازش تصویر پیشرفته هستند که قادر است...
ادامه مطلب

📝تعداد کلمات: 296
⏰زمان مطالعه: 2 تا 3 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه : #اخبارفناوری

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫

♾محاسبات لبه ای (edge computing) چیست؟

✏️ مقدار داده‌های تولید شده توسط سنسورها، دوربین‌ها و دیگر دستگاه‌ها در زمینه اینترنت اشیا (internet of things) در چند سال گذشته به شکل چشم گیری افزایش پیدا کرده است. ارسال و انتقال این حجم از داده‌های تولید شده می‌تواند چالش مهمی برای پهنای باند شبکه و تاخیر در زمان ارتباطات در محاسبات ابری ایجاد نماید، چرا که تمامی داده‌های تولید شده باید به سمت فضای ابری انتقال داده شود و در آنجا عملیات تحلیل برروی داده‌ها صورت گیرد و نتایج بازنمایی شود.
برای فائق آمدن بر چالش فوق از نوآوری جدید به نام محاسبات لبه‌ای استفاده می‌شود که به گفته سایت WILEY یکی از 25 تکنولوژی درآمدزا جهان در سده جاری خواهد بود. در این روش به جای اینکه کل محاسبات در فضای ابری انجام پذیرد قسمتی از پردازش‌ها برروی دستگاه‌هایی که نزدیک به فضای ابری هستند انجام می‌شوند و به نوعی ویژگی‌های مهم از داده استخراج شده و این ویژگی‌ها به سمت فضای ابری منتقل می‌شوند تا ذخیره شوند و تحلیل‌های نهایی بروی آنها انجام شود. این کار باعث می‌شود تا علاوه بر حفظ جامعیت داده‌ها در فضای ابری بار محاسباتی و پنهای باد فضای ابری به مقدار قابل توجهی کاهش پیدا کند.

ادامه مطلب

📝تعداد کلمات: 287
⏰زمان مطالعه: 2 تا 3 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه : #اخبارفناوری

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫

www.codecool.ir
گروه زیست داده کاو کدکول- بررسی آخرین دستاورد های حوزه بیوانفورماتیک و آموزش به روز رشته بیوانفورماتیک
بررسی آخرین دستاوردهای حوزه بیوانفورماتیک،آموزش بیوانفورماتیک، طراحی پروتیئن، یادگیری ماشین، برنامه نویسی R، طراحی محاسباتی دارو، رگرسیون

📎بهبود از هم گسیختگی سری‌های زمانی بین بافت مغز با استفاده از شبکه‌های عمیق مستقل از زمان.

✏️ تصویرسازی تشدید مغناطیسی کارکردی یا همان FMRI یک روش معروف عکس برداری برای شناسایی عملکرد مغز است، اما مقدار زیاد نویز از منابع مختلف بروی عکس‌ها، اعتبار و تکرارپذیری تصاویر FMRI را کاهش می‌دهد. همچنین این معضل کاربردهای پزشکی یا بالینی آن را محدود می‌کند. تلا‌ش‌های وسیعی در جهت بهبود کیفیت تصاویر FMRI انجام شده است، اما در دو دهه گذشته هیچ گونه توافق کلی در مورد اینکه کدام تکنیک تاثیر گذارتر است، صورت نگرفته است.
در این تحقیق از یک شبکه عصبی عمیق به نام DeNN، برای از بین بردن نویز داده‌های FMRI استفاده شده است. این شبکه عصبی 1) بدون نیاز به رکوردهای داده خارجی قابل استفاده است 2) از نظر زمانی و فضایی نسبت به تغییرات نویز در مناطق مختلف مغز و نقاط زمانی متفاوت، سازش‌پذیر است. 3) به‌صورت اتوماتیک خروجی را تولید می‌کند و نیازی به مداخله کاربر ندارد 4) قابل اعمال به هر موضوع است. 5) نسبت به تکرار در زمان غیر حساس است.

ادامه مطلب ...

📝تعداد کلمات: 269
⏰زمان مطالعه: 2 تا 3 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه : #مقاله

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منابع:
https://www.sciencedirect.com/science/article/pii/S1053811920308260

درد و دل‌های ارگانل‌های بیچاره🤦

#طنز
#کریم_رحیمیان

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫

📎ارتباط شادی با تکامل اندازه مغز.

✏️ در طی دوره تکامل انسان، اندازه مغز افزایش پیدا کرده است، مخصوصا در بخشی از مغز که نئوکورتکس نامیده می‌شود. نئوکورتکس در فعالیت‌هایی مانند فکر کردن، صحبت کردن و همچنین قوه خیال انسان نقش دارد. در جستجوی علت تکامل این ناحیه از مغز، پژوهشگران موسسه مکس پلانک با همکاری دانشگاه کارل نقش تعدادی از مولکول‌های موثر را شناسایی کرده‌اند. این مولکول‌ها عموما بصورت ذاتی در سلول‌های بنیادی همان سلول‌هایی که در توسعه بخش نئوکورتکس نقش محوری دارند فعالیت می¬کنند.
پژوهشگران اخیرا یک نقش جدید از انتقال دهنده عصبی سروتونین را گزارش کرده‌اند که در مغز برای ایجاد رضایت، اعتماد به نفس و خوشبینی استفاده می‌شود، این عامل به عنوان یک فاکتور رشد خارج از سلولی در سلول‌های basal progenitors در تکامل بخش نئوکورتکس مغز انسان و نه موش عمل می‌کند. بر اساس این فاکتور، سروتونین‌های مشتق شده جفت احتمالا در توسعه تکاملی بخش نئوکورتکس انسان نقش دارند.

ادامه مطلب ...

📝تعداد کلمات: 255
⏰زمان مطالعه: 2 تا 3 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

شنبه : #علمی_‌اجتماعی

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منابع:
https://www.sciencedaily.com/releases/2020/10/201023123137.htm

😎عزیزم بیا آنالیزت کنم ( او سپس‌توالی یابی شد )

#طنز
#کریم_رحیمیان

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫

📎تکنیک‌ جدید هوش مصنوعی، کنترل ویروسی تغییرات داخل سلول، را شناسایی می‎کند

✏️ محققان پزشکی شمال غربی با استفاده از تکنیک دسته‌بندی سلولی هوش مصنوعی، دریافتند که ویروس‌ها می‌توانند قطبیت ساختاری و ژنتیکی درون هسته سلول را کنترل کنند. یافته‌های منتشر شده در Nature ، اهمیت سازماندهی ژنوم در طول عفونت و کمکی که هوش مصنوعی به شناسایی فرآیندهای پیچیده درون سلولی می‎کند، را نشان می‌دهد.

🦠ویروس‌ها از بسیاری جهات می‌توانند سلول‌ها را کنترل کنند، از پروتئین‌های ویروسی موجود در هسته که به طور مستقیم بیان ژن را کنترل می‌کنند، تا پروتئین‌هایی که در سطح سلول یا سیتوپلاسم برای کنترل شبکه سیگنالینگ کار می‌کنند. به گفته نویسندگان، نحوه تغییر و سازماندهی مجدد هسته در شرایط مختلف، از جمله در هنگام عفونت ویروسی، همچنان موضوع تحقیق باقی مانده است.

🧪در طول دوره عفونت، بعضی از سلول‌ها عفونی نشده‌اند، و آنهایی که عفونت دارند هر کدام در مرحله متفاوتی از آلودگی قرار دارند. کنترل آزمایشگاهی و همسان‌سازی برای این سلول‎ها کار بسیار سختی است و روش‌های لکه‌گیری‌‌‌‌‌‌‌، تنها تخمینی از اتفاقات درون سلول‌های مورد کشت، را نشان می‌دهد. محققین می‌توانند از هر سلول بصورت جداگانه عکس برداری کنند، اما برای بدست آوردن نتایج دقیق، این فرآیند، نیازمند تجزیه و تحلیل تعداد زیادی سلول است، که خود این کار مستعد خطای زیادی است.

📽به همین دلیل، برای ساده‌سازی این فرآیند، تیم دکتر پروسر یک سیستم اتوماتیک تصویربرداری مبتنی بر هوش مصنوعی ایجاد کردند، که از شبکه‌های عصبی کانولوشنی استفاده می‌کند و قادر است که تشخیص دهد سلول‌های عفونی در چه مرحله‌ای هستند. به گفته دکتر پروسر محدودیت‌های موجود در ابزارهای تحلیل عکس حاضر، ما را بر آن داشت که از پیشرفت‌های موجود در تکنولوژی بینایی کامپیوتر، به منظور توسعه این روش‌ها استفاده کنیم.

🧫به طور خاص، محققان برای شناسایی سلول‌های آلوده و اینکه هر سلول در چه مرحله‌ای از عفونت قرار دارد، مجموعه داده‌های آموزشی گسترده‌ای، در اختیار سیستم قرار دادند. بعد از آموزش شبکه، یک میکروسکوپ برای اسکن و تصویر برداری از سلول‌های کشت شده، برنامه‌ریزی شد، در نهایت سیستم سلول‌ها را دسته‌بندی کرد و مشخص کرد که هر کدام از سلول‌ها در چه مرحله‌ای از عفونت قرار دارند. با استفاده از این سیستم، محققین می‌توانند مسیرهای تنظیمی زیادی را از نمونه سلول‌های آلوده شناسایی کنند. این مسیرها می‌تواند میکروتوبول‌های استیله قوی تولید کنند، که به غشا هسته سلول و پروتین‌های بیرون هسته متصل می‌شود تا رشته‌های اکتین را کنترل کند.

💡یافته‌ها نشان می‌دهد این روش‌، ممکن است درک مکانیسم‌های اساسی سازمان ژنوم در سلول‌های آلوده و همچنین چگونگی کمک به بهبود عفونت را نشان دهد.

ادامه مطلب

📝تعداد کلمات: 406
⏰زمان مطالعه: 3 تا 4 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه : #اخبار فناوری

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منبع:
phys.org

📎توسعه استراتژی ژنومیک برای دنبال کردن ویروس‌های کرونا

✏️ تیمی از محققان در حال استفاده از یک فناوری تعیین توالی ژنوم هستند که سریع است و می‌تواند به شناسایی منبع نمونه‌های کرونایی کمک کند.
محققان موسسه تحقیقات پزشکی گاروان و موسسه کربی در UNSW سیدنی به لطف فناوری روش تعیین توالی ژن پیشرفته nanopore، سریعترین استراتژی تعیین توالی ژن را برای ویروس کرونا، در استرالیا ایجاد کرده‌اند. پیشرفت فناوری، این امکان را دارد که سرنخ‌های مهم و به موقع را، برای چگونگی ارتباط موارد عفونت SARS-CoV-2 شناسایی کند.
محققان امروز یک رهنمود اعتبارسنجی و بهترین روش برای تعیین توالی SARS-CoV-2 را در nature منتشر کردند، که امیدوارند بتوانند باعث جذب بیشتر فن‌آوری در زمینه توالی‌یابی سریع، برای اقدامات بهداشتی در استرالیا و خارج از کشور شود.
هر بار که ویروس SARS-CoV-2 از شخصی به فرد دیگر منتقل شود، ممکن است خطاهای همانندسازی، ایجاد کند که باعث تغییر در برخی از 30 هزار نوکلوتید ژنتیکی آن شود. با شناسایی این تغییرات ژنتیکی، می‌توان ارتباط بین انواع مختلف ویروس‌های کرونا را شناسایی کرد. این مسئله می‌تواند به شناسایی اینکه یک نمونه مبتلا به کرونا، از کجا مبتلا شده است و چه کسی یا کسانی را ممکن است مبتلا کرده باشد، کمک کند.
هر بار که SARS-CoV-2از یک شخص به شخص دیگر منتقل می‌شود، ممکن است که در هنگام همانندسازی هر یک از 30000 حرف ژنتیکی خود دچار خطا شود. با شناسایی تغییرات ژنتیکی، ما می‌توانیم متوجه شویم که کدام یک از نمونه‌های کرونا به هم ارتباط دارند، همچنین این تغییرات نشان می‌دهد که نمونه یک فرد از کجا آمده است و ممکن است به چه اشخاصی منتقل شده باشد.
پروفسور Bull می‌گوید، تست‌های ژنتیکی برای دنبال کردن رد انتقال ویروس در مواردی که تنها تماس‌های اپیدمیولوژیک بررسی شده‌ی ناشناخته وجود دارد، بسیار حیاتی است. با ایجاد تاریخچه تکاملی ویروس یا درخت خانوادگی آنها، می‌توانیم رفتارهایی که منجر به شیوع ویروس می‌شود را شناسایی کنیم و به این وسیله شیوع‌های بسیار گسترده را مورد بررسی و تحلیل قرار دهیم.
زمانی که یک نمونه ویروس کرونا ناشناخته، شناسایی می‌شود، هر دقیقه حائز اهمیت است. در گاروان، ما از توانایی های توالی یابی سریع ژن توسعه داده شده، برای توالی یابی یک کرونا ویروس استفاده کردیم و این کار تنها در چند ساعت (کمتر از 4 ساعت) انجام شد.
تعیین دقیق روش انتقال SARS-CoV-2 بسیار مهم است NSW Health Pathology با موسسه گاروان و موسسه کربی برای توسعه سریعتر توالی یابی ژن SARS-CoV-2 همکاری کردند تا قابلیت‌های توالی یابی را افزایش دهند و از آن به منظور ردیابی سریعتر افرادی که در تماس با covid بودند استفاده کردند، تا در نهایت بتوانند در کمترین زمان ممکن عملیات قرنطینه و ردیابی بیماران را انجام دهند.
روش‌های توالی‌یابی استاندارد در حال حاضر، قادرند که خوانش‌های ژنتیکی کوتاه را فقط با 100-150 حرف ژنتیکی درواحد زمان بخوانند، در حالی که فن آوری‌های Nanopore محدودیتی برای طول قطعات DNA ندارند و می‌توانند با سرعت بیشتری توالی کامل یک ژنوم ویروسی را تعیین کنند. دکتر Deveson می‌گوید: "با این حال، مانند بسیاری از فن آوری‌های نوظهور، نگرانی‌هایی در مورد صحت تعیین توالی nanopore وجود دارد" ما در مقاله خود به این نگرانی‌ها پرداختیم و نکات حائز اهمیت را به صور مفصل بیان کرده‌ایم.
تجزیه و تحلیل‌ها نشان می‌دهد که روش تعیین توالی nanopore بسیار دقیق است. این روش در 157 بیمار کرونا مثبت مختلف، دارای حساسیت و دقت 99% بوده است.

ادامه مطلب

📝تعداد کلمات: 542
⏰زمان مطالعه: 3 تا 4 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه : #اخبار فناوری

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منابع:
Sciencedaily

📎کامپیوترهای کوانتومی کوچک مسائل بهینه‌سازی دنیای واقعی را حل می‌کنند

✏️ رایانه‌های کوانتومی قبلاً در حل برخی وظایف موفق به پیشی گرفتن از رایانه‌های معمولی شده‌اند، اما وظایفی کاملا بی‌فایده. محققان در تلاش هستند که این رایانه‌ها را وادار به انجام کارهای مفید کنند. پژوهشگران دانشگاه صنعتی چالمرز، سوئد، در یک تحقیق نشان دادند، که با استفاده از یک رایانه کوانتومی کوچک اما با عملکرد مناسب می‌توان قسمت کوچکی از یک مسئله لجستیکی واقعی را حل کرد.
علاقه به ساخت رایانه‌های کوانتومی در سال‌های اخیر جنب و جوش قابل توجهی پیدا کرده است و در حال حاضر کارهای پر تب و تابی در بسیاری از نقاط جهان در جریان است. اگرچه کامپیوتر کوانتومی تیم تحقیقاتی گوگل در سال 2019 موفق شد که یک مسئله را بسیار سریعتر از بهترین ابر رایانه جهان حل کند اما نکته منفی این بود که مسئله حل شده هیچ کاربرد عملیاتی نداشت و صرفا به این دلیل انتخاب شده بود که حل آن برای یک کامپیوتر کوانتومی بسیار آسان بود.
بنابراین در حال حاضر یکی از کارهای مهم پیدا کردن مسائل کاربردی است که توسط رایانه‌های معمولی قابل حل نیستند ولی یک رایانه کوانتومی نسبتا کوچک می‌تواند آن را حل کند.

جولیا فرینی فیزیکدان نظری، یکی از رهبران پروژه رایانه کوانتومی دانشگاه چالمرز که در سال 2018 آغاز به کار کرد می‌گوید: "ما می‌خواهیم مطمئن باشیم که رایانه کوانتومی که در حال توسعه آن هستیم می‌تواند به حل مشکلات روزمره در حوزه‌های مختلف کمک کند، به همین دلیل، همکاری با شرکت‌های صنعتی را از جمله اولیت‌های کاری خود قرار داده‌ایم.
جولیا فرینی به همراه گوران جوهانسون و یک دانشجوی دکترای صنایع از شرکت تدارکات هواپیمایی Jeppesen، نشان دادند که یک کامپیوتر کوانتومی می‌تواند نمونه‌ای از یک مشکل واقعی در صنعت هواپیمایی را حل کند. به عنوان مثال ، اختصاص هواپیماهای منفرد به مسیرهای مختلف نشان دهنده یک مسئله بهینه‌سازی است، مسئله‌ای که با افزایش تعداد مسیرها و هواپیماها، از نظر اندازه و پیچیدگی بسیار سریع رشد می‌کند.

ادامه مطلب

📝تعداد کلمات: 498
⏰زمان مطالعه: 3 تا 4 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه : #اخبار فناوری

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منابع:
https://www.sciencedaily.com/releases/2020/12/201217090404.htm

📎رویکرد جدیدی برای طبقه بندی بهتر و درمان تومورهای مغزی

✏️ بررسی RNA حقیقت درون سلول‌های ما را آشکار می‌کند. بررسی مستقیم RNAی سلول‌های تومور مغزی، شواهد کارآمدی برای طبقه‌بندی بهتر تومورها و شناسایی موثرترین روش‌های درمانی را به‌ وجود می‌آورد. گلیوماس رایج ترین نوع تومور مغزی در بزرگسالان است، این تومور به سه زیر گروه astrocytomas قابل درمان، oligodendrogliomas و glioblastomasهای کشنده تر تقسیم می‌شوند. Paul M.H Tran دانشجوی دکتری دانشکده پزشکی جورجیا اعلام کرد که روشی که آنها نامش را پروفایل Transcriptomic تومور گذاشته‌اند قادر است که خطرناکترین این تومورها را تشخیص دهد.
گلیوماها در حال حاضر از طریق بافت شناسی، شکل اولیه یا مورفولوژی قابل شناسایی است. همانطور که پاتولوژیست‌ها سلول‌های سرطانی را زیر میکروسکوپ می‌بینند، قادر هستند که جهش‌های ژنی که عامل ایجاد سرطان هستند را شناسایی کنند. دکتر Jin-Xiong She ، مدیر مرکز بیوتکنولوژی و پزشکی ژنومی و محقق برجسته دانشگاه جورجیا در پزشکی ژنومی می‌گوید که ما روش سوم را اضافه کردیم.

در حالی که بیشتر بیماران هر دو روش طبقه‌بندی فعلی را انجام می‌دهند، گاهی اوقات یافته‌های ناسازگار بین این دو گروه وجود دارد، برای مثال روش‌های پاتولوژی سرطان را از نوع glioblastoma تشخیص می‌دهند در حالی که روش‌های مطالعه ژن این یافته را نشان نمی‌دهد. این ناسازگاری حتی زمانی که سلول‌های یکسانی را مطالعه می‌کنند ممکن است که رخ بدهد.
آنها برای بررسی دقیق‌تر سلول‌های سرطانی، ژن‌هایی که کمتر مورد بررسی قرار گرفته بودند را بررسی کردند. از آنجا که DNAها RNA‌هایی را می‌سازند که پروتین از روی آنها ستنز می‌شود و در نهایت عملکرد سلولی از روی این پروتئین‌ها شکل می‌گیرد، بنابراین یکی از روش‌هایی که باعث بوجود آمدن سرطان و گسترش آن می‌شود تغییر بیان ژن است که می‌تواند شامل افزایش و یا کاهش بیان ژن باشد.
برای بررسی صحت روش جدید، تیم تحقیقاتی دکتر Jin-Xion She همچنان استفاده از روش‌های سنتی را برای ارزیابی روش بوجود آمده را ادامه می‌دهند. Tran می‌گوید Rna می‌تواند یک تصویر از اینکه چه چیزی زیاد و چه چیزی کم شده است را در سلول‌های گلیال نشان دهد. آنها در واقع در حال بررسی تعداد کپی‌های ژن‌های مربوط به RNA هستند. به طور معمول این بیان ژن از رنگ مو تا وزن شما را تعیین می‌کند. پروفایل Transcriptom تعداد رونوشت های هر ژن را در سلول می‌شمارد.
سلول‌های گلیال، که وظیفه آنها حمایت از سلول‌های عصبی است‌، دارای بیان ژنی کاملاً تنظیم شده هستند که آنها را قادر به انجام چنین کاری می‌کند. با سرطان ، یکی از اولین اتفاقاتی که می‌افتد این است که تعداد کپی RNA از هر ژن در سلول‌ها تغییر می‌کند و عملکرد مهم سلول با آن تغییر می‌کند. او می‌گوید: "شما بیان ژن را تغییر می‌دهید تا چیز دیگری شوید."
پروفایل Transcriptomic مانند سایر روش‌ها با نمونه‌گیری از تومور به وسیله جراحی آغاز می‌شود، سپس فرایند خودکار برای استخراج RNA انجام می‌شود، برای این کار ابزاری وجود دارد که قادر است سطح بیان ژن را برای ژن‌های مختلف بخواند. مقادیر زیادی از داده‌های تولید شده به الگوریتم یادگیری ماشین که توسط Tran توسعه داده شده است، سپرده می‌شود، این الگوریتم قادر است که محتمل ترین نوع سرطان گلیوم را تشخیص دهد.
آقای Trans با استفاده از برنامه The Cancer Genome Atlas (TCGA) و مخزن داده‌های مولکولی مغز نئوپلازی، دو مجموعه داده‌ای که قبلا بررسی RNA را انجام داده بودند و همچنین اطلاعات بالینی مرتبط مانند نتایج بیش از 1400 بیمار گلیوم، کار خود را شروع کردند. او و همکارانشان از الگوریتم خود برای کشف الگوهای بیان ژن استفاده کردند و از این الگوها برای طبقه‌بندی همه بیماران گلیوما بدون هیچ گونه ورودی دیگری استفاده کردند. آنها سپس سه زیرگروه اصلی گلیوما را که با روش‌های طبقه‌بندی استاندارد پدید آمده‌اند مقایسه کردند.

ادامه مطلب

📝تعداد کلمات: 600
⏰زمان مطالعه: 3 تا 4 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه : #اخبار_فناوری

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منابع:
https://www.sciencedaily.com/releases/2021/01/210119085224.htm‏

📎جمع آوری DNA از هوا


✏️ انسان‌ها dnaهای خود را در هر مکانی از جمله در هوا پخش می‌کنند. نمونه برداری از DNAهای موجود در هوا تاکنون انجام نشده است، اما پژوهشگران در مطالعه‌ای برای اولین بار در حال انجام این کار هستند. DNAهایی که موجودات زنده از جمله انسان‌ها و دیگر موجودات در محیط پراکنده می‌کنند را eDNA می‌گویند. جمع‌آوری eDNA‌ها از محیط‌های آبی برای شناختن گونه‌ها بسیار رایج است، اما تاکنون تلاشی برای جمع آوری eDNA ها از هوا صورت نگرفته است.


خانم Elizabeth Clare اکولوژیست دانشگاه Queen Mary در لندن و نویسنده نوشتار حاضر می‌گوید هدف ما از انجام این تحقیق دانستن این موضوع است که چگونه می‌توان eDNA‌های موجود در هوا را شناسایی کرد، تا شاید به وسیله آن بتوان حیواناتی که در خشکی زندگی می‌کنند، را ردیابی کرد. وی اشاره کرد که ما بسیار مشتاق هستیم که بدانیم، چطور می‌توان از eDna‌ها به منظور ارزیابی و بررسی گونه‌هایی که در غارها زندگی می‌کنند ( چون ردیابی و گرفتن آنها بسیار دشوار است) استفاده کرد.


ادامه مطلب

📝تعداد کلمات: 520
⏰زمان مطالعه: حدود 4 دقیقه


📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس


۴شنبه‌ها : #اخبار فناوری

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منبع:
https://www.livescience.com/dna-collected-air.html

📎وجود قارچ در مریخ


✏️ دانشمندان ادعا می‌کنند که عکس‌های ناسا رشد نوعی قارچ را در مریخ تایید می‌کند. در این مقاله دانشمندان عکس‌های متنوعی که توسط دو کاوشگر Opportunity و Curiosity به ثبت رسیده است را بررسی کردند و به این ادعا رسیده‌اند که در مریخ اشیا قارچ مانندی رشد می‌کند.

اما یک پرسش اساسی وجود دارد و آن این است که آیا قارچ در مریخ می‌تواند وجود داشته باشد؟ در این پژوهش یک تیم بین المللی دانشمندان از کشورهای مختلف شامل آمریکا، فرانسه و چین شواهد عکسی متنوعی را بررسی و مقایسه کرده‌اند و در نهایت به این ادعا رسیده‌اند که اشیایی شبیه به قارچ در سطح مریخ وجود دارد.

این کار تحقیقاتی که در مرکز نشر تحقیقات علمی در Advances in Microbiology به ثبت رسیده است، تیم Opportunity در ابتدا نمونه‌های کروی گچی سفید رنگ متنوعی را که توسط کاوشگرهای Curiosity و Opportunity پیدا شد hematite نامیدند که نوعی ماده معدنی محسوب می‌شود. اما مطالعات بعدی این ادعا را رد کرد. بعدا برخی از دانشمندان به علت شباهت این اشیا به گلسنگ و قارچ‌، اصطلاح قارچ مریخی را برای توصیف این اشیا مرموز انتخاب کردند. این در حالی است که در مطالعه دیگری متخصصین قارچ و گلسنگ، این اشیا را جز دسته puffball‌ها (نوعی قارچ کروی و متعلق به باکتری Basidiomycota) طبقه‌بندی کردند.


ادامه مطلب

📝تعداد کلمات: 290
⏰زمان مطالعه: حدود 2 دقیقه


📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

شنبه : #علمی - اجتماعی


✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منبع:
popularmechanics

📎توالی‌یابی کل ژنوم Pestera Muierii1

✏️ برای اولین بار، پژوهشگران موفق شدند که کل ژنوم Pestera Muierii1 زنی که حدود 35 هزار سال قبل زندگی می‌کرده است را از طریق جمجمه‌اش شناسایی کنند. تنوع ژنتیکی بالا در توالی جدید یافته شده نشان می‌دهد که خروج انسان از آفریقا نقطه عطف پیشرفت انسان نبوده است، بلکه این رخداد در طول عصر یخبندان و بعد از آن اتفاق افتاده است. نتایج این مطالعه جدید که توسط Matthias Jacobson در دانشگاه Uppsala انجام شده است، در ژورنال Current biology به چاپ رسیده است.
به گفته Matthias Jacobson، پروفسور مرکز توسعه زیست شناسی دانشگاه Uppsala، نتایج بررسی‌ها نشان می‌دهد که Pestera Muierii1 به انسان‌های امروزی اروپا بیشتر شبیه است تا به انسان‌های اروپایی که 5000 سال قبل زندگی می‌کردند، هرچند این اختلاف بسیار ناچیز است. همچنین توالی‌یابی جدید، نشان می‌دهد که اگرچه Pestera Muierii1 جد مستقیم اروپایی‌های امروزی نیست، اما او جد شکارچیانی است که تا اواخر عصر یخبندان زندگی می‌کرده‌اند.
تاکنون تعداد بسیار کمی از توالی‌های با قدمت بیشتر از 30000 سال توالی‌یابی شده است. یافته‌های این تیم بروی توالی بدست آمده از جمجمه Pestera Muierii1 شباهت‌هایی را بین انسان‌های امروزی و اروپایی‌هایی که نسل مستقیم انسان‌های امروزی نیستند نشان می‌دهد. مطالعات قبلی نشان داد که شکل جمجمه Pestera Muierii1 شباهت‌هایی، با هر دو گونه انسان‌های امروزی و Neanderthalها دارد، به همین دلیل این فرضیه مطرح شد که جمعه پیدا شده باید حاوی اطلاعات ژنتیکی زیادی از گونه Neanderthal‌ها باشد و نه حاوی اطلاعات ژنتیکی که در انسان معاصر وجود دارد.


ادامه مطلب

📝تعداد کلمات: 470
⏰زمان مطالعه: 3 تا 4 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه : #اخبار_فناوری

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منابع:
phys.org

📎 ترکیب حس بینایی و لامسه در ربات‌ها


✏️ دانشمندان پروژه مغز انسان در EBRAINS، یادگیری عمیق الهام گرفته از مغز را به ربات‌های زیست تقلید متصل کردند.

اینکه چطور مغز به ما اجازه می‌دهد تا جهان را درک و پیمایش کنیم، یکی از جذاب‌ترین جنبه‌های شناخت است. هنگام جهت‌‎گیری، ما دائماً اطلاعات مربوط به حواس ششگانه خود را به روشی ظاهراً بی دردسر ترکیب می‌کنیم، ویژگی که حتی پیشرفته‌ترین سیستم‌های هوش مصنوعی نیز در صدد تقلید آن هستند.در زیرساخت‌های تحقیقاتی جدید EBRAINS، دانشمندان علوم مغز و اعصاب شناختی با همکاری مدل‌سازهای محاسباتی و رباتیک در تلاش هستند تا بتوانند مکانیزم عصبی چنین پدیده‌ای (ترکیب حواس) را درک کنند. آنها برای این کار ربات‌هایی را ساخته‌اند که عملکرد داخلی آنها مبتنی بر تقلید از مغز است.Cyriel Pennartz، استاد علوم اعصاب شناختی در دانشگاه آمستردام می‌گوید: "ما معتقدیم که ربات‌ها می‌توانند با استفاده از دانش مغز بهبود یابند. اما در عین حال‌، می‌توانند به ما در درک بهتر مغز نیز کمک کند."

در پروژه مغز انسان، Pennartz با کمک مدل‌سازان محاسباتی Shirin Dora, Sander Bohte and Jorge می‌خواهند مدل شبکه عصبی پیچیده‌ای را ایجاد کنند که قادر است، داده‌های حسی واقعی که از یک موش گرفته شده است را درک (پردازش) نماید. نام این مدل Multiprednet است و از سه بخش ورودی دیداری، ورودی لمسی و بخش ترکیب کننده (دیداری و لمسی) تشکیل شده است. به گفته Pennartz این مدل قادر است که، آنچه را می‌بیند احساس کند و همینطور آنچه را که احساس می‌کند، ببیند. روش آموزش این مدل همانند یادگیری مغز ما انسان‌ها است. در واقع دانشمندان فکر می‌کنند که مغز با تولید مداوم پیش‌بینی‌ها درمورد جهان و مقایسه آن با ورودی‌های حسی و اصلاح شبکه نورونی، فرآیند یادگیری را انجام می‌دهد.

ادامه مطلب...

📝تعداد کلمات: 454
⏰زمان مطالعه: 3 تا 4 دقیقه


📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

#سوژه_های_برگزیده


✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منابع:
Neurosciencenews

📎کامل‌ترین نقشه سیاه‌ چاله‌ها توسط تلسکوپ اشعه ایکس

✏️ تلسکوپ فضایی eROSITA، در حال ایجاد دقیقترین نقشه در از سیاه چاله‌ها و ستاره‌های نوترونی است. این دستگاه در دو سال گذشته بیش از 3 میلیون شی جدید در آسمان پیدا کرده است. این تلسکوپ که در سال 2019 کار خود را آغاز کرده است اولین تلسکوپ مبتنی بر اشعه ایکس است که قابلیت عکس برداری از کل آسمان را دارد و در ناحیه‌‌ای موسوم به لاگرانژ 2 (یکی از 5 نقطه پایدار در سیستم زمین-خورشیدی) قرار گرفته است، جایی که نیروهای جاذبه بین زمین و خورشید در حالت تعادل قرار دارد. جایگاه تلسکوپ این امکان را می‌دهد که دید واضحی از کل جهان داشته باشد و ابزار قدرتمند تشخیص اشعه ایکس عملکرد آن را دوچندان می‌کند.


ادامه مطلب ...


📝تعداد کلمات: 477
⏰زمان مطالعه: 4 دقیقه

📝 تهیه و تنظیم:#کریم_رحیمیان
دانشجوی کارشناسی ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

شنبه : #سوژه_های_برگزیده

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منابع:
Space