📎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

مدل هوش مصنوعی جدید قادر به پیش‌بینی ترکیب‌های دارویی موثر برای از بین‌بردن سلول‌های سرطانی است

👩🏼‍⚕️👨🏾‍⚕️پزشکان معمولا برای درمان بیماران مبتلا به مراحل پیشرفته‌ی سرطان، از ترکیب روش‌های درمانی استفاده می‌کنند.

☢️💊بیماران معمولا علاوه بر جراحی، به وسیله‌ی پرتودرمانی، دارو و یا هر دو تحت درمان قرار می‌گیرند. روش‌های درمانی مبتنی بر ترکیب کردن چند دارو، می‌تواند تاثیرگذاری درمان را افزایش داده و حتی موجب کاهش عوارض جانبی شود. با این حال غربالگری برای ترکیب دارویی به روش تجربی، بسیار زمان‌بر و پرهزینه است. به کمک روش یادگیری ماشین جدید، می‌توان بهترین ترکیب‌ها برای از بین‌بردن انتخابی سلول‌های سرطانی با آرایش ژنتیکی یا عملکردی خاص را شناسایی کرد.

⚙️ پژوهشگران مدل یادگیری ماشین جدیدی را توسعه داده‌اند که comboFM نام دارد و برای پیش‌بینی پاسخ به ترکیب‌های دارویی در آزمایش‌های پیش‌بالینی طراحی شده است. این مدل به پژوهشگران حوزه‌ی سرطان کمک می‌کند که انتخاب ترکیب‌های دارویی برای انجام تحقیقات بعدی را از بین هزاران گزینه‌ای که در اختیار دارند، اولویت‌بندی نمایند.

🦠همین رویکرد یادگیری ماشین می‌تواند برای سایر بیماری‌ها به‌غیر از سرطان هم مورد استفاده قرار گیرد. برای مثال، از این مدل می‌توان برای مطالعه‌ی تاثیر ترکیب‌های دارویی متفاوت برای از بین بردن سلول‌های آلوده به ویروس کرونای جدید SARS-CoV-2 نیز استفاده کرد.

متن کامل خبر...

📝تعداد کلمات: 456
⏰زمان مطالعه: کمتر از سه دقیقه

📝تهیه و تنظیم : #سارا_فیاض‌زاده
دانشجوی دکتری #بیوفیزیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه ها: #اخبار_فناوری

✅کانال بیوانفورماتیک ایران
وب سایت:
🌐https://www.codecool.ir
اینستاگرام
@codecool_bioinformatics🌟
تلگرام:
@Iran_Bioinformatics💫
📌منبع :
https://scitechdaily.com/artificial-intelligence-predicts-drug-combinations-that-kill-cancer-cells-more-effectively/

📎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

سیستم متوهم

👩‍🏫مهندسان تراشه‌هایی ترکیبی با پردازنده‌ و حافظه ساخته‌اند که می‌تواند الگوریتم‌های هوش مصنوعی را روی دستگاه‌هایی که با باتری کار می‌کنند؛ اجرا کند.

🔋تعاملات بین پردازنده‌ها و حافظه برای اجرای الگوریتم‌های یادگیری ماشین و هوش مصنوعی، انرژی زیادی نیاز دارد که عمر باتری را به شدت کاهش می‌دهد. تیمی از مهندسان با بهره بردن از هشت تراشه‌ی ترکیبی، سیستمی را طراحی کرده‌اند که می‌تواند سریع‌تر و با انرژی کمتر الگوریتم‌های هوش مصنوعی را اجرا کند.

👨‍🏫میترا محقق ارشد این پروژه گفته‌است: "اگر می‌توانستیم یك تراشه‌ی عظیم و متعارف با تمام پردازش‌ها و حافظه مورد نیاز بسازیم، این كار را انجام می‌دادیم، اما مقدار اطلاعاتی كه برای حل مسائل هوش مصنوعی لازم است، این را به یك رویا تبدیل می‌كند. در عوض، ما هیبریدها را فریب می‌دهیم، به این گونه که فکر می‌کنند آن‌ها یک تراشه هستند، به همین دلیل است که ما این سیستم را "سیستم متوهم" (Illusion System) می‌نامیم."

ادامه‌ی مطلب...

📝تعداد کلمات: ۶۴۷ کلمه
⏰زمان مطالعه: حدود ۳ دقیقه

📝تهیه و تنظیم: #مریم_رفیعی‌پور
دانشجوی کارشناسی‌ارشد #بیوانفورماتیک آزمایشگاه #بیوانفورماتیک دانشگاه #تربیت_مدرس

چهارشنبه‌ها: #اخبار_فناوری

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

📌منبع:
Sciencedaily
📌لینک مقاله:
Nature

📎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