✍️معرفی مقاله
مقاله ای در زمینه بررسی تنوع ژنتیکی برروی عملکرد و ساختار پروتئینی با بررسی بیش از صد ها پروتئین
مطالعه این مقاله را به دوستان علاقه مند پیشنهاد میکنم👇👇
✔️آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
مقاله ای در زمینه بررسی تنوع ژنتیکی برروی عملکرد و ساختار پروتئینی با بررسی بیش از صد ها پروتئین
مطالعه این مقاله را به دوستان علاقه مند پیشنهاد میکنم👇👇
✔️آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
2017_Impact_of_genetic_variation.pdf
3.4 MB
📝 Impact of genetic variation on three dimensional structure and function of proteins
✒️ Author: A. Prlić
⏳ Year: 2017
✨ #variation #Protein
🌐 www.ParsSilico.com
@practicalbioinformatics
✒️ Author: A. Prlić
⏳ Year: 2017
✨ #variation #Protein
🌐 www.ParsSilico.com
@practicalbioinformatics
goo.gl/UHzJJX
🔔 وبینار رایگان Upcoming Webinar
💎با موضوع :معرفی آموزش ابزارWebMeV جهت انالیز داده های RNA-Seq
Public RNA-Seq Data Analysis using WebMeV
📢 توضیح :
In this tutorial, we will demonstrate the followings:
▫️ How to upload private data and perform RNASeq analysis on WebMeV
▫️How to pull level 3 TCGA data and use clinical data to stratify the cohort
▫️How to perform complex set operation to create trait specific cohorts
▫️Use WebMeV to perform RNASeq analysis and explore high dimensional data
▫️Use WebMeV to perform unsupervised RNASeq analysis
▫️How to pull GEO data sets directly from GEO
🏆مجری برگزاری: The Center for Cancer Computational Biology
🕘 جمعه 18 فروردین ماه ساعت 18:30 الی 19:30
🌐 لینک ثبت نام goo.gl/uw1BZ8
✔️آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
🔔 وبینار رایگان Upcoming Webinar
💎با موضوع :معرفی آموزش ابزارWebMeV جهت انالیز داده های RNA-Seq
Public RNA-Seq Data Analysis using WebMeV
📢 توضیح :
In this tutorial, we will demonstrate the followings:
▫️ How to upload private data and perform RNASeq analysis on WebMeV
▫️How to pull level 3 TCGA data and use clinical data to stratify the cohort
▫️How to perform complex set operation to create trait specific cohorts
▫️Use WebMeV to perform RNASeq analysis and explore high dimensional data
▫️Use WebMeV to perform unsupervised RNASeq analysis
▫️How to pull GEO data sets directly from GEO
🏆مجری برگزاری: The Center for Cancer Computational Biology
🕘 جمعه 18 فروردین ماه ساعت 18:30 الی 19:30
🌐 لینک ثبت نام goo.gl/uw1BZ8
✔️آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
goo.gl/vWAuah
🔔موقعیت شغلی
✍️متخصص بیوانفورماتیک
محل:شیکاگو
دپارتمان بیوشیمی و ژنتیک مولکولی دانشگاه فاینبرگ به دنبال متخصصان بیوانفورماتیک می گردند که دارای توانایی انجام پروژه در زمینه های توالی یابی نسل جدید با استفاده از دیتاستهای ChIp-seq , RNA-seq و از این دست باشند.
🔍شرایط لازم :
دارا بودن مدرک دکترا و یا فوق لیسانس در رشته های بیوانفورماتیک، ریاضات زیستی و علوم کامپیوتر با پیش زمینه زیستی
داشتن مهارت کافی در لینوکس R, پایتون و یا پرل
و..
اطلاعات بیشتر:
goo.gl/CRlHV5
✔️عضویت در کانال پارس سیلیکو
@practicalbioinformatics
🔔موقعیت شغلی
✍️متخصص بیوانفورماتیک
محل:شیکاگو
دپارتمان بیوشیمی و ژنتیک مولکولی دانشگاه فاینبرگ به دنبال متخصصان بیوانفورماتیک می گردند که دارای توانایی انجام پروژه در زمینه های توالی یابی نسل جدید با استفاده از دیتاستهای ChIp-seq , RNA-seq و از این دست باشند.
🔍شرایط لازم :
دارا بودن مدرک دکترا و یا فوق لیسانس در رشته های بیوانفورماتیک، ریاضات زیستی و علوم کامپیوتر با پیش زمینه زیستی
داشتن مهارت کافی در لینوکس R, پایتون و یا پرل
و..
اطلاعات بیشتر:
goo.gl/CRlHV5
✔️عضویت در کانال پارس سیلیکو
@practicalbioinformatics
goo.gl/NmrHGf
✍️برنامه ی ژنوم قطر، کنسرسیوم تحقیقاتی خود را آغاز کرد.
13 مارچ 2017، بیش از 90 محقق ژنومیکس دور هم جمع شدند تا در کنسرسیوم تحقیقاتی برنامه ی ژنوم قطر (QGP) مشارکت کنند. این کنسرسیوم تازه ترین اقدام از مجموعه تلاش های QGP برای بهره برداری از "پزشکی دقیق" است.
این محققان در این کنسرسیوم، نمایندگان چندین موسسه در قطر از جمله QGP، بیوبانک قطر، مرکز تحقیقاتی و بالینی السدرة، شرکت تعاونی پزشکی حماد، انستستو مطالعات پزشکی قطر، موسسه ی پزشکی ویل کرنل شعبه ی قطر، موسسه ی تحقیقات محاسباتی قطر و دانشگاه قطر هستند. بسیاری از این محققان دارای همکارانی در بسیاری از نقاط جهان هستند.
اسما الثانی مدیر برنامه ژنوم قطر و رییس بیوبانک قطر می گوید: "افتتاح این کنسرسیوم تحقیقاتی گامی حیاتی در مسیر ما به سمت پزشکی دقیق است. با گرد هم آوری این تعداد محققان از موسسات گوناگون، ما در برنامه ژنوم قطر به هماهنگی یک پروژه ی ملی برای نقشه یابی ژنوم قطری ها کمک خواهیم کرد".
این پژوهشگران بر روی جستجوی مجموعه داده های عظیم ژنوتیپی و فنوتیپی که برای شناسایی ویژگی های کلیدی ژنوم قطری ها توسط دو موسسه ی بیوبانک قطر و QGP تولید خواهند شد، کار خواهند کرد. از این دانش در ایجاد و گسترش روش های درمانی فردمحور بیماری ها و نیز روش های پیشگیری استفاده خواهد شد .
🔎 آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
✍️برنامه ی ژنوم قطر، کنسرسیوم تحقیقاتی خود را آغاز کرد.
13 مارچ 2017، بیش از 90 محقق ژنومیکس دور هم جمع شدند تا در کنسرسیوم تحقیقاتی برنامه ی ژنوم قطر (QGP) مشارکت کنند. این کنسرسیوم تازه ترین اقدام از مجموعه تلاش های QGP برای بهره برداری از "پزشکی دقیق" است.
این محققان در این کنسرسیوم، نمایندگان چندین موسسه در قطر از جمله QGP، بیوبانک قطر، مرکز تحقیقاتی و بالینی السدرة، شرکت تعاونی پزشکی حماد، انستستو مطالعات پزشکی قطر، موسسه ی پزشکی ویل کرنل شعبه ی قطر، موسسه ی تحقیقات محاسباتی قطر و دانشگاه قطر هستند. بسیاری از این محققان دارای همکارانی در بسیاری از نقاط جهان هستند.
اسما الثانی مدیر برنامه ژنوم قطر و رییس بیوبانک قطر می گوید: "افتتاح این کنسرسیوم تحقیقاتی گامی حیاتی در مسیر ما به سمت پزشکی دقیق است. با گرد هم آوری این تعداد محققان از موسسات گوناگون، ما در برنامه ژنوم قطر به هماهنگی یک پروژه ی ملی برای نقشه یابی ژنوم قطری ها کمک خواهیم کرد".
این پژوهشگران بر روی جستجوی مجموعه داده های عظیم ژنوتیپی و فنوتیپی که برای شناسایی ویژگی های کلیدی ژنوم قطری ها توسط دو موسسه ی بیوبانک قطر و QGP تولید خواهند شد، کار خواهند کرد. از این دانش در ایجاد و گسترش روش های درمانی فردمحور بیماری ها و نیز روش های پیشگیری استفاده خواهد شد .
🔎 آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
📢دانشگاه علوم پزشکی شهید بهشتی با همکاری پارس سیلیکو برگزار می کند:
▫️کارگاه های بهار
⏱اردیبهشت ماه
▫️کارگاه های بیوانفورماتیک، طراحی دارو
🎁با تخفیف های ویژه
ParsSilico.com
@practicalbioinformatics
▫️کارگاه های بهار
⏱اردیبهشت ماه
▫️کارگاه های بیوانفورماتیک، طراحی دارو
🎁با تخفیف های ویژه
ParsSilico.com
@practicalbioinformatics
Forwarded from آزمایشگاه پارس سیلیکو
🔷🔷کیوسار (QSAR) چیست؟🔷🔷
در تولید یک دارو، ترکیب پیش رو(Lead) به عنوان مرجعی برای طراحی و سنتز مشتقات مختلفی از داروها به کار می رود. با تغییرات اندک روی گروه های عاملی مختلف که در ترکیب اصلی است می توان شاهد تغییرات شگرف در فعالیت فارماکولوژیکی آن ترکیب شد؛ برای مثال با جابجایی گروه های عاملی مثل متیل، هیدروکسیل، بنزیل و غیره در ساختار ترکیب پیش رو می توان سبب بهبود عملکرد آن شد. یک داروی مؤثر بصورت سیستماتیک از بین هزاران داروی متفاوتی که با استفاده از ترکیب پیش رو طراحی و سپس سنتز شده و کارایی آن بصورت تجربی تحت روش های مختلف و در طی زمان آزموده شده است، مشخص و معلوم می گردد. این فرآیند، به رابطه ساختار با فعالیت (SAR) مرسوم است. (SAR) در واقع با سنتز و غربالگری ترکیبات مختلف بخش های مفید دارو (از نظر گروه عاملی) را شناسایی می کند.
@PracticalBioinformatics 🎄🎄
کیوسار یکی از روشهای متداول و پر کاربرد در طراحی دارو بر اساس لیگاند است. کیوسار در واقع عبارت است از اصول (SAR)که کمّی و عددی شده است. و به زبان ساده تر روشی است که مدل های ریاضی را ایجاد می کند تا بتواند رابطه معنی دار آماری بین ساختار و عملکرد را با استفاده از روش های کمومتری به دست بیاورد. در طراحی دارو منظور از ساختار، پارامترهای (در اصطلاح به دسکریپتور معروف است) هر مولکول است و منظور از عملکرد عبارت است از فعالیت های تجربی زیستی و یا بیوشیمیایی مانند ثابت اتصال، ثابت سرعت، فعالیت و غیره. روش های کمومتری مرسوم عبارتند از
: MLR- ANN- PLS- PCA- PCRو GA.
کاربردهای کیوسار ☑️
کیوسار علاوه بر این که در پیش بینی فعالیت زیستی ترکیبات روشی با ارزش در داروسازی محسوب می شود، در حوزه صنعت و محیط زیست نیز کاربرد فراوانی پیدا کرده است. به طور کلی کاربردهای کیوسار را می توان در پنج بخش خلاصه کرد:
1- بهینه سازی و شناسایی منطقی ترکیبات اصلی در تولید داروها، حشره کش ها و آفت کش ها.
2- بررسی و تولید ترکیباتی که در بدن اثرات جانبی و سمّیت نداشته باشند.
3- مطالعه ترکیباتی که از لحاظ فارماکوسینتیکی در سیستم های بیولوژیک پایدار هستند.
4- طراحی منطقی مواد پر مصرف در حوزه صنایع مانند عطرها، رنگ های شیمیایی و مواد شیمیایی.
5- شناسایی مواد سمّی برای محیط زیست.
@PracticalBioinformatics 👈👈🎄🎄
در تولید یک دارو، ترکیب پیش رو(Lead) به عنوان مرجعی برای طراحی و سنتز مشتقات مختلفی از داروها به کار می رود. با تغییرات اندک روی گروه های عاملی مختلف که در ترکیب اصلی است می توان شاهد تغییرات شگرف در فعالیت فارماکولوژیکی آن ترکیب شد؛ برای مثال با جابجایی گروه های عاملی مثل متیل، هیدروکسیل، بنزیل و غیره در ساختار ترکیب پیش رو می توان سبب بهبود عملکرد آن شد. یک داروی مؤثر بصورت سیستماتیک از بین هزاران داروی متفاوتی که با استفاده از ترکیب پیش رو طراحی و سپس سنتز شده و کارایی آن بصورت تجربی تحت روش های مختلف و در طی زمان آزموده شده است، مشخص و معلوم می گردد. این فرآیند، به رابطه ساختار با فعالیت (SAR) مرسوم است. (SAR) در واقع با سنتز و غربالگری ترکیبات مختلف بخش های مفید دارو (از نظر گروه عاملی) را شناسایی می کند.
@PracticalBioinformatics 🎄🎄
کیوسار یکی از روشهای متداول و پر کاربرد در طراحی دارو بر اساس لیگاند است. کیوسار در واقع عبارت است از اصول (SAR)که کمّی و عددی شده است. و به زبان ساده تر روشی است که مدل های ریاضی را ایجاد می کند تا بتواند رابطه معنی دار آماری بین ساختار و عملکرد را با استفاده از روش های کمومتری به دست بیاورد. در طراحی دارو منظور از ساختار، پارامترهای (در اصطلاح به دسکریپتور معروف است) هر مولکول است و منظور از عملکرد عبارت است از فعالیت های تجربی زیستی و یا بیوشیمیایی مانند ثابت اتصال، ثابت سرعت، فعالیت و غیره. روش های کمومتری مرسوم عبارتند از
: MLR- ANN- PLS- PCA- PCRو GA.
کاربردهای کیوسار ☑️
کیوسار علاوه بر این که در پیش بینی فعالیت زیستی ترکیبات روشی با ارزش در داروسازی محسوب می شود، در حوزه صنعت و محیط زیست نیز کاربرد فراوانی پیدا کرده است. به طور کلی کاربردهای کیوسار را می توان در پنج بخش خلاصه کرد:
1- بهینه سازی و شناسایی منطقی ترکیبات اصلی در تولید داروها، حشره کش ها و آفت کش ها.
2- بررسی و تولید ترکیباتی که در بدن اثرات جانبی و سمّیت نداشته باشند.
3- مطالعه ترکیباتی که از لحاظ فارماکوسینتیکی در سیستم های بیولوژیک پایدار هستند.
4- طراحی منطقی مواد پر مصرف در حوزه صنایع مانند عطرها، رنگ های شیمیایی و مواد شیمیایی.
5- شناسایی مواد سمّی برای محیط زیست.
@PracticalBioinformatics 👈👈🎄🎄
goo.gl/ufY05y
🔔مطالعه ارتباط کمی ساختار - فعالیت (QSAR)
✍️بخش اول
روش های پیش بینی که به مدل های ارتباط کمی ساختار- فعالیت (QSAR) مشهور هستند، اساساً یک روش آماری می باشند و اولین بار توسط هانشا و فری و همکارانش معرفی شده اند. بطور عمومی اصطلاح ارتباط کمی ساختار- خاصیت (QSPR) مربوط به یک خاصیت فیزیکی در نظر گرفته شده است و QSAR برای فعالیتهای بیولوژیکی استفاده می شود. اگر چه هانش اولین کسی بود که اصطلاح QSAR را تعریف کرد، کروس در سال ۱۸۶۳ عنوان کرد که سمیت الکل ها با کاهش حلالیت آنها در آب افزایش می یابد. محققان در سال ۱۸۹۰ سمیت ترکیبات آلی را وابسته به خاصیت چربی دوستی آنها دانستند.
▫️اساس مطالعه روش QSAR ، توسعه ارتباط بین خاصیت مشاهده شده و ویژگی ساختاری مولکولی میباشد. با در نظر گرفتن یک سری از مولکولها، مدل پیش بینی کنندهای توسعه داده می شود که میتواند برای پیش بینی فعالیت مولکولهای جدید استفاده شود.
▫️کلمه کلیدی ویژگی های ساختاری Structural features است.
این ویژگی ساختاری در مقایسه با پارامترهای تجربی در ارتباط با انرژی آزاد خطی، قرار دارد. نمایش عددی برخی از ویژگی های مولکولی، توصیف کننده"Descriptors نامیده می شوند. تعداد بسیار گستردهای از توصیف کننده ها شامل توصیف کننده های ساده از قبیل جرم مولکولی و تعداد اتم ها تا انواع پیچیده تر مثل ضریب تقسیم و توصیف کننده های خاصیت سطح، میتوانند محاسبه شوند. به وسیله مجموعه ای از توصیف کننده ها مدل QSAR می تواند از ارتباط این توصیف کننده ها (که به متغیر مستقل معروفند) و خاصیت مشاهده شده (متغیر وابسته) ساخته شود.
▫️اولین مدلهای QSAR توسعه داده شده توسط هانش، ارتباط های خطی بودند. تاکنون مدل های خطی به خاطر سادگی به صورت گسترده ای استفاده شده اند، هر چند پیشرفت آمار تعداد بسیار زیادی از روشهای جدید را به عنوان ابزار پیشبینی ایجاد کرده است. این روشها شامل رگرسیون غیرخطی و روشهای الگوریتمی هستند. زمینه های دیگر از قبیل تشخیص الگو" و یادگیری ماشینی " روشهای موفقی را در QSAR ایجاد شده اند که شامل شبکه های عصبی مصنوعی و درخت تصمیم گیری و غیره می باشند.
بطور مشخص پیشرفت در زمینه مدل سازی QSAR در ارتباط بسیار نزدیک با پیشرفت در زمینه های آمار، کامپیوتر و ریاضی است.
▫️در حقیقت مدل QSAR می تواند برای پیش بینی هر خاصیت فیزیکی یا فعالیت بیولوژیکی که برای مجموعه ای از ساختار مولکولها و خاصیت مشاهده شده در دسترسی باشد، بکار گرفته شود.
▫️مثال هایی از خواص فیزیکی شامل نقطه جوش، حلالیت آبی، دمای انتقال شیشه ، تحرک یونی و ◀️ فعالیت بیولوژیکی شامل ژنوتاکسیسیتی، سرطان زایی و جهش زایی است.
▫️بعلاوه، استفاده از مدلهای QSAR محدود به نقش غربال کردن مقدار زیادی از ترکیبات نیست و می تواند راهگشایی برای رسیدن به ترکیبات بهتر از نظر فعالیت باشد و همچنین می تواند بینشی را از لحاظ مکانیسم ان خاصیت ارائه دهد.
✔️آزمایشگاه پارس سیلیکو
@practicalbioinformatics
🔔مطالعه ارتباط کمی ساختار - فعالیت (QSAR)
✍️بخش اول
روش های پیش بینی که به مدل های ارتباط کمی ساختار- فعالیت (QSAR) مشهور هستند، اساساً یک روش آماری می باشند و اولین بار توسط هانشا و فری و همکارانش معرفی شده اند. بطور عمومی اصطلاح ارتباط کمی ساختار- خاصیت (QSPR) مربوط به یک خاصیت فیزیکی در نظر گرفته شده است و QSAR برای فعالیتهای بیولوژیکی استفاده می شود. اگر چه هانش اولین کسی بود که اصطلاح QSAR را تعریف کرد، کروس در سال ۱۸۶۳ عنوان کرد که سمیت الکل ها با کاهش حلالیت آنها در آب افزایش می یابد. محققان در سال ۱۸۹۰ سمیت ترکیبات آلی را وابسته به خاصیت چربی دوستی آنها دانستند.
▫️اساس مطالعه روش QSAR ، توسعه ارتباط بین خاصیت مشاهده شده و ویژگی ساختاری مولکولی میباشد. با در نظر گرفتن یک سری از مولکولها، مدل پیش بینی کنندهای توسعه داده می شود که میتواند برای پیش بینی فعالیت مولکولهای جدید استفاده شود.
▫️کلمه کلیدی ویژگی های ساختاری Structural features است.
این ویژگی ساختاری در مقایسه با پارامترهای تجربی در ارتباط با انرژی آزاد خطی، قرار دارد. نمایش عددی برخی از ویژگی های مولکولی، توصیف کننده"Descriptors نامیده می شوند. تعداد بسیار گستردهای از توصیف کننده ها شامل توصیف کننده های ساده از قبیل جرم مولکولی و تعداد اتم ها تا انواع پیچیده تر مثل ضریب تقسیم و توصیف کننده های خاصیت سطح، میتوانند محاسبه شوند. به وسیله مجموعه ای از توصیف کننده ها مدل QSAR می تواند از ارتباط این توصیف کننده ها (که به متغیر مستقل معروفند) و خاصیت مشاهده شده (متغیر وابسته) ساخته شود.
▫️اولین مدلهای QSAR توسعه داده شده توسط هانش، ارتباط های خطی بودند. تاکنون مدل های خطی به خاطر سادگی به صورت گسترده ای استفاده شده اند، هر چند پیشرفت آمار تعداد بسیار زیادی از روشهای جدید را به عنوان ابزار پیشبینی ایجاد کرده است. این روشها شامل رگرسیون غیرخطی و روشهای الگوریتمی هستند. زمینه های دیگر از قبیل تشخیص الگو" و یادگیری ماشینی " روشهای موفقی را در QSAR ایجاد شده اند که شامل شبکه های عصبی مصنوعی و درخت تصمیم گیری و غیره می باشند.
بطور مشخص پیشرفت در زمینه مدل سازی QSAR در ارتباط بسیار نزدیک با پیشرفت در زمینه های آمار، کامپیوتر و ریاضی است.
▫️در حقیقت مدل QSAR می تواند برای پیش بینی هر خاصیت فیزیکی یا فعالیت بیولوژیکی که برای مجموعه ای از ساختار مولکولها و خاصیت مشاهده شده در دسترسی باشد، بکار گرفته شود.
▫️مثال هایی از خواص فیزیکی شامل نقطه جوش، حلالیت آبی، دمای انتقال شیشه ، تحرک یونی و ◀️ فعالیت بیولوژیکی شامل ژنوتاکسیسیتی، سرطان زایی و جهش زایی است.
▫️بعلاوه، استفاده از مدلهای QSAR محدود به نقش غربال کردن مقدار زیادی از ترکیبات نیست و می تواند راهگشایی برای رسیدن به ترکیبات بهتر از نظر فعالیت باشد و همچنین می تواند بینشی را از لحاظ مکانیسم ان خاصیت ارائه دهد.
✔️آزمایشگاه پارس سیلیکو
@practicalbioinformatics
goo.gl/ycfJYC
✍️بخش دوم
▫️روشهای QSAR بطور گسترده می توانند به سه گروه تقسیم شوند.
1️⃣ گروه اول روشهای دوبعدی است که ساختار سه بعدی مولکول را بطور مستقیم استفاده نمی کند و مدل با استفاده از توصیف کننده های مولکولی و خواص مشاهده شده ساخته می شود. باید ذکر شود که اگر چه بعضی از توصیف کننده ها اساس سه بعدی دارند ولی به خاطر این که فقط خواص مشاهده شده در نظر گرفته می شوند، بنابراین طبیعت دوبعدی دارند.
2️⃣ نوع دوم، روشهای سه بعدی هستند و مثال عمومی آن روش CoMFA" است در این حالت ساختار سه بعدی مولکولها موضوع مطالعه است. در این روش مولکول در راستای یک شبکه تقسیم بندی شده و خواص مختلف در قسمتهای مختلف شبکه بررسی می شود. از آنجا که این روش، مولکول را بطور سه بعدی و در حال برهمکنش با گیرنده بررسی میکند، نسبت به روش دوبعدی دارای برتری خواهد بود. در این روش قرار گرفتن مولکولها در یک راستا نسبت به مولکول الگو الزامی است؛ باید به این نکته توجه داشت که در این روش تنها یک صورت بندی مولکول را در نظر گرفته میشود.
3️⃣ نوع سوم، روش چهاربعدی است که در واقع توسعه روش سه بعدی بوده و اولین بار توسط هاپفینگرا و همکارانش ارائه شد. در این روش اطلاعات صورتبندی به عنوان بعد چهارم در نظر گرفته میشود مشابه با روش CoMFA روش QSAR چهاربعدی نیز از شبکه بندی مولکولی و بررسی خواص نقاط مختلف شبکه " شروع می شود که در این بین خواص صورتبندی نیز ارزیابی میگردد. این اطلاعات همراه با خواص مولکولی برای توسعه مدل پیش بینی کننده مورد استفاده قرار میگیرد.
▫️روش QSAR سه بعدی نسبت به روش دوبعدی برتری هایی دارد، از جمله این که تفسیر نتایج به صورت واقعی تر و راحت تر صورت می پذیرد.همچنین از آنجایی که در این روش مولکولها در حال برهمکنش با گیرنده و پیدا کردن موقعیت برهمکنش واقعی بررسی می شوند، نتایج ان نسبت به روش دوبعدی قابل اتکاتر است.همچنین از آنجایی که در این روش مولکولها در حال برهمکنش با گیرنده و پیدا کردن موقعیت برهمکنش واقعی بررسی می شوند، نتایج ان نسبت به روش دوبعدی قابل اتکاتر است.
▫️نکته ی دیگر این که، در روش دوبعدی اطلاعات زیادی درمورد جنبه های مختلف فعالیت مولکولی باهم ترکیب شده و به صورت مجزا ظاهر نمیشوند و روش های تفسیری که برای این مدل های خطی وجود دارند محدود به توصیف کننده های موجود در مدل هستند.
منبع: مطالعه ارتباط کمی ساختار-فعالیت بعضی از مولکول های ضد افسردگی و اضطراب با کمک روش های انالیز چند متغیره .. نویسنده: حدیث کاویانی
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
✍️بخش دوم
▫️روشهای QSAR بطور گسترده می توانند به سه گروه تقسیم شوند.
1️⃣ گروه اول روشهای دوبعدی است که ساختار سه بعدی مولکول را بطور مستقیم استفاده نمی کند و مدل با استفاده از توصیف کننده های مولکولی و خواص مشاهده شده ساخته می شود. باید ذکر شود که اگر چه بعضی از توصیف کننده ها اساس سه بعدی دارند ولی به خاطر این که فقط خواص مشاهده شده در نظر گرفته می شوند، بنابراین طبیعت دوبعدی دارند.
2️⃣ نوع دوم، روشهای سه بعدی هستند و مثال عمومی آن روش CoMFA" است در این حالت ساختار سه بعدی مولکولها موضوع مطالعه است. در این روش مولکول در راستای یک شبکه تقسیم بندی شده و خواص مختلف در قسمتهای مختلف شبکه بررسی می شود. از آنجا که این روش، مولکول را بطور سه بعدی و در حال برهمکنش با گیرنده بررسی میکند، نسبت به روش دوبعدی دارای برتری خواهد بود. در این روش قرار گرفتن مولکولها در یک راستا نسبت به مولکول الگو الزامی است؛ باید به این نکته توجه داشت که در این روش تنها یک صورت بندی مولکول را در نظر گرفته میشود.
3️⃣ نوع سوم، روش چهاربعدی است که در واقع توسعه روش سه بعدی بوده و اولین بار توسط هاپفینگرا و همکارانش ارائه شد. در این روش اطلاعات صورتبندی به عنوان بعد چهارم در نظر گرفته میشود مشابه با روش CoMFA روش QSAR چهاربعدی نیز از شبکه بندی مولکولی و بررسی خواص نقاط مختلف شبکه " شروع می شود که در این بین خواص صورتبندی نیز ارزیابی میگردد. این اطلاعات همراه با خواص مولکولی برای توسعه مدل پیش بینی کننده مورد استفاده قرار میگیرد.
▫️روش QSAR سه بعدی نسبت به روش دوبعدی برتری هایی دارد، از جمله این که تفسیر نتایج به صورت واقعی تر و راحت تر صورت می پذیرد.همچنین از آنجایی که در این روش مولکولها در حال برهمکنش با گیرنده و پیدا کردن موقعیت برهمکنش واقعی بررسی می شوند، نتایج ان نسبت به روش دوبعدی قابل اتکاتر است.همچنین از آنجایی که در این روش مولکولها در حال برهمکنش با گیرنده و پیدا کردن موقعیت برهمکنش واقعی بررسی می شوند، نتایج ان نسبت به روش دوبعدی قابل اتکاتر است.
▫️نکته ی دیگر این که، در روش دوبعدی اطلاعات زیادی درمورد جنبه های مختلف فعالیت مولکولی باهم ترکیب شده و به صورت مجزا ظاهر نمیشوند و روش های تفسیری که برای این مدل های خطی وجود دارند محدود به توصیف کننده های موجود در مدل هستند.
منبع: مطالعه ارتباط کمی ساختار-فعالیت بعضی از مولکول های ضد افسردگی و اضطراب با کمک روش های انالیز چند متغیره .. نویسنده: حدیث کاویانی
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
📢آزمایشگاه بیوانفورماتیک پارس سیلیکو با همکاری گروه بیوشیمی بالینی دانشگاه علوم پزشکی شهید بهشتی برگزار می کند.
🔔مجموعه کارگاه های اردیبهشت ماه با همکاری دانشگاه علوم پزشکی شهید بهشتی⚔️⚔️
1️⃣ کارگاه بیوانفورماتیک عمومی
تاریخ برگزاری: ۷ اردیبهشت
هزینه کارگاه: ۱۶۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۲۸فروردین
2️⃣ کارگاه بیوانفورماتیک ساختاری
تاریخ برگزاری: ۸ اردیبهشت
هزینه کارگاه: ۱۶۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۲۸ فروردین
3️⃣ کارگاه طراحی دارو و داکینگ مولکولی
تاریخ برگزاری: ۱۴ الی ۱۵ اردیبهشت
هزینه کارگاه: ۲۵۰هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۲۵ فروردین
4️⃣ کارگاه بایو لینوکس LINUX
تاریخ برگزاری: ۲۱ اردیبهشت
هزینه کارگاه: ۱۹۵ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱ اردیبهشت
5️⃣ طراحی دارو پیشرفته (غربالگری مجازی)
تاریخ برگزاری: ۲۲ اردیبهشت
هزینه کارگاه: ۱۹۵ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱ اردیبهشت
6️⃣ کارگاه طراحی پرایمر
تاریخ برگزاری: ۲۸ اردیبهشت
هزینه کارگاه: ۱۵۰هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱۰ اردیبهشت
7️⃣مدلسازی و مهندسی پروتئین
تاریخ برگزاری: ۲۹ اردیبهشت
هزینه کارگاه: ۱۹۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱۰ اردیبهشت
🏴آدرس محل برگزاری:
تهران - بزرگراه شهید چمران میدان شهید شهریاری -بلوار دانشجو - خیابان کودکیار - دانشکده پزشکی دانشگاه علوم پزشکی شهید بهشتی
📢آزمایشگاه بیوانفورماتیک پارس سیلیکو برگزار می کند.
▪️مجموعه کارگاه های اردیبهشت ماه
🔵کارگاه کیوسار QSAR
تاریخ برگزاری: ۳۱ فروردین الی ۳ اردیبهشت ماه
هزینه کارگاه: ۳۵۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا تاریخ ۲۸ فروردین
🔵کارگاه کیوسار ۳ بعدی 3D-QSAR
تاریخ برگزاری : ۷ الی ۸ اردیبهشت
هزینه کارگاه: ۳۸۰ هزار تومان + ۱۰ درصد تخفیف ثبت نام تا تاریخ ۲۸ فروردین
🔵کارگاه ایمونوانفورماتیک (طراحی واکسن)
تاریخ برگزاری: ۱۴ الی ۱۵ آردیبهشت ماه
هزینه کارگاه: ۳۰۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۲۸ فروردین
🔵کارگاه طراحی دارو پیشرفته ( فارماکوفور )
تاریخ برگزاری: ۲۸ الی ۲۹ اردیبهشت
هزینه کارگاه: ۳۵۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱ اردیبهشت
🔵کارگاه شبیه سازی دینامیک مولکولی
تاریخ برگزاری: ۴ الی ۵ خرداد
هزینه کارگاه: ۳۵۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱۵ اردیبهشت
@practicalbioinformatics
💥۱۰ درصد تخفیف ثبت نام زود هنگام
💥۱۰ درصد تخفیف دانشجویی
جهت مشاوره رایگان و کسب اطلاعات بیشتر با شماره های زیر تماس حاصل فرمایید:
👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻
📞۰۹۱۰۶۶۶۵۵۹۰
☎️ ۰۲۱۸۸۳۴۷۷۲۳
🌐www.DrugDesign.ir
🌐www.ParsSilico.com
@practicalbioinformatics
🏴نشاني: خیابان طالقاني -خیابان سميه- بین مفتح و موسوی - جنب هتل آزادی پلاک ۱۳۲-طبقه ۴ - واحد۴۴
✔️آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
🔔مجموعه کارگاه های اردیبهشت ماه با همکاری دانشگاه علوم پزشکی شهید بهشتی⚔️⚔️
1️⃣ کارگاه بیوانفورماتیک عمومی
تاریخ برگزاری: ۷ اردیبهشت
هزینه کارگاه: ۱۶۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۲۸فروردین
2️⃣ کارگاه بیوانفورماتیک ساختاری
تاریخ برگزاری: ۸ اردیبهشت
هزینه کارگاه: ۱۶۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۲۸ فروردین
3️⃣ کارگاه طراحی دارو و داکینگ مولکولی
تاریخ برگزاری: ۱۴ الی ۱۵ اردیبهشت
هزینه کارگاه: ۲۵۰هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۲۵ فروردین
4️⃣ کارگاه بایو لینوکس LINUX
تاریخ برگزاری: ۲۱ اردیبهشت
هزینه کارگاه: ۱۹۵ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱ اردیبهشت
5️⃣ طراحی دارو پیشرفته (غربالگری مجازی)
تاریخ برگزاری: ۲۲ اردیبهشت
هزینه کارگاه: ۱۹۵ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱ اردیبهشت
6️⃣ کارگاه طراحی پرایمر
تاریخ برگزاری: ۲۸ اردیبهشت
هزینه کارگاه: ۱۵۰هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱۰ اردیبهشت
7️⃣مدلسازی و مهندسی پروتئین
تاریخ برگزاری: ۲۹ اردیبهشت
هزینه کارگاه: ۱۹۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱۰ اردیبهشت
🏴آدرس محل برگزاری:
تهران - بزرگراه شهید چمران میدان شهید شهریاری -بلوار دانشجو - خیابان کودکیار - دانشکده پزشکی دانشگاه علوم پزشکی شهید بهشتی
📢آزمایشگاه بیوانفورماتیک پارس سیلیکو برگزار می کند.
▪️مجموعه کارگاه های اردیبهشت ماه
🔵کارگاه کیوسار QSAR
تاریخ برگزاری: ۳۱ فروردین الی ۳ اردیبهشت ماه
هزینه کارگاه: ۳۵۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا تاریخ ۲۸ فروردین
🔵کارگاه کیوسار ۳ بعدی 3D-QSAR
تاریخ برگزاری : ۷ الی ۸ اردیبهشت
هزینه کارگاه: ۳۸۰ هزار تومان + ۱۰ درصد تخفیف ثبت نام تا تاریخ ۲۸ فروردین
🔵کارگاه ایمونوانفورماتیک (طراحی واکسن)
تاریخ برگزاری: ۱۴ الی ۱۵ آردیبهشت ماه
هزینه کارگاه: ۳۰۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۲۸ فروردین
🔵کارگاه طراحی دارو پیشرفته ( فارماکوفور )
تاریخ برگزاری: ۲۸ الی ۲۹ اردیبهشت
هزینه کارگاه: ۳۵۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱ اردیبهشت
🔵کارگاه شبیه سازی دینامیک مولکولی
تاریخ برگزاری: ۴ الی ۵ خرداد
هزینه کارگاه: ۳۵۰ هزار تومان + ۱۰ درصد تخفیف دانشجویی + ۱۰ درصد تخفیف تا ۱۵ اردیبهشت
@practicalbioinformatics
💥۱۰ درصد تخفیف ثبت نام زود هنگام
💥۱۰ درصد تخفیف دانشجویی
جهت مشاوره رایگان و کسب اطلاعات بیشتر با شماره های زیر تماس حاصل فرمایید:
👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻
📞۰۹۱۰۶۶۶۵۵۹۰
☎️ ۰۲۱۸۸۳۴۷۷۲۳
🌐www.DrugDesign.ir
🌐www.ParsSilico.com
@practicalbioinformatics
🏴نشاني: خیابان طالقاني -خیابان سميه- بین مفتح و موسوی - جنب هتل آزادی پلاک ۱۳۲-طبقه ۴ - واحد۴۴
✔️آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
📚 کتاب هفته:
📙 Synthetic Biology HANDBOOK
✒️ Author(s): D. Nesbeth
⏳ Year: 2016
💾 Size: 35 MB
✨ #Book
🌐 www.DrugDesign.ir
@practicalbioinformatics
📙 Synthetic Biology HANDBOOK
✒️ Author(s): D. Nesbeth
⏳ Year: 2016
💾 Size: 35 MB
✨ #Book
🌐 www.DrugDesign.ir
@practicalbioinformatics
Synthetic_biology_handbook_Taylor.pdf
35.1 MB
📚 کتاب هفته:
📙 Synthetic Biology HANDBOOK
✒️ Author(s): D. Nesbeth
⏳ Year: 2016
💾 Size: 35 MB
✨ #Book
🌐 www.DrugDesign.ir
@practicalbioinformatics
📙 Synthetic Biology HANDBOOK
✒️ Author(s): D. Nesbeth
⏳ Year: 2016
💾 Size: 35 MB
✨ #Book
🌐 www.DrugDesign.ir
@practicalbioinformatics
📢دانشگاه علوم پزشکی شهید بهشتی با همکاری پارس سیلیکو برگزار می کند:
▫️کارگاه های بیوانفورماتیک، طراحی پرایمر، بایولینوکس
⏱اردیبهشت ماه
🎁با تخفیف های ویژه
ParsSilico.com
@practicalbioinformatics
▫️کارگاه های بیوانفورماتیک، طراحی پرایمر، بایولینوکس
⏱اردیبهشت ماه
🎁با تخفیف های ویژه
ParsSilico.com
@practicalbioinformatics
📚 کتاب هفته:
📙 Molecular Modeling of Proteins
✒️ Editors: Kukol, Andreas (Ed.)
⏳ Year: 2008
💾 Size: 7 MB
✨ #Book
🌐 www.DrugDesign.ir
@practicalbioinformatics
📙 Molecular Modeling of Proteins
✒️ Editors: Kukol, Andreas (Ed.)
⏳ Year: 2008
💾 Size: 7 MB
✨ #Book
🌐 www.DrugDesign.ir
@practicalbioinformatics
Molecular_Modeling_of_Proteins_parssilico.pdf
6.7 MB
📚 کتاب هفته:
📙 Molecular Modeling of Proteins
✒️ Editors: Kukol, Andreas (Ed.)
⏳ Year: 2008
💾 Size: 7 MB
✨ #Book
🌐 www.DrugDesign.ir
@practicalbioinformatics
📙 Molecular Modeling of Proteins
✒️ Editors: Kukol, Andreas (Ed.)
⏳ Year: 2008
💾 Size: 7 MB
✨ #Book
🌐 www.DrugDesign.ir
@practicalbioinformatics
✍️چرا زنان باید کدنویسی را فرا بگیرند؟
با وجود این حجم روزافزون داده های زیست شناسی، مانند ژنومیکس، تنها راه معنادهی به آنها اینست که برنامه های کامپیوتری بنویسیم. محققان بزرگ و صنایع امروزه در حال استخدام تعداد بیشتری از متخصصان کامپیوتر و بیوانفورماتیک برای این منظور هستند، اما کمبود نیروی متخصص در این زمینه ها احساس می شود. در حال حاضر فرصت بسیار خوبی است که زنان شاغل در علم، کد نویسی بیاموزند. اما در واقع امر این اتفاق می افتد؟ اغلب اوقات نه! زنانی که زندگی علمی دارند، اغلب به من می گویند که نمی خواهند کد نویسی بیاموزند زیرا توانایی ذهنی آن را ندارند یا می گویند که این کاری مردانه است. اگر کسی از میان آنان هم بخواهد برنامه نویسی را فرا بگیرد، اغلب نمی داند که کجا و چگونه باید این کار را شروع کند. آنهایی که امروزه برنامه نویسی برایشان یک کار عادی و روزمره شده است، از روش های مختلفی به این موفقیت رسیده اند، اما مبارزه با قضاوت های عوامانه در مورد جایگاه زنان در محیط علمی، چالش مشترک همه ی آنها بوده است. من اینجا می خواهم تجربه ی خودم از ورود به علم کامپیوتر را با شما به اشتراک بگذارم و اینکه از چه منابعی در این راه استفاده کرده ام را بازگو کنم.
✅چطوری به اینجا رسیدم؟
گرچه در دبیرستان به من برچسب دیوانه به خاطر علاقه ام به فیزیک و ریاضی زیاد زده می شد، اما کوچکترین اطلاعی از کامپیوتر نداشتم. از من نشنیده بگیرید اما من فکر می کردم کامپیوتر چیزی است که فقط برای مردان بسیار نابغه ساخته شده و اگر کوچکترین علاقه ای به آن نشان می دادم، از میان دوستان و خانواده ام طرد می شدم! الان به این طرز تفکر می خندم اما فشار بر دختران دبیرستانی برای حفظ این تصور و برچسب زدن به آنها هنوز هم وجود دارد. حتی گنجاندن درس کامپیوتر در واحدهای درسی مدارس هم کمکی به حل این موضوع نکرده است.
من در کارشناسی علوم تجربی شرکت کردم و در سال اول واحدهایی درباره علوم طبیعی را انتخاب کردم. یک واحد اجباری MATLAB داشتم که خیلی با آن کلنجار رفتم. تنها چیزی یادم مانده اینست که تدریس بسیار بدی بود و انگارقرار بود من برای همیشه یک فاجعه در کد نویسی قلمداد شوم. کسانی که می توانستند تمرینات را با چند کلیک انجام بدهند اغلب مرد بودند و از قبل از دانشگاه اطلاعاتی در مورد کدنویسی داشتند. در هر صورت آن ترم از دانشگاه فقط دیدگاه مربوط به دبیرستان را برای من تقویت کرد. انگار درست فکر می کردم، این کار مخصوص مردان نابغه بود که مانند یک مرغابی در دریای کامپیوتر شنا می کردند. من به زیست شناسی پناه بردم تا از محیط رقابتی که مردان در آن غالب بودند رها شوم. انتخاب سختی بود اما بی خطر!
تعطیلات بین سال دوم و سوم به سرعت از راه رسیدند و من در حال انتخاب یک پروژه ی عملی بودم. خیلی خوش شانس نبودم و از سر بدبختی و ناچاری در یک پروژه ی بیولوژی محاسباتی گرفتار شدم. در همان ابتدای کار فهمیدم آن واحد MATLABی که در سال اول گذراندم برای این پروژه به دردم نمی خورد زیرا من اصلا کدنویسی بلد نبودم! آن واحد درسی اصلا به من نیاموخته بود که چگونه سوال های درستی بپرسم، مسئله را به درستی مسیریابی کنم و چگونه به اختصار کدنویسی کنم.
بعد از ورود به پروژه موظف شدم تا خودم کد نویسی در پایتون را یاد بگیرم. من منابع مختلفی را امتحان کردم که بعضی بهتر از بقیه بودند. در نهایت یک کورس آنلاین رایگان یافتم که به من آموخت که مهم اینست که بفهمیم "چرا" کد ها به کارمان می آیند نه اینکه "چگونه"! آنگاه بالاخره دوزاری ام افتاد و در ذهن من نقش بست. من توانستم آنچه را که آموخته بودم در هر زبان برنامه نویسی که میخواستم به کار ببندم و مسائل را از راه های منطقی دنبال کنم. این اعتماد به نفس را یافتم که برای ارشد در بیولوژی سیستمها شرکت کنم و اکنون در دکترای بیوانفورمانیک مشغولم.
✅خطاب به زنان دانشمند
به شما التماس می کنم که کدنویسی یاد بگیرید، حتی اگر اسم آن لرزه بر اندام شما می اندازد.
وقتی افراد می گویند که "کدنویسی سخت است" منظورشان اینست که خود کدنویسی سخت نیست، یافتن منابع درست کمی سخت است. پس برای آسانتر کردن کار لیست زیر را دنبال کنید:
اطراف خودتان را پر کنید از زنانی که کدنویسی بلدند یا در حال یادگیری کد نویسی هستند. شبکه ای که من در آن هستم "اول کدنویسی" نام دارد. دخترانی که من میبینم و خواهم دید افکاری شبیه به هم دارند. آنها یک سازمان فوق العاده را ایجاد کرده اند که کورس های رایگان کدنویسی برای زنان دانشجو در دانشگاه و دانشجویان سابق برگزار می کند. کلاس ها دو ساعت در هفته هستند و 6 تا 8 هفته طول می کشند و در آنها html/css، پایتون و رابی تدریس می شود.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
با وجود این حجم روزافزون داده های زیست شناسی، مانند ژنومیکس، تنها راه معنادهی به آنها اینست که برنامه های کامپیوتری بنویسیم. محققان بزرگ و صنایع امروزه در حال استخدام تعداد بیشتری از متخصصان کامپیوتر و بیوانفورماتیک برای این منظور هستند، اما کمبود نیروی متخصص در این زمینه ها احساس می شود. در حال حاضر فرصت بسیار خوبی است که زنان شاغل در علم، کد نویسی بیاموزند. اما در واقع امر این اتفاق می افتد؟ اغلب اوقات نه! زنانی که زندگی علمی دارند، اغلب به من می گویند که نمی خواهند کد نویسی بیاموزند زیرا توانایی ذهنی آن را ندارند یا می گویند که این کاری مردانه است. اگر کسی از میان آنان هم بخواهد برنامه نویسی را فرا بگیرد، اغلب نمی داند که کجا و چگونه باید این کار را شروع کند. آنهایی که امروزه برنامه نویسی برایشان یک کار عادی و روزمره شده است، از روش های مختلفی به این موفقیت رسیده اند، اما مبارزه با قضاوت های عوامانه در مورد جایگاه زنان در محیط علمی، چالش مشترک همه ی آنها بوده است. من اینجا می خواهم تجربه ی خودم از ورود به علم کامپیوتر را با شما به اشتراک بگذارم و اینکه از چه منابعی در این راه استفاده کرده ام را بازگو کنم.
✅چطوری به اینجا رسیدم؟
گرچه در دبیرستان به من برچسب دیوانه به خاطر علاقه ام به فیزیک و ریاضی زیاد زده می شد، اما کوچکترین اطلاعی از کامپیوتر نداشتم. از من نشنیده بگیرید اما من فکر می کردم کامپیوتر چیزی است که فقط برای مردان بسیار نابغه ساخته شده و اگر کوچکترین علاقه ای به آن نشان می دادم، از میان دوستان و خانواده ام طرد می شدم! الان به این طرز تفکر می خندم اما فشار بر دختران دبیرستانی برای حفظ این تصور و برچسب زدن به آنها هنوز هم وجود دارد. حتی گنجاندن درس کامپیوتر در واحدهای درسی مدارس هم کمکی به حل این موضوع نکرده است.
من در کارشناسی علوم تجربی شرکت کردم و در سال اول واحدهایی درباره علوم طبیعی را انتخاب کردم. یک واحد اجباری MATLAB داشتم که خیلی با آن کلنجار رفتم. تنها چیزی یادم مانده اینست که تدریس بسیار بدی بود و انگارقرار بود من برای همیشه یک فاجعه در کد نویسی قلمداد شوم. کسانی که می توانستند تمرینات را با چند کلیک انجام بدهند اغلب مرد بودند و از قبل از دانشگاه اطلاعاتی در مورد کدنویسی داشتند. در هر صورت آن ترم از دانشگاه فقط دیدگاه مربوط به دبیرستان را برای من تقویت کرد. انگار درست فکر می کردم، این کار مخصوص مردان نابغه بود که مانند یک مرغابی در دریای کامپیوتر شنا می کردند. من به زیست شناسی پناه بردم تا از محیط رقابتی که مردان در آن غالب بودند رها شوم. انتخاب سختی بود اما بی خطر!
تعطیلات بین سال دوم و سوم به سرعت از راه رسیدند و من در حال انتخاب یک پروژه ی عملی بودم. خیلی خوش شانس نبودم و از سر بدبختی و ناچاری در یک پروژه ی بیولوژی محاسباتی گرفتار شدم. در همان ابتدای کار فهمیدم آن واحد MATLABی که در سال اول گذراندم برای این پروژه به دردم نمی خورد زیرا من اصلا کدنویسی بلد نبودم! آن واحد درسی اصلا به من نیاموخته بود که چگونه سوال های درستی بپرسم، مسئله را به درستی مسیریابی کنم و چگونه به اختصار کدنویسی کنم.
بعد از ورود به پروژه موظف شدم تا خودم کد نویسی در پایتون را یاد بگیرم. من منابع مختلفی را امتحان کردم که بعضی بهتر از بقیه بودند. در نهایت یک کورس آنلاین رایگان یافتم که به من آموخت که مهم اینست که بفهمیم "چرا" کد ها به کارمان می آیند نه اینکه "چگونه"! آنگاه بالاخره دوزاری ام افتاد و در ذهن من نقش بست. من توانستم آنچه را که آموخته بودم در هر زبان برنامه نویسی که میخواستم به کار ببندم و مسائل را از راه های منطقی دنبال کنم. این اعتماد به نفس را یافتم که برای ارشد در بیولوژی سیستمها شرکت کنم و اکنون در دکترای بیوانفورمانیک مشغولم.
✅خطاب به زنان دانشمند
به شما التماس می کنم که کدنویسی یاد بگیرید، حتی اگر اسم آن لرزه بر اندام شما می اندازد.
وقتی افراد می گویند که "کدنویسی سخت است" منظورشان اینست که خود کدنویسی سخت نیست، یافتن منابع درست کمی سخت است. پس برای آسانتر کردن کار لیست زیر را دنبال کنید:
اطراف خودتان را پر کنید از زنانی که کدنویسی بلدند یا در حال یادگیری کد نویسی هستند. شبکه ای که من در آن هستم "اول کدنویسی" نام دارد. دخترانی که من میبینم و خواهم دید افکاری شبیه به هم دارند. آنها یک سازمان فوق العاده را ایجاد کرده اند که کورس های رایگان کدنویسی برای زنان دانشجو در دانشگاه و دانشجویان سابق برگزار می کند. کلاس ها دو ساعت در هفته هستند و 6 تا 8 هفته طول می کشند و در آنها html/css، پایتون و رابی تدریس می شود.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
✅فکر کردن مانند یک متخصص کامپیوتر:
کورس آنلاینی که باعث شد دوزاری من بیفتد!
من قویا این کورس آنلاین رایگان را که در مورد پایتون و در MIT برگزار می شود را توصیه می کنم. این کلاسها به شما می آموزد که چرا و چگونه کدها کار می کنند، چگونه منطقی بیندیشیم، چگونه یک کد درست بنویسیم و آن را عیب یابی کنیم و تمام چیزهایی که ممکن است در طول کار تحقیقاتی تان با آنها مواجه شوید. 👇
goo.gl/YiUksd
✅پایتون و R بیاموزید
من R را در دیتاکمپ یاد گرفتم و شما می توانید پایتون را نیز در آنجا یاد بگیرید. پایتون اکنون زیاد استفاده می شود و ممکن است جانشین MATLAB شود. بهترین زبان برای دستکاری مقادیر عظیم داده و کارهای آماری R است و در عین حال پکیج ها و مصور سازی بسیار خوبی دارد. قدرت این زبان را دست کم نگیرید!👇
goo.gl/cB7MKD
✅Unix بسیار مفید خواد بود
کامندلاین دوست شما خواهد شد.👇
goo.gl/27ukl5
✅همیشه در حال آموختن باشید
به این لیست اکتفا نکنید. یک برنامه نویس مستمرا در حال چیدن میوه های جدید است مانند به کارگیری روندهای فراگیر در جامعه و یادگیری زبان های دیگر. چیزی که من را در دنیای کامپیوتر عاشق خود کرده اینست: من همیشه در حال جستجو و بکارگیری آموخته هایم در حل معماهای جدید زیست شناسی هستم.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
کورس آنلاینی که باعث شد دوزاری من بیفتد!
من قویا این کورس آنلاین رایگان را که در مورد پایتون و در MIT برگزار می شود را توصیه می کنم. این کلاسها به شما می آموزد که چرا و چگونه کدها کار می کنند، چگونه منطقی بیندیشیم، چگونه یک کد درست بنویسیم و آن را عیب یابی کنیم و تمام چیزهایی که ممکن است در طول کار تحقیقاتی تان با آنها مواجه شوید. 👇
goo.gl/YiUksd
✅پایتون و R بیاموزید
من R را در دیتاکمپ یاد گرفتم و شما می توانید پایتون را نیز در آنجا یاد بگیرید. پایتون اکنون زیاد استفاده می شود و ممکن است جانشین MATLAB شود. بهترین زبان برای دستکاری مقادیر عظیم داده و کارهای آماری R است و در عین حال پکیج ها و مصور سازی بسیار خوبی دارد. قدرت این زبان را دست کم نگیرید!👇
goo.gl/cB7MKD
✅Unix بسیار مفید خواد بود
کامندلاین دوست شما خواهد شد.👇
goo.gl/27ukl5
✅همیشه در حال آموختن باشید
به این لیست اکتفا نکنید. یک برنامه نویس مستمرا در حال چیدن میوه های جدید است مانند به کارگیری روندهای فراگیر در جامعه و یادگیری زبان های دیگر. چیزی که من را در دنیای کامپیوتر عاشق خود کرده اینست: من همیشه در حال جستجو و بکارگیری آموخته هایم در حل معماهای جدید زیست شناسی هستم.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
edX
Introduction to Computer Science and Programming Using Python
A new and updated introduction to computer science as a tool to solve real-world analytical problems using Python 3.5.
📄معرفی مقاله
✍️نرمال سازی یک گام مهم و اثرگذار در فرایند آنالیز داده های توالی یابی RNA است. گرچه روش های زیادی برای نرمال سازی شمار خوانش ها(read) وجود دارد، اما چالش انتخاب یک روش بهینه هنوز وجود دارد زیرا فاکتورهای گوناگونی در تنوع شمار خوانش ها دخیل هستند که می توانند حساسیت و اختصاصیت نهایی را تحت تاثیر قرار دهند. برای دستیابی به بهترین روش نرمال سازی، مقایسه ی عملکرد و نواقص یک مجموعه از راهکارهای نرمال سازی بر اساس ویژگی های مجموعه داده های مختلف، یک امر حیاتی است. از این رو محققان دانشگاه لوئیس ویل تصمیم گرفتند عملکرد روش های رایج موجود (DESeq, TMM-edgeR, FPKM-CuffDiff, TC, Med UQ and FQ) و دو روش جدید (Med-pgQ2 and UQ-pgQ2) را مورد ارزیابی قرار دهند.
نتایج این مطالعه در قالب مقاله ای در مجله PLOS ONE منتشر شده است.
📝 A comparison of per sample global scaling and per gene normalization methods for differential expression analysis of RNA-seq data
💾 PLOS ONE (2017)
💡 doi.org/10.1371/journal.pone.0176185
⏳Published online: May 1, 2017
✨ #RNA_seq
🌐 www.ParsSilico.com
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
✍️نرمال سازی یک گام مهم و اثرگذار در فرایند آنالیز داده های توالی یابی RNA است. گرچه روش های زیادی برای نرمال سازی شمار خوانش ها(read) وجود دارد، اما چالش انتخاب یک روش بهینه هنوز وجود دارد زیرا فاکتورهای گوناگونی در تنوع شمار خوانش ها دخیل هستند که می توانند حساسیت و اختصاصیت نهایی را تحت تاثیر قرار دهند. برای دستیابی به بهترین روش نرمال سازی، مقایسه ی عملکرد و نواقص یک مجموعه از راهکارهای نرمال سازی بر اساس ویژگی های مجموعه داده های مختلف، یک امر حیاتی است. از این رو محققان دانشگاه لوئیس ویل تصمیم گرفتند عملکرد روش های رایج موجود (DESeq, TMM-edgeR, FPKM-CuffDiff, TC, Med UQ and FQ) و دو روش جدید (Med-pgQ2 and UQ-pgQ2) را مورد ارزیابی قرار دهند.
نتایج این مطالعه در قالب مقاله ای در مجله PLOS ONE منتشر شده است.
📝 A comparison of per sample global scaling and per gene normalization methods for differential expression analysis of RNA-seq data
💾 PLOS ONE (2017)
💡 doi.org/10.1371/journal.pone.0176185
⏳Published online: May 1, 2017
✨ #RNA_seq
🌐 www.ParsSilico.com
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
journals.plos.org
A comparison of per sample global scaling and per gene normalization methods for differential expression analysis of RNA-seq data
Normalization is an essential step with considerable impact on high-throughput RNA sequencing (RNA-seq) data analysis. Although there are numerous methods for read count normalization, it remains a challenge to choose an optimal method due to multiple factors…
goo.gl/KzKW8v
✍️چرا انالیزهای بیوانفورماتیک مجانی نیستند؟
ظهور توالی یابی نسل بعد (NGS) یک مزیت بزرگ برای علم ژنتیک بوده است. این امر پیشران پروژه های "کلان علمی" (big science) مانند اطلس ژنومی سرطان و پروژه ی 1000 ژنوم بوده است. اکنون، توان عملیاتی ابزارهای فعلی افراد بسیاری را هیجان زده کرده است. در بالاترین سطح، سامانه ی ایلومینا X10 تلاش در جهت توالی یابی در مقیاس های بزرگ (10000 تا 50000 توالی یابی تمام ژنوم) را امکان پذیر کرده است. از سوی دیگر،محققان انفرادی یا گروه های کوچکتر تحقیقاتی را برای سرمایه گذاری بر رروی مطالعات توالی یابی تشویق کرده است.
از هر دو سر طیف، یعنی هم محققان و هم شرکت های سرمایه گذاری، فریاد و درخواست برای توالی یابی ژنوم ارزان و سریع به گوش می رسد. در عین حال اکنون زمان خوبی است که به همگان یادآوری کنیم که برچسب قیمت هزار دلاری برای هر ژنوم، تنها هزینه های مواد مصرفی و پرسنلی آزمایشگاهی را پوشش می دهد. برای این قیمت شما داده های توالی یابی خام را در فرمت فایل های FASTQ دریافت می کنید. مراکز بزرگ توالی یابی، خوانش ها (reads) را با توالی رفرنس انسانی هم تراز (align) کرده و نتایج را در یک فایل BAM ارسال می کنند. به طور کلی همین است. فراتر از آن، یعنی انجام variant calling، کنترل کیفیت های بعدی، annotation و غیره به آنالیز نیاز دارد و آنالیز! مجانی نیست!
◼️هزینه ی آنالیز NGS
حتی تحلیل اولیه ی داده های خام توالی یابی چند نوع هزینه را برایمان می تراشد. معمولا افراد وقتی در مورد قیمت توالی یابی حرف می زنند، این موارد را از قلم می اندازند:
▫️نگهداری و ذخیره ی طولانی مدت داده ها
تنها یک فایل BAM ناشی از یک توالی یابی تمام ژنوم 30X نزدیگ 100 گیگ فضا می گیرد. خب یک پژوهش متوسط با 500 نمونه نیازمند 50 ترابایت دیسک تنها برای BAMها است. حتی فرمت های فشرده ی داده ها مثل CRAM نمی تواند این مشکل را حل کند. اگر سیستم توالی یابی شما می تواند 18000 ژنوم را در طول سال انجام دهد، فضای ذخیره ی اطلاعات مورد نیاز شما سر به آسمان خواهد گذاشت.
▫️ظرفیت های محاسباتی
پردازش داده های توالی یابی خام شما، یعنی نقشه برداری و همترازی با ژنوم رفرنس، نشان گذاری دوبرابرشدگی ها و تولید فایل های BAM، به قدرت محاسباتی بالایی نیاز دارد. ما در حال برنامه ریزی برای مطالعه ی 10 هزار تمام ژنوم یا بیشتر هستیم. هر ژنوم توالی یابی شده، 90 میلیارد جفت باز ( برای 30X) است. Variant calling، کالیبراسیون مجدد بازها و annotation برای این مجموعه داده های ژنومی بزرگ مقیاس نیز به صورت جداگانه توان محاسباتی بالایی را طلب می کند. نگهداری یک کلاستر محاسباتی که این مسئولیت را بتواند بر عهده بگیرد، بسیار گران است، همانطور که هزینه های محاسبات ابری به ازای هر چرخه، بالاست.
▫️زمان مورد نیاز برای آنالیز
خود آنالیز باید توسط کسی انجام شود که مهارت بیوانفورماتیکی داشته باشد. حتی با وجود پایپ لاین های کاملا خودکار و قوی، هنوز یک تحلیلگر مورد نیاز خواهد بود تا داده هایی را که از تیم تولید کننده ارسال می شود را جمع آوری کند، آنالیز صحیح (همتراز کننده، اسمبلی مرجع، راهبرد variant calling، منابع annotation و غیره) را صورت بندی کند و بچیند، روند کار را رصد کند و نتایج را گردآوری کند. تحلیل گران معمولا کارمندانی با دستمزد بالا هستند و یک پروژه ممکن است هفته ها یا ماه ها وقت ببرد.
◼️اگر آنالیز را در نظر نگیریم.
مشکل اساسی در روند کاهش سریع قیمت های توالی یابی ژنوم این است: که هیچ کس نمی خواهد برای یک تحلیل گر پول خرج کند!
ببینید، فهمیدم. شما تمام این داستان ها و افسانه های قشنگ را در مورد توالی یابی های ژنوم "هزار دلاری" شنیده اید و وقتی وارد کار می شوید به شما گفته می شود که هزینه های آنالیز اگر بیشتر نباشد کمتر از هزینه ی خود توالی یابی نیست و اینجاست که فکر می کنید که کسی دارد از شما کلاه برداری می کند!
اگر در این لحظه واکنش خشمگینانه ای بروز ندهید، احتمالا یکی از واکنش های زیر را بروز خواهید داد:
استراتژی اول
▫️"نه! ما نیازی به تحلیلگر نداریم"
اگر به این وادی وارد شوید، شما باید انتظار داشته باشید که فایل BAM را دریافت کنید. این برای بعضی ها خوب است. آنها هم مهارت تحلیل را دارند و هم نیروی انسانی آن را. دیگران هم در هر صورت باید یک تحلیلگر پیدا کنند و به او پول بدهند. امکان دارد که این کار با همان کیفیت شرکت تولید کننده ی داده ها انجام شود.
اما باید به این نکته اشاره کرد که داده های توالی یابی ای که از سوی NIH حمایت مالی می شوند باید در مخازن عمومی و با دسترسی برای همه ثبت شوند. هر روزی که شما در تحلیل داده هایتان تاخیر روا بدارید، رقیبانتان فرصت استفاده از این داده های عمومی را خواهند داشت.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
✍️چرا انالیزهای بیوانفورماتیک مجانی نیستند؟
ظهور توالی یابی نسل بعد (NGS) یک مزیت بزرگ برای علم ژنتیک بوده است. این امر پیشران پروژه های "کلان علمی" (big science) مانند اطلس ژنومی سرطان و پروژه ی 1000 ژنوم بوده است. اکنون، توان عملیاتی ابزارهای فعلی افراد بسیاری را هیجان زده کرده است. در بالاترین سطح، سامانه ی ایلومینا X10 تلاش در جهت توالی یابی در مقیاس های بزرگ (10000 تا 50000 توالی یابی تمام ژنوم) را امکان پذیر کرده است. از سوی دیگر،محققان انفرادی یا گروه های کوچکتر تحقیقاتی را برای سرمایه گذاری بر رروی مطالعات توالی یابی تشویق کرده است.
از هر دو سر طیف، یعنی هم محققان و هم شرکت های سرمایه گذاری، فریاد و درخواست برای توالی یابی ژنوم ارزان و سریع به گوش می رسد. در عین حال اکنون زمان خوبی است که به همگان یادآوری کنیم که برچسب قیمت هزار دلاری برای هر ژنوم، تنها هزینه های مواد مصرفی و پرسنلی آزمایشگاهی را پوشش می دهد. برای این قیمت شما داده های توالی یابی خام را در فرمت فایل های FASTQ دریافت می کنید. مراکز بزرگ توالی یابی، خوانش ها (reads) را با توالی رفرنس انسانی هم تراز (align) کرده و نتایج را در یک فایل BAM ارسال می کنند. به طور کلی همین است. فراتر از آن، یعنی انجام variant calling، کنترل کیفیت های بعدی، annotation و غیره به آنالیز نیاز دارد و آنالیز! مجانی نیست!
◼️هزینه ی آنالیز NGS
حتی تحلیل اولیه ی داده های خام توالی یابی چند نوع هزینه را برایمان می تراشد. معمولا افراد وقتی در مورد قیمت توالی یابی حرف می زنند، این موارد را از قلم می اندازند:
▫️نگهداری و ذخیره ی طولانی مدت داده ها
تنها یک فایل BAM ناشی از یک توالی یابی تمام ژنوم 30X نزدیگ 100 گیگ فضا می گیرد. خب یک پژوهش متوسط با 500 نمونه نیازمند 50 ترابایت دیسک تنها برای BAMها است. حتی فرمت های فشرده ی داده ها مثل CRAM نمی تواند این مشکل را حل کند. اگر سیستم توالی یابی شما می تواند 18000 ژنوم را در طول سال انجام دهد، فضای ذخیره ی اطلاعات مورد نیاز شما سر به آسمان خواهد گذاشت.
▫️ظرفیت های محاسباتی
پردازش داده های توالی یابی خام شما، یعنی نقشه برداری و همترازی با ژنوم رفرنس، نشان گذاری دوبرابرشدگی ها و تولید فایل های BAM، به قدرت محاسباتی بالایی نیاز دارد. ما در حال برنامه ریزی برای مطالعه ی 10 هزار تمام ژنوم یا بیشتر هستیم. هر ژنوم توالی یابی شده، 90 میلیارد جفت باز ( برای 30X) است. Variant calling، کالیبراسیون مجدد بازها و annotation برای این مجموعه داده های ژنومی بزرگ مقیاس نیز به صورت جداگانه توان محاسباتی بالایی را طلب می کند. نگهداری یک کلاستر محاسباتی که این مسئولیت را بتواند بر عهده بگیرد، بسیار گران است، همانطور که هزینه های محاسبات ابری به ازای هر چرخه، بالاست.
▫️زمان مورد نیاز برای آنالیز
خود آنالیز باید توسط کسی انجام شود که مهارت بیوانفورماتیکی داشته باشد. حتی با وجود پایپ لاین های کاملا خودکار و قوی، هنوز یک تحلیلگر مورد نیاز خواهد بود تا داده هایی را که از تیم تولید کننده ارسال می شود را جمع آوری کند، آنالیز صحیح (همتراز کننده، اسمبلی مرجع، راهبرد variant calling، منابع annotation و غیره) را صورت بندی کند و بچیند، روند کار را رصد کند و نتایج را گردآوری کند. تحلیل گران معمولا کارمندانی با دستمزد بالا هستند و یک پروژه ممکن است هفته ها یا ماه ها وقت ببرد.
◼️اگر آنالیز را در نظر نگیریم.
مشکل اساسی در روند کاهش سریع قیمت های توالی یابی ژنوم این است: که هیچ کس نمی خواهد برای یک تحلیل گر پول خرج کند!
ببینید، فهمیدم. شما تمام این داستان ها و افسانه های قشنگ را در مورد توالی یابی های ژنوم "هزار دلاری" شنیده اید و وقتی وارد کار می شوید به شما گفته می شود که هزینه های آنالیز اگر بیشتر نباشد کمتر از هزینه ی خود توالی یابی نیست و اینجاست که فکر می کنید که کسی دارد از شما کلاه برداری می کند!
اگر در این لحظه واکنش خشمگینانه ای بروز ندهید، احتمالا یکی از واکنش های زیر را بروز خواهید داد:
استراتژی اول
▫️"نه! ما نیازی به تحلیلگر نداریم"
اگر به این وادی وارد شوید، شما باید انتظار داشته باشید که فایل BAM را دریافت کنید. این برای بعضی ها خوب است. آنها هم مهارت تحلیل را دارند و هم نیروی انسانی آن را. دیگران هم در هر صورت باید یک تحلیلگر پیدا کنند و به او پول بدهند. امکان دارد که این کار با همان کیفیت شرکت تولید کننده ی داده ها انجام شود.
اما باید به این نکته اشاره کرد که داده های توالی یابی ای که از سوی NIH حمایت مالی می شوند باید در مخازن عمومی و با دسترسی برای همه ثبت شوند. هر روزی که شما در تحلیل داده هایتان تاخیر روا بدارید، رقیبانتان فرصت استفاده از این داده های عمومی را خواهند داشت.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️