🔹️بیوانفورماتیک از نگاه سلول ! 😍🔬

بیوانفورماتیک علمی است که در آن از تکنیک‌های انفورماتیکی از جمله ریاضیات کاربردی، علوم کامپیوتر و آمار برای درک و سازماندهی اطلاعات مولکولی و زیست‌شناسی استفاده میشود و به مطالعه و توسعه روش‌های محاسباتی برای شناسایی ساختار، عملکرد و تکامل ژن‌ها، #پروتئین‌ ها و کل #ژنوم می‌پردازد .

🆔@RSGIran

#بیوانفورماتیک

🔬"سلول‌‌های بنیادی، کیمیای علم بیوتکنولوژی"

سلول‌های بنیادی؛ سلول‌هایی که قابلیت تکامل به انواع سلول‌های تخصصی بدن را دارند. این سلول‌ها با ابزارها و پیشرفت‌های امروزه‌ی علم بیوتکنولوژی چنان قدرت خلقی به انسان‌ها می‌دهند که کم نیست اگر بگوییم این سلول‌ها کیمیای علم بیوتکنولوژی هستند.

✅کلونینگ گوسفند دالی، امید به درمان بیماری‌های قلبی، مغزی، دیابت، ALS، بیماری‌های ژنتیکی و حتی تولید گوشت آزمایشگاهی!
همه‌ی موارد ذکر شده نشان دهنده آینده‌ی امیدوار کننده‌ی پیش روی علم زیست‌شناسی با این سلول‌ها است.

🔎برای آشنایی بیشتر با سلول‌های بنیادی می‌توانید لینک‌های زیر را مطالعه کنید که به زبان ساده‌ای حداقل اطلاعات لازم را برایتان فراهم کردند:
سایت Britannica
سایت NCBI
سایت yourgenome

🧫توضیح تصویر: سلول‌های قلبی رشد یافته از #سلول‌های‌بنیادی در آزمایشگاه و پتری دیش برای مطالعه‌ی بیشتر ریتم ضربان قلب
(مالکیت:The McEwen Centre for Regenerative Medicine, University Health Network)

🗞جدیدترین اخبار این حوزه را با همین هشتگ با شما به اشتراک می‌گذاریم.

🆔️@RSGIran

#سلول‌_بنیادی
#زیست‌شناسی_سلولی

🎧سمفونی آمینواسیدها
اثر Marcus J.  Buehler

🎵 اگر #پروتئین‌ ها صدا داشتند، چه موسیقی‌ای می‌نواختند؟

🆔️@RSGIran

🧠تولد یک نورون: تبدیل سلول بنیادی به یک نورون🧠

حقایقی جالب درباره سلول‌های مغزی:

1️⃣اغلب نورون‌ها پیش از تولد شکل می‌گیرند، اما در نواحی مشخصی از مغز، سلول‌های جدیدی تحت فرآیندی به نام نوروژنسیس(neurogenesis) در طول زندگی می‌توانند رشد کنند.

2️⃣سلول‌های بنیادی علاوه بر این‌که می‌توانند به #سلول‌های‌بنیادی تقسیم شوند و تعداد خود را حفظ کنند، می توانند به سلول‌های دیگری نیز تکامل پیدا کنند. مانند: نورون‌ها

3️⃣در طول زمانی که انسان می‌خوابد، سیستم گلیمپاتیک(glymphatic system) مغز با از بین بردن #پروتئین‌ های زائد نورون‌ها را تمیز می‌کند و در همین حین سلول‌های پشتیبان مغز کوچک‌ می‌شوند تا جریان مواد را تسهیل کنند.

4️⃣ارتباطات نورونی مغز شما در طی زمان و بخاطر انعطاف‌پذیری‌شان تغییر می‌کنند. این امر تحت تاثیر تجربیات شماست.

🆔️@RSGIran

#سلول‌_بنیادی
#زیست‌شناسی_سلولی

🟪 آیا مطالعات مریم میرزاخانی در علوم زیستی کاربرد دارد❓

شاید کارهای او ارتباط کاملا مستقیمی با علم زیست شناسی نداشته باشد، اما روش های هندسی و توپولوژیکی که او روی آنها کار کرده است، در زمینه های مختلف علوم زیستی کاربرد دارد. برای مثال، درک ساختارها یا شبکه‌های زیستی پیچیده ممکن است از نوع تحلیل هندسی و توپولوژیکی که میرزاخانی در آن تخصص داشت، بهره مند شود.

زیست شناسی محاسباتی اغلب از مفاهیم پیشرفته ریاضی برای مدل‌سازی و تحلیل سیستم‌های بیولوژیک استفاده می‌کند. بنابراین، اصول ریاضی که مریم میرزاخانی روی آنها کار کرده است به طور بالقوه می تواند در زمینه های زیست شماسی محاسباتی به کار رود.

در ادامه، بیشتر راجع به کاربرد روش های توپولوژیک و هندسه ی ریمانی در علوم زیست پزشکی خواهیم گفت. قابل ذکر است که این اصول در مهندسی هوافضا و بسیاری از علوم دیگر نیز کاربرد دارد.

ادامه دارد ...

بیشتر درباره مریم میرزاخانی بخوانید:

🆔 @RSGIran

#مریم_میرزاخانی
#زیست‌شناسی_محاسباتی

نگرش شبکه ای در کشف دارو

نگرش شبکه‌ای (Network Analysis) در #کشف‌دارو دارای کاربردهای متعددی است. در ادامه به برخی از آنها اشاره می کنیم:

1️⃣ شناسایی هدف‌های دارویی(target discovery): از طریق تحلیل شبکه‌های بیولوژیک، می‌توان هدف‌های مختلف داروها را شناسایی کرد. این به محققان کمک می‌کند تا به سمت مولکول‌هایی برای درمان بیماری‌ها حرکت کنند.

2️⃣ تجدید کاربری داروها(drug repurposing): با تحلیل شبکه‌های بیولوژیک، می‌توان داروهای موجود را برای درمان بیماری‌های دیگر به کار برد. این کار می‌تواند زمان و هزینه توسعه داروهای جدید را کاهش دهد.

3️⃣ شناخت دقیق عوامل بیولوژیک: با تحلیل شبکه‌های پروتئینی، ژنتیکی، و مولکولی، می‌توان نقش دقیق مولکول‌ها و #پروتئین‌ ها در عملکرد سیستم‌های بیولوژیک را درک کرد. این اطلاعات می‌توانند در توسعه داروها و درمان بیماری‌ها مفید باشند.

🆔 @RSGIran

#دارو
#بیوانفورماتیک

ادامه ...

4️⃣ پیش‌بینی عوارض جانبی داروها: با تحلیل تأثیرات داروها بر شبکه‌های بیولوژیک، می‌توان عوارض جانبی و اثرات غیرمنتظره داروها را پیش‌بینی کرد و به بهبود ایمنی داروها کمک کرد.

5️⃣ توسعه درمان های هدفمندتر: از طریق درک دقیق‌تر سیستم‌های بیولوژیک، می‌توان داروها و درمان های هدفمندتر و کارآمدتری را طراحی کرد.

در مجموع، نگرش شبکه‌ای در کشف داروها به ترکیب داده‌ها و تحلیل شبکه‌های پیچیده بیولوژیک کمک می‌کند و در بهبود فرآیند تحقیقات داروسازی و توسعه درمان‌های نوین بسیار تأثیرگذار است.

🆔 @RSGIran

#دارو
#بیوانفورماتیک

بیوانفورماتیک: تلفیق زیست‌شناسی، علوم کامپیوتر و تکنولوژی آنالیز داده‌ها و تفسیر داده‌های زیستی.

چرا به علم بیوانفورماتیک احتیاج داریم؟

🔹️درک اصول زیستی: بیوانفورماتیک به ما کمک می‌کند تا حجم زیادی از داده‌های به دست آمده با تحقیقات زیستی را آنالیز کنیم. ساختار و عملکرد ژن‌ها، #پروتئین‌ ها، فرآیند بیان ژن و تکامل موجودات زنده را بررسی نماییم.

🔸️توسعه‌ و #طراحی‌دارو ها و روش‌های درمانی. برای مثال: تشخیص ژن موثر در بیماری و طراحی داروهایی برای هدف قرار دادن این ژن.

🔹️بهبود محصولات کشاورزی و غذایی با کمک به تغییر ژنتیکی بذرها و دام و طیور.

🔸️حفاظت از محیط‌زیست. برای مثال با تشخیص عوامل آلودگی و توسعه‌ی روش‌های نوین برای رفع آن.

🔹️شخصی‌سازی #دارو ها: برای مثال با تشخیص جهش ژنی موثر در ایجاد #سرطان در یک بیمار و توسعی روش درمانی مناسب برای هدف قرار دادن این جهش‌ها.

این‌ها تنها تعداد اندکی از کاربردهای بیوانفورماتیک هستند.

در آینده توضیحات بیشتری در مورد هر یک از کاربردهای بیوانفورماتیک خواهیم داد.

🆔 @RSGIran

#بیوانفورماتیک

تا حالا به تفاوت‌های بیوانفورماتیک💻 و بیوتکنولوژی🧬🧪 فکر کردید؟

در این پست به صورت اجمالی تفاوت های این دو رشته رو بررسی کردیم.


🆔@RSGIran

#بیوانفورماتیک
#بیوتکنولوژی

🟪 شرکت های داروسازی پیشرو در زمینه استفاده از هوش مصنوعی

🌐 منبع

🧬 انجمن جهانی زیست شناسی محاسباتی، شاخه دانشجویی ایران
_
🆔 @RSGIran

#دارو

دیتاست TCGA چیست❓

🔸 دیتاست TCGA (اطلس ژنوم سرطان) تلاشی جامع و هماهنگ برای تسریع درک ما از اساس مولکولی #سرطان از طریق استفاده از فناوری های تجزیه و تحلیل #ژنوم، از جمله توالی یابی ژنوم در مقیاس بزرگ است. این ابتکار حاصل یک تلاش مشترک بین موسسه ملی سرطان (NCI) و موسسه ملی تحقیقات ژنوم انسانی (NHGRI) است.

نام گذاری خلاقانه ی این دیتاست علاوه بر مخفف بودن، اشاره به بازهای آلی DNA دارد.

اطلاعات این دیتاست شامل چه مواردی است؟
حاوی اطلاعات ژنومی از هزاران نمونه سرطان است که بیش از 30 نوع مختلف سرطان را پوشش می دهد که شامل اطلاعات دقیق در مورد جهش های ژنومی، تغییرات تعداد کپی، بیان mRNA و microRNA، متیلاسیون و موارد دیگر است.

داده های TCGA به صورت عمومی در دسترس است، به طور قابل توجهی درک ما را از اساس ژنتیکی سرطان ارتقا داده و منبعی حیاتی برای محققان در سراسر جهان در مبارزه با سرطان می باشد.

🌐 برای دسترسی به این دیتاست، می توانید TCGA را در
Genomic Data Commons Data Portal
جستجو کنید.

منبع تصویر

🆔 @RSGIran


#TCGA
#معرفی_سایت
#معرفی_پایگاه‌داده
#سرطان

‏دیتاست TCGA چه کاربردهایی دارد❓

🔸 در پست قبل راجع به دیتاست #TCGA توضیحاتی دادیم. در این جا به کاربردهای آن اشاره می کنیم و به زودی توضیحاتی را راجع به نحوه ی استفاده از آن ارائه خواهیم کرد.

تحقیقات بیولوژی #سرطان: شناسایی جهش های جدید، درک مسیرهای سرطان و کشف مارکرهای زیستی

پزشکی شخصی: طراحی داروهای متناسب با ساختار ژنتیکی خاص سرطان بیمار

توسعه #دارو: شناسایی اهداف دارویی جدید و درک مکانیسم های مقاومت دارویی

بیوانفورماتیک و زیست شناسی محاسباتی: توسعه و آزمایش روش های محاسباتی برای تجزیه و تحلیل داده ها، مانند مدل های یادگیری ماشینی برای پیش بینی نتایج سرطان یا پاسخ های درمانی

🌐منبع

🆔 @RSGIran

#TGCA
#معرفی_سایت
#معرفی_پایگاه‌داده
#سرطان

‏تاریخچه‌ی پروژه اطلس ژنوم سرطان(TCGA)

جدول زمانی در صفحه اطلس #ژنوم #سرطان، نقاط عطف کلیدی در تحقیقات #ژنومیکس_سرطان را شرح می دهد:

2005: موسسه ملی سرطان پروژه ژنوم سرطان انسان را پیشنهاد کرد. NCI و NHGRI یک کارگاه آموزشی برای مرحله آزمایشی این پروژه برگزار کردند. TCGA با یک پایلوت 100 میلیون دلاری راه اندازی شد.

‏ 2006-2009: TCGA دستورالعمل هایی را برای انتشار داده ها ایجاد کرد، انواع سرطان های اولیه را برای نقشه برداری انتخاب کرد، فناوری های تعیین مشخصات ژنومی را توسعه داد و شروع به استفاده از روش های توالی یابی پیشرفته کرد.‏

‏2010-2012: TCGA برای نقشه برداری از 20 نوع سرطان گسترش یافت و مرکز ژنومیکس سرطان (CGHub) را به عنوان یک مخزن داده راه اندازی کرد. چندین مطالعه کلیدی منتشر شد و ابر داده محافظت شده TCGA توسعه یافت.
‌‏
‏ 2013: TCGA جمع آوری بیش از 20000 نمونه زیستی را به پایان رساند و به انتشار یافته های تحقیقاتی مهم ادامه داد.

در سال 2017، NCI، دیتابیس
Genomic Data Commons (GDC)
را راه اندازی کرد که داده های TCGA و داده های ژنومی حاصل از پروژه های دیگر را نگهداری می کند.

🌐 منبع

🆔 @RSGIran

#TGCA
#معرفی_سایت
#معرفی_پایگاه‌داده
#سرطان
#ژنومیکس

⭕️ سازمان بهداشت جهانی 18 الی 24 نوامبر را به عنوان هفته‌ی آگاهی‌بخشی درباره‌ی مقاومت آنتی‌بیوتیکی نام‌گذاری کرده است. به همین مناسبت، تصمیم گرفته‌ایم یک پایگاه داده بسیار مهم و کاربردی در این زمینه را به شما پژوهشگران و دانشجویان گرامی معرفی کنیم.

برای مطالعه ی این مطلب، کافیست لینک زیر را مشاهده بفرمایید:

معرفی پایگاه داده‌ی CARD

🆔@RSGIran

#معرفی_سایت
#معرفی_پایگاه‌داده

🔬سلول ها توانایی حل ماز را دارند!

براساس پژوهشی که در سال 2020 در Science چاپ شد، برخی سلول ها با با ترشح مواد جاذب شیمیایی که خودشان می سازند و با ایجاد یک گرادیان غلظت، در مسیرهای طولانی و پیچیده در بدن موجودات زنده، می توانند راه خودشان را پیدا کنند.

🆔 @RSGIran

#زیست‌شناسی_سلولی

🔬 فناوری سینگل سل (Single Cell) چیست و چه کاربردهایی دارد❓

فناوری تک سلول یا Single-Cell، مجموعه‌ای از تکنیک‌های پیشرفته است که به بررسی و تحلیل سلول‌های تکی در سطح ژنومیک، ترانسکریپتومیک، پروتئومیک و متابولومیک می‌پردازد.

🔵توالی‌یابی تک سلول (Single-cell sequencing) به ما این امکان را می‌دهد که ماده ژنتیک را در یک سلول واحد بررسی کنیم. این روش در مقایسه با توالی‌یابی سنتی یا "bulk sequencing"، که در آن مواد ژنتیکی از تعداد زیادی سلول مخلوط شده و بررسی می‌شوند، دقت بیشتری دارد. در توالی‌یابی سنتی، اطلاعات مربوط به تفاوت‌های بین سلول‌های مختلف از دست می‌رود.

🔹فناوری سینگل سل امکان مطالعه تفاوت‌های بین سلول‌های مشابه را در سیستم‌های زیستی فراهم می‌کند و درک عمیق‌تری از فرایندهای زیستی و بیماری‌ها را امکان‌پذیر می‌سازد. این روش به ویژه در تحقیقات پزشکی، بیولوژی سیستم‌ها و بیوتکنولوژی، ایمونولوژی، علوم اعصاب و سرطان مورد استفاده قرار می‌گیرد، زیرا این امکان را می‌دهد که تفاوت‌های دقیق بین سلول‌های مختلف در بافت‌های سالم و بیمار شناسایی شوند.

✅ درآینده بیشتر به #سینگل_سل خواهیم پرداخت.

🆔 @RSGIran

#سینگل_سل
#زیست‌شناسی_سلولی
#بیوانفورماتیک

💻🧬چه کسی انجمن جهانی زیست شناسی محاسباتی(ISCB) را بنیان‌گذاری کرد؟

لری هانتر،
موسس و مدیر انجمن از سال ۱۹۹۷ تا ۲۰۰۰، از معدود افرادی بود که علاقه داشت تا با رویکردی محاسباتی به تحقیقات زیستی بپردازد او در مورد اوایل دوره کاری انجمن می‌گوید:
"پیدا کردن افرادی با این رویکرد چه در میان فعالان حوزه زیست‌شناسی مولکولی و چه در میان فعالان حوزه علوم کامپیوتر کار سختی بود. کسی اهمیتی به حوزه بیوانفورماتیک نمی‌داد و یا حتی تصوری از این موضوع یا چگونه پیدا کردن افراد متخصص در آن نداشت و فعالان هر حوزه دیدگاه دیگری را در این باره درک نمی‌کردند."

به گفته‌ی لری هانتر و دیگر اعضا، در آن اوایل فاصله‌ی میان قواعد علوم کامپیوتری و زیست‌شناسی مولکولی قابل توجه بودند و این فاصله به شکل واضحی در اولین ملاقات‌های برنامه ریزی شده توسط انجمن، مانند سمپوزیوم های بهاره‌ در مورد هوش‌مصنوعی و زیست‌شناسی مولکولی، احساس می‌شد.

🆔️@RSGIran

#معرفی_انجمن

🖥"تاریخچه‌ی ورود کامپیوتر به ایران"🖥

🛢طبق اسناد موجود پالایشگاه آبادان در سال ۱۳۲۹ برای اولین بار در صنعت نفت، ایران و احتمالاً حتی خاورمیانه از کامپیوتر استفاده کرد که در آن زمان به آن ماشین‌های حساب الکترونیکی گفته می‌شد.

👨🏻‍💼در سال ۱۳۴۱ نخستین کامپیوتر برای مصرف شخصی توسط امیرعباس هویدا، نخست‌وزیر وقت ایران، وارد شد.

🏦در سال ۱۳۴۱ بانک ملی و شرکت نفت تهران نیز به کامپیوتر مجهز شدند.

🎓در سال ۱۳۴۳ دانشگاه تهران صاحب دستگاه‌های کامپیوتری شد.

📠در دهه ۶۰، احمد شاملو از کامپیوتر شخصی خود برای تهیه فیش‌های کتاب کوچه استفاده می‌کرد و به تعداد محدود کامپیوترهایی برای برخی ادارات ایران مانند مخابرات وارد کشور شدند.

🖥نخستین واردات انبوه کامپیوتر در ایران در دهه ۷۰ رخ داد و بعد از ورود ۲۰۰هزار دستگاه برای ارگان‌های مختلف این واردات کم‌کم برای مصارف شخصی افزایش یافت.

🆔️@RSGIran

#تاریخچه

🔥دو روز پیش، در نیچر به چاپ‌ رسید:

بازهم مقاله‌ای در خصوص:
Atlas Level Data Integration
برای دیتای single cell

🇮🇳این‌بار استاد جوان هندی
(Hamim Zafar)
یک متد با نام scDREAMER در ژورنال
nature communication
برای تجمیع دیتاهای سینگل‌سل چاپ کرده‌است که می‌توانید از لینک زیر، به مطالعه‌ی آن بپردازید:
scDREAMER for atlas-level integration of single-cell datasets using deep generative model paired with adversarial classifier

💡در این مقاله برای batch effect removal از روشی مبتنی بر مفهوم adversarial استفاده شده‌است. از این مفهوم به شکل خلاقانه در یادگیری ماشین برای اهداف مختلف استفاده می‌شود. در اینجا نیز به شکل جالبی برای تجمیع داده‌های batchهای مختلف به کار برده‌شده‌است.

حتما در یک پست به شرح این مفهوم خواهیم پرداخت.

📈 یکی از متدهایی که در این مقاله برای مقایسه با متد پیشنهادی استفاده شده است، متد scGEN است. نویسنده‌ی اول مقاله‌ی scGEN دکتر محمد لطف‌اللهی، سخنران مراسم افتتاحیه‌ی انجمن RSG ایران می‌باشند که شما را به خواندن آن دعوت می‌کنیم: مقاله‌یscGEN

🆔️@RSGIran

#مقاله
#سینگل_سل
#یادگیری‌ماشین_ML

📣 فرداشب ساعت ۲۲ چشم از ما بر ندارید!

💰یک مسابقه‌ی کوچیک و جمع و جور داریم با جایزه‌ی نقدی!

⏰ نوتیفیکیشن این کانال رو روشن نگه‌دارید چون قراره فرداشب ساعت ۲۲ یه سوال کوچولو و جذاب بپرسیم و از بین کسانی که زودتر از همه جواب میدن به یک نفر یک جایزه‌ی نقدی تقدیم کنیم.

🆔️@RSGIran

🎁 امشب با مسااابقه‌ای که قولش رو داده بودیم اومدیم 😍

📹این ویدئوی جذاب رو ببینید و اسم و ملیت دانشمندی که در ویدئو هست رو تو فرم زیر وارد کنید:

👉 https://survey.porsline.ir/s/2NB1wPSe

🎉از بین ۶ نفری که زودتر از همه جواب درست رو ثبت کنند قرعه کشی می‌کنیم و جایزه رو به یک نفر تقدیم می‌کنیم