#سیستم_بیولوژی :
همانطوری که می دانیم با استفاده از روش های مختلف Omics می توان به مطالعه و اندازه گیری اجزای سیستم های زیستی بزرگ پرداخت. برای مثال درعلم ژنومیکس به مطالعه ی همزمان تعداد زیادی از ژن های دخیل در یک فرآیند فیزیولوژیک پرداخته می شود و یا در پروتئومیکس همین فرآیند برای پروتئین ها تکرار می شود.
از طرفی دیگر با استفاده از علم بیوانفورماتیک به سازماندهی داده های حاصل از همین روش های Omics پرداخته می شود، به طوری که این دیتاها بصورت منظمی قابل دسترسی و مطالعه باشند. برای مثال در پایگاه PubMed می توان به حجم انبوهی از اطلاعات سازمان یافته درباره ی ژنوم انسان، ژنوم موش، الگوهای بیان ژنی و ... به صورت رایگان دسترسی داشت. این اطلاعات بصورت Big Data هستند و می توان با استفاده از ابزارهای متعددی آن ها را مورد آنالیز و بررسی قرار داد. از جمله ی این دیتابانک های معروف میتوان به GEO (mRNA profiling)، Target Scan (microRNA)، Swiss-Prot (Proteins)، DbGAP (Genome-wide association studies)، OMIM (Disease Genes) و Pharm GKB (Drugs) اشاره نمود. با استفاده از مطالعات آماری می توان به بررسی روابط بین داده های موجود در هریک از این دیتابانک ها پرداخت. همچنین می توان داده های چند دیتابانک را بصورت همزمان مورد مطالعه آماری قرار داد. برای مثال می توان داده های ژنومی مرتبط با سرطان ریه را از یک دیتابانک، با داده های mRNA همین سرطان از دیتابانک دیگر و نیز داده های پروتئینی مربوطه از یک دیتابانک دیگر، تجمیع نمود و مطالعه کرد. بنابراین می توان لیستی از داده های ژنتیکی، mRNA ای و پروتئینی مربوط به یک بیماری یا یک شرایط فیزیولوژیک خاص را تهیه نمود.
حال که لیستی از اجزاء مرتبط داریم می توانیم ارتباط این اجزاء را به صورت یک شبکه ترسیم کنیم. با توجه به دانش زیست شناسی می دانیم که بسیاری از بیومولکول ها بر روی یکدیگر تاثیرگذارند و این تاثیر گذاری معانی متعددی دارد؛ مثل فعالسازی و غیرفعالسازی. بنابراین وقتی دو جزء را می خواهیم به هم متصل کنیم باید تاثیر آن ها بر یکدیگر را در نظر گرفت.
وقتی که یک شبکه ترسیم شد به هر یک از اجزاء شبکه node و به خطی که آن ها را به هم وصل میکند و بیانگر نوع ارتباط آن هاست یال یا edge می گوییم. خوشبختانه علم محاسبه ی خصوصیات یک شبکه از دیرباز در دانش ریاضیات توسعه یافته و قوانین جامع و کارآمدی برای آن موجود است. بنابراین خصوصیات یک شبکه را می توان با تئوری گراف ها مطالعه نمود و مورد محاسبه قرار داد.
پس به طور خلاصه می توان گفت:
ما مجموعه ای از اطلاعات مختلف حاصل از روش های Omics داریم که در دیتابانک هایی ذخیره شده اند. این اطلاعات را می توان به صورت شبکه درآورد و با استفاده از اصول تئوری گراف به مطالعه خصوصیات مختلف آن پرداخت. مجموعه ی این کارها در علم سیستم بیولوژی قرار می گیرد.
@computational_science

مثالی از system_biology

با سلام و احترام
دوستانی که سوال یا هر مشکلی در زمینه های تئوری دارن میتونن تو گروه زیر عضو بشن و سوالاتشونو بپرسن.با تشکر
https://telegram.me/joinchat/BP7D2wMpgBMa-vyZ7mwALw

#سیستم_بیولوژی (صفحه اول)
@computational_science

#سیستم_بیولوژی (صفحه دوم)
@computational_science

با سلام و عرض ادب محضر سعادتمند تک تک اعضای محترم کانال بیوانفورماتیک و محاسبات زیستی
💐ضمن قدردانی از حضور سروران گرامی
🌺تقاضا میشود جهت هر چه بهتر شدن این مجموعه و ارتقای سطح کیفی کانال
🌹 مطالب ارزشمند خود را در زمینه بیوانفورماتیک و محاسبات زیستی به آدرس مدیر کانال：
@ammar_mohseni
ارسال نموده تا در معرض دید عموم قرار بگیرد.
💐 با توجه به اینکه این کانال سعی دارد که نرم افزارهای خوب در زمینه زیست شناسی، علوم داروی و ... را با بهترین کیفیت آموزش دهد، لطفا جهت بالا رفتن کیفیت کار و همچنین افزایش انگیزه مدیران، آدرس کانال را به دوستان خود معرفی فرمایید.
با تشکر
🌺🌺🌺🌺🌺🌺🌺🌺🌺🌺🌺🌺🌺🌺
@computational_science

#نرم_افزارهای_مفید
سرور findmod tools یکی از سرورهای مناسب جهت پیش بینی پتانسیل تغییرات پس از ترجمه پروتئین می باشد. با استفاده از این سرور می توان جایگاه هایی از پروتئین را که قابلیت تغییرات پس از ترجمه را دارند مشخص کرد. این سرور با آدرس اینترنتی زیر قابل دسترسی می باشد.
http://web.expasy.org/findmod/

@computational_science

#نرم_افزارهای_مفید
جهت طراحی پرایمر سرورهای آنلاین و نرم افزارهای زیادی وجود دارند که استفاده از آنها صرفا نیاز به شناخت خود خصوصیات پرایمر دارد. و در کل همه سرورها و نرم افزارها تقریبا از یک سری قوانین و الگوریتم های استفاده می کنند. یکی از نرم افزارهای آنلاین مفید در این زمینه سرور primer3 می باشد که با آدرس زیر قابل دسترسی است.
http://simgene.com/Primer3
@computational_science

با توجه به اینکه چهارشنبه روز قبل از کارگاه مصادف با ۲۲ بهمن بوده و تعطیل می باشد٬ بنا به درخواست عده ای از دوستان مبنی بر احتمال مسافرت در روزهای تعطیل٬ کارگاه گرومکس از روز ۲۳ بهمن به روز ۳۰ بهمن منتقل می شود.پوستر کارگاه تا ساعاتی دیگر بارگذاری خواهد شد.

#کارگاه-گرومکس
@computational_science

#نرم_افزارهای_مفید
مشخص کردن ویژگی های پروتئین ها مانند وزن مولکولی، نقطه ایزوالکتریک و ترکیب آمینواسیدی در مراحل تخلیص و آنالیز پروتئین مورد نظر در آزمایشگاه مفید بوده و بازده کار را بالا می برد. سرورهای مختلفی برای مشخص کردن این ویژگی ها ارائه شده اند که یکی از این سرورها AACompIdent می باشد که با آدرس اینترنتی زیر قابل دسترسی می باشد.
http://www.pdg.cnb.uam.es/cursos/Leon_2003/pages/visualizacion/programas_manuales/spdbv_userguide/us.expasy.org/tools/aacomp/index.html
@computational_science

#نرم_افزارهای_مفید
پروتئین ها از سطوح ساختاری متفاوتی (اول، دوم، سوم، چهارم) تشکیل شده اند و هر کدام از سطوح پیچیدگی های اطلاعاتی و رمزی مخصوص به خود را دارند. بررسی مسیر فولدینگ پروتئین ها در حال حاضر یکی از دغدغه های اصلی در حوزه بیوشیمی و علی الخصوص علم زیبای مهندسی پروتئین می باشد. با توجه به اینکه بررسی تاخوردگی (فولدینگ) در پروتئین های بزرگتر در حوزه محاسباتی کار سخت و زمان بر می باشد به همین دلیل سرورها و نرم افزارهای متفاوتی ارائه شده اند که بدون طی کردن مسیر فولدینگ سطوح ساختاری مختلف را پیش بینی کنند. یکی از مهمترین سطوح ساختاری، ساختارهای ثانویه می باشد که از مارپیچ های آلفا، صفحات بتا و ... تشکیل شده اند و از تجمع آنها ساختار سوم تشکیل می شوند. جهت پیش بینی ساختار دوم سرورها و نرم افزارهای متفاوتی وجود دارد و همینطور برای ساختار سوم از روش مدلسازی مقایسه ای استفاده می شود. یکی از سرورهایی که در اینجا معرفی می شود و جهت پیش بینی ساختار دوم می باشد. این سرور از الگوریتم jnet (که یکی از الگوریتم های مناسب در پیش بینی ساختار دوم می باشد) استفاده می کند. جهت دسترسی به این سرور می توانید از لینک زیر استفاده کنید.
http://www.compbio.dundee.ac.uk/jpred4/index.html
« با فوروارد کردن این مطالب مفید کانال ما را به دوستانتان معرفی کنید.»
@computational_science

#شبیه_سازی_دینامیک_مولکولی
@computational_science
ما را به دوستانتان معرفی کنید.