Tim J. Stevens, Wayne Boucher-Python Programming for Biology_ Bioinformatics and Beyond-Cambridge University Press (2015)
-Bioinformatics Programming Using Python-Oreilly (2009)
✅از دوستان عزیزم در پی وی پیام داده بودن تا در مورد سیستم بیولوژی (System Biology) و توالی یابی نسل سوم NGS- RNNseq مطالبی گذاشته شود.👇👇
#سیستم_بیولوژی
برای سیستم بیولوژی تااکنون تعاریف بسیار متفاوت و گوناگونی ارایه شده و هنوز یک تعریف جامع و کامل که مورد توافق اکثریت باشد معرفی نشده است . از این رو سعی کردیم در این مطلب یک تعریف مناسب و قابل فهمی برای شما ارایه دهم. سیستم بیولوژی علمی است که سعی در مدل سازی محاسباتی و ریاضی، شبیه سازی و انالیز مکانیزم ها و فرایند ها در سیستم های پیچیده زیستی دارد.
@computational_science
برای سیستم بیولوژی تااکنون تعاریف بسیار متفاوت و گوناگونی ارایه شده و هنوز یک تعریف جامع و کامل که مورد توافق اکثریت باشد معرفی نشده است . از این رو سعی کردیم در این مطلب یک تعریف مناسب و قابل فهمی برای شما ارایه دهم. سیستم بیولوژی علمی است که سعی در مدل سازی محاسباتی و ریاضی، شبیه سازی و انالیز مکانیزم ها و فرایند ها در سیستم های پیچیده زیستی دارد.
@computational_science
🔶شبکه بیوانفورماتیک و بیولوژی محاسباتی ایران 🔶
@computational_science
#سیستم_بیولوژی
زیست شناسی یک مفهوم بسیار گسترده است اما برای تعریف سیستم بیولوژی از این زاویه به زیست شناسی نگاه می کنیم:
✅از برهمکنش تعداد زیادی مولکول یک اندامک درون سلولی به وجود می آید که به عنوان یک واحد عملکردی در سطوح مختلف سلولی، بافتی و فیزیولوژیک ایفای نقش می کند. مطالعه ی "کمی" همه ی این فرآیندها در حوزه ی سیستم بیولوژی قرار دارد.
پس رسالت سیستم بیولوژی استفاده از زیست شناسی مولکولی و بیوشیمی اجزاء سلولی به منظور درک عملکردهای فیزیولوژیک می باشد.
✅اصطلاح "سیستم بیولوژی" در اوایل قرن بیست و یکم مطرح شد و پیشتر از آن به این حوزه به طورکلی "سیستم های پیچیده" گفته می شد.
در اواخر دهه ی 90، آقای Ravi Iyengar اقدام به بررسی همزمان هزاران mRNA موجود در یک سلول پرداخت و از این طریق تلاش نمود تا نحوه ی پاسخ دادن سلول به یک محرک را مطالعه نماید. وی در مطالعه ای دیگر بصورت محاسباتی اثبات نمود که مولکول ها چگونه با یکدیگر تشکیل یک شبکه سیگنالینگ را می دهند؛ مولکول هایی که به تنهایی عملکرد معناداری ندارند بلکه ارتباط آنها با یکدیگر در قالب یک شبکه به صورت یک سیگنال سلولی بروز می یابد. نتایج این مطالعات در مجله ساینس منتشر شد.
✅سیستم بیولوژی دو رویکرد کلی را دنبال می کند:
✔️الف- رویکرد پایین به بالا (Bottom-Up):
در این رویکرد از اجزای کوچک سلولی شروع می شود؛ برای مثال با درنظر گرفتن ژن ها، پروتئین ها، لیپیدها و...در کنار هم، به این موضوع می پردازیم که چگونه این اجزاء تشکیل یک سیستمی را می دهند که عملکرد خاصی را دنبال می کند.
✔️ب- رویکرد بالا به پایین (Top-Down):
در این رویکرد به منظور درک خصوصیات و توانایی های یک سیستم، آن را به طور کامل و کلی در نظر می گیرند، درست برعکس حالت الف.
🔶🔹شبکه بیوانفورماتیک و بیولوژی محاسباتی ایران 🔹🔶
@computational_science
@computational_science
#سیستم_بیولوژی
زیست شناسی یک مفهوم بسیار گسترده است اما برای تعریف سیستم بیولوژی از این زاویه به زیست شناسی نگاه می کنیم:
✅از برهمکنش تعداد زیادی مولکول یک اندامک درون سلولی به وجود می آید که به عنوان یک واحد عملکردی در سطوح مختلف سلولی، بافتی و فیزیولوژیک ایفای نقش می کند. مطالعه ی "کمی" همه ی این فرآیندها در حوزه ی سیستم بیولوژی قرار دارد.
پس رسالت سیستم بیولوژی استفاده از زیست شناسی مولکولی و بیوشیمی اجزاء سلولی به منظور درک عملکردهای فیزیولوژیک می باشد.
✅اصطلاح "سیستم بیولوژی" در اوایل قرن بیست و یکم مطرح شد و پیشتر از آن به این حوزه به طورکلی "سیستم های پیچیده" گفته می شد.
در اواخر دهه ی 90، آقای Ravi Iyengar اقدام به بررسی همزمان هزاران mRNA موجود در یک سلول پرداخت و از این طریق تلاش نمود تا نحوه ی پاسخ دادن سلول به یک محرک را مطالعه نماید. وی در مطالعه ای دیگر بصورت محاسباتی اثبات نمود که مولکول ها چگونه با یکدیگر تشکیل یک شبکه سیگنالینگ را می دهند؛ مولکول هایی که به تنهایی عملکرد معناداری ندارند بلکه ارتباط آنها با یکدیگر در قالب یک شبکه به صورت یک سیگنال سلولی بروز می یابد. نتایج این مطالعات در مجله ساینس منتشر شد.
✅سیستم بیولوژی دو رویکرد کلی را دنبال می کند:
✔️الف- رویکرد پایین به بالا (Bottom-Up):
در این رویکرد از اجزای کوچک سلولی شروع می شود؛ برای مثال با درنظر گرفتن ژن ها، پروتئین ها، لیپیدها و...در کنار هم، به این موضوع می پردازیم که چگونه این اجزاء تشکیل یک سیستمی را می دهند که عملکرد خاصی را دنبال می کند.
✔️ب- رویکرد بالا به پایین (Top-Down):
در این رویکرد به منظور درک خصوصیات و توانایی های یک سیستم، آن را به طور کامل و کلی در نظر می گیرند، درست برعکس حالت الف.
🔶🔹شبکه بیوانفورماتیک و بیولوژی محاسباتی ایران 🔹🔶
@computational_science
🔶شبکه بیوانفورماتیک و بیولوژی محاسباتی ایران 🔶
@computational_science
#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.
🔶شبکه بیوانفورماتیک و بیولوژی محاسباتی ایران 🔶
@computational_science
@computational_science
#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.
🔶شبکه بیوانفورماتیک و بیولوژی محاسباتی ایران 🔶
@computational_science
#سیستم_بیولوژی
ارایه چند کلیپ ویدئویی از سیستم بیولوژی 👇👇
🔶شبکه بیوانفورماتیک و بیولوژی محاسباتی ایران 🔶
@computational_science
ارایه چند کلیپ ویدئویی از سیستم بیولوژی 👇👇
🔶شبکه بیوانفورماتیک و بیولوژی محاسباتی ایران 🔶
@computational_science