📚 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▫️
goo.gl/DKyDCV
▫️استراتژی دوم
"مشکلی نیست، کافیست فلان نرم افزار را بخریم"
نرم افزارهای تجاری ای وجود دارد که برای کمک به محققان و آزمایشگاه های کوچک طراحی شده اند تا مجموعه داده های بزرگ NGS را آنالیز کنند. به عقیده ی من دو مسئله در این رابطه وجود دارد. اول از همه اینکه، طراحان آن نرم افزارها مقدار زیادی زمان را برای ساختن یک ابزار میانجی زیبا و ساده صرف کرده اند اما با الگوریتم هایی که ما سال قبل استفاده می کردیم! مسئله ی دوم و جدی تر، قیمت های بالای این ابزارها است.
▫️استراتژی سوم
"ما از دانشجویان ارشد یا پست دکترا استفاده خواهیم کرد"
این یک وسوسه ی دائمی است که از کارگران "رایگان" در لباس دانشجویان ارشد یا پست دکترا استفاده کنیم. اما این ارواح بیچاره احتمالا هنوز مهارت کافی را کسب نکرده اند، پس باید چندین ماه وقت صرف کنند تا بیاموزند که چگونه از BWA استفاده کنند و احتمالا از افرادی مثل ما راهنمایی خواهند خواست! این فرصت زمانی را بهتر است برای نوشتن گرانت ها و مقالات صرف کنیم و آنالیز را بر عهده ی کسانی بگذاریم که این کار را هر روز به عنوان یک شغل دارند انجام می دهند.
◼️مزایای پول خرج کردن برای آنالیز!
گرچه گاهی حین نوشتن بودجه برای آنالیز یک پروژه یک شوک اساسی به ما وارد می شود، اما فوایدی هم در این میان وجود دارد. اول از همه اینکه این امر تضمین می کند که شما نتایجی با بهترین کیفیت و در فرمتی قابل استفاده را در اختیار خواهید داشت. دوم اینکه این امر انتخاب بهینه ترین روش آنالیز و متخصص ترین افراد را مقدور می سازد. انالیزگر هایی که درون خود شرکت وجود دارند سریعتر می توانند این کار را انجام دهند زیرا قبل از فرایند انتقال به گروه های دیگر می توانند کار را بر روی داده ها شروع کنند.
شاید مهمترین مسئله این باشد که خرج کردن بر روی آنالیز یک پروژه احتمال موفقیت و پیشرفت را بالا می برد زیرا این یک تلاش مشترک و یکپارچه است. این کار به متخصصان توالی یابی این امکان را می دهد که مهارتشان را به اشتراک بگذارند، همانطور که متخصصان بیماری/فنوتیپ تجربیات خود را به اشتراک می گذارند. هر کسی در محل نقاط قوت خود کار می کند و تلاش های همه توسط بودجه ی پروژه حمایت می شود. این امر به عقیده ی من بهترین راه رسیدن به دانش های عظیم است.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
▫️استراتژی دوم
"مشکلی نیست، کافیست فلان نرم افزار را بخریم"
نرم افزارهای تجاری ای وجود دارد که برای کمک به محققان و آزمایشگاه های کوچک طراحی شده اند تا مجموعه داده های بزرگ NGS را آنالیز کنند. به عقیده ی من دو مسئله در این رابطه وجود دارد. اول از همه اینکه، طراحان آن نرم افزارها مقدار زیادی زمان را برای ساختن یک ابزار میانجی زیبا و ساده صرف کرده اند اما با الگوریتم هایی که ما سال قبل استفاده می کردیم! مسئله ی دوم و جدی تر، قیمت های بالای این ابزارها است.
▫️استراتژی سوم
"ما از دانشجویان ارشد یا پست دکترا استفاده خواهیم کرد"
این یک وسوسه ی دائمی است که از کارگران "رایگان" در لباس دانشجویان ارشد یا پست دکترا استفاده کنیم. اما این ارواح بیچاره احتمالا هنوز مهارت کافی را کسب نکرده اند، پس باید چندین ماه وقت صرف کنند تا بیاموزند که چگونه از BWA استفاده کنند و احتمالا از افرادی مثل ما راهنمایی خواهند خواست! این فرصت زمانی را بهتر است برای نوشتن گرانت ها و مقالات صرف کنیم و آنالیز را بر عهده ی کسانی بگذاریم که این کار را هر روز به عنوان یک شغل دارند انجام می دهند.
◼️مزایای پول خرج کردن برای آنالیز!
گرچه گاهی حین نوشتن بودجه برای آنالیز یک پروژه یک شوک اساسی به ما وارد می شود، اما فوایدی هم در این میان وجود دارد. اول از همه اینکه این امر تضمین می کند که شما نتایجی با بهترین کیفیت و در فرمتی قابل استفاده را در اختیار خواهید داشت. دوم اینکه این امر انتخاب بهینه ترین روش آنالیز و متخصص ترین افراد را مقدور می سازد. انالیزگر هایی که درون خود شرکت وجود دارند سریعتر می توانند این کار را انجام دهند زیرا قبل از فرایند انتقال به گروه های دیگر می توانند کار را بر روی داده ها شروع کنند.
شاید مهمترین مسئله این باشد که خرج کردن بر روی آنالیز یک پروژه احتمال موفقیت و پیشرفت را بالا می برد زیرا این یک تلاش مشترک و یکپارچه است. این کار به متخصصان توالی یابی این امکان را می دهد که مهارتشان را به اشتراک بگذارند، همانطور که متخصصان بیماری/فنوتیپ تجربیات خود را به اشتراک می گذارند. هر کسی در محل نقاط قوت خود کار می کند و تلاش های همه توسط بودجه ی پروژه حمایت می شود. این امر به عقیده ی من بهترین راه رسیدن به دانش های عظیم است.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
🔔فرصت عالی
🔸کمک هزینه مسافرت جهت شرکت در مدرسه زمستانه زیست شناسی محاسباتی دانشگاه کوینزلند استرالیا
🔹فرصت باقی مانده جهت تکمیل درخواست استفاده از کمک هزینه سفر تا 31 می میباشد.
مبلغ کمک هزینه بین 250 تا 500 دلار می باشد.
🔹مدرسه زمستانه شامل 5 روز آموزش برای دانشجویان و فارغ التحصیلان، در زمینه های توالی یابی نسل جدید، توالی یابی تک سلول، سیستم بیولوژی و سنتتیک بیولوژی می باشد
🔹هزینه شرکت برای دانشجویان در ثبت نام زود هنگام تا تارخ 18 June تنها 290 دلار می باشد
🔹مباحث:
▫️Next generation sequencing & bioinformatics
▫️Advances in single-cell sequencing analysis
▫️Modelling ecologies & populations
▫️Advanced data visualisation & computation
▫️Systems and synthetic biology
🔹اطلاعات بیشتر و ثبت نام:
bioinformatics.org.au/ws17/
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
🔸کمک هزینه مسافرت جهت شرکت در مدرسه زمستانه زیست شناسی محاسباتی دانشگاه کوینزلند استرالیا
🔹فرصت باقی مانده جهت تکمیل درخواست استفاده از کمک هزینه سفر تا 31 می میباشد.
مبلغ کمک هزینه بین 250 تا 500 دلار می باشد.
🔹مدرسه زمستانه شامل 5 روز آموزش برای دانشجویان و فارغ التحصیلان، در زمینه های توالی یابی نسل جدید، توالی یابی تک سلول، سیستم بیولوژی و سنتتیک بیولوژی می باشد
🔹هزینه شرکت برای دانشجویان در ثبت نام زود هنگام تا تارخ 18 June تنها 290 دلار می باشد
🔹مباحث:
▫️Next generation sequencing & bioinformatics
▫️Advances in single-cell sequencing analysis
▫️Modelling ecologies & populations
▫️Advanced data visualisation & computation
▫️Systems and synthetic biology
🔹اطلاعات بیشتر و ثبت نام:
bioinformatics.org.au/ws17/
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
2017 Winter School
Home
2017 Winter School Online Lectures and Presentations
Winter School: 3 - 7 July 2017
Registration
Online registration: NOW OPEN
Early bird:
Now - 18 June 2017
Normal:
19 June - 25 June 2017
Next generation sequencing & bioinformatics
Advances…
Winter School: 3 - 7 July 2017
Registration
Online registration: NOW OPEN
Early bird:
Now - 18 June 2017
Normal:
19 June - 25 June 2017
Next generation sequencing & bioinformatics
Advances…
✍️10 قانون ساده برای جان سالم بردن از مقطع دکتری بین رشته ای
▫️مقاله ای جذاب در مجله Plos ، جهت کمک و راهنمایی برای دوستان در حال تحصیل در رشته ایی مانند بیوانفورماتیک ، نانو و.. که بین رشته ای هستند . این مقاله توسط گروهی از دانشجویان دکتری و اساتید مرکز اموزش دکتری دانشگاه اکسفورد نگارش شده است.
Rule 1: Involve everyone in the planning, and make contingency plans
Rule 2: Be a diplomat: Start managing expectations early on
Rule 3: Define the boundaries of your research: Explore and familiarise, then be pragmatic
Rule 4: Don’t be embarrassed: Always ask the “stupid question”
Rule 5: Build a network: Find other people to complement the gaps
Rule 6: Embrace your unique skillset and use it to redefine discipline boundaries
Rule 7: Feel free to swim against the flow, to experiment, and to fail
Rule 8: Plan your career and publish accordingly
Rule 9: Adjust to your audience
Rule 10: Relax and enjoy
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
▫️مقاله ای جذاب در مجله Plos ، جهت کمک و راهنمایی برای دوستان در حال تحصیل در رشته ایی مانند بیوانفورماتیک ، نانو و.. که بین رشته ای هستند . این مقاله توسط گروهی از دانشجویان دکتری و اساتید مرکز اموزش دکتری دانشگاه اکسفورد نگارش شده است.
Rule 1: Involve everyone in the planning, and make contingency plans
Rule 2: Be a diplomat: Start managing expectations early on
Rule 3: Define the boundaries of your research: Explore and familiarise, then be pragmatic
Rule 4: Don’t be embarrassed: Always ask the “stupid question”
Rule 5: Build a network: Find other people to complement the gaps
Rule 6: Embrace your unique skillset and use it to redefine discipline boundaries
Rule 7: Feel free to swim against the flow, to experiment, and to fail
Rule 8: Plan your career and publish accordingly
Rule 9: Adjust to your audience
Rule 10: Relax and enjoy
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
Ten simple rules.pdf
772 KB
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
@practicalbioinformatics
🔸دوره کارآموزی طراحی دارو
▫️مدت دوره: 2 ماه 20 جلسه
▫️شروع دوره : تیر ماه
🔔آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
▫️مدت دوره: 2 ماه 20 جلسه
▫️شروع دوره : تیر ماه
🔔آزمایشگاه بیوانفورماتیک پارس سیلیکو
@practicalbioinformatics
goo.gl/mmpd2c
🔔دوره های آموزشی پروژه محور پارس سیلیکو
پروژه های تحقیقاتی در حال حاضر آزمایشگاه پارس سیلیکو در قالب دوره های کار آموزی توسط تیم های شش نفره از متقاضیان انجام خواهد شد و تمامی مراحل اجراء پروژه (شامل آموزش، پژوهش، مشاوره، گزارش نتایج و مقاله) توسط یکی از همکاران آزمایشگاه پارس سیلیکو هدایت و مدیریت خواهد شد. پروژه های در حال حاضر آزمایشگاه پارس سیلیکو در زمینه های طراحی دارو، انالیز بیان ژن و بیوانفورماتیک سرطان می باشد.
🔸دوره کارآموزی طراحی دارو
▫️مدت دوره: 2 ماه 20 جلسه
▫️شروع دوره : تیر ماه
🔸دوره کارآموزی انالیز بیان ژن
▫️مدت دوره: 2 ماه 20 جلسه
▫️شروع دوره : تیر ماه
برای اطلاع بیشتر لطفا از طریق شماره تلفن های آزمایشگاه با ما تماس بگیرید
📱موبایل: ۰۹۱۰۶۶۶۵۵۹۰
☎️تلفن : ۰۲۱۸۸۳۴۷۷۲۳
و یا به آدرس زیر مراجعه بفرمایید.👇👇
goo.gl/rLfHqU
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
🔔دوره های آموزشی پروژه محور پارس سیلیکو
پروژه های تحقیقاتی در حال حاضر آزمایشگاه پارس سیلیکو در قالب دوره های کار آموزی توسط تیم های شش نفره از متقاضیان انجام خواهد شد و تمامی مراحل اجراء پروژه (شامل آموزش، پژوهش، مشاوره، گزارش نتایج و مقاله) توسط یکی از همکاران آزمایشگاه پارس سیلیکو هدایت و مدیریت خواهد شد. پروژه های در حال حاضر آزمایشگاه پارس سیلیکو در زمینه های طراحی دارو، انالیز بیان ژن و بیوانفورماتیک سرطان می باشد.
🔸دوره کارآموزی طراحی دارو
▫️مدت دوره: 2 ماه 20 جلسه
▫️شروع دوره : تیر ماه
🔸دوره کارآموزی انالیز بیان ژن
▫️مدت دوره: 2 ماه 20 جلسه
▫️شروع دوره : تیر ماه
برای اطلاع بیشتر لطفا از طریق شماره تلفن های آزمایشگاه با ما تماس بگیرید
📱موبایل: ۰۹۱۰۶۶۶۵۵۹۰
☎️تلفن : ۰۲۱۸۸۳۴۷۷۲۳
و یا به آدرس زیر مراجعه بفرمایید.👇👇
goo.gl/rLfHqU
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
goo.gl/zb6Xuz
🎁پکیج نرمافزاری Open Babel
یک جعبه ابزار کامل در زمینه کموانفورماتیک و طراحی دارو
دارای قابلیت :
تبدیل فرمت های مختلف شیمیایی
مینیمایز کردن ساختار های شیمیای
تبدیل ساختار ها به شکل دو بعدی و سه بعدی
جستجوی شباهت
جستجوی قطعات و ...
این نرم افزار در کارگاه طراحی دارو پیشرفته و دوره کارآموزی طراحی دارو بطور کامل آموزش داده می شود.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
🎁پکیج نرمافزاری Open Babel
یک جعبه ابزار کامل در زمینه کموانفورماتیک و طراحی دارو
دارای قابلیت :
تبدیل فرمت های مختلف شیمیایی
مینیمایز کردن ساختار های شیمیای
تبدیل ساختار ها به شکل دو بعدی و سه بعدی
جستجوی شباهت
جستجوی قطعات و ...
این نرم افزار در کارگاه طراحی دارو پیشرفته و دوره کارآموزی طراحی دارو بطور کامل آموزش داده می شود.
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
OpenBabel-2.4.1.exe
21.9 MB
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
@practicalbioinformatics
goo.gl/mmpd2c
🔔آزمایشگاه پارس سیلیکو اولین آزمایشگاه بیوانفورماتیک ایران و تنها ارایه دهنده خدمات تخصصی بیوانفورماتیک در خاورمیانه برگزار می کند.
🔸کاملترین و جامعترین دوره آموزشی بیوانفورماتیک
✅سرفصل ها:
▫️بیوانفورماتیک مقدماتی
▫️بیوانفورماتیک ساختاری
▫️کموانفورماتیک
▫️داکینگ مولکولی
▫️بایو لینوکس
▫️طراحی پرایمر
▫️شبکه های زیستی
▫️ و...
▪️مدت دوره: 2 ماه 30 جلسه
شروع دوره : نیمه دوم تیر ماه
برای اطلاع بیشتر لطفا از طریق شماره تلفن های آزمایشگاه با ما تماس بگیرید
📱موبایل: ۰۹۱۰۶۶۶۵۵۹۰
☎️تلفن : ۰۲۱۸۸۳۴۷۷۲۳
💎 ParsSilico.com
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
🔔آزمایشگاه پارس سیلیکو اولین آزمایشگاه بیوانفورماتیک ایران و تنها ارایه دهنده خدمات تخصصی بیوانفورماتیک در خاورمیانه برگزار می کند.
🔸کاملترین و جامعترین دوره آموزشی بیوانفورماتیک
✅سرفصل ها:
▫️بیوانفورماتیک مقدماتی
▫️بیوانفورماتیک ساختاری
▫️کموانفورماتیک
▫️داکینگ مولکولی
▫️بایو لینوکس
▫️طراحی پرایمر
▫️شبکه های زیستی
▫️ و...
▪️مدت دوره: 2 ماه 30 جلسه
شروع دوره : نیمه دوم تیر ماه
برای اطلاع بیشتر لطفا از طریق شماره تلفن های آزمایشگاه با ما تماس بگیرید
📱موبایل: ۰۹۱۰۶۶۶۵۵۹۰
☎️تلفن : ۰۲۱۸۸۳۴۷۷۲۳
💎 ParsSilico.com
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
🔔به مادربزرگتان درباره بیوانفورماتیک توضیح دهید!!
▫️داری چی کار میکنی ؟ شرط می بندم که تا به حال این سوالو چند بار از شما پرسیدن. مهم نیست که کجا هستید در یک مهمانی، در حال صحبت با همسایه یا در دیدار خانوادگی!
گفتگو درباره موضوعات علمی با افراد غیر علمی و فاقد تخصص بسیار سخت و اینکه بتوانیم انها را جذب و مشتاق این گفتگو کنیم بسیار مشکل است
اما این کار ناممکن نیست شما این کار را مجبور هستید سال های سال انجام دهید نه تنها با خانواده و دوستان حتی با همکاران خودتان.
بنابراین بهتر است که الان یاد بگیرید. توانایی توضیح دادن کارتان، به دیگران یک مهارت ضروری در علم می باشدجایی که ارتباط داشتن نقش حیاتی ایفا می کند.
در این مقاله که در مجله PLOS Computational Biology انتشار یافته به این سوالات پاسخ میدهد. درباره اینکه چرا مهارت ارتباط برقرار کردن مهم است؟ چگونه میتوان با استفاده از این مهارت ها درگیر فعالیت ها و پروژه ای علمی شد.به شما انگیزه میدهد و برای شما چندین نکته و ایده برای درگیر شدن در فعالیت های علمی ارایه می دهد.
پارس سیلیکو: ** این مقاله جالب به علت عنوان خود مورد سرزنش گروهی از فعالان حقوق زنان قرار گرفته است**
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics
▫️داری چی کار میکنی ؟ شرط می بندم که تا به حال این سوالو چند بار از شما پرسیدن. مهم نیست که کجا هستید در یک مهمانی، در حال صحبت با همسایه یا در دیدار خانوادگی!
گفتگو درباره موضوعات علمی با افراد غیر علمی و فاقد تخصص بسیار سخت و اینکه بتوانیم انها را جذب و مشتاق این گفتگو کنیم بسیار مشکل است
اما این کار ناممکن نیست شما این کار را مجبور هستید سال های سال انجام دهید نه تنها با خانواده و دوستان حتی با همکاران خودتان.
بنابراین بهتر است که الان یاد بگیرید. توانایی توضیح دادن کارتان، به دیگران یک مهارت ضروری در علم می باشدجایی که ارتباط داشتن نقش حیاتی ایفا می کند.
در این مقاله که در مجله PLOS Computational Biology انتشار یافته به این سوالات پاسخ میدهد. درباره اینکه چرا مهارت ارتباط برقرار کردن مهم است؟ چگونه میتوان با استفاده از این مهارت ها درگیر فعالیت ها و پروژه ای علمی شد.به شما انگیزه میدهد و برای شما چندین نکته و ایده برای درگیر شدن در فعالیت های علمی ارایه می دهد.
پارس سیلیکو: ** این مقاله جالب به علت عنوان خود مورد سرزنش گروهی از فعالان حقوق زنان قرار گرفته است**
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics