RSG - Iran
14.04.202519:14
✨اولین رویداد CB Insight از نگاه ریاضی و مهندسی کامپیوتر
🔷 رونویسی به‌عنوان یک مسئله ریاضی
🔹در رونویسی، داده‌ها به‌صورت ماتریس‌های بزرگی از اعداد (بیان ژن‌ها) ظاهر می‌شوند که ترکیبی خطی از سیگنال‌های چند منبع (انواع سلول‌ها) هستند.
.
.
🔹 هدف، جداسازی این سیگنال‌ها از داده‌های مخلوط است، شبیه به مسئله‌ای در جبر خطی که باید مولفه‌های یک ماتریس را به منابع اصلی‌اش تجزیه کنیم. این فرآیند به دکانولوشن معروف است.
.
.
🔹دکانولوشن: یک مسئله پردازش سیگنال است.
دکانولوشن را می‌توان به‌عنوان مسئله‌ای در پردازش سیگنال، مدل کرد. فرض کنید یک سیگنال ترکیبی دارید (مثل صدایی که از چند ساز تولید شده) و می‌خواهید سیگنال هر ساز را جدا کنید. از نظر ریاضی، این کار به حل معادله
♦️Y = A \cdot X + N
نیاز دارد، که در آن:
🔺( Y ):
🔻 داده‌های مخلوط (ماتریس بیان ژن)
🔺( A ):
🔻 ماتریس مشخصات منابع (پروفایل هر نوع سلول)
🔺( X ):
🔻سیگنال‌های اصلی (سهم هر منبع)
🔺( N ):
🔻 نویز
🔹چالش این است که اغلب ( A ) یا تعداد منابع به‌طور دقیق مشخص نیست، بنابراین مسئله نامعین است (مجهولات بیشتر از معادلات)
.
.
🔷 چرا مسئله دشوار است؟
🔹از منظر ریاضی، دکانولوشن یک مسئله معکوس بدحالت (ill-posed) است، زیرا:
داده‌ها نویزی هستند و نویز می‌تواند راه‌حل‌ها را مخدوش کند.تعداد منابع (انواع سلول‌ها) یا پروفایل آنها ناشناخته است. متغیرهای زیاد (ژن‌ها) باعث ابعاد بالای داده‌ها می‌شوند.
.
.
🔷نقش گراف‌ها در مدل‌سازی
🔹ژن‌ها را می‌توان به‌صورت یک گراف مدل کرد: گره‌ها (ژن‌ها) و لبه‌ها (روابط یا همبستگی بین ژن‌ها). این گراف، ساختاری برای داده‌ها فراهم می‌کند، مشابه گراف‌های شبکه‌های اجتماعی. روش‌های سنتی دکانولوشن این ساختار را نادیده می‌گیرند و ژن‌ها را به‌صورت نقاط مستقل در نظر می‌گیرند، که باعث ازدست‌رفتن اطلاعات ارزشمند روابط می‌شود.
.
.
🔷تعریف DeCovarT
🔹رویکردی مبتنی بر گرافDeCovarT با افزودن ساختار گراف به مدل دکانولوشن، مسئله را بهبود می‌بخشد. این روش از ماتریس مجاورت گراف ژنی (که روابط بین ژن‌ها را نشان می‌دهد) به‌عنوان یک قید اضافی استفاده می‌کند. به جای حل مسئله فقط با داده‌های خام، DeCovarT از این قید برای هدایت بهینه‌سازی استفاده می‌کند، مثلاً با کمینه‌کردن یک تابع هزینه که هم تطبیق داده‌ها و هم انطباق با گراف را در نظر می‌گیرد. این شبیه به رگرسیون منظم‌شده (regularized regression) است که اطلاعات ساختاری را به مدل اضافه می‌کند.
.
.
🔷مزیت ریاضی DeCovarT
🔹کاهش نامعینی: ساختار گراف تعداد راه‌حل‌های ممکن را محدود می‌کند و پایداری را افزایش می‌دهد.
🔹بهبود دقت: با درنظرگرفتن روابط بین ژن‌ها، سیگنال‌های جدا شده منطبق‌تر با الگوهای واقعی هستند.
🔹مقاومت در برابر نویز: قید گراف به‌عنوان فیلتری عمل می‌کند که اثرات نویز را کاهش می‌دهد.
.
.
🔷مثال ساده‌شده
🔹فرض کنید یک ماتریس ( Y ) دارید که ترکیبی از دو منبع است. روش‌های قدیمی ممکن است با روش‌هایی مثل تجزیه ماتریس (matrix factorization) عمل کنند، اما بدون توجه به روابط بین متغیرها، نتایج پراکنده یا ناپایداری تولید کنند. DeCovarT با افزودن یک گراف که نشان می‌دهد کدام متغیرها (ژن‌ها) به هم مرتبط‌اند، مدل را به‌سمت راه‌حل‌هایی هدایت می‌کند که از نظر ساختاری معنی‌دارترند. مثلاً، اگر دو ژن همیشه با هم فعال‌اند، گراف این رابطه را تقویت می‌کند.
.
.
🔷کاربرد در مهندسی کامپیوتر
رویکردDeCovarT نمونه‌ای از ترکیب علم گراف و یادگیری ماشین است. این روش از الگوریتم‌های بهینه‌سازی (مثل روش‌های مبتنی بر گرادیان) و تئوری گراف برای حل مسائل با ابعاد بالا و نویزی استفاده می‌کند. کاربردهای مشابهی در حوزه‌هایی مثل تحلیل شبکه‌های اجتماعی، پردازش تصویر، یا سیستم‌های توصیه‌گر وجود دارد، جایی که داده‌ها ساختار شبکه‌ای دارند.
.
.
🔷جمع‌بندی:
🔹رویکرد DeCovarT نشان می‌دهد چگونه مدل‌های ریاضی (گراف‌ها و بهینه‌سازی) و ابزارهای مهندسی کامپیوتر (الگوریتم‌های مقیاس‌پذیر) می‌توانند مسائل پیچیده داده‌محور را حل کنند. این روش با افزودن ساختار گراف به دکانولوشن، دقت و پایداری را بهبود می‌بخشد و راه را برای حل مسائل مشابه در حوزه‌های دیگر باز می‌کند.
🌐برای ثبت‌نام و شرکت در CB Insight کلیک کنید.
🔷 رونویسی به‌عنوان یک مسئله ریاضی
🔹در رونویسی، داده‌ها به‌صورت ماتریس‌های بزرگی از اعداد (بیان ژن‌ها) ظاهر می‌شوند که ترکیبی خطی از سیگنال‌های چند منبع (انواع سلول‌ها) هستند.
.
.
🔹 هدف، جداسازی این سیگنال‌ها از داده‌های مخلوط است، شبیه به مسئله‌ای در جبر خطی که باید مولفه‌های یک ماتریس را به منابع اصلی‌اش تجزیه کنیم. این فرآیند به دکانولوشن معروف است.
.
.
🔹دکانولوشن: یک مسئله پردازش سیگنال است.
دکانولوشن را می‌توان به‌عنوان مسئله‌ای در پردازش سیگنال، مدل کرد. فرض کنید یک سیگنال ترکیبی دارید (مثل صدایی که از چند ساز تولید شده) و می‌خواهید سیگنال هر ساز را جدا کنید. از نظر ریاضی، این کار به حل معادله
♦️Y = A \cdot X + N
نیاز دارد، که در آن:
🔺( Y ):
🔻 داده‌های مخلوط (ماتریس بیان ژن)
🔺( A ):
🔻 ماتریس مشخصات منابع (پروفایل هر نوع سلول)
🔺( X ):
🔻سیگنال‌های اصلی (سهم هر منبع)
🔺( N ):
🔻 نویز
🔹چالش این است که اغلب ( A ) یا تعداد منابع به‌طور دقیق مشخص نیست، بنابراین مسئله نامعین است (مجهولات بیشتر از معادلات)
.
.
🔷 چرا مسئله دشوار است؟
🔹از منظر ریاضی، دکانولوشن یک مسئله معکوس بدحالت (ill-posed) است، زیرا:
داده‌ها نویزی هستند و نویز می‌تواند راه‌حل‌ها را مخدوش کند.تعداد منابع (انواع سلول‌ها) یا پروفایل آنها ناشناخته است. متغیرهای زیاد (ژن‌ها) باعث ابعاد بالای داده‌ها می‌شوند.
.
.
🔷نقش گراف‌ها در مدل‌سازی
🔹ژن‌ها را می‌توان به‌صورت یک گراف مدل کرد: گره‌ها (ژن‌ها) و لبه‌ها (روابط یا همبستگی بین ژن‌ها). این گراف، ساختاری برای داده‌ها فراهم می‌کند، مشابه گراف‌های شبکه‌های اجتماعی. روش‌های سنتی دکانولوشن این ساختار را نادیده می‌گیرند و ژن‌ها را به‌صورت نقاط مستقل در نظر می‌گیرند، که باعث ازدست‌رفتن اطلاعات ارزشمند روابط می‌شود.
.
.
🔷تعریف DeCovarT
🔹رویکردی مبتنی بر گرافDeCovarT با افزودن ساختار گراف به مدل دکانولوشن، مسئله را بهبود می‌بخشد. این روش از ماتریس مجاورت گراف ژنی (که روابط بین ژن‌ها را نشان می‌دهد) به‌عنوان یک قید اضافی استفاده می‌کند. به جای حل مسئله فقط با داده‌های خام، DeCovarT از این قید برای هدایت بهینه‌سازی استفاده می‌کند، مثلاً با کمینه‌کردن یک تابع هزینه که هم تطبیق داده‌ها و هم انطباق با گراف را در نظر می‌گیرد. این شبیه به رگرسیون منظم‌شده (regularized regression) است که اطلاعات ساختاری را به مدل اضافه می‌کند.
.
.
🔷مزیت ریاضی DeCovarT
🔹کاهش نامعینی: ساختار گراف تعداد راه‌حل‌های ممکن را محدود می‌کند و پایداری را افزایش می‌دهد.
🔹بهبود دقت: با درنظرگرفتن روابط بین ژن‌ها، سیگنال‌های جدا شده منطبق‌تر با الگوهای واقعی هستند.
🔹مقاومت در برابر نویز: قید گراف به‌عنوان فیلتری عمل می‌کند که اثرات نویز را کاهش می‌دهد.
.
.
🔷مثال ساده‌شده
🔹فرض کنید یک ماتریس ( Y ) دارید که ترکیبی از دو منبع است. روش‌های قدیمی ممکن است با روش‌هایی مثل تجزیه ماتریس (matrix factorization) عمل کنند، اما بدون توجه به روابط بین متغیرها، نتایج پراکنده یا ناپایداری تولید کنند. DeCovarT با افزودن یک گراف که نشان می‌دهد کدام متغیرها (ژن‌ها) به هم مرتبط‌اند، مدل را به‌سمت راه‌حل‌هایی هدایت می‌کند که از نظر ساختاری معنی‌دارترند. مثلاً، اگر دو ژن همیشه با هم فعال‌اند، گراف این رابطه را تقویت می‌کند.
.
.
🔷کاربرد در مهندسی کامپیوتر
رویکردDeCovarT نمونه‌ای از ترکیب علم گراف و یادگیری ماشین است. این روش از الگوریتم‌های بهینه‌سازی (مثل روش‌های مبتنی بر گرادیان) و تئوری گراف برای حل مسائل با ابعاد بالا و نویزی استفاده می‌کند. کاربردهای مشابهی در حوزه‌هایی مثل تحلیل شبکه‌های اجتماعی، پردازش تصویر، یا سیستم‌های توصیه‌گر وجود دارد، جایی که داده‌ها ساختار شبکه‌ای دارند.
.
.
🔷جمع‌بندی:
🔹رویکرد DeCovarT نشان می‌دهد چگونه مدل‌های ریاضی (گراف‌ها و بهینه‌سازی) و ابزارهای مهندسی کامپیوتر (الگوریتم‌های مقیاس‌پذیر) می‌توانند مسائل پیچیده داده‌محور را حل کنند. این روش با افزودن ساختار گراف به دکانولوشن، دقت و پایداری را بهبود می‌بخشد و راه را برای حل مسائل مشابه در حوزه‌های دیگر باز می‌کند.
🌐برای ثبت‌نام و شرکت در CB Insight کلیک کنید.
29.03.202518:08
🟢 First CB Code Roundtable 🟢
🗓 یکشنبه، دهم فروردین
⏰ ساعت ۲۰
📎 لینک ثبت نام
🗓 یکشنبه، دهم فروردین
⏰ ساعت ۲۰
📎 لینک ثبت نام
09.03.202507:09
⏰ ساعت برگزاری دورهمی: ۱۵ الی ۱۷
📍مکان: دانشگاه صنعتی شریف، دانشکده مهندسی کامپیوتر، سالن آمفی تئاتر خوارزمی، طبقه‌‌ی ۴
📍مکان: دانشگاه صنعتی شریف، دانشکده مهندسی کامپیوتر، سالن آمفی تئاتر خوارزمی، طبقه‌‌ی ۴
19.02.202518:41
استنتاج ارتولوژی چیست؟
📌استنتاج ارتولوژی برای فهم روابط تکاملی بین ژن‌ها در گونه‌های مختلف بسیار مهم است. ژن‌های ارتولوگ آن‌هایی هستند که از یک اجداد مشترک از طریق یک رویداد گونه‌زایی منشأ گرفته‌اند، و شناسایی این ژن‌ها به حاشیه‌نویسی عملکردی در میان گونه‌ها کمک می‌کند.
📎FastOMA:
ابزار قدرتمندی است که برای انجام استنباط ارثولوژی در مقیاس بزرگ طراحی شده است.
📎مقیاس پذیری:
ابزار FastOMA به چالش مقیاس‌پذیری در استنتاج ارتولوژی می‌پردازد. روش‌های قدیمی با مجموعه داده‌های بزرگ مقابله می‌کنند اما FastOMA می‌تواند هزاران ژنوم یوکاریوتی را در یک روز مدیریت کند. این امر از طریق ترکیبی از الگوریتم‌های کارآمد و محاسبات موازی به دست می‌آید.
📎 دقت و وضوح:
علیرغم سرعت، FastOMA دقت و وضوح بالایی را حفظ می‌کند، شبیه به رویکرد ماتریس ارتولوگ (OMA) به خوبی تثبیت شده است که اطمینان می‌دهد که ارتولوگ‌های استنباط شده قابل اعتماد هستند و می‌توانند برای تجزیه و تحلیل‌های مختلف پایین دست استفاده شوند.
📎 الگوریتم:
ابزار FastOMA بازنویسی کاملی از الگوریتم OMA است که از ابتدا بر مقیاس پذیری تمرکز دارد که از چندین تکنیک ابتکاری استفاده می‌کند:
🔤 خوشه‌بندی همسانی فوق سریع: با استفاده از k-mers، FastOMA توالی‌های همولوگ را به سرعت خوشه‌بندی می‌کند.
🔤نمونه‌گیری فرعی با هدایت تاکسونومی: این تکنیک به کاهش اندازه مجموعه داده‌ها بدون به خطر انداختن دقت استنتاج ارتولوژی کمک می‌کند.
🔤محاسبات موازی: FastOMA به‌طور موثر از محاسبات موازی برای پردازش سریع‌تر مجموعه داده‌های بزرگ استفاده می‌کند.
🔤 برنامه‌های کاربردی:
توانایی FastOMA برای شناسایی سیستماتیک ارتولوگ‌ها، چندین تحلیل پایین دستی را امکان پذیر می‌کند، از جمله:
🔣انتشار حاشیه نویسی
🔣 فیلوژنومیکس
🔣پروفایل فیلوژنتیکی
این برنامه‌ها برای درک روابط تکاملی و حاشیه نویسی‌های عملکردی در گونه‌های مختلف ضروری هستند.
🔤 در دسترس بودن
ابزار FastOMA در GitHub در دسترس است و برای محققان و توسعه دهندگان قابل دسترسی است. پژوهشگران می‌توانند از آن برای مطالعات ژنومی خود استفاده کنند و حتی به توسعه آن کمک کنند.
✔️ ابزار FastOMA با بهبود چشمگیر سرعت و مقیاس پذیری فرآیند بدون از بین بردن دقت، استنتاج ارثولوژی را متحول می‌سازد. این ابزار قدرتمندی برای مطالعات مقایسه‌ای ژنومیکس در مقیاس بزرگ است که به محققان این امکان را می‌دهد تا یافته‌های معناداری را از مجموعه داده‌های ژنومی گسترده به دست آورند.
🖼LinkedIn
🚀Telegram
🖼Instagram
📌استنتاج ارتولوژی برای فهم روابط تکاملی بین ژن‌ها در گونه‌های مختلف بسیار مهم است. ژن‌های ارتولوگ آن‌هایی هستند که از یک اجداد مشترک از طریق یک رویداد گونه‌زایی منشأ گرفته‌اند، و شناسایی این ژن‌ها به حاشیه‌نویسی عملکردی در میان گونه‌ها کمک می‌کند.
📎FastOMA:
ابزار قدرتمندی است که برای انجام استنباط ارثولوژی در مقیاس بزرگ طراحی شده است.
📎مقیاس پذیری:
ابزار FastOMA به چالش مقیاس‌پذیری در استنتاج ارتولوژی می‌پردازد. روش‌های قدیمی با مجموعه داده‌های بزرگ مقابله می‌کنند اما FastOMA می‌تواند هزاران ژنوم یوکاریوتی را در یک روز مدیریت کند. این امر از طریق ترکیبی از الگوریتم‌های کارآمد و محاسبات موازی به دست می‌آید.
📎 دقت و وضوح:
علیرغم سرعت، FastOMA دقت و وضوح بالایی را حفظ می‌کند، شبیه به رویکرد ماتریس ارتولوگ (OMA) به خوبی تثبیت شده است که اطمینان می‌دهد که ارتولوگ‌های استنباط شده قابل اعتماد هستند و می‌توانند برای تجزیه و تحلیل‌های مختلف پایین دست استفاده شوند.
📎 الگوریتم:
ابزار FastOMA بازنویسی کاملی از الگوریتم OMA است که از ابتدا بر مقیاس پذیری تمرکز دارد که از چندین تکنیک ابتکاری استفاده می‌کند:
🔤 خوشه‌بندی همسانی فوق سریع: با استفاده از k-mers، FastOMA توالی‌های همولوگ را به سرعت خوشه‌بندی می‌کند.
🔤نمونه‌گیری فرعی با هدایت تاکسونومی: این تکنیک به کاهش اندازه مجموعه داده‌ها بدون به خطر انداختن دقت استنتاج ارتولوژی کمک می‌کند.
🔤محاسبات موازی: FastOMA به‌طور موثر از محاسبات موازی برای پردازش سریع‌تر مجموعه داده‌های بزرگ استفاده می‌کند.
🔤 برنامه‌های کاربردی:
توانایی FastOMA برای شناسایی سیستماتیک ارتولوگ‌ها، چندین تحلیل پایین دستی را امکان پذیر می‌کند، از جمله:
🔣انتشار حاشیه نویسی
🔣 فیلوژنومیکس
🔣پروفایل فیلوژنتیکی
این برنامه‌ها برای درک روابط تکاملی و حاشیه نویسی‌های عملکردی در گونه‌های مختلف ضروری هستند.
🔤 در دسترس بودن
ابزار FastOMA در GitHub در دسترس است و برای محققان و توسعه دهندگان قابل دسترسی است. پژوهشگران می‌توانند از آن برای مطالعات ژنومی خود استفاده کنند و حتی به توسعه آن کمک کنند.
✔️ ابزار FastOMA با بهبود چشمگیر سرعت و مقیاس پذیری فرآیند بدون از بین بردن دقت، استنتاج ارثولوژی را متحول می‌سازد. این ابزار قدرتمندی برای مطالعات مقایسه‌ای ژنومیکس در مقیاس بزرگ است که به محققان این امکان را می‌دهد تا یافته‌های معناداری را از مجموعه داده‌های ژنومی گسترده به دست آورند.
🚀Telegram
Kirishning iloji bo'lmadi
media kontentga
media kontentga
21.01.202514:02
⁉️ گام به گام اپلای در پروژه‌های پژوهشی رایازی!
برای اینکه در یکی از ۶ پروژه‌ی پژوهشی رایازی اپلای کنید
ابتدا از این صفحه توضیحات پروژه‌ها رو به دقت بخونید و پروژه‌ای که موردعلاقه‌تون هست رو پیدا کنید.
👆سپس روی
apply for this project
کلیک کنید
و در دو مرحله‌ی بعدی
روی open application form
کلیک کنید
و به سوالاتی که در اپلیکیشن فرم ازتون پرسیده میشه پاسخ بدید.
✉️ پاسخ شما به این سوالات معیار سنجش توانایی شماست
برای اینکه در یکی از ۶ پروژه‌ی پژوهشی رایازی اپلای کنید
ابتدا از این صفحه توضیحات پروژه‌ها رو به دقت بخونید و پروژه‌ای که موردعلاقه‌تون هست رو پیدا کنید.
👆سپس روی
apply for this project
کلیک کنید
و در دو مرحله‌ی بعدی
روی open application form
کلیک کنید
و به سوالاتی که در اپلیکیشن فرم ازتون پرسیده میشه پاسخ بدید.
✉️ پاسخ شما به این سوالات معیار سنجش توانایی شماست
03.04.202514:04
🌐 Systems & Network Biology
🔹 زیست‌شناسی شبکه و سامانه‌ها؛ شاخه‌ای جذاب از بیوانفورماتیک است که به مطالعه سیستم‌های بیولوژیکی پیچیده از طریق یک رویکرد جامع می‌پردازد. با ادغام فناوری‌های مختلف "اُمیک"، مانند ترنسکریپتومیکس، گلیکومیکس و لیپیدومیکس، پژوهشگران می‌توانند تعاملات پیچیده بین مولکول‌های بیولوژیکی را تحلیل کنند. این حوزه چندرشته‌ای به دانشمندان این امکان را می‌دهد تا بررسی کنند چگونه این تعاملات بر عملکرد سلولی تأثیر می‌گذارد و به رفتار کلی موجودات زنده کمک می‌کند.
🔹 در قلب زیست‌شناسی سامانه‌ها، مطالعه شبکه‌های تعاملات بین موجودات مختلف وجود دارد که شامل ژن‌ها، پروتئین‌ها، متابولیت‌ها و سایر مولکول‌هایی است که برای حفظ زندگی با یکدیگر ارتباط برقرار می‌کنند و همکاری می‌کنند. با بررسی این شبکه‌ها، پژوهشگران می‌توانند کشف کنند که تغییرات در یک مؤلفه چگونه می‌تواند بر کل سیستم تأثیر بگذارد و به بینش‌هایی درباره مکانیزم‌های بیماری، مسیرهای متابولیکی و پاسخ‌های سلولی به تغییرات محیطی منجر شود.
🔹 کاربردهای زیست‌شناسی سامانه‌ها بسیار گسترده و تأثیرگذار است. در پژوهش‌های پزشکی، به عنوان مثال، درک تعاملات پیچیده در سیستم‌های بیولوژیکی می‌تواند به شناسایی اهداف درمانی و نشانگرهای جدید برای بیماری‌ها کمک کند. علاوه بر این، این رویکرد می‌تواند درک ما از تعاملات دارویی را بهبود بخشد و به توسعه استراتژی‌های درمانی مؤثرتر که برای شرایط هر بیمار تطبیق داده شده‌اند، یاری رساند.
🔹 با پیشرفت فناوری، این حوزه نیز همچنان در حال تحول است. با ظهور داده‌های کلان و ابزارهای محاسباتی پیشرفته، پژوهشگران اکنون قادرند مقادیر زیادی از داده‌های بیولوژیکی را به طور مؤثرتری تحلیل کنند. این پیشرفت نه تنها درک ما از پیچیدگی‌های زندگی را افزایش می‌دهد، بلکه راه را برای راه‌حل‌های نوآورانه در حوزه‌های بهداشت، کشاورزی و حفاظت از محیط زیست هموار می‌کند.
🔗 Telegram
🔗 LinkedIn
🔗 Instagram
🔹 زیست‌شناسی شبکه و سامانه‌ها؛ شاخه‌ای جذاب از بیوانفورماتیک است که به مطالعه سیستم‌های بیولوژیکی پیچیده از طریق یک رویکرد جامع می‌پردازد. با ادغام فناوری‌های مختلف "اُمیک"، مانند ترنسکریپتومیکس، گلیکومیکس و لیپیدومیکس، پژوهشگران می‌توانند تعاملات پیچیده بین مولکول‌های بیولوژیکی را تحلیل کنند. این حوزه چندرشته‌ای به دانشمندان این امکان را می‌دهد تا بررسی کنند چگونه این تعاملات بر عملکرد سلولی تأثیر می‌گذارد و به رفتار کلی موجودات زنده کمک می‌کند.
🔹 در قلب زیست‌شناسی سامانه‌ها، مطالعه شبکه‌های تعاملات بین موجودات مختلف وجود دارد که شامل ژن‌ها، پروتئین‌ها، متابولیت‌ها و سایر مولکول‌هایی است که برای حفظ زندگی با یکدیگر ارتباط برقرار می‌کنند و همکاری می‌کنند. با بررسی این شبکه‌ها، پژوهشگران می‌توانند کشف کنند که تغییرات در یک مؤلفه چگونه می‌تواند بر کل سیستم تأثیر بگذارد و به بینش‌هایی درباره مکانیزم‌های بیماری، مسیرهای متابولیکی و پاسخ‌های سلولی به تغییرات محیطی منجر شود.
🔹 کاربردهای زیست‌شناسی سامانه‌ها بسیار گسترده و تأثیرگذار است. در پژوهش‌های پزشکی، به عنوان مثال، درک تعاملات پیچیده در سیستم‌های بیولوژیکی می‌تواند به شناسایی اهداف درمانی و نشانگرهای جدید برای بیماری‌ها کمک کند. علاوه بر این، این رویکرد می‌تواند درک ما از تعاملات دارویی را بهبود بخشد و به توسعه استراتژی‌های درمانی مؤثرتر که برای شرایط هر بیمار تطبیق داده شده‌اند، یاری رساند.
🔹 با پیشرفت فناوری، این حوزه نیز همچنان در حال تحول است. با ظهور داده‌های کلان و ابزارهای محاسباتی پیشرفته، پژوهشگران اکنون قادرند مقادیر زیادی از داده‌های بیولوژیکی را به طور مؤثرتری تحلیل کنند. این پیشرفت نه تنها درک ما از پیچیدگی‌های زندگی را افزایش می‌دهد، بلکه راه را برای راه‌حل‌های نوآورانه در حوزه‌های بهداشت، کشاورزی و حفاظت از محیط زیست هموار می‌کند.
🔗 Telegram
08.03.202521:50
خبر داغ 🔥📣
گروه تلگرامی RSG ایران راه‌اندازی شد! 🎉
💬 جامعه‌ای پویا برای دانشجویان، پژوهشگران و متخصصان زیست‌شناسی محاسباتی.
اینجا می‌توانید در مورد آخرین مقالات بحث کنید، سوالات خود را بپرسید، به دنبال همکار بگردید و از فرصت‌های شغلی مطلع شوید.
فضایی برای یادگیری، رشد و ارتباط!
همین حالا به RSG Iran Community بپیوندید. ✨️
🚀Telegram
🖼LinkedIn
🖼Instagram
گروه تلگرامی RSG ایران راه‌اندازی شد! 🎉
💬 جامعه‌ای پویا برای دانشجویان، پژوهشگران و متخصصان زیست‌شناسی محاسباتی.
اینجا می‌توانید در مورد آخرین مقالات بحث کنید، سوالات خود را بپرسید، به دنبال همکار بگردید و از فرصت‌های شغلی مطلع شوید.
فضایی برای یادگیری، رشد و ارتباط!
همین حالا به RSG Iran Community بپیوندید. ✨️
🚀Telegram
10.02.202512:34
✔️ دکتر Ali Sharifi Zarchi
🔗 عضو هیئت‌علمی هوش‌مصنوعی و بیوانفورماتیک، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف
⭐️ زمینه‌های پژوهشی:
🔗توسعه الگوریتم‌ها و روش‌های نوین در حوزه بیوانفورماتیک و هوش‌مصنوعی برای کاربردهای پزشکی و صنعتی
🔗تحلیل داده‌های زیستی پیشرفته و دستیابی به بینش‌های کلیدی از داده‌های مولکولی و ژنتیکی
🔗استفاده از هوش‌مصنوعی در بهبود فرآیندهای تشخیصی و درمانی
⭐️ سوابق علمی و صنعتی:
🔗ریاست کمیته علمی بین‌المللی المپیاد انفورماتیک (IOI)
🔗عضویت در کمیته علمی بین‌المللی المپیاد هوش مصنوعی
🔗سرپرست آزمایشگاه بیوانفورماتیک در انستیتو رویان
⭐️ سوابق تحصیلی:
🔗پژوهشگر پسادکترا در Colorado State University
🔗پژوهشگر Max Planck Institute for Molecular Biomedicine
🔗دکترای بیوانفورماتیک از دانشگاه تهران
🔗کارشناسی ارشد و کارشناسی مهندسی کامپیوتر از دانشگاه صنعتی شریف
🖥لینک ثبت‌نام
#HBC2025
🔗 عضو هیئت‌علمی هوش‌مصنوعی و بیوانفورماتیک، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف
⭐️ زمینه‌های پژوهشی:
🔗توسعه الگوریتم‌ها و روش‌های نوین در حوزه بیوانفورماتیک و هوش‌مصنوعی برای کاربردهای پزشکی و صنعتی
🔗تحلیل داده‌های زیستی پیشرفته و دستیابی به بینش‌های کلیدی از داده‌های مولکولی و ژنتیکی
🔗استفاده از هوش‌مصنوعی در بهبود فرآیندهای تشخیصی و درمانی
⭐️ سوابق علمی و صنعتی:
🔗ریاست کمیته علمی بین‌المللی المپیاد انفورماتیک (IOI)
🔗عضویت در کمیته علمی بین‌المللی المپیاد هوش مصنوعی
🔗سرپرست آزمایشگاه بیوانفورماتیک در انستیتو رویان
⭐️ سوابق تحصیلی:
🔗پژوهشگر پسادکترا در Colorado State University
🔗پژوهشگر Max Planck Institute for Molecular Biomedicine
🔗دکترای بیوانفورماتیک از دانشگاه تهران
🔗کارشناسی ارشد و کارشناسی مهندسی کامپیوتر از دانشگاه صنعتی شریف
🖥لینک ثبت‌نام
#HBC2025
19.01.202513:27
📣 همراهان محترم RSG-Iran
🔴 به علت مشکلات فنی، ژورنال کلاب امشب، ۳۰ دی (۱۹ ژانویه)، برگزار نمی‌شود.
⌛ تاریخ برگزاری متعاقبا اعلام خواهد شد.
🔴 به علت مشکلات فنی، ژورنال کلاب امشب، ۳۰ دی (۱۹ ژانویه)، برگزار نمی‌شود.
⌛ تاریخ برگزاری متعاقبا اعلام خواهد شد.
02.04.202516:00
🧬 Structural & Molecular Bioinformatics
🔹بیوانفورماتیک ساختاری؛ نخستین تلاش عمده‌ای بود که اصول و دانش پایه‌ای بیوانفورماتیک را به سوالات متمرکز بر ساختار ماکرومولکولی، مانند پیش‌بینی ساختار پروتئین و چگونگی عملکرد پروتئین‌ها در سلول‌ها، به کار گرفت. این حوزه به ما کمک می‌کند تا بفهمیم چگونه می‌توان با استفاده از بیوانفورماتیک به مسائل علوم زندگی پرداخته و بهبودهای قابل توجهی در مراقبت‌های بهداشتی ایجاد کنیم، به ویژه در تسریع کشف و توسعه داروها.
🔹کتابNature Structural & Molecular Biology، به ویژه نسخه اول، به عنوان منابع آموزشی در دوره‌های تحصیلات تکمیلی و کارشناسی در دانشگاه‌ها مورد استفاده گسترده قرار گرفت. این کتاب به بررسی نظریه‌ها، الگوریتم‌ها، منابع و ابزارهای مورد استفاده در تحلیل، پیش‌بینی و مبانی نظری DNA، RNA و پروتئین‌ها می‌پردازد. این رویکرد به دانشجویان و پژوهشگران کمک می‌کند تا درک عمیق‌تری از ساختار و عملکرد مولکول‌های بیولوژیکی پیدا کنند.
🔹با پیشرفت‌های مداوم در بیوانفورماتیک ساختاری و مولکولی، این حوزه به طور فزاینده‌ای در حال تبدیل شدن به یک ابزار کلیدی در پژوهش‌های علمی و پزشکی است. این پیشرفت‌ها نه تنها به ما در درک بهتر ساختار و عملکرد مولکول‌های زیستی کمک می‌کند، بلکه می‌تواند به توسعه داروهای جدید و بهبود استراتژی‌های درمانی منجر شود.
🔗 Telegram
🔗 LinkedIn
🔗 Instagram
🔹بیوانفورماتیک ساختاری؛ نخستین تلاش عمده‌ای بود که اصول و دانش پایه‌ای بیوانفورماتیک را به سوالات متمرکز بر ساختار ماکرومولکولی، مانند پیش‌بینی ساختار پروتئین و چگونگی عملکرد پروتئین‌ها در سلول‌ها، به کار گرفت. این حوزه به ما کمک می‌کند تا بفهمیم چگونه می‌توان با استفاده از بیوانفورماتیک به مسائل علوم زندگی پرداخته و بهبودهای قابل توجهی در مراقبت‌های بهداشتی ایجاد کنیم، به ویژه در تسریع کشف و توسعه داروها.
🔹کتابNature Structural & Molecular Biology، به ویژه نسخه اول، به عنوان منابع آموزشی در دوره‌های تحصیلات تکمیلی و کارشناسی در دانشگاه‌ها مورد استفاده گسترده قرار گرفت. این کتاب به بررسی نظریه‌ها، الگوریتم‌ها، منابع و ابزارهای مورد استفاده در تحلیل، پیش‌بینی و مبانی نظری DNA، RNA و پروتئین‌ها می‌پردازد. این رویکرد به دانشجویان و پژوهشگران کمک می‌کند تا درک عمیق‌تری از ساختار و عملکرد مولکول‌های بیولوژیکی پیدا کنند.
🔹با پیشرفت‌های مداوم در بیوانفورماتیک ساختاری و مولکولی، این حوزه به طور فزاینده‌ای در حال تبدیل شدن به یک ابزار کلیدی در پژوهش‌های علمی و پزشکی است. این پیشرفت‌ها نه تنها به ما در درک بهتر ساختار و عملکرد مولکول‌های زیستی کمک می‌کند، بلکه می‌تواند به توسعه داروهای جدید و بهبود استراتژی‌های درمانی منجر شود.
🔗 Telegram
26.03.202517:23
🟢 First CB Code: A Review 🟢
➕ شاخه‌ی دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران با همکاری پلتفرم آنلیم، آبان ماه ۱۴۰۳ مسابقه CB Code را با هدف تمرین برنامه‌نویسی و استفاده کاربردی از اطلاعات زیست‌شناسی برای علاقمندان و فعالان حوزه زیست محاسباتی برگزار کرد.
➕ هدف اصلی برگزاری این مسابقات، افزایش شور و نشاط در بدنه دانشجویان ایران، و آشنایی بیشتر افراد و علاقه‌مندان حوزه مهندسی و زیست‌شناسی است.
➕ به همین منظور، دهم فروردین ماه جلسه‌ای برای بررسی سوالات و سبک مسابقه CB Code به‌صورت آنلاین برگزار خواهد شد.
🔗 لینک ثبت‌نام در این رویداد به زودی در همین کانال منتشر خواهد شد.
➕ شاخه‌ی دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران با همکاری پلتفرم آنلیم، آبان ماه ۱۴۰۳ مسابقه CB Code را با هدف تمرین برنامه‌نویسی و استفاده کاربردی از اطلاعات زیست‌شناسی برای علاقمندان و فعالان حوزه زیست محاسباتی برگزار کرد.
➕ هدف اصلی برگزاری این مسابقات، افزایش شور و نشاط در بدنه دانشجویان ایران، و آشنایی بیشتر افراد و علاقه‌مندان حوزه مهندسی و زیست‌شناسی است.
➕ به همین منظور، دهم فروردین ماه جلسه‌ای برای بررسی سوالات و سبک مسابقه CB Code به‌صورت آنلاین برگزار خواهد شد.
🔗 لینک ثبت‌نام در این رویداد به زودی در همین کانال منتشر خواهد شد.
20.03.202509:01
❤️ Persian New Year!
☀️ March 20,2025
چون ابر به نوروز، رُخ لاله بِشُست
برخیز و به جامِ باده کُن عزمِ درست
کاین سبزه که امروز تماشاگهِ توست
فردا همه از خاکِ تو بَرخواهد رُست...
#خیام_نیشابوری
✨ نوروزِ باستانی بر همه‌ی فارسی‌زبانان جهان مبارک باد
💚🤍❤️
🥳 شاخه دانشجویی انجمن زیست محاسباتی ایران سالی همراه با سلامتی و روشن و پرفروغ بودن چراغ دانش را برای شما فعالان و علاقه‌مندان حوزه زیست محاسباتی آرزومند است.
✨ به امید درخشش هرچه بیشتر دانشمندان زیست محاسباتی ایران عزیزمان در جهان.
🤩 منتظر ویژه برنامه‌های ما در ایام نوروز باشید.
Telegram
LinkedIn
Instagram
☀️ March 20,2025
چون ابر به نوروز، رُخ لاله بِشُست
برخیز و به جامِ باده کُن عزمِ درست
کاین سبزه که امروز تماشاگهِ توست
فردا همه از خاکِ تو بَرخواهد رُست...
#خیام_نیشابوری
✨ نوروزِ باستانی بر همه‌ی فارسی‌زبانان جهان مبارک باد
💚🤍❤️
🥳 شاخه دانشجویی انجمن زیست محاسباتی ایران سالی همراه با سلامتی و روشن و پرفروغ بودن چراغ دانش را برای شما فعالان و علاقه‌مندان حوزه زیست محاسباتی آرزومند است.
✨ به امید درخشش هرچه بیشتر دانشمندان زیست محاسباتی ایران عزیزمان در جهان.
🤩 منتظر ویژه برنامه‌های ما در ایام نوروز باشید.
Telegram
08.03.202516:16
🔤 در ۸ مارس، ما روز جهانی زن را جشن می‌گیریم روزی برای به رسمیت شناختن دستاوردها، انعطاف‌پذیری و شکست‌ناپذیری زنان در سراسر جهان. وقتی صحبت از عرصه علم می شود، زنان علیرغم مواجهه با موانع و سختی‌های فراوان، سهم قابل توجهی داشته‌اند.
.
.
😢 از نظر تاریخی، زنان به طور سیستماتیک از جوامع علمی کنار گذاشته شده اند، از دسترسی به آموزش محروم شده‌اند و در محیط‌های حرفه‌ای به حاشیه رانده شده‌اند.
.
.
🧬 داستان روزالیند فرانکلین، که نقشی تعیین کننده در کشف ساختار DNA ایفا کرد، یک نمونه تلخ است. علیرغم مشارکت‌های اثرگذار او، کار فرانکلین تا حد زیادی تحت الشعاع همکاران مردش، واتسون و کریک قرار گرفت، که بیشتر از این کشف به رسمیت شناخته شدند.
.
.
👩🏻🔬 ماری کوری، یکی دیگر از دانشمندان پیشگام، در جستجوی دانش با چالش‌های عظیمی روبرو شد؛ کوری اولین زنی بود که برنده جایزه نوبل شد، اما با هنجارهای اجتماعی که زنان را از شرکت در تحقیقات علمی منصرف می‌کرد مبارزه کرد. فداکاری بی‌حد و اندازه او منجر به اکتشافات پیشگامانه در زمینه رادیواکتیویته شد و در نهایت مسیر علم را برای همیشه تغییر داد.
.
.
💶 در دوران معاصر، زنان همچنان با تعصب جنسیتی، تفاوت در پرداخت حقوق و عدم نمایندگی در پست‌های مدیریتی در نهادهای علمی مواجه هستند. علیرغم این چالش‌ها، زنان در علم استقامت کرده‌اند، مرزها را کنار زده‌اند و آنچه ممکن است را بازتعریف کرده‌اند. برنامه‌ها و ابتکارات با هدف ارتقای برابری جنسیتی و توانمندسازی زنان در زمینه‌های STEM (علوم، فناوری، مهندسی و ریاضیات) شتاب بیشتری گرفته است و فرصت‌های بیشتری را برای زنان ایجاد می‌کند تا در مشاغل انتخابی خود شکوفا شوند.
.
.
💻 یکی از حوزه‌های علمی که زنان در آن پیشرفت‌های چشمگیری داشته‌اند، بیوانفورماتیک است - رشته‌ای که زیست‌شناسی، علوم رایانه و فناوری اطلاعات را برای تجزیه و تحلیل و تفسیر داده‌های بیولوژیکی ترکیب می‌کند. طبق آمارهای اخیر، زنان تقریباً ۳۸٪ درصد از نیروی کار در بیوانفورماتیک را تشکیل می دهند. در حالی که این درصد نشان دهنده پیشرفت است، همچنین بر نیاز به تلاش‌های مداوم برای دستیابی به برابری جنسیتی در این زمینه تاکید می‌کند.
.
.
💊زنان در بیوانفورماتیک به پیشرفت‌هایی در پزشکی شخصی، ژنومیک و مدل‌سازی بیماری کمک کرده‌اند. کار آنها راه را برای رویکردهای نوآورانه برای درک سیستم های پیچیده بیولوژیکی و پرداختن به چالش‌های حیاتی سلامت هموار کرده است.
.
.
🥳 در حالی که روز جهانی زن را جشن می گیریم، قدردانی و ارج نهادن به سهم ارزشمند زنان در علم و در عین حال شناخت چالش‌های مداومی که آنها با آن روبرو هستند ضروری است.
👩🏻🔬 بیایید به حمایت و ارتقای جایگاه زنان که آینده علم را می‌سازند، ادامه دهیم 💪👩🔬
🚀Telegram
🖼 LinkedIn
🖼 Instagram
.
.
😢 از نظر تاریخی، زنان به طور سیستماتیک از جوامع علمی کنار گذاشته شده اند، از دسترسی به آموزش محروم شده‌اند و در محیط‌های حرفه‌ای به حاشیه رانده شده‌اند.
.
.
🧬 داستان روزالیند فرانکلین، که نقشی تعیین کننده در کشف ساختار DNA ایفا کرد، یک نمونه تلخ است. علیرغم مشارکت‌های اثرگذار او، کار فرانکلین تا حد زیادی تحت الشعاع همکاران مردش، واتسون و کریک قرار گرفت، که بیشتر از این کشف به رسمیت شناخته شدند.
.
.
👩🏻🔬 ماری کوری، یکی دیگر از دانشمندان پیشگام، در جستجوی دانش با چالش‌های عظیمی روبرو شد؛ کوری اولین زنی بود که برنده جایزه نوبل شد، اما با هنجارهای اجتماعی که زنان را از شرکت در تحقیقات علمی منصرف می‌کرد مبارزه کرد. فداکاری بی‌حد و اندازه او منجر به اکتشافات پیشگامانه در زمینه رادیواکتیویته شد و در نهایت مسیر علم را برای همیشه تغییر داد.
.
.
💶 در دوران معاصر، زنان همچنان با تعصب جنسیتی، تفاوت در پرداخت حقوق و عدم نمایندگی در پست‌های مدیریتی در نهادهای علمی مواجه هستند. علیرغم این چالش‌ها، زنان در علم استقامت کرده‌اند، مرزها را کنار زده‌اند و آنچه ممکن است را بازتعریف کرده‌اند. برنامه‌ها و ابتکارات با هدف ارتقای برابری جنسیتی و توانمندسازی زنان در زمینه‌های STEM (علوم، فناوری، مهندسی و ریاضیات) شتاب بیشتری گرفته است و فرصت‌های بیشتری را برای زنان ایجاد می‌کند تا در مشاغل انتخابی خود شکوفا شوند.
.
.
💻 یکی از حوزه‌های علمی که زنان در آن پیشرفت‌های چشمگیری داشته‌اند، بیوانفورماتیک است - رشته‌ای که زیست‌شناسی، علوم رایانه و فناوری اطلاعات را برای تجزیه و تحلیل و تفسیر داده‌های بیولوژیکی ترکیب می‌کند. طبق آمارهای اخیر، زنان تقریباً ۳۸٪ درصد از نیروی کار در بیوانفورماتیک را تشکیل می دهند. در حالی که این درصد نشان دهنده پیشرفت است، همچنین بر نیاز به تلاش‌های مداوم برای دستیابی به برابری جنسیتی در این زمینه تاکید می‌کند.
.
.
💊زنان در بیوانفورماتیک به پیشرفت‌هایی در پزشکی شخصی، ژنومیک و مدل‌سازی بیماری کمک کرده‌اند. کار آنها راه را برای رویکردهای نوآورانه برای درک سیستم های پیچیده بیولوژیکی و پرداختن به چالش‌های حیاتی سلامت هموار کرده است.
.
.
🥳 در حالی که روز جهانی زن را جشن می گیریم، قدردانی و ارج نهادن به سهم ارزشمند زنان در علم و در عین حال شناخت چالش‌های مداومی که آنها با آن روبرو هستند ضروری است.
👩🏻🔬 بیایید به حمایت و ارتقای جایگاه زنان که آینده علم را می‌سازند، ادامه دهیم 💪👩🔬
🚀Telegram
27.01.202517:04
🔥سالی یه باره! از دستش ندی یه وقت ...
💯 ۲۵و۲۶ بهمن، #HBC2025
🎯منتظر اخبار بیشتر باشید
💯 ۲۵و۲۶ بهمن، #HBC2025
🎯منتظر اخبار بیشتر باشید
15.10.202417:31
☄️ سرطان دیگر یک بیماری ناشناخته و پیچیده نیست!
📈با پیشرفت در علم، اکنون در مسیری هستیم که می‌توانیم نقشه ژنتیکی تومورها را دقیق‌تر از همیشه
رمزگشایی کنیم.
✔️اما باید توجه داشت با حجم عظیم داده‌های ژنتیکی و بالینی که در اختیار محققان است، توانایی تحلیل و درک این داده‌ها بدون استفاده از الگوریتم‌ها و ابزارهای محاسباتی تقریبا غیرممکن است.
❓ در ششمین cb talk، به بررسی ضرورت استفاده از زیست‌شناسی محاسباتی در تحقیقات سرطان خواهیم پرداخت و به شما نشان خواهیم داد که چگونه این رویکرد نوآورانه می‌تواند مسیر جدیدی در درمان سرطان ایجاد کند.
📣با سخنرانان ششمین cb talk بیشتر آشنا شوید:
💡 دکتر حسام منتظری، استادیار بیوانفورماتیک ibb، بر مدل‌های آماری و یادگیری ماشین در کشف ژن‌های سرطان‌زا و شناسایی ارتباطات سلولی در سرطان تمرکز دارد.
✅ در این سخنرانی، دکتر منتظری به بررسی روش‌های محاسباتی برای شناسایی عوامل محرک سرطان می‌پردازد. او با استفاده از یادگیری ماشین و مدل‌های ژنتیکی پیشرفته، ابزارهایی را معرفی می‌کند که می‌توانند ژن‌های دخیل در ایجاد سرطان را شناسایی کند.
💡دکتر محبوبه ضرابی، دانشیار گروه بیوتکنولوژی دانشگاه الزهرا، بر استفاده از بیوانفورماتیک ساختاری برای مطالعه پروتئین‌ها و تعاملات مولکولی در سرطان تمرکز دارد و به بررسی ساختارهای پروتئینی برای بهبود درمان‌های هدفمند سرطان می‌پردازد.
در این سخنرانی دکتر ضرابی به روش های استفاده از بیوانفورماتیک ساختاری برای بررسی تعاملات مولکولی در سرطان می‌پردازد.
💬 در این cb talk که به‌صورت هیبرید برگزار می‌شود منتظر حضور شما هستیم؛
🔴آنلاین: در بستر اسکای روم
🔴حضوری: در سالن ۱۷ شهریور دانشگاه خوارزمی
🔗 ثبت‌نام حضوری و آنلاین در این برنامه از طریق سایت رایازی قابل ثبت است.
🚀Telegram
🖼LinkedIn
🖼Instagram
📈با پیشرفت در علم، اکنون در مسیری هستیم که می‌توانیم نقشه ژنتیکی تومورها را دقیق‌تر از همیشه
رمزگشایی کنیم.
✔️اما باید توجه داشت با حجم عظیم داده‌های ژنتیکی و بالینی که در اختیار محققان است، توانایی تحلیل و درک این داده‌ها بدون استفاده از الگوریتم‌ها و ابزارهای محاسباتی تقریبا غیرممکن است.
❓ در ششمین cb talk، به بررسی ضرورت استفاده از زیست‌شناسی محاسباتی در تحقیقات سرطان خواهیم پرداخت و به شما نشان خواهیم داد که چگونه این رویکرد نوآورانه می‌تواند مسیر جدیدی در درمان سرطان ایجاد کند.
📣با سخنرانان ششمین cb talk بیشتر آشنا شوید:
💡 دکتر حسام منتظری، استادیار بیوانفورماتیک ibb، بر مدل‌های آماری و یادگیری ماشین در کشف ژن‌های سرطان‌زا و شناسایی ارتباطات سلولی در سرطان تمرکز دارد.
✅ در این سخنرانی، دکتر منتظری به بررسی روش‌های محاسباتی برای شناسایی عوامل محرک سرطان می‌پردازد. او با استفاده از یادگیری ماشین و مدل‌های ژنتیکی پیشرفته، ابزارهایی را معرفی می‌کند که می‌توانند ژن‌های دخیل در ایجاد سرطان را شناسایی کند.
💡دکتر محبوبه ضرابی، دانشیار گروه بیوتکنولوژی دانشگاه الزهرا، بر استفاده از بیوانفورماتیک ساختاری برای مطالعه پروتئین‌ها و تعاملات مولکولی در سرطان تمرکز دارد و به بررسی ساختارهای پروتئینی برای بهبود درمان‌های هدفمند سرطان می‌پردازد.
در این سخنرانی دکتر ضرابی به روش های استفاده از بیوانفورماتیک ساختاری برای بررسی تعاملات مولکولی در سرطان می‌پردازد.
💬 در این cb talk که به‌صورت هیبرید برگزار می‌شود منتظر حضور شما هستیم؛
🔴آنلاین: در بستر اسکای روم
🔴حضوری: در سالن ۱۷ شهریور دانشگاه خوارزمی
🔗 ثبت‌نام حضوری و آنلاین در این برنامه از طریق سایت رایازی قابل ثبت است.
🚀Telegram
01.04.202514:48
🧪Evolutionary & Comparative Genomics
🔹ژنومیک تکاملی و تطبیقی از حوزه‌های قدرتمند زیست‌شناسی هستند که تغییرات ژنتیکی را که در طول زمان شکل‌دهنده‌ی حیات بوده‌اند، بررسی می‌کنند.
ژنومیک تکاملی به مطالعه‌ی نحوه‌ی تکامل ژنوم‌ها می‌پردازد و بر جهش‌ها، انتخاب طبیعی و رانش ژنتیکی تمرکز دارد. با تحلیل تغییرات ژنومی در گونه‌ها و جمعیت‌های مختلف، دانشمندان می‌توانند پایه‌ی مولکولی سازگاری، گونه‌زایی و تاریخ تکاملی را کشف کنند.
🔹این حوزه به ما کمک می‌کند تا بفهمیم که موجودات زنده چگونه در پاسخ به فشارهای محیطی، بیماری‌ها و روابط هم‌زیستی تکامل یافته‌اند.
🔹ژنومیک تطبیقی از سوی دیگر، بر مقایسه‌ی ژنوم گونه‌های مختلف تمرکز دارد تا شباهت‌ها و تفاوت‌های آنها را شناسایی کند. با هم‌ترازی توالی‌های ژنتیکی، دانشمندان می‌توانند ژن‌های حفظ‌شده، عناصر تنظیمی و نوآوری‌های تکاملی را کشف کنند. این مقایسه‌ها بینش‌های ارزشمندی در زمینه‌ی ژنومیک عملکردی ارائه می‌دهند و نشان می‌دهند که چگونه تغییرات ژنتیکی به تفاوت‌های فنوتیپی، حساسیت به بیماری‌ها و محدودیت‌های تکاملی منجر می‌شوند. برای مثال، مقایسه‌ی ژنوم انسان و نخستی‌ها (primate) به درک پایه‌ی ژنتیکی شناخت کمک می‌کند، در حالی که مطالعه‌ی ژنوم باکتری‌ها در ردیابی مقاومت آنتی‌بیوتیکی مفید است.
🔹این حوزه‌ها کاربردهای گسترده‌ای در پزشکی، کشاورزی و حفاظت از تنوع زیستی دارند. ژنومیک تکاملی در مطالعه‌ی بیماری‌های ژنتیکی انسانی، ردیابی تکامل ویروس‌ها و توسعه‌ی درمان‌های هدفمند نقش دارد. ژنومیک تطبیقی به بهبود اصلاح نژاد گیاهان کمک کرده و ژن‌های مرتبط با مقاومت به بیماری و تحمل به تنش را شناسایی می‌کند. علاوه بر این، این رویکردها در تلاش‌های حفاظتی با تجزیه‌وتحلیل تنوع ژنتیکی گونه‌های در معرض خطر اهمیت دارند. با پیشرفت فناوری‌های توالی‌یابی، ژنومیک تکاملی و تطبیقی همچنان درک ما را از نقشه‌ی ژنتیکی حیات متحول می‌کنند.
🔗 Telegram
🔗 LinkedIn
🔗 Instagram
🔹ژنومیک تکاملی و تطبیقی از حوزه‌های قدرتمند زیست‌شناسی هستند که تغییرات ژنتیکی را که در طول زمان شکل‌دهنده‌ی حیات بوده‌اند، بررسی می‌کنند.
ژنومیک تکاملی به مطالعه‌ی نحوه‌ی تکامل ژنوم‌ها می‌پردازد و بر جهش‌ها، انتخاب طبیعی و رانش ژنتیکی تمرکز دارد. با تحلیل تغییرات ژنومی در گونه‌ها و جمعیت‌های مختلف، دانشمندان می‌توانند پایه‌ی مولکولی سازگاری، گونه‌زایی و تاریخ تکاملی را کشف کنند.
🔹این حوزه به ما کمک می‌کند تا بفهمیم که موجودات زنده چگونه در پاسخ به فشارهای محیطی، بیماری‌ها و روابط هم‌زیستی تکامل یافته‌اند.
🔹ژنومیک تطبیقی از سوی دیگر، بر مقایسه‌ی ژنوم گونه‌های مختلف تمرکز دارد تا شباهت‌ها و تفاوت‌های آنها را شناسایی کند. با هم‌ترازی توالی‌های ژنتیکی، دانشمندان می‌توانند ژن‌های حفظ‌شده، عناصر تنظیمی و نوآوری‌های تکاملی را کشف کنند. این مقایسه‌ها بینش‌های ارزشمندی در زمینه‌ی ژنومیک عملکردی ارائه می‌دهند و نشان می‌دهند که چگونه تغییرات ژنتیکی به تفاوت‌های فنوتیپی، حساسیت به بیماری‌ها و محدودیت‌های تکاملی منجر می‌شوند. برای مثال، مقایسه‌ی ژنوم انسان و نخستی‌ها (primate) به درک پایه‌ی ژنتیکی شناخت کمک می‌کند، در حالی که مطالعه‌ی ژنوم باکتری‌ها در ردیابی مقاومت آنتی‌بیوتیکی مفید است.
🔹این حوزه‌ها کاربردهای گسترده‌ای در پزشکی، کشاورزی و حفاظت از تنوع زیستی دارند. ژنومیک تکاملی در مطالعه‌ی بیماری‌های ژنتیکی انسانی، ردیابی تکامل ویروس‌ها و توسعه‌ی درمان‌های هدفمند نقش دارد. ژنومیک تطبیقی به بهبود اصلاح نژاد گیاهان کمک کرده و ژن‌های مرتبط با مقاومت به بیماری و تحمل به تنش را شناسایی می‌کند. علاوه بر این، این رویکردها در تلاش‌های حفاظتی با تجزیه‌وتحلیل تنوع ژنتیکی گونه‌های در معرض خطر اهمیت دارند. با پیشرفت فناوری‌های توالی‌یابی، ژنومیک تکاملی و تطبیقی همچنان درک ما را از نقشه‌ی ژنتیکی حیات متحول می‌کنند.
🔗 Telegram
09.03.202509:34
💳به جهت ورود به محل برگزاری دورهمی با ارائه کدملی مشکلی از بابت ورود به دانشگاه نخواهید داشت.
07.03.202514:40
⚠️امشب، آخرین فرصت ثبت‌نام برای این رویداد است.⚠️
24.01.202517:06
Ko'rsatilgan 1 - 23 dan 23
Ko'proq funksiyalarni ochish uchun tizimga kiring.