💊پژوهشی تازه در مورد مقاومت آنتی‌بیوتیکی در Pseudomonas aeruginosa

🦠مقابله با سودوموناس آئروژینوزا به‌عنوان یکی از پاتوژن‌های خطرناک بیمارستانی، به‌دلیل توانایی چشمگیر آن در ایجاد مقاومت آنتی‌بیوتیکی، همچنان از مهم‌ترین چالش‌های درمانی محسوب می‌شود.

🔬در یک مطالعهٔ جامع مبتنی بر رویکرد multi-omics، پژوهشگران روند تکامل مقاومت این باکتری را در برابر دو آنتی‌بیوتیک مروپنم (MEM) و سفتازیدیم–آویباکتام (CZA)، که امروزه در درمان عفونت‌های ناشی از آن مورد استفاده قرار می‌گیرند، مورد بررسی قرار دادند.

📝یافته‌های کلیدی این مطالعه:

1️⃣سرعت تکامل مقاومت
⏺سویه‌هایی که در معرض غلظت‌های پایین MEM قرار گرفتند، با سرعت بیشتری مقاومت کسب کردند. در مقابل بروز مقاومت در برابر CZA کندتر و در موارد کمتری مشاهده شد.

2️⃣نقش تنوع ژنتیکی و فنوتیپی
⏺تنها تعداد محدودی از ژن‌ها دچار جهش شده بودند که این جهش‌ها لزوماً هم با الگوهای مقاومت ارتباط مستقیم نداشتند.
⏺بیان ژنی (Trannoscriptome) و بیان پروتئین‌ها (Proteome) عامل اصلی تفاوت‌های مقاومت محسوب شدند، نه صرفاً تغییرات ژنتیکی.

این موضوع اهمیت تنوع بیان ژن‌ها و نقش Phenotypic plasticity را در شکل‌گیری مقاومت برجسته می‌سازد.

3️⃣الگوهای مولکولی و سیستم‌های دخیل
⏺در سویه‌های مقاوم به MEM:
➖افزایش بیان سامانهٔ Efflux MexAB–OprM
➖کاهش بیان OprD porin (مرتبط با مقاومت به کارباپنم‌ها)
⏺در سویه‌های مقاوم به CZA:
➖افزایش بیان بتالاکتاماز (AmpC)
➖جهش در ژن dacB (کدکننده PBP4) و تغییر در مسیر تنظیمی ampR/ampD

4️⃣الگوهای بیان ژنی با ارزش بیوانفورماتیکی
⏺افزایش بیان ژن‌های مرتبط با متابولیسم لیپوپلی‌ساکارید (مانند arnA/arnB و mucB) ⟵ که با مقاومت به پلی‌میکسین‌ها و همچنین رشد بیوفیلم ارتباط دارد.
⏺کاهش فعالیت مسیرهای متابولیسم انرژی ⟵ نشانگر پاسخ باکتری به استرس دارویی.

این تغییرات به کمک آنالیزهای PLS-DA و رویکردهای یادگیری ماشین شناسایی شدند و می‌توانند به‌عنوان بیومارکرهای مقاومت مورد استفاده قرار گیرند.


👨‍💻جنبه‌های بیوانفورماتیکی و کاربردی:
⏺تحلیل‌های multi-omics (ژنوم، ترنسکریپتوم، پروتئوم) نشان دادند که اطلاعات بیان ژنی شاخص بهتری برای پیش‌بینی مقاومت است تا صرفاً اطلاعات جهشی.
⏺مدل‌های یادگیری ماشین در پژوهش‌های مشابه توانسته‌اند مقاومت یا حدت (virulence) سودوموناس را با دقت خوبی از روی داده‌های ترنسکریپتومی پیش‌بینی کنند.
⏺استفاده از رویکردهای سیستم‌زیستی + بیوانفورماتیک کمک می‌کند تا:
📌بیومارکرهای مولکولی شناسایی شوند.
📌مکانیسم‌های ترکیبی (مثل efflux + AmpC) که مقاومت شدید ایجاد می‌کنند، مشخص شوند.
📌استراتژی‌های درمانی ترکیبی طراحی شوند تا مسیرهای تطابقی باکتری مهار گردد.

⌨️این دستاوردها گامی مهم در جهت طراحی درمان‌های شخصی‌سازی‌شده و مهار مقاومت آنتی بیوتیکی می‌باشند.

✔️لینک #مقاله

🧬در کانال آکادمی زیست اومیکس با ما همراه باشید…
| @BioOmics_Academy |

🌍رویداد جهان زیست: یک سیاره، مسیر‌های متفاوت

🗺فرصت‌ها و فعالیت‌های بین‌المللی علوم زیستی در چهار قاره

💠سخنرانان:
👤علی یوسف زاده
⏺دانشجوی مقطع کارشناسی ارشد بیوتکنولوژی دارویی، دانشگاه میلان کشور ایتالیا

👤دکتر مصطفی ساغربان
⏺دانشجوی مقطع پسا دکترا رشته بیوتکنولوژی گیاهی، دانشگاه گوئیژو شهر گویانگ کشور چین

👤یارا الهی
⏺دانشجوی سال آخر دکترا رشته‌ی میکروبیولوژی دانشگاه University of New South Wales سیدنی

👤افشین درخشانی
⏺دانشجوی دکتری تخصصی ایمنی‌شناسی، دانشگاه کلگری کشور کانادا

🎙هدف این رویداد ایجاد بستری برای گفت‌وگوی علمی و تجربی میان نخبگان زیست‌شناسی در سراسر جهان است تا با به‌اشتراک‌گذاری تجربیات ارزشمند خود در حیطه مطالعات بین‌الملی، مسیر روشن‌تری پیش روی نسل جوان و آینده‌ساز کشور قرار دهند.

⏳زمان برگزاری: جمعه و شنبه ۱۱ و ۱۲ مهر ماه

💻به صورت مجازی در بستر اسکای‌روم

💠لینک شرکت در جلسات در کانال انجمن علمی زیست‌شناسی شبکه نخبگان ایران منتشر خواهد شد. برای شرکت در رویداد، در کانال عضو شوید.

💰شرکت در جلسه برای عموم علاقمندان آزاد و رایگان است.

🧬در کانال انجمن علمی زیست شناسی با ما همراه باشید…
| @Biology_Network |

💡مسیر alternative سلول سرطانی می‌تواند مسیر alternative درمان سرطان شود!

🧬سلول‌های سرطانی برای جلوگیری از فعال‌شدن مکانیسم‌های پیری و مرگ سلولی، همچنین فعالیت مکانیسم‌های تکثیر و بقا در سمتی دیگر نیازمند مقابله با کوتاه شدن طول تلومرهای خود هستند. تلومرها توالی‌های تکراری در انتهای کروموزوم هستند که نقش محافظت از محتوای ژنی را دارا می‌باشند.

❗️درحالی که اکثر سرطان‌ها از طریق آنزیم تلومراز حفظ طول ناحیه تلومری خود را انجام می‌دهند؛ اما ۴ الی ۱۱ درصد سرطان‌ها از طریق مسیر Alternative Lengthening Telomeres (ALT) به این مهم می‌پردازند.

📚مسیر ALT شبیه به Homologous Recombination DNA repair (HR) می‌باشد؛ در مرحله‌ی اول عملکردی منجر به افزودگی طول یک تلومر نسبت به دیگری می‌شود که این افزودگی بر اساس یک تکرار توالی و عملا کپی توالی از روی یک مرجع درون تلومری یا برون تلومری می‌باشد. این مسیر اکثرا در سرطان‌هایی با منشاء مزانشیمی رایج است.

🔍در ادامه از اجزای مهم این مسیر باید به ALT-associated PML bodies (APBs)
که نقش کارخانه و محل تجمع پروتئین‌های مربوطه جهت صورت پذیری واکنش‌های منظور را دارد و اجازه می‌دهد تلومرها در محیطی خارج از دسترسی تلومراز به ترمیم فرآیندی خود بپردازند، اشاره کرد.

🔬همچنین یکی از کمپلکس‌های پروتئینی ویژه و قابل ذکر مربوط به این مسیر جایگزین، MRN complex می‌باشد که مربوط به فرآیند‌های شبه HR و ترمیم‌های مربوط به ایجاد Double Strand Break می‌گردد.

❓در مسیر ALT با توجه به تمایل سلول های توموری بر یکپارچگی ژنومی و حفظ پایداری DNA به وسیله افزودن طول تلومر با استفاده از این مسیر جایگزین؛ هدف قرار دادن اجزای اصلی این فرآیند و از کار انداختن آن‌ها مانند APBs و کمپلکس MRN می تواند در درمان های نوین سرطان های ALT positive هدفی جذاب و تازه باشد و منجر به کاهش پایداری ژنومی به وسیله کاهش طول تلومر و در نتیجه از بین رفتن سلول‌های توموری گردد و نتایج تاثیرگذاری را به بالین ارائه کند. ✅

✔️ لینک #مقاله

🧬در کانال آکادمی زیست اومیکس با ما همراه باشید…
| @BioOmics_Academy |

🦠پژوهشی تازه در مورد مقاومت آنتی‌بیوتیکی در Pseudomonas aeruginosa

مقابله با سودوموناس آئروژینوزا به‌عنوان یکی از پاتوژن‌های خطرناک بیمارستانی، به‌دلیل توانایی چشمگیر آن در ایجاد مقاومت آنتی‌بیوتیکی، همچنان از مهم‌ترین چالش‌های درمانی محسوب می‌شود.

🔬در یک مطالعهٔ جامع مبتنی بر رویکرد multi-omics، پژوهشگران روند تکامل مقاومت این باکتری را در برابر دو آنتی‌بیوتیک مروپنم (MEM) و سفتازیدیم–آویباکتام (CZA)، که امروزه در درمان عفونت‌های ناشی از آن مورد استفاده قرار می‌گیرند، مورد بررسی قرار دادند.


📝یافته‌های کلیدی این مطالعه:

1️⃣سرعت تکامل مقاومت
⏺سویه‌هایی که در معرض غلظت‌های پایین MEM قرار گرفتند، با سرعت بیشتری مقاومت کسب کردند. در مقابل بروز مقاومت در برابر CZA کندتر و در موارد کمتری مشاهده شد.

2️⃣نقش تنوع ژنتیکی و فنوتیپی
⏺تنها تعداد محدودی از ژن‌ها دچار جهش شده بودند که این جهش‌ها لزوماً هم با الگوهای مقاومت ارتباط مستقیم نداشتند.
⏺بیان ژنی (Trannoscriptome) و بیان پروتئین‌ها (Proteome) عامل اصلی تفاوت‌های مقاومت محسوب شدند، نه صرفاً تغییرات ژنتیکی.

این موضوع اهمیت تنوع بیان ژن‌ها و نقش Phenotypic plasticity را در شکل‌گیری مقاومت برجسته می‌سازد.

3️⃣الگوهای مولکولی و سیستم‌های دخیل
⏺در سویه‌های مقاوم به MEM:
➖افزایش بیان سامانهٔ Efflux MexAB–OprM
➖کاهش بیان OprD porin (مرتبط با مقاومت به کارباپنم‌ها)
⏺در سویه‌های مقاوم به CZA:
➖افزایش بیان بتالاکتاماز (AmpC)
➖جهش در ژن dacB (کدکننده PBP4) و تغییر در مسیر تنظیمی ampR/ampD

4️⃣الگوهای بیان ژنی با ارزش بیوانفورماتیکی
⏺افزایش بیان ژن‌های مرتبط با متابولیسم لیپوپلی‌ساکارید (مانند arnA/arnB و mucB) ⟵ که با مقاومت به پلی‌میکسین‌ها و همچنین رشد بیوفیلم ارتباط دارد.
⏺کاهش فعالیت مسیرهای متابولیسم انرژی ⟵ نشانگر پاسخ باکتری به استرس دارویی.

این تغییرات به کمک آنالیزهای PLS-DA و رویکردهای یادگیری ماشین شناسایی شدند و می‌توانند به‌عنوان بیومارکرهای مقاومت مورد استفاده قرار گیرند.


🤖جنبه‌های بیوانفورماتیکی و کاربردی:
📌تحلیل‌های multi-omics (ژنوم، ترنسکریپتوم، پروتئوم) نشان دادند که اطلاعات بیان ژنی شاخص بهتری برای پیش‌بینی مقاومت است تا صرفاً اطلاعات جهشی.
📌مدل‌های یادگیری ماشین در پژوهش‌های مشابه توانسته‌اند مقاومت یا حدت (virulence) سودوموناس را با دقت خوبی از روی داده‌های ترنسکریپتومی پیش‌بینی کنند.
📌استفاده از رویکردهای سیستم‌زیستی + بیوانفورماتیک کمک می‌کند تا:
➖بیومارکرهای مولکولی شناسایی شوند.
➖مکانیسم‌های ترکیبی (مثل efflux + AmpC) که مقاومت شدید ایجاد می‌کنند، مشخص شوند.
➖استراتژی‌های درمانی ترکیبی طراحی شوند تا مسیرهای تطابقی باکتری مهار گردد.

🧑‍💻این دستاوردها گامی مهم در جهت طراحی درمان‌های شخصی‌سازی‌شده و مهار مقاومت آنتی بیوتیکی می‌باشند.

✔️لینک #مقاله

🧬در کانال آکادمی زیست اومیکس با ما همراه باشید…
| @BioOmics_Academy |

👨‍💻کلاس درس یادگیری ماشین برای بیوانفورماتیک

🏛 دانشگاه صنعتی شریف

👤دکتر علی شریفی زارچی
⏺عضو هیئت ‌علمی گروه هوش ‌مصنوعی و بیوانفورماتیک دانشکده مهندسی کامپیوتر
⏺رئیس کمیته علمی المپیاد جهانی هوش مصنوعی

1️⃣جلسه اول: معرفی سریع یادگیری ماشین

#کلاس_درس👨‍🏫

🧬در کانال آکادمی زیست اومیکس با ما همراه باشید…
| @BioOmics_Academy |

🧠یادگیری عمیق در علوم زیستی و پزشکی؛ داده ها درمان می‌کنند!

🧠BioMed DL

👤محمد صالح رفاهی
⏺پژوهشگر مقطع دکتری رشته زیست شناسی محاسباتی (Computational biology) در دانشگاه Drexel کشور آمریکا
⏺مهندس و پژوهشگر یادگیری ماشین شرکت خدمات انفورماتیک تهران

📚خلاصه سرفصل‌ها:
جلسه 1️⃣ – مقدمه و مبانی یادگیری ماشین
جلسه 2️⃣ – شبکه‌های عصبی: مفاهیم
جلسه 3️⃣ – آموزش، انتشار معکوس و بهینه‌سازی
جلسه 4️⃣ – شبکه‌های عصبی کانولوشنی و بازگشتی
جلسه 5️⃣ – شبکه های عصبی بازگشتی‌، مرور و جهت های آینده

⁉️ دیپ لرنینگ چیست؟
⁉️ چرا دیپ لرنینگ؟ چه کاربردی دارد؟

📝در پروژه‌های علمی و عملی این کلاس، الگوریتم‌های یادگیری عمیق با استفاده از داده‌های واقعی پیاده‌سازی می‌شوند و شما تجربه یک کار پژوهشی با استفاده از دیپ لرنینگ را کسب خواهید کرد. (فرصتی برای پیاده‌سازی ایده‌های نوآورانه خود در زمینه‌های مختلف علوم زیستی و پزشکی با استفاده از تکنیک‌های یادگیری عمیق و انتشار دستاوردها در مجامع علمی معتبر به دلیل ناوِل بودن این مِتُد.)

⌛️زمان شروع جلسات: از شنبه ۱۰ آبان ماه

💻در ۱۰ ساعت به صورت مجازی در بستر اسکای‌روم

🎖همراه با اعطای سرتیفیکیت انگلیسی از انجمن زیست شناسی شبکه نخبگان ایران

➕دسترسی مادام‌العمر به محتوای جلسات

🤝امکان همکاری در پروژه های انجمن زیست شناسی و استاد محترم در آینده برای افراد برتر

🎓پیش‌نیاز:
انگیزه، علاقه و تلاش شما برای یادگیری
آشنایی نسبی با زبان برنامه نویسی Python (جهت استفاده از پکیج ها) و آشنایی نسبی با ماشین لرنینگ مفید است.(مفاهیم الزامی در جلسه اول آموزش داده خواهند شد.)

❓ سوالات متداول و تخفیف‌ها
📊 رضایت از کلاس‌ها

🔗لینک ثبت‌نام

ارتباط با ادمین:👇
🆔 @Biology_network_admin

🧬در کانال‌های انجمن علمی زیست شناسی و آکادمی زیست اومیکس با ما همراه باشید…
| @Biology_Network |
| @BioOmics_Academy |

🧬هوش مصنوعی پیشرفته برای کشف ارتباط ژن‌ها و بیماری‌ها

🧠آیا می‌دانید الگوریتم‌های Self-Supervised Learning می‌توانند بدون نیاز به داده‌های برچسب‌خورده کامل، الگوهای پنهان در ژنوم و بیماری‌ها را شناسایی کنند؟
مقاله جدید در BMC Bioinformatics یک روش نوین به نام Denoising Self‑Supervised Learning معرفی کرده است که با استفاده از داده‌های noisy و ناقص، ارتباطات ژن‑بیماری را با دقت بالا پیش‌بینی می‌کند.

❓این رویکرد چطور به تحقیقات و درمان بیماری‌ها کمک می‌کند؟

1️⃣شناسایی ژن‌های کلیدی مرتبط با بیماری‌ها:
الگوریتم قادر است ژن‌هایی که نقش حیاتی در مسیرهای مولکولی بیماری دارند را شناسایی کند، حتی وقتی داده‌ها noisy یا ناقص باشند.

2️⃣پشتیبانی از کشف داروهای هدفمند:
با پیش‌بینی دقیق ژن‌ها و مسیرهای مولکولی مرتبط، محققان می‌توانند هدف‌های درمانی جدید برای داروها و ایمونوتراپی‌ها پیدا کنند.

3️⃣تحلیل داده‌های ژنومی چندمنظوره:
این روش می‌تواند داده‌های RNA‑seq، ژنومیک و پروتئومیک را ترکیب کند و ارتباطات پنهان بین ژن‌ها و انواع بیماری‌ها را آشکار سازد.

4️⃣کاهش وابستگی به داده‌های برچسب‌دار:
به جای نیاز به مجموعه‌های بزرگ و کامل داده‌های آموزش، این الگوریتم می‌تواند با داده‌های noisy یاد بگیرد و عملکرد مدل را بهبود دهد.

5️⃣پشتیبانی از پزشکی شخصی‌سازی‌شده:
با شناسایی ژن‌ها و مسیرهای خاص بیمار، امکان طراحی درمان‌های هدفمند و شخصی‌سازی‌شده افزایش می‌یابد، به خصوص در بیماری‌های پیچیده مثل سرطان‌ها و اختلالات متابولیک.

🔍چرا این موضوع اهمیت دارد؟
زیرا این الگوریتم نشان می‌دهد که چگونه بیوانفورماتیک پیشرفته و هوش مصنوعی می‌توانند مرزهای جدیدی در تشخیص بیماری، پیش‌بینی مسیرهای مولکولی و طراحی درمان‌های نوین ایجاد کنند.

💡این روش نمونه‌ای از کاربرد Denoising Self‑Supervised Learning در زیست‌اطلاعات و تحقیقات مولکولی است که با سرعت بالا و دقت زیاد، قابلیت باز کردن مسیرهای درمانی جدید را دارد.

📰لینک مقاله اصلی: BMC Bioinformatics

🧬 در کانال آکادمی زیست‌اومیکس با ما همراه باشید…
| @BioOmics_Academy |

👨‍💻کلاس درس یادگیری ماشین برای بیوانفورماتیک

🏛 دانشگاه صنعتی شریف

👤دکتر علی شریفی زارچی
⏺عضو هیئت ‌علمی گروه هوش ‌مصنوعی و بیوانفورماتیک دانشکده مهندسی کامپیوتر
⏺رئیس کمیته علمی المپیاد جهانی هوش مصنوعی

2️⃣جلسه دوم: رگرسیون خطی برای پیش‌بینی مقادیر پیوسته و پیاده‌سازی با پایتون

#کلاس_درس👨‍🏫

🧬در کانال آکادمی زیست اومیکس با ما همراه باشید…
| @BioOmics_Academy |

👨‍💻کلاس درس یادگیری ماشین برای بیوانفورماتیک

🏛 دانشگاه صنعتی شریف

👤دکتر علی شریفی زارچی
⏺عضو هیئت ‌علمی گروه هوش ‌مصنوعی و بیوانفورماتیک دانشکده مهندسی کامپیوتر
⏺رئیس کمیته علمی المپیاد جهانی هوش مصنوعی

3️⃣جلسه سوم: مفاهیم نظری و عملی تعمیم پذیری (Generalization)

#کلاس_درس👨‍🏫

🧬در کانال آکادمی زیست اومیکس با ما همراه باشید…
| @BioOmics_Academy |

💻بهترین دوست یک دانشمند اُمیکس: EMBL-EBI🧬

✏️اگر در دنیای ژنومیکس، ترنسکریپتومیکس، پروتئومیکس یا متابولومیکس پژوهش می‌کنید، یکی از سایت‌هایی که حتما باید بشناسید «EMBL-EBI» هست؛ مرکز اروپایی بیوانفورماتیک که مانند یک هاب بزرگ داده‌های اُمیکس عمل می‌کند و دیتابیس و ابزارهای تحلیلی رایگان متعددی را در اختیار می‌گذارد.

⁉️سایت EMBL-EBI چیست و چه کاربردی دارد؟
سایت EMBL-EBI زیرمجموعه سازمان EMBL اروپاست و مأموریتش نگهداری، سازمان‌دهی و ارائه دسترسی آزاد به انواع داده‌های زیستی مثل توالی‌ها، بیان ژن، ساختار پروتئین، داده‌های تک‌سلولی و داده‌های بالینی-اُمیکس است.
برای تقریباً هر نوع داده اُمیکس (از RNA-seq و ChIP-seq تا متابولومیکس و پروتئومیکس)، یک پایگاه داده تخصصی در EMBL-EBI یافت می‌شود.

🖥چند مورد از مهم‌ترین دیتابیس‌ها و ابزارهای اُمیکس در EMBL-EBI:

1️⃣ ENA (European Nucleotide Archive)
آرشیو اصلی توالی‌های نوکلئوتیدی اروپاست؛ از پروژه‌های ژنوم تا RNA-seq و متاژنومیکس در آن ذخیره می‌شود و معادل اروپایی GenBank محسوب می‌شود.

2️⃣ ArrayExpress / Expression Atlas
این بخش داده‌های بیان ژن (microarray و RNA-seq) را ذخیره و به صورت پردازش‌شده در اختیار شما قرار می‌دهد. Expression Atlas به شما کمک می‌کند تا بررسی کنید یک ژن در کدام بافت، شرایط یا بیماری افزایش یا کاهش بیان دارد.

3️⃣ PRIDE
اگر در حوزه پروتئومیکس و Mass-spec پژوهش می‌کنید، PRIDE یکی از مهم‌ترین مخازن داده‌های پروتئومیکس آزمایشگاهی است.

4️⃣ MetaboLights
برای مطالعات متابولومیکس (NMR، LC–MS، GC–MS و …)، این دیتابیس اطلاعات تجربی، متابولیت‌ها و شرایط آزمایش را نگهداری می‌کند.

5️⃣ UniProt (با مشارکت EMBL-EBI)
یکی از جامع‌ترین پایگاه‌های اطلاعات پروتئینی است که شامل توالی، ساختار، عملکرد، جایگاه زیرسلولی و اصلاحات پس‌ترجمه‌ای پروتئین‌ها است.
برای لینک‌ کردن نتایج پروتئومیکس و داده‌های عملکردی/ساختاری، UniProt ابزار کاربردی و مهمی می باشد.

6️⃣ Open Targets
اگر روی بیولوژی بیماری و کشف دارو کار می‌کنید، Open Targets پلتفرمی برای کشف ارتباط بین ژن‌ها، واریانت‌ها، بیماری‌ها و داروهای بالقوه است.
این ابزار به‌ویژه برای انتخاب target در مطالعات اُمیکس بیماری‌ها بسیار کاربردی است.

❗️چرا EMBL-EBI برای اُمیکس مهم است؟
🔹دسترسی آزاد: تقریباً همه دیتابیس‌ها و ابزارها رایگان و به‌صورت Open Access در دسترس پژوهشگران هستند.
🔹متمرکز بر اُمیکس: بخش عمده‌ای از زیرساخت EMBL-EBI برای ذخیره و آنالیز داده‌های ژنومیکس، ترنسکریپتومیکس، پروتئومیکس و متابولومیکس طراحی شده است.
🔹استاندارد و قابل استناد: بسیاری از ژورنال‌های معتبر، بارگذاری داده‌ها در دیتابیس‌های EMBL-EBI را به عنوان شرط پذیرش مقاله در نظر می‌گیرند.

🌐چطور از EMBL-EBI استفاده کنیم؟
1️⃣وارد سایت اصلی EMBL-EBI شوید و از منوی Resources نوع داده مورد نظرتان (Genomics, Trannoscriptomics, Proteomics, Metabolomics) را انتخاب کنید.
2️⃣دیتابیس مناسب پروژه‌تان را پیدا کنید (مثلاً ENA برای توالی، PRIDE برای پروتئومیکس، MetaboLights برای متابولومیکس) و با جستجوی ژن، ارگانیسم، بیماری یا نوع آزمایش داده‌ها را فیلتر کنید.
3️⃣داده‌ها را دانلود کنید یا در صورت امکان، از ابزارهای آنالیز آنلاین خود سایت برای QC، آنالیز اولیه و مصورسازی استفاده کنید.

اگر دانشجوی زیست‌شناسی مولکولی، بیوتکنولوژی، بیوانفورماتیک یا حوزه‌های مرتبط با اُمیکس هستید، آشنایی با EMBL-EBI و دیتابیس‌های آن یک مهارت ضروری برای کار پژوهشی حرفه‌ای است.

#آموزش

🧬در کانال آکادمی زیست اومیکس با ما همراه باشید…
| @BioOmics_Academy |

📚کتاب ارزشمند «Bioinformatics Data Skills»؛ پایه‌های ضروری کار با داده‌های اومیکس

⌨️این کتاب نوشته‌ی Vince Buffalo یک راهنمای روشن برای افرادی است که می‌خواهند داده‌های زیستی، به‌ویژه داده‌های اومیکس، را دقیق و قابل‌اعتماد تحلیل کنند. نویسنده به‌جای پرداختن به مفاهیم پیچیده محاسباتی، روی مهارت‌های عملی تمرکز می‌کند: کار با خط فرمان، مدیریت فایل‌های حجیم، کنترل کیفیت داده‌های توالی‌یابی، ثبت مراحل تحلیل و ساخت جریان‌کارهایی که قابل تکرار باشند.

👨‍💻اهمیت این کتاب در اومیکس از این‌جاست که بخش عمدهٔ تحلیل، پیش از مدل‌سازی، پیش از رسم نمودار، و حتی پیش از ورود به R یا Python، در مرحلهٔ آماده‌سازی داده انجام می‌شود. Buffalo دقیقاً همین بخش را هدف می‌گیرد و نشان می‌دهد چگونه می‌توان داده‌های ژنومیکس، ترنسکریپتومیکس و سایر شاخه‌های اومیکس را تمیز، استاندارد و آمادهٔ تحلیل کرد. این مهارت‌ها پایهٔ هر پژوهش معتبر در حوزهٔ اومیکس هستند.

👥این کتاب برای دانشجویان، پژوهشگران و علاقه‌مندان به بیوانفورماتیک و علوم اومیکس مناسب است. متن کتاب ساده، منظم و کاربردی است و خواننده را با اصولی آشنا می‌کند که در هر پروژهٔ داده‌محور، از آزمایشگاه تا تحلیل نهایی، مورد نیاز خواهد بود.

#کتاب

🧬در کانال آکادمی زیست اومیکس با ما همراه باشید…
| @BioOmics_Academy |

👨‍💻کلاس درس یادگیری ماشین برای بیوانفورماتیک

🏛 دانشگاه صنعتی شریف

👤دکتر علی شریفی زارچی
⏺عضو هیئت ‌علمی گروه هوش ‌مصنوعی و بیوانفورماتیک دانشکده مهندسی کامپیوتر
⏺رئیس کمیته علمی المپیاد جهانی هوش مصنوعی

4️⃣جلسه چهارم: دسته بندی (Classification) و ساده‌ترین معماری شبکه عصبی مصنوعی به نام پرسپترون

#کلاس_درس👨‍🏫

🧬در کانال آکادمی زیست اومیکس با ما همراه باشید…
| @BioOmics_Academy |