📢 معرفی VDJdb

پایگاه داده VDJdb یک مرجع مرتب و curated از توالی‌های T-cell receptor است که در آن مشخص شده این گیرنده‌ها با کدام آنتی‌ژن‌ها تعامل دارند.

هدف اصلی VDJdb، دسترسی ساده به اطلاعات TCR با specificities شناخته‌شده است، یعنی توانایی شناسایی اپیتوپ‌های خاص در زمینه‌های مختلف MHC.

📌 اطلاعات بیشتر و دسترسی به پایگاه داده:
💎 https://vdjdb.cdr3.net/

#طراحی_واکسن #ایمنی_شناسی
----------
🆔 @BioinfCamp

🔹 تفاوت بین کامیت خوب و بد در Git (پست 9)

کامیت کن، اما نه زیاد و نه کم

💎 کامیت‌هات باید معنای مشخصی داشته باشن.
💎 تغییرات بی‌ربط یا خیلی جزئی رو باهم قاطی نکن.
💎 برای هر ویژگی یک branch جداگانه بساز و بعد Pull Request بده.

#گیت #گیت‌هاب #برنامه‌نویسی
----------
🆔 @BioinfCamp

زندگی‌ در مقطع دکتری 😄

#زنگ_تفریح
----------
🆔 @BioinfCamp

💥 ساختمان و بدنه‌ی یک مقاله‌ی آکادمیک و علمی

#مقاله‌
----------
🆔 @BioinfCamp

فاصله لون‌اشتاین چیست؟

فاصله لون‌اشتاین یا فاصله ویرایش در نظریه اطلاعات و علوم کامپیوتر مقیاسی برای محاسبه‌ی میزان تفاوت میان دو رشته است.

فاصله لون‌اشتاین بین دو رشته به وسیلهٔ کمترین تعداد عملیات مورد نیاز برای تبدیل یک رشته به رشته دیگر معین می‌شود.

به عنوان مثال فاصله لوناشتاین بین "kitten" و "sitting" برابر ۳ است. سه ویرایش برای تبدیل یکی به دیگری وجود دارد.

فاصله لون‌اشتاین در بیوانفورماتیک معمولاً برای مقایسه‌ی توالی‌ها (DNA, RNA یا پروتئین) 🧬 استفاده میشود. این فاصله تعداد کمترین ویرایش‌ها (insert, delete, substitute) برای تبدیل یک توالی به توالی دیگه رو میده.

کاربرد:
1⃣ شناسایی جهش‌ها
2⃣ پیدا کردن همولوگ‌ها در دیتابیس‌های ژنوم.
3⃣ مقایسه‌ی توالی‌های ژنی برای دیدن شباهت/تفاوت بین گونه‌ها.

#دانستنی‌ها
----------
🆔 @BioinfCamp

🔹 تفاوت بین کامیت خوب و بد در Git (پست 10)

جمع‌بندی. چرا کامیت خوب مهمه؟

✔️ تاریخچه پروژه رو قابل فهم نگه می‌داره
✔️ همکاری تیمی رو راحت‌تر می‌کنه
✔️ رفع باگ و توسعه آینده رو ساده‌تر می‌کنه

یادت باشه، کامیت خوب مساوی است با:
تیم خوشحال + پروژه پایدار + آینده بدون دردسر

#گیت #گیت‌هاب #برنامه‌نویسی
----------
🆔 @BioinfCamp

گراف همسایگی کشورهای جهان

#دانستنی‌ها
----------
🆔 @BioinfCamp

📢 وبینار علمی رایگان از ELIXIR-Europe
دانشگاه تگزاس آستین

🔬 Modern Cells, Ancient Proteins and Complexes

📅 سه‌شنبه، 25 نوامبر 2025
🎙 سخنران: Prof Edward M. Marcotte

در این وبینار جذاب، دربارهٔ کشف و تحلیل پروتئین‌ها و کمپلکس‌های بسیار قدیمی و conserved صحبت می‌شود؛ ساختارها و مجموعه‌هایی که حتی به آخرین نیای مشترک یوکاریوت‌ها بازمی‌گردند.

🔗 لینک اطلاعات و ثبت‌نام:
https://elixir-europe.org/events/modern-cells-ancient-proteins-and-complexes

#وبینار
----------
🆔 @BioinfCamp

🔬 فرصت پست‌داک در حوزه Ai و ژنوم
📍مون‌پلیه IGMM – همکاری با IMAG
⏳ مدت: ۱۸ ماه | شروع: تا پایان ۲۰۲۵

🔹 گروه AI for Genome Interpretation به‌دنبال یک پژوهشگر پست‌داک است تا روی توسعه‌ی شبکه‌های عصبی با اثرات ترکیبی برای تفسیر ژنوم کار کند.

🔗 اطلاعات بیشتر و ارسال درخواست:
https://emploi.cnrs.fr/Offres/CDD/UMR5535-SARADE-091/Default.aspx?lang=EN

#اپلای
----------
🆔 @BioinfCamp

🧬 شبکه‌های زیستی در بیوانفورماتیک

شبکه‌ها ابزاری قدرتمند برای تحلیل پیچیدگی‌های زیستی هستند!

مثلاً:
🔹 شبکه‌های تعامل پروتئین‌ها (PPI)
🔹 شبکه‌های Gene Co-expression
🔹 شبکه‌های میکروبیوم

هر شبکه شامل موارد زیر است:
🔹 نودها: ژن‌ها، پروتئین‌ها، میکروب‌ها یا ...
🔹 یال‌ها: ارتباط بین این نودها

📌 در چند پست آینده، به بررسی شبکه‌های زیستی و کاربردهای آن‌ها می‌پردازیم. در ابتدا درباره سه نوع ساختار مهم در شبکه‌های واقعی صحبت می‌کنیم، سپس به مجموعه‌ای از معیارها می‌پردازیم که مشخص می‌کنند کدام نودها در شبکه از نظر اهمیت یا تأثیرگذاری جایگاه ویژه‌ای دارند.
با ما همراه باشید!

#شبکه‌های_زیستی
----------
🆔 @BioinfCamp

شبکه‌های زیستی در بیوانفورماتیک - پست 1

شبکه‌های Scale-Free

🔹 در این شبکه‌ها، توزیع ارتباطات بین نودها (مثل ژن‌ها یا پروتئین‌ها) نابرابره.
🔹 بیشتر نودها فقط چند ارتباط دارن، ولی تعداد کمی از نودها (که بهشون Hub می‌گن) ارتباطات زیادی دارن.
🔹 این هاب‌ها نقش حیاتی دارن؛ حذفشون می‌تونه کل شبکه رو مختل کنه.

#شبکه‌های_زیستی
----------
🆔 @BioinfCamp

شبکه‌های زیستی در بیوانفورماتیک - پست 2

شبکه‌های Small-World

🔹 در این شبکه‌ها، فاصله میانگین بین هر دو نود (مثلاً دو پروتئین یا دو ژن) با افزایش اندازه شبکه فقط به صورت لگاریتمی زیاد می‌شه.

🔹 یعنی حتی در شبکه‌های خیلی بزرگ، معمولاً بین دو موجود فقط چند “واسطه” وجود داره.

🔹 این ویژگی باعث می‌شه سیگنال‌ها یا اطلاعات در سلول‌ها خیلی سریع منتقل بشن.

#شبکه‌های_زیستی
----------
🆔 @BioinfCamp

🧬 از FASTQ تا BAM و برعکس!

🔹 دستگاه‌های توالی‌یابی ژنوم ابزارهایی هستن که می‌تونن ترتیب بازهای DNA یا RNA رو بخونن و به داده‌های قابل تفسیر تبدیل کنن. خروجی اولیه‌ی این دستگاه‌ها معمولاً به صورت فایل‌های FASTQ ذخیره می‌شه.

🔹 بعد از مرحله‌ی هم‌ترازی (Align) این داده‌ها روی ژنوم مرجع نگاشت می‌شن و در قالب فایل‌های BAM ذخیره می‌شن؛ فرمتی فشرده و استاندارد برای داده‌های توالی‌یابی.

🔹 حالا نکته مهم اینه:
اگر فقط BAM در اختیار داشته باشیم ولی بخوایم آنالیز رو دوباره از اول با Cell Ranger یا ابزارهای دیگه‌ی 10x اجرا کنیم، باید اون رو به FASTQ برگردونیم.

🔹 برای این کار ابزار bamtofastq طراحی شده که میتونید اطلاعات بیشتر در مورد اون رو با کلیک کردن روی این لینک ببینید.

#معرفی_ابزار
----------
🆔 @BioinfCamp

✍️ سریع‌ترین راه یادگیری نوشتنه، نه خوندن.

💎 وقتی چیزی رو می‌نویسی، مجبوری افکارت رو مرتب کنی، جاهای خالی رو ببینی و واقعاً بفهمی چی بلدی و چی رو فقط حفظ کردی.

💎 یادگیری منفعل (دیدن ویدیو، خوندن مقاله) فقط توهم یادگیری می‌ده. نوشتن شکاف‌های ذهنی رو آشکار می‌کنه و یادگیریت رو عمیق و چندبرابر سریع‌تر می‌کنه.

💎 لازم نیست نوشته‌هات زیبا باشه یا عمومی؛ فقط واقعی باشه. افرادی که سریع‌تر یاد می‌گیرن، بااستعدادتر نیستن—اونا فقط بیشتر می‌نویسن.

#دانستنی‌ها
----------
🆔 @BioinfCamp

شبکه‌های زیستی در بیوانفورماتیک - پست 3

شبکه‌های Random Graphs

🔹 برای مقایسه، گاهی شبکه‌ها رو به صورت Random Graph (تصادفی) مدل می‌کنن.

🔹 اما! بیشتر شبکه‌های زیستی واقعی از این مدل فاصله دارن و ترکیبی از Scale-Free و Small-World هستن.

#شبکه‌های_زیستی
----------
🆔 @BioinfCamp

این درخت، شاخه‌ای از درخت سیبیه 🍎 که نیوتن زیرش نشسته بوده و ایده‌ی گرانش به ذهنش رسیده. یادبودش هم تو Trinity College که نیوتن اونجا درس می‌خوند، گذاشتن.

اسمش Newton Apple Tree 🥶 هست و یه جایی تو کمبریج قرار داره.

#دانستنی‌ها #زنگ_تفریح #علم
----------
🆔 @BioinfCamp

🔹 با افتخار شما رو دعوت میکنیم، مقاله جدید بچه‌های کمپ بیوانفورماتیک را، از طریق لینک زیر مطالعه کنید 👇

💎 https://www.nature.com/articles/s41598-025-26511-1

#مقاله
----------
🆔 @BioinfCamp

تحلیل "pseudotime" یا "زمان کاذب" چیست؟

🔹 تحلیل "زمان کاذب" یکی از روش‌های بسیار مهم در تحلیل داده‌های single-cell و به معنی بازسازی مسیر "زمانیِ" تمایز یا تغییر سلول‌ها بر اساس شباهت‌های بیان ژن، بدون اینکه زمان واقعی ثبت شده باشه است.

🔹 چرا بهش می‌گن زمان کاذب؟
چون ما زمان واقعی نداریم (مثلاً نمی‌دونیم فلان سلول دقیقاً چند ساعت پیش شروع به تمایز کرده)، ولی می‌خوایم ترتیب تغییرات سلولی رو حدس بزنیم. بنابراین، با الگوریتم‌هایی، سلول‌ها رو در یک مسیر فرضی زمانی قرار می‌دیم که نشون بده چه سلولی زودتر و کدوم دیرتر به حالت نهایی رسیده.

📌 ابزارهای معروف این نوع تحلیل:
🔹 Monocle
🔹 Slingshot
🔹 SCORPIUS
🔹 PAGA (in scanpy)

#آنالیز_داده
----------
🆔 @BioinfCamp