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

💎 تا اینجا در مجموعه پست‌های مربوط به شبکه‌های زیستی در بیوانفورماتیک، سه نوع شبکه مهم را با هم بررسی کردیم.

💎 در ادامه، با معیارهایی آشنا خواهیم شد که به ما کمک می‌کنند نودهای کلیدی و پراهمیت شبکه زیستی‌مان را شناسایی کنیم.

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

شبکه‌های زیستی در بیوانفورماتیک - پست 4

سنترالیتی (Centrality) چیست؟

در آنالیز شبکه، سنترالیتی مجموعه‌ای از معیارهاست که مشخص می‌کنند کدام نودها (گره‌ها) در شبکه از نظر اهمیت یا تأثیرگذاری جایگاه ویژه‌ای دارند.

اهمیت می‌تواند به معنای:
🔹 میزان ارتباطات مستقیم
🔹 یا توانایی در انتقال اطلاعات بین سایر نودها باشد.
🔹 موقعیت استراتژیک در اتصال بخش‌های مختلف شبکه


با کمک این معیارها می‌تونیم تو شبکه زیستی‌مون بفهمیم:
🔹 کدام ژن/پروتئین نقش کلیدی (Hub) دارد؟
🔹 اگر یک نود حذف شود، شبکه چقدر آسیب می‌بیند؟
🔹 کدام نودها در انتقال سیگنال‌ها و متابولیت‌ها حیاتی‌اند؟

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

این شبکه رادیوی فرانسوی فقط موسیقی باروک پخش‌ می‌کنه.

💎 https://www.radiofrance.fr/francemusique/radio-baroque

#زنگ_تفریح
----------
🆔 @BioinfCamp

فرصت پست‌داک در فرانسه ✈️🇫🇷

توضیحات پروژه:
کار با داده‌های ژنومیک و یادگیری ماشین (مخصوصاً شبکه‌های عصبی) برای همکاری در گروه بیوانفورماتیک در مون‌پلیه، جنوب فرانسه.

جزئیات موقعیت:
مدت قرارداد: ۱۶ ماه
محل کار: CNRS
حقوق: حدود ۲۵۰۰ یورو خالص

لینک گروه پژوهشی:
https://www.igmm.cnrs.fr/en/team/ai-for-genome-interpretation/

اطلاعات بیشتر و لینک اپلای:
https://emploi.cnrs.fr/Offres/CDD/UMR5535-SARADE-101/Default.aspx?lang=EN

اگر پروفایلتان مناسب است و علاقه‌مند هستید، می‌توانید اپلای کنید. دقت کنید که چند موقعیت مشابه دیگر هم در این گروه در حال باز شدن است.

#اپلای
----------
🆔 @BioinfCamp

🧬 چرخه‌ی سلول‌های T به زبان ساده

🔹 سلول‌های T اولش naïve هستن؛ یعنی هنوز هیچ آنتی‌ژنی رو ندیدن.

🔹 وقتی با APC برخورد می‌کنن، فعال می‌شن و به سرعت تقسیم می‌شن.

🔹 نتیجه؟ تبدیل به effector T cells که با پاتوژن‌ها مبارزه می‌کنن.

🔹 بعد از پاک شدن عفونت، بیشتر این سلول‌ها می‌میرن.

🔹 فقط یه تعداد کم باقی می‌مونه که به memory T cells تبدیل می‌شن.

🔹 سلول‌های حافظه،‌ دفعه‌ی بعدی مواجه با آنتی‌ژن، خیلی سریع‌تر بهش واکنش نشون میدن.

#سیستم_ایمنی #طراحی_واکسن
----------
🆔 @BioinfCamp

شبکه‌های زیستی در بیوانفورماتیک - پست 5

Degree Centrality

در علم شبکه‌ها Degree Centrality یعنی تعداد یال‌هایی که یک گره (Node) دارد. در بیوانفورماتیک، این مفهوم برای شناسایی عناصر کلیدی در انواع شبکه‌ها کاربرد دارد.

🔹 در شبکه PPI، پروتئین با Degree بالا به عنوان Hub Protein شناخته می‌شود.

🔹 در شبکه ژنی، ژن با Degree بالا نقش تنظیم‌کننده کلیدی در بیان ژن‌ها دارد.

🔹 در شبکه متابولیکی، متابولیت با Degree بالا یک ترکیب حیاتی در مسیرهای زیستی محسوب می‌شود.

به‌طور کلی، گره‌هایی با Degree بالا نقش حیاتی در پایداری و عملکرد شبکه دارند و حذف آن‌ها می‌تواند اختلال‌های جدی ایجاد کند.

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

🧠 همیشه یه چیزی هست! (درباره حواس‌پرتی متخصصین بیوانفورماتیک)

متخصصین بیوانفورماتیک که دائما با لپ‌تاپ خود درگیر هستند، عموما دچار حواس‌پرتی میشوند. گاهی تماس‌ها، نوتیف‌ها، جلسات، شبکات اجتماعی و گاهی حتی سرچ ساده توی مستندات و مقالات، همه‌ی اینا تمرکز رو از بین می‌برن.

✅ چیکار کنیم؟
🔹 ساعت‌های طلایی تمرکزتو بشناس
🔹 حواس‌پرتی‌های حتمی رو زمان‌بندی کن
🔹 از ابزارهای بهره‌وری استفاده کن (میانبرها، regex tools، و حتی AI!)
🔹 برای وقفه‌ها برنامه‌ریزی کن (نه اینکه یهو تو توییتر گم شی!)
🔹 گاهی «هیچی انجام ندادن» بهترین کاره

#دانستنی‌ها
----------
🆔 @BioinfCamp

💡 معرفی TCRdb
پایگاه داده به‌روز شده توالی‌های T-cell receptor

🔬 یک دیتابیس جامع و به‌روز برای تحلیل میلیون‌ها توالی TCR که تحقیقات روی پاسخ ایمنی را دقیق‌تر و کاربردی‌تر می‌کند.

✨ ویژگی‌های کلیدی:
1⃣ شامل ~700 میلیون توالی TCR از 19,701 نمونه و 46 بافت مختلف
2⃣ داده‌های مرتبط با درمان‌های ایمنی، مانند PD-1 blockade
3⃣ ساخت بزرگ‌ترین مرجع توالی TCR از نمونه‌های سالم
4⃣ رابط کاربری جدید برای جستجو و دانلود انعطاف‌پذیر
5⃣ پشتیبانی از Gamma delta (γδ) T cells

🌐 TCRdb2.0 (Click Here)

#طراحی_واکسن #سیستم_ایمنی
----------
🆔 @BioinfCamp

فرآیند تمایز سلول‌های بنیادی استخراج‌شده از مغز استخوان

#دانستنی‌ها
----------
🆔 @BioinfCamp

شبکه‌های زیستی در بیوانفورماتیک - پست 6

Betweenness Centrality

🔹 تعریف:
تعداد مسیرهای کوتاه‌ترین راه (shortest paths) که از یک نود عبور می‌کنند.

🔹 تفسیر:
نشان می‌دهد نود چقدر به عنوان "پل" بین بخش‌های مختلف شبکه عمل می‌کند.

🔹 مثال‌:
در شبکه سیگنالینگ، پروتئین‌هایی با betweenness بالا گلوگاه مسیرهای سیگنالی هستند. حذف این پروتئین‌ها باعث اختلال گسترده در مسیرهای پیام‌رسانی می‌شود.

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

🔹 امروز، پس‌فردا و دو روز بعد از پس‌فردا
🔹 (۱۳، ۱۵ و ۱۷ دسامبر)
🔹 سه تا پوزیشن تو کانال انگلیسی کمپ بیوانفورماتیک می‌ذاریم.
🔹 اپلای کنید ✈

یک پوزیشن کارآموزی
یکی دکتری (PhD)
و یکی پست‌داک (Postdoc)

جزئیات رو اینجا ببینید:
@BioinfCamp_au