#پنجشنبه_و_معرفی_مقاله
پایگاه داده H2V
📝 بیماری همه گیر COVID-19 توسط SARS-CoV-2رخ میدهد. ویروس کرونا، ویروس جدیدی است که برای اولین بار در پایان سال 2019 کشف شد. طبق آمار سازمان بهداشت جهانی از 11 نوامبر سال 2020 منجر به بیش از 50 میلیون مورد تایید شده و بیش از 1 میلیون مرگ در 219 کشور جهان شده است.
ویروسهای SARS-CoV-2 ، SARS-CoV و MERS-CoV مشابه و بسیار بیماری زا هستند و سلامت عمومی را تهدید می کنند ، اقتصاد را مختل می نمایند و تأثیرات طولانی مدت بر جامعه میگذارند. تلاش برای ایجاد اقدامات ضد ویروسی به دلیل درک ناکافی از نحوه پاسخ بدن انسان به عفونت های ویروسی در سطح سلولی و مولکولی با مشکل روبرو شده است.
پایگاه داده H2V اطلاعات مولکولی در مورد پاسخ انسان به عفونت را فراهم می کند و از این رو می تواند ابزاری قدرتمند برای کشف مسیرهای سلولی و فرآیندهای مربوط به بیماری زایی ویروسی برای شناسایی اهداف بالقوه دارویی باشد.
انتظار می رود که این پایگاه داده روند تولید عامل ضد ویروسی را تسریع کرده و آمادگی ها را برای موارد اضطراری احتمالی مربوط به ویروس کرونا در آینده ایجاد نماید.
🌐 جهت دسترسی به این پایگاه داده میتوانید از لینک زیر استفاده کنید:
http://www.zhounan.org/h2v
همچنین جهت مطالعه مقاله مربوطه از طریق این تارنما اقدام کنید:
https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-020-03935-2
#تهیه_و_تنظیم : #مهسا_سعادت
@CBRC_aut
پایگاه داده H2V
📝 بیماری همه گیر COVID-19 توسط SARS-CoV-2رخ میدهد. ویروس کرونا، ویروس جدیدی است که برای اولین بار در پایان سال 2019 کشف شد. طبق آمار سازمان بهداشت جهانی از 11 نوامبر سال 2020 منجر به بیش از 50 میلیون مورد تایید شده و بیش از 1 میلیون مرگ در 219 کشور جهان شده است.
ویروسهای SARS-CoV-2 ، SARS-CoV و MERS-CoV مشابه و بسیار بیماری زا هستند و سلامت عمومی را تهدید می کنند ، اقتصاد را مختل می نمایند و تأثیرات طولانی مدت بر جامعه میگذارند. تلاش برای ایجاد اقدامات ضد ویروسی به دلیل درک ناکافی از نحوه پاسخ بدن انسان به عفونت های ویروسی در سطح سلولی و مولکولی با مشکل روبرو شده است.
پایگاه داده H2V اطلاعات مولکولی در مورد پاسخ انسان به عفونت را فراهم می کند و از این رو می تواند ابزاری قدرتمند برای کشف مسیرهای سلولی و فرآیندهای مربوط به بیماری زایی ویروسی برای شناسایی اهداف بالقوه دارویی باشد.
انتظار می رود که این پایگاه داده روند تولید عامل ضد ویروسی را تسریع کرده و آمادگی ها را برای موارد اضطراری احتمالی مربوط به ویروس کرونا در آینده ایجاد نماید.
🌐 جهت دسترسی به این پایگاه داده میتوانید از لینک زیر استفاده کنید:
http://www.zhounan.org/h2v
همچنین جهت مطالعه مقاله مربوطه از طریق این تارنما اقدام کنید:
https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-020-03935-2
#تهیه_و_تنظیم : #مهسا_سعادت
@CBRC_aut
BioMed Central
H2V: a database of human genes and proteins that respond to SARS-CoV-2, SARS-CoV, and MERS-CoV infection - BMC Bioinformatics
Background The ongoing global COVID-19 pandemic is caused by SARS-CoV-2, a novel coronavirus first discovered at the end of 2019. It has led to more than 50 million confirmed cases and more than 1 million deaths across 219 countries as of 11 November 2020…
#سمینار_بیوانفورماتیک
گروه پژوهشی الگوریتم ها و هندسه محاسباتی دانشگاه امیرکبیر برگزار میکند:
📝موضوع : طراحی دارو به کمک کامپیوتر
ارائه دهنده: دکتر نگین فروزش، از دانشگاه کالیفرنیا
📆زمان: چهارشنبه، ۱۵ بهمن، ساعت ۱۹
🌐جهت شرکت در این ارائه از لینک زیر اقدام فرمایید:
https://us05web.zoom.us/j/81265693322?pwd=STFaUkhnTmlJSU1adlBtZ3E4QXFhdz09
📌برای حضور در این سمینار از نام کاربری و پسورد زیر استفاده کنید:
Meeting ID: 812 6569 3322
Passcode: nivj8r
@CBRC_aut
گروه پژوهشی الگوریتم ها و هندسه محاسباتی دانشگاه امیرکبیر برگزار میکند:
📝موضوع : طراحی دارو به کمک کامپیوتر
ارائه دهنده: دکتر نگین فروزش، از دانشگاه کالیفرنیا
📆زمان: چهارشنبه، ۱۵ بهمن، ساعت ۱۹
🌐جهت شرکت در این ارائه از لینک زیر اقدام فرمایید:
https://us05web.zoom.us/j/81265693322?pwd=STFaUkhnTmlJSU1adlBtZ3E4QXFhdz09
📌برای حضور در این سمینار از نام کاربری و پسورد زیر استفاده کنید:
Meeting ID: 812 6569 3322
Passcode: nivj8r
@CBRC_aut
CBRC
#سمینار_بیوانفورماتیک گروه پژوهشی الگوریتم ها و هندسه محاسباتی دانشگاه امیرکبیر برگزار میکند: 📝موضوع : طراحی دارو به کمک کامپیوتر ارائه دهنده: دکتر نگین فروزش، از دانشگاه کالیفرنیا 📆زمان: چهارشنبه، ۱۵ بهمن، ساعت ۱۹ 🌐جهت شرکت در این ارائه از لینک زیر اقدام…
📝 Title: Computer-Aided Drug Design
Abstract
Drug discovery is one of the most challenging tasks in biological sciences as it takes about 10-15 years and $1.5-2 billion on average to discover a new drug.
Therefore, efforts to speed up this process or lower its costs are highly valuable.
Computer aided drug design (CADD) plays a crucial role in the early stages of drug discovery.
In CADD, computational approaches are used in order to discover, develop, and analyze drugs and similar biologically active molecules, such as proteins.
Protein is an important class of biological macromolecules that performs its functions by binding to other molecules, such as small molecules, so-called ligands.
Several critical cellular processes in the human body are controlled by protein-ligand bindings.
Hence, a thorough understanding of protein-ligand interactions is central to
comprehending biology at the molecular level. In this talk, I will present three of my recent research projects centered around protein-ligand interactions:
(1) introduction of an efficient implicit solvent model for calculating binding free energies
(2) multidimensional optimization and robustness analysis in the context of proteinligandbinding.
The corresponding computational pipeline contains a massively
parallel implementation of a deterministic global optimization algorithm (VTDIRECT95) and a novel robustness metric that helps distinguish between nearly degenerate local minima
(3) introduction of a physics-guided neural network for binding free energy calculations.
The ultimate goal of this research is to facilitate the sophisticated procedure of drug discovery by developing accurate yet fast computational methods to simulate interactions between biomolecules.
@CBRC_aut
Abstract
Drug discovery is one of the most challenging tasks in biological sciences as it takes about 10-15 years and $1.5-2 billion on average to discover a new drug.
Therefore, efforts to speed up this process or lower its costs are highly valuable.
Computer aided drug design (CADD) plays a crucial role in the early stages of drug discovery.
In CADD, computational approaches are used in order to discover, develop, and analyze drugs and similar biologically active molecules, such as proteins.
Protein is an important class of biological macromolecules that performs its functions by binding to other molecules, such as small molecules, so-called ligands.
Several critical cellular processes in the human body are controlled by protein-ligand bindings.
Hence, a thorough understanding of protein-ligand interactions is central to
comprehending biology at the molecular level. In this talk, I will present three of my recent research projects centered around protein-ligand interactions:
(1) introduction of an efficient implicit solvent model for calculating binding free energies
(2) multidimensional optimization and robustness analysis in the context of proteinligandbinding.
The corresponding computational pipeline contains a massively
parallel implementation of a deterministic global optimization algorithm (VTDIRECT95) and a novel robustness metric that helps distinguish between nearly degenerate local minima
(3) introduction of a physics-guided neural network for binding free energy calculations.
The ultimate goal of this research is to facilitate the sophisticated procedure of drug discovery by developing accurate yet fast computational methods to simulate interactions between biomolecules.
@CBRC_aut
CBRC
#یکشنبه_و_آموزش_بیوانفورماتیک پروتئین به عنوان بزرگترین درشت مولکولهای موجود در بدن، از جمله مهمترین اجزای بدن است که نقشهای بسیار حیاتی و مهمی در بدن را دارد. پروتئینها مانند زنجیری از یک کلاف سهبعدی پلیمرهایی هستند که از توالی آمینو اسیدها حاصل…
#یکشنبه_و_آموزش_بیوانفورماتیک
#پروتئین
در ادامه معرفی ماکرومولکول پروتئین، این هفته به طور جامع تری به نحوه عملکرد پروتئینها، ساختار آنها، دومین ها و نواحی اتصالات پروتئین ها، فایل های PDB و معرفی ابزار DSSP می پردازیم.
🌐 برای این امر می توانید روی لینک زیر کلیک نموده و ارائه آقای #امین_رحمانی را مشاهده فرمایید:
https://www.aparat.com/v/p17Cn
@CBRC_aut
#پروتئین
در ادامه معرفی ماکرومولکول پروتئین، این هفته به طور جامع تری به نحوه عملکرد پروتئینها، ساختار آنها، دومین ها و نواحی اتصالات پروتئین ها، فایل های PDB و معرفی ابزار DSSP می پردازیم.
🌐 برای این امر می توانید روی لینک زیر کلیک نموده و ارائه آقای #امین_رحمانی را مشاهده فرمایید:
https://www.aparat.com/v/p17Cn
@CBRC_aut
آپارات - سرویس اشتراک ویدیو
پریورکشاپ ICoBi- معرفی پروتئین
ارائه دهنده: امین رحمانیدر این ارائه با پروتئین و ساختارهای آن آشنا میشویم.
#پنجشنبه_و_معرفی_مقاله
الگوریتم ReFold-MAP
📝 دو مسئله مهم که در پیشگویی ساختار و عملکرد پروتئینها استفاده می شوند، تشخیص همولوژی پروتئینها به صورت ریموت و شناسایی fold آنها است.
در این زمينه سه متد متفاوت وجود دارد: روشهای تمایزی، همترازی و رتبه بندی. در این مقاله یک روش تمایزی جدید به نام ReFold-MAP معرفی شده است.
در این متد با استفاده از سه نوع پروفایل Motif-PSSM، ACC-PSSM و PDT-profile ، به استخراج ویژگی می پردازند.
این ویژگیها، کهMAP نامیده می شوند، اطلاعات کرنل موتیف ساختاری، اطلاعات تکاملی و اطلاعات توالی را ترکیب مینمایند. نتایج حاصل از اعتبارسنجی ReFold-MAPنشان داده اند که این روش از سایر متدها عملکرد بهتری دارد.
🌐جهت مطالعه این مقاله روی لینک زیر کلیک کنید:
https://www.sciencedirect.com/science/article/abs/pii/S0003269720305455
#تهیه_و_تنظیم: #زهرا_سراج
@CBRC_aut
الگوریتم ReFold-MAP
📝 دو مسئله مهم که در پیشگویی ساختار و عملکرد پروتئینها استفاده می شوند، تشخیص همولوژی پروتئینها به صورت ریموت و شناسایی fold آنها است.
در این زمينه سه متد متفاوت وجود دارد: روشهای تمایزی، همترازی و رتبه بندی. در این مقاله یک روش تمایزی جدید به نام ReFold-MAP معرفی شده است.
در این متد با استفاده از سه نوع پروفایل Motif-PSSM، ACC-PSSM و PDT-profile ، به استخراج ویژگی می پردازند.
این ویژگیها، کهMAP نامیده می شوند، اطلاعات کرنل موتیف ساختاری، اطلاعات تکاملی و اطلاعات توالی را ترکیب مینمایند. نتایج حاصل از اعتبارسنجی ReFold-MAPنشان داده اند که این روش از سایر متدها عملکرد بهتری دارد.
🌐جهت مطالعه این مقاله روی لینک زیر کلیک کنید:
https://www.sciencedirect.com/science/article/abs/pii/S0003269720305455
#تهیه_و_تنظیم: #زهرا_سراج
@CBRC_aut
#پنجشنبه_و_معرفی_مقاله
مدل SPIN2: پیش بینی پروفایل توالی پروتئین از روی ساختار آن با استفاده از شبکه های عصبی عمیق
📝 طراحی توالی های پروتئینی ای که قابلیت فولد شدن به ساختار داده شده را دارند مسئله شناخته شده ای به نام فولدینگ معکوس پروتئین است. یک شاخصه مهم برای طراحی پروتئین، توانایی بازیابی توالی wild-type با استفاده از ساختار طبیعی backbone پروتئین است. بالاترین میانگین دقت بدست آمده برای برنامه های طراحی پروتئین حدود 30 درصد بوده است، که با استفاده از شبکه عصبی مبتنی بر ویژگی های ساختار های جزئی محلی و تابع پتانسیل غیرمحلی، توالی سازگار با ساختار داده شده را پیش بینی می کند.
مدل ارائه شده در این مقاله به نام SPIN2 با استفاده از شبکه عصبی عمیق و افزودن ویژگی های ساختاری، سعی در بهبود مدل قبلی دارد.
مدل SPIN2 به دقت 34 درصد ریکاوری توالی، با استفاده از مجموعه تست مستقل و ten fold cross validation، دست یافته است که نسبت به ورژن قبلی 4 درصد افزایش داشته است.
انتظار می رود پروفایل توالی تولید شده از SPIN2 می تواند برای تکنیک های طراحی پروتئین و شناسایی فولدینگ مفید باشد.
🌐 جهت مطالعه مقاله معرفی شده روی لینک زیر کلیک کنید:
https://doi.org/10.1002/prot.25489
#تهیه_و_تنظیم : #فیاض_سلیمانی
@CBRC_aut
مدل SPIN2: پیش بینی پروفایل توالی پروتئین از روی ساختار آن با استفاده از شبکه های عصبی عمیق
📝 طراحی توالی های پروتئینی ای که قابلیت فولد شدن به ساختار داده شده را دارند مسئله شناخته شده ای به نام فولدینگ معکوس پروتئین است. یک شاخصه مهم برای طراحی پروتئین، توانایی بازیابی توالی wild-type با استفاده از ساختار طبیعی backbone پروتئین است. بالاترین میانگین دقت بدست آمده برای برنامه های طراحی پروتئین حدود 30 درصد بوده است، که با استفاده از شبکه عصبی مبتنی بر ویژگی های ساختار های جزئی محلی و تابع پتانسیل غیرمحلی، توالی سازگار با ساختار داده شده را پیش بینی می کند.
مدل ارائه شده در این مقاله به نام SPIN2 با استفاده از شبکه عصبی عمیق و افزودن ویژگی های ساختاری، سعی در بهبود مدل قبلی دارد.
مدل SPIN2 به دقت 34 درصد ریکاوری توالی، با استفاده از مجموعه تست مستقل و ten fold cross validation، دست یافته است که نسبت به ورژن قبلی 4 درصد افزایش داشته است.
انتظار می رود پروفایل توالی تولید شده از SPIN2 می تواند برای تکنیک های طراحی پروتئین و شناسایی فولدینگ مفید باشد.
🌐 جهت مطالعه مقاله معرفی شده روی لینک زیر کلیک کنید:
https://doi.org/10.1002/prot.25489
#تهیه_و_تنظیم : #فیاض_سلیمانی
@CBRC_aut
Wiley Online Library
SPIN2: Predicting sequence profiles from protein structures using deep neural networks
Designing protein sequences that can fold into a given structure is a well-known inverse protein-folding problem. One important characteristic to attain for a protein design program is the ability to...
#سمینار
گروه علوم کامپیوتر دانشگاه شهر کرد برگزار میکند:
آشنایی با بیوانفورماتیک، کاربردها و آینده آن در ایران و جهان
سخنران: دکتر فاطمه زارع
زمان: چهارشنبه، ۶ اسفند، ساعت ۱۷
🌐 این سمینار در بستر ادوبی کانکت برگزار خواهد شد. جهت شرکت روی لینک زیر کلیک کنید و به عنوان مهمان وارد شوید:
http://live.sku.ac.ir/lfm/
@CBRC_aut
گروه علوم کامپیوتر دانشگاه شهر کرد برگزار میکند:
آشنایی با بیوانفورماتیک، کاربردها و آینده آن در ایران و جهان
سخنران: دکتر فاطمه زارع
زمان: چهارشنبه، ۶ اسفند، ساعت ۱۷
🌐 این سمینار در بستر ادوبی کانکت برگزار خواهد شد. جهت شرکت روی لینک زیر کلیک کنید و به عنوان مهمان وارد شوید:
http://live.sku.ac.ir/lfm/
@CBRC_aut
#پنجشنبه_و_معرفی_مقاله
بررسی روشهای محاسباتی پیشگویی مکان اتصال لیگاند و پروتئین
پروتئینها در بدن موجودات زنده از طریق برهمکنش با مولکولهای دیگر، در فرایندهای ضروری متنوعی شرکت میکنند.
شناسایی رزیجوهای شرکت کننده در این برهمکنشها نه تنها در مورد عملکرد پروتئینها به ما بینش میدهد بلکه برای کشف دارو بسیار بااهمیت است. بنابراین، پیشگویی مکان اتصال لیگاند و پروتئین برای مدت طولانی در حوزه های بیوانفورماتیک و کشف دارو به کمک روشهای محاسباتی مورد تحقیق و پژوهش بوده است.
در این مقاله ابتدا پیش زمینه پژوهشی پیشگویی مکان اتصال لیگاند و پروتئین معرفی می شود، سپس به معرفی چهار دسته اصلی برای حل این مسئله می پردازد: روشهای براساس ساختار سه بعدی، شباهت با الگو، یادگیری ماشین و یادگیری ژرف.
در هر دسته تعدادی الگوریتم معرفی شده و روشهای براساس یادگیری ماشین و یادگیری ژرف را با جزئیات بیشتر توضیح داده میگردند. درنهایت، به گرایشها و چالشهای این موضوع از قبیل پیشگویی مکان اتصال نهان به کمک شبیه سازی دینامیک مولکولی می پردازد.
#تهیه_و_تنظیم: #زهرا_سراج
🌐 جهت مطالعه این مقاله روی لینک زیر کلیک کنید:
https://www.sciencedirect.com/science/article/pii/S2001037019304465#
@CBRC_aut
بررسی روشهای محاسباتی پیشگویی مکان اتصال لیگاند و پروتئین
پروتئینها در بدن موجودات زنده از طریق برهمکنش با مولکولهای دیگر، در فرایندهای ضروری متنوعی شرکت میکنند.
شناسایی رزیجوهای شرکت کننده در این برهمکنشها نه تنها در مورد عملکرد پروتئینها به ما بینش میدهد بلکه برای کشف دارو بسیار بااهمیت است. بنابراین، پیشگویی مکان اتصال لیگاند و پروتئین برای مدت طولانی در حوزه های بیوانفورماتیک و کشف دارو به کمک روشهای محاسباتی مورد تحقیق و پژوهش بوده است.
در این مقاله ابتدا پیش زمینه پژوهشی پیشگویی مکان اتصال لیگاند و پروتئین معرفی می شود، سپس به معرفی چهار دسته اصلی برای حل این مسئله می پردازد: روشهای براساس ساختار سه بعدی، شباهت با الگو، یادگیری ماشین و یادگیری ژرف.
در هر دسته تعدادی الگوریتم معرفی شده و روشهای براساس یادگیری ماشین و یادگیری ژرف را با جزئیات بیشتر توضیح داده میگردند. درنهایت، به گرایشها و چالشهای این موضوع از قبیل پیشگویی مکان اتصال نهان به کمک شبیه سازی دینامیک مولکولی می پردازد.
#تهیه_و_تنظیم: #زهرا_سراج
🌐 جهت مطالعه این مقاله روی لینک زیر کلیک کنید:
https://www.sciencedirect.com/science/article/pii/S2001037019304465#
@CBRC_aut
Forwarded from نشریه رمزیست
◼️انتشار شماره اول دوفصلنامه علمی-تخصصی رمزیست
در این شماره میخوانیم:
-چگونه علومکامپیوتر، زیستشناسی را نجات داد
-مارکوف و مارکوف مخفی را بهتر بشناسیم
- دنیای بیوانفورماتیک و پروژه هزار ژنوم!
-کرونا دنیا را تغییر داده، تکنولوژی را چطور؟
- دانشمند قصهگو میشود
- هر بار ساز و کار طبیعت را فهمیدیم، تغییرش دادند
و ......
📚 دریافت نسخه الکترونیکی نشریه، از طریق اپلیکیشن طاقچه
#نشریه_رمزیست #انجمن_علمی_بیوانفورماتیک #بیوانفورماتیک #دانشگاه_تربیت_مدرس #رمزیست
اینستاگرام رمزیست
@ramzist
@bioinftmu
در این شماره میخوانیم:
-چگونه علومکامپیوتر، زیستشناسی را نجات داد
-مارکوف و مارکوف مخفی را بهتر بشناسیم
- دنیای بیوانفورماتیک و پروژه هزار ژنوم!
-کرونا دنیا را تغییر داده، تکنولوژی را چطور؟
- دانشمند قصهگو میشود
- هر بار ساز و کار طبیعت را فهمیدیم، تغییرش دادند
و ......
📚 دریافت نسخه الکترونیکی نشریه، از طریق اپلیکیشن طاقچه
#نشریه_رمزیست #انجمن_علمی_بیوانفورماتیک #بیوانفورماتیک #دانشگاه_تربیت_مدرس #رمزیست
اینستاگرام رمزیست
@ramzist
@bioinftmu
This media is not supported in your browser
VIEW IN TELEGRAM
🎯 سمینارهای هفتگی پاییزه و زمستانه آزمایشگاه زیست شناسی محاسباتی CBRC
📆 هر چهارشنبه ساعت 18
📝 اطلاعات تکمیلی به زودی ارائه خواهد شد.
@CBRC_aut
📆 هر چهارشنبه ساعت 18
📝 اطلاعات تکمیلی به زودی ارائه خواهد شد.
@CBRC_aut
📢 برگزاری سمینارهای آزمایشگاه زیست محاسباتی CBRC
به رسم قدردانی از همراهی شما عزیزان، دوره جدید سمینارهای هفتگی آزمایشگاه CBRC از چهارشنبه، ۲۱ مهر ماه، آغاز میگردد.
این سلسله جلسات حول ۴ محور اصلی زیر برگزار میگردد :
💊 دارو
🧫 پروتئین
🧬 RNA
💉 بیماری
🖥 بستر برگزاری جلسات ادوبی کانکت می باشد.
🌐 اطلاعات بیشتر هر کدام از دسته بندی ها، به زودی اعلام میگردد.
@CBRC_aut
به رسم قدردانی از همراهی شما عزیزان، دوره جدید سمینارهای هفتگی آزمایشگاه CBRC از چهارشنبه، ۲۱ مهر ماه، آغاز میگردد.
این سلسله جلسات حول ۴ محور اصلی زیر برگزار میگردد :
💊 دارو
🧫 پروتئین
🧬 RNA
💉 بیماری
🖥 بستر برگزاری جلسات ادوبی کانکت می باشد.
🌐 اطلاعات بیشتر هر کدام از دسته بندی ها، به زودی اعلام میگردد.
@CBRC_aut
📢 اولین دوره از سمینارهای هفتگی آزمایشگاه زیست محاسباتی CBRC
اولین دوره از این جلسات، با موضوع " طراحی و کشف دارو"برگزار میگردد.
📝 سرفصل ارائه ها به شرح زیر می باشد:
💊 جایگزینی دارو
🎯 تمایل اتصالات دارو به هدف
🧑🏻🔬 یافتن دارو-اثر جانبی
🔬 یافتن زیرساخت های مناسب در کشف دارو
🐍 پیش بینی تشخیص سمیت کاندید دارویی
📅از چهارشنبه، ۲۱ مهرماه ۱۴۰۰
@CBRC_aut
اولین دوره از این جلسات، با موضوع " طراحی و کشف دارو"برگزار میگردد.
📝 سرفصل ارائه ها به شرح زیر می باشد:
💊 جایگزینی دارو
🎯 تمایل اتصالات دارو به هدف
🧑🏻🔬 یافتن دارو-اثر جانبی
🔬 یافتن زیرساخت های مناسب در کشف دارو
🐍 پیش بینی تشخیص سمیت کاندید دارویی
📅از چهارشنبه، ۲۱ مهرماه ۱۴۰۰
@CBRC_aut
🔹️ اولین دوره از سمینارهای هفتگی آزمایشگاه زیست محاسباتی CBRC
طراحی و کشف دارو
💊 جلسه اول: جایگزینی دارو
👩🏻💻 ارائه دهنده: زهرا قربانعلی
⏰ چهارشنبه، ۲۱ مهرماه ۱۴۰۰، ساعت ۱۸
👥 شرکت در این جلسات برای عموم آزاد و رایگان است.
🌐 لینک برگزاری: http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
طراحی و کشف دارو
💊 جلسه اول: جایگزینی دارو
👩🏻💻 ارائه دهنده: زهرا قربانعلی
⏰ چهارشنبه، ۲۱ مهرماه ۱۴۰۰، ساعت ۱۸
👥 شرکت در این جلسات برای عموم آزاد و رایگان است.
🌐 لینک برگزاری: http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
CBRC
🔹️ اولین دوره از سمینارهای هفتگی آزمایشگاه زیست محاسباتی CBRC طراحی و کشف دارو 💊 جلسه اول: جایگزینی دارو 👩🏻💻 ارائه دهنده: زهرا قربانعلی ⏰ چهارشنبه، ۲۱ مهرماه ۱۴۰۰، ساعت ۱۸ 👥 شرکت در این جلسات برای عموم آزاد و رایگان است. 🌐 لینک برگزاری: http://mee…
📝 #خلاصه_ارائه
💊 #جایگزینی_دارو
فرآیند کشف دارو به صورت سنتی، بسیار زمانبر و پرهزینه است. یکی از رایجترین استراتژی ها برای غلبه بر این مشکلات، "جایگزینی دارو" میباشد.
در سالهای اخیر به شکل روزافزونی از روشهای مبتنی بر یادگیری ماشین برای حل این مسئله استفاده شده است. کارایی این روشها وابسته به ویژگیهای انتخاب شده، نمایش آنها و مجموعه داده آموزش میباشد.
در مسئله جایگزینی دارو، تعداد زیادی ویژگی مازاد در مجموعه ویژگیها وجود دارد که تاثیر نامطلوبی بر عملکرد روش می گذارند. به علاوه، انتخاب یک مجموعه آموزشی مناسب، باعث افزایش دقت عملکرد روشهای یادگیری ماشین میگردد. روشهای کنونی حل مسئله جایگزینی دارو، غالبا مجموعه روابط شناخته شده دارو و بیماری را به عنوان داده مثبت و تمام روابط ناشناخته بین داروها و بیماریها را به عنوان داده منفی در نظر میگیرند.
در مسئله جایگزینی دارو، انتخاب داده آموزش با دو چالش اصلی رو به رو است. مورد اول، تعداد دادههای مثبت، بسیار بسیار کمتر از دادههای منفی است و این امر موجب میشود تا روشهای یادگیری ماشین به سمت مجموعه بزرگتر منحرف شوند و عملکرد آنها دچار خطا گردد. مورد دوم، ناشناخته بودن یک ارتباط درمانی بین یک جفت دارو-بیماری به این معنا است که این ارتباط تاکنون دیده نشده است و در آینده ممکن است تغییر کند.
در این سمینار، ما به ارائه روشهای پیشنهادی جهت غلبه بر این چالشها میپردازیم.
👩🏻💻 #ارائه_دهنده : #زهرا_قربانعلی
⏰ امروز، ساعت 18
🌐 از طریق لینک زیر وارد جلسه شوید:
http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
💊 #جایگزینی_دارو
فرآیند کشف دارو به صورت سنتی، بسیار زمانبر و پرهزینه است. یکی از رایجترین استراتژی ها برای غلبه بر این مشکلات، "جایگزینی دارو" میباشد.
در سالهای اخیر به شکل روزافزونی از روشهای مبتنی بر یادگیری ماشین برای حل این مسئله استفاده شده است. کارایی این روشها وابسته به ویژگیهای انتخاب شده، نمایش آنها و مجموعه داده آموزش میباشد.
در مسئله جایگزینی دارو، تعداد زیادی ویژگی مازاد در مجموعه ویژگیها وجود دارد که تاثیر نامطلوبی بر عملکرد روش می گذارند. به علاوه، انتخاب یک مجموعه آموزشی مناسب، باعث افزایش دقت عملکرد روشهای یادگیری ماشین میگردد. روشهای کنونی حل مسئله جایگزینی دارو، غالبا مجموعه روابط شناخته شده دارو و بیماری را به عنوان داده مثبت و تمام روابط ناشناخته بین داروها و بیماریها را به عنوان داده منفی در نظر میگیرند.
در مسئله جایگزینی دارو، انتخاب داده آموزش با دو چالش اصلی رو به رو است. مورد اول، تعداد دادههای مثبت، بسیار بسیار کمتر از دادههای منفی است و این امر موجب میشود تا روشهای یادگیری ماشین به سمت مجموعه بزرگتر منحرف شوند و عملکرد آنها دچار خطا گردد. مورد دوم، ناشناخته بودن یک ارتباط درمانی بین یک جفت دارو-بیماری به این معنا است که این ارتباط تاکنون دیده نشده است و در آینده ممکن است تغییر کند.
در این سمینار، ما به ارائه روشهای پیشنهادی جهت غلبه بر این چالشها میپردازیم.
👩🏻💻 #ارائه_دهنده : #زهرا_قربانعلی
⏰ امروز، ساعت 18
🌐 از طریق لینک زیر وارد جلسه شوید:
http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
This media is not supported in your browser
VIEW IN TELEGRAM
اگر با موضوع دارو آشنایی ندارید، مشاهده قسمت مفاهیم اولیه سمینار سال گذشته آزمایشگاه CBRC میتواند مفید باشد:
🌐 https://www.aparat.com/v/qOfKe/
@CBRC_aut
🌐 https://www.aparat.com/v/qOfKe/
@CBRC_aut
🔹️ اولین دوره از سمینارهای هفتگی آزمایشگاه زیست محاسباتی CBRC
طراحی و کشف دارو
💊 جلسه دوم:تمایل اتصال دارو به هدف
👩🏻💻 ارائه دهنده: مهسا سعادت
⏰ چهارشنبه، ۲۸ مهرماه ۱۴۰۰، ساعت ۱۸
👥 شرکت در این جلسات برای عموم آزاد و رایگان است.
🌐 لینک برگزاری: http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
طراحی و کشف دارو
💊 جلسه دوم:تمایل اتصال دارو به هدف
👩🏻💻 ارائه دهنده: مهسا سعادت
⏰ چهارشنبه، ۲۸ مهرماه ۱۴۰۰، ساعت ۱۸
👥 شرکت در این جلسات برای عموم آزاد و رایگان است.
🌐 لینک برگزاری: http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
📝 #خلاصه_ارائه
🎯 تمایل اتصال دارو به هدف
به طور کلی طراحی و کشف دارو فرآیندی وقتگیر، پرهزینه و دشوار است. از این رو در سالهای اخیر توسعه رویکردهای محاسباتی برای طراحی و کشف دارو بسیار مورد توجه قرار گرفتند. شناسایی تعامل دارو با هدف، مرحله مهمی از مراحل اولیه کشف دارو است و تا به امروز اکثر روشهای توسعه یافته از دستهبندی دودویی برای پیشبینی وجود این تعامل استفاده میکنند. اما پیشبینی قدرت اتصال بین یک دارو و هدف آن آموزندهتر و در عین حال چالش برانگیزتر است. تمایل اتصال، نشان دهندهی قدرت تعامل بین یک جفت دارو و هدف است.
هزینههای زمانی و مالی برای اندازهگیری تمایل اتصال از طریق روشهای تجربی بسیار زیاد است. بنابراین، روشهای محاسباتی برای پیشبینی تمایل اتصال دارو به هدف مورد توجه قرار گرفتند اما استفاده از اطلاعات ساختاری در این روشها موجب افزایش هزینه زمانی و در نتیجه نیاز به منابع میشود.
در این سمینار، یک مدل جدید برای رفع برخی از چالشهای این مسئله پیشنهاد میشود که بر روی روشهای مبتنی بر هوش مصنوعی (به طور خاص یادگیری عمیق) تمرکز دارد و از توالی مولکولها به عنوان ورودی استفاده میکند. نتایج نشان میدهد استفاده از یادگیری عمیق و ترنسفورمرها روی توالیهای هدف، موجب بهبود عملکرد مدلهای پیشبینی تمایل اتصال دارو به هدف میشود.
👩🏻💻 #ارائه_دهنده : #مهسا_سعادت
⏰ چهارشنبه، ۲۸ مهر، ساعت ۱۸
🌐 از طریق لینک زیر وارد جلسه شوید:
http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
🎯 تمایل اتصال دارو به هدف
به طور کلی طراحی و کشف دارو فرآیندی وقتگیر، پرهزینه و دشوار است. از این رو در سالهای اخیر توسعه رویکردهای محاسباتی برای طراحی و کشف دارو بسیار مورد توجه قرار گرفتند. شناسایی تعامل دارو با هدف، مرحله مهمی از مراحل اولیه کشف دارو است و تا به امروز اکثر روشهای توسعه یافته از دستهبندی دودویی برای پیشبینی وجود این تعامل استفاده میکنند. اما پیشبینی قدرت اتصال بین یک دارو و هدف آن آموزندهتر و در عین حال چالش برانگیزتر است. تمایل اتصال، نشان دهندهی قدرت تعامل بین یک جفت دارو و هدف است.
هزینههای زمانی و مالی برای اندازهگیری تمایل اتصال از طریق روشهای تجربی بسیار زیاد است. بنابراین، روشهای محاسباتی برای پیشبینی تمایل اتصال دارو به هدف مورد توجه قرار گرفتند اما استفاده از اطلاعات ساختاری در این روشها موجب افزایش هزینه زمانی و در نتیجه نیاز به منابع میشود.
در این سمینار، یک مدل جدید برای رفع برخی از چالشهای این مسئله پیشنهاد میشود که بر روی روشهای مبتنی بر هوش مصنوعی (به طور خاص یادگیری عمیق) تمرکز دارد و از توالی مولکولها به عنوان ورودی استفاده میکند. نتایج نشان میدهد استفاده از یادگیری عمیق و ترنسفورمرها روی توالیهای هدف، موجب بهبود عملکرد مدلهای پیشبینی تمایل اتصال دارو به هدف میشود.
👩🏻💻 #ارائه_دهنده : #مهسا_سعادت
⏰ چهارشنبه، ۲۸ مهر، ساعت ۱۸
🌐 از طریق لینک زیر وارد جلسه شوید:
http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
🔹️ اولین دوره از سمینارهای هفتگی آزمایشگاه زیست محاسباتی CBRC
طراحی و کشف دارو
💊 جلسه سوم : ارتباطات دارو- اثر جانبی
👨🏻💻 ارائه دهنده: میلاد بشارتی فرد
⏰ چهارشنبه، ۵ آبان ماه ۱۴۰۰، ساعت ۱۸
👥 شرکت در این جلسات برای عموم آزاد و رایگان است.
🌐 لینک برگزاری: http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
طراحی و کشف دارو
💊 جلسه سوم : ارتباطات دارو- اثر جانبی
👨🏻💻 ارائه دهنده: میلاد بشارتی فرد
⏰ چهارشنبه، ۵ آبان ماه ۱۴۰۰، ساعت ۱۸
👥 شرکت در این جلسات برای عموم آزاد و رایگان است.
🌐 لینک برگزاری: http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
CBRC
🔹️ اولین دوره از سمینارهای هفتگی آزمایشگاه زیست محاسباتی CBRC طراحی و کشف دارو 💊 جلسه سوم : ارتباطات دارو- اثر جانبی 👨🏻💻 ارائه دهنده: میلاد بشارتی فرد ⏰ چهارشنبه، ۵ آبان ماه ۱۴۰۰، ساعت ۱۸ 👥 شرکت در این جلسات برای عموم آزاد و رایگان است. 🌐 لینک برگزاری:…
📝 #خلاصه_ارائه
🧑🏻🔬 #یافتن_ارتباط_دارو_اثر_جانبی
تشخیص واکنشهای نامطلوب دارویی به عنوان یک معیار کیفیت در کشف دارو شناخته میشود. اگرچه اثرات جانبی داروها در مراحل مختلف آزمایشگاهی بررسی میشوند اما این آزمایشها پرهزینه و زمانبر هستند. از این رو روشهای محاسباتی به عنوان جایگزینی برای روشهای آزمایشگاهی در بررسی اثرات نامطلوب دارویی پیشنهاد شدند. روشهای محاسباتی و یادگیری ماشین میتوانند بهطور کارآمد مشخصههای دارو و اثرات جانبی را برای پیشبینی اثرات جانبی داروها تجزیه و تحلیل کنند.
در این سمینار، ما به بررسی چالشهای اساسی موجود در این مساله و راهکارهایی که میتواند در رفع آنها مفید باشد، میپردازیم.
👨🏻💻#ارائه_دهنده : #میلاد_بشارتی_فرد
⏰ چهارشنبه، 5 آبان 1400، ساعت 18
@CBRC_aut
🧑🏻🔬 #یافتن_ارتباط_دارو_اثر_جانبی
تشخیص واکنشهای نامطلوب دارویی به عنوان یک معیار کیفیت در کشف دارو شناخته میشود. اگرچه اثرات جانبی داروها در مراحل مختلف آزمایشگاهی بررسی میشوند اما این آزمایشها پرهزینه و زمانبر هستند. از این رو روشهای محاسباتی به عنوان جایگزینی برای روشهای آزمایشگاهی در بررسی اثرات نامطلوب دارویی پیشنهاد شدند. روشهای محاسباتی و یادگیری ماشین میتوانند بهطور کارآمد مشخصههای دارو و اثرات جانبی را برای پیشبینی اثرات جانبی داروها تجزیه و تحلیل کنند.
در این سمینار، ما به بررسی چالشهای اساسی موجود در این مساله و راهکارهایی که میتواند در رفع آنها مفید باشد، میپردازیم.
👨🏻💻#ارائه_دهنده : #میلاد_بشارتی_فرد
⏰ چهارشنبه، 5 آبان 1400، ساعت 18
@CBRC_aut
🔹 اولین دوره از سمینارهای هفتگی آزمایشگاه زیست محاسباتی CBRC
طراحی و کشف دارو
💊 جلسه چهارم : یافتن ترکیبات مناسب در فرآیند کشف دارو
👨🏻💻 ارائه دهنده: مهدی پیکان حیرتی
⏰ چهارشنبه، 12 آبان ماه ۱۴۰۰، ساعت ۱۸
👥 شرکت در این جلسات برای عموم آزاد و رایگان است.
🌐 لینک برگزاری: http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
طراحی و کشف دارو
💊 جلسه چهارم : یافتن ترکیبات مناسب در فرآیند کشف دارو
👨🏻💻 ارائه دهنده: مهدی پیکان حیرتی
⏰ چهارشنبه، 12 آبان ماه ۱۴۰۰، ساعت ۱۸
👥 شرکت در این جلسات برای عموم آزاد و رایگان است.
🌐 لینک برگزاری: http://meeting.aut.ac.ir/bioinformatic
@CBRC_aut
CBRC
🔹 اولین دوره از سمینارهای هفتگی آزمایشگاه زیست محاسباتی CBRC طراحی و کشف دارو 💊 جلسه چهارم : یافتن ترکیبات مناسب در فرآیند کشف دارو 👨🏻💻 ارائه دهنده: مهدی پیکان حیرتی ⏰ چهارشنبه، 12 آبان ماه ۱۴۰۰، ساعت ۱۸ 👥 شرکت در این جلسات برای عموم آزاد و رایگان است.…
📝 #خلاصه_ارائه
🧑🏻🔬 #یافتن_ترکیبات_مناسب_در_فرآیند_کشف_دارو
هر یک از مراحل کشف دارو شامل هزینه های مادی و زمانی زیادی است. رویکرد های محاسباتی، به خصوص هوش مصنوعی، برای تسهیل هر یک از این مراحل استفاده میشوند.
تاکنون روشهای محاسباتی، به ویژه یادگیری ماشین، سهم بسزایی در کشف داروها داشته است.
یکی از فازهای کشف دارو "بهینه سازی لید (lead optimization)" است. هدف از این مرحله افزایش تعداد ترکیبات دارویی مناسب برای بهبود اثربخشی، کاهش سمیت یا افزایش جذب دارو است. یافتن ترکیبات دارویی مناسب، نیاز به رویکردی برای استخراج ویژگی های خاص از ساختارهای دارویی دارد تا بتوان در نهایت ترکیبات مناسب را از ساختارهای مختلف انتخاب کرد.
متأسفانه الگوریتم های قدیمی تر برای استخراج ویژگی ها از مولکول های دارو، قابلیت یادگیری نداشتند؛ اما روش های جدید مبتنی بر یادگیری ماشین، قابلیت پیش بینی فعالیت زیستی داروها را دارند.
در این سمینار یکی از روش های استخراج ویژگی از ساختارهای دارویی بررسی شده و چالشهای پیش روی این مسئله نیز بررسی میگردد. تمرکز اصلی این روش، استخراج ویژگی به طور مستقیم از ساختارهای مولکولی بر اساس رویکردهای یادگیری عمیق است. نتایج نشان می دهد این روش ها قدرت یادگیری ساختارها متناسب با فعالیت زیستی آنها را دارند.
👨🏻💻#ارائه_دهنده : #مهدی_پیکان_حیرتی
⏰ چهارشنبه، 12 آبان 1400، ساعت 18
@CBRC_aut
🧑🏻🔬 #یافتن_ترکیبات_مناسب_در_فرآیند_کشف_دارو
هر یک از مراحل کشف دارو شامل هزینه های مادی و زمانی زیادی است. رویکرد های محاسباتی، به خصوص هوش مصنوعی، برای تسهیل هر یک از این مراحل استفاده میشوند.
تاکنون روشهای محاسباتی، به ویژه یادگیری ماشین، سهم بسزایی در کشف داروها داشته است.
یکی از فازهای کشف دارو "بهینه سازی لید (lead optimization)" است. هدف از این مرحله افزایش تعداد ترکیبات دارویی مناسب برای بهبود اثربخشی، کاهش سمیت یا افزایش جذب دارو است. یافتن ترکیبات دارویی مناسب، نیاز به رویکردی برای استخراج ویژگی های خاص از ساختارهای دارویی دارد تا بتوان در نهایت ترکیبات مناسب را از ساختارهای مختلف انتخاب کرد.
متأسفانه الگوریتم های قدیمی تر برای استخراج ویژگی ها از مولکول های دارو، قابلیت یادگیری نداشتند؛ اما روش های جدید مبتنی بر یادگیری ماشین، قابلیت پیش بینی فعالیت زیستی داروها را دارند.
در این سمینار یکی از روش های استخراج ویژگی از ساختارهای دارویی بررسی شده و چالشهای پیش روی این مسئله نیز بررسی میگردد. تمرکز اصلی این روش، استخراج ویژگی به طور مستقیم از ساختارهای مولکولی بر اساس رویکردهای یادگیری عمیق است. نتایج نشان می دهد این روش ها قدرت یادگیری ساختارها متناسب با فعالیت زیستی آنها را دارند.
👨🏻💻#ارائه_دهنده : #مهدی_پیکان_حیرتی
⏰ چهارشنبه، 12 آبان 1400، ساعت 18
@CBRC_aut