کنفرانس : فلسفه علم روانشناسی

با حضور : جناب آقای دکتر محمدرضا واعظ (پژوهشگر فلسفه علم، دانشگاه بن آلمان)

گروه: «Scientific Discourse»


مقالهٔ دربارهٔ سازه‌گرایی اجتماعی در روان‌شناسی

Gergen, K. J. (1985). “The Social Constructionist Movement in Modern Psychology.” American Psychologist, 40(3), 266–275.

نقد رویکردهای علم‌گرایانهٔ افراطی و دفاع از روان‌شناسی انسان‌گرا در علم

Maslow, A. H. (1966). The Psychology of Science: A Reconnaissance. New York: Harper & Row.

مفهوم پارادایم و کاربرد آن در علوم از جمله روان‌شناسی:

Kuhn, T. S. (1970). The Structure of Scientific Revolutions (2nd Ed.). Chicago: University of Chicago Press.

بیان کلاسیک اصول پوزیتیویسم منطقی

Ayer, A. J. (1936). Language, Truth and Logic. London: Gollancz.

معیار ابطال‌پذیری و نقد روان‌کاوی به‌عنوان شبه‌علم

Popper, K. R. (1963)
Conjectures and Refutations: The Growth of Scientific Knowledge. London: Routledge.


╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

گفت‌وگو با هادی صمدی: علم و شبه‌علم

در بخشی از گفت‌و‌گو هادی صمدی و رضا منصوری در این خصوص صحبت کردند که بعضی افراد یا گروه‌ها باورهای غیرعلمی درباره سلامت "مثل ترکیب غذاها یا درمان‌های سنتی بی‌پشتوانه" مطرح می‌کنند. اگر این باورها به کسی آسیب نزنند، اشکالی ندارد اما وقتی این روش‌ها باعث ضرر به مردم یا جامعه بشوند، دولت به این دلیل که مسئول حفظ سلامت جامعه‌ است لازم است وارد عمل بشود و جلوی این افراد یا گروه‌ها را بگیرد.

همچنین در بخش دیگری در این مورد گفت‌و‌گو کردند که نقدها و اعتراضات در فضای آکادمیک یا بین همکاران فقط در گفتگوهای خصوصی مطرح می‌شوند و هیچ‌وقت عمومی نمی‌شوند، در حالی که اگر این نقدها به‌درستی و مسئولانه منتشر بشوند، می‌تواند خیلی تأثیرگذار باشند. ولی لازم است بدانیم که چه چیزی در حوزه دانش و تخصص ماست و چه چیزی نیست. نقد علمی جای خودش را دارد، و تصمیم‌گیری سیاسی هم جای خودش. نقد اشتباه علمی قابل قبول است، ولی نقد تصمیم سیاسی نیاز به درک سیاست دارد و نمی‌شود صرفا گفت "اشتباه است".

«فایل صوتی»

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی 
دانشجوی دکتری بیوتکنولوژی کشاورزی  علاقه‌مند و فعال در حوزه‌ی زیست‌شناسی سامانه‌ها (systems biology) دانشگاه  تربیت مدرس

گروه: «Scientific Discourse»


بخش اول : مقدمه‌ای درباره‌ی متابولیسم. منشاء زیست‌توده‌ی زمین: فتوسنتز. تولید کربوهیدرات‌ها و سرنوشت‌‌های متفاوت آن‌ها. سیستم‌های مختلف فتوسنتزی

پرسشی جهت آماده‌سازی ذهن:

امروزه مطالعه‌ی سلول از جنبه‌های گوناگونی مثل پیامرسانی (signaling)، تظیمی (regulatory) ، متابولیسم و ... قابل انجام است و شبکه‌های جداگانه‌ای هم برای آن‌ها ترسیم می‌شود. آیا بهتر نیست که تمام این جنبه‌ها یکجا در مدل‌سازی گنجانده شوند تا مدل کامل‌تری داشته باشیم؟ به عبارت دیگر چرا هنوزمطالعاتی با تاکید بر یک جنبه‌ی خاص سلول (مثل متابولیسم) انجام میشوند و کاربرد دارند؟ (پرسش به دنبال نفی رویکردهای تلفیقی که در حال رشد هستند نیست بلکه علت بقای مطالعات از یک جنبه‌ی خاص را مورد پرسش قرار می‌دهد).

«فایل صوتی»


╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی 

بخش دوم : تنفس سلولی. فرایندی برعکس فتوسنتز که همانند آن شامل مجموعه‌ای از واکنش‌های بیوشیمیایی پیاپی است. تنفس ممکن است هوازی یا غیر هوازی باشد که بسته به نوع آن مسیر و میزان استخراج انرژی متفاوت می‌شود. تعیین شبکه‌های بیوشیمیایی که حاوی ده‌ها یا صدها مسیر بیوشیمیایی و تا هزاران واکنش می‌تواند باشد، راه را به سوی زیست‌شناسی سامانه‌ها (systems biology) می‌گشاید.

چند تعریف کمک‌کننده:

تعریف0_ ویژگی‌های کینتیکی یک آنزیم :

آنزیم ها کاتالیزورهای پروتئینی هستند که سرعت نزدیک شدن واکنش ها به تعادل را تسریع می کنند. سینتیک آنزیم شاخه ای از بیوشیمی است که به توصیف کمی از این فرآیند می پردازد، یعنی چگونگی تأثیر متغیرهای تجربی بر سرعت واکنش. دو ویژگی مهم کینتیکی یک آنزیم . یک. آنزیم چگونه با یک پیش‌ماده‌ی (سوبسترا) خاص اشباع می شود دو. حداکثر سرعتی که می تواند به دست آورد چه مقدار است(هر دو ویژگی به صورت کمی بیان می‌شود). دانستن این ویژگی‌ها نشان می‌دهد که یک آنزیم در سلول چه کاری انجام می‌دهد و می‌تواند نشان دهد که آنزیم چگونه به تغییرات در این شرایط واکنش نشان می‌دهد.

با یک زبان تمثیلی می‌توانیم از این دست سوالات بپرسیم :

یه نفر (=آنزیم)ترجیح غذایی‌اش چیست؟ با چه مقدار غذا اشباع می‌شود؟ یا به عبارتی، کی بازخورد منفی یا دست کشیدن از غذا (کدام غذا و چه مقدار) را در او خواهیم دید؟ (بین افراد بسته به سن و جنس و ...تنوع وجود خواهد داشت) و این ویژگی‌ها روی محاسبات شار سیستم تاثیر می‌گذارد. (توجه شود این‌ها همه مربوط به ویژگی‌های آنزیمی است با مبحث طراحی محیط کشت و طراحی رژیم غذایی که به زودی مطرح می‌شود اشتباه نشود )

از آن جهت که در بسیاری از مسیرهای متابولیک تنظیم آلوستریک نقش دارد و وارد کردن یا نکردن این ویژگی‌ها در مدل متابولیک تبعاتی خواهد داشت:

تعریف 1 – آنزیم آلوستریک (دگرریختار): آنزیم‌های آلوستریک آنزیم‌هایی هستند که یک محل اتصال اضافی برای مولکول‌های افکتور غیر از محل فعال دارند. اتصال باعث تغییرات ساختاری می شود و در نتیجه خواص کاتالیزوری آن را تغییر می دهد. مولکول موثر می تواند یک بازدارنده یا فعال کننده باشد.

با زبان تمثیلی بعضی از غذاها برای بعضی محرک خوردن یا بازدارنده از خوردن هستند. پس غلظت (یا مقدار) متابولیت‌ها/کوفاکتورها (غذاها) در صورتی که تنظیم‌کننده‌ی آلوستریک باشند، روی شار شبکه تاثیر خواهد داشت.

از آن جهت که گام‌های مختلف متابولیسم، برای تنظیم شبکه متابولیک ارزش‌های متفاوتی دارند، بایستی برخی گام‌های مهم را بشناسیم:

تعریف2_ گام محدود (تعیین) کننده‌ی نرخ (or rate-limiting step Rate-determining step): کندترین مرحله در یک مسیر متابولیک یا یک سری واکنش های شیمیایی که سرعت کلی سایر واکنش ها را در مسیر تعیین می کند. در یک واکنش آنزیمی، مرحله محدود کننده سرعت معمولاً مرحله ای است که به بیشترین انرژی فعال سازی یا حالت گذار بالاترین انرژی آزاد نیاز دارد.
با زبان تمثیلی همه‌ی افراد به یک میزبان در شار اثر گذار نیستند. وای اگر مادر خانواده بخواهد اعضا را گوشمالی دهد ! یا مثلا خطا کند (موتانت شود) و غذا ته بگیرد. (همه بازیگران آنزیم هستند) .

تعریف3_نخستین گام متعهد (first committed step or committed step) :

در آنزیم شناسی، گام متعهد (همچنین به عنوان اولین مرحله متعهد شناخته می شود) یک واکنش آنزیمی غیرقابل برگشت است که در یک نقطه شاخه‌شدن (در مسیر) در طول بیوسنتز برخی از مولکول ها رخ می دهد. به عبارت دیگر برای ساخت یک محصول مشخص، طی مسیر متابولیک، از یک جایی به بعد مسیر یک‌طرفه می‌شود و و انگار سیستم از آن نقطه متعهد به ساخت یک محصول خاص است و برگشتی هم در کار نیست.

با زبان تمثیلی از یک جایی به بعد یک محصول وقتی از سبد غذایی در آمد(خارج شد) مقصدش معلوم است. پاستیل به سمت کودک می‌رود و آب‌گوشت به سمت پدربزرگ !


«فایل صوتی»
╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی
 
بخش سوم: تغییر پارادایم در زیست‌شناسی، و پیشرفت در زیست‌شناسی مولکولی منجر به سربرآوردن زیست‌شناسی سامانه‌ها شد. نگاه سیستمی به سلول، زیر سیستم‌های متنوعی برای آن در نظر می‌گیرد. متابولیسم به عنوان یک زیر سیستم سلولی هدف مدل‌سازی‌های مختلف بوده است. آیا مدل‌سازی یک زیر سیستم خاص معقول است؟ هدف از مدل‌سازی چیست؟

«فایل تصویر»

یک مدل خیلی کامل از موجود زنده ممکن است کاربردی نباشد:

یک شوخی: در کتاب «سیلوی و برونو» نوشته‌ی لوئیس کارول که نویسنده کتاب معروف «آلیس در سرزمین عجایب» هم هست، یکی از شخصیت‌ها میگه : و سپس بزرگ ترین ها آمدند! ایده همه! ما در واقع نقشه ای از کشور درست کردیم، در مقیاس یک مایل به مایل! دیگری ازش (احتمالا به کنایه) میپرسه ازش استفاده هم کردین؟ جواب میده هنوز منتشر نشده، آخه کشاورزان (نمک نشناس) مخالفت کردن! آنها گفتند (نقشه‌ی اینچنین اگر پهن شود) تمام کشور را می پوشاند! و نور خورشید را سد می‌کند – بی‌زحمت!- راحت‌تر هستیم که از خود کشور استفاده کنیم.
جدی:
«بنابراین، در زیست‌شناسی، مدل‌های ریاضی با هدف بازسازی همه عناصر سیستم مورد مطالعه انجام نمی‌شوند، بلکه به‌عنوان ابزار تحقیقاتی مورد استفاده قرار می‌گیرند. برای به دست آوردن بینش جدید و کمک در طراحی آزمایش ها.انواع مختلفی از مدل‌های ریاضی وجود دارد، اما برای توصیف متابولیسم، می‌توان آنها را به دو گروه تقسیم کرد: مدل‌های جنبشی و مدل‌های استوکیومتری (یا مدل‌های مبتنی بر قیود).» که ما بیشتر با دومی کارخواهیم داشت.

یک نگاه تمثیلی: خانواده‌ای شاد و ناشاد!

ما اشاره به وجود دو نوع مدل برای توصیف متابولیسم می‌کنیم. یکی از آن‌ها مدل‌های مبتنی بر کینتیک آنزیم‌ها و دیگری مدل‌های مبتنی بر قیود هستند.
اول بیایید با یک مثال، تصور موضوع را ساده کنیم. و این در حین یادمان باشد که قرار است «سیستمی فکر کنیم» و فعلا نمی‌خواهیم روی «اجزا» تمرکز کنیم و مهمتر از همه «در مثال جای مناقشه نیست». هرچند متابولیسم و فعالیت‌های آنزیم به سادگی توپ بازی نیست اما شما لطف کرده خودتان را در میان خانواده، آنزیم‌هایی تصور کنید که متابولیت‌ها مثل توپ‌هایی با ابعاد و ظواهر مختلف در میانتان می‌چرخند. در میان شما کهنسال و کودک و جوان و ... هست که توانایی‌های متفاوتی دارند و در نتیجه سرعت‌های متفاوتی؛ بعضی را باید ملاحظه‌شان را کرد و توپ را محکم به سمتشان نزد. بعضی ورزشکار هستند و با توپ بزرگ شده اند و بعضی اولین بار است دستشان به توپ می‌خورد(ظرفیت‌ها متفاوت است، کینتیک‌ها متفاوت است). پس تنوع قابل ملاحظه‌ای بین «بازیگران متابولیسم» که اکنون شما هستید وجود دارد.
اجازه دهید حالا که مثال ما اینقدر فضایی است، توپ‌هایش هم ماورایی باشد. مثلا توپ اولیه! وقتی نان‌آور خانه آن را تحویل نگهبان می‌دهد تا او از درب خانه داخلش کند ( ترانسپورتر) محتوی کلی چیزهای خوشمزه است.
از ذکر جزئیات بیشتر که ممکن است ما را در تطبیق «متابولیسم» با «توپ‌بازی ماورایی‌مان» به مشکلات جدی‌تر بیاندازد می‌گذریم. فعلا می‌خواهیم در این وضعیت یک خانواده‌ی شاد (بخوانید فنوتیپ شاد یا سالم) و یک خانواده‌ی ناشاد و عصبی (خودتان می‌دانید چه بخوانید!) را توصیف کنیم. بی‌شک مادر مهربان در خانواده‌ی شاد به تأسی از «کسی که نان را قسمت میکند/ و پپسی را قسمت میکند/ و باغ ملی را قسمت میکند و ...» * به شیوه و با سرعتی متناسب همه‌چیز را قسمت می‌کند (و بقیه‎‌ هم بچه‌های خوبی هستند و همکاری می‌کنند) و در نتیجه همه شاد و خوشحال خواهند بود . مثلا غذای مناسب را زودتر به کم‌طاقت‌ترها می‌دهد بعد به دیگران و ... . و خلاصه همه چیز با یک سرعت‌های گردش مناسب (بخوانید شارهای بهینه (optimum flux) بین اعضای توپ‌بازی ما می‌چرخد و همه خوشحالند. اما در خانواده‌ی عصبی و مشکل‌دار حتی اگر یک نفر کارش را غلط انجام دهد(موتانت شده باشد) کار گره می‌خورد و برای تولید فنوتیپ ناشاد کافی است.
«به طور خلاصه تفاوت فنوتیپ دو خانواده‌ی فرضی هر چند مرتبط با نحوه‌ی عمل و سرعت تک‌تک اجزاست اما یک بررسی عادلانه‌تر از وضعیت خانواده مستلزم مقایسه‌ی کلی (بخوانید سیستمی) توزیع‌های مربوط دو خانواده است»
با توزیع شارها (distribution of fluxes) کار خواهیم داشت...

*«فروغ فرخزاد؛ کسی که مثل هیچکس نیست»


«فایل صوتی»

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

الگوی کلی (=پارادایم) زیست‌شناسی سامانه‌ها.

در گام اول اجزای سیستم را می‌شناسیم در گام دوم ارتباط بین اجزا را می‌یابیم (یا - در هر دو حالت پیشین-از آنان که یافته‌اند می‌پرسیم؛ این دومی به صرفه‌تر است) در گام سوم یک مدل(چیزی شبیه نقشه) از ارتباط اجزا می‌سازیم (و ریاضی و ریاضی‌دان مثل همیشه به ما کمک می‌کند) و در گام چهارم آن را به یک برنامه‌ی رایانه‌ای تبدیل می‌کنیم (در اینجا هم مهندسان کامپیوتر و کد نویسان دستمان را می‌گیرند) و در نهایت فرضیه‌های زیستی‌مان را با آن می‌آزماییم؛ به این امید که این فرضیه‌ها منجر به کشفی واقعی شوند. البته وقتی می‌توانیم خروجی مدل‌مان را کشف بنامیم که آن را در آزمایشگاه اثبات کنیم. پکیج پایتون ذکر شده درفعالیت۱ نوعی از این برنامه‌هاست (شکل 28.1 از کتاب پالسون که در ویدئو معرفی شده است).


╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی

بخش چهارم : کار کردن با یک مدل متابولیک آنلاین به منظور آشنایی مقدماتی. با توجه به نکات گفته شده در ویدئوی بخش دوم پیشنهاد می‌شود وقتی ورود اکسیژن به سیستم را به صفر می‌رسانید روند ایجاد اتانول از پیروات را در روی شبکه دنبال و با حالتی که اکسیژنه اجازه ورود دارد مقایسه کنید.

برای برقراری ارتباط بهتر با موضوع این ویدئو و مطالب آینده، اکیدا توصیه می‌شود خودتان با این ابزار کار کنید: «لینک ورود»

«فایل صوتی»
╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

میان‌پرده:

خانواده شاد و ناشاد به روایت تصویر یا «آنکه پروپانول بیشتری تولید می‌کند vs. آنکه پروپانول کمتری تولید می‌کند» عکس از (Rowe et al., 2018). که مقاله‌ی ابزار معرفی شده است. و می‌توانید کار را با مواد تکمیلی مقاله، بازتولید کنید.

توضیحاتی در مورد عکس ارسال می‌شود:

موقعیت‌های کارکردی (functional states):

دو گروه تحقیقاتی مسیرهای بیوشیمیایی «کمی متفاوتی» در باکتری E. coli گزارش کرده‌اند که هر دو منجر به تولید 1-پروپانول می‌شود. به زبان فنی‌تر می‌توان این دو مسیر را دو وضعیت کارکردی (functional states) نامید که یک فصل کامل از کتاب پالسون به تشریح آن اختصاص یافته است. اگر بخواهیم به تمثیل قبلی‌مان بال و پر دهیم میتوانیم بگوییم در میان ارزاق دو خانواده (=دو شبکه بیوشیمیایی موجود در باکتری) مصالح یکسانی برای ساخت یک محصول مشخص(یک کیک تولد/1-پروپانول) گذاشته و در یک مسابقه از آنان خواسته شده طی زمانی مشخص (و مساوی) محصول را «به طور بهینه» تولید کنند. دو خانواده ممکن است استراتژی‌های متفاوتی به کار بگیرند و/یا افرادی(آنزیم‌هایی) با قابلیت‌های متفاوت داشته باشند که در کیفیت کارشان اثرگذار است. مثلا یکی از مسیر پنتوز فسفات استفاده می‌کند و دیگری نه ! و تفاوت‌های دیگری که باید برای شناخت آن روی نقشه‌ی متابولیک دو خانواده (دو سویه‌ی باکتری E. coli) تمرکز کرد و در آنالیز شبکه بیوشیمیایی همین مهم است. منتها چون شبکه در عمل غول پیکر است برای آنالیزش باید دست به دامان ریاضی و کامپیوتر شویم. در نهایت و در پایان مسابقه یکی کیک بهتر/ 1-پروپانول بیشتری تولید کرده و صاحب فنوتیپ برنده می‌شود.عکس از (Rowe et al., 2018)

پی نوشت

اگر به دو عکس دقت کنید جلوی هر واکنش عددی ثبت شده است که مربوط به مقدار شار (flux) آن است. مجموعه‌ی این اعداد، توزیع مربوط به آن شبکه است. تفاوت‌های دو توزیع که با آنالیز شبکه‌ی بازسازی شده به دست می آید، می‌تواند تفاسیر زیستی جالبی داشته باشد. و همینطور در الگوریتم‌های هوش مصنوعی (AI) آموخته شود.

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی

بخش پنجم : در پس یک مدل متابولیک یک زمینه‌ی ریاضیاتی قوی وجود دارد که مقدمات آن در ویدئویی خدمتتان ارائه می‌شود. اما به طور خلاصه خروجی این ریاضیات این است که به هر آنزیم عددی تعلق می‌گیرد که نشانگر فعالیت آن آنزیم و نرخ تبدیل مواد به هم است. حال اگر مجموعه اعداد منتسب به یک شبکه را داشته باشیم، این ابزاری قوی برای مقایسه شبکه متابولیک در شرایط مختلف، مثلا بیماری و سلامت است.

https://sbrg.github.io/escher-fba

«فایل صوتی»

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

توجه به پیچیدگی‌ها:

درست است که مدلسازی راهی برای غلبه بر پیچیدگی‌هاست اما نباید ابزاری برای فراموشی آن‌ها باشد؛ در صوت3 از «شار» (v0) واکنش‌ صحبت کردیم و به گونه‌ای از آن یاد کردیم که انگار پدیده‌ای شبیه بخش (A) است، یعنی همان چیزی که کمابیش اغلب در ذهن می‌آید اما بخش (B) به ما یادآوری می‌کند که واقعیت رخ داده در «یک واکنش» می‌تواند بسیار پیچیده‌تر ، یعنی متناظر با «شارها» (v1-v4) باشد. پس دانشمندانی که به سمت مدل‌های بر پایه‌ی قیود (constraint-based) حرکت کرده‌اند، متوجه سختی‌های مدل‌سازی جزء به جزء (مبتنی بر کینتیک واکنش‌ها) بوده‌اند، لذا رویکردشان قرار دادن قیود (مرز بالا و مرز پایین) برای هر شار بوده است نه تعیین دقیق آن . Upper and lower bound را در سایتی که معرفی شد می‌توانید ببینید و خودتان تغییر دهید.
(چون مقادیر کینتیکی برای تمام آنزیم‌ها در دسترس نیست و اگر هست در in vitro اندازه‌گیری شده، و نه in vivo (=درون‌تنی) که مدلینگ قرار است آن را تقلید کند) . ( تصویر از کتاب پالسون - فصل17 - تصویر11) .


╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی

بخش ششم : باید دریافتی از ریاضیات پشت یک مدل متابولیک داشته‌ باشیم . در این ویدئو که با کمک یک منبع به روز (۲۰۲۴) ساخته شده است، ساخت یک مدل متابولیک با مقیاس کوچک و فرموله کردن و حل یک مسئله آنالیز تعادل شار (FBA) بررسی‌شده است. می‌تواند ورودیه‌‌ خوبی باشد.(نسخه صوتی به کار نمی‌آید، فقط باید دیده شود بلکه پسندیده شود).

«فایل صوتی»

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی

بخش هفتم : حالا که تا اینجا آمدیم، بد نیست که را یک کد ساده پایتون را برای مسئله‌ی بهینه‌سازی حل شده در ویدئوی قبلی اجرا کنیم. اینطور هم می‌بینیم که جواب دستی و مبتنی بر کد فرقی ندارند، و هم پیوستگی مدل‌سازی ، ریاضیات و کد نویسی برایمان ملموس‌تر می‌شود.

«فایل صوتی»
╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

در زندگی هدف باید داشت ! :
درآمدی بر تابع هدف :

آنالیز شبکه‌ی بازسازی شده می‌تواند به چشم یک مسئله‌ی ورودی-خروجی (input-output problem) نگریسته شود. اما در این مسئله چه چیز باید بهینه (=کمینه یا بیشینه) شود؟ بایستی یک تابع هدف objective function داشته باشیم.
با توجه به هدف پروژه توابع هدف مختلفی می‌توان تعریف کرد. مثلا در دو ویدئو قبل بخش شش و هفت ، تابع هدف شار یک واکنش خاص بود . اما در حالت پیش‌فرض سایت Escer FBA تابع هدف زیست توده (Biomass Objective Function) یا به اختصار (BOF) است، هر چند میتوانیم تغییرش دهیم. BOF در این حالت اخیر رشد موجود را شبیه‌سازی می‌کند. ««مقادیر نسبی»» دوازده پیش‌ساز (precursor) مورد نیاز با توجه به داده‌های «آزمایشگاهی تجزیه‌ی زیست‌توده» در اختیار است، بنابراین این پیش‌سازها بایستی با نسبت‌های تعیین شده تولید شوند. همچنین کوفاکتورها و نیازهای نگهداری (maintenance requirement) سیستم زنده باید تامین شود. (شکل 3-21 از کتاب پالسون).


╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

از برقراری ارتباط بین ژنوتیپ و فنوتیپ گفتیم و همچنین از حالت‌های کارکردی؛ اینجا سعی می‌کنیم این دو را پیوند دهیم:

یک ویژگی بنیادی شبکه‌های بیوشیمیایی داشتن «حالت‌هایِ کارکردیِ ممکنِ بسیار» (many possible functional state) است که منجر به این واقعیت می‌شود که «یک شبکه‌ی مشخص» می‌تواند «رفتارهای فنوتیپی بسیاری» داشته باشد؛ اما «نمی‌تواند» همه را با هم استفاده کند (یا داشته باشد!). یک مثال در این تصویر مشاهده می‌شود؛ دو مسیر بیوشیمیایی متفاوت برای اکسیداسیون کامل «فسفوانول پیروات» (PEP) به همراه استوکیومتری کلی آن‌ها نمایش داده شده است. یک مسیر از طریق چرخه‌ی تری کربوکسیلیک اسید (TCA) (بخش A)و مسیر دیگر از طریق چرخه‌ی PEP-گلی‌اگزیلات (بخش B) انجام می‌شود. ( عکس و متن صفحه 270 کتاب پالسون).

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی

بخش هشتم : طراحی یک رژیم غذایی در ابزاری آنلاین و درک تاثیر رژیم غذایی بر روی fluxome یک شبکه‌ی متابولیک. همچنین ژنوم افراد می‌تواند به عنوان عامل تاثیرگذار دیگر بر روی فلاکسوم باشد. آیا از فلاکسوم یک شبکه متابولیک نمی‌توان به عنوان یک نشانگر برای تحلیل یک داروی خاص بر روی یک فرد مشخص و همچنین برای تشخیص بیماری‌ها استفاده کرد؟
برای طراحی رژیم غذایی :
vmh.life
برای دیدن عظمت یک شبکه‌ی بیوشیمیایی:

https://metabolicatlas.org/

از هر دو در ویدئو استفاده شده است.

«فایل صوتی»

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی

بخش نهم : مدل‌های متابولیک در مقیاس ژنوم (genome-scale) هر چند تمامی اطلاعات ژنومی فرد را دارند، اما چندان کاربردی نیستند!
چرا؟
چون در اجزای مختلف بدن فرد تمام ژن‌ها فعال نیستند، بلکه زیر‌مجموعه‌ی(subset) خاصی از ژن‌ها در کلیه و زیرمجموعه‌ای دیگری در مغز و... فعال هستند.
حتی اگر دقیق‌تر شویم در هر تایپ سلولی وضعیت خاموش و روشن بودن ، یا بیان زیاد و کم ژن‌ها متفاوت است. با این مقدمه می‌توان تصور کرد که مدل‌های مختص زمینه (Context-specific) یا مختص بافت tissue-specific و یا مختص سلول cell-specific در صدد چه هستند. نکاتی درباره‌ی ساخت این مدل‌ها در دو پلتفرم Cobra Toolbox و Cobrapy در ویدئو گفته شده است.

https://opencobra.github.io/cobratoolbox/stable/tutorials/tutorialExtractionTrannoscriptomic.html

«فایل صوتی»
╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

صحبتم را با داستان متابولیسم آغاز کردم، بد نیست در اواخر آن هم کمی داستان بگوییم. داستان نهفته در این تصویر از Introduction to Bioinformatics , Fourth Edition , Arthur M.Lesk, OXFORD, p 77-78. BOX 1.13 است

جیمز واتسون (یکی از کاشفان مارپیچ دوگانه DNA) در برهه ای مبتلا به فشار خون بالا شده و پزشکان برایش یک داروی بتابلاکر تجویز می کنند. بتابلاکرها مسدودکنندهٔ «گیرندهٔ آدرنرژیک بتا» هستند. (پروپرانولول معروف از این دسته است). دانشمند داستان ما بعد از مصرف دارو احساس خواب آلودگی غیرعادی می کند. پس از توالی یابی ژنوم واتسون معلوم می شود که یک واریانت از ژن P450 او هموزیگوس است (یعنی دو آللش یکسان هستند) که در نتیجه ی این هموزیگوس بودن، «متابولیسم» داروی فوق الذکر کند می شود. به زبان کار ما شار (flux) واکنش ( یا واکنش هایی) که موجب متابولیزه شدن دارو می شود، کاهش یافته است. حالا یک استراتژی می توانست این باشد که دارو را با دارویی که متابولیسم آن در این شرایط کند نمی شود جایگزین کنند، اما در این مورد با کاهش دوز دارو این مشکل برطرف شده است. یکی از کاربردهای مدل سازی متابولیک میتواند بررسی رفتار شبکه در حین برخورد با یک کتابخانه ی عظیم از داروها باشد به طوری که فلاکسوم شبکه (=توزیع شارهای شبکه) برای هر دارو (و یا حتی ترکیبی از آن ها ) محاسبه و با هم مقایسه شود و به این صورت کاندیدهایی برای بررسی در شرایط آزمایشگاهی انتخاب شوند. و به همین ترتیب نتایج کار آزمایشگاهی (چه با پیش بینی مدل همخوان باشند چه نه ) میتوانند در تصحیح مدل اولیه در یک گردش کار تکرار شونده (iterative) کمک کار باشند.

مثال دوم این عکس هم در مورد دانشمند دیگری از دانشگاه استنفورد است که با توالی یابی ژنوم خودش توانسته خطر دیابت نوع دوم را تشخیص داده و با تغییر سبک زندگی آن را کنترل کند. میتوانید داستان را از زبان خودش بشنوید : https://www.youtube.com/watch?v=DCtBLewRvjM .
در ارتباط مورد دوم با مدل سازی متابولیک همین بس که دیابت نوع دو هم جز اختلالات متابولیک محسوب شده و چنین مقالاتی https://www.nature.com/articles/s41540-022-00261-6 هنوز (2023) درباره ی آن منتشر می شود. در پایان با کمال خوشوقتی اعلام می شود که جیمز واتسون با 96 و میشائیل اسنایدر با 69 سال (احتمالا بدون هماهنگی قبلی) هر دو به خوبی و خوشی در حال زندگی هستند. این بود داستان نسبتا مرتبط ما!


╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن

با حضور : جناب آقای کاووسی

بخش دهم و پایانی : خب در عنوان ارائه هوش مصنوعی آمده بود، و امروز کجاست که نیامده باشد از ادبیات تا ریاضی و از زیست تا هنر. همه‌جا نامش هست. تقریبا از مرحله‌ی صفر یعنی آنجایی که میخواهیم مدل متابولیک را از داده‌های ژنومی بسازیم ، تا وقتی می‌خواهیم محیط کشت یا رژیم تغذیه طراحی کنیم، و یا وقتی می‌خواهیم مسئله‌ی تعریف شده توسط FBA را حل کنیم و به فلاکسوم دسترسی یابیم، و همچنین وقتی می‌خواهیم زیست توده ، یک یا مجموعه‌ای از واکنش‌ها را بهینه(کمینه یا بیشینه) کنیم، و... پای هوش مصنوعی «می‌تواند» به میان بیاید.
هر چند از کیفیت این ویدئوی آخر که قرار بود پایان بندی ارائه‌ام باشد و در رابطه با هوش مصنوعی و متابولیک مدلینگ ، راضی نیستم، اما به دلیل تنگی وقت فعلا به همین مقدار بسنده می‌کنم. با این عبارت تکراری که به پایان آمد این دفتر اما حکایت به شدت ‌و همچنان باقی است. بعد از این پیام کتاب پالسون را برای علاقه‌مندان ارسال کرده و منتظر پرسش و پاسخ احتمالی خواهم بود.

«فایل صوتی»

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

کنفرانس : مبحثی در زیست‌شناسی سامانه‌ها: مدل‌سازی متابولیک و کاربرد هوش مصنوعی در آن ( مجموعه ی 10 قسمت ) کامل

با حضور : جناب آقای کاووسی 
دانشجوی دکتری بیوتکنولوژی کشاورزی  علاقه‌مند و فعال در حوزه‌ی زیست‌شناسی سامانه‌ها (systems biology) دانشگاه  تربیت مدرس

گروه: «Scientific Discourse»

«فایل صوتی»

«کنفرانس اصلی (بدون ویرایش)»

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

زیست‌شناسی کوانتومی | جهت‌یابی کوانتومی موجودات زنده(+)

یکی از عجیب‌ترین توانایی‌های بعضی حیوانات، توانایی جهت‌یابی دقیق در مسیرهای طولانیه.
پرندگانی مثل سینه‌سرخ، پروانه‌هایی مثل مهاجر مونارک، و حتی برخی باکتری‌ها، می‌تونن میدان مغناطیسی زمین رو تشخیص بدن و از اون برای پیدا کردن مسیر خودشون استفاده کنن...

«فایل صوتی»

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═

زیست شناسی کوانتومی| نقش فیزیک کوانتوم در حل معمای بویایی جانوران(+)

«فایل صوتی»

╔═.🍃.══════╗
   🆔 @Discourseees
╚══════.🍃.═