داشتم روی مدل های general برای cross-platform تو فضای bioinformatics مطالعه می‌کردم ؛ یعنی مدلی که بتونه پلتفرم های مختلف را با هم ارزیابی کنه مثلا هم CT هم MRI یا مدلی که هم روی RNA-seq جواب بده هم روی microarray.
ولی حداقل تو bioinformatics حتی برای test set هم برای اینکه نتیجه بهتر بشه، باید داده‌های microarray رو با استفاده از روش‌های quantile normalization مثل TDM به distribution شبیه RNA-seq تبدیل کرد. تا جایی که خودم چک کردم، فعلاً این بهترین و کم‌biasترین روش general هست.
باید ببینیم مدل های multi-omics و دیتاست‌های imaging مثل CT ↔ MRI اون‌ها تو کارهاشون این مشکل رو چطور حل کردن.

#CrossPlatform
@Edge_of_Medicine

Google Scholar Labs helps you answer research questions with AI https://share.google/6fSWpXaYPDpEJkmXo

داشتم این رو می خوندم :

The build-out of computing power for AI needs about $2 trillion in annual revenue by the end of the decade to justify the current and planned investment. It’s an insane amount of money, nobody has it—nobody may ever have it—and so everything being constructed now, from the GPUs needed to train AI models to the data centers housing them to the energy supplying those data centers, needs some creative financing.

به نظرم توی کوتاه مدت خیلی مهمه و کشورهای صاحب انرژی اهمیتشون دوچندان میشه از جمله خود کشور ما ولی توی بلند مدت یا حتی میان مدت به نظرم شبیه همون اتفاقی که برای نفت شل افتاد به زودی خود AI چنان فضای کشف انرژی رو متحول کنه که اصلا این بحث ها از رونق بیافته (البته به شرطی که قانون های احمقانه دست و پاگیر برای گسترشش نذارن)

#AHA
@Edge_of_Medicine

مقاله اخیر نیچر درباره اینکه اکثر مدل هایی که ساخته میشه در عمل در بیمارستان ها پیاده نمیشه و گپ زیادی وجود داره و چجوری باید models for practice داشته باشیم نه models for paper. بین راه هایی که پیشنهاد شده بود بحث اینکه خیلی مدل ها با اطلاعاتی ساخته میشن که یا داده اش موجود نیست در حالت عادی یا خیلی گرون میشه اگه بخواهیم استفاده کنیم یا فقط یه سری بیمارستان های خاص دارن برام جالب بود و این یکی که actionability و Implementation مدل باید مشخص و روشن باشه و مدل باید به یه سوال واقعی در بالین جواب بده و ارزش افزوده ایجاد کنه نه در خلا و نه صرفا گزارش High Risk / Low Risk


@Edge_of_Medicine

“نسل Z به خاطر بحران مسکن، اولویت‌هاشون عوض شده. اونا رو تنبل می‌دونن، اما در واقع به خاطر ناتوانی در خرید خانه، تلاش کمتری در کار می‌کنن، بیشتر خرج تفریح می‌کنن و به سرمایه‌گذاری‌های پرریسک مثل کریپتو و شرط‌بندی روی میارن. “

The housing crisis is pushing Gen Z into crypto and economic nihilism — John Burn-Murdoch

Link

@Edge_of_Medicine

اینو فرصت نکردم کامل بخونم ولی گفتم فعلا این جا هم باشه
به هیوبرمن این اتهام رو وارد می کنه که این شکل معروف شده از فعالیت هاش pseudoscience -شبه علم هست:

So, Should You Trust Andrew Huberman?
The wildly popular podcaster and scientist claims he can help you live a healthier life. But we should think of him as a Dr. Oz type.
https://slate.com/technology/2024/03/andrew-huberman-huberman-lab-health-advice-podcast-debunk.html

اینجا و اینجا هم هست. فعلا خودم نظری ندارم!

@Edge_of_Medicine

A mediocre AI treats the symptoms, a good AI treats the disease, a better AI treats the patient with the disease, but the best AI treats systems, societies and the planet that sicken the patients.

A bad AI fuels systems and societies that sicken the planet and the patients.

#Expert_Opinion
@Edge_of_Medicine

مقاله ای که در ژورنال کلاب دیروز پرزنت کردم
اطلسی هست از فیبروبلاست های پوست براساس نمونه های سالم و ۲۳ بیماری مختلف پوستی

به طور خاص دو تا سوال اولیه قبلش به لحاظ متدولوژیک داشتم :
۱. چجوری دیتای سینگل سل رو مپ کنیم روی فضای spatial omics که هم با متد های sequencing محور (ابعاد ماکرو) هم با متد های imaging محور (ابعاد میکرو) این کار رو انجام داده بود
۲. چجوری میشه دیتای disease sample رو بدون اینکه همون اول integrate کنیم map کنیم روی دیتای نرمال تا انواع سلول های مختلف (اینجا فیبروبلاست) رو پیدا کنیم (احتمالا کمک میکنه اینجوری به جای integration کلاسیک دیتا با پلتفرم های متفاوت کنار بیایم)
+
به شکل عملی هم این ژن مارکر های سلول F6که معرفی شده میشه برای پروژه های مدل سروایوال بیماری های مربوط با فیبروز مثل ILD - IBD کار کرد

Link

@Edge_of_Medicine

بازیِ برنامه‌نویسی داره کلاً عوض میشه و اگر حواستون نباشه، ممکنه جا بمونید!
دانشگاه استنفورد یه دوره جدید راه انداخته به اسم «The Modern Software Developer» که حرف حسابش اینه: دورانِ صرفاً «کد زدن» با دست داره تموم میشه. الان دیگه شما باید یاد بگیرید چطوری با AI Agentها کار کنید، چطوری از ابزارهایی مثل Cursor و Warp استفاده کنید و در واقع به جای کدنویس، «معمار» و «مدیر» هوش مصنوعی باشید.

تو این دوره دقیقاً دارن یاد میدن که چطور فرایند توسعه نرم‌افزار داره از «تایپ کردن سینتکس» به «تعامل با AI» برای ساخت سیستم‌های پیچیده تغییر می‌کنه. خلاصه اینکه آینده‌ی شغلی شما دیگه فقط به دونستن الگوریتم نیست، به اینه که چقدر خوب می‌تونید از این ابزارهای جدید کار بکشید.

تمام مطالب اعم از اسلایدها و پروژه ها را هم گذاشتند.
پیشنهاد می‌کنم حتماً یه سر به سرفصل‌هاش بزنید تا ببینید دنیا دست کیه:
https://themodernsoftware.dev

منبع:
https://x.com/MehdiAllahyari/status/2000022337593225710?s=20

https://www.instagram.com/reel/DSVJOjUjDMT/?igsh=eDJ4NnpnYjBzOWNi

به شکل خوب و ساده ای توضیح میده مرز بین Lasso - Ridge - ElasticNet رو در ML.
به ویژه در مدل سازی های بیوانفورماتیکی برای ساخت ژن سیگنچر از محبوب ترین متد ها هستن هرسه جایی که فیچر های زیادی رفتارهای شبیه هم دارند و ما باید از بینشون انتخاب کنیم مثل بیان ژن های مختلف در مدل های سروایوال.

@Edge_of_Medicine

🧠روش سال ۲۰۲۵ در Nature Methods:
«کانکتومیکس مبتنی بر میکروسکوپ الکترونی (EM-based connectomics)»

⚡️مغز از شبکه‌ای بزرگ از نورون‌ها تشکیل شده که با سیناپس‌ها به هم وصل‌اند. کانکتومیکس تلاش می‌کند این شبکه را تا سطح اتصال‌های سیناپسی کامل و قابل جست‌وجو، بازسازی کند. اما، حتی در جانورانی مثل مگس هم تعداد نورون‌ها و سیناپس‌ها آن‌قدر زیاد است که کار را دشوار می‌کند.

🔬برای دیدن سیناپس‌ها به تفکیک‌پذیری نانومتری نیاز است؛ به همین دلیل، کانکتومیکس سال‌ها به EM تکیه داشته است. چالش سنتی EM این است که داده‌ها یک تار عنکبوتی بدون برچسب از ساختارها هستند و باید با چند مرحله‌ی پردازشی، نورون‌ها و اتصال‌ها را از دل تصاویر بیرون کشید؛ کاری که امروز با کمک هوش مصنوعی + بازبینی انسانی، شدنی‌تر شده است.

🔝پیشرفت‌های روش‌شناختی باعث شده تا بازسازی کانکتوم‌های بزرگ‌مقیاس و حتی کل‌ مغز در چند جاندار ممکن شود مثل:
🪰کانکتوم کل مغز مگس بالغ (FlyWire)
🐭کانکتومیکس کارکردی در قشر بینایی موش (MICrONS)
💆‍♂یک میلی‌متر مکعب از قشر مغز انسان


📚منبع
🔗Telegram
🔗LinkedIn
🔗Instagram

این پروژه ۵ روزه از صفر خیلی وقتمو هم گرفت برای همین این مدت کانال کمتر فعال بود به زودی هم اینجا هم لینکداین هم گیت هاب میذارمش مطمئنم خیلی هاتون ازش استقبال می کنید و به پیشرفت خیلی ها قراره کمک کنه ایده اش ✌️🔥

@Edge_of_Medicine

مقاله خیلی جالبی بود در مورد یه عادت مشترک بد در پزشک ها و LLM!

پزشکان معمولاً در موقعیت‌هایی قرار می‌گیرند که باید سریع جواب دهند و مطمئن به نظر برسند حتی وقتی به اندازه کافی اطلاعات ندارند. مثلاً هنگام ویزیت بیمار یکی از ارزش‌ها اینه که پزشک بلد باشد «پاسخ بدهد».
مدل‌های بزرگ هوش مصنوعی هم طوری طراحی شده‌اند که پاسخ‌های روان، قانع‌کننده و «کمتر خالی از خطا» به نظر برسند تا بیشتر مورد استفاده قرار بگیرند، حتی وقتی اطلاعات کافی ندارند و پاسخ درست نمی‌دانند.
+
در هر دو مورد:
فشار برای پاسخ دادن بیش از فشار برای حقیقت‌گویی اهمیت دارد.
سیستم‌های آموزشی، ارزیابی و پاداش‌دهی به سمت تولید خروجی کمّی (جواب، رضایت‌مشتری، نمره) می‌رود نه خروجی دقیق و درست.
+
پیشنهادهای مقاله برای بهبود:
آموزش پزشکی باید ارزش واضح پرسیدن «من نمی‌دانم» را بالا ببرد.
فرهنگ علمی باید کیفیت و شواهد واقعی را بر تعداد انتشارها و تصویر موفقیت ترجیح دهد.
همکاری میان انسان و هوش مصنوعی باید طوری باشد که هر دو جنبه ضعف‌ها و قوت‌های هم را پوشش دهند.

Link

@Edge_of_Medicine