مصوبه هیات وزیران در خصوص واردات و تعرفه رجیستری آیفون:
سود بازرگانی واردات آیفون ۹۶درصد تعیین شد

+خود اپل انقدر سود نمیکنه 😂😂
یعنی متد اداره کشور رو نشون نویسنده‌های money heist بدی، جیغ می‌کشن فرار می‌کنن

زندگی مث شطرنجه! با ارامش بازی کن
@irbioinformatics

#دانستنی‌ها
ترکیب میکروبیوتای دهان به طور قابل توجهی در نواحی مختلف دهان، مانند زبان، لوزه‌ها و حلق، متفاوت است. این تنوع، به همراه نبود پروتکل‌های استاندارد برای انتخاب محل نمونه‌برداری و شرایط آن، انجام مطالعات مقایسه‌ای در محیط‌های پژوهشی مختلف را به چالش می‌کشد. در نتیجه، تحلیل میکروبیوم دهان و مقایسه نتایج بین مطالعات همچنان بسیار پیچیده است.
@irbioinformatics

#دانستنی‌ها
بیان ژن فرآیندی است که طی آن دستورالعمل‌های موجود در DNA به یک محصول عملکردی مانند پروتئین تبدیل می‌شوند. به عبارت دیگر، این روش شامل استخراج اطلاعات از یک ژن و استفاده از آن برای تولید یک محصول ژنی کاربردی است. این یک فعالیت بیولوژیکی حساس است که حتی یک تغییر کوچک در الگوی بیان ژن می‌تواند به تغییر در کل فرآیند بیولوژیکی منجر شود
@irbioinformatics

این مقاله مروری به بررسی جدیدترین پیشرفت‌ها در زمینه چسب‌های مولکولی تخریب‌کننده (Molecular Glue Degraders, MGDs) می‌پردازد و مواردی از جمله کشف MGDs، محدوده اهداف دارویی، کاندیداهای بالینی، مدل‌سازی محاسباتی و فضای فیزیکوشیمیایی آن‌ها را مورد توجه قرار می‌دهد.
@irbioinformatics

Advances in molecular glues: exploring chemical space and design principles for targeted protein degradation
https://news.1rj.ru/str/IRBioinformatics/1166

معرفی ROBERT
ROBERT: Bridging the Gap Between Machine Learning and Chemistry
علاوه بر پاسخگویی به نیازهای فناوری، ادغام یادگیری ماشین (ML) در جوامع انسانی به پایداری نیز کمک کرده است، از طریق پذیرش پروتکل‌های دیجیتالی‌شده. با وجود این مزایا و ابزارهای در دسترس فراوان، فاصله‌ی زیادی در پیاده‌سازی ML وجود دارد که مانع از به‌کارگیری گسترده پروتکل‌های آن در جوامع شیمی محاسباتی و تجربی شده است. در این پژوهش، ابزار ROBERT معرفی شده است، نرم‌افزاری که به دقت برای دسترسی بیشتر شیمیدانان با هر سطح مهارت برنامه‌نویسی به ML طراحی شده است و در عین حال نتایجی هم‌تراز با متخصصان این حوزه ارائه می‌دهد

#اخبار‎_دارویی
📌 در اوایل اکتبر ۲۰۲۴، یک تیم پژوهشی داروی جدیدی را برای درمان سل (TB) شناسایی کرد؛ گامی حیاتی در مقابله با این بیماری، به‌ویژه انواع مقاوم به دارو.

📌 این مطالعه که توسط انجمن میکروب‌شناسی آمریکا منتشر شده، بر هدف قرار دادن یک مسیر مولکولی خاص در مایکوباکتریوم توبرکلوزیس، باکتری مسئول سل، تمرکز دارد.

📌 مهار این مسیر می‌تواند مقاومت باکتریایی را کاهش داده و یک رویکرد درمانی جدیدی ارائه دهد که شاید بتواند در برابر گونه‌های مقاوم به درمان‌های متداول نیز مؤثر باشد.

📌 این کشف با توجه به افزایش جهانی موارد سل با مقاومت چند دارویی، که پروتکل‌های درمانی فعلی را به چالش کشیده، بسیار حائز اهمیت است.

📌 یافته‌های حاصل از این پژوهش راه را برای توسعه درمان‌هایی باز می‌کند که می‌توانند نتایج درمانی را بهبود بخشند، نرخ بقای بیماران را افزایش دهند و از گسترش سویه‌های مقاوم جلوگیری کنند.
@irbioinformatics

در سال‌های اخیر، پیشرفت‌های چشمگیر در زیست‌شناسی مولکولی و فناوری‌های ژنومی منجر به رشد چشمگیری در اطلاعات زیستی شده است. هم‌زمان با سیل اطلاعات ژنومی، نیاز به ابزارهایی برای ذخیره‌سازی و مدیریت داده و توسعه نرم‌افزارهایی برای تحلیل، تجسم، مدل‌سازی و پیش‌بینی مجموعه داده‌های بزرگ نیز افزایش یافته است.
@irbioinformatics
رویکردها و کاربردهای بیوانفورماتیک در زیست‌فناوری گیاهی شامل طیف گسترده‌ای از ابزارها و روش‌های محاسباتی برای تحلیل داده‌های زیستی و ژنتیکی گیاهان است. این رویکردها به درک بهتر ژنوم گیاهان، پیش‌بینی عملکرد ژن‌ها، شناسایی ژن‌های مقاوم به بیماری‌ها و افزایش مقاومت گیاهان به تنش‌های محیطی کمک می‌کنند. همچنین، کاربردهای #بیوانفورماتیک در اصلاح نژاد گیاهان، طراحی محصولات کشاورزی با ویژگی‌های مطلوب و بهبود بهره‌وری گیاهان در تولید محصولات کشاورزی پایدار نقش مهمی دارند. برای کسب اطلاعات بیشتر این مقاله را مطالعه کنید
@irbioinformatics

آشنایی با pLDDT score
تهیه و تنظیم: ح. رسولی
آزمون پیش‌بینی‌شده تفاوت فاصله local (pLDDT) یک معیار local برای اعتماد به هر باقی‌مانده (رزیدیو) در یک ساختار پروتئینی است که در نرم افزار آلفافولد از آن استفاده می شود. این مقدار از ۰ تا ۱۰۰ مقیاس‌بندی شده است، به‌طوری‌که امتیازات بالاتر نشان‌دهنده اعتماد بیشتر و معمولاً پیش‌بینی دقیق‌تر هستند.
شاخص pLDDT میزان اطمینان به ساختار محلی پروتئین را اندازه‌گیری می‌کند و تخمین می‌زند که پیش‌بینی تا چه حد با یک ساختار تجربی همخوانی دارد. این معیار بر اساس آزمون تفاوت فاصله محلی Cα (lDDT-Cα) بنا شده است که بدون نیاز به هم‌پوشانی ساختارها، درستی فواصل محلی بین اتم‌های Cα را ارزیابی می‌کند.
بر اساس این معیار، یک pLDDT بالای ۹۰ به‌عنوان بالاترین دقت در نظر گرفته می‌شود، جایی که معمولاً هم زنجیره‌های پشتی و هم زنجیره‌های جانبی با دقت بالا پیش‌بینی می‌شوند. در مقابل، یک pLDDT بالای ۷۰ معمولاً به یک پیش‌بینی صحیح از زنجیره پشتی مربوط می‌شود، در حالی که برخی زنجیره‌های جانبی ممکن است به‌طور نادرست قرار داده شده باشند.
@irbioinformatics

امتیاز pLDDT می‌تواند به طور قابل توجهی در طول زنجیره پروتئینی متغیر باشد. این بدان معنی است که AlphaFold2 ممکن است در مورد ساختار برخی بخش‌های پروتئین بسیار مطمئن باشد، در حالی که در مناطق دیگر اعتماد کمتری داشته باشد. این اطلاعات به کاربران نشان می‌دهد که کدام بخش‌های ساختار پیش‌بینی‌شده ممکن است قابل اعتماد باشند و کدام بخش‌ها احتمالاً از دقت کمتری برخوردارند
@irbioinformatics
اساسا دو دلیل وجود دارد که چرا AlphaFold2 به یک ناحیه از یک پروتئین اعتماد پایین‌تری اختصاص می‌دهد. اول، ممکن است آن ناحیه به طور طبیعی بسیار انعطاف‌پذیر یا ذاتا نامنظم باشد، که در این صورت هیچ ساختار واضحی ندارد-مثل ناحیه coil در ساختمان پروتئین. از این رو، ممکن است ناحیه دارای یک ساختار قابل پیش‌بینی باشد، اما AlphaFold2 اطلاعات کافی برای پیش‌بینی آن با اطمینان ندارد. در هر دو سناریو معمولاً pLDDT پایین‌تر از ۵۰ به وجود می‌آید و هنگامی که الفافولد ساختار پروتئین را پیش بینی می کند این امتیاز برای نواحی که اطمینان پایین تری در پیش بینی ساختار انها وجود دارد گزارش شود.
@irbioinformatics
در پاسخ به اون دوست عزیزی که در رابطه با این امتیاز در پست های قبلی سوال پرسید باید گفت که AlphaFold2 ممکن است در مورد ساختار یک دامین های گلوبولار از یک پروتئین بسیار مطمئن باشد، اما در مورد ساختار لینکرها بین دامین ها اعتماد کمتری داشته باشد. این به این دلیل است که AlphaFold2 اطلاعات بیشتری برای پیش‌بینی ساختار دامین های گلوبولار دارد. این دامین ها معمولاً محافظت‌شده هستند، یعنی در طول زمان تکاملی کمتر تغییر کرده‌اند. در مقابل، اتصال دهنده ها یا لینکرها بیشتر احتمال دارد به طور طبیعی متغیر، کمتر ساختارمند و انعطاف‌پذیر باشند. هیچ راهی برای پیش‌بینی ساختارهای خاص برای چنین نواحی طبیعی نامنظم وجود ندارد، بنابراین AlphaFold2 به پیش‌بینی‌های خود اعتماد پایینی اختصاص می‌دهد.
@irbioinformatics
بیشتر نواحی ذاتا نامنظم (IDRs) یا intrinsically disordered regions همیشه نامنظم هستند. با این حال، برخی از IDRها وجود دارند که پروتئین در شرایط فیزیولوژیک در حالت بدون اتصال ساختار مشخصی ندارد، اما در هنگام تعامل با شریک ماکرومولکولی نیتیو خود، folding ناشی از اتصال را تجربه می‌کند. در این موارد نادر، AlphaFold2 تمایل دارد که حالت تا شده را با امتیازهای pLDDT بالا پیش‌بینی کند.
کپی برداری از این متن بدون ذکر منبع و نام کانال بیوانفورماتیک محققان ایرانی ممنوع می باشد.

یکی از بهترین مثال ها در مورد متنی که در پست های قبلی پیرامون امتیاز pLDDT ارائه شد، مربوطه به ساختار پروتئین عامل آغاز ترجمه 4E-متصل شونده 2 (4E-BP2، شناسه UniProt: Q13542) است. نرم افزار AlphaFold2 ساختار هلیکسی آن را با اطمینان بالا پیش‌بینی می‌کند: در طبیعت، 4E-BP2 تنها در حالت اتصال یافته به شریک ماکرومولکولی خود این چنین کنفورماسیونی را به خود می‌گیرد (شناسه PDB: 3AM7). توجه داشته باشید که ساختار اتصال یافته در مجموعه داده‌های آموزشی AlphaFold2 گنجانده شده است، بنابراین برنامه قبلاً آن را دیده است و از آن برای پیش بینی ساختار این فاکتور ترجمه استفاده می کند.
@irbioinformatics