الفافولد یک پلتفرم محاسباتی مبتنی بر هوش مصنوعی است که در آن کاربران برای پیشبینی ساختار سهبعدی یک پروتئین تنها نیاز دارند که توالی آمینواسید آن را تأمین کنند. برای تجزیه و تحلیل این اطلاعات، AlphaFold2 از یک همراستایی توالی چندگانه (MSA) که شامل توالیهای چندین پروتئین مرتبط است، استفاده میکند. این نرمافزار مجموعهای از نمایشهای جفتی را ایجاد میکند که روابط بین هر جفت باقیمانده آمینواسید را مدلسازی میکند. این نرمافزار از MSA برای پیشبینی تمام نمایشهای جفتی و در نتیجه ساختار سهبعدی پروتئین استفاده میکند.
@irbioinformatics
اگرچه از نظر کاربری که با این پلتفرم محاسباتی کار می کند، تنها ورودی مورد نیاز AlphaFold2 توالی پروتئینها است اما با این حال، AlphaFold2 با ساخت یک همراستایی توالی چندگانه (MSA) -منظور همون بلاست مولتیپل هستش- کار میکند که در آن چندین توالی پروتئینی مشابه در کنار یکدیگر قرار میگیرند. MSA با جستجو در چندین پایگاه داده توالی پروتئین با توالی ورودی ایجاد میشود.
در نتیجه ورودی اصلی برای شبکه عصبی AlphaFold2 در واقع MSA است. AlphaFold2 از MSAها برای مقایسه و تجزیه و تحلیل توالیهای پروتئینهای مشابه از ارگانیسمهای مختلف استفاده میکند. این کار شباهتها و تفاوتها را برجسته میکند که به درک روابط تکاملی بین پروتئینها کمک میکند.
@irbioinformatics
با این حال برای کار با الفافولد نیاز است که کاربران اطلاعات دقیقی پیرامون توپولوژی و کنفورماسیون عمومی پروتئین ها داشته باشند. به عنوان مثال دانستن این نکته که امینواسیدها به چه صورت ممکن است در ساختار یک پروتئین به یکدیگر نیرو وارد کنند تا یک توپولوژی صحیح را ایجاد کنند می تواند به درک ماهیت خروجی های الفافولد کمک شایانی کند.
فرض کنید دو آمینواسید در یک پروتئین در تماس نزدیک باشند، جهشها در یکی از آنها احتمالاً با جهشهای دیگری از آنها همراه خواهد بود. این امر ساختار پروتئین را حفظ میکند و به آن همتکامل یا همتغییر (co-evolution or covariation) گفته میشود. برعکس نیز صادق است: اگر دو ناحیه از یک پروتئین بهطور مستقل در حال تغییر و تکامل باشند، احتمالاً در تماس مستقیم نیستند.
@irbioinformatics
همانطور که بایستی اکنون به ان توجه کنید اساس الفافولد براساس همین مقایسات همردیفی چندگانه است که طی آن یک همراستایی توالی چندگانه (MSA) با کیفیت بالا برای اینکه AlphaFold2 بتواند پیشبینی دقیقی از ساختار پروتئین ارائه دهد، ضروری است و در صورتی که این همردیفی چندگانه نباشد اساسا هوش مصنوعی و شبکه های عصبی دخیل در پلتفرم محاسباتی الفافولد نمی توانند به راحتی ساختار سه بعدی یک پروتئین را پیش بینی کنند. یک MSA متنوع و عمیق، با صدها یا هزاران توالی در مقایسات همردیفی، به AlphaFold2 کمک میکند تا سیگنالهای همتکاملی را شناسایی کرده و از آنها برای تعیین ساختار سهبعدی پروتئین استفاده کند. برعکس، یک MSA کم عمق- یا به عبارت دیگر یک همراستایی یا همردیفی ناقص و سطحی، با تنها چند ده توالی و تنوع کم بین آنها، شایعترین دلیل برای پیشبینیهای ناموفق، غیرقابل اطمینان و نادقیق AlphaFold2 است که بسیاری از کاربران گاها در خروجی هایی الفافولد می توانند اثر ان را ببینند.
@irbioinformatics
زمانی که AlphaFold ساختار سهبعدی یک پروتئین را پیشبینی میکند، مجموعهای از "نمایشهای جفتی یا pair representations" ایجاد میکند. هر جفت از باقیماندههای آمینواسید در پروتئین، صرفنظر از فاصله آنها، بهصورت جداگانه نشان داده میشوند. این امر به نرمافزار اجازه میدهد تا روابط همتکاملی بین آنها را بر اساس MSA کدگذاری کند. این اطلاعات در نهایت میتواند بهعنوان موقعیتهای نسبی رزیدیوهای آمینواسیدی و فاصلههای بین آنها تفسیر شود.
@irbioinformatics
.ابزار AlphaFold2 از یک شبکه عصبی به نام Evoformer استفاده میکند. این شبکه هم MSA و هم نمایشهای جفتی را تفسیر و بهروزرسانی میکند. جنبه مهم این شبکه، جریان مداوم اطلاعات بین MSA و نمایشهای جفتی است. این امر امکان استدلال درباره روابط فضایی و تکاملی را فراهم میآورد که فرضیه ساختاری را بهبود . میبخشد. اگر این الگو در دسترس باشد، AlphaFold2 میتواند از ساختارهای پروتئینی ارائهشده (به عنوان مثال، ساختارهایی که از آزمایشات اکسپریمنتال بهدست آمدهاند) به عنوان الگو استفاده کند. با این حال، اگر اطلاعات کافی از MSA موجود باشد، AlphaFold2 تمایل دارد که از این الگوها چشمپوشی کند.
@irbioinformatics
@irbioinformatics
اگرچه از نظر کاربری که با این پلتفرم محاسباتی کار می کند، تنها ورودی مورد نیاز AlphaFold2 توالی پروتئینها است اما با این حال، AlphaFold2 با ساخت یک همراستایی توالی چندگانه (MSA) -منظور همون بلاست مولتیپل هستش- کار میکند که در آن چندین توالی پروتئینی مشابه در کنار یکدیگر قرار میگیرند. MSA با جستجو در چندین پایگاه داده توالی پروتئین با توالی ورودی ایجاد میشود.
در نتیجه ورودی اصلی برای شبکه عصبی AlphaFold2 در واقع MSA است. AlphaFold2 از MSAها برای مقایسه و تجزیه و تحلیل توالیهای پروتئینهای مشابه از ارگانیسمهای مختلف استفاده میکند. این کار شباهتها و تفاوتها را برجسته میکند که به درک روابط تکاملی بین پروتئینها کمک میکند.
@irbioinformatics
با این حال برای کار با الفافولد نیاز است که کاربران اطلاعات دقیقی پیرامون توپولوژی و کنفورماسیون عمومی پروتئین ها داشته باشند. به عنوان مثال دانستن این نکته که امینواسیدها به چه صورت ممکن است در ساختار یک پروتئین به یکدیگر نیرو وارد کنند تا یک توپولوژی صحیح را ایجاد کنند می تواند به درک ماهیت خروجی های الفافولد کمک شایانی کند.
فرض کنید دو آمینواسید در یک پروتئین در تماس نزدیک باشند، جهشها در یکی از آنها احتمالاً با جهشهای دیگری از آنها همراه خواهد بود. این امر ساختار پروتئین را حفظ میکند و به آن همتکامل یا همتغییر (co-evolution or covariation) گفته میشود. برعکس نیز صادق است: اگر دو ناحیه از یک پروتئین بهطور مستقل در حال تغییر و تکامل باشند، احتمالاً در تماس مستقیم نیستند.
@irbioinformatics
همانطور که بایستی اکنون به ان توجه کنید اساس الفافولد براساس همین مقایسات همردیفی چندگانه است که طی آن یک همراستایی توالی چندگانه (MSA) با کیفیت بالا برای اینکه AlphaFold2 بتواند پیشبینی دقیقی از ساختار پروتئین ارائه دهد، ضروری است و در صورتی که این همردیفی چندگانه نباشد اساسا هوش مصنوعی و شبکه های عصبی دخیل در پلتفرم محاسباتی الفافولد نمی توانند به راحتی ساختار سه بعدی یک پروتئین را پیش بینی کنند. یک MSA متنوع و عمیق، با صدها یا هزاران توالی در مقایسات همردیفی، به AlphaFold2 کمک میکند تا سیگنالهای همتکاملی را شناسایی کرده و از آنها برای تعیین ساختار سهبعدی پروتئین استفاده کند. برعکس، یک MSA کم عمق- یا به عبارت دیگر یک همراستایی یا همردیفی ناقص و سطحی، با تنها چند ده توالی و تنوع کم بین آنها، شایعترین دلیل برای پیشبینیهای ناموفق، غیرقابل اطمینان و نادقیق AlphaFold2 است که بسیاری از کاربران گاها در خروجی هایی الفافولد می توانند اثر ان را ببینند.
@irbioinformatics
زمانی که AlphaFold ساختار سهبعدی یک پروتئین را پیشبینی میکند، مجموعهای از "نمایشهای جفتی یا pair representations" ایجاد میکند. هر جفت از باقیماندههای آمینواسید در پروتئین، صرفنظر از فاصله آنها، بهصورت جداگانه نشان داده میشوند. این امر به نرمافزار اجازه میدهد تا روابط همتکاملی بین آنها را بر اساس MSA کدگذاری کند. این اطلاعات در نهایت میتواند بهعنوان موقعیتهای نسبی رزیدیوهای آمینواسیدی و فاصلههای بین آنها تفسیر شود.
@irbioinformatics
.ابزار AlphaFold2 از یک شبکه عصبی به نام Evoformer استفاده میکند. این شبکه هم MSA و هم نمایشهای جفتی را تفسیر و بهروزرسانی میکند. جنبه مهم این شبکه، جریان مداوم اطلاعات بین MSA و نمایشهای جفتی است. این امر امکان استدلال درباره روابط فضایی و تکاملی را فراهم میآورد که فرضیه ساختاری را بهبود . میبخشد. اگر این الگو در دسترس باشد، AlphaFold2 میتواند از ساختارهای پروتئینی ارائهشده (به عنوان مثال، ساختارهایی که از آزمایشات اکسپریمنتال بهدست آمدهاند) به عنوان الگو استفاده کند. با این حال، اگر اطلاعات کافی از MSA موجود باشد، AlphaFold2 تمایل دارد که از این الگوها چشمپوشی کند.
@irbioinformatics
Nature
Highly accurate protein structure prediction with AlphaFold
Nature - AlphaFold predicts protein structures with an accuracy competitive with experimental structures in the majority of cases using a novel deep learning architecture.
👍5
آکادمی بیوانفورماتیک محققان ایرانی
الفافولد یک پلتفرم محاسباتی مبتنی بر هوش مصنوعی است که در آن کاربران برای پیشبینی ساختار سهبعدی یک پروتئین تنها نیاز دارند که توالی آمینواسید آن را تأمین کنند. برای تجزیه و تحلیل این اطلاعات، AlphaFold2 از یک همراستایی توالی چندگانه (MSA) که شامل توالیهای…
سپس در ادامه ماژول ساختاری AlphaFold2 هم نمایش جفتی بهروزشده و هم توالی اصلی (که اولین ردیف MSA بهروزشده است) را از الگوریتم Evoformer میگیرد. ماژول ساختاری ابتدا این دادهها را به یک ساختار مرکزی یا (backbone) برای ساختار سهبعدی تبدیل میکند. سپس مدلسازی را با قرار دادن زنجیرههای جانبی آمینواسیدها و بهبود موقعیت آنها تکمیل میکند.
@irbioinformatics
سپس AlphaFold2 یک فرآیند تکراری به نام "بازیافت" (recycling) را انجام میدهد. این فرآیند شامل بازخورد دادن MSAها -مانند همان کاری که در بر دادن ورق های بازی ورق انجام می دهید- انجام می دهد، نمایشهای جفتی و ساختار سهبعدی به شبکه عصبی است و ساختار سهبعدی جدیدی تولید میکند. این فرآیند سه بار تکرار میشود و به AlphaFold2 اجازه میدهد تا دقت ساختار نهایی را بهبود بخشد.در نهایت الفافولد با بدست اوردن یک الگوی خروجی زمینه را برای تعیین کنفورماسیون نهایی توالی اعمال شده به آن فراهم می کند و کاربر می تواند به ساختار فرضی پروتئینی که به نرم افزار داده است تا تعیین ساختار شود دست پیدا می کند. البته بایستی گفت همیشه الفا فولد به صورت موفق عمل نمی کند و در نهایت ممکن یک ساختار سه بعدی متشکل از random coils در اختیار شما قرار دهد که شباهت به ساختار هیچ پروتئینی ندارد و فاقد کنفورماسیون مشخصی است. در نتیجه شما با مراجعه به pLDDT خروجی نرم افزار می توانید تصمیم بگیرید که ایا ساختاری که توسط الفافولد مدل شده است ساختار درستی است یا خیر...
@irbioinformatics
سپس AlphaFold2 یک فرآیند تکراری به نام "بازیافت" (recycling) را انجام میدهد. این فرآیند شامل بازخورد دادن MSAها -مانند همان کاری که در بر دادن ورق های بازی ورق انجام می دهید- انجام می دهد، نمایشهای جفتی و ساختار سهبعدی به شبکه عصبی است و ساختار سهبعدی جدیدی تولید میکند. این فرآیند سه بار تکرار میشود و به AlphaFold2 اجازه میدهد تا دقت ساختار نهایی را بهبود بخشد.در نهایت الفافولد با بدست اوردن یک الگوی خروجی زمینه را برای تعیین کنفورماسیون نهایی توالی اعمال شده به آن فراهم می کند و کاربر می تواند به ساختار فرضی پروتئینی که به نرم افزار داده است تا تعیین ساختار شود دست پیدا می کند. البته بایستی گفت همیشه الفا فولد به صورت موفق عمل نمی کند و در نهایت ممکن یک ساختار سه بعدی متشکل از random coils در اختیار شما قرار دهد که شباهت به ساختار هیچ پروتئینی ندارد و فاقد کنفورماسیون مشخصی است. در نتیجه شما با مراجعه به pLDDT خروجی نرم افزار می توانید تصمیم بگیرید که ایا ساختاری که توسط الفافولد مدل شده است ساختار درستی است یا خیر...
👍5
نمونه ای از خروجی های الفافولد2
در پست های بعدی تفسیر هر کدام از این گراف ها و اهمیت آنها را باهم بررسی خواهیم نمود.
این کانال را به دوستان خود نیز معرفی نمایید و در ارتقا دانش ساختاری خود در خصوص پروتئین ها گام بردارید...
در پست های بعدی تفسیر هر کدام از این گراف ها و اهمیت آنها را باهم بررسی خواهیم نمود.
این کانال را به دوستان خود نیز معرفی نمایید و در ارتقا دانش ساختاری خود در خصوص پروتئین ها گام بردارید...
👍6
تا چشم کار میکنه والدینی رو میبینم که از زمانی که آزمایش بارداریشون مثبت شده رفتن کلاس فرزندپروری و مدرسه ی مادری و حاصل؟ تقریبا هیچ.
بچه ها بیست و چاری پای تلویزیون و گوشی و به شدت دعوایی و پرخاشگر.
بچه به پدر و مادر میره عزیزان نه به دوره و کلاس.
امیدوارم متوجه منظورم شدهباشید
بچه ها بیست و چاری پای تلویزیون و گوشی و به شدت دعوایی و پرخاشگر.
بچه به پدر و مادر میره عزیزان نه به دوره و کلاس.
امیدوارم متوجه منظورم شدهباشید
👍7😁3
قابل توجه همکاران و دانشجویان عزیز که علاقمند به طراحی شکل در مقالات و گزارشات خود هستند
با استفاده از این لینک که برای NIH هست
بیش از ۵۰۰ شکل رایگان در اختیار شماست تا در ارائه ها و شکل ها تون استفاده کنید. این وکتورها رایگان بدون و نیاز به permission برای استفاده از انها در مقالات منتشر شده وجود ندارد
https://bioart.niaid.nih.gov/
@irbioinformatics
با استفاده از این لینک که برای NIH هست
بیش از ۵۰۰ شکل رایگان در اختیار شماست تا در ارائه ها و شکل ها تون استفاده کنید. این وکتورها رایگان بدون و نیاز به permission برای استفاده از انها در مقالات منتشر شده وجود ندارد
https://bioart.niaid.nih.gov/
@irbioinformatics
👍5❤2
هالووین مال پولداراست.. ما بی پول ها کل روزهای سالمون گرفتار یه خون آشام واقعی به اسم مشکلات مالی هستیم
😂😏🎃
😂😏🎃
🎃6👍3
اولین تانکِ محیطِ زیست دوست!
شرکت هیوندای از اولین تانک جنگی با سوخت هیدروژنی رونمایی کرد که به محیط زیست کمترین اسیب را وارد میکند
اینمثل اینه که مثلا یه جلادی خیلی مودب باشه و قبلاز گردن زدن دستاشو بشوره و به مقتول بگه «با اجازه»😂🤏🪓
شرکت هیوندای از اولین تانک جنگی با سوخت هیدروژنی رونمایی کرد که به محیط زیست کمترین اسیب را وارد میکند
اینمثل اینه که مثلا یه جلادی خیلی مودب باشه و قبلاز گردن زدن دستاشو بشوره و به مقتول بگه «با اجازه»😂🤏🪓
😁8😐3🕊2
به مناسبت هالویین چند عکس از دنیای واقعی باهم ببینیم. :)
👍3
آکادمی بیوانفورماتیک محققان ایرانی
Photo
عکس شماره ۱: یک اسکن از دهان موش نشان میدهد که چگونه و چه زمانی سقف دهان در مدل موش شکل میگیرد تا حفرههای دهانی و بینی را جدا کند. این تحقیق میتواند به روشنتر شدن مسئله شکاف کام، که یک نقص مادرزادی رایج در انسانها است، کمک کند.
عکس شماره ۲: یک مدل از قلب، ریهها و رگهای خونی گوسفند در دهه ۱۹۶۰ توسط دکتر وسلی اندرسون، دامپزشک دانشگاه مینهسوتا، ساخته شد. او از روشی به نام پلاستیسازی استفاده کرد که منجر به ایجاد یک مدل پلاستیکی دقیق از ساختارها و رگهای داخلی شد. این مدل به محققان در ساخت «دستگاههای کمکی بطن» کمک کرد که پس از آسیب قلب، در پمپاژ خون به آن کمک میکنند.
عکس شماره ۳: از دهه ۱۹۵۰ تا ۱۹۷۰، محققان در مؤسسه ملی دیابت و بیماریهای گوارشی و کلیوی از این کلاهکها برای جمعآوری دادههایی درباره مصرف اکسیژن استفاده کردند. سپس از این دادهها برای مطالعه نحوه مصرف انرژی توسط بدن انسان استفاده شد.
عکس شماره ۴: این قورباغه سمی که به نام Phyllobates aurotaenia نیز شناخته میشود، توسط دکتر جان دیلی، بیوشیمیدان NIH، جمعآوری شد. او در حال مطالعه شیمی سموم بود تا چگونگی اثر سموم بر انسانها را بررسی کند و روشی که ممکن است به آنها کمک کند را کشف کند. دکتر دیلی ترکیب شیمیایی اپیباتیدین را کشف کرد. اگرچه اپیباتیدین درد را کاهش میدهد، اما ۲۰۰ برابر قویتر از مورفین است و به همین دلیل هرگز بهعنوان یک درمان دارویی توسعه نیافت.
@irbioinformatics
عکس شماره ۲: یک مدل از قلب، ریهها و رگهای خونی گوسفند در دهه ۱۹۶۰ توسط دکتر وسلی اندرسون، دامپزشک دانشگاه مینهسوتا، ساخته شد. او از روشی به نام پلاستیسازی استفاده کرد که منجر به ایجاد یک مدل پلاستیکی دقیق از ساختارها و رگهای داخلی شد. این مدل به محققان در ساخت «دستگاههای کمکی بطن» کمک کرد که پس از آسیب قلب، در پمپاژ خون به آن کمک میکنند.
عکس شماره ۳: از دهه ۱۹۵۰ تا ۱۹۷۰، محققان در مؤسسه ملی دیابت و بیماریهای گوارشی و کلیوی از این کلاهکها برای جمعآوری دادههایی درباره مصرف اکسیژن استفاده کردند. سپس از این دادهها برای مطالعه نحوه مصرف انرژی توسط بدن انسان استفاده شد.
عکس شماره ۴: این قورباغه سمی که به نام Phyllobates aurotaenia نیز شناخته میشود، توسط دکتر جان دیلی، بیوشیمیدان NIH، جمعآوری شد. او در حال مطالعه شیمی سموم بود تا چگونگی اثر سموم بر انسانها را بررسی کند و روشی که ممکن است به آنها کمک کند را کشف کند. دکتر دیلی ترکیب شیمیایی اپیباتیدین را کشف کرد. اگرچه اپیباتیدین درد را کاهش میدهد، اما ۲۰۰ برابر قویتر از مورفین است و به همین دلیل هرگز بهعنوان یک درمان دارویی توسعه نیافت.
@irbioinformatics
👍4