طبقه‌بندی تکاملی سیستم‌های CRISPR-Cas: انفجاری از سیستم‌های کلاس ۲ و واریانت‌های مشتق‌شده.
@irbioinformatics

شیمی دانان داروها را کشف می کنند و داروها جان انسان ها را نجات می دهند.
مولکول‌های دارویی محور اصلی درمان‌های پزشکی مدرن هستند که تسکین درد، مبارزه با عفونت‌ها و ارائه مجموعه‌ای از اثرات درمانی دیگر را فراهم می‌کنند. تلاش برای یافتن و بهبود مولکول‌های دارویی جدید، محرک پژوهش‌های پزشکی است و معرفی یک داروی جدید اغلب به رویدادی خبری تبدیل می‌شود که توجه رسانه‌ها و عموم مردم را جلب می‌کند. با این حال، تصورات نادرستی وجود دارد. بسیاری از مردم بر این باورند که مولکول‌های دارویی توسط پزشکان طراحی، ساخته و اختراع می‌شوند، نه شیمی‌دانان – یک سوء تفاهم که تنها بخشی از کم‌توجهی گسترده به نقش شیمی در سلامت و رفاه اجتماعی-اقتصادی بشریت است. علم شیمی به عنوان یک رشته باید این روایت را تغییر دهد.
@irbioinformatics
این مقاله یکی از بهترین مقالات مروری است که در مورد داروها نوشته شده واقعا به دوستانی که توی این فیلد کار میکنن توصیه میکنم بخون این مقاله رو
https://news.1rj.ru/str/IRBioinformatics/866

Chemists Invent Drugs and Drugs Save Lives
https://news.1rj.ru/str/IRBioinformatics/867

این متن با دقت بخونین:
21 years after collecting data during my PhD, we finally published the structure of the RNA-dependent RNA polymerase from bacteriophage
phi8!

I couldn't solve it in 2003 but Kamel El Omari tried molecular replacement using the #AlphaFold2 model and it worked!

Lesson learned: never discard data!
Paula S. Salgado

قابل توجه دانشجوایی که فک میکنن اگه بعد از اتمام تحصیلاتشون و دفاع از تزشون نتونستن مقاله ای چاپ کنن. این خانم 21 سال بعد از اینکه از تز دکتراش دفاع کرده تونسته مقاله ی تزش چاپ کنه و پروژه ای که روش کار کرده رو منتشر کنه. این داستان یک درس اخلاقی داره و اونم اینه که هیچ وقت کاری که انجام میدین رو بی ارزش قلمداد نکنین و پروندش رو نبندین محقق واقعی اینه هر لحظه به داده هاش نگاه کنه و از ابزارهای موجود استفاده کنه تا اگر یه زمانی که محدودیت ابزاری یا تجهیزاتی داشته در تایم مناسب بتونه از امکانات در دسترس برای تکمیل کارش استفاده کنه. جلمه اخرش خیلی جذاب و قشنگ بود....من لذت بردم امیدوارم تجربه ای بشه برای محققان جوان کشورمون... فایل مقالشون هم در ادامه می تونین مطالعه کنین.

Structure of the RNA-dependent RNA polymerase P2 from the cystovirus φ8

----------------------------------------

🔰Iranian Researchers Bioinformatics Channel:

https://news.1rj.ru/str/IRBioinformatics

#ویرایش_اپی ژنوم
ترجمه اختصاصی کانال
ویرایش #اپی‌ژنوم در سال‌های اخیر به‌سرعت پیشرفت کرده است و کاربردهای متنوعی از جمله روشن‌سازی مکانیسم‌های تنظیم ژن، تعیین عملکرد ژنوم‌های کدکننده و غیرکدکننده و برنامه‌ریزی حالت سلولی و تعیین تبار سلول‌ها را شامل می‌شود. نکته مهم این است که با توجه به نقش گسترده اپی‌ژنتیک در فنوتیپ‌های پیچیده، ویرایش اپی‌ژنوم پتانسیل منحصر به‌فردی برای تأثیرگذاری بر طیف وسیعی از بیماری‌ها دارد. با بهره‌گیری از فناوری‌های قدرتمند هدف‌گیری DNA، مانند CRISPR، ویرایش اپی‌ژنوم از مکانیسم‌های ارثی و برگشت‌پذیر اپی‌ژنتیک برای تغییر بیان ژن استفاده می‌کند، بدون اینکه شکست‌های DNA ایجاد کند، به DNA آسیب بزند یا به مسیرهای ترمیم DNA متکی باشد. نکته جالبی که توی این مقاله دیده میشه سازماندهی ماده وراثتی در درون هسته براساس ژنومیکس 4 بعدی هستش.... دیگه خودتون داستان را دریابید.... مبحث ژنومیکس 4 بعدی برای اولین بار در ایران توسط این کانال مطرح گردید...
انتشار این متن با ذکر نام کانال مجاز است..

@IRBioinformatics

Epigenome editing technologies for discovery and medicine
سال چاپ: 2024
ارائه اختصاصی فایل مقاله توسط تیم ادمین کانال
@IRBioinformatics

مهندسی میکروبیوم خاک برای پایداری در یک محیط در حال تغییر
پیشرفت‌های اخیر در بوم‌شناسی میکروبی و زیست‌شناسی سنتزی یا synthetic biology پتانسیل آن را دارند که آسیب‌های ناشی از فعالیت‌های انسانی که به اکوسیستم‌های خاک زمین آسیب می‌زنند را کاهش دهند. در اینجا، ما به بررسی چالش‌ها و فرصت‌های استفاده از جوامع میکروبی طبیعی و سنتزی خاک می‌پردازیم، با تمرکز بر ارتقاء رشد گیاه در سناریوهای مختلف....این مقاله مروری ارزشمند را از دست ندهید. یکی از بهترین مقالاتی است که اخیرا در ژورنال نیچر به چاپ رسیده است.
انتشار این متن با ذکر نام کانال مجاز است.

@IRBioinformatics

Soil microbiome engineering for sustainability in a changing environment
سال چاپ : 2023
ارائه اختصاصی فایل مقاله توسط تیم ادمین کانال

----------------------------------------

🔰Iranian Researchers Bioinformatics Channel:

https://news.1rj.ru/str/IRBioinformatics

تشکیل و حفظ یکپارچگی بافت‌ها نیازمند فعالیت‌های پیچیده و هماهنگ هزاران ژن و محصولات پروتئینی آن‌ها است. تا همین اواخر، سطح رونوشت ژن‌ها تنها برای تعداد محدودی از ژن‌ها در بافت‌ها قابل اندازه‌گیری بود، اما پیشرفت‌های اخیر در توالی‌یابی DNA، سنتز الیگونوکلئوتید و میکروسکوپی فلورسانس منجر به ابداع مجموعه‌ای از فناوری‌های ترنسکریپتومیکس فضایی شده است که قادر به اندازه‌گیری بیان بسیاری یا تمام ژن‌ها به‌صورت درجا (in situ) هستند. این فناوری‌ها به‌سرعت از نظر حساسیت، ظرفیت چندگانه‌سازی و توان عملیاتی تکامل یافته‌اند. این پیشرفت‌ها امکان تعیین ساختار نوع سلولی بافت‌ها، بررسی تعاملات سلولی-سلولی و رصد تعاملات مولکولی بین اجزای بافتی را فراهم کرده‌اند. چشم‌انداز در حال تکامل ژنومیک فضایی به‌زودی امکان اندازه‌گیری‌های ژنومی با توان عملیاتی بالا و انجام تغییرات در بافت‌ها را فراهم می‌کند. این پیشرفت‌ها باعث تقویت تولید فرضیه‌ها، کشف‌های زیستی و پیوند دادن جهان‌های زیست‌شناسی بافت و ژنومیک خواهد شد.

ترانسکریپتومیکس فضایی.
این مقاله ارزشمند که در خصوص ترانسکریپتومیکس فضایی به عنوان یک روش نوظهور در مطالعه تغییرات ترانسکریپتی سلول و بیان ژن ها در بافت ها هستش رو مطالعه کنین مطمنم خیلی به کارتون میاد اگه علاقه به یادگیری مباحث جدید دارین..

اگه دنبال یادگیری روش کاربردی یادگیری ماشین برای انجام پروژه های داکینگ مولکولی هستید می توانید از این پرتکل کاربردی که در ژورنال نیچر پرتکل چاپ شده است استفاده کنید. کامل کدها و مثال های که استفاده کرده رو گذاشته برای دانلود کدهاش هم میتونین از لینک زیر استفاده کنین.
https://github.com/vktrannguyen/MLSF-protocol

A practical guide to machine-learning scoring for structure-based virtual screening

✅How to write in english
- Two Helpful Links

⭕️Writing in the Sciences
Stanford University


⭕️Academic Phrasebank
University of Manchester

----------------------------------

🆔Join us:

https://news.1rj.ru/str/IRBioinformatics

‌‌
جایش خالی خواهد ماند!
و جای خالی‌اش از همه‌ی آنهایی که هستند، زیباتر است...

اهمیت deep learningدر پیش بینی ساختار پروتئین
روش دیپ‌لرنینگ (یادگیری عمیق) به‌طور چشمگیری در پیش‌بینی ساختار پروتئین‌ها تحول ایجاد کرده است. این روش با استفاده از شبکه‌های عصبی عمیق، قادر است الگوهای پیچیده‌ای را در داده‌های بیولوژیکی شناسایی کند که ممکن است برای روش‌های سنتی قابل دسترسی نباشند. به‌عنوان مثال، با استفاده از داده‌های توالی آمینواسیدها و ویژگی‌های فیزیکی و شیمیایی آن‌ها، مدل‌های دیپ‌لرنینگ می‌توانند پیش‌بینی کنند که یک پروتئین چگونه تا می‌شود و ساختار سه‌بعدی آن چیست.

مدل‌های دیپ‌لرنینگ مانند AlphaFold، که توسط DeepMind توسعه یافته است، توانسته‌اند با دقت بالایی ساختار پروتئین‌ها را پیش‌بینی کنند. این مدل‌ها از داده‌های بزرگ و متنوعی از ساختارهای پروتئینی شناخته‌شده استفاده می‌کنند و با آموزش بر روی این داده‌ها، توانایی پیش‌بینی ساختار پروتئین‌های جدید را پیدا می‌کنند. این پیشرفت‌ها به پژوهشگران کمک کرده‌اند تا درک بهتری از عملکرد پروتئین‌ها و نقش آن‌ها در فرآیندهای بیولوژیکی داشته باشند.

علاوه بر این، دیپ‌لرنینگ می‌تواند در شناسایی تعاملات پروتئینی و پیش‌بینی تغییرات ساختاری ناشی از جهش‌های ژنتیکی نیز مفید باشد. این قابلیت‌ها می‌توانند به توسعه درمان‌های جدید و طراحی داروهای مؤثرتر کمک کنند. به‌طور کلی، دیپ‌لرنینگ به عنوان ابزاری قدرتمند در بیوانفورماتیک و زیست‌شناسی مولکولی شناخته می‌شود که به تسریع تحقیقات و نوآوری‌ها در زمینه علوم زیستی کمک می‌کند.

انتشار با ذکر‌منبع کانال مجاز است
https://news.1rj.ru/str/IRBioinformatics/888

تفاوت‌های اصلی بین یادگیری عمیق (Deep Learning) و یادگیری ماشین (Machine Learning) در مدلسازی پروتئین‌ها به شرح زیر است:

1. ساختار مدل:

• یادگیری ماشین: معمولاً از مدل‌های ساده‌تر مانند درخت‌های تصمیم، ماشین‌های بردار پشتیبان (SVM)، یا رگرسیون خطی استفاده می‌کند. این مدل‌ها نیاز به ویژگی‌های دستی (handcrafted features) دارند که باید توسط پژوهشگران استخراج شوند.

• یادگیری عمیق: از شبکه‌های عصبی عمیق با چندین لایه استفاده می‌کند که قادرند به‌طور خودکار ویژگی‌های پیچیده را از داده‌ها استخراج کنند. این قابلیت به آن‌ها اجازه می‌دهد تا الگوهای پیچیده‌تری را شناسایی کنند.

2. داده‌های ورودی:

• یادگیری ماشین: معمولاً به داده‌های کمتری نیاز دارد و می‌تواند با مجموعه‌های داده کوچک‌تر کار کند. اما کیفیت داده‌ها و ویژگی‌های استخراج‌شده بسیار مهم است.

• یادگیری عمیق: به حجم بالایی از داده‌ها نیاز دارد تا بتواند به خوبی آموزش ببیند. در مدلسازی پروتئین، این داده‌ها می‌توانند شامل توالی‌های آمینواسید، ساختارهای سه‌بعدی، و ویژگی‌های فیزیکی و شیمیایی باشند.

3. پیچیدگی و دقت:

• یادگیری ماشین: ممکن است در برخی مسائل ساده‌تر و با داده‌های محدود بهتر عمل کند، اما در مسائل پیچیده‌تر، مانند پیش‌بینی ساختار پروتئین‌ها، ممکن است دقت کمتری داشته باشد.

• یادگیری عمیق: به دلیل توانایی آن در یادگیری ویژگی‌های پیچیده، معمولاً دقت بالاتری در پیش‌بینی ساختار پروتئین‌ها دارد و می‌تواند الگوهای غیرخطی و پیچیده را شناسایی کند.

4. زمان آموزش:

• یادگیری ماشین: معمولاً زمان آموزش کمتری نسبت به یادگیری عمیق دارد، زیرا مدل‌ها ساده‌تر هستند.

• یادگیری عمیق: به دلیل پیچیدگی بالای شبکه‌های عصبی و نیاز به داده‌های زیاد، زمان آموزش بیشتری لازم دارد.

5. کاربردها:

• یادگیری ماشین: ممکن است در کارهای ابتدایی مانند طبقه‌بندی توالی‌ها یا پیش‌بینی ویژگی‌های ساده پروتئین‌ها مفید باشد.

• یادگیری عمیق: برای پیش‌بینی ساختار سه‌بعدی پروتئین‌ها، شناسایی تعاملات پیچیده و تحلیل داده‌های بزرگ بسیار مؤثرتر است.

به‌طور خلاصه، یادگیری عمیق به دلیل توانایی‌اش در پردازش داده‌های بزرگ و شناسایی الگوهای پیچیده، در مدلسازی پروتئین‌ها نسبت به یادگیری ماشین برتری دارد.
https://news.1rj.ru/str/IRBioinformatics/889