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

همولوژی مدلینگ چیست و چه کاربردی دارد؟

همولوژی مدلینگ (Homology Modeling) یک روش قدرتمند در بیوانفورماتیک است که برای پیش‌بینی ساختارهای سه‌بعدی پروتئین‌ها بر اساس توالی‌های آمینواسید آن‌ها استفاده می‌شود. این روش به ویژه زمانی مفید است که ساختار پروتئین هدف به‌طور مستقیم از طریق تکنیک‌هایی مانند کریستالوگرافی اشعه ایکس یا NMR تعیین نشده باشد، اما پروتئین‌های مشابه با ساختار شناخته‌شده (به نام همولوگ‌ها) وجود داشته باشند. در این روش، فرض بر این است که ساختار پروتئین‌ها با توالی‌های مشابه، شباهت‌های زیادی دارند و می‌توان با استفاده از اطلاعات ساختاری همولوگ‌ها، ساختار پروتئین هدف را پیش‌بینی کرد.
@irbioinformatics

فرآیند همولوژی مدلینگ شامل چند مرحله اصلی است. ابتدا، توالی پروتئین هدف با پایگاه‌های داده‌ای از پروتئین‌های دارای ساختار شناخته‌شده مقایسه می‌شود تا همولوگ‌های مناسب شناسایی شوند. سپس، ساختار سه‌بعدی پروتئین همولوگ انتخاب شده به عنوان الگو مورد استفاده قرار می‌گیرد. در مرحله بعد، توالی آمینواسید پروتئین هدف به ساختار الگو تطبیق داده می‌شود و تغییرات لازم برای سازگاری با توالی جدید اعمال می‌شود. در نهایت، مدل نهایی باید بهینه‌سازی شود تا از لحاظ انرژی و پایداری ساختاری بهبود یابد.

مدل‌های به‌دست‌آمده از همولوژی مدلینگ می‌توانند برای اهداف مختلفی مانند مطالعه تعاملات پروتئینی، طراحی داروهای جدید و پیش‌بینی عملکرد پروتئین‌ها مورد استفاده قرار گیرند. با این حال، دقت این روش بستگی به کیفیت و شباهت همولوگ‌ها دارد؛ هرچه شباهت توالی بین پروتئین هدف و همولوگ بیشتر باشد، دقت مدل پیش‌بینی‌شده نیز افزایش می‌یابد. بنابراین، همولوژی مدلینگ ابزاری ارزشمند در تحقیقات بیوشیمی و بیوفیزیک است که به دانشمندان کمک می‌کند تا درک بهتری از ساختار و عملکرد پروتئین‌ها پیدا کنند.

مهمترین ابزار همولوژی مدلینگ نرم افزار مدلر است که به صورت رایگان در این‌لینک قابل دسترسی است.

دوستان مدلر یه نرم افزار اکادمیک هستش و شما برای نصب و دانلودش باید حتما ایمیل اکادمیک داشته باشین موقع نصبش ی پسورد که ب ایمیل اکادمیکتون ارسال میکنه رو وارد کنین بنابراین دوستانی که ایمیل اکادمیک ندارن نمیتونن ازش استفاده کنن😂 ولی از اونجا که ما توشه اخرت جمع میکنیم پسوردش اینجا براتون گذاشتیم😂
پسوردش 😂🤏MODELLERIRANJE

https://news.1rj.ru/str/IRBioinformatics/890

‏وقتی به این باور برسید که نظرات دیگران درباره شما، بیشتر از این‌که درباره شما باشه، چیزی درباره خودشون داره می‌گه، از خیلی از نظرات کمتر اذیت می‌ شید.
#اندرز_روز

✅Factors that influence PhD candidates’ success: the importance of PhD project characteristics

✅E. van Rooij, M. Fokkens-Bruinsma and E. Jansen 2021

🔴Link
------------------------------
@irbioinformatics

این پیام با دقت بخونین:
After a decade of obsession, we are thrilled to share our enantioselective Hofmann-Loffler-Freytag reaction!!

Many congrats to Pavitra and Ipshita on this valuable protecting-group free synthesis of chiral pyrrolidines!

They tamed radicals with simple Cu catalysts in >95% ee! Read more here …

این محققان به سرپرستی پرفسور David Nagib از دانشگاه اوهایو امریکا ده سال برای چاپ نتایجشون وقت گذاشتن و با وسواس همه جنبه های کارشون رو در نظر گرفتن و در نهایت این مقاله ارزشمند چاپ کردن. واقعا بعضی محققان خیلی صبور هستند که برای انتشار کارهای علمیشون سال ها صبوری می کنند و صرفا هدفشون چاپ مقاله نیست...
https://www.sciencedirect.com/science/article/pii/S2667109324003427?dgcid=author

✅چگونه یک پروپوزال تحقیقاتی بنویسیم؟

🔰دانلود فایل مقاله(کلیک کنید)

https://news.1rj.ru/str/IRBioinformatics/894

How to write a research proposal
https://news.1rj.ru/str/IRBioinformatics/895

داروی بیوسیمیلار چیست و چه تفاوتی با داروهای ژنریک دارد؟
داروی بیوسیملار (Biosimilar) یک نوع داروی بیولوژیک است که بسیار مشابه با داروی بیولوژیک مرجع یا اصلی (اصلی‌ترین دارویی که برای اولین بار ساخته و ثبت شده است) می‌باشد. این داروها از لحاظ اثربخشی، ایمنی و کیفیت بسیار نزدیک به داروی اصلی هستند، اما دقیقاً مشابه آن نیستند. تفاوت‌های جزئی ممکن است در فرآیند تولید یا ویژگی‌های بیولوژیکی وجود داشته باشد، اما این تفاوت‌ها تأثیری بر اثربخشی و ایمنی دارو ندارند.
https://news.1rj.ru/str/IRBioinformatics/896

تفاوت بیوسیملارها در مقابل داروهای ژنریک:

#بیوسیملار: بیوسیملارها نسخه‌های مشابه داروهای بیولوژیکی هستند که از موجودات زنده تولید می‌شوند (مثل پروتئین‌ها و آنتی‌بادی‌ها). فرآیند تولید داروهای بیولوژیکی بسیار پیچیده و حساس است.
داروهای ژنریک: داروهای ژنریک نسخه‌های شیمیایی دقیقاً مشابه داروهای اصلی هستند. تولید آنها به نسبت ساده‌تر است، چون از ترکیبات شیمیایی ثابت و غیرمتحرک ساخته می‌شوند.
تفاوت در تولید:

بیوسیملارها: از سلول‌های زنده (مثل باکتری‌ها یا سلول‌های حیوانی) تولید می‌شوند. به دلیل پیچیدگی در فرآیند تولید، نسخه‌ای دقیق و یکسان با داروی بیولوژیک اصلی تولید نمی‌شود، اما تشابه بسیار زیادی دارد.
داروهای شیمیایی یا ژنریک: این داروها به صورت شیمیایی سنتز می‌شوند و به راحتی می‌توانند نسخه‌ای دقیق و یکسان با داروی اصلی تولید کنند.
هزینه و قیمت:

بیوسیملارها معمولاً ارزان‌تر از داروی بیولوژیک اصلی هستند، اما همچنان گران‌تر از داروهای ژنریک هستند، چون فرآیند تولید آنها پیچیده‌تر است.
تست‌های بالینی:

برای تأیید یک بیوسیملار، مطالعات و آزمایش‌های کلینیکی گسترده‌ای انجام می‌شود تا اثبات شود که اثربخشی و ایمنی آن با داروی اصلی مشابه است.
برای داروهای ژنریک، نیاز به این همه مطالعات بالینی نیست، زیرا به سادگی از نظر شیمیایی مشابه داروی اصلی هستند.

بیوسیملارها داروهای بیولوژیکی هستند که بسیار مشابه داروهای بیولوژیک اصلی هستند، اما در تولید از فرآیندهای پیچیده‌تر استفاده می‌کنند و به همین دلیل نمی‌توانند دقیقاً مشابه داروهای شیمیایی و ژنریک باشند.
https://news.1rj.ru/str/IRBioinformatics/897

معرفی نرم افزارFADiff
امروزه مدلسازی پروتئین های چند زیرواحدی یکی از سخت ترین فرآیندهای محاسباتی است که نیازمند دانش تجربی و تئوری بالایی است. اگرچه ابزارهای مدلسازی گسترده ای برای پیش بینی ساختار پروتئین ها ارائه شده است اما با این حال این ابزارها در هنگامی که پروتئین های مونومری را مدلسازی میکنند بهترین کارایی را از خود نشان می دهند. در نتیجه مهمترین نقطه ضعف آنها در مدلسازی پروتئین های چند زیرواحدی است. ابزار FADiff یک ابزار مدلسازی پروتئین است که اخیرا نسخه ادکامیک و رایگان آن منتشر شده است و محققان می توانند از آن به عنوان ابزاری برای توسعه و مدلسازی پروتئین های چند زیرواحدی استفاده نمایند.
مقاله ابزار:
https://arxiv.org/html/2406.03141v1
کدهای اجرایی ابزار:
https://github.com/aim-uofa/FADiff

این ابزار در محیط لینوکس و با استفاده از پلتفرم اناکوندا یا مینی کوندا قابل اجرا می باشد و برای اجرای ان بایستی از نسخه بروز شده پایتون 3 استفاده کنید.
https://news.1rj.ru/str/IRBioinformatics/898

مزایا و معایب ترانسکریپتومیکس
مزایای ترانسکریپتومیکس: ترانسکریپتومیکس، که مطالعه کل RNAهای بیان‌شده در یک سلول یا بافت در زمان خاصی است، به محققان امکان می‌دهد تا به شکلی جامع و دقیق فعالیت ژن‌ها را بررسی کنند. یکی از مهم‌ترین مزایای آن این است که می‌توان تغییرات در بیان ژن‌ها را تحت شرایط مختلف محیطی، بیماری‌ها، یا درمان‌ها به‌طور همزمان مشاهده کرد. این تکنیک به تشخیص بهتر مکانیسم‌های مولکولی بیماری‌ها، شناسایی اهداف دارویی جدید و توسعه درمان‌های شخصی‌سازی‌شده کمک می‌کند.

معایب ترانسکریپتومیکس: با وجود مزایای زیاد، ترانسکریپتومیکس معایب خاص خود را نیز دارد. اول اینکه به دلیل پیچیدگی‌های بیولوژیکی و تکنیکی، تحلیل داده‌های ترانسکریپتومیکس بسیار چالش‌برانگیز و زمان‌بر است. نیاز به تجهیزات پیشرفته و پرهزینه، مانند توالی‌یابی RNA (RNA sequencing)، و تخصص بالا در تحلیل داده‌ها از جمله محدودیت‌های این روش محسوب می‌شود. همچنین، بیان RNA لزوماً همیشه با سطح پروتئین‌های تولیدشده از ژن‌ها مطابقت ندارد، بنابراین نتایج ترانسکریپتومیکس باید با سایر تکنیک‌ها تأیید شوند.

کاربردها و ملاحظات عملی: ترانسکریپتومیکس در بسیاری از حوزه‌ها، از جمله تحقیقات سرطان، بیماری‌های خودایمنی و متابولیکی، مورد استفاده قرار می‌گیرد. این فناوری به محققان اجازه می‌دهد که تغییرات بیان ژنی را در سطح تک‌سلولی یا در کل سیستم‌های پیچیده ارزیابی کنند. اما در استفاده از این تکنیک باید به تعداد نمونه‌های مناسب برای جلوگیری از نتایج نادرست توجه کرد و از استانداردهای کیفی برای پردازش داده‌ها پیروی کرد. همچنین، جمع‌آوری و تفسیر داده‌ها به مهارت‌های خاصی نیاز دارد تا نتایج به‌درستی تفسیر شوند.
https://news.1rj.ru/str/IRBioinformatics/899

تحولات و چالش های حوزه ترانسکریپتومیکس گیاهان دارویی
اگر به بحث ترانسکریپتومیکس در حوزه گیاهان دارویی علاقه مند هستید می توانید این مقاله مروری ارزشمند را مطالعه کنید.
https://news.1rj.ru/str/IRBioinformatics/900

یکی از نکاتی که در رابطه با سانترومرهای کروموزومی بایستی به آن واقف باشید توجه به این موضوع است در سازماندهی سانترومرها هیستون H3 کانونیکال با یک هیستون H3 مدیفای شده اختصاصی ناحیه سانترومر جایگزین شده است. با توجه به اینکه در برنامه های اصلاحی و تولید سطوح پلوییدی مهندسی سانترومر می تواند از نقش کلیدی برخوردار باشد، در نتیجه کسب اطلاعات در این زمینه به صورت شایانی می تواند به محققان علوم زراعی و بیوتک گیاهی در اصلاح گونه های زراعی بخصوص در الوپلی پلوئیدها کمک نماید. در این مقاله به این مبحث پرداخته شده است و همراهان گرامی می توانند با مطالعه این مقاله از دستاوردهای آن در برنامه های بهنژادی خود استفاده نمایند. https://link.springer.com/article/10.1007/s11103-024-01474-5

این پژوهش با همکاری یک گروه ایرانی از دپارتمان بیوتک کشاورزی دانشگاه تربیت مدرس و محققان آلمانی با سرپرستی پرفسور Andreas Houben و سرکار خانم دکتر راحله کریمی آشتیانی از گروه بیوتکنولوژی دانشگاه تربیت مدرس منتشر شده است.
https://news.1rj.ru/str/IRBioinformatics/901

Centromere sequence-independent but biased loading of subgenome-specific CENH3 variants in allopolyploid Arabidopsis suecica
https://news.1rj.ru/str/IRBioinformatics/902