✔️ پرفسور Rafael A. Irizarry

🔗 استاد آمار زیستی در دانشکده بهداشت عمومی هاروارد T.H. Chan و انیستیتو سرطان دانا-فاربر.


⭐️زمینه‌ پژوهشی:

🔗توسعه روش‌های آماری برای تحلیل داده‌های ژنومی شامل Microarrays و تکنولوژی‌های نسل جدید توالی‌یابی.
🔗ابداع‌کننده روش Robust Multiarray Analysis (RMA) برای تحلیل داده‌های Microarray.
🔗پیشگام در توسعه ابزارهای بیوانفورماتیک با دسترسی آزاد از طریق پروژه Bioconductor.


⭐️ جوایز و افتخارات:

🔗 جایزه COPSS Presidents' 2009
🔗 جایزه Mortimer Spiegelman 2009
🔗 جایزه Benjamin Franklin 2017
🔗 عضویت افتخاری در ISCB 2020

🖥لینک ثبت‌نام

#HBC2025

✔️دکتر James Zou

🔗دانشیار علوم داده‌های زیست‌پزشکی، علوم کامپیوتر و مهندسی برق در دانشگاه استنفورد و مدیر گروه دانشکده AI4Health


⭐️ زمینه‌های پژوهشی:

🔗یادگیری ماشین و هوش مصنوعی: توسعه الگوریتم‌های یادگیری ماشین قابل‌‌اعتماد، سازگار با انسان و دارای دقت آماری، با تمرکز ویژه بر کاربردهای مرتبط با بیماری‌های انسانی و سلامت.
🔗ژنومیک و سلامت محاسباتی: استخراج بینش‌های مرتبط با بیماری از ژنومیک جمعیت و اپی‌ژنومیک.
🔗پردازش زبان طبیعی: کاربرد تکنیک‌های یادگیری ماشین در پردازش و تحلیل داده‌های متنی زیست‌پزشکی.


⭐️ جوایز و افتخارات:

🔗محقق Chan-Zuckerberg Biohub در سال‌های ۲۰۱۷ و ۲۰۲۳
🔗بورسیه تحقیقاتی Sloan در سال ۲۰۲۱
🔗جایزه NSF CAREER در سال ۲۰۲۰
🔗جایزه بهترین مقاله RECOMB در سال ۲۰۱۹
🔗جایزه Google Faculty در سال ۲۰۱۸
🔗جایزه هوش مصنوعی Tencent در سال ۲۰۱۸

🖥لینک ثبت‌نام

#HBC2025

✔️ دکتر Jingyi Jessica Li

🔗 استاد گروه آمار  و عضو هیئت علمی در گروه‌های آمار زیستی، پزشکی محاسباتی، ژنتیک انسانی و بیوانفورماتیک در دانشگاه کالیفرنیا، لس‌آنجلس.


⭐️ زمینه‌های پژوهشی:

🔗توسعه ابزارهای آماری پیشرفته برای تحلیل داده‌های RNA Sequencing و Single-Cell.
تخصص در تحلیل Differential Gene Expression و Cell-Type-Specific Regulation.
🔗دست‌یابی به بینش‌های زیستی از داده‌های Omics با ابعاد بالا.
🔗کاربردهای تحقیقاتی در درک بیماری‌های پیچیده و ارائه رویکردهای نوین برای تفسیر داده‌های زیست‌پزشکی.


⭐️ جوایز و افتخارات:

🔗 فلوشیپ تحقیقاتی Sloan در سال ۲۰۱۸
🔗 جایزه توسعه حرفه‌ای اساتید جوان NSF CAREER Award در سال ۲۰۱۹
🔗 جایزه دانشمندان زن WiSTEM2D شرکت جانسون‌ اند‌ جانسون در سال ۲۰۱۸
🔗 منتخب ۳۵ نوآور زیر ۳۵ سال از دید MIT Technology Review چین در سال ۲۰۲۰

🖥لینک ثبت‌نام

#HBC2025

✔️ دکتر Shila Ghazanfar

🔗 استادیار ارشد دانشکده ریاضیات و آمار دانشگاه سیدنی


⭐️ زمینه‌های پژوهشی:

🔗توسعه روش‌های آماری و محاسباتی برای Single-cell Genomics و Spatial Genomics.
🔗تخصص در درک ناهمگنی سلولی، بیان دینامیک ژن‌ها و Spatial Trannoscriptomics.
🔗توسعه ابزارهای برجسته‌ای مانند scHOT برای آزمایش‌های مرتبه بالاتر در بیان ژن و DCARS برای شناسایی همبستگی‌های تفاضلی در داده‌ها.


⭐️ جوایز و افتخارات:

🔗دریافت جایزه پژوهشگر جوان ARC DECRA در سال ۲۰۲۱
🔗برنده فلوشیپ بین‌المللی نیوتون از انجمن سلطنتی بریتانیا در سال ۲۰۱۹
🔗دریافت گرنت Chan Zuckerberg Initiative برای Spatial Trannoscriptomics در سال ۲۰۲۰

🖥لینک ثبت‌نام

#HBC2025

✔️ پرفسور Tim Hubbard

🔗 رئیس دپارتمان ژنتیک پزشکی و مولکولی در King’s College London و معاون مدیر Health Data Research UK
مدیر پروژه ELIXIR، زیرساخت داده‌های زیستی اروپا


⭐️ حوزه تحقیقاتی:

🔗مشارکت در پروژه‌های بزرگ بین‌المللی شامل Human Genome Project (نقشه‌برداری ژنوم انسان)، ENCODE (پروژه رمزگذاری عناصر کاربردی ژنوم) و GENCODE (پروژه شناسایی ژن‌ها و عناصر تنظیمی).
🔗پیشگام در معرفی و استفاده از تکنولوژی Whole Genome Sequencing (توالی‌یابی کل ژنوم) در سیستم سلامت ملی بریتانیا طی دهه گذشته.
🔗مدیریت ELIXIR، پروژه‌ای برای ایجاد زیرساخت‌های بیوانفورماتیک در سراسر اروپا و هماهنگی پروژه ۱ میلیون ژنوم در ۲۷ کشور اتحادیه اروپا.


⭐️ دستاوردها:

🔗 نقش کلیدی در توسعه Ensembl، مرورگری برای دسترسی به اطلاعات ژنوم.
🔗 همکاری اولیه در CASP (ارزیابی ساختارهای پیش‌بینی شده پروتئینی).
🔗 شناخته‌شده به‌عنوان مدیر یکپارچه‌سازی داده‌های ژنومی با سیستم‌های بهداشتی در اروپا.

🖥لینک ثبت‌نام

#HBC2025

✔️ دکتر Ali Sharifi Zarchi

🔗 عضو هیئت‌علمی هوش‌مصنوعی و بیوانفورماتیک، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف


⭐️ زمینه‌های پژوهشی:

🔗توسعه الگوریتم‌ها و روش‌های نوین در حوزه بیوانفورماتیک و هوش‌مصنوعی برای کاربردهای پزشکی و صنعتی
🔗تحلیل داده‌های زیستی پیشرفته و دستیابی به بینش‌های کلیدی از داده‌های مولکولی و ژنتیکی
🔗استفاده از هوش‌مصنوعی در بهبود فرآیندهای تشخیصی و درمانی

⭐️ سوابق علمی و صنعتی:
🔗ریاست کمیته علمی بین‌المللی المپیاد انفورماتیک (IOI)
🔗عضویت در کمیته علمی بین‌المللی المپیاد هوش‌ مصنوعی
🔗سرپرست آزمایشگاه بیوانفورماتیک در انستیتو رویان


⭐️ سوابق تحصیلی:

🔗پژوهشگر پسادکترا در Colorado State University
🔗پژوهشگر Max Planck Institute for Molecular Biomedicine
🔗دکترای بیوانفورماتیک از دانشگاه تهران
🔗کارشناسی ارشد و کارشناسی مهندسی کامپیوتر از دانشگاه صنعتی شریف

🖥لینک ثبت‌نام

#HBC2025

📣 همراهان محترم RSG-Iran

🔴 مهلت ثبت نام رویداد HBC 2025 تا ساعت ۲۴ امشب، ۲۳ بهمن (۱۱ فوریه) تمدید شد!

🖥 برای اطلاعات بیشتر و ثبت‌نام، اینجا کلیک کنید.

⏸ برای شرکت در رویداد،

عزیزانی که در رویداد ثبت‌نام نموده‌اند، می‌بایست از طرف سامانه محیط ایمیلی حاوی یوزرنیم و پسورد دریافت نموده باشند.

📣 سپس با مراجعه به این لینک:

https://mohit.online/event/gx9mtd/lobby

و با استفاده از آن یوزرنیم و پسورد، می‌توانند وارد کنفرانس شوند

استنتاج ارتولوژی چیست؟

📌استنتاج ارتولوژی برای فهم روابط تکاملی بین ژن‌ها در گونه‌های مختلف بسیار مهم است. ژن‌های ارتولوگ آن‌هایی هستند که از یک اجداد مشترک از طریق یک رویداد گونه‌زایی منشأ گرفته‌اند، و شناسایی این ژن‌ها به حاشیه‌نویسی عملکردی در میان گونه‌ها کمک می‌کند.

📎FastOMA:
ابزار قدرتمندی است که برای انجام استنباط ارثولوژی در مقیاس بزرگ طراحی شده است.

📎مقیاس پذیری:
ابزار FastOMA به چالش مقیاس‌پذیری در استنتاج ارتولوژی می‌پردازد. روش‌های قدیمی با مجموعه داده‌های بزرگ مقابله می‌کنند اما FastOMA می‌تواند هزاران ژنوم یوکاریوتی را در یک روز مدیریت کند. این امر از طریق ترکیبی از الگوریتم‌های کارآمد و محاسبات موازی به دست می‌آید.

📎 دقت و وضوح:
علیرغم سرعت، FastOMA دقت و وضوح بالایی را حفظ می‌کند، شبیه به رویکرد ماتریس ارتولوگ (OMA) به خوبی تثبیت شده است که اطمینان می‌دهد که ارتولوگ‌های استنباط شده قابل اعتماد هستند و می‌توانند برای تجزیه و تحلیل‌های مختلف پایین دست استفاده شوند.

📎 الگوریتم:
ابزار FastOMA بازنویسی کاملی از الگوریتم OMA است که از ابتدا بر مقیاس پذیری تمرکز دارد که از چندین تکنیک ابتکاری استفاده می‌کند:


🔤 خوشه‌بندی همسانی فوق سریع: با استفاده از k-mers، FastOMA توالی‌های همولوگ را به سرعت خوشه‌بندی می‌کند.

🔤نمونه‌گیری فرعی با هدایت تاکسونومی: این تکنیک به کاهش اندازه مجموعه داده‌ها بدون به خطر انداختن دقت استنتاج ارتولوژی کمک می‌کند.


🔤محاسبات موازی: FastOMA به‌طور موثر از محاسبات موازی برای پردازش سریع‌تر مجموعه داده‌های بزرگ استفاده می‌کند.

🔤 برنامه‌های کاربردی:
توانایی FastOMA برای شناسایی سیستماتیک ارتولوگ‌ها، چندین تحلیل پایین دستی را امکان پذیر می‌کند، از جمله:
🔣انتشار حاشیه نویسی
🔣 فیلوژنومیکس
🔣پروفایل فیلوژنتیکی

این برنامه‌ها برای درک روابط تکاملی و حاشیه نویسی‌های عملکردی در گونه‌های مختلف ضروری هستند.

🔤 در دسترس بودن
ابزار FastOMA در GitHub در دسترس است و برای محققان و توسعه دهندگان قابل دسترسی است. پژوهشگران می‌توانند از آن برای مطالعات ژنومی خود استفاده کنند و حتی به توسعه آن کمک کنند.


✔️ ابزار FastOMA با بهبود چشمگیر سرعت و مقیاس پذیری فرآیند بدون از بین بردن دقت، استنتاج ارثولوژی را متحول می‌سازد. این ابزار قدرتمندی برای مطالعات مقایسه‌ای ژنومیکس در مقیاس بزرگ است که به محققان این امکان را می‌دهد تا یافته‌های معناداری را از مجموعه داده‌های ژنومی گسترده به دست آورند.

🖼LinkedIn
🚀Telegram
🖼Instagram

📣 سی و چهارمین #ژورنال_کلاب شاخه دانشجویی انجمن جهانی زیست شناسی محاسباتی در ایران

📌 موضوع:
Orthology inference at scale with FastOMA

🎤 با حضور جناب آقای علی یزدی‌زاده

✨ آقای علی یزدی‌زاده کاندیدای دکترای رشته‎ی زیست شناسی محاسباتی دانشگاه Carnegie Mellon هستند.

✏️ پیش از این مدرک کارشناسی خود را در رشته بیوتکنولوژی از دانشگاه تهران اخذ کرده‌اند.


📊 زمینه‌های پژوهشی مورد علاقه ایشان:
✔️ Machine Learning
✔️ Systems Biology
✔️ Bioinformatics

📎 ایشان در زمینه های تحقیقاتی مختلفی از جمله زیست شناسی مصنوعی، بهینه سازی شبکه های بیولوژیکی و تجزیه و تحلیل داده های ژنتیکی فعالیت داشته‌‏اند. به طور خاص، ایشان بر روی توسعه سلول های مصنوعی با حداقل پیچیدگی و ویژگی های مشابه زندگی مانند خود نگهداری و تکامل تمرکز می کنند. و از دو رویکرد اصلی، یعنی "بالا به پایین" و "پایین به بالا" برای کاهش پیچیدگی موجود در موجودات مدل استفاده می کنند. علاوه بر این، با معرفی METIS، یک گردش کار یادگیری ماشین فعال، به بهینه سازی اهداف بیولوژیکی با حداقل آزمایشات می پردازند و کارایی سیستم های مختلف را بهبود می بخشند. همچنین روی تکنیک‌های جدیدی مانند مینیمایزر ها برای تجزیه و تحلیل داده‌های ژنتیکی و FastOMA برای پردازش مجموعه داده‌های ژنومی بزرگ کار می‌کنند.

🔗 جهت آشنایی بیشتر با پروژه‌های پژوهشی جناب آقای علی یزدی‌زاده می‌توانید به اکانت لینکدین و گوگل اسکالر ایشان مراجعه کنید.

🔼افزایش حجم داده های ژنومی با هدف تعیین توالی 1.5 میلیون یوکاریوت در دهه آینده، به طور بالقوه درک ما از فرآیندهای بیولوژیکی را تغییر می دهد و روش‌های سنتی ژنومی برای مقیاس‌بندی مؤثر با چنین مجموعه داده‌های گسترده تلاش می‌کنند که چالش‌های مهمی را ایجاد می‌کند.

🔼با ارائه مقیاس پذیری خطی برای استنتاج ارتولوژی، FastOMA به این چالش ها می پردازد و امکان تجزیه و تحلیل هزاران ژنوم یوکاریوتی را تنها در یک روز فراهم می کند.

🎮 چرا FastOMA ؟

➕ یک ابزار قوی است که به طور خاص برای استنتاج ارتولوژی در مقیاس بزرگ طراحی شده است و محدودیت های روش های سنتی را بررسی می کند و به طور موثر هزاران ژنوم یوکاریوتی را در یک روز از طریق الگوریتم های کارآمد و محاسبات موازی مدیریت می کند.

➕ دقت و وضوح بالایی را حفظ می کند و از قابلیت اطمینان ارتولوگ های استنباط شده برای تجزیه و تحلیل های مختلف اطمینان می دهد.

➕ در GitHub موجود است، به محققان اجازه می دهد تا از توسعه آن برای مطالعات جامع ژنومی استفاده کنند و در توسعه آن مشارکت کنند.

🟢 این ابزار تضمین می کند که دقت و وضوح بالای روش ماتریس ارتولوگ (OMA) ایجاد شده در معیارهای آن حفظ می شود. قابلیت های FastOMA آن را به عنوان یک منبع حیاتی برای پیشبرد تحقیقات ژنومی در مواجهه با تقاضاهای رو به رشد داده ها قرار می دهد.




🗓 زمان برگزاری: یکشنبه
⌛ ساعت برگزاری: ۲۰:۳۰ الی ۲۲
🖥 ثبت‌نام در سایت رایازی


📱 Telegram
📱 LinkedIn
📱 Instagram

🟢یوتوب گردی این هفته درباره یک رویاست. رویای درمان بیماری از اتاق نشیمن ما. در این ویدئو Laurence Liang به این موضوع میپردازد که چگونه میتوان با استفاده از #بیوانفورماتیک ، این رویا را به واقعیت مبدل کرد. او در سخنرانی خود در TEDx به پتانسیل تحول‌آفرین بیوانفورماتیک می‌پردازد و پیشنهاد می کند که افراد ممکن است به زودی بتوانند بیماری های صعب العلاج را از آسایش خانه خود درمان کنند.

✔️لیانگ به‌عنوان یک توسعه‌دهنده نرم‌افزار و دانشجوی مهندسی در دانشگاه مک‌گیل، سهم قابل توجهی در این زمینه داشته است. او برنامه نویسی را در ۱۴ سالگی آغاز کرد و بر تعاملات ژنومی و هوش مصنوعی تمرکز کرده است.

⚠️ از کار های او می‎توان به شناسایی ژن‌های غیر کدکننده‌ای که به طور بالقوه می‌توانند پیشرفت COVID-19 را متوقف کنند، اشاره کرد. این رویکرد نوآورانه تلاقی فناوری و مراقبت های بهداشتی را برجسته می کند.

🎮دستاوردهای لیانگ در رویدادهای معتبری مانند نمایشگاه علمی سراسر کانادا و Regeneron ISEF شناخته شده است. او بر اهمیت مشارکت جامعه در ماموریت جهانی ریشه کنی بیماری تاکید می کند.

⭐️با تماشای این ویدیو می‌توانید اطلاعات بیشتری در مورد این موضوع کسب کنید.


🎥مشاهده ویدئو کامل یوتوب.

🔍گردآورنده: یاسمین آشتیانی

📱Telegram
📱LinkedIn
📱Instagram

#یوتوب‌گردی

🔜 ۳ ساعت دیگر، در سی و چهارمین #ژورنال_کلاب شاخه‌ دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران، با شما عزیزان همراه خواهیم بود.

مردی با مشکلات ژنتیکی، آرزو دارد به فضا سفر کند. او برای رسیدن به آرزویش، هویت «جروم مورو»، شخصی با مشخصات ژنتیکی کامل، که بر اثر یک تصادف اتومبیل فلج شده را جعل می‌کند, اما...

🔣ژانر: درام , علمی تخیلی , هیجان انگیز
🔣رده سنی: 12
🔣کارگردان: andrew niccol
🔣محصول کشور: آمریکا
🔣نویسنده: Andrew Niccol



🚀Telegram
🖼LinkedIn
🖼Instagram

🟢در یوتوب‌گردی این هفته به تعدادی از بزرگ‌ترین پیشرفت‌های سال ۲۰۲۴ در دنیای زیست‌شناسی می‌پردازیم:

1️⃣. "اجداد باستانی زندگی مدرن"

🔥یک گروه میان رشته‌ای، جدیدترین ترفندهای فیلوژنتیک - با استفاده از ژن‌ها و ژنوم‌ها برای ساختن درختان تکاملی - برای ردیابی تمام زندگی مدرن به اجداد مشترک ما، به کار بردند.
این سلول باستانی، یا جمعیت سلول‌ها، به نام LUCA شناخته می‌شود که مخفف «آخرین جد مشترک جهانی» است، چیزی که هر چیزی که امروز زنده است از آن پدید آمده است.
این کار نشان می‌دهد که LUCA یک سلول به طرز شگفت انگیزی پیچیده است و قدمت LUCA را به حدود ۴.۲ میلیارد سال پیش - زودتر از آنچه محققان تصور می‌کردند - می‌رساند.


2️⃣."ارتباط شگفت انگیز مغز و بدن"

🔥یکی از شگفت انگیزترین اکتشافات سال در مورد ادغام مغز و بدن است. اکثر ایمونولوژیست‌ها مدت‌ها تصور می‌کردند که سیستم ایمنی خود تنظیم می‌شود. برای اولین بار، محققان یک مدار عصبی واقع در ساقه مغز پیدا کردند که سیستم ایمنی را تنظیم می‌کند. این مدار مولکول‌های التهابی را در بدن حس می‌کند و سپس سطح آن‌ها را بالا یا پایین می‌برد تا از بافت‌های سالم محافظت کند.

3️⃣."هوش مصنوعی علم پروتئین را متحول می کند"

🔥سال ۲۰۲۴، تقریباً هیچ هفته‌ای نمی‌توانست بدون مقاله بزرگ جدید مرتبط با AlphaFold2 Google DeepMind بگذرد: یک شبکه عصبی که می‌تواند ساختار سه‌بعدی یک پروتئین تا شده را از یک رشته‌ی پلی‌پپتیدی پیش‌بینی کند. سپس، در ماه اکتبر، جایزه نوبل شیمی به جان جامپر و دمیس حسابیس از Google DeepMind، خالقان AlphaFold2 و دیوید بیکر از دانشگاه واشنگتن، که انقلابی در طراحی پروتئین‌ها با استفاده از هوش مصنوعی ایجاد کردند، اهدا شد.

✨با تماشای این ویدیو می‌توانید اطلاعات بیشتری در مورد این موضوع کسب کنید.


🎥مشاهده ویدئو کامل یوتوب.

🔍گردآورنده: یاسمین آشتیانی

📱 Telegram
📱 LinkedIn
📱 Instagram
#یوتوب‌گردی