♦دومین رویداد  CB Insight
از سری برنامه‌های آموزشی شاخه دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران

🔺CB Insight 

این سلسله رویدادهای آموزشی در حوزه‌ی بیوانفورماتیک است که با هدف تسهیل درک و به‌کارگیری ابزارها و مفاهیم پیشرفته در این حوزه طراحی شده است. در این سلسله رویداد های آموزشی، تلاش می‌شود تا ابزارهای بیوانفورماتیکی، الگوریتم‌های تحلیلی و رویکردهای محاسباتی مرتبط با زیست‌داده‌ها به شیوه‌ای کاربردی، دقیق و در عین حال قابل فهم برای دانشجویان و پژوهشگران ارائه شوند.

🔻این رویداد تنها محدود به معرفی ابزارها نیست؛ بلکه بستری برای بررسی عمیق‌تر سازوکارها، تحلیل الگوریتم‌ها و درک مفاهیم بنیادی در بیوانفورماتیک فراهم می‌سازد.

🔺در این ارائه به معرفی شبکه‌های عصبی می‌پردازیم و معماری اصلی پشت مدل‌های زبانی بزرگ مانند ChatGPT، توضیح داده می شود. که هدف از این رویداد، فراهم کردن درک پایه‌ای از این مدل‌ها برای کاربران می باشد.

🗓زمان برگزاری: چهارشنبه‌ ۹ مهر ماه ۱۴۰۴
⏰ساعت برگزاری: ۱۷:۳۰ به وقت ایران
🪩ثبت‌نام از طریق لینک

Telegram | LinkedIn | Instagram

✨ معرفی سخنران

سوفیان بوردین دانشجوی دکترای پزشکی مولکولی با گرایش بیوانفورماتیک در دانشگاه لاوال و عضو آزمایشگاه دکتر آرنو دروا است. پژوهش او در مرز میان هوش مصنوعی و آسیب‌شناسی دیجیتال، با تمرکز بر مدل‌سازی پیشرفت سرطان پروستات قرار دارد.
از جمله دستاوردهای ایشان می‌توان به توسعه پایپلاین‌های بازتولیدپذیر برای داده‌های RNA-seq توسط ابزاری به نام RnaXtract اشاره کرد که تمام مراحل، از کنترل کیفیت تا تعیین میزان بیان ژن، شناسایی تغییرات ژنتیکی و تفکیک انواع سلولی را پوشش می‌دهد. همچنین ایشان در ساخت ابزار BioDiscViz برای تحلیل بصری داده‌های BioDiscML مشارکت داشته‌اند که به محققان کمک می‌کند نشانگرهای زیستی قابل اعتماد را شناسایی کنند و مدل‌های مختلف را با هم مقایسه کنند.

به طور کلی، علاقه‌مندی‌های پژوهشی ایشان شامل ارزیابی دقیق مدل‌های یادگیری ماشین، کاربرد آن‌ها در محیط‌های بالینی و یکپارچه‌سازی داده‌های مختلف زیستی برای دستیابی به نتایج قابل استفاده در درمان بیماران است.

🗓زمان برگزاری: چهارشنبه‌ ۹ مهر ماه ۱۴۰۴
⏰ساعت برگزاری: ۱۷:۳۰ به وقت ایران
🪩ثبت‌نام از طریق لینک

Telegram | LinkedIn | Instagram

♦دومین رویداد  CB Insight
از سری برنامه‌های آموزشی شاخه دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران

یادگیری نظارت شده و یادگیری بدون نظارت در یادگیری ماشین
یادگیری نظارت‌شده و یادگیری بدون نظارت دو مسیر اصلی در هوش مصنوعی‌اند که بیشترِ مسئله‌ها را پوشش می‌دهند. در یادگیری نظارت‌شده، داده‌ها «برچسب» دارند؛ یعنی برای هر نمونه می‌دانیم جواب درست چیست. مدل با دیدن مثال‌های درست و غلط، الگو را یاد می‌گیرد تا برای نمونه‌های جدید هم پیش‌بینی کند. اگر جوابِ موردنظر یک دسته باشد، می‌شود مسئلهٔ «دسته‌بندی»؛ مثل اینکه با دیدن پروفایل بیان ژن از قبل برچسب‌خوردهٔ بیماران، مدل تشخیص بدهد تومور از چه تیپی است. اگر جواب یک عدد پیوسته باشد، می‌شود «رگرسیون»؛ مثلاً پیش‌بینی سطح بیان یک ژن هدف بر اساس سیگنال‌های تنظیمی یا حدِ پاسخ دارویی سلول‌ها بر اساس ویژگی‌های مولکولی‌شان. مزیتِ این رویکرد این است که مستقیم می‌رویم سراغ همان چیزی که برایمان مهم است و می‌توانیم با معیارهایی مثل دقت، یادآوری یا AUC کیفیت مدل را بسنجیم؛ اما نقطه‌ضعفش این است که به برچسبِ معتبر و کافی نیاز دارد و در علوم زیستی معمولاً برچسب‌گذاری هم گران است و هم همیشه دقیق نیست.

در مقابل، یادگیری بدون نظارت وقتی به کار می‌آید که برچسبی نداریم و می‌خواهیم ساختار پنهانِ داده را کشف کنیم. اینجا مدل سعی می‌کند نمونه‌های شبیه به هم را کنار هم بگذارد یا ابعاد زیاد داده را طوری کوچک کند که الگوها قابل‌دیدن شوند. «خوشه‌بندی» مثل k-means یا خوشه‌بندی سلسله‌مراتبی کمک می‌کند گروه‌های طبیعی در داده را پیدا کنیم، و «کاهش ابعاد» مثل PCA، t-SNE یا UMAP کمک می‌کند از میان هزاران ویژگی، نمایش کم‌بُعد و قابل‌تفسیر بسازیم. خوبیِ این روش‌ها این است که می‌توانند الگوهای غیرمنتظره را رو کنند و نیازی به برچسب ندارند؛ اما چون «جواب درست»ی برای مقایسه نداریم، ارزیابی‌شان بیشتر با معیارهای درونی و تفسیر زیستی انجام می‌شود و باید حواسمان به نویز و «اثر بچ» هم باشد.

در بیوانفورماتیک، هر دو خانواده واقعاً ضروری‌اند و معمولاً کنار هم استفاده می‌شوند. فرض کنید دادهٔ RNA-seq تک‌سلولی دارید: اول با روش‌های بدون نظارت ابعاد را کم می‌کنید و سلول‌ها را خوشه‌بندی می‌کنید تا «انواع سلولی» یا «حالت‌های گذرا» را پیدا کنید؛ بعد اگر برای بخشی از سلول‌ها برچسبِ نوع یا وضعیت دارید، با یادگیری نظارت‌شده مدلی می‌سازید که سلول‌های جدید را به‌سرعت و با دقت همان‌جا برچسب بزند.

🗓زمان برگزاری: چهارشنبه‌ ۹ مهر ماه ۱۴۰۴
⏰ساعت برگزاری: ۱۷:۳۰ به وقت ایران
🪩ثبت‌نام از طریق لینک

Telegram | LinkedIn | Instagram

♦دومین رویداد  CB Insight
از سری برنامه‌های آموزشی شاخه دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران

الگوریتم K-Nearest Neighbors که به اختصار KNN هم نامیده می‌شود، یکی از ساده‌ترین و درعین‌حال قدرتمندترین الگوریتم‌ها در حوزه یادگیری ماشین است. این الگوریتم جزو دسته "یادگیری نظارت شده" قرار می‌گیرد، یعنی برای یادگیری نیاز به داده‌های تاریخی دارای برچسب (Labeled Data) دارد. فلسفه اصلی پشت KNN بسیار شهودی و شبیه به یک ضرب‌المثل قدیمی است: "تو اول بگو با کیان زیستی      که آنگه بگویم که تو کیستی".

در واقع، KNN فرض می‌کند که نمونه‌های داده‌ای مشابه، در فضای ویژگی‌ها نزدیک به هم قرار می‌گیرند. وقتی می‌خواهیم یک داده جدید و ناشناخته را دسته‌بندی (Classification) یا پیش‌بینی (Regression) کنیم، این الگوریتم به سادگی به همسایگی آن داده در فضای ویژگی‌ها نگاه می‌کند. K یا تعداد همسایگان نزدیک را ما از قبل مشخص می‌کنیم. سپس الگوریتم K نمونه‌ای که از نظر ریاضی (مثلاً با استفاده از فاصله اقلیدسی) به داده جدید نزدیک‌تر هستند را پیدا می‌کند. در نهایت، برای دسته‌بندی، داده جدید به کلاسی تعلق می‌گیرد که اکثریت این K همسایه در آن قرار دارند. برای پیش‌بینی مقادیر عددی نیز میانگین مقادیر آن همسایگان به عنوان نتیجه در نظر گرفته می‌شود.
یکی از رایج‌ترین کاربردها، تحلیل داده‌های امیکس (Omics) مانند ترنسکریپتومیکس است. فرض کنید داده‌ای از بیان هزاران ژن در نمونه‌های بافت بیماران داریم. برخی از این نمونه‌ها به تومور سرطانی نوع A و برخی به نوع B تعلق دارند. حالا یک نمونه بافت جدید با پروفایل بیان ژن ناشناخته داریم. با استفاده از KNN می‌توانیم این نمونه جدید را بر اساس شباهت پروفایل بیان ژن‌هایش به نمونه‌های آموزشی، در یکی از گروه‌های سرطانی (یا حتی سالم) طبقه‌بندی کنیم. این کار به تشخیص زیرگونه‌های مختلف سرطان و انتخاب روش درمانی مناسب کمک شایانی می‌کند.

🗓زمان برگزاری: چهارشنبه‌ ۹ مهر ماه ۱۴۰۴
⏰ساعت برگزاری: ۱۷:۳۰ به وقت ایران
🪩ثبت‌نام از طریق لینک

Telegram | LinkedIn | Instagram

🔸 امروز ساعت ۱۷:۳۰ به وقت ایران دومین رویداد CB Insight انجمن زیست شناسی محاسباتی شاخه‌ی دانشجویی ایران برگزار می گردد. لینک ورود به جلسه برای ثبت نام کنندگان گرامی ایمیل می شود. در صورت عدم دریافت لینک ورود جای نگرانی نیست، لینک ورود در ساعت برگزاری رویداد داخل کانال انجمن قرار خواهد گرفت.

Telegram | LinkedIn | Instagram

لینک ورود به دومین رویداد CB Insight انجمن جهانی زیست شناسی محاسباتی شاخه دانشجویی ایران 👇👇👇

https://vc.sharif.edu/sharifi

برای ورود از طریق گزینه‌ی میهمان اقدام کنید.

🛡چگونه سیستم ایمنی، خودمان را نمی‌کشد؟ پاسخ این سوال، جایزهٔ نوبل فیزیولوژی و پزشکی ۲۰۲۵ را گرفت!

🌟سیستم ایمنی یک شاهکار تکاملی است که از ما در برابر عوامل بیماری‌زا محافظت می‌کند. یکی از شگفت‌انگیزترین توانایی‌های آن، تشخیص دقیق عوامل بیماری‌زا از سلول‌های خودی بدن است. این کار بسیار دشوار است؛ زیرا میکروب‌ها ظاهر ثابتی ندارند و بسیاری از آنها برای استتار، خود را شبیه سلول‌های انسانی کرده‌اند.

❗️محققان تصور می‌کردند که تحمل ایمنی مرکزی (فرآیندی که طی آن سلول‌های ایمنی در اندام‌هایی مانند تیموس آموزش می‌بینند) پاسخی کامل است؛ اما، سیستم ایمنی بسیار پیچیده‌تر بود.

✅مری برانکو، فرد رمسدل و شیمون ساکاگوچی با کشف خود در مورد تحمل ایمنی محیطی (Peripheral Immune Tolerance)، این معما را حل کردند.

💫آن‌ها سلول‌های T تنظیم‌کننده (Regulatory T cells یا Tregs) را شناسایی کردند که در واقع نقش نیروهای امنیتی و کنترل‌کننده سیستم ایمنی را ایفا می‌کنند؛ یعنی در سراسر بافت‌ها و خون بدن، جلوی سلول‌های ایمنی مهاجم را می‌گیرند تا به اشتباه به بافت‌های خودی حمله نکنند.

مطالعهٔ بیشتر
https://www.nobelprize.org/prizes/medicine/2025/popular-information/

🔗Telegram
🔗LinkedIn
🔗Instagram

"Everything Has Changed"

مجله تایم (Time) هر سال «شخصیت سال» (Person of the Year) را معرفی می‌کند و با چند جمله، گستره‌ی نفوذ او را نشان می‌دهد. به‌عنوان مثال:
🌱۲۰۱۹، گرتا تونبرگ: «او تجسم کنشگری در جوانان است.»
⚙۲۰۲۱، ایلان ماسک: «کسی که زندگی روی زمین و شاید بیرون از زمین را از نو شکل می‌دهد.»
🎸۲۰۲۳، تیلر سوئیفت: «فرد کمیابی که هم نویسندهٔ داستانِ خودش است و هم قهرمانِ آن.»

در جهان علم، مجله Nature Methods نیز هر سال «روش سال» (Method of the Year) را برمی‌گزیند؛ ابزار یا روشی که مسیر پژوهش در علوم زیستی را به‌طور بنیادی دگرگون کرده است. در ادامه، این متدها را از سال ۲۰۰۷ تا ۲۰۲۴ فهرست می‌کنیم:

🧬۲۰۰۷، توالی‌یابی نسل بعد (Next-generation sequencing): خواندن ژنوم را از مأموریتی ناممکن به کار روزمره بدل کرد.

🔬۲۰۰۸، میکروسکوپی ابرتفکیک (Super-resolution fluorescence microscopy): دیدنِ زیرِ حدِّ پراش ممکن شد و معنای «دیدنی» عوض شد.

⏮۲۰۰۹، پُرتوانیِ القایی (Induced pluripotency): سلول‌های بالغ سرنوشتشان را بازنویسی کردند و به نقطه آغاز برگشتند.

⚡️۲۰۱۰، اپتوژنتیک (Optogenetics): نور به ابزاری برای روشن و خاموش کردن مدارهای عصبی تبدیل شد.

✂️۲۰۱۱، ویرایش ژن با نوکلئازهای مهندسی‌شده (Engineered nuclease genome editing): بازنویسی DNA از تصادف به تصمیمی دقیق و قابل برنامه‌ریزی تبدیل شد.

🏹۲۰۱۲، پروتئومیکسِ هدفمند (Targeted proteomics): در میان جمعیت پروتئین‌ها، شناسایی و شمارشِ دقیق ممکن شد.

🍡۲۰۱۳، توالی‌یابی تک‌سلولی (Single-cell sequencing): هر سلول صدای خودش را پیدا کرد و ناهمگنی روشن شد.

🪄۲۰۱۴، میکروسکوپی ورقِ نوری (Light-sheet fluorescence microscopy): ارگانیسم کامل را سه‌بعدی و در زمان واقعی دیدیم.

📌۲۰۱۵، کرایو-EM ذره‌تکی (Single-particle cryo-EM): حالت‌های مولکولی منجمد شد و ساختارها با جزئیات بالا آشکار شدند.

🖇۲۰۱۶، تحلیل اپی‌ترنسکریپتوم (Epitrannoscriptome analysis): نشانگرهای شیمیاییِ RNA پیدا شدند و اهمیت کارکردی آن‌ها روشن شد.

🧠۲۰۱۷، ارگانویید (Organoids): ریزاندام‌های انسانی در ظرف رشد کردند و مدل‌های نزدیک‌ به‌ انسان فراهم شدند.

🐭۲۰۱۸، تصویربرداری در حیوان آزادرفتار (Imaging in freely behaving animals): سنجش فعالیت مغز حین رفتار طبیعی، بدون بیهوشی و مهار.

🎨۲۰۱۹، اُمیکسِ چندمدالیتهٔ تک‌سلولی (Single-cell multimodal omics): مدالیته‌های مختلف یک سلول به‌طور هم‌زمان سنجیده شدند.

🧩۲۰۲۰، ترنسکریپتومیکس فضایی (Spatially resolved trannoscriptomics): RNAها در بافت با مکانِ دقیق نقشه‌برداری شدند.

🎞۲۰۲۱، پیش‌بینی ساختار پروتئین (Protein structure prediction):از دنباله، ساختار با دقتی بالا پیش‌بینی شد.

⛓۲۰۲۲، توالی‌یابیِ خوانش‌های بلند (Long-read sequencing): ژنوم‌ به‌صورت سرتاسری و پیوسته خوانده شد.

🪅۲۰۲۳، روش‌ها برای مدل‌سازیِ تکوین (Methods for modeling development): مسیرهای تکوین در مدل‌های آزمایشگاهی بازسازی شدند.

🗂۲۰۲۴، پروتئومیکسِ فضایی (Spatial proteomics): پروتئین‌ها با موقعیتِ دقیق در بافت نقشه شدند.

مجله Nature Methods در این دو دهه، به‌عنوان تریبونی پیشرو، میزبان دستاوردهای مهمی بوده که پژوهش‌های پایه در علوم زیستی را به جلو رانده و ابزارهای مورد نیاز برای پاسخگویی به چالش‌های زیستی و پزشکی را فراهم کرده است. ما مشتاقیم ببینیم که این مجله در سال‌های آتی، کدام ابزار و روش را که آینده‌ی علم را می‌سازد، به دنیا معرفی خواهد کرد.

📎 مشاهده منبع


🔗Telegram
🔗LinkedIn
🔗Instagram

«مرد فیل‌نما» (The Elephant Man)

این فیلم به کارگردانی دیوید لینچ، که بر اساس زندگیِ واقعیِ جوزف مِریک ساخته شده، صرفاً یک تراژدی نیست؛ کاوشی ژرف در معنای «انسان بودن» است. ناهنجاری‌های جسمانیِ مِریک که امروز به «سندرم پروتئوس» نسبت داده می‌شود -اختلالی ژنتیکیِ نادر که رشد نامتعارفِ بافت‌ها و استخوان‌ها را موجب می‌شود- نام خود را از پروتئوس، خدای دریاییِ دگرگون‌پذیر در اساطیر یونان، گرفته است و بستری برای طرح پرسش‌های فلسفیِ فیلم فراهم می‌کند.

فیلم با تقابلِ بیمارستان و نمایشگاهِ عجایب می‌پرسد: آیا جامعهٔ «متمدن» واقعاً از توحش فاصله گرفته است؟

نقابِ مِریک استعاره‌ای نیرومند است؛ هم نشانهٔ شرمی تحمیلی از سوی جامعه و هم سپری در برابرِ نگاه‌های خیره. در لحظهٔ اوج، او فریاد می‌زند «من انسانم، نه حیوان!» نشان می‌دهد زشتیِ حقیقی در نگاهِ داورانهٔ جامعه نهفته است، نه در چهرهٔ او.

در پایان، فیلم تأکید می‌کند آنچه ما را انسان می‌کند، تفاوت‌های ماست. انسانیت در یکسانی و «نرمال» بودن خلاصه نمی‌شود؛ در ظرفیتِ یگانهٔ هر فرد برای عشق، رنج، مهربانی و فرهیختگی معنا می‌یابد. تفاوتِ مِریک نمادی اغراق‌شده از تفاوت‌های ذاتیِ همهٔ ماست و پذیرشِ آن‌ها والاترین نشانهٔ بلوغِ انسانی. پایانِ فیلم پیروزیِ نهاییِ روحِ او در تصاحبِ کنترلِ زندگی و رهایی از رنج است.

در ادامه، به معرفی جامع‌تر سندرم پروتئوس خواهیم پرداخت.

✍ امیرمهدی محمودی


🔗Telegram
🔗LinkedIn
🔗Instagram

"A Mosaic Activating Mutation in AKT1 Associated with Proteus Syndrome"

🧬سندرم پروتئوس یک اختلال رشد بسیار نادر است که با رشد نامتقارن و بیش‌ازحد بافت‌های مختلف بدن از جمله استخوان، پوست و بافت همبند مشخص می‌شود. علت ژنتیکی این بیماری تا مدت‌ها ناشناخته بود. در این مقاله، پژوهشگران با بررسی نمونه‌های بافتی بیماران و انجام توالی‌یابی ژنومی، جهش موزائیکی c.49G>A در ژن AKT1 را شناسایی کردند که منجر به تغییر آمینواسید Glu17Lys می‌شود و این جهش باعث فعال شدن غیرطبیعی مسیر سیگنالینگ PI3K/AKT و در نتیجه رشد کنترل‌نشده سلول‌ها می‌شود.

📃نتایج نشان دادند که وجود این جهش تنها در بخشی از سلول‌ها (به‌صورت موزائیکی) دلیل اصلی بروز الگوی رشد نامتقارن در بیماران است. بررسی‌های سلولی نیز افزایش فسفوریلاسیون و فعالیت AKT را در سلول‌های دارای جهش تایید کردند. امروزه مدل‌سازی‌های بیوانفورماتیکی مسیرهای سیگنالینگ نشان دادند که حتی حضور محدود این جهش می‌تواند سبب ناهنجاری‌های پیچیده در رشد بافت‌ها شود.

📌در مجموع، این پژوهش برای نخستین‌بار جهش مولکولی مسئول سندرم پروتئوس را معرفی کرده است و بینش تازه‌ای در مورد مکانیسم‌های رشد غیرقرینه ارائه می‌دهد. همچنین یافته‌ها می‌توانند مبنایی برای طراحی درمان‌های هدفمند آینده، به‌ویژه با تمرکز بر مهار مسیر PI3K/AKT، فراهم کنند.

📎 مشاهده منبع

✍ محیا قوشی


🔗Telegram
🔗LinkedIn
🔗Instagram

📣«سی و ششمین #ژورنال_کلاب شاخه‌ی دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران»

❓موضوع:
"Modeling Sources of Variation to Interpret Single-Cell Trannoscriptomic Maps"

👩🏻‍💻با حضور سرکار خانم دکتر دلارام پویابهار

✨خانم دکتر دلارام پویابهار، پژوهشگر پسادکترا در رشته زیست‌شناسی محاسباتی هستند و در مرکز تحقیقاتی زیست مولکولی Donnelly فعالیت می‌کنند. پیش از این، مدرک دکترای خود را در رشته‌ی زیست‌شناسی محاسباتی از University of Toronto دریافت کرده‌اند. ایشان دارای مدرک کارشناسی در رشته‌ی سلولی و مولکولی از دانشگاه تهران هستند.

❗️جهت کسب اطلاعات بیش‌تر درمورد سابقه‌ی آموزشی و پژوهشی دکتر پویابهار، می‌توانید به صفحه‌ی لینکدین و گوگل اسکالر ایشان مراجعه نمائید.

🗓 تاریخ: جمعه، ۱۶ آبان ۱۴۰۴ (۷ نوامبر)
⏰ ساعت: ۲۰ الی ۲۲ به وقت ایران

🔗 لینک ثبت‌نام
🌐 این رویداد به صورت آنلاین برگزار می‌گردد.

🔖 علاقه‌مندان می‌توانند برای ایجاد پیش‌زمینه‌ی ذهنی بهتر و مشارکت بیش‌تر در ژورنال‌ کلاب، مقالات زیر را مطالعه کنند:
📌 مقاله اول
📌 مقاله دوم
📌 مقاله سوم


🔗Telegram
🔗LinkedIn
🔗Instagram

آموزش زبان زیست‌شناسی به مدل‌های زبانی بزرگ

🧬سال 2024 مقاله Cell2Sentence منتشر شد. ایده کلی این مقاله فهماندن زبان سلول‌ها (میزان بیان ژن‌ها) به مدل‌های زبانی بزرگ(LLM) بود. اگر ژن‌های یک سلول را بر اساس میزان بیان آنها مرتب کنیم، سپس نام آنها را با فاصله کنار هم قرار بدهیم، میتوانیم وضعیت یک سلول را به یک جمله قابل گنجایش در ورودی LLM ها قرار بدیم. از طرفی اگر مدل زبانی بخواهد یک سلول تولید کند، صرفا یک جمله متشکل از اسم ژن‌ها که با فاصله از هم جدا شدند خروجی می‌دهد و ما با یک تبدیل خطی به سطح بیان ژن هرکدام می‌رسیم.

🔬با این ایده کارهای مختلفی می‌توان انجام داد. مثلا پیش‌بینی نوع سلول، اثر تغییر (دارو، محیط، ...) روی سلول، تولید سلول از نوع خاص و پرسش و پاسخ در مورد یک سلول. اما این مقاله مدل کوچکی استفاده کرده بود و دقت خوبی روی این مسائل نداشت. طبق قانونی که در مسائل یادگیری عمیق دیدیم، با افزایش تعداد پارامترهای مدل میتوانیم بطور پیوسته افزایش دقت ببینیم. برای همین سال 2025 به کمک Google Research و Google Deepmind مدل خیلی بزرگتر Scale-C2S معرفی شد که پیشرفت چشمگیری روی درک عمیق مفاهیم زیست‌شناسی داشت.

💡یکی از این پیشرفت‌ها توسط Google در تاریخ Oct 15, 2025 منتشر شد که C2S-Scale 27B یک درمان جدید محتمل برای تومورهای سرطانی سرد ارائه داد. این تومورها برای سیستم ایمنی قابل ردیابی نیستند. مدل دارو silmitasertib که kinase CK2 inhibitor هست پیشنهاد داد. این پیشنهاد در آزمایشگاه اجرا و تایید شد. این نشان میدهد با افزایش حجم، مدل میتواند فرضیه‌های جدید ارائه بده، نه اینکه حقیقت‌های شناخته شده را تکرار کند.

🔍سوالی که پیش می‌آید، آیا با بزرگتر کردن مدل‌های زیست‌شناسی میتوان به تراپی‌های جدید زودتر رسید؟ دسترسی به C2S-Scale در گیتهاب و hugging face عمومی شده.

✍محمد شفیع‌زاده

لینک مقالات:


How a Gemma model helped discover a new potential cancer therapy pathway


Scaling Large Language Models for Next-Generation Single-Cell Analysis


Cell2Sentence: Teaching Large Language Models the Language of Biology

🔗Telegram
🔗LinkedIn
🔗Instagram

بعضی اوقات وقت خواندن کتاب و رفرنس و مقاله نیست.
می‌توانیم به‌جای اینکه فقط اکسپلور خودمان را چک کنیم، پادکست گوش بدهیم یا یوتیوب تماشا کنیم.
در این متن به چند تا از پادکست‌ها و چنل‌های یوتیوب مربوط به حوزه‌ی بیوانفورماتیک اشاره می‌کنیم.


پادکست‌ها

The Bioinformatics CRO Podcast

میزبان این پادکست شرکت The Bioinformatics CRO Inc است؛ شرکتی فعال در حوزه‌ی بیوانفورماتیک و ژنومیکس که به‌عنوان یک شرکت تحقیقاتی (CRO) فعالیت می‌کند.
در هر قسمت از این پادکست، با پژوهشگران، مدیران شرکت‌های بیوتک و متخصصان حوزه‌های مختلف گفت‌وگو می‌شود تا مسیر شغلی و تجربیات و چالش‌های آن‌ها بررسی می‌شود.
موضوعات اصلی این پادکست شامل تحلیل داده‌های ژنومی، هوش مصنوعی در زیست‌فناوری و زیرساخت‌های محاسباتی در علوم زیستی است.

📎 YouTube Music

The Bioinformatics and Beyond Podcast

میزبان این پادکست Leo Elworth است.
او در هر قسمت با متخصصان بیوانفورماتیک و حوزه‌های مرتبط گفت‌وگو می‌کند.
محورهای اصلی برنامه شامل زیست‌شناسی محاسباتی، بیوتکنولوژی، ژنتیک و آمار، برنامه‌نویسی و مسیرهای شغلی در علوم زیستی است.
اگر به‌دنبال پادکستی با تمرکز بر رشد حرفه‌ای در بیوانفورماتیک هستید، این یکی از بهترین گزینه‌هاست.

📎 Spotify

Micro Binfie Podcast

این پادکست با میزبانی Lee Katz به «بیوانفورماتیک میکروبی» (Microbial Bioinformatics) می‌پردازد؛ یعنی ترکیب زیست‌شناسی میکروبی و محاسبات.
محتوای این پادکست برای دانشجویان و پژوهشگرانی مناسب است که می‌خواهند در حوزه‌ی میکروبیولوژی و داده‌های ژنومی میکروبی به‌روز بمانند.

📎 Spotify

The OmicsCast

این پادکست موضوعات مرتبط با ژنومیکس، پروتئومیکس، ترنسکریپتومیکس و سایر شاخه‌های Omics را بررسی می‌کند و برای علاقه‌مندان به تحلیل داده‌های چندلایه (Multi-Omics) منبعی بسیار مفید است.
اگر می‌خواهید درک عمیق‌تری از کاربرد تحلیل‌های داده در زیست‌فناوری مدرن پیدا کنید، این پادکست عالی است.

📎 YouTube Music


کانال‌های یوتیوب

Bioinformatics Coach

این کانال یوتیوب به آموزش بیوانفورماتیک و تحلیل داده‌های بزرگ اختصاص دارد و برای سطوح مبتدی تا پیشرفته مناسب است.
موضوعاتی مانند تحلیل داده‌های ژنومی، برنامه‌نویسی با Python و R در بیوانفورماتیک پوشش داده می‌شود.
اگر در حال یادگیری پایتون هستید و می‌خواهید آن را در بیوانفورماتیک به کار بگیرید، این کانال گزینه‌ی بسیار خوبی است.

📎 YouTube

Bioinformatics DotCa

این کانال زیرمجموعه‌ی وب‌سایت Bioinformatics.ca است؛ سازمانی آموزشی در حوزه‌ی بیوانفورماتیک کانادا.
در این کانال، آموزش‌ها و کارگاه‌های ضبط‌شده‌ای منتشر می‌شود که شامل مباحث پایه، معرفی ابزارها و روش‌های تحلیلی بیوانفورماتیک هستند.
برای دانشجویانی که می‌خواهند مفاهیم و ابزارهای اصلی بیوانفورماتیک را مرور کنند، منبعی عالی است.

📎 YouTube

SIB – Swiss Institute of Bioinformatics

مؤسسه‌ی SIB یک سازمان مستقر در سوئیس است که در سطح بین‌المللی منابع آموزشی و دوره‌های بیوانفورماتیکی ارائه می‌دهد.
کانال یوتیوب آن شامل وبینارها، کارگاه‌ها و آموزش‌هاست.
اگر به‌دنبال یادگیری علمی و معتبر در زمینه‌ی بیوانفورماتیک هستید، این منبع بسیار ارزشمند است.

📎 YouTube

✍️ مهیار ابارقی

🔗Telegram
🔗LinkedIn
🔗Instagram

انجمن RSG Iran، شاخه‌ی دانشجویی انجمن جهانی زیست‌شناسی محاسباتی (ISCB) است و طبق قوانین، هر سال برای انتخاب مدیر و دبیر جدید، انتخابات برگزار می‌کند.

✨تیم مدیریت شامل مدیر و دبیر انجمن است و انتخاب معاونین پس از انتخابات و توسط مدیر انجمن صورت می‌گیرد.
دوره‌ی مدیر و دبیر فعلی در تاریخ ۱ ژانویه ۲۰۲۶ (۱۱ دی‌ ۱۴۰۴) به پایان می‌رسد و برای یک سال آینده، مدیر و دبیر جدید از طریق انتخابات، انتخاب خواهند شد.

⚡️تنها اعضای انجمن می‌توانند:
۱. به عنوان کاندیدای یکی از دو سمت «مدیر» یا «دبیر» ثبت‌نام کنند.
۲. در انتخابات شرکت کرده و رای بدهند.

🌟عضویت در انجمن منوط به داشتن حساب کاربری در سایت ISCB RSG-Iran
است و پس از تایید عضویت، امکان ثبت‌نام به‌عنوان کاندیدا و شرکت در رای‌گیری فراهم می‌شود.

💫انتخابات در دهه‌ی اول دسامبر برگزار خواهد شد و از تاریخ ۲ دسامبر ۲۰۲۵ (۱۱ آذر ۱۴۰۴)، امکان عضویت جدید در وبسایت انجمن غیرفعال خواهد شد.

🔗Telegram
🔗LinkedIn
🔗Instagram

یک پادکست‌های بسیار موفق و مورد استقبال در زمینه بیوانفورماتیک و بیوتکنولوژی The Bioinformatics CRO می‌باشد.
در این متن می‌خواهیم به سه قسمت از این پادکست اشاره کنیم.

📎 AI and the future of biotechnology

در این قسمت، میزبان با Nick Wisniewski درباره‌ی هوش مصنوعی و نحوه‌ی ارتباط آن با بیوتکنولوژی صحبت می‌کند و در مورد آینده‌ی این موضوع گفت‌وگو می‌کنند.

📎 Connecting biologists and bioinformaticians

موضوع این قسمت، ارتباط میان زیست‌شناسان و فعالان حوزه‌ی بیوانفورماتیک است.
میزبان با Alfredo Andere، دکترای بیوانفورماتیک، در این پادکست صحبت می‌کند؛ این‌که چرا این دو به هم متصل هستند و به چگونگی و سؤالات این موضوع می‌پردازند.

📎 Remote work in biotech

یکی از دغدغه‌های جهان امروزی، کار به صورت دور از محل کار یا به اصطلاح ریموت است.
مهمان این قسمت، Grant Belgard، درباره‌ی تجربه‌ی خود در این موضوع توضیح می‌دهد و روش‌های مختلفی برای این کار ارائه می‌دهد.

✍️ مهیار ابارقی

🔗Telegram
🔗LinkedIn
🔗Instagram

روشن و خاموش کردن حافظه با اپی‌ژنتیک

📚تحقیقات زیادی نشان می‌دهند که تغییرات اپی‌ژنتیک مثل استیله شدن هیستون در شکل گیری حافظه نقش دارد. اما یک رابطه علّی که یک اصلاح اپی‌ژنتیک در مکان خاص چه تاثیری بر حافظه دارد هنوز کشف نشده. در سال‌های اخیر شواهد نشان می‌دهند خاطرات تا حدی در جمعیتی کم و پراکنده از سلول‌های مغزی به نام انگرام (engram) نوشته می‌شوند. امروزه سلول‌های انگرام نزدیک‌ترین تقریب نگهداری حافظه در مغز هستند.

📌در این تحقیق جدید، محققان ژن Arc که در یادگیری نقش دارد را نشان کردند. آنها دو آزمایش انجام دادند که متوجه شدند بیان این ژن با یادآوری خاطرات رابطه مستقیم دارد. در هر آزمایش، ابتدا موش تحت شک الکتریکی قرار می‌گیرد که هرچقدر تکان بخورد بیشتر آسیب (البته قابل تحمل) به آن می‌رسد (contextual fear conditioning). موش یاد میگیرد که دفعه بعدی که در این شرایط قرار گرفت نباید خیلی تکان بخورد. محققان بعد از تغییر اپی‌ژنتیکی موردنظر، دوباره موش را در محیط شک الکتریکی قرار می‌دهدند و با حالتی که تغییر نداده‌اند مقایسه می‌کنند و میزان ثابت ماندن موش (freezing) را اندازه‌گیری می‌کنند. برای انجام این آزمایش آنها از روش‌های مبتنی بر CRISPR–dCas9 (که اپی‌ژنتیکی می‌توانند یک ژن را خاموش یا تقویت کنند) به همراه راهنمای sgRNA تقویت‌کننده Arc استفاده کردند.

🧪در آزمایش اول، dCas9-KRAB-MeCP2 برای خاموش کردن Arc استفاده شد. باید اثر این سرکوب‌کننده را زمانی (بعد تجربه اول موش) و مکانی (فقط سلول‌های انگرام) کنترل کرد. هنگام یادگیری، سلول‌های عصبی که فعال می‌شوند، ژن c-Fos بیان می‌کنند که منجر به بیان tTA می‌شود. این سرکوب‌کننده فقط در حضور TRE که به tTA وصل شده فعال می‌شود. این شرایط فقط در سلول‌های انگرام برقرار است. همچنین اگر در بدن موش DOX وجود داشته باشد، DOX به tTA می‌چسبد و از فعال شدن سرکوب‌کننده جلوگیری می‌کند. همانطور که در شکل می‌بینید، بعد از اینکه موش شرایط ترس را تجربه کرد، sgRNA یکبار بطور هدفنمند Arc و یکبار بدون هدف (Non Targeting) انتخاب می‌شود. در هر دوحالت میزان ثابت ماندن موش در تجربه مجدد شرایط ترس بیشتر می‌شود اما به طور معناداری در حالت Arc sgRNA کمتر است.

🎯در آزمایش دوم از فعال‌کننده dCas9-VPR استفاده می‌شود. روند انجام آزمایش شبیه قبلی است. نتیجه تایید کننده فرضیه محققان بود. میزان freezing موش در حالت Arc sgRNA به طرز معناداری بیشتر بود. این نشان می‌دهد که با افزایش بیان ژن Arc می‌توان حافظه را در موش تقویت کرد. و برعکس، با کاهش بیان آن، حافظه تضعیف می‌شود. تمام این تاثیرها رشته DNA را تغییر ندادند و صرفا با تغییر تراکم رشته DNA (epigenetic) بوسیله تکنیک‌های بر پایه CRISPR–dCas9 انجام شدند

✍محمد شفیع‌زاده


نحوه عملکرد CRISPR–dCas9
لینک مقاله


🔗Telegram
🔗LinkedIn
🔗Instagram

♦️سومین رویداد آموزشی CB Insight
انجمن جهانی زیست‌شناسی محاسباتی در ایران با همکاری آزمایشگاه نورالب دانشگاه صنعتی شریف برگزار می‌کند.

❓ موضوع:
"GNNs For Chemists: Implementations of Graph Neural Networks from Scratch for Chemical Applications"

👨🏻‍💻 مدرس جناب آقای حسین فولادی

✨ آقای فولادی پژوهشگر دکتری شیمی‌محاسباتی (Cheminformatics) و یادگیری ماشین در گروه تحقیقاتی COMP3D Lab دانشگاه وین هستند. ایشان کارشناسی ارشد مهندسی پزشکی را از دانشگاه صنعتی شریف و کارشناسی مهندسی مکانیک را از دانشگاه صنعتی امیرکبیر دریافت کرده‌اند.

❗️ جهت کسب اطلاعات بیش‌تر می‌توانید به صفحه‌ی LinkedIn و Google Scholar آقای فولادی مراجعه نمایید.

🗓 تاریخ: سه‌شنبه ۹ دسامبر ۲۰۲۵ (۱۸ آذر)
⏰ ساعت: ۲۰ الی ۲۲ به وقت ایران

🔗 لینک ثبت‌نام
🌐 برگزاری به صورت آنلاین

🔖 علاقه‌مندان می‌توانند برای ایجاد پیش‌زمینه‌ی ذهنی بهتر، مقالات زیر را مطالعه کنند:
📌 گیتهاب
📌 مقاله اول
📌 مقاله دوم
📌مقاله سوم

🔗Telegram
🔗LinkedIn
🔗Instagram

📯شروع بازه‌‌ی کاندیداتوری

⏳بازه‌ی اعلام کاندیداتوری امروز، ۲ دسامبر (۱۱ آذر) آغاز شده است و تا ساعت ۲۴ روز ۳دسامبر (۱۲ آذر) ادامه خواهد داشت.

🔆از علاقه‌مندانی که در سایت ISCB RSG-Iran عضو هستند، دعوت می‌شود جهت کاندید شدن در دو پست مدیر و دبیر انجمن به لینک زیر مراجعه کنند:

🔗اعلام کاندیداتوری

🗳زمان برگزاری انتخابات در سایت: ۵ دسامبر (۱۴ آذر)

⌛️اکانت‌هایی که در این بازه در سایت ساخته می‌شوند، از روز ۶ دسامبر (۱۵ آذر)، یعنی بعد از اعلام نتایج تائید خواهند شد.