🌀بررسی سوالات اولین سری مسابقه CB Code

💻قسمتی از ارائه بخش زیست شناسی از نشست بررسی سوالات اولین سری مسابقه CB Code

🔹برای ورود به صورت مهمان کلیک کنید
Telegram | LinkedIn | Instagram

🖥 Algorithmic, Theoretical & Mathematical Bioinformatics & Bio-inspired Computing

🔹 بیوانفورماتیک الگوریتمی و محاسبات الهام‌گرفته از زیست؛ علوم کامپیوتر، ریاضیات و زیست‌شناسی را برای تحلیل داده‌های پیچیده زیستی ترکیب می‌کند. روش‌های الگوریتمی، مانند sequence alignment، و مدل‌های ریاضی به تفسیر داده‌ها کمک می‌کنند، در حالی که تکنیک‌های الهام‌گرفته از زیست، مانند الگوریتم‌های ژنتیک، از سیستم‌های زیستی برای حل مسئله تقلید می‌کنند.

🔹 از نظر فنی، الگوریتم‌های تحلیل توالی و مدل‌های ریاضی، سیستم‌های زیستی را به صورت کمی (quantitative) بیان می‌کنند. محاسبات الهام‌گرفته از زیست از روش‌هایی مانند هوش ازدحامی(swarm intelligence) برای بهینه‌سازی راه‌حل‌ها استفاده می‌کنند. این تکنیک‌ها در ژنومیکس، پروتئومیکس و زیست‌شناسی سیستم‌ها برای پیش‌بینی عملکرد ژن و مدل‌سازی فرآیندهای سلولی به کار می‌روند.

🔹 پایگاه‌های داده تخصصی مانند GenBank، UniProt و KEGG داده‌های زیستی را ذخیره و سازماندهی می‌کنند. پایگاه‌های فراداده (Meta-databases) اطلاعات را ادغام می‌کنند و پایگاه‌های داده تخصصی از طراحی الهام‌گرفته از زیست پشتیبانی می‌کنند. این منابع برای تحلیل محاسباتی حیاتی هستند.

🔹 این ادغام، زمینه‌هایی مانند کشف دارو و پزشکی شخصی را پیشرفت می‌دهد. با ادغام دقت ریاضی با بینش‌های زیستی، محققان مدل‌های دقیق و مداخلات هدفمند را توسعه می‌دهند، که برای مدیریت حجم رو به افزایش داده‌های زیستی ضروری است.

🔹 پایگاه‌های داده کلیدی مانند GenBank، PDB و KEGG داده‌های زیستی ضروری را ذخیره می‌کنند، در حالی که ابزارهایی مانند BLAST و Clustal Omega تحلیل توالی را امکان‌پذیر می‌سازند. محاسبات الهام‌گرفته از زیست از الگوریتم‌هایی مانند الگوریتم‌های ژنتیک و بهینه‌سازی ازدحام ذرات(particle swarm optimization) استفاده می‌کنند. چارچوب‌های توسعه مانند TensorFlow و پلتفرم‌های محاسبات با کارایی بالا، از جمله GPUها و محاسبات ابری، از تحقیقات پیشرفته زیست‌شناسی محاسباتی پشتیبانی می‌کنند.

🔗 Telegram
🔗 LinkedIn
🔗 Instagram

🧪Evolutionary & Comparative Genomics


🔹ژنومیک تکاملی و تطبیقی از حوزه‌های قدرتمند زیست‌شناسی هستند که تغییرات ژنتیکی را که در طول زمان شکل‌دهنده‌ی حیات بوده‌اند، بررسی می‌کنند.
ژنومیک تکاملی به مطالعه‌ی نحوه‌ی تکامل ژنوم‌ها می‌پردازد و بر جهش‌ها، انتخاب طبیعی و رانش ژنتیکی تمرکز دارد. با تحلیل تغییرات ژنومی در گونه‌ها و جمعیت‌های مختلف، دانشمندان می‌توانند پایه‌ی مولکولی سازگاری، گونه‌زایی و تاریخ تکاملی را کشف کنند.

🔹این حوزه به ما کمک می‌کند تا بفهمیم که موجودات زنده چگونه در پاسخ به فشارهای محیطی، بیماری‌ها و روابط هم‌زیستی تکامل یافته‌اند.

🔹ژنومیک تطبیقی از سوی دیگر، بر مقایسه‌ی ژنوم گونه‌های مختلف تمرکز دارد تا شباهت‌ها و تفاوت‌های آن‌ها را شناسایی کند. با هم‌ترازی توالی‌های ژنتیکی، دانشمندان می‌توانند ژن‌های حفظ‌شده، عناصر تنظیمی و نوآوری‌های تکاملی را کشف کنند. این مقایسه‌ها بینش‌های ارزشمندی در زمینه‌ی ژنومیک عملکردی ارائه می‌دهند و نشان می‌دهند که چگونه تغییرات ژنتیکی به تفاوت‌های فنوتیپی، حساسیت به بیماری‌ها و محدودیت‌های تکاملی منجر می‌شوند. برای مثال، مقایسه‌ی ژنوم انسان و نخستی‌ها (primate) به درک پایه‌ی ژنتیکی شناخت کمک می‌کند، در حالی که مطالعه‌ی ژنوم باکتری‌ها در ردیابی مقاومت آنتی‌بیوتیکی مفید است.

🔹این حوزه‌ها کاربردهای گسترده‌ای در پزشکی، کشاورزی و حفاظت از تنوع زیستی دارند. ژنومیک تکاملی در مطالعه‌ی بیماری‌های ژنتیکی انسانی، ردیابی تکامل ویروس‌ها و توسعه‌ی درمان‌های هدفمند نقش دارد. ژنومیک تطبیقی به بهبود اصلاح نژاد گیاهان کمک کرده و ژن‌های مرتبط با مقاومت به بیماری و تحمل به تنش را شناسایی می‌کند. علاوه بر این، این رویکردها در تلاش‌های حفاظتی با تجزیه‌وتحلیل تنوع ژنتیکی گونه‌های در معرض خطر اهمیت دارند. با پیشرفت فناوری‌های توالی‌یابی، ژنومیک تکاملی و تطبیقی همچنان درک ما را از نقشه‌ی ژنتیکی حیات متحول می‌کنند.


🔗 Telegram
🔗 LinkedIn
🔗 Instagram

🧬 Structural & Molecular Bioinformatics

🔹بیوانفورماتیک ساختاری؛ نخستین تلاش عمده‌ای بود که اصول و دانش پایه‌ای بیوانفورماتیک را به سوالات متمرکز بر ساختار ماکرومولکولی، مانند پیش‌بینی ساختار پروتئین و چگونگی عملکرد پروتئین‌ها در سلول‌ها، به کار گرفت. این حوزه به ما کمک می‌کند تا بفهمیم چگونه می‌توان با استفاده از بیوانفورماتیک به مسائل علوم زندگی پرداخته و بهبودهای قابل توجهی در مراقبت‌های بهداشتی ایجاد کنیم، به ویژه در تسریع کشف و توسعه داروها.

🔹کتاب‌Nature Structural & Molecular Biology، به ویژه نسخه اول، به عنوان منابع آموزشی در دوره‌های تحصیلات تکمیلی و کارشناسی در دانشگاه‌ها مورد استفاده گسترده قرار گرفت. این کتاب‌ به بررسی نظریه‌ها، الگوریتم‌ها، منابع و ابزارهای مورد استفاده در تحلیل، پیش‌بینی و مبانی نظری DNA، RNA و پروتئین‌ها می‌پردازد. این رویکرد به دانشجویان و پژوهشگران کمک می‌کند تا درک عمیق‌تری از ساختار و عملکرد مولکول‌های بیولوژیکی پیدا کنند.

🔹با پیشرفت‌های مداوم در بیوانفورماتیک ساختاری و مولکولی، این حوزه به طور فزاینده‌ای در حال تبدیل شدن به یک ابزار کلیدی در پژوهش‌های علمی و پزشکی است. این پیشرفت‌ها نه تنها به ما در درک بهتر ساختار و عملکرد مولکول‌های زیستی کمک می‌کند، بلکه می‌تواند به توسعه داروهای جدید و بهبود استراتژی‌های درمانی منجر شود.

🔗 Telegram
🔗 LinkedIn
🔗 Instagram

🌐 Systems & Network Biology

🔹 زیست‌شناسی شبکه‌ و سامانه‌ها؛ شاخه‌ای جذاب از بیوانفورماتیک است که به مطالعه سیستم‌های بیولوژیکی پیچیده از طریق یک رویکرد جامع می‌پردازد. با ادغام فناوری‌های مختلف "اُمیک"، مانند ترنسکریپتومیکس، گلیکومیکس و لیپیدومیکس، پژوهشگران می‌توانند تعاملات پیچیده بین مولکول‌های بیولوژیکی را تحلیل کنند. این حوزه چندرشته‌ای به دانشمندان این امکان را می‌دهد تا بررسی کنند چگونه این تعاملات بر عملکرد سلولی تأثیر می‌گذارد و به رفتار کلی موجودات زنده کمک می‌کند.

🔹 در قلب زیست‌شناسی سامانه‌ها، مطالعه شبکه‌های تعاملات بین موجودات مختلف وجود دارد که شامل ژن‌ها، پروتئین‌ها، متابولیت‌ها و سایر مولکول‌هایی است که برای حفظ زندگی با یکدیگر ارتباط برقرار می‌کنند و همکاری می‌کنند. با بررسی این شبکه‌ها، پژوهشگران می‌توانند کشف کنند که تغییرات در یک مؤلفه چگونه می‌تواند بر کل سیستم تأثیر بگذارد و به بینش‌هایی درباره مکانیزم‌های بیماری، مسیرهای متابولیکی و پاسخ‌های سلولی به تغییرات محیطی منجر شود.

🔹 کاربردهای زیست‌شناسی سامانه‌ها بسیار گسترده و تأثیرگذار است. در پژوهش‌های پزشکی، به عنوان مثال، درک تعاملات پیچیده در سیستم‌های بیولوژیکی می‌تواند به شناسایی اهداف درمانی و نشانگرهای جدید برای بیماری‌ها کمک کند. علاوه بر این، این رویکرد می‌تواند درک ما از تعاملات دارویی را بهبود بخشد و به توسعه استراتژی‌های درمانی مؤثرتر که برای شرایط هر بیمار تطبیق داده شده‌اند، یاری رساند.

🔹 با پیشرفت فناوری، این حوزه نیز همچنان در حال تحول است. با ظهور داده‌های کلان و ابزارهای محاسباتی پیشرفته، پژوهشگران اکنون قادرند مقادیر زیادی از داده‌های بیولوژیکی را به طور مؤثرتری تحلیل کنند. این پیشرفت نه تنها درک ما از پیچیدگی‌های زندگی را افزایش می‌دهد، بلکه راه را برای راه‌حل‌های نوآورانه در حوزه‌های بهداشت، کشاورزی و حفاظت از محیط زیست هموار می‌کند.

🔗 Telegram
🔗 LinkedIn
🔗 Instagram

🟢در یوتوب‌گردی این هفته، به یکی از مهمترین پدیده های علوم اعصاب یعنی هوش ارگانویدی میپردازیم. احتمالا این خبر را شنیده‌اید: بازی کردن سلول‌های مغز در آزمایشگاه با بازی کلاسیک پونگ!

🎮 این آزمایش نشان می‌دهد که نورون‌ها خارج از بدن می‌توانند وظایف هدفمند انجام دهند. 

✨🧠برخلاف شبیه‌سازی‌های قبلی فعالیت مغزی، این مطالعه یک تعامل واقعی و عملکردی را نشان می‌دهد. تأثیر این کشف بر درک شبکه‌های عصبی و هوش شگرف خواهد بود.  

کارشناسان این حوزه نوین را «هوش ارگانویدی» (OI) نامیده‌اند، که با هوش مصنوعی (AI) متفاوت است. امکانات OI در حوزه پزشکی و تکنولوژی بی‌پایان است. 

از رمزگشایی بیماری‌ها تا سیستم‌های محاسباتی نوین، OI ممکن است درک ما از زیست‌شناسی و نوآوری را تغییر دهد. این ویدئو به این سفر جذاب نگاهی می‌اندازد! 

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


🎥مشاهده ویدئو کامل یوتوب


📱Telegram
📱LinkedIn
📱Instagram

#یوتوب‌گردی

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

🔺CB Insight
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 بستر، 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 اولین رویداد CB Insight به بررسی مدلی نوین به نام DeCovarT می‌پردازیم؛ چارچوبی چندبعدی و احتمالاتی که برای تحلیل دقیق‌تر داده‌های ترنسکریپتومیکس طراحی شده است.

🗓زمان برگزاری: چهارشنبه‌ ۲۷ فروردین ماه ۱۴۰۴
⏰ساعت برگزاری: ۲۰ به وقت ایران
🪩ثبت‌نام از طریق سایت رایازی

✨ اولین رویداد CB Insight از منظر زیست‌شناسی

🧬 ترانسکریپتومیکس مطالعه تمام مولکول‌های RNA (رونوشت‌ها) در یک سلول یا بافت در یک زمان معین است مانند: گرفتن یک عکس فوری از این که کدام ژن‌ها فعال ("روشن") هستند و تا چه حد.
🔹
▫

🩸یک سلول را به‌عنوان یک آشپزخانه شلوغ در نظر بگیرید؛ ژنوم (DNA) کتاب آشپزی با تمام دستور العمل‌های ممکن است، اما ترانسکریپتوم (RNA) نشان می‌دهد که در حال حاضر کدام غذاها و به چه مقدار پخته می‌شوند.
🔹
▫

🧬رونوشت‌برداری با توان عملیاتی بالا، مانند توالی‌یابی RNA (RNA-Seq)، مجموعه داده‌های عظیمی تولید می‌کند و هزاران ژن را در نمونه‌های مختلف (مثلاً بافت سالم در مقابل بافت بیمار) اندازه‌گیری می‌کند.
🔹
▫

🩸این مجموعه داده‌ها اغلب سیگنال‌های "مختلط" هستند. به عنوان مثال، یک نمونه بافت ممکن است شامل چندین نوع سلول (مثلاً سلول‌های سرطانی، سلول‌های ایمنی) باشد و داده‌ها میانگین بیان ژن آنها را نشان می‌دهند. حل کردن این ترکیب برای درک سهم هر سلول دشوار است.
🔹
▫

🧬 دکانولوشن مانند تشخیص مواد تشکیل‌دهنده‌ی یک اسموتی فقط با چشیدن آن است. شما یک مخلوط از داده‌های رونویسی از یک بافت به خصوصرا دارید، اما می‌خواهید بدانید که از هر میوه (بیان ژن هر نوع سلول) چه مقدار در آن استفاده شده است.
🔹
▫
🩸در زیست‌شناسی، ما همیشه «دستورالعمل» دقیق (نمایه‌ی بیان ژن هر نوع سلول) یا تعداد انواع سلول موجود را نمی‌دانیم.
🔹
▫
🧬 ژن‌ها به تنهایی کار نمی‌کنند؛ آن‌ها به روش‌های پیچیده‌ای تعامل دارند، مانند یک شبکه اجتماعی که در آن افراد بر یکدیگر تأثیر می‌گذارند. یک شبکه ژنی نشان می‌دهد که کدام ژن‌ها با یکدیگر "صحبت" می‌کنند مثلاً فعالیت یک ژن بر فعالیت ژن دیگر تأثیر می‌گذارد. این تعاملات می‌توانند نحوه عملکرد یا اشتباه سلول‌ها در بیماری‌ها را آشکار کنند.
🔹
▫

🩸روش‌های دکانولوشن سنتی، ژن‌ها را مستقل در نظر می‌گیرند و روابط آنها را نادیده می‌گیرند. اما در سلول‌های واقعی، ژن‌ها بخشی از یک شبکه هستند. استفاده از این ساختار شبکه می‌تواند به ما کمک کند تا سیگنال‌ها را بهتر از هم جدا کنیم زیرا زمینه بیشتری در مورد نحوه رفتار ژن‌ها با هم فراهم می‌کند.
🔹
▫
🧬 روشDeCovarT به شبکه ژنی برای هدایت deconvolution نگاه می‌کند. به جای حدس زدن انواع سلول‌ها فقط بر اساس بیان متوسط ​​ژن، از "سیم‌کشی" شبکه ژنی - نحوه اتصال ژن‌ها - برای حدس‌های هوشمندانه‌تر استفاده می‌کند. به‌عنوان مثال، اگر دو ژن در شبکه به شدت به هم متصل باشند، سطح بیان آن‌ها باید به طور مداوم رفتار کند و به شناسایی انواع سلول‌های موجود کمک کند.
🔹
▫

🩸اکثر روش‌های deconvolution قبل از DeCovarT شبکه‌های ژنی را نادیده می‌گرفتند و ژن‌ها را به عنوان نقاط داده جدا در نظر می‌گرفتند.  DeCovarT اولین کسی بود که به صراحت از ساختار شبکه برای اطلاع‌رسانی در مورد فرآیند جداسازی استفاده کرد و آن را دقیق‌تر و از نظر بیولوژیکی معنادارتر ساخت.
🔹
▫
🧬 یک نمونه بافت از یک تومور را تصور کنید که سلول‌های سرطانی و سلول‌های ایمنی با هم مخلوط شده‌اند. RNA-Seq مجموعه‌ای از بیان ژن را به شما می‌دهد، اما ترکیبی از هر دو نوع سلول است.

🔹
▫

🩸روش‌های قدیمی‌تر ممکن است فرض کنند که بیان هر ژن مستقل است و سعی می‌کنند داده‌ها را با پروفایل‌های شناخته شده سلول‌های سرطانی و ایمنی مطابقت دهند اما این روش  می‌تواند تفاوت‌های ظریف را از دست بدهد یا توسط نویز گیج شود.
🔹
▫
🧬 رویکرد DeCovarT  یک شبکه ژنی بر اساس نحوه تعامل ژن‌ها مثلاً از دانش قبلی یا همبستگی داده‌ها ایجاد می‌کند. سپس از این شبکه برای هدایت جداسازی استفاده می‌کند و اطمینان حاصل می‌کند که سیگنال‌های بدون ترکیب (سرطان در مقابل سهم سلول‌های ایمنی) در متن آن تعاملات منطقی هستند. این مانند حل یک پازل است که در آن قطعات (ژن‌ها) باید طبق یک الگو (شبکه) در کنار هم قرار گیرند. روشDeCovarT می‌تواند تعداد سلول‌های سرطانی در مقابل سلول‌های ایمنی موجود در نمونه و عملکرد هر کدام را بهتر تخمین بزند، که می‌تواند به طراحی درمان‌های هدفمند کمک کند.
🔹
▫
🩸روشDeCovarT با آشکار کردن سهم انواع مختلف سلول‌ها به ما در درک بافت‌های پیچیده مانند تومورها یا مغزها کمک می‌کند. این می‌تواند منجر به اکتشافاتی در مورد بیماری‌ها یا توسعه، مانند یافتن اینکه کدام سلول‌ها باعث رشد سرطان می‌شوند، شود.

🔹
▫
🧬 رویکرد DeCovarT زیست‌شناسی و مهندسی را به هم پیوند می‌دهد. زیست‌شناسان دانش دامنه آنچه ژن‌ها و سلول‌ها انجام می‌دهند را ارائه می‌دهند و مهندسان ابزارهایی مانند الگوریتم‌ها و شبکه‌ها را برای درک مجموعه داده‌های عظیم ارائه می‌دهند.

🌐 برای ثبت‌نام و شرکت در CB Insight کلیک کنید.

✨اولین رویداد CB Insight از نگاه ریاضی و مهندسی کامپیوتر

🔷 رونویسی به‌عنوان یک مسئله ریاضی

🔹در رونویسی، داده‌ها به‌صورت ماتریس‌های بزرگی از اعداد (بیان ژن‌ها) ظاهر می‌شوند که ترکیبی خطی از سیگنال‌های چند منبع (انواع سلول‌ها) هستند.
.
.

🔹 هدف، جداسازی این سیگنال‌ها از داده‌های مخلوط است، شبیه به مسئله‌ای در جبر خطی که باید مولفه‌های یک ماتریس را به منابع اصلی‌اش تجزیه کنیم. این فرآیند به دکانولوشن معروف است.
.
.

🔹دکانولوشن: یک مسئله پردازش سیگنال است.
دکانولوشن را می‌توان به‌عنوان مسئله‌ای در پردازش سیگنال، مدل کرد. فرض کنید یک سیگنال ترکیبی دارید (مثل صدایی که از چند ساز تولید شده) و می‌خواهید سیگنال هر ساز را جدا کنید. از نظر ریاضی، این کار به حل معادله
♦️Y = A \cdot X + N
نیاز دارد، که در آن:
🔺( Y ):
🔻 داده‌های مخلوط (ماتریس بیان ژن)

🔺( A ):
🔻 ماتریس مشخصات منابع (پروفایل هر نوع سلول)

🔺( X ):
🔻سیگنال‌های اصلی (سهم هر منبع)

🔺( N ):
🔻 نویز

🔹چالش این است که اغلب ( A ) یا تعداد منابع به‌طور دقیق مشخص نیست، بنابراین مسئله نامعین است (مجهولات بیشتر از معادلات)
.
.

🔷 چرا مسئله دشوار است؟

🔹از منظر ریاضی، دکانولوشن یک مسئله معکوس بدحالت (ill-posed) است، زیرا:
داده‌ها نویزی هستند و نویز می‌تواند راه‌حل‌ها را مخدوش کند.تعداد منابع (انواع سلول‌ها) یا پروفایل آن‌ها ناشناخته است. متغیرهای زیاد (ژن‌ها) باعث ابعاد بالای داده‌ها می‌شوند.
.
.

🔷نقش گراف‌ها در مدل‌سازی

🔹ژن‌ها را می‌توان به‌صورت یک گراف مدل کرد: گره‌ها (ژن‌ها) و لبه‌ها (روابط یا همبستگی بین ژن‌ها). این گراف، ساختاری برای داده‌ها فراهم می‌کند، مشابه گراف‌های شبکه‌های اجتماعی. روش‌های سنتی دکانولوشن این ساختار را نادیده می‌گیرند و ژن‌ها را به‌صورت نقاط مستقل در نظر می‌گیرند، که باعث ازدست‌رفتن اطلاعات ارزشمند روابط می‌شود.
.
.

🔷تعریف DeCovarT

🔹رویکردی مبتنی بر گرافDeCovarT با افزودن ساختار گراف به مدل دکانولوشن، مسئله را بهبود می‌بخشد. این روش از ماتریس مجاورت گراف ژنی (که روابط بین ژن‌ها را نشان می‌دهد) به‌عنوان یک قید اضافی استفاده می‌کند. به‌ جای حل مسئله فقط با داده‌های خام، DeCovarT از این قید برای هدایت بهینه‌سازی استفاده می‌کند، مثلاً با کمینه‌کردن یک تابع هزینه که هم تطبیق داده‌ها و هم انطباق با گراف را در نظر می‌گیرد. این شبیه به رگرسیون منظم‌شده (regularized regression) است که اطلاعات ساختاری را به مدل اضافه می‌کند.
.
.

🔷مزیت ریاضی DeCovarT

🔹کاهش نامعینی: ساختار گراف تعداد راه‌حل‌های ممکن را محدود می‌کند و پایداری را افزایش می‌دهد.
🔹بهبود دقت: با درنظرگرفتن روابط بین ژن‌ها، سیگنال‌های جدا شده منطبق‌تر با الگوهای واقعی هستند.
🔹مقاومت در برابر نویز: قید گراف به‌عنوان فیلتری عمل می‌کند که اثرات نویز را کاهش می‌دهد.
.
.

🔷مثال ساده‌شده

🔹فرض کنید یک ماتریس ( Y ) دارید که ترکیبی از دو منبع است. روش‌های قدیمی ممکن است با روش‌هایی مثل تجزیه ماتریس (matrix factorization) عمل کنند، اما بدون توجه به روابط بین متغیرها، نتایج پراکنده یا ناپایداری تولید کنند. DeCovarT با افزودن یک گراف که نشان می‌دهد کدام متغیرها (ژن‌ها) به هم مرتبط‌اند، مدل را به‌سمت راه‌حل‌هایی هدایت می‌کند که از نظر ساختاری معنی‌دارترند. مثلاً، اگر دو ژن همیشه با هم فعال‌اند، گراف این رابطه را تقویت می‌کند.
.
.

🔷کاربرد در مهندسی کامپیوتر
رویکردDeCovarT نمونه‌ای از ترکیب علم گراف و یادگیری ماشین است. این روش از الگوریتم‌های بهینه‌سازی (مثل روش‌های مبتنی بر گرادیان) و تئوری گراف برای حل مسائل با ابعاد بالا و نویزی استفاده می‌کند. کاربردهای مشابهی در حوزه‌هایی مثل تحلیل شبکه‌های اجتماعی، پردازش تصویر، یا سیستم‌های توصیه‌گر وجود دارد، جایی که داده‌ها ساختار شبکه‌ای دارند.
.
.

🔷جمع‌بندی:

🔹رویکرد DeCovarT نشان می‌دهد چگونه مدل‌های ریاضی (گراف‌ها و بهینه‌سازی) و ابزارهای مهندسی کامپیوتر (الگوریتم‌های مقیاس‌پذیر) می‌توانند مسائل پیچیده داده‌محور را حل کنند. این روش با افزودن ساختار گراف به دکانولوشن، دقت و پایداری را بهبود می‌بخشد و راه را برای حل مسائل مشابه در حوزه‌های دیگر باز می‌کند.

🌐برای ثبت‌نام و شرکت در CB Insight کلیک کنید.

🧬روز جهانی DNA (25 آوریل)

🔹به افتخار کشف ساختار مارپیچ دوگانه DNA توسط جیمز واتسون و فرانسیس کریک در سال ۱۹۵۳ نام‌گذاری شده است. این روز برای گرامیداشت اهمیت DNA به‌عنوان مولکول بنیادین حیات و نقش آن در پیشرفت علوم زیستی، پزشکی و فناوری زیستی تعیین شده است.

🔹زیست‌محاسباتی (Computational Biology) از ابزارهای محاسباتی و الگوریتم‌ها برای تحلیل داده‌های زیستی، به‌ویژه داده‌های مرتبط با DNA، استفاده می‌کند. این حوزه با پردازش توالی‌های ژنومی، مدل‌سازی ساختارهای مولکولی و پیش‌بینی عملکرد ژن‌ها، نقش مهمی در درک DNA ایفا می‌کند.
🔵 برای مثال:
🔹توالی‌یابی ژنوم
🔹هوش مصنوعی و یادگیری ماشین
🔹طراحی دارو

🔹نام‌گذاری این روز به دلیل انتشار مقاله واتسون و کریک در مجله Nature در سال ۱۹۵۳ است که ساختار مارپیچ دوگانه DNA را معرفی کردند، هست.

🔹این روز همچنین به تکریم تلاش‌های دانشمندانی مانند: روزالین فرانکلین، که نقش مهمی در این کشف داشتند، اختصاص دارد.
در مجموع، روز جهانی DNA فرصتی است برای تجلیل از این مولکول شگفت‌انگیز و فناوری‌هایی مانند زیست‌محاسباتی که درک ما از حیات را عمیق‌تر می‌کنند.

Telegram | LinkedIn | Instagram

✨معرفی قهرمانان پشت علم
که در پیشبرد و شناسایی مولکول DNA کمک شایانی کرده‌اند و جایزه نوبل برده‌اند.

▫طرح فوق را سرکار خانم دکتر مریم دانشپور طراحی کرده‌اند.

25 April: World DNA Day

روزالین فرانکلین
👩🏻‍🔬 دانشمندی که نقش کلیدی در کشف ساختار DNA داشت اما به دلیل شرایط زمان خودش و تبعیض‌های جنسیتی، نه تنها جایزه نوبل را دریافت نکرد، بلکه در زمان حیاتش به اندازه کافی مورد تقدیر قرار نگرفت.

🇬🇧 روزالین فرانکلین (Rosalind Franklin) شیمی‌دان و بلورشناس انگلیسی بود که بین سال‌های ۱۹۲۰ تا ۱۹۵۸ میلادی زندگی می‌کرد.

🏫 او در دانشگاه کینگز لندن مشغول به کار بود و با استفاده از تکنیک پراش اشعه ایکس، تصاویری از DNA تهیه کرد که به "عکس ۵۱" معروف شد. این تصویر که در سال ۱۹۵۲ همراه با دانشجوی دکترایش، ریموند گاسلینگ، گرفته شد، شواهد مهمی از ساختار مارپیچ دوگانه DNA ارائه داد.

🧬 این یافته‌ها به طور غیرمستقیم در اختیار جیمز واتسون و فرانسیس کریک قرار گرفت، که در دانشگاه کمبریج روی مدل‌سازی ساختار DNA کار می‌کردند.

🔵 ادامه در صفحه اینستاگرام شاخه دانشجویی انجمن زیست محاسباتی ایران

Telegram | LinkedIn | Instagram

🔴در یوتوب‌گردی این هفته می‌خواهیم سراغ یه ویدیو فوق‌العاده از TED که در مورد آینده‌ی علم و پزشکی‌ است، برویم.

🧬احتمالاً اسم CRISPR به گوشتان خورده باشد ؛ همان فناوری ویرایش ژن که می‌تواند DNA را در موجودات زنده دست‌کاری کند.
حالا جنیفر دودنا، یکی از خالقین این تکنولوژی و برنده‌ی نوبل، با یک ایده‌ی جاه‌طلبانه‌تر برگشته است:
ویرایش دقیق میکروبیوم برای درمان بیماری‌هایی مثل آسم، آلزایمر و حتی مبارزه با تغییرات اقلیمی!

👩‍🔬جنیفر دودنا، بیوشیمی‌دانی که نقشی کلیدی‌ در توسعه‌ی سیستم CRISPR-Cas9 ایفا کرد؛ تکنولوژی‌ای که دروازه‌ی عصر جدیدی از ژن‌درمانی را برایمان باز کرده است! وی از طرف پروژه‌ی Audacious حمایت می‌شود تا ایده‌های بلندپروازانه‌ش را به واقعیت تبدیل کند.

اگه دوست دارید بدانید چطور قرار است با کمک ژن‌درمانی، دنیا را تغییر دهند، این ویدیو را از دست ندهید!

🎥مشاهده ویدئو کامل یوتوب

گردآورنده: یاسمین آشتیانی

🔗Telegram
🔗LinkedIn
🔗Instagram

#یوتوب‌گردی

🥳 کانال یوتیوب شاخه دانشجویی انجمن زیست محاسباتی ایران شروع به کار کرد

🎥 شما می‌توانید ویدئوهای ضبط شده برنامه‌های برگزار شده را از این پس در کانال یوتیوب انجمن زیست محاسباتی مشاهده کنید.

🔗 ISCB-SC RSG-IRAN

Telegram | LinkedIn | Instagram

🎬 ویدئو‌ی (review)CB Code Roundtable از سری اول مسابقات تلفیقی کدنویسی و زیست‌شناسی(CB Code)
هم‌اکنون از طریق کانال یوتیوب انجمن زیست محاسباتی در دسترس است!

🖊 در این ویدئو، روند حل سوالات مرحله‌ی اول که در آبان ۱۴۰۳ برگزار شد، به‌صورت کامل بررسی شده است.

🟣 اگر در مسابقه شرکت کرده‌اید یا قصد دارید برای مرحله‌ی بعدی آماده شوید، این ویدئو را از دست ندهید!

▫CB Code Roundtable(review)

🩵با ما همراه باشید
Telegram | LinkedIn | Instagram

شاخه‌ی دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران برگزار می‌کند:

CB Code Cramming

این رویداد آنلاین به مناسبت سری دوم مسابقات CB Code برگزار می‌شود، شما فرصتی خواهید داشت تا با:
■ ساختار مسابقه
■ نوع سوالات
■و فضای رقابت آشنا شوید.

در این برنامه، با سوالات شبیه‌سازی شده روبه‌رو خواهید شد که به شما کمک می‌کنند مهارت‌هاتون رو بسنجید و با آمادگی بیشتری وارد مسابقه‌ی اصلی بشید!

📅 تاریخ برگزاری: جمعه ۱۲ اردیبهشت ماه
⏰ زمان برگزاری: ساعت ۱۸ به وقت ایران
🖥 رویداد به صورت آنلاین برگزار خواهد شد.

📌 ثبت‌نام در رویداد
📌 سوالات شبیه‌سازی

با سلام خدمت همراهان انجمن زیست محاسباتی

📌رویداد CB Code cramming به دلیل نقص فنی پیش آمده، کنسل و به زمان دیگری موکل شد.

اطلاعات تکمیلی برای زمان برگزاری جدید متعاقبا اعلام می‌شود.

ممنون از صبر و شکیبایی شما🤍🩵

🌱در یوتوب‌گردی این هفته، می‌بینیم که چطور یک گیاه با استفاده از فناوری CRISPR ویرایش می‌شود—اما نه به روش مرسوم GMO که ژن‌های خارجی بهش اضافه بشوند!

🧬بلکه اینجا، کد ژنتیکی خودِ گیاه دست‌کاری شده است؛ بدون وارد کردن DNA از یک موجود دیگر.

تفاوت این دو روش در چیست؟ چه اهمیتی دارد؟
و چرا این موضوع برای آینده‌ی کشاورزی، سلامت و حتی زیست‌محاسباتی اهمیت داره؟

⭐️با تماشای این ویدئو، به جواب این سوالات پی می‌بریم:

🎥مشاهده ویدئو کامل یوتوب

🔍گردآورنده: یاسمین آشتیانی

🔗Telegram
🔗LinkedIn
🔗Instagram

#یوتوب‌گردی