🔔 پایان یک سال پرهیجان، آغاز فصلی نو در کشف و نوآوری 💡

🎆 سال 1403 برای رایازیست‌آزما سرشار از تجربه‌های نو و پیشرفت‌های چشمگیر بود. از آغاز رسمی آزمایشگاه زیست‌شناسی محاسباتی در شهریور، تا برگزاری چهار وبینار تخصصی با عنوان From Data to Discovery, From Code to Cure، ما گام‌های مؤثری در راستای توسعه دانش و ارتقاء توانمندی‌های علمی برداشتیم. حضور در رویدادهای معتبر علمی نظیر چهاردهمین کنگره بین‌المللی بیوانفورماتیک، کنگره فارماکوژنتیک و نمایشگاه دستاوردها و توانمندی‌های رویان، فرصتی بی‌نظیر برای به اشتراک‌گذاری دستاوردها و تعامل با جامعه علمی فراهم آورد.

🎓در زمینه آموزش و توانمندسازی، دوره جامع آموزش‌های in silico بر پایه AI با سه کارگاه پیوسته در حال برگزاری است که دو کارگاه آن در سال 1403 با موفقیت به پایان رسید.

⌨️همچنین، برگزاری دورهمی‌های علمی به ما این امکان را داد تا فضایی برای تبادل ایده‌ها و گفتگوهای سازنده ایجاد کنیم. ما در سال آینده نیز با ادامه این مسیر، به همکاری‌های خود با شما ادامه خواهیم داد.

🎉اکنون که به استقبال بهار 1404 می‌رویم، با انرژی و انگیزه‌ای بیشتر آماده‌ایم تا مسیرمان را ادامه دهیم.

🎉 سال نو را به همه‌ی همراهان، پژوهشگران و علاقه‌مندان این حوزه تبریک می‌گوییم و در سال پیش رو با برنامه‌های تازه و گسترش فعالیت‌های علمی، در کنار شما خواهیم بود.

🌱 رایازیست‌آزما | تلفیق دانش، داده و نوآوری

📝 هفته‌نامه BioData 
کاوش در پایگاه‌های زیستی با آزمایشگاه رایازیست‌آزما 

🔎 معرفی دیتابیس LIPID MAPS 

🤓 این دیتابیس یک منبع گسترده و جامع در حوزه لیپیدها است که برای دسترسی به اطلاعات ساختاری، بیوشیمیایی و متابولیکی طیف وسیعی از ترکیبات لیپیدی طراحی شده است و تحت نظر چندین مرکز تحقیقاتی برجسته، از جمله دانشگاه کالیفرنیا سن‌دیگو (UCSD) مدیریت می‌شود. 

✅ اهداف و خصوصیات این دیتابیس: 

1️⃣ Lipid Classification: 

- شامل بیش از 40,000 مولکول لیپیدی با طبقه‌بندی دقیق براساس سیستم استاندارد LIPID MAPS  از جمله: 
فسفولیپیدها،اسفنگولیپیدها،استرول‌ها،تری‌گلیسریدها


2️⃣ Structural and Spectral Data: 
- ارائه اطلاعات دقیق در مورد ساختار شیمیایی لیپیدها و داده‌های طیف‌سنجی و NMR برای تحلیل ساختاری 


3️⃣ Metabolic Pathways: 
- اطلاعات کامل درباره مسیرهای متابولیکی (Lipidomics) 
- نمایش نقش لیپیدها در مسیرهای زیستی مانند سیگنالینگ سلولی، متابولیسم انرژی وتنظیم غشای سلولی 


4️⃣ Bioinformatics Tools: 
-ابزارهایی برای تحلیل مسیرهای متابولیکی و پروفایل‌های لیپیدی
-امکان مقایسه داده‌ها و بررسی روابط میان ترکیبات لیپیدی

⏳برای معرفی مهم‌ترین ابزارهای بیوانفورماتیکی این دیتابیس و نحوه دسترسی به آن، منتظر پارت دوم این هفته نامه باشید. 😉
📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

📝ژورنال هفتگی Rayazist Spotlight
با جدیدترین نوآوری‌ها و دستاوردهای بیوانفورماتیک آشنا شوید:

🧠 هوش مصنوعی و تشخیص آلزایمر از روی صدا

🔬 یک روش جدید و هوشمند برای تشخیص زودهنگام آلزایمر! پژوهشگران از هوش مصنوعی برای تحلیل صدای بیماران استفاده کرده‌اند تا بتوانند این بیماری را بدون نیاز به آزمایش‌های گران یا روش‌های تهاجمی تشخیص دهند.

💡 این سیستم چگونه کار می‌کند؟
✅ مدل هوش مصنوعی data2vec به‌جای بررسی متن گفتار، مستقیماً ویژگی‌های صوتی را از صدای بیمار تحلیل می‌کند.

✅ این مدل ابتدا با نمونه‌های صوتی بیماران آلزایمری و افراد سالم آموزش داده شده و سپس روی داده‌های جدید آزمایش شده است.

🎯 دو کاربرد اصلی این فناوری:
🟡 تشخیص بیماری: مشخص می‌کند که آیا فرد به آلزایمر مبتلا است یا خیر.

🟡 تخمین شدت بیماری: بررسی می‌کند که آلزایمر در چه مرحله‌ای است، مشابه آزمون‌های شناختی مثل MMSE که پزشکان استفاده می‌کنند.

🤔 چرا این روش مهم است؟
✅ دقت بالا:
مدل توانسته است با دقت بیش از 80٪ آلزایمر را فقط از روی صدا تشخیص دهد.
✅ برتری نسبت به روش‌های سنتی: نیازی به آزمایش‌های پرهزینه مثل اسکن مغزی یا آزمایش خون ندارد.

✅ استفاده آسان:
می‌تواند در اپلیکیشن‌های موبایل یا سیستم‌های پزشکی آنلاین برای غربالگری اولیه استفاده شود.

⌛ این فناوری می‌تواند تحولی در تشخیص زودهنگام آلزایمر ایجاد کند و به بیماران کمک کند قبل از پیشرفت بیماری، اقدامات درمانی را آغاز کنند.

🔗جهت مطالعه کامل ترجمه مقاله بالا می‌توانید به این لینک مراجعه، و جهت دریافت فایل آن با ما در ارتباط باشید.

✏️گردآورنده: فرزانه تقی پور

📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

📝ژورنال هفتگی Rayazist Spotlight
با جدیدترین نوآوری‌ها و دستاوردهای بیوانفورماتیک آشنا شوید:

6️⃣ ابزار هوش مصنوعی در صنعت داروسازی در آزمایشگاه های In Silico

🧂 فرآیند کشف و توسعه‌ی دارو یکی از پیچیده‌ترین، پرهزینه‌ترین و زمان‌برترین مراحل در صنعت سلامت است. به‌طور متوسط، تولید یک داروی جدید می‌تواند بین ۱۰ تا ۱۵ سال به طول انجامد و هزینه‌ای بالغ بر چندین میلیارد دلار به شرکت‌های دارویی تحمیل کند، آن‌هم در حالی‌که احتمال موفقیت نهایی پایین بوده و بسیاری از پروژه‌ها در مراحل مختلف توسعه با شکست مواجه می‌شوند.

✈️با این حال، ظهور هوش مصنوعی به عنوان یک ابزار تحول‌آفرین، در حال بازتعریف این مسیر است. هوش مصنوعی با توانایی تحلیل حجم عظیمی از داده‌های زیستی، بالینی و شیمیایی، می‌تواند زمان و هزینه‌ی مورد نیاز برای کشف دارو را به میزان چشمگیری کاهش دهد.

🔰در مرحله‌ی ابتدایی کشف دارو، الگوریتم‌های یادگیری ماشین و یادگیری عمیق به شناسایی سریع‌تر اهداف دارویی (Drug Targets) و مولکول‌های مؤثر کمک می‌کنند.

🔼به‌عنوان مثال، پلتفرم‌هایی مانند PandaOmics با تحلیل داده‌های ژنومی و ترنسکریپتومی به یافتن مسیرهای بیماری‌زا و اهداف دارویی جدید کمک می‌کنند، در حالی‌که الگوریتم AlphaFold که توسط شرکت DeepMind توسعه یافته، توانسته ساختار سه‌بعدی هزاران پروتئین را با دقت بالا پیش‌بینی کند؛ فرآیندی که پیش‌تر نیازمند آزمایش‌های پرهزینه و زمان‌بر بود.

🌸 در مراحل بالینی نیز کاربردهای هوش مصنوعی در حال گسترش است. ابزارهایی مانند AiCure با استفاده از بینایی ماشین، رفتار بیماران را در مصرف دارو پایش می‌کنند و می‌توانند در بهبود پایبندی دارویی و ارزیابی اثربخشی مداخلات درمانی نقش داشته باشند.

➕با وجود این پیشرفت‌ها، چالش‌هایی نیز باقی مانده‌اند. یکی از مشکلات اصلی، «ماهیت جعبه‌سیاه» (Black Box) بسیاری از مدل‌های هوش مصنوعی است، به این معنا که فرآیند تصمیم‌گیری درون مدل برای پژوهشگران قابل درک نیست.

➕ همچنین، کیفیت و تنوع داده‌های مورد استفاده، و مصرف بالای انرژی در برخی الگوریتم‌ها از دیگر محدودیت‌های فعلی به‌شمار می‌آیند.

🎯برای رفع این موانع، حوزه‌ای با عنوان «هوش مصنوعی توضیح‌پذیر» (Explainable AI یا XAI) در حال رشد است که هدف آن ارتقای شفافیت، اعتماد و پذیرش بالینی مدل‌ها در علوم زیستی و پزشکی است.

😍 در مجموع، هوش مصنوعی چشم‌اندازی نوین برای داروسازی ترسیم کرده است؛ آینده‌ای که در آن توسعه‌ی داروها با دقت بیشتر، در زمان کوتاه‌تر و با هزینه‌ی کمتر انجام خواهد شد.

گردآورنده: رومینا مرادی

🔗جهت مطالعه کامل ترجمه مقاله بالا می‌توانید به این لینک مراجعه، و جهت دریافت فایل آن با ما در ارتباط باشید.
📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

📝 هفته‌نامه BioData 
کاوش در پایگاه‌های زیستی با آزمایشگاه رایازیست‌آزما 

🔎 معرفی بخش دوم دیتابیس LIPID MAPS:

برخی از مهم‌ترین ابزارهای این پایگاه‌داده: 

🔣 BioPAN:
تحلیل مسیرهای متابولیکی لیپیدها و پیش‌بینی تغییرات فعالیت ژن. 

🔣 LipidLynxX:
تبدیل، مقایسه و تطبیق داده‌های لیپیدی. 

🔣 LipidFinder:
پالایش داده‌های طیف‌سنجی جرمی. 

🔣 Lipid Calculator:
محاسبه وزن مولکولی و فرمول‌های شیمیایی لیپیدها. 

🔣 LIPID MAPS Tools Package:
مجموعه‌ای از اسکریپت‌های Perl برای تولید داده‌های ساختاری و رده‌بندی لیپیدها. 


🔑نحوه دسترسی به دیتابیس LIPID MAPS

وبسایت دیتابیس: 
👉 https://www.lipidmaps.org 

❗️ در LipidMaps چندین پایگاه داده‌ی معتبر برای مطالعه و تحلیل لیپیدها وجود دارد:

1️⃣LIPID MAPS Structure Database (LMSD) 
دیتابیس ساختار لیپیدها شامل اطلاعات ساختاری، فیزیکوشیمیایی، و طیف‌سنجی برای هزاران مولکول لیپیدی.

2️⃣LIPID MAPS Gene/Protein Database (LMPD) 
دیتابیس ژن‌ها و پروتئین‌های مرتبط با متابولیزم لیپیدها شامل اطلاعات مربوط به ژن‌ها و آنزیم‌هایی که در متابولیسم لیپیدها نقش دارند.

3️⃣COMP_DB (LIPID MAPS® Comprehensive Database) 
دیتابیس جامع لیپیدها 
ترکیبی از اطلاعات چندین منبع مختلف برای ارائه یک نمای کلی و کامل از داده‌های لیپیدی.

4️⃣Submit Structure 
ارسال ساختارهای جدید به پایگاه داده 
این بخش به پژوهشگران امکان می‌دهد ساختارهای جدید لیپیدی را به LIPID MAPS اضافه کنند.

🧬 با استفاده از این منابع، پژوهشگران می‌توانند به راحتی به اطلاعات مورد نیاز خود دسترسی پیدا کنند و به گسترش علم لیپیدها کمک کنند!

📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

📝ژورنال هفتگی Rayazist Spotlight
با جدیدترین نوآوری‌ها و دستاوردهای بیوانفورماتیک آشنا شوید

7️⃣ پیشرفت‌های داروسازی با کمک هوش مصنوعی: از طراحی ترکیب تا حفظ محیط‌ زیست

💊 داروها علاوه بر فواید درمانی، می‌تونن اثرات مخربی روی طبیعت داشته باشن.

🌱 برای مثال، باقی‌مانده‌ی داروهای ضدبارداری ممکنه باعث تغییر جنسیت ماهی‌ها بشه یا داروهای روان‌پزشکی رفتار موجودات آبزی رو تغییر بدن.

😀 آلودگی‌های دارویی پایدار (EPPPs) حتی می‌تونن باعث مقاومت میکروبی بشن، که تهدیدی جدی برای سلامت جهانه.

📱 هوش مصنوعی با تحلیل داده‌ها و پیش‌بینی اثرات ترکیبات، فرایند کشف دارو رو سریع‌تر، دقیق‌تر و کم‌هزینه‌تر کرده. ابزارهایی مثل Toxception با یادگیری عمیق، سمیت ترکیبات رو بدون نیاز به آزمایش‌های پرهزینه پیش‌بینی می‌کنن.

1️⃣ مدل‌های QSAR فعالیت زیستی و سمیت ترکیبات رو فقط با توجه به ساختار شیمیایی‌شون پیش‌بینی می‌کنن. ترکیب اون‌ها با AI باعث شده این مدل‌ها در داروسازی، محیط‌زیست و سم‌شناسی حسابی بدرخشن.

2️⃣ شیمی ترکیبی امکان ساخت هزاران ترکیب شیمیایی در زمان کم رو فراهم می‌کنه. AI با تحلیل داده‌ها می‌تونه بهترین ترکیبات رو پیشنهاد بده، غربالگری سریع‌تر انجام بشه و نیاز به آزمایش‌های بی‌هدف کاهش پیدا کنه.

3️⃣  شیمی سبز تلاش می‌کنه داروها با کمترین آسیب به طبیعت تولید بشن؛ مثلاً با حذف حلال‌های سمی و طراحی واکنش‌های کم‌ضایعات. تولید داروهایی مثل آتورواستاتین و سرترالین با این روش، هم بازده رو بالا برده، هم آسیب زیست‌محیطی رو کم کرده.

🧪 ترکیب هوش مصنوعی، شیمی مدرن و نگاه محیط‌زیستی یعنی آینده‌ای هوشمندتر، سریع‌تر و پایدارتر برای داروسازی.

گردآورنده: رومینا مرادی

🔗جهت مطالعه کامل مقاله بالا می‌توانید به این لینک مراجعه، و جهت دریافت فایل آن با ما در ارتباط باشید.
📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

📝ژورنال هفتگی Rayazist Spotlight
با جدیدترین نوآوری‌ها و دستاوردهای بیوانفورماتیک آشنا شوید:

8️⃣Deep QSAR:
گامی نوین در مسیر طراحی داروهای هوشمند

⌛ مدل‌های سنتی QSAR سال‌ها به‌عنوان ابزاری برای پیش‌بینی فعالیت زیستی ترکیبات شیمیایی مورد استفاده قرار می‌گرفتند. این مدل‌ها عمدتاً مبتنی بر استخراج دستی توصیف‌گرهای عددی از ساختار مولکولی بودند. با ورود یادگیری عمیق به این حوزه، نسل جدیدی از مدل‌ها موسوم به Deep QSAR معرفی شده که تحول چشمگیری در دقت، انعطاف‌پذیری و کاربردپذیری ایجاد کرده‌اند.

⬇️ در Deep QSAR، ویژگی‌های مولکولی به‌صورت خودکار و بهینه از داده‌های خام مانند رشته‌های SMILES یا گراف‌های مولکولی استخراج می‌شوند. این روش، مدل را قادر می‌سازد تا به‌صورت پویا الگوهای پنهان میان ساختار و عملکرد زیستی را شناسایی کند.

🔝 برخی کاربردهای کلیدی Deep QSAR عبارت‌اند از:

🔴 طراحی ترکیبات جدید (De Novo Drug Design): 
مدل‌های زاینده مانند VAE، GAN و GNN امکان تولید مولکول‌های کاملاً جدید با ویژگی‌های زیستی مطلوب را فراهم می‌کنند. به‌ویژه، مدل‌های زبانی شیمیایی با یادگیری از رشته‌های SMILES می‌توانند ترکیبات نوینی را با هدف قرار دادن ویژگی‌های خاص، طراحی کنند.

🔴 برنامه‌ریزی سنتزی: 
مدل‌های یادگیری عمیق در پیش‌بینی مسیرهای سنتز شیمیایی، چه در قالب واکنش‌های مستقیم و چه سنتز معکوس، نقش مؤثری ایفا می‌کنند. ابزارهایی مانند AiZynthFinder و SYNTHIA در این حوزه موفقیت‌های چشمگیری داشته‌اند.

🔴غربالگری مبتنی بر ساختار (Structure-Based Screening): 
در روش Deep Docking، مدل‌های یادگیری عمیق جایگزین فرآیندهای محاسباتی زمان‌بر داکینگ سنتی شده‌اند. برای مثال، در دوران همه‌گیری کووید-19، با استفاده از این رویکرد بیش از 1.4 میلیارد ترکیب در مدت تنها یک روز مورد بررسی قرار گرفت.

🔴 پیش‌بینی پلی‌فارماکولوژی: 
مدل‌های چندوظیفه‌ای امکان پیش‌بینی همزمان اثرات یک دارو بر چندین هدف زیستی را فراهم می‌سازند. این قابلیت به شناسایی اثرات جانبی و طراحی داروهای با اثربخشی چندگانه کمک شایانی می‌کند.

🔴 شبیه‌سازی خواص کوانتومی: 
مدل‌هایی نظیر ANI و AIMNet قادرند ویژگی‌های کوانتومی مولکول‌ها نظیر انرژی و توزیع بار الکترونی را با دقت بالا و در زمانی بسیار کوتاه پیش‌بینی نمایند، بدون نیاز به محاسبات پرهزینه رایج در شیمی کوانتومی.

🔴 چشم‌انداز آینده: رایانش کوانتومی 
با توسعه رایانه‌های کوانتومی، انتظار می‌رود مدل‌سازی‌های دقیق‌تر و پیچیده‌تری در مقیاس‌های بزرگ برای واکنش‌های شیمیایی و طراحی دارو امکان‌پذیر گردد.

⬅️ جمع‌بندی: 
مدل‌های Deep QSAR دیگر صرفاً ابزارهای تحقیقاتی نیستند، بلکه در سطح صنعتی نیز مورد استفاده قرار گرفته‌اند. شرکت‌هایی نظیر Exscientia و Insilico Medicine از این روش‌ها برای طراحی سریع‌تر و دقیق‌تر دارو بهره برده‌اند، به‌گونه‌ای که مدت‌زمان توسعه یک داروی جدید از چند سال به چند ماه کاهش یافته است.

🔮 آینده طراحی دارو، مبتنی بر هوش مصنوعی، یادگیری عمیق و مدل‌سازی پیشرفته خواهد بود و Deep QSAR یکی از محورهای اصلی این تحول است.

گردآورنده: فرزانه تقی‌پور

🔗جهت مطالعه کامل مقاله بالا می‌توانید به این لینک مراجعه، و جهت دریافت فایل آن با ما در ارتباط باشید.
📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

📝ژورنال هفتگی Rayazist Spotlight
با جدیدترین نوآوری‌ها و دستاوردهای بیوانفورماتیک آشنا شوید:

9️⃣مروری بر کاربردهای یادگیری ماشین در مدل‌سازی QSAR/QSPR و بررسی تعاملات مولکولی با سیکلودکسترین‌ها

📈در سال‌های اخیر، تلفیق رویکردهای نوین یادگیری ماشین با مدل‌سازی‌های شیمیایی نظیر QSAR/QSPR (Quantitative Structure-Activity/Property Relationship)، نقش مهمی در بهبود پیش‌بینی خواص و فعالیت‌های مولکولی ایفا کرده است.

➕ این ترکیب نویدبخش گشایش افق‌های جدیدی در زمینه طراحی دارو، بهینه‌سازی فرآیندهای صنعتی و توسعه مواد جدید است.

🟢سیکلودکسترین‌ها، ترکیبات حلقوی مشتق از گلوکز هستند که به دلیل توانایی در تشکیل کمپلکس‌ با مولکول‌های آلی، کاربرد گسترده‌ای در صنایع دارویی، غذایی و شیمیایی دارند. درک دقیق‌تر از نحوه تعامل آن‌ها با سایر ترکیبات می‌تواند مسیر طراحی ساختارهای مؤثرتر را هموار سازد.

© مدل‌سازی QSAR/QSPR، بر پایه استخراج روابط کمی بین ساختار شیمیایی و خواص فیزیکوشیمیایی یا زیستی مولکول‌ها بنا شده و معمولاً از توصیف‌گرهای مولکولی و داده‌های تجربی جهت ساخت مدل‌های پیش‌بینی‌کننده استفاده می‌کند.

✨ در این میان، یادگیری ماشین به عنوان ابزاری قدرتمند جهت تحلیل داده‌های بزرگ و پیچیده، این امکان را فراهم می‌سازد که الگوهای پنهان در داده‌ها شناسایی شده و دقت پیش‌بینی‌ها افزایش یابد. الگوریتم‌هایی نظیر درخت تصمیم، شبکه‌های عصبی مصنوعی و مدل‌های یادگیری عمیق از جمله ابزارهای پرکاربرد در این حوزه به شمار می‌روند.

🖥 ترکیب یادگیری ماشین با QSAR/QSPR، منجر به توسعه مدل‌هایی با دقت و کارایی بالاتر شده و می‌تواند در شناسایی ویژگی‌های کلیدی مؤثر در تعاملات مولکولی مؤثر واقع شود. با این حال، چالش‌هایی نظیر کمبود داده‌های معتبر، پیچیدگی ساختارهای شیمیایی، و دشواری در تفسیر خروجی مدل‌های یادگیری ماشین همچنان به‌عنوان موانعی مهم مطرح هستند.

📈 با تداوم پیشرفت در الگوریتم‌های یادگیری عمیق و دسترسی گسترده‌تر به داده‌های کیفی، انتظار می‌رود این حوزه در آینده نزدیک به یکی از ارکان اصلی پژوهش‌های میان‌رشته‌ای در شیمی، زیست‌شناسی و علوم داده تبدیل گردد.

گردآورنده: محیا قوشی

🔗جهت مطالعه کامل مقاله بالا می‌توانید به این لینک مراجعه، و جهت دریافت فایل آن با ما در ارتباط باشید.
📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

📝 هفته‌نامه BioData 
کاوش در پایگاه‌های زیستی با آزمایشگاه رایازیست‌آزما

🤩 وقتی یک پروتئین افسارِ سرطان را پاره می‌کند...

🤩 سرطان سینه، یکی از شایع‌ترین تومورهای بدخیم در میان زنان، گاهی‌اوقات با یک بازیگر کلیدی وارد فاز تهاجمی‌تری می‌شود: پروتئین HER2.

🤩 در حدود ۲۰٪ از موارد، ژنی به نام ERBB2 بیش‌ازحد فعال می‌شود (overexpression) و پروتئین HER2 در غشای سلولی تجمع پیدا می‌کند. این تجمع، باعث فعال‌ شدن بی‌رویه‌ی مسیرهای سیگنالینگ می‌شود و رشد و تکثیر سلول‌ها از کنترل خارج می‌شود...

🔍 چطور HER2 رو بهتر بشناسیم؟

🤩 برای تحلیل دقیق این پروتئین (از ساختار گرفته تا نقش اون در بیماری)، پایگاه داده‌ی UniProt یکی از بهترین منابع است.

🧾 شناسه‌ی HER2 در UniProt P04626

🤩 از این صفحه می‌تونی اطلاعات خیلی ارزشمندی رو استخراج کنی:

🤩 توالی کامل و دامین‌های عملکردی 
🤩 محل بیان در سلول و ویژگی‌های شیمیایی‌-فیزیکی 
🤩 مسیرهای زیستی و تعاملات پروتئینی 
🤩 واریانت‌ها و جهش‌های بیماری‌زا 
🤩 لینک به پایگاه‌های مکمل مثل PDB، KEGG، Reactome، Ensembl


🤩 پایگاه داده UniProt چیه؟ و چرا باید بشناسیمش؟

درواقع UniProt فقط یه دیتابیس نیست؛ یه مرجع جامع، دقیق و همیشه به‌روز برای شناخت دنیای پروتئین‌هاست که به سه بخش اصلی تقسیم میشه:

🤩 UniProtKB:
اطلاعات علمی دقیق در مورد پروتئین‌ها
 
🤩 UniRef:
خوشه‌بندی هوشمند توالی‌ها 

🤩 UniParc:
آرشیو کامل و بدون حذف توالی‌ها



🤩 چطوری ازش استفاده کنیم؟

🤩کافیه به www.uniprot.org بری و هر چیزی رو که نیاز داری جستجو کنی:

🤩 نام پروتئین (HER2) 
🤩 نام ژن (ERBB2) 
🤩 شناسه UniProt  
🤩 یا حتی شناسه‌های دیگه مثل NCBI، Ensembl، PDB

🤩 نتیجه؟ یه صفحه‌ی کامل و تمیز از:

🤩 عملکرد زیستی و ساختاری 
🤩 جهش‌ها و مسیرهای مرتبط 
🤩 تعاملات پروتئینی و منابع مکمل 
🤩 ابزارهای حرفه‌ای مثل BLAST، دانلود دیتا، و API

🤩 اگه به دنیای سرطان، بیوانفورماتیک یا طراحی دارو علاقه داری، UniProt یه پایگاه داده طلاییه...
📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

📝ژورنال هفتگی Rayazist Spotlight
با جدیدترین نوآوری‌ها و دستاوردهای بیوانفورماتیک آشنا شوید:

0️⃣1️⃣ یادگیری ماشین در خدمت بازکاربردیابی داروها
ترکیب هوش مصنوعی و داده‌های زیستی برای کشف افق‌های درمانی نوین

🔈 با توجه به سرعت بالای تولید داده‌های زیستی و کندی نسبی در توسعه درمان‌های جدید، استفاده از یادگیری ماشین (ML) در حوزه Drug Repositioning به‌عنوان یک راهکار نوآورانه و کم‌هزینه مورد توجه جدی قرار گرفته است.

📈پیشرفت‌های اخیر
توسعه مدل‌های پیشرفته یادگیری عمیق و به‌کارگیری داده‌های چندبعدی نظیر ژنومیک، پروتئومیک و اطلاعات بالینی، موجب بهبود عملکرد الگوریتم‌های پیش‌بینی در شناسایی کاربردهای جدید داروهای موجود شده‌اند. برخی از موفق‌ترین نمونه‌ها مربوط به درمان‌های پیشنهادی برای بیماری‌هایی چون سرطان، اختلالات عصبی و بیماری‌های نادر بوده‌اند.

🤩چالش‌های کلیدی
با این حال، این حوزه با چالش‌هایی چون:
🔣 کمبود داده‌های با کیفیت،
🔣 ناهمگونی منابع داده‌ای،
🔣پیچیدگی تعاملات زیستی،
🔣 دشواری تفسیر نتایج مدل‌ها و نیاز به اعتبارسنجی بالینی،
رو‌به‌رو است که نیازمند راه‌حل‌های میان‌رشته‌ای و توسعه ابزارهای دقیق‌تر است.

👀 چشم‌انداز آینده
با پیشرفت الگوریتم‌های قابل تفسیر، بهبود کیفیت داده‌ها و ایجاد استانداردهای تحلیلی، می‌توان انتظار داشت که یادگیری ماشین نقش مؤثری در طراحی داروهای شخصی‌سازی‌شده و هدفمند در آینده نزدیک ایفا کند.

💬 گردآورنده: محیا قوشی

🔗جهت مطالعه کامل مقاله بالا می‌توانید به این لینک مراجعه، و جهت دریافت فایل آن با ما در ارتباط باشید.
📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

🤖یادگیری ماشین در خدمت زیست‌شناسی: ابزار یا تحول؟

🤖 امروزه یادگیری ماشین (Machine Learning)  صرفاً یک روند نوظهور در علوم کامپیوتر نیست، بلکه به یکی از ارکان اصلی تحلیل داده در علوم زیستی تبدیل شده است—به‌ویژه در عصر انفجار داده‌های اُمیکی (Omics).

🔹 از تحلیل داده تا کشف الگوهای پنهان
روش‌های یادگیری ماشین به پژوهشگران این امکان را می‌دهند که از دل داده‌های پیچیده و حجیم، الگوهایی استخراج کنند که با روش‌های سنتی آماری قابل شناسایی نیستند یا نیاز به زمان بسیار زیادی دارند.

📌نمونه‌هایی از کاربردهای یادگیری ماشین در زیست‌شناسی محاسباتی:

🔴پیش‌بینی عملکرد ژن‌ها بر اساس توالی DNA/RNA

🔴طبقه‌بندی تصاویر بافتی و سلولی جهت تشخیص سرطان و سایر بیماری‌ها

🔴تحلیل داده‌های RNA-seq و scRNA-seq با دقت و سرعت بالا

🔴مدل‌سازی شبکه‌های تنظیمی ژنی و تعاملات پروتئینی

🔴طراحی دارو با بهره‌گیری از الگوریتم‌های یادگیری عمیق (Deep Learning)

🤖 مدل‌های پیشرفته‌ای همچون CNN و مدل‌های مبتنی بر Transformer، نقش مؤثری در تحلیل تصاویر میکروسکوپی، داده‌های توالی‌یابی نسل جدید (NGS)، و پیش‌بینی ساختارهای زیستی ایفا کرده‌اند.

✨مرز میان زیست‌شناسی و علوم داده در حال کمرنگ شدن است.
و آینده زیست‌محاسبات، بدون تسلط نسبی بر ابزارهای یادگیری ماشین و هوش مصنوعی، قابل تصور نخواهد بود.

⭕️ اگر در این حوزه فعال هستید اما هنوز از یادگیری ماشین بهره نمی‌برید، شاید اکنون بهترین زمان برای بازنگری در مسیر پژوهشی‌تان باشد. ⭕️

در پست‌های بعدی، به سراغ جزئیات و کاربردهای دقیق‌تر (همراه با یک خبر ویژه) خواهیم رفت.

🗓با ما همراه باشید.
📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

پنجمین سمینار ملی فناوری های جایگزین حیوانات آزمایشگاهی😎

🔰دبیرعلمی: دکتر سید ابوالحسن شاهزاده فاضلی

⭐تاریخ برگزاری : 29-28 خرداد 1404

محل برگزاری : سالن همایش های بین المللی دانشگاه علم و فرهنگ

🔰عناوین نشست ها:
۱. تبیین مبانی کاربرد روش های جایگزین حیوانات آزمایشگاهی در پژوهش و آموزش

۲. روش های  in silico: جایگزینی نوین برای آزمایش های حیوانی در پژوهش های زیست پزشکی

۳. از مدل های حیوانی تا مدل های محاسباتی: آیا هوش مصنوعی میتواند جایگزین کامل آزمایش های حیوانی شود؟

۴. مدل های پیشران فناور پایه جهت جایگزینی مدل های حیوانی

۵. اخلاق در کار با حیوانات آزمایشگاهی

۶. مدل های حیوانی جایگزین جوندگان

🔗لینک ثبت نام:

https://B2n.ir/jr4176

📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

🔬 رازهای لقاح در آینه شبیه‌سازی‌ دینامیک مولکولی

🌌 سفری هیجان‌انگیز به دنیای JUNO و IZUMO1

✨ آیا می‌دانستید لقاح اسپرم و تخمک، حاصل ارتباط هماهنگ میان دو پروتئین کلیدی است؟

🤩با کمک شبیه‌سازی‌های دینامیک مولکولی، پرده از رازهای تعامل بین JUNO (در تخمک) و IZUMO1 (در اسپرم) برداشته شده است


🤩 این یافته‌ها می‌توانند در توسعه روش‌های درمان ناباروری نقش کلیدی ایفا کنند.

🤩دنیای زیست‌محاسباتی، هر روز ما را یک گام به رمزگشایی از پیچیده‌ترین پدیده‌های زیستی نزدیک‌تر می‌کند...

منبع:
Pacak, P., (2023). Molecular dynamics of JUNO-IZUMO1 complexation suggests biologically relevant mechanisms in fertilization. Scientific Reports.



📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

شکار هوشمندانه داروی سرطان پروستات با کمک هوش مصنوعی و گیاهان دارویی! 🌱🤖

 سرطان پروستات یکی از شایع‌ترین انواع سرطان در مردان است. پژوهشی تازه و جذاب منتشرشده در Scientific Reports نشان داده است که می‌توان با استفاده از هوش مصنوعی، شبیه‌سازی دینامیک مولکولی و ترکیبات گیاهی، داروهای جدیدی برای درمان این سرطان پیدا کرد.

❓در این مطالعه، پژوهشگران ابتدا بیش از ۹۰۰۰ ترکیب گیاهی را بررسی کردند تا ببینند کدام‌ها می‌توانند آنزیم کلیدی مرتبط با سرطان پروستات به نام PARP1 را مهار کنند.

💡 مراحل تحقیق:
   🍀استفاده از مدل‌های یادگیری ماشین مثل Random Forest و SVM برای شناسایی ترکیبات فعال.
  🍀اعمال فیلترهای دارویی (مانند قوانین لیپینسکی) برای انتخاب ترکیبات داروپذیر.
   🍀اجرای داکینگ مولکولی برای ارزیابی چسبندگی ترکیبات به سایت فعال آنزیم.
   🍀بررسی پایداری اتصال با شبیه‌سازی دینامیک مولکولی (MD) و تحلیل انرژی آزاد اتصال (MM-PBSA).
   🍀بررسی سمیت ترکیبات با کمک ابزارهای پیش‌بینی رایانه‌ای.
 
⭐️ در نهایت، دو ترکیب با کدهای ZINC14584870 و ZINC43120769 به عنوان مهارکننده‌های قوی و پایدار معرفی شدند که حتی از داروی معروف Olaparib نیز در برخی موارد عملکرد بهتری داشتند!

✔️ نکته جالب: این ترکیبات از منابع طبیعی گیاهی به‌دست آمده‌اند و از نظر سمیت نیز بی‌خطر گزارش شدند.

📈 این مطالعه، الگویی قدرتمند برای استفاده از هوش مصنوعی در طراحی داروهای آینده است؛ ترکیب دانش زیستی، گیاهان دارویی و محاسبات پیشرفته، مسیر درمان‌های نوین را هموار کرده است.
 
😀 مقاله کامل را می‌توانید در Nature - Scientific Reports با این DOI بخوانید:
https://doi.org/10.1038/s41598-025-97208-8


📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

🧑‍💻گام سوم از مسیر آموزش‌های In Silico با محوریت هوش مصنوعی

پس از برگزاری موفق دو کارگاه مقدماتی در حوزه‌های ریاضیات کاربردی و برنامه‌نویسی پایتون، اکنون در آستانه ورود به مرحله‌ای کلیدی و تخصصی قرار داریم:

🚩کارگاه سوم: آشنایی کاربردی با مفاهیم هوش مصنوعی در زیست‌شناسی محاسباتی

در این بخش از دوره، شرکت‌کنندگان با مبانی نظری و کاربردی یادگیری ماشین و هوش مصنوعی آشنا خواهند شد و خواهند آموخت چگونه از این ابزارها در تحلیل داده‌های زیستی، مدل‌سازی و طراحی سامانه‌های هوشمند بهره‌برداری کنند.
سرفصل‌های کلیدی کارگاه:
✔️ مروری بر مفاهیم پایه هوش مصنوعی و یادگیری ماشین
✔️ معرفی مدل‌های پرکاربرد و نحوه پیاده‌سازی آن‌ها
✔️ کاربرد عملی ابزارها و کتابخانه‌های مرتبط در پروژه‌های زیست‌محاسباتی

در صورت شرکت در دو کارگاه نخست، حضور در این بخش کمک می‌کند تا مسیر آموزشی شما به شکلی منسجم و هدفمند ادامه یابد.

همچنین، علاقه‌مندان جدید نیز می‌توانند با آمادگی اولیه مناسب در این کارگاه شرکت نمایند.

👋منتظر اطلاع‌رسانی‌های بعدی ما باشید
اطلاعات تکمیلی به‌زودی از طریق همین کانال در اختیار شما قرار خواهد گرفت💐


📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

آموزش کار با آلفافولد 👍

✨امروزه مدلسازی و پیش بینی ساختار پروتئین ها یکی از مهمترین بخش های تحقیقات زیست شناسی و پزشکی مدرن شده.

🍀ابزارهای مختلفی روز به روز دراین زمینه معرفی میشه. یکی از معروف ترین و پرکاربردترین ابزارها AlphaFold هست.

🍀با این که همه ی نسخه های آلفافولد به صورت رایگان عرضه شده، اما اجرای این مدل ها نیاز به سرور و سخت افزار قوی داره.

😍اما نگران نباش! برای هر مسئله ای راه حل وجود داره!

اگه میخوای خیلی راحت و سریع ساختار پروتئین ها رو با استفاده از آلفافولد پیش بینی کنی:

✔️  وارد این لینک شو.
https://colab.research.google.com/github/sokrypton/ColabFold/blob/main/AlphaFold2.ipynb

 ✔️اطلاعات خواسته شده رو مطابق راهنما وارد کن و نوت بوک رو run کن.

✔️بعد از اجرای نوت بوک، ساختارهای مورد نظرت آماده میشه.

به همین راحتی!
حتما حتما برای اینکه بتونی ساختارهای مناسب و دقیقی رو برای پروتئین ها پیش بینی کنی، این مقاله ی آموزشی نیچر
(https://www.nature.com/articles/s41596-024-01060-5 ) و مقاله ی ColabFold (https://pubmed.ncbi.nlm.nih.gov/35637307/ ) رو بخون!

این هم یک آموزش خوب دیگه:
https://www.ebi.ac.uk/training/online/courses/alphafold/


📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

🔬💊 طراحی دارو با کمک زیست محاسباتی و هوش مصنوعی

✔️طراحی دارو دیگر محدود به آزمون و خطاهای سنتی نیست.

امروزه با پیشرفت زیست‌محاسباتی و هوش مصنوعی، مسیرهای نوینی برای کشف و توسعه داروها ایجاد شده‌اند.

در این مقاله مروری، بررسی می‌کنیم که چگونه ابزارهای پیشرفته‌ای مثل:

🔹 شبیه‌سازی دینامیک مولکولی
🔹 روش‌های مکانیک کوانتومی

در درک مکانیسم بیماری، شناسایی نقاط اتصال دارویی و بهینه‌سازی ترکیبات مؤثر به کار می‌روند.

همچنین نگاهی داریم به روش‌های کلاسیک CADD (طراحی دارو به کمک کامپیوتر) مانند:

📌 مدل‌سازی فارماکوفور
📌 رابطه کمی ساختار-فعالیت (QSAR)

اما نقطه عطف ماجرا، ورود هوش مصنوعی به طراحی دارو است!
مدل‌هایی مثل:

🧠 VAE (خودرمزگذار متغیر)
🧠 GAN (شبکه مولد رقابتی)
🧠 Normalizing Flows

قادرند مولکول‌های جدید با ویژگی‌های دارویی خاص تولید کنند.

🎯 آینده‌ی طراحی دارو، هوشمند، هدفمند و سریع‌تر از همیشه است.

متن کامل مقاله جهت مطالعه بیشتر🌹

📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

🥳آزمایشگاه زیست‌شناسی محاسباتی رایا زیست آزما برگزار می‌کند:

👍پنجمین وبینار از مجموعه وبینارهای From Data to Discovery, From Code to Cure با عنوان:  شیمی محاسباتی و روشهای طلایی DFT و MD: ابزار و کاربردها

با حضور جناب آقای دکتر مختار نصراله پور: 

ایشان دکترای شیمی فیزیک را در سال ۱۴۰۲ از دانشگاه تربیت مدرس اخذ نمودند. پژوهش‌های ایشان با تمرکز اصلی بر طراحی و بهینه‌سازی مواد پیشرفته برای ذخیره‌سازی انرژی و سامانه‌های هوشمند دارورسانی انجام شده است. به‌کارگیری روش‌های دینامیک مولکولی (MD) و نظریه‌ی تابعی چگالی (DFT) برای مدل‌سازی سامانه‌های پیچیده، از پایه‌های اصلی تحقیقات ایشان در راستای توسعه فناوری‌های نوین در حوزه‌های انرژی پاک و پزشکی هدفمند است.

جهت کسب اطلاعات بیش‌تر، می‌توانید به صفحه‌ی گوگل اسکالر و لینکدین ایشان مراجعه نمائید.

🗓تاریخ: ٢۵ خرداد ماه
زمان: ١٨ الی ٢٠
ثبت‌نام: سایت رایازیست آزما 
توجه فرمایید: 
❗️هنگام ثبت‌نام در بخش نام کارگاه عبارت "وبینار MD و DFT" را وارد فرمایید.
شرکت در این وبینار به‌صورت رایگان است.
از شما دعوت می‌کنیم تا در این وبینار همراه ما باشید. منتظر حضور گرم شما هستیم!

📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

🔹سومین نشست زیست شناسی دانشگاه شاهد

✨3rd SHAHED BIOMEETING

♦️پرفسور سید داور سیادت
🦠میکروبیوم و پروبیوتیک(گذشته، حال و چشم انداز آینده)

♦️دکتر محمد کاظمی آشتیانی
🧪کاربرد مواد زیست فعال در مهندسی بافت

♦️دکتر سوده مهدیان
📈نقش روش های زیست محاسباتی در طراحی دارو

📆 زمان:
چهارشنبه، 21 خرداد، از ساعت 15 الی 19.30

▫️محل برگزاری:
تهران، خیابان شریعتی، نرسیده به طالقانی، جنب سینما صحرا، کانون اسلامی انصار

🔹 همراه با گواهی معتبر

🔸 ثبت نام از طریق لینک زیر:

https://evand.com/events/بیومیتینگ-نشست-جامع-علمی-زیست-شناسی-1295-1


📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website

🧑‍💻تشخیص زودهنگام سرطان پیش از علائم؛ آینده‌ای با شبیه‌سازی دینامیک مولکولی


📱 Telegram

📱 Instagram

📱 LinkedIn

📱 Website