بیوانفورشیمی

مفهوم ماتریس درهم‌ریختگی (Confusion Matrix) در هوش مصنوعی و یادگیری ماشین #هوش_مصنوعی @Artificial_Intelligence_Center

این پاسخ منه

اینم محتویات فایل های Dat هست.

موقع ران کردن هم این وارنینگ رو گرفتم

ممنونم ازتون دکتر من با فاصله‌ی 0.2 هر window رو انتخاب کردم و هر کدوم رو 20 نانوثانیه براش ران گذاشتم. این خروجی‌ها هست. میخواستم از خدمتتون سوال بپرسم بنظرتون مدت ران ها باید طولانی بشه یا تعداد فریم هایی که انتخاب شدن؟ ممنون میشم نظر ارزشمندتون رو بفرمایید واقعا کمک بزرگیه برام

نمودارهای خروجی smdبرای غشا و دارو هست

یکی از عزیزان در مورد مشکل احتمالی در نتایج شبیه سازی دینامیک مولکولی هدایت شده یا SMDسوالی پرسیدن که برای به اشتراک گذاری تجربیاتمون میذارم اینجا. من پاسخ خودم رو هم share میکنم اگر شما هم کامنتی دارید تبادل کنید.

نسخه لوکال هدداک ورژن 2.5 برای داکینگ پروتئین-پروتئین/پپتید. 🆔 کانال بیوانفورشیمی گروه بیوانفورشیمی

سوال یکی از محققین: سلام وقت بخیر برای پیدا کردن مهارکننده های دارای پتانسیل بعد از انجام داکینگ و شبیه سازی چطور باید off target آنالیز انجام بشه؟ و پاسخ بنده: مقالات مشابه رو ببینید و ایده هاشون رو بررسی کنید. بطور کلی و به لحاظ منطقی شما باید ببینید لیگاند شما به چه پروتئین هایی به جز تارگت اصلیتون احتمالا متصل خواهد شد. بنابراین اول نیاز به یک شبکه اینترکشن دارو - پروتئین دارید که میتونید از دیتابیس های مختلفی بدست بیارید. بعد ببرید توی cytoscape آنالیز کنید و یه لیست از تارگت ها رو استخراج کنید. سپس با استفاده از تکنیک reverse docking تمایل اتصالی رو بسنجید و بعدشم شبیه سازی و انرژی اتصال و... یه ابزار خوب برای reverse docking: https://yogeshgaikwad-labhelper.github.io/multidockweb.github.io/index.html شما هم اگر تجربه ای دارید به اشتراک بذارید تا ما و بقیه یاد بگیریم. 🆔 کانال بیوانفورشیمی گروه بیوانفورشیمی

جدیدترین نسخه ویندوزی نرم افزار VMD ورژن2 با ظاهری متفاوت، رابط کاربری آسان تر و امکانات بیشتر برای پژوهشگران محاسباتی. 🆔 کانال بیوانفورشیمی گروه بیوانفورشیمی

نرم افزار VMD ورژن 2.

هر چند که کامنت هایی به مقاله وارد هست، ولی برای فهم بهتر الگوها و کسب ایده در زمینه طراحی دارو و مطالعات متاآنالیز مقاله ی بدکی نیست. کاملا محاسباتی و پابلیش شده در اسکوپ مرتبط...

چند وقت پیش یه مقاله دریافت کردم برای داوری. از ژورنال فاخر hazmat با ایمپکت فکتور ۱۱.۳ نویسندگان گرامی با روایتی نه چندان هوشمندانه استروژن رو به محیط زیست ربط داده بودن و یک کار تماما محاسباتی ارائه کرده بودند. حداکثر تلاشم رو به کار گرفتم تا از بایاس به دور باشم و بیشترین زور حرفه ای گریم رو به اصطلاح بزنم تا داوری صادقانه ای ارائه بدم. باور کنید هر چی زور زدم بی فایده بود. متودولوژی خیلی جای کار داشت. کانسپت مطالعه زیر سوال بود، جلوه محاسبات بیشتر از عمق و دقتشون خودنمایی میکردن. راستش رو بخواید اسکوپ ژورنال رو در خصوص این مقاله چک‌نکردم ولی هر چی بالا پایین میکردم راه امیدی برای اکسپت به شرط ماژور ریویژن ندیدم. یکسری محاسبات کم وزن دنبال هم ردیف شده بودن تا بدون هر گونه تاییدیه آزمایشگاهی، ادعایی رو‌ در ژورنالی وزین منتشر کنن. با احترام و با توضیحات ۱۴ بندی نوشتم ریجکت. یک‌‌ ماه بعد ایمیل اومد فرست ریویژن. محاسبات قویتر شده بودن و انصافا تلاش خوبی صورت گرفته بود ولی همچنان ستونی زیر این کار نمیدیدم. هر چند که نباید کامنت جدیدی میدادم و به همین دلیل نوشتم نظر قبلیم پابرجاست. جونم براتون بگه که در نهایت با ماینر ریویژن رفت برای بازبینی دوم و طبیعتا در آینده نزدیک اکسپت خواهد شد. سطح داوران همکار هم در نوع خودشون جالب توجه بود. حتی یک نفر اشاره نکرده بود که بیخ و بن این کار ایراد داره. صرفا چنتا کامنت تکنیکال. ادیتور محترم هم به نظرات این عزیزان بسنده کردند. خواستم بدونید که خودتونو دست کم نگیرید. خدا رو چه دیدید. شاید شما هم در آینده ی نزدیک یه کار این سیلیکو فرستادید نیچر و رفت داوری و پابلیشم شد.😁 برداشت شما چیه؟ تجربه ای داشتید؟ اصولا دنبال پابلیش باشیم فقط؟ یا یه ذره هم فلسفه ی علم بدونیم و بجوییم؟ 🆔 کانال بیوانفورشیمی گروه بیوانفورشیمی

▫️چه زمانی باید استفاده از هوش مصنوعی مولد را به ناشر اعلام کنیم؟ ناشران معتبر بین‌المللی دستورالعمل‌هایی برای استفاده از هوش مصنوعی مولد در نگارش مقالات و کتاب‌ها تدوین کرده‌اند. در راهنمای هوش مصنوعی انتشارات وایلی (Wiley) آمده است که در صورت استفاده از هوش مصنوعی در موارد زیر، لازم است نویسندگان موضوع را به ناشر اعلام کنند: 1️⃣ هنگامی که بخشی از خروجی تولیدشده توسط هوش مصنوعی را به‌صورت مستقیم (verbatim) در اثر خود به کار می‌برید؛ 2️⃣ هنگامی که محتوای موجود را به‌طور قابل توجهی با کمک هوش مصنوعی ویرایش می‌کنید؛ 3️⃣ هنگامی که مواد تکمیلی (supplementary materials) مانند تصویر، جدول یا نمودار را با استفاده از هوش مصنوعی تولید می‌کنید؛ 4️⃣ هنگامی که تحلیل‌های مهمی انجام می‌دهید که بر نتیجه‌گیری‌های پژوهش شما اثرگذار است. وایلی موارد استفاده از هوش مصنوعی مولد در محتوای علمی را در چهار دسته‌ی اصلی طبقه‌بندی کرده است: نگارش و ویرایش متن (Writing and Editing) پژوهش و تحلیل (Research and Analysis) محتوای بصری (Visual Content) محتوای آموزشی (Educational Content) سپس در قالب جدولی، مواردی را که نیازمند اعلان (Declaration) و افشا (Disclosure) هستند و نیز مواردی که به چنین اقدامی نیاز ندارند، مشخص کرده است. در ادامه به این موارد اشاره می‌شود. نگارش و ویرایش متن نیازمند افشا: نگارش یا ویرایش بخش‌هایی از دستنوشته تولید مثال یا مطالعات موردی ترجمه محتوا نگارش یا بازنویسی بخش‌های اساسی دست‌نوشته ارائه تحلیل‌هایی که بر استدلال‌ها یا نتیجه‌گیری اثرگذار است نیازی به افشا نیست: اصلاحات جزئی گرامری یا املایی رفع اشکال نگارشی و نشانه‌گذاری انتخاب عنوان فصل یا بخش استفاده جزئی یا کم‌اهمیت از خروجی هوش مصنوعی مانند اضافه کردن یک کلمه پژوهش و آنالیز نیازمند افشا: سنتز یا آنالیز متون استدلال علمی شناسایی شکاف‌های پژوهشی استفاده از رفرنس‌های تولیدشده توسط هوش مصنوعی آنالیز و تفسیر داده تولید یا تغییر کد نیازی به افشا نیست: جستجوی ساده در متون علمی فرمت‌بندی رفرنس‌ها مدیریت رفرنس‌ها جستجو در دیتابیس‌ها محتوای بصری نیازمند افشا: تولید یا تغییر تصاویر، نمودارها و گراف‌ها تولید یا ویرایش عکس‌ها نیازی به افشا نیست: تغییرات جزئی مانند تغییر اندازه یا تنظیم روشنایی و کنتراست محتوای آموزشی نیازمند افشا: ایجاد تمرین یا سؤالات آموزشی طراحی سوالات یا روبریک‌ها نیازی به افشا نیست: فرمت‌بندی ساده مطالب آموزشی منبع 🆔 کانال بیوانفورشیمی گروه بیوانفورشیمی

ا## 🎯 Hidden Bias در دیتابیس‌های بزرگ (مثل TCGA) سلام به همه پژوهشگران نکته‌سنج! 🧠 وقتی از دیتابیس‌های بزرگ مثل TCGA، GEO/ENCODE، GTEx یا UK Biobank استفاده می‌کنیم، معمولاً خیال‌مون راحته که داده‌ها «استاندارد، کامل و قابل اعتماد» هستن. اما واقعیت اینه که این منابع هم پر از bias پنهان هستن که اگه حواس‌مون نباشه، کل نتیجه‌گیری اشتباه میشه. --- ا### ۱. Bias جمعیتی (Population Bias) * بیشتر داده‌های TCGA از بیماران آمریکایی/اروپایی جمع‌آوری شدن * نمایندگی جمعیت‌های آسیایی، آفریقایی یا خاورمیانه‌ای بسیار کمه * نتیجه: یافته‌ها لزوماً قابل تعمیم به همه جمعیت‌ها نیستن --- ا### ۲. Bias مربوط به نوع نمونه (Sample Source Bias) ا* بعضی cancer types تعداد زیادی نمونه دارن (مثل breast, lung)، بعضی دیگه خیلی محدودن ا* Stage یا grade بیماری در گروه‌ها یکسان نیست ا* نتیجه: مقایسه مستقیم گمراه‌کننده میشه --- ا### ۳. Batch Effect و Site Bias * داده‌ها در مراکز مختلف با دستگاه‌ها و پروتکل‌های متفاوت تولید شدن * نتیجه: ممکنه به‌جای تفاوت بیولوژیک، تفاوت تکنیکی رو نشون بده --- ا### ۴. Bias در داده‌های کلینیکی * اطلاعات بالینی بعضی بیماران ناقصه (age, survival, treatment) * گاهی تعریف outcome بین cancer types متفاوت ثبت شده * نتیجه: survival analysis بدون بررسی به نتایج غلط منجر میشه --- ا### ۵. Bias انتخابی (Selection Bias) * بیماران TCGA معمولاً مواردی بودن که tissue در دسترس بوده * نتیجه: نماینده‌ی کل طیف بیماری نیستن (بیشتر از جراحی، کمتر از متاستاتیک پیشرفته) --- ا### ۶. Bias زمانی (Temporal Bias) * داده‌های TCGA مربوط به دهه ۲۰۰۰ هستن * درمان‌ها و survival اون زمان با الان فرق می‌کنن * نتیجه: مقایسه مستقیم با cohort جدید misleading است --- ا### ۷. Bias در annotation ژنومی * بعضی variants یا fusions در زمان جمع‌آوری هنوز ناشناخته بودن ا* annotation اولیه ممکنه incomplete یا outdated باشه --- ## ✅ راهکارهای عملی کنترل Bias ۱. قبل از تحلیل: ا- Batch correction انجام بشه (مثل ComBat یا limma) ا- Re-annotation با دیتابیس‌های جدید (gnomAD, COSMIC, Ensembl) ۲. حین تحلیل: ا- Population stratification در نظر گرفته شه ا- Sample size و demographic balance چک شه ا- Missing data pattern بررسی شه ۳. بعد از تحلیل: ا- Validation در cohort مستقل انجام شه ا- Generalizability محدودیت‌ها گزارش شه --- ## 🧩 جمع‌بندی دیتابیس‌هایی مثل TCGA گنجینه‌های بی‌نظیر هستن، اما بدون درک biasها، مثل نقشه‌ای هستن که بخشی از مسیر رو نشون میده و بخشی رو مخفی می‌کنه. تحلیلگر حرفه‌ای باید قبل از هر مدل‌سازی، اول سراغ کنترل و گزارش biasها بره. #TCGA #Bias #BigData #CancerGenomics #بیوانفورماتیک #نکات_طلایی 🆔 کانال بیوانفورشیمی گروه بیوانفورشیمی

🎯 چطوری یه Cover Letter بنویسیم که ادیتور رو وادار به توجه کنه!! خیلی وقت‌ها نویسندگان کل انرژی رو روی مقاله می‌ذارن و Cover Letter رو در حد یک تشریفات کوتاه می‌نویسن. اما حقیقت اینه که ادیتور قبل از خوندن مقاله، همین نامه رو می‌بینه. و تصمیم اولیه‌اش (reject یا ارسال به داور) خیلی وقت‌ها به همین متن بستگی داره. اما چطور cover letter رو بنویسیم که در نگاه اول ریجکت نشه مقاله مون؟ ## ۱. مقدمه؛ کوتاه و محترمانه ادیتور باید در همان خط اول حس کنه با یک نویسنده حرفه‌ای طرفه: جمله‌ی استاندارد: "Dear Dr. [Editor's Name], We are pleased to submit our manuscript entitled '…' for consideration in [Journal Name]." ⚠️ نکته: نام Editor-in-Chief رو از سایت ژورنال پیدا کنید و حتماً درست بنویسید. ## ۲. معرفی ارزش افزوده مقاله (Novelty Statement) اینجا قلب Cover Letter است. باید در ۲–۳ جمله روشن کنید: - چه مشکلی رو بررسی کرده‌اید؟ - چه شکاف علمی (Gap) رو پر می‌کنید؟ - چرا نتایج شما جدید و ارزشمند هستن؟ ✍️ جملات قدرتمند: - "To our knowledge, this is the first study to demonstrate..." - "Our findings challenge the current understanding of..." - "We provide novel evidence that..." ## ۳. ارتباط با حوزه‌ی ژورنال + پیام کاربردی دو هدف در یک پاراگراف: - چرا این مقاله دقیقاً برای این ژورنال مناسبه - خواننده چه چیزی یاد می‌گیره 🔬 برای علوم پزشکی: کاربرد بالقوه در تشخیص یا درمان 💻 برای بیوانفورماتیک: ابزار یا روشی که استفاده‌ی عمومی داشته باشه ⚗️ برای علوم پایه: تأثیر بر فهم نظری موضوع ## ۴. Template عملی (۵ پاراگراف کوتاه) Dear Dr. [Editor's Name], We are pleased to submit our original research article entitled "[Title]" for consideration for publication in [Journal Name]. [2-3 جمله novelty]: Our study addresses... Unlike previous work... We demonstrate for the first time... This work aligns with [Journal Name]'s focus on... and will be of interest to your readers because... [clinical/practical implications]. We confirm this manuscript is original, not published elsewhere, and follows all ethical guidelines. [اضافه کنید اگر موردی هست: IRB approval, conflict of interest] Thank you for your consideration. Sincerely, [Corresponding Author Name & Affiliation] ## ۵. اشتباهات رایج (Red Flags) ❌ فوری رد می‌شه: - اشتباه در نام ژورنال یا ادیتور - کپی‌برداری از Cover Letter قبلی - متن خیلی کوتاه (کمتر از ۳ پاراگراف) - عدم ذکر originality ❌ باعث بی‌اعتمادی میشه: - اغراق بیش از حد ("انقلابی است") - تکرار Abstract - لحن دستوری ("باید چاپ شود") ## 🧩 جمع‌بندی ا Cover Letter دروازه ورود مقاله به فرآیند داوری است. در ۱۰۰-۱۵۰ کلمه باید ادیتور رو متقاعد کنید که مقاله شما ارزش خوندن داره. #نکات_طلایی #CoverLetter #JournalSubmission #AcademicWriting #ResearchTips 🆔 کانال بیوانفورشیمی گروه بیوانفورشیمی