Academic_science

02 September 2026 08:34

زنده باد آن کس که هست از جان هوادار وطن

هم‌وطن غمخوار او، هم اوست غمخوار وطن

📜رهی معیری

@academic_science

Academic_science

30 August 2026 16:51

برگزاری تافل،دولینگو و GRE در ایران متوقف شد؛ آزمون‌های رزروشده نیز در حال لغو هستند

پس از تعلیق مجوز آموزشی General License G توسط وزارت خزانه‌داری آمریکا، در 24 آگوست2026، وقت‌های آینده آزمون TOEFL در سنترهای ایران به‌صورت گسترده از سیستم ETS حذف شدند.
مجموعه این اتفاقات نشان می‌دهد برگزاری حضوری TOEFL در ایران عملاً
متوقف شده است!

@academic_science

Academic_science

29 August 2026 10:33

🌿اطلاعیه انتشار تبلیغات

همراهان گرامی کانال و گروه آکادمیک ساینس،

خواهشمندیم در صورت تمایل به انتشار هرگونه تبلیغات در کانال، پیش از ارسال، با ادمین محترم هماهنگی لازم را به عمل آورید.

لطفاً از انتشار هرگونه محتوای تبلیغاتی بدون هماهنگی و تأیید قبلی خودداری فرمایید.
پس از بررسی و تأیید، محتوای تبلیغاتی موردنظر توسط ادمین در کانال منتشر خواهد شد.

از همراهی، اعتماد و همکاری ارزشمند شما صمیمانه سپاسگزاریم.🌱🌾

@academic_science

Academic_science

28 August 2026 10:10

🧬🔬 تصویربرداری اپتیکی از فعالیت‌های متابولیکی در سطح تک‌سلول!

🧪 پژوهش جدیدی در Nature Methods روشی با عنوان REDCAT معرفی کرده که امکان نقشه‌برداری چندوجهی (Multimodal) از فعالیت‌های متابولیکی را با تفکیک نوع سلول فراهم می‌کند.

✨ این روش به پژوهشگران اجازه می‌دهد فعالیت‌های متابولیکی سلول‌های مختلف را به‌صورت All-optical و با جزئیات بالا بررسی کنند؛ یعنی بدون نیاز به جداسازی سلول‌ها، بتوان تفاوت‌های متابولیکی بین انواع سلولی را در محیط بافت مشاهده کرد.

🔍 چرا مهم است؟

🧫 بررسی متابولیسم در سطح Single-cell
🧬 تفکیک فعالیت‌های متابولیکی بر اساس نوع سلول
🌈 ترکیب چندین شاخص متابولیکی در یک پلتفرم تصویربرداری
🧠 کمک به درک بهتر تعامل بین متابولیسم و عملکرد سلولی
🩺 پتانسیل کاربرد در مطالعه بیماری‌ها و تغییرات متابولیکی بافت‌ها

📌 به‌طور خلاصه، REDCAT می‌تواند دید دقیق‌تری از این موضوع بدهد که هر نوع سلول در یک بافت چه فعالیت متابولیکی‌ای دارد و چگونه این فعالیت‌ها با یکدیگر تفاوت می‌کنند.

📖 منبع: Nature Methods
🔗 https://share.google/klYb6Yv3ZFiUz9rzW

#🔬بیوتکنولوژی #🧬زیست_شناسی #🧪متابولیسم #🔬SingleCell #🧫سلول #📊Imaging #NatureMethods #REDCAT

Academic_science

27 August 2026 11:58

🧬هدیه ای کوچک
🧬AMGG:
Advanced Medical Genetics and Genomics

🌱یک قدم کوچک برای علاقه‌مندان ژنتیک پزشکی

یکی از کلاس‌های ژنتیک را به‌صورت جلسه‌به‌جلسه در این کانال به اشتراک می‌گذارم؛ همراه با فایل صوتی کلاس به زبان اصلی و اسلایدهای هر جلسه.

اگر به ژنتیک پزشکی علاقه‌مند هستید و در عین حال دوست دارید زبان انگلیسی تخصصی خود را تقویت کنید و حال‌وهوای یک کلاس دانشگاهی را تجربه کنید،
🔓 می‌توانید به این کانال بپیوندید.

✍️ قدم کوچکی برای بچه‌های سرزمین عزیزمان ایران
به امید اینکه یادگیری، حتی از فاصله‌ای دور، راهی برای نزدیک‌تر شدن به رویاهایمان باشد.

🧬اگر درخواست عضویت دادید، لطفاً منتظر تأیید درخواست خود باشید

/channel/+JiTEHiptIYVhMDlk

Academic_science

27 August 2026 10:57

Long-read sequencing reveals pre-meiotic gene conversion in sperm | Nature
@academic_science

Academic_science

27 August 2026 07:34

به کاشتن بذر ها ادامه بده 🪴
یک روز تو باغی که آرزوش رو داشتی بیدار میشی🌱🪵

@academic_science

Academic_science

25 August 2026 10:48

🧬 کروموزوم‌ها چطور جفتِ درست خودشان را پیدا می‌کنند؟

دانشمندان ETH Zurich سرنخ جالبی برای یکی از پرسش‌های مهم زیست‌شناسی پیدا کرده‌اند: وقتی سلول قرار است اسپرم یا تخمک بسازد، کروموزوم‌های مشابه چطور در میان شلوغی هسته، جفت مناسب خودشان را پیدا می‌کنند؟ 🔬

در فرایند میوز (Meiosis)، کروموزوم‌های مادری و پدریِ مشابه باید یکدیگر را پیدا کرده و موقتاً کنار هم قرار بگیرند تا بعداً به‌درستی بین سلول‌های جنسی تقسیم شوند. اگر کروموزوم‌ها اشتباه جفت شوند، تقسیم کروموزومی می‌تواند دچار خطا شود. ⚠️

اما نکته جذاب اینجاست: پژوهشگران روی مگس میوه 🪰 دریافتند بخش‌هایی از DNA که مدت‌ها «DNA زائد» (Junk DNA) تصور می‌شدند، در واقع می‌توانند نقش یک بارکد مولکولی را داشته باشند! 🏷️🧬

این بخش‌ها که به آن‌ها Satellite DNA گفته می‌شود، الگوهای تکراری و مخصوصی روی هر جفت کروموزوم دارند. این الگوها کمک می‌کنند کروموزوم‌های مشابه یکدیگر را شناسایی کنند.

🔬 پژوهشگران برای آزمایش این ایده، بارکدهای DNA را روی دو کروموزوم مختلف حذف کردند. نتیجه جالب بود: وقتی هر دو کروموزوم بدون «بارکد» بودند، دیگر نمی‌توانستند جفت واقعی خودشان را به‌درستی تشخیص دهند و در موارد زیادی با کروموزوم اشتباه جفت شدند.

اما شناسایی به‌تنهایی کافی نیست. پروتئینی به نام D1 نقش نوعی «چسب مولکولی» را ایفا می‌کند؛ این پروتئین الگوهای مناسب را تشخیص می‌دهد و کروموزوم‌های صحیح را کنار هم نگه می‌دارد. 🧩

🌍 حتی یک پیامد تکاملی جالب هم وجود دارد:

Satellite DNA نسبتاً سریع تغییر می‌کند. اگر یک جمعیت جانوری برای مدت طولانی از جمعیت دیگری جدا شود، این «بارکدهای کروموزومی» می‌توانند آن‌قدر تغییر کنند که پس از بازگشت دو جمعیت به یکدیگر، کروموزوم‌هایشان دیگر به‌درستی جفت نشوند.

این موضوع می‌تواند یکی از مکانیسم‌های ایجاد جدایی تولیدمثلی و شکل‌گیری گونه‌های جدید باشد. 🧬🌱

البته فعلاً این سازوکار در مگس میوه (Drosophila) نشان داده شده و هنوز مشخص نیست همین مکانیسم دقیقاً در انسان هم وجود داشته باشد.

📌 بنابراین شاید وقتش رسیده باشد عبارت «DNA زائد» را با احتیاط بیشتری به کار ببریم؛ بخشی از این DNA ظاهراً کار بسیار مهمی در نظم‌دهی به کروموزوم‌ها دارد.

https://share.google/2HshPrnnf7Tma931X

Academic_science

24 August 2026 15:39

زندگی مِنهای اینستاگرام
🔺اینستاگرام بخشی از زندگی را انتخاب می‌کند، قاب می‌گیرد، فیلتر می‌کند و بعد همان بخش انتخاب‌شده را به عنوان تصویری از «زندگی» پیش چشم ما می‌گذارد. تصویری که در آن آدم‌ها معمولاً خوشحال‌اند، خانه‌ها مرتب‌اند، سفرها همیشه دلچسب‌اند، رابطه‌ها عاشقانه‌اند، بدن‌ها ایده‌آل‌اند، غذاها زیبا هستند و حتی غم و شکست هم گاهی با یک قاب زیبا و موسیقی مناسب منتشر می‌شود. اما آنچه در این قاب نیست، شاید خودِ زندگی باشد.
🔺زندگیِ واقعی الزاماً قابل انتشار نیست. شاید بخش مهمی از آن اصلاً نباید منتشر شود. مگر کسی از تمام ساعت‌هایی که در سکوت با خودش جنگیده، از روزهایی که پول کم آورده، از اضطراب امتحان، از ترس آینده، از دعوای خانوادگی، از شکست عشقی، از بیماری، از خستگی و از روزهایی که هیچ اتفاق خاصی نیفتاده است، استوری می‌گذارد؟ ما اما همین بخش‌های ندیده زندگی دیگران را با تمام زندگی خودمان مقایسه می‌کنیم.
🔺زندگی مِنهای اینستاگرام شاید زندگی بدون تکنولوژی نباشد؛ زندگی بدون مقایسه است. زندگی بدون اینکه هر لحظه مجبور باشیم برای انتخاب‌هایمان لایک و تأیید داشته باشیم.
🔗 mehrnews.com/x3cSCL

Academic_science

23 August 2026 16:16

مقاله در Nature Protocols در ۲۴ ژوئیه ۲۰۲۶ منتشر شده و یک راهنمای مرحله‌به‌مرحله برای استفاده از LLMها در پژوهش و مراقبت پزشکی ارائه می‌کند.

Nature


🧠🔬 چطور از مدل‌های زبانی بزرگ (LLM) در پژوهش پزشکی استفاده کنیم؟

یک مقاله آموزشی جدید در Nature Protocols یک چارچوب عملی برای استفاده از مدل‌هایی مثل GPT، Claude، Gemini، Llama و سایر LLMها در پژوهش پزشکی ارائه کرده است.

نکته مهم مقاله این است که استفاده از هوش مصنوعی در پزشکی فقط به «پرسیدن سؤال از ChatGPT» محدود نمی‌شود؛ بلکه باید یک فرایند علمی و قابل ارزیابی داشته باشیم. 👇

🧩 ۱. اول «مسئله» را مشخص کنید

قبل از انتخاب مدل یا نوشتن Prompt باید دقیقاً مشخص کنیم LLM قرار است چه کاری انجام دهد.

برای مثال:

🔹 خلاصه‌سازی مقالات و متون پزشکی
🔹 استخراج اطلاعات از پرونده‌های پزشکی
🔹 طبقه‌بندی و سازمان‌دهی داده‌ها
🔹 پاسخ‌گویی به سؤالات پزشکی
🔹 کمک به مرور متون و شواهد علمی
🔹 تطبیق بیماران با کارآزمایی‌های بالینی
🔹 تولید یا خلاصه‌سازی مستندات بالینی
🔹 استخراج مفاهیم و روابط از متون زیست‌پزشکی

🎯 هرچه Task دقیق‌تر تعریف شود، انتخاب مدل و ارزیابی عملکرد آن آسان‌تر خواهد بود.

🤖 ۲. هر LLM برای هر کاری مناسب نیست

یکی از نکات کلیدی مقاله، انتخاب مدل متناسب با Task است.

هنگام انتخاب مدل باید مواردی مثل این‌ها را در نظر گرفت:

📌 نوع وظیفه
📌 نوع و حجم داده
📌 طول Context موردنیاز
📌 دقت مورد انتظار
📌 توانایی مدل در استدلال و کار با داده‌های پزشکی
📌 قابلیت پردازش متن، تصویر یا داده‌های چندوجهی
📌 هزینه و سرعت
📌 امکان استفاده از API یا اجرای مدل در محیط اختصاصی

بنابراین صرفاً اینکه یک مدل در یک Benchmark پزشکی عملکرد خوبی داشته، به این معنی نیست که برای پروژه شما بهترین انتخاب است.

✍️ ۳. Prompt Engineering؛ سؤال خوب، خروجی بهتر

یکی از بخش‌های مهم مقاله به طراحی Prompt اختصاص دارد.

به جای اینکه فقط بنویسیم:

❌ «این مقاله را خلاصه کن.»

بهتر است وظیفه، زمینه، محدودیت‌ها و قالب خروجی را مشخص کنیم.

مثلاً:

📝 «متن زیر را به‌عنوان یک پژوهشگر پزشکی تحلیل کن.
۱. سؤال پژوهش را مشخص کن.
۲. جمعیت مورد مطالعه را استخراج کن.
۳. روش مطالعه را توضیح بده.
۴. مهم‌ترین یافته‌ها را همراه با محدودیت‌ها بیان کن.
۵. مواردی را که در متن ذکر نشده‌اند، حدس نزن.»

این نوع ساختار باعث می‌شود خروجی قابل‌استفاده‌تر و قابل‌ارزیابی‌تر باشد.

🧪 ۴. Few-shot prompting

در بعضی کارهای تخصصی می‌توان چند نمونه از ورودی و خروجی مطلوب را به مدل نشان داد.

مثلاً اگر هدف، استخراج نام بیماری، دارو و عارضه جانبی از متن پزشکی باشد، چند نمونه صحیح به مدل داده می‌شود و سپس متن جدید برای پردازش ارائه می‌شود.

این روش می‌تواند به مدل کمک کند الگوی موردنظر پژوهشگر را بهتر درک کند. 🔍

🧬 ۵. وقتی Prompt کافی نیست: Fine-tuning

گاهی یک مدل عمومی برای یک کار تخصصی کافی نیست.

در این شرایط می‌توان مدل را با داده‌های اختصاصی برای یک Task خاص Fine-tune کرد.

مثلاً:

🧬 داده‌های زیست‌پزشکی
🏥 متون بالینی
📄 گزارش‌های پزشکی
🔬 مقالات تخصصی
🧪 داده‌های یک حوزه خاص از پزشکی

اما Fine-tuning همیشه بهترین راه‌حل نیست و هزینه، کیفیت داده آموزشی و خطر انتقال خطا یا سوگیری باید در نظر گرفته شود.

📚 ۶. استفاده از منابع خارجی و RAG

یکی از چالش‌های مهم LLMها این است که ممکن است پاسخی تولید کنند که ظاهراً درست است اما از نظر علمی اشتباه باشد؛ یعنی همان چیزی که معمولاً با عنوان Hallucination شناخته می‌شود.

برای کاهش این مشکل، می‌توان مدل را به منابع معتبر متصل کرد؛ برای مثال:

📖 مقالات علمی
📚 راهنماهای بالینی
🧬 پایگاه‌های داده زیست‌پزشکی
🏥 پروتکل‌های بیمارستانی
📑 اسناد و منابع اختصاصی یک پروژه

در روش‌هایی مانند RAG (Retrieval-Augmented Generation)، ابتدا اطلاعات مرتبط بازیابی می‌شود و سپس مدل بر اساس آن‌ها پاسخ تولید می‌کند.

این رویکرد می‌تواند برای کارهای پزشکی که نیاز به اطلاعات مستند و به‌روز دارند بسیار مهم باشد.

⚠️ ۷. خروجی LLM را «حقیقت علمی» فرض نکنید!

این شاید مهم‌ترین پیام مقاله باشد.

حتی اگر یک مدل پاسخ بسیار حرفه‌ای و قانع‌کننده ارائه کند، ممکن است:

❌ اطلاعات نادرست تولید کند
❌ منبع جعلی ایجاد کند
❌ بخشی از اطلاعات را حذف کند
❌ در استدلال دچار خطا شود
❌ تحت تأثیر Bias قرار بگیرد
❌ در گروه‌های مختلف بیماران عملکرد متفاوتی داشته باشد

بنابراین در پژوهش پزشکی، ارزیابی انسانی و اعتبارسنجی علمی ضروری است.

به زبان ساده:

🤖 LLM می‌تواند دستیار پژوهشگر باشد؛
👨‍⚕️ اما نباید بدون نظارت، جایگزین قضاوت علمی و پزشکی شود.

📊 ۸. فقط Accuracy کافی نیست!

برای ارزیابی یک LLM در پزشکی، نباید فقط بپرسیم:

Academic_science

23 August 2026 10:49

در مطالعات ملانوم، یکی از کاربردهای مهم V940 این است که بعد از جراحی و برداشتن تومور، به سیستم ایمنی کمک کند تا اگر سلول‌های سرطانی باقی‌مانده در بدن وجود دارند، آن‌ها را شناسایی کند.

یعنی:

🔪 جراحی → تومور قابل مشاهده برداشته می‌شود

⬇️

🧬 واکسن → سیستم ایمنی با اهداف اختصاصی تومور آموزش می‌بیند

⬇️

🛡️ Keytruda → فعالیت سلول‌های T تقویت می‌شود

⬇️

🎯 هدف → کاهش احتمال برگشت سرطان

مطالعه فاز ۳ نیز دقیقاً در حال بررسی این است که V940 به همراه pembrolizumab آیا نسبت به pembrolizumab به‌تنهایی می‌تواند احتمال عود را کاهش دهد یا خیر.
C
ClinicalTrials.gov

🌍 آیا فقط برای ملانوم است؟

نه.

Moderna و Merck در حال بررسی این فناوری در سرطان‌های دیگری نیز هستند؛ از جمله سرطان ریه غیرکوچک (NSCLC) و چندین نوع سرطان دیگر.

برای مثال، یک مطالعه فاز ۳ در سرطان ریه غیرکوچک کاملاً برداشته‌شده در حال بررسی V940 به همراه pembrolizumab است.
C
ClinicalTrials.gov

همچنین مطالعاتی برای سرطان سلول سنگفرشی پوست، سرطان کلیه و سرطان مثانه در حال انجام است.
M
Merck.com

⚠️ اما یک نکته بسیار مهم

با وجود نتایج امیدوارکننده، هنوز نباید گفت:

❌ «واکسن سرطان کشف شده است.»

یا:

❌ «Moderna سرطان را درمان کرده است.»

V940 هنوز یک درمان تحقیقاتی است و نتایج فازهای بزرگ‌تر باید مشخص کنند که این مزیت در جمعیت‌های بزرگ‌تر و سرطان‌های مختلف تا چه اندازه پایدار است.

قوی‌ترین شواهد فعلی مربوط به ملانوم پرخطر پس از جراحی است و نمی‌توان نتایج آن را مستقیماً به همه سرطان‌ها تعمیم داد.
M
Merck.com

🔥 چرا این فناوری با واکسن‌های معمولی فرق دارد؟

واکسن‌های معمولی معمولاً برای تعداد زیادی از افراد یک فرمول مشخص دارند.

اما اینجا داستان می‌تواند چیزی شبیه «پزشکی فوق‌شخصی‌سازی‌شده» باشد:

👤 بیمار اول
→ تومور اول
→ جهش‌های اول
→ نئوآنتی‌ژن‌های اول
→ واکسن اول

👤 بیمار دوم
→ تومور دوم
→ جهش‌های دوم
→ نئوآنتی‌ژن‌های دوم
→ واکسن دوم

یعنی ممکن است دو بیمار مبتلا به یک نوع سرطان، واکسن‌های mRNA متفاوتی دریافت کنند.

🚀 آینده سرطان شاید به این سمت برود...

ترکیب چند فناوری می‌تواند مسیر جدیدی در درمان سرطان ایجاد کند:

🧬 توالی‌یابی ژنوم تومور

🤖 هوش مصنوعی و الگوریتم‌های پیش‌بینی

🎯 شناسایی نئوآنتی‌ژن‌ها

💉 واکسن‌های mRNA شخصی‌سازی‌شده

🛡️ ایمونوتراپی و مهارکننده‌های نقاط کنترلی

همه این‌ها در نهایت یک هدف دارند:

به سیستم ایمنی یاد بدهند دقیق‌تر بفهمد «چه چیزی سرطان است» و سپس توانایی بیشتری برای حمله به آن داشته باشد.

شاید مهم‌ترین نکته درباره V940 همین باشد:

🧬 قرار نیست فقط یک دارو به سرطان حمله کند؛ هدف این است که خودِ سیستم ایمنی بیمار آموزش ببیند تا سرطان را بهتر شناسایی کند. 🤖💉🛡️

#سرطان #Cancer #Moderna #mRNA #واکسن_سرطان #ایمونوتراپی #ژنتیک #ژنوم #هوش_مصنوعی #AI #پزشکی_دقیق #PrecisionMedicine #ملانوم #بیوتکنولوژی

Academic_science

22 August 2026 21:29

🧬🤖 PubMind؛ وقتی هوش مصنوعی میلیون‌ها مقاله ژنتیکی را می‌خواند!

📚 هر روز هزاران مقاله علمی درباره ژن‌ها، جهش‌های ژنتیکی و بیماری‌ها منتشر می‌شود. اما بخش بزرگی از اطلاعات مهم این مقالات به‌صورت متن خام باقی می‌ماند و پیدا کردن ارتباط بین یک جهش ژنتیکی، عملکرد آن و یک بیماری می‌تواند برای پژوهشگران بسیار زمان‌بر باشد.

حالا پژوهشگران یک چارچوب هوش مصنوعی به نام PubMind توسعه داده‌اند که برای حل همین مشکل طراحی شده است. 🧠🔬

🧠 PubMind دقیقاً چه کار می‌کند؟

این سیستم از مدل‌های زبانی بزرگ (LLM) برای خواندن و تحلیل متون پزشکی استفاده می‌کند و می‌تواند از دل مقالات علمی اطلاعاتی مثل:

🧬 انواع مختلف تغییرات ژنتیکی
🦠 ارتباط یک واریانت با بیماری
⚙️ اثر یا عملکرد احتمالی واریانت
📖 شواهد علمی پشتیبان
🧪 میزان احتمال بیماری‌زا بودن یک واریانت

را استخراج و به داده‌های ساختاریافته تبدیل کند.

نکته مهم این است که PubMind فقط روی یک نوع جهش تمرکز ندارد؛ بلکه می‌تواند جهش‌های تک‌نوکلئوتیدی (SNV)، تغییرات تعداد نسخه (CNV)، تغییرات ساختاری (SV) و حتی gene fusionها را شناسایی کند و اطلاعات آن‌ها را به مختصات ژنومی و ترنسکریپتی استاندارد تبدیل کند. 🧬

📚 مقیاس این پروژه واقعاً بزرگ است

پژوهشگران PubMind را روی بیش از:

🔹 ۴۱ میلیون چکیده PubMed
🔹 بیش از ۵ میلیون مقاله متن‌کامل دسترسی‌آزاد

اجرا کردند.

خروجی این پردازش عظیم، پایگاه داده‌ای به نام PubMind-DB است که حدود ۱.۳ میلیون واریانت ژنتیکی منحصربه‌فرد را در خود جای داده است. 📊🧬

🎯 دقت هوش مصنوعی چقدر بوده؟

در ارزیابی‌ها، PubMind در شناسایی واریانت‌های ژنتیکی بیش از ۹۰٪ دقت داشته و برای استخراج بیماری‌ها به حدود ۹۹٪ precision رسیده است. 🤯

اما شاید جالب‌ترین بخش ماجرا این باشد:

🔎 فقط حدود ۱۰٪ از واریانت‌های موجود در PubMind-DB با ClinVar هم‌پوشانی داشتند.

یعنی PubMind توانسته حجم قابل‌توجهی از اطلاعات مربوط به واریانت‌هایی را پیدا کند که در پایگاه ClinVar وجود نداشتند.

از طرف دیگر، برای بیش از ۸۰٪ از واریانت‌های مشترک، برچسب بیماری‌زایی PubMind با ClinVar همخوانی داشت. برای واریانت‌هایی که توسط متخصصان خبره بررسی شده بودند نیز توافق بسیار بالایی گزارش شد. 🧪✅

🩺 چرا این موضوع مهم است؟

فرض کنید یک پزشک یا پژوهشگر با یک واریانت ژنتیکی نادر روبه‌رو شود.

ممکن است اطلاعات مربوط به آن در چندین مقاله مختلف پراکنده باشد؛ یک مقاله درباره ارتباط آن با بیماری صحبت کند، مقاله دیگری درباره عملکرد مولکولی آن و مقاله‌ای دیگر درباره بیماری‌زا بودن احتمالی آن.

پیدا کردن و کنار هم گذاشتن دستی این اطلاعات می‌تواند بسیار دشوار و زمان‌بر باشد. ⏳

💡 PubMind تلاش می‌کند این فرآیند را خودکار کند و اطلاعات پراکنده در ادبیات علمی را به یک ارتباط ساختاریافته تبدیل کند:

واریانت 🧬 ← بیماری 🩺 ← عملکرد ⚙️ ← شواهد علمی 📚

این قابلیت می‌تواند در حوزه‌هایی مثل پزشکی دقیق، تفسیر واریانت‌های ناشناخته و مطالعه بیماری‌های ژنتیکی بسیار ارزشمند باشد.

⚠️ آیا PubMind می‌تواند جای پزشک را بگیرد؟

خیر.

PubMind بر اساس اطلاعات موجود در مقالات علمی، شواهد را استخراج و دسته‌بندی می‌کند. بنابراین خروجی آن بیشتر یک ابزار برای جمع‌آوری، سازمان‌دهی و اولویت‌بندی شواهد علمی است، نه یک سیستم تشخیص پزشکی مستقل.

🚀 آینده چه شکلی خواهد بود؟

شاید یکی از مهم‌ترین کاربردهای مدل‌های زبانی بزرگ در زیست‌شناسی این نباشد که فقط به سؤال‌های ما پاسخ دهند؛ بلکه بتوانند حجم عظیمی از دانش پراکنده علمی را بخوانند و آن را به داده‌های ساختاریافته و قابل استفاده تبدیل کنند.

PubMind نمونه‌ای از همین مسیر است:

🤖 هوش مصنوعی میلیون‌ها مقاله را بررسی می‌کند
🧬 واریانت‌های ژنتیکی را پیدا می‌کند
🔗 ارتباط آن‌ها با بیماری‌ها و عملکردهای زیستی را استخراج می‌کند
📊 و این اطلاعات را در قالبی قابل تحلیل در اختیار پژوهشگران قرار می‌دهد.

در واقع، اینجا هوش مصنوعی فقط مقاله نمی‌خواند؛ بلکه از دل ادبیات علمی، دانش ژنتیکی استخراج می‌کند. 🧬🤖📚

#هوش_مصنوعی #AI #ژنتیک #Genomics #LLM #پزشکی_دقیق #PrecisionMedicine #بیوانفورماتیک #زیست_فناوری #پژوهش

Academic_science

22 August 2026 21:21

🧬🤖 هوش مصنوعی بخشی از «کد فعال‌سازی» ژن‌های انسان را کشف کرد!

🔬 پژوهشگران دانشگاه کالیفرنیا سن‌دیگو با کمک هوش مصنوعی موفق شدند الگوی DNA مربوط به بخشی کلیدی به نام Initiator را شناسایی کنند؛ بخشی که نقش مهمی در شروع فعال شدن ژن‌ها دارد.

🧪 محققان فعالیت حدود ۵۰۰ هزار نسخه متفاوت از این توالی DNA را بررسی کردند و سپس داده‌ها را در اختیار یک مدل یادگیری ماشین قرار دادند. 🤖 مدل هوش مصنوعی توانست الگوی مشخص این بخش را شناسایی و رمزگشایی کند.

🧬 نکته جالب اینکه حدود ۶۰٪ از ژن‌های انسان دارای این توالی هستند.

🩺 اهمیت این کشف فقط در شناخت بهتر DNA نیست. پژوهشگران می‌توانند از این مدل برای بررسی اینکه جهش‌های DNA چگونه روی فعال شدن ژن‌ها تأثیر می‌گذارند و چه ارتباطی با بیماری‌هایی مانند سرطان دارند، استفاده کنند.

🚀 در آینده، این یافته حتی می‌تواند به طراحی توالی‌های مصنوعی DNA برای کنترل دقیق‌تر فعالیت ژن‌ها کمک کند.

💡 ترکیب زیست‌شناسی و هوش مصنوعی حالا دارد به یکی از پیچیده‌ترین سیستم‌های اطلاعاتی جهان، یعنی DNA انسان، نگاه تازه‌ای می‌اندازد.
https://today.ucsd.edu/story/researchers-use-ai-to-decode-key-dna-sequence-in-gene-activation

#هوش_مصنوعی #AI #DNA #ژنتیک #زیست_فناوری #پژوهش #علم

🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈

🌐 @academic_science

Academic_science

22 August 2026 10:17

🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈

🌐 @academic_science

Academic_science

21 August 2026 20:08

انتشارات وایلی دیگر پژوهشگران ایرانی را از پرداخت هزینه‌های انتشار مقاله معاف نمی‌کند.

بر اساس مکاتبات رسمی اخیر، انتشارات ویلی (Wiley) در برخی موارد اعلام نموده است که امکان اعفاء از هزینه انتشار بر اساس مکان جغرافیایی (Geographical APC Waiver) برای ایران فراهم نمی‌باشد؛ در حالی که پژوهشگران ایرانی هم‌زمان با محدودیت‌های جدی بانکی، تحریم‌ها و هزینه‌های بسیار بالای انتشار (APC) مواجه هستند.

در چنین شرایطی، حذف یا محدود شدن این اعفاء صرفاً یک مسئله مالی محسوب نمی‌شود، بلکه می‌تواند مستقیماً بر امکان انتشار در دسترس آزاد (Open Access)، دیده‌شدن پژوهش‌ها و حضور بین‌المللی پژوهشگران ایرانی تأثیر بگذارد.

🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈

🌐 @academic_science

Academic_science

01 September 2026 10:40

🍁
ای دل غم جهان مخور این نیز بگذرد
دنیا چو هست بر گذر این نیز بگذرد

گر بد کند زمانه تو نیکو خصال باش
بگذشت ازین بسی بسر این نیز بگذرد

ور دور روزگار نه بر وفق رای تست
انده مخور که بیخبر این نیز بگذرد

یک حمله پای دار که مردان مرد را
بگذشت ازین بسی بتر این نیز بگذرد

منت خدای را که شب دیر پای غم
افتاد بادم سحر این نیز بگذرد

Academic_science

29 August 2026 20:15

سازمان دارویی اروپا (EMA) داروی ایرانی «زندوریا» را برای درمان پوکی استخوان در سراسر اتحادیه اروپا تأیید کرده است.

این نخستین بار است که یک داروی بیولوژیک تولید و توسعه‌یافته در خاورمیانه، تأییدیه اتحادیه اروپا را دریافت می‌کند و این دارو در ایران ساخته شده است.

🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈

🌐 @academic_science

Academic_science

29 August 2026 08:31

جهان و کار جهان جمله هیچ در هیچ است

هزار بار من این نکته کرده‌ام تحقیق

📜حافظ

@academic_science

Academic_science

28 August 2026 08:31

🍃باد همچنان به وزیدن ادامه می‌دهد،
اما درخت هرگز فراموش نمی‌کند که به کجا تعلق دارد.

هر شاخه‌ای خم می‌شود،
هر برگ می‌لرزد،
اما ریشه‌ها در تمام این مدت، در سکوت و آرامش باقی می‌مانند.🪵

شاید قدرت این نیست که دست‌نخورده و بدون تغییر بایستی.
شاید قدرت واقعی این باشد که یاد بگیری حرکت کنی،
بدون اینکه خودت را گم کنی.🛘


The wind keeps moving,
but the tree never forgets where it belongs.🪾

Every branch bends,
every leaf trembles,
yet the roots stay quiet beneath it all.🪴

Maybe strength is not about standing untouched.
Maybe it is learning how to move
without losing yourself. 🌿


@academic_science

Academic_science

27 August 2026 11:01

🧬 یک کشف جدید درباره‌ی DNA اسپرم؛ بخشی از تغییرات ژنتیکی حتی قبل از میوز رخ می‌دهد!

🔬 پژوهش جدیدی که در Nature منتشر شده، با استفاده از توالی‌یابی بسیار دقیق و طولانی‌خوان (long-read) نشان می‌دهد که بخشی قابل‌توجه از «تبدیل ژنی» (gene conversion) در سلول‌های جنسی مردانه، برخلاف تصور قبلی، لزوماً در جریان میوز اتفاق نمی‌افتد؛ بلکه ممکن است قبل از شروع میوز و در سلول‌های پیش‌ساز اسپرم رخ داده باشد.

🧪 محققان چه کار کردند؟

آن‌ها DNA اسپرم را از ۱۵ نمونه متعلق به ۱۳ اهداکننده بررسی کردند و با فناوری PacBio HiFi، بیش از ۲۶۷ میلیون خوانش DNA به‌دست آوردند؛ میانگین طول هر خوانش حدود ۱۳٬۱۶۰ جفت‌باز بود.

از میان رویدادهای شناسایی‌شده:

🔹 ۷٬۱۴۳ مورد کراس‌اور (CO)
🔹 ۲٬۳۸۲ مورد non-crossover یا NCO
🔹 ۲۱۹ رویداد پیچیده
🔹 ۷٬۵۸۵ رویداد مبهم

شناسایی NCOها اهمیت زیادی دارد، چون در این حالت بخشی از اطلاعات یک کروموزوم به کروموزوم مشابه منتقل می‌شود، بدون اینکه کل کروموزوم‌ها با هم جابه‌جا شوند.

🧩 اما کشف اصلی چیست؟

در حالت معمول انتظار داریم نوترکیبی میوزی در نقاطی رخ دهد که پروتئین PRDM9 باعث ایجاد شکست دو رشته‌ای DNA می‌شود.

اما NCOها یک الگوی عجیب داشتند:

📌 بخشی از آن‌ها در مناطق با نرخ نوترکیبی پایین دیده شدند.
📌 ارتباطشان با محل‌های شکست وابسته به PRDM9 بسیار کمتر بود.
📌 در عوض، با نقاط شکننده‌ی ژنوم (fragile sites) ارتباط بیشتری داشتند.
📌 همین الگو در سلول‌های خونی و همچنین در بافت بیضه هم دیده شد.

این شواهد نشان می‌دهد که بخشی از این تغییرات احتمالاً در سلول‌های پیش از میوز، مانند اسپرماتوگونیا و هنگام ترمیم آسیب DNA ایجاد می‌شوند و بعد به اسپرم منتقل می‌شوند.

📊 میزان این پدیده چقدر است؟

نویسندگان با چند روش مستقل برآورد کردند که حدود ۲۵ تا ۳۳ درصد NCOها احتمالاً منشأ پیشامیوزی (pre-meiotic) دارند.

یعنی به‌طور تقریبی، حدود ۰٫۶ رویداد قابل‌شناسایی در هر اسپرم می‌تواند از این مسیر ایجاد شود.

🧬 یک نکته‌ی جالب دیگر: طول این تغییرات

حدود ۹۳٫۳٪ از NCOهای مشاهده‌شده فقط یک SNP را تحت تأثیر قرار می‌دادند.

مدل آماری نشان داد که:

🔹 بخش عمده‌ی این تبدیل‌ها بسیار کوتاه‌اند؛ میانگین حدود ۳۱ جفت‌باز
🔹 اما یک گروه کوچک‌تر می‌تواند بسیار طولانی باشد؛ میانگین حدود ۱٬۲۲۰ جفت‌باز
🔹 همین رویدادهای طولانی، با اینکه تنها حدود ۱٪ از مدل را تشکیل می‌دهند، احتمالاً حدود ۱۲٪ از NCOهای قابل‌شناسایی را توضیح می‌دهند.

👯 حتی دوقلوهای همسان هم کاملاً مشابه نبودند!

پژوهشگران در دو دوقلوی تک‌تخمکی تفاوت‌هایی در برخی ویژگی‌های نوترکیبی مشاهده کردند.

یعنی حتی وقتی ژنوتیپ و DNA فرد تقریباً یکسان است، عواملی مثل تصادف‌های سلولی یا شرایط محیطی می‌توانند روی نحوه‌ی وقوع نوترکیبی اثر بگذارند.

🎯 چرا این یافته مهم است؟

تا امروز تصور غالب این بود که NCOهای موجود در سلول‌های جنسی عمدتاً محصول میوز هستند.

این مطالعه نشان می‌دهد داستان پیچیده‌تر است:

🧬 نوترکیبی ژنتیکی در مسیر تولید اسپرم فقط یک اتفاق میوزی نیست؛ بخشی از آن ممکن است خیلی زودتر، هنگام تکثیر و ترمیم DNA سلول‌های پیش‌ساز اسپرم رخ دهد.

این موضوع می‌تواند به درک بهترِ:

🔹 ایجاد تنوع ژنتیکی
🔹 انتقال تغییرات DNA از پدر به فرزند
🔹 سازوکارهای ترمیم DNA
🔹 تکامل ژنوم انسان
🔹 و برخی انواع جهش‌های مرتبط با نوترکیبی

کمک کند.

⚠️ البته مکانیسم دقیق ایجاد این NCOهای پیشامیوزی هنوز مشخص نیست و این روش فعلاً عمدتاً برای مطالعه‌ی میوز مردانه قابل استفاده است.

📌 خلاصه در یک جمله:

🧬 بخشی از «بازنویسی» اطلاعات DNA که در اسپرم می‌بینیم، ظاهراً قبل از شروع میوز اتفاق می‌افتد؛ یعنی ژنوم اسپرم می‌تواند بخشی از تاریخچه‌ی ترمیم DNA سلول‌های پیش‌ساز خود را با خود حمل کند.

https://www.nature.com/articles/s41586-026-10901-0

Academic_science

27 August 2026 09:32

به راه بادیه رفتن به از نشستن باطل
وگر مراد نیابم به قدر وسع بکوشم

@academic_science

Academic_science

26 August 2026 10:46

ویدئوکست جدید ژن‌کست منتشر شد!

اگر همیشه دوست داشتید ژنتیک را جدی‌تر و اصولی‌تر یاد بگیرید، اما نمی‌دانستید از کجا شروع کنید، این اپیزود دقیقاً برای شماست!

در این گفت‌وگوی جذاب با دکتر آرش سلمانی‌نژاد، درباره مسیر یادگیری ژنتیک، منابع معتبر، کتاب‌ها، مقالات، پادکست‌ها و مهارت‌هایی صحبت کرده‌ایم که می‌توانند شما را قدم‌به‌قدم وارد دنیای شگفت‌انگیز ژن‌ها کنند.

🎥 همین حالا ویدئوکست را در یوتیوب می‌توانید تماشا کنید.

اگر به ژنتیک پزشکی، ژنتیک مولکولی، بیوتکنولوژی، پزشکی شخصی‌سازی‌شده و دنیای هیجان‌انگیز ژن‌ها علاقه دارید، این اپیزود می‌تواند شروعی عالی برای مسیر یادگیری شما باشد. شاید همین گفت‌وگو مسیر مطالعاتی‌تان را تغییر دهد!

کانال علمی _آموزشی دکتر سلمانی نژاد

منابعی که دکتر سلمانی‌نژاد معرفی کرده‌اند، در پست‌های بعدی کانال تلگرام منتشر خواهد شد؛ پس کانال را دنبال کنید تا چیزی را از دست ندهید.

Genecast_podcast">کانال یوتیوب ژن‌کست

صفحه‌ی اینستاگرام ژن‌کست

کانال بله ژن‌کست


#ژن_کست #Genetics #ژنتیک #ژنتیک_پزشکی #ژنکست #بیوتکنولوژی #پادکست_علمی #دکتر_آرش_سلمانی_نژاد

@GeneCastPodcast

Academic_science

25 August 2026 01:40

https://www.datacamp.com/

از دوره های رایگان این سایت استفاده کنید

Academic_science

23 August 2026 16:16

❓ «چند درصد پاسخ‌ها درست بودند؟»

باید موارد دیگری هم بررسی شوند:

🔹 دقت
🔹 قابلیت اطمینان
🔹 سازگاری پاسخ‌ها
🔹 سوگیری
🔹 توانایی تعمیم به داده‌های جدید
🔹 کیفیت استدلال
🔹 میزان خطاهای خطرناک
🔹 قابلیت توضیح‌پذیری
🔹 عملکرد در جمعیت‌های مختلف

به‌خصوص در پزشکی، یک خطای نادر اما خطرناک ممکن است بسیار مهم‌تر از چندین خطای معمولی باشد.

⚖️ ۹. حریم خصوصی و مسائل اخلاقی

استفاده از LLM در پزشکی با یک سؤال مهم همراه است:

🔐 «آیا می‌توانیم داده بیمار را وارد یک مدل زبانی کنیم؟»

پاسخ همیشه ساده نیست.

قبل از استفاده باید مواردی مثل:

🛡️ محرمانگی اطلاعات بیمار
🔒 امنیت داده‌ها
⚖️ قوانین و مقررات
👥 رضایت و حقوق بیمار
📋 سیاست‌های سازمان
🌍 محل ذخیره و پردازش داده

بررسی شوند.

به همین دلیل، اطلاعات شناسایی‌کننده بیماران نباید بدون مجوز و سازوکارهای مناسب وارد سرویس‌های هوش مصنوعی شود.

👁️ ۱۰. Human-in-the-loop

مقاله بر یک اصل مهم تأکید دارد:

AI + Human Expertise > AI به‌تنهایی

یعنی بهترین استفاده از LLM در بسیاری از کاربردهای پزشکی این است که مدل کارهای زمان‌بر را انجام دهد و متخصص انسانی خروجی را بررسی و تأیید کند.

مثلاً:

🤖 LLM → استخراج اطلاعات از ۱۰۰۰ مقاله
👨‍🔬 پژوهشگر → بررسی نمونه‌ای و اعتبارسنجی نتایج
🤖 LLM → دسته‌بندی اولیه
👨‍⚕️ متخصص → تأیید نهایی

این مدل همکاری می‌تواند هم سرعت را بالا ببرد و هم ریسک خطا را کاهش دهد.

🔄 ۱۱. کار با LLM یک فرآیند یک‌باره نیست

حتی اگر مدل در زمان توسعه عملکرد خوبی داشته باشد، بعد از استقرار باید دائماً بررسی شود.

چرا؟

چون داده‌ها تغییر می‌کنند، مدل‌ها به‌روزرسانی می‌شوند و ممکن است عملکرد سیستم در دنیای واقعی با نتایج آزمایشگاهی متفاوت باشد.

بنابراین باید به‌صورت مداوم:

📈 Performance
⚠️ Error
⚖️ Bias
🔐 Security
🧑‍⚕️ Clinical safety

پایش شوند.

🧠 جمع‌بندی مقاله

نویسندگان یک مسیر کلی برای استفاده از LLM در پزشکی پیشنهاد می‌کنند:

۱️⃣ تعریف دقیق Task
⬇️
۲️⃣ انتخاب مدل مناسب
⬇️
۳️⃣ طراحی Prompt
⬇️
۴️⃣ بهینه‌سازی و در صورت نیاز Fine-tuning
⬇️
۵️⃣ ارزیابی عملکرد و خطاها
⬇️
۶️⃣ استقرار در محیط واقعی
⬇️
۷️⃣ نظارت مداوم بر عملکرد، Bias و ایمنی

🎯 پیام اصلی:

هوش مصنوعی قرار نیست پژوهشگر یا پزشک را حذف کند؛ بلکه می‌تواند بخش‌هایی از کارهای زمان‌بر پژوهشی را سریع‌تر و مقیاس‌پذیرتر کند.

اما در پزشکی، سرعت بدون اعتبارسنجی می‌تواند خطرناک باشد.

پس فرمول درست استفاده از LLM در پزشکی چیزی شبیه این است:

🧠 Task مناسب + مدل مناسب + Prompt مناسب + داده معتبر + ارزیابی دقیق + نظارت انسانی

🔬 و شاید مهم‌تر از همه:

به خروجی LLM اعتماد نکنید؛ آن را بررسی کنید. ✅

📚 Jin Q, et al. Nature Protocols, 2026

Academic_science

23 August 2026 16:13

Tutorial: guidance on the use of large language models for medical research

Academic_science

23 August 2026 10:49

🧬💉 واکسن شخصی‌سازی‌شده سرطان Moderna؛ آیا بالاخره می‌توان سیستم ایمنی را علیه خودِ تومور آموزش داد؟

وقتی اسم «واکسن سرطان» را می‌شنویم، ممکن است تصور کنیم قرار است یک واکسن معمولی دریافت کنیم و دیگر به سرطان مبتلا نشویم.

اما فناوری mRNA-4157/V940 از Moderna داستان متفاوتی دارد. این یک واکسن درمانی و شخصی‌سازی‌شده سرطان است که برای هر بیمار بر اساس ویژگی‌های ژنتیکی تومور خودش طراحی می‌شود. این فناوری هنوز تحقیقاتی و در مرحله کارآزمایی بالینی است و برای استفاده عمومی تأیید نشده است. 🧪

🧬 واکسن برای هر بیمار جداگانه ساخته می‌شود!

یکی از جذاب‌ترین بخش‌های این فناوری همین است.

فرض کنید دو نفر هر دو به ملانوم مبتلا هستند. سرطان این دو نفر لزوماً از نظر ژنتیکی یکسان نیست.

بنابراین قرار نیست هر دو یک واکسن یکسان دریافت کنند.

فرآیند تقریباً این‌طور است:

🧫 ۱. نمونه‌ای از تومور گرفته می‌شود

⬇️

🧬 ۲. DNA تومور و سلول‌های سالم بررسی و توالی‌یابی می‌شود

⬇️

🔎 ۳. جهش‌های اختصاصی سلول‌های سرطانی شناسایی می‌شوند

⬇️

🎯 ۴. از میان این جهش‌ها، اهداف مناسب برای سیستم ایمنی انتخاب می‌شوند

⬇️

🤖 ۵. یک واکسن mRNA اختصاصی برای همان بیمار طراحی می‌شود

⬇️

💉 ۶. واکسن به بیمار تزریق می‌شود تا سیستم ایمنی با این اهداف آشنا شود

این یعنی واکسن به جای هدف گرفتن یک ویژگی عمومی سرطان، تلاش می‌کند «اثر انگشت ژنتیکی» همان تومور را به سیستم ایمنی نشان دهد.

🧠 اصلاً mRNA در این واکسن چه کار می‌کند؟

mRNA را می‌توان شبیه یک دستورالعمل موقت برای ساخت پروتئین در نظر گرفت.

در V940، این دستورالعمل‌ها طوری طراحی می‌شوند که سلول‌های بدن بتوانند قطعاتی از پروتئین‌های مرتبط با نئوآنتی‌ژن‌های تومور را تولید کنند.

سیستم ایمنی این قطعات را می‌بیند و سلول‌های T می‌توانند یاد بگیرند که چنین ویژگی‌هایی را شناسایی کنند. 🧬➡️🛡️

در نتیجه، هدف این است که وقتی سلول سرطانی واقعی این ویژگی‌ها را نشان می‌دهد، سیستم ایمنی بتواند آن را پیدا و هدف قرار دهد.

🎯 نئوآنتی‌ژن چیست؟

سرطان در اثر جهش‌های مختلف DNA ایجاد می‌شود.

بعضی از این جهش‌ها باعث تولید پروتئین‌هایی می‌شوند که در سلول‌های سالم وجود ندارند یا شکل متفاوتی دارند.

به این اهداف Neoantigen گفته می‌شود.

می‌توان ساده تصور کرد که:

🧬 سلول سرطانی = یک سلول با تغییرات ژنتیکی

🎯 نئوآنتی‌ژن = یکی از «نشانه‌های» ناشی از این تغییرات

🛡️ واکسن = آموزش سیستم ایمنی برای شناخت این نشانه‌ها

⚔️ سلول T = نیرویی که بعداً می‌تواند سلول دارای این نشانه را هدف قرار دهد

🤖 هوش مصنوعی و محاسبات زیستی کجا وارد می‌شوند؟

یک تومور می‌تواند تعداد زیادی جهش داشته باشد؛ اما همه آن‌ها هدف خوبی برای واکسن نیستند.

بنابراین باید مشخص شود کدام جهش احتمالاً:

🔹 باعث تولید یک پروتئین غیرطبیعی می‌شود
🔹 توسط سلول‌های سرطانی ارائه می‌شود
🔹 توسط سیستم ایمنی قابل شناسایی است
🔹 و احتمالاً می‌تواند پاسخ سلول‌های T را تحریک کند.

اینجاست که تحلیل‌های محاسباتی و الگوریتم‌های پیش‌بینی اهمیت پیدا می‌کنند. 🤖🧬

هدف این است که از میان حجم زیادی از اطلاعات ژنتیکی، بهترین اهداف ایمنی برای همان بیمار انتخاب شوند.

🛑 چرا Moderna آن را با Keytruda ترکیب کرده است؟

اینجا قسمت بسیار جالب ماجرا شروع می‌شود.

V940 در مطالعات اصلی همراه با Keytruda (pembrolizumab) بررسی شده است.

این دو درمان نقش متفاوتی دارند:

💉 V940:
به سیستم ایمنی کمک می‌کند اهداف اختصاصی تومور را بهتر بشناسد.

🛑 Keytruda:
مسیر PD-1 را مهار می‌کند؛ مسیری که یکی از ترمزهای مهم پاسخ سلول‌های T است.

بنابراین ایده کلی این است:

واکسن 🎯 → هدف را به سیستم ایمنی معرفی می‌کند

Keytruda 🚀 → یکی از ترمزهای سیستم ایمنی را برمی‌دارد

و ترکیب این دو ممکن است باعث شود سلول‌های T بهتر بتوانند سلول‌های سرطانی را شناسایی و از بین ببرند.

📊 نتایج آزمایش‌ها چه می‌گویند؟

یکی از مهم‌ترین مطالعات، KEYNOTE-942، روی بیماران مبتلا به ملانوم پرخطر مرحله III و IV انجام شد که تومورشان با جراحی به‌طور کامل برداشته شده بود.

در نتایج قبلی این مطالعه، ترکیب V940 با Keytruda در مقایسه با Keytruda به‌تنهایی:

📉 خطر عود یا مرگ را حدود ۴۴٪ کاهش داد

و

📉 خطر متاستاز دوردست یا مرگ را حدود ۶۵٪ کاهش داد.
M
Merck.com
+1

اما داده‌های جدیدتر حتی جالب‌تر هستند.

در پیگیری ۵ ساله منتشرشده در سال ۲۰۲۶، مزیت این ترکیب از نظر بقای بدون عود (RFS) و بقای بدون متاستاز دوردست (DMFS) همچنان پایدار گزارش شده است.
M
Merck.com

این موضوع مهم است، چون در سرطان فقط این سؤال مطرح نیست که «آیا تومور الان کوچک شد؟»

بلکه یک سؤال بسیار مهم‌تر وجود دارد:

آیا سرطان دوباره برمی‌گردد؟

🩺 پس هدف اصلی واکسن چیست؟

Academic_science

22 August 2026 21:27

PubMind: literature-based genetic variant extraction and functional annotation using large language models

Academic_science

22 August 2026 10:18

🧬⏳ آیا بالاخره می‌توانیم بفهمیم بدنمان واقعاً چقدر پیر شده؟

سال‌هاست دانشمندان از چیزی به نام «ساعت اپی‌ژنتیک» استفاده می‌کنند؛ ابزاری که با بررسی تغییرات DNA تخمین می‌زند بدن از نظر زیستی چقدر پیر شده است.

اما یک سؤال بزرگ وجود دارد:

🤔 اگر یک دارو، رژیم غذایی یا تغییر سبک زندگی عدد این ساعت را پایین بیاورد، آیا واقعاً یعنی پیری کند شده؟

🔬 یک مطالعه بزرگ در Nature Medicine دقیقاً همین سؤال را بررسی کرده است.

پژوهشگران داده‌های ۵۱ مطالعه انسانی و بیش از ۳۱۰۰ نمونه را بررسی کردند و ۱۶ ساعت اپی‌ژنتیک مختلف را با هم مقایسه کردند.

📊 نتایج جالب بود:

🟢 ۱۹ مداخله باعث کاهش معنادار برخی شاخص‌های سن اپی‌ژنتیک شدند.

🔴 ۵ مداخله حتی افزایش نشان دادند.

⚪ در ۲۶ مطالعه هم تغییر معناداری دیده نشد.

اما نکته مهم‌تر اینجاست 👇

همه ساعت‌های اپی‌ژنتیک به یک اندازه قابل اعتماد نیستند.

⭐ ساعت‌هایی که با سلامت، خطر مرگ و سرعت پیری ارتباط بیشتری دارند، عملکرد بهتری نشان دادند؛ به‌خصوص DunedinPACE و PCGrimAge.

💊 بعضی مداخلات دارویی، از جمله درمان‌های ضدالتهابی و متفورمین، تغییرات قابل‌توجه‌تری ایجاد کردند.

اما…

🚨 جوان‌تر شدن یک ساعت اپی‌ژنتیک الزاماً به معنی جوان‌تر شدن بدن نیست!

ممکن است یک دارو التهاب یا وضعیت متابولیک بدن را تغییر دهد و ساعت اپی‌ژنتیک هم به آن واکنش نشان دهد؛ بدون اینکه واقعاً «فرآیند پیری» متوقف یا معکوس شده باشد.

🎯 شاید بتوان این‌طور خلاصه کرد:

ساعت اپی‌ژنتیک ممکن است مثل یک دماسنج برای پیری باشد؛ اما هنوز مطمئن نیستیم که خودِ «پیری» را اندازه می‌گیرد یا فقط بعضی پیامدهای آن را.

و این موضوع برای آینده پزشکی ضدپیری فوق‌العاده مهم است. 🧬🚀

چون برای اینکه یک ساعت واقعاً وارد پزشکی شود، باید ثابت کنیم:

✅ درمان مؤثر → ساعت تغییر کند
❌ درمان بی‌اثر → ساعت بی‌دلیل تغییر نکند

پس فعلاً نمی‌توان گفت:
«ساعت اپی‌ژنتیک پایین آمد = جوان‌تر شدی» 😉

اما شاید همین ابزارها یکی از کلیدی‌ترین قطعات پازل پزشکی ضدپیری در آینده باشند. 🔥🧬

🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈

🌐 @academic_science

Academic_science

21 August 2026 20:28

📌 امید و تاب آوری در زمانه سخت

📅 ۲۳ تیرماه ۱۴۰۵
دانشگاه علوم پزشکی تهران

🎙 دکتر مکری

🌸سایه این بزرگان مستدام
👈نوع نگاه همه چی رو می‌تونه عوض کنه
نگاهتون رو عوض کنید!‌

🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈

🌐 @academic_science

Academic_science

21 August 2026 19:15

بی‌دلیل نیست که اینقدر از آمپول میترسیم:

🔮 با #آکادمیک #ساینس همراه باشید🍂
💯اطلاعات بیشتر در ⬅️ 👈

🌐 @academic_science