JafaRiLab

#یادداشت

📌 یادداشت هشتم |از شناسایی اهداف دارویی تا کشف حالت‌های ساختاری جدید پروتئوم در اثر ترکیب داروها

🔗https://lnkd.in/p/dmTKuary

#HUPO2026
@JafariLab

#یادداشت

📌 یادداشت هفتم |هوش مصنوعی بخشی از فرایند اندازه‌گیری و جمع آوری داده در پروتئومیکس

🔗https://lnkd.in/p/daAZ_w7M

#HUPO2026
@JafariLab

#یادداشت

📌 یادداشت ششم |وقتی داده‌های عمومی پروتئومیکس واقعاً «قابل استفاده مجدد» می‌شوند

🔗https://lnkd.in/p/dnAwEvQS

#HUPO2026
@JafariLab

#یادداشت

📌 یادداشت پنجم |سرطان‌شناسی تطبیقی (Comparative Oncology)؛ سگ‌ها فراتر از یک مدل آزمایشگاهی، پلی میان تحقیقات سرطان در انسان و حیوانات 🧬

🔗https://lnkd.in/p/dWR9Zgb5

#HUPO2026
@JafariLab

#یادداشت

📌 یادداشت چهارم | تک تک پپتیدها اهمیت دارند! نگاهی به چالش‌ها و فرصت‌های نوین در ایمونوپپتیدومیکس (Immunopeptidomics)؛ از روش‌های متفاوت شکست پپتیدها تا کشف اهداف درمانی پنهان 🧬

🔗https://lnkd.in/p/dhuHkv9d

#HUPO2026
@JafariLab

#یادداشت

📌 یادداشت سوم | از داده‌های خام تا کشف نشانگرهای زیستی؛ اهمیت حذف
اثرات بچ (Batch Effects) در مطالعات پروتئومیکس در مقیاس بزرگ

🔗https://lnkd.in/p/deR2BBPw

#HUPO2026
@JafariLab

#یادداشت

🔬 یادداشت‌هایی از HUPO 2026

با هم با یادداشت‌های کوتاهی از کنگره جهانی پروتئومیکس (HUPO 2026)، نگاهی به تازه‌ترین دستاوردها، ایده‌ها و مسیرهای نوین پژوهشی در دنیای پروتئومیکس داشته باشیم.

خلاصه‌ای از سخنرانی‌های منتخب، نکات علمی جالب و اسلایدهای کلیدی را در قالب پست‌هایی در لینکدین به اشتراک می‌گذارم.

📌 یادداشت اول | از نقشه‌برداری پروتئوم تا ناوبری در بدن انسان

🔗 https://lnkd.in/p/dRt7VaSy

📌 یادداشت دوم | خفاش‌ها؛ دریچه‌ای تازه به شناخت پیری و بیماری‌های ویروسی 🦇

🔗https://lnkd.in/p/duypYXtC

#HUPO2026
@JafaRiLab

#نرم_افزار_جدید_ما
#از_R_لذت_ببریم

اپلیکیشن وب تعاملی CoPISA برای کاوش پاسخ‌های پروتئینی معنادار، طبقه‌بندی آن‌ها بر اساس گیت‌های منطقی، و دسترسی به زمینه و داده‌های پروژه در دسترس است.

## CoPISA: Exploring Combinatorial Proteome Responses

این اپلیکیشن برای پشتیبانی از مقاله‌ی “A dataset supporting Combinatorial Proteome Integral Solubility/Stability Alteration Analysis (CoPISA)” توسعه یافته است. CoPISA روشی برای بررسی تغییرات یکپارچه در حلالیت یا پایداری پروتئین‌ها در پاسخ به درمان‌های دارویی منفرد و ترکیبی است.

کاربران می‌توانند در این اپلیکیشن:
- پروتئین‌های دارای پاسخ معنادار را بررسی کنند.
- نتایج را بر اساس شرایط درمانی و رده‌ی سلولی فیلتر کنند.
- پروتئین‌ها را با استفاده از گیت‌های منطقی AND و OR طبقه‌بندی نمایند.
- داده‌ها، اسکریپت‌های تحلیل و شکل‌های نماینده‌ی پروژه را مشاهده کنند.
- به جدول قابل جست‌وجوی پروتئین‌های معنادار و اطلاعات مربوط به مخزن پروژه دسترسی داشته باشند.

در CoPISA، گیت AND پروتئین‌هایی را مشخص می‌کند که تنها در شرایط درمان ترکیبی معنادار هستند. گیت OR پروتئین‌هایی را نشان می‌دهد که در درمان ترکیبی و دست‌کم یکی از شرایط تک‌دارویی پاسخ معنادار دارند.


این ابزار می‌تواند برای تفسیر پاسخ‌های پروتئومی به درمان‌های ترکیبی، مقایسه‌ی اثرات داروهای منفرد و ترکیبی، و بررسی زمینه‌ی وابسته به رده‌ی سلولی در داده‌های CoPISA مورد استفاده قرار گیرد.


## شرایط درمانی

- LY3009120 (L)
- Sapanisertib (S)
- LY3009120 + sapanisertib (LS)
- Ruxolitinib (R)
- Ulixertinib (U)
- Ruxolitinib + ulixertinib (RU)

اپلیکیشن امکان انتخاب همه‌ی شرایط یا تمرکز بر یک درمان، ترکیب دارویی، یا رده‌ی سلولی مشخص را فراهم می‌کند.

👇👇👇

CoPISA web application

@JafaRiLab

#نرم_افزار_جدید_ما
#از_R_لذت_ببریم

#نرم_افزار_جدید_ما
#از_R_لذت_ببریم

پکیج نرم‌افزاری جدید آزمایشگاه در زبان R با نام NIMAA (Nominal data Mining and Analysis) هم‌اکنون به‌صورت یک وب‌اپلیکیشن تعاملی در دسترس است.

NIMAA: Unveiling Hidden Insights in Nominal Variables

با استفاده از این اپلیکیشن، کاربران می‌توانند شبکه‌های دوبخشی وزنی و بدون وزن بسازند، شباهت برچسب‌ها در متغیرهای اسمی را تحلیل کنند، برچسب‌ها را به اَبَربرچسب خوشه‌بندی کنند، نتایج خوشه‌بندی را اعتبارسنجی نمایند، یال‌های شبکه را با درون‌یابی وزن‌های مفقوده پیش‌بینی کنند، و از طیف متنوعی از ابزارهای بصری‌سازی بهره ببرند.

در این پلتفرم، کاربردهای داده‌کاوی اسمی روی مجموعه‌داده‌های متنوعی با متغیرهای اسمی غنی نمایش داده شده است، از جمله:

مثال ۱: beatAML – حساسیت دارویی در نمونه‌های ex-vivo بیماران برای ارزیابی مهارکننده‌ها و داروها

مثال ۲: DrugComb – پلتفرم جامعه‌محور برای استانداردسازی نتایج غربالگری ترکیبات دارویی در رده‌های سلولی سرطانی

مثال ۳: Robertson – داده‌های بلندمدت گونه‌های گیاهی و حشرات در یک مکان مشخص

مثال ۴: herbIngredient – نسخه دوم TCMID برای گیاهان دارویی طب سنتی چینی

مثال ۵: Annual Nominal Fish Catches – آمار صید سالانه بیش از ۲۰۰ نوع ماهی و آبزی در اقیانوس اطلس شمال‌شرقی (۲۰۰۶–۲۰۱۴)

مثال ۶: HR Analytics Job Change – عوامل مؤثر بر تمایل دانشمندان داده به ماندن یا تغییر شغل پس از دوره‌های آموزشی

مثال ۷: Student Discussion – داده‌های آموزشی ۴۸۰ دانشجو از دانشگاه اردن با ویژگی‌های جمعیت‌شناختی، تحصیلی و رفتاری

مثال ۸: Online Retail – تراکنش‌های یک فروشگاه آنلاین هدایای خاص در بریتانیا (۲۰۰۹–۲۰۱۱) برای خوشه‌بندی مشتریان و طراحی استراتژی‌های بازاریابی

👇👇👇
https://ehsan-zangene.shinyapps.io/nimaa_app/

برای جزییات بیشتر، پیشنهاد می‌شود به مخزن کیس‌ها، صفحه CRAN و مقاله روش‌شناختی NIMAA مراجعه کنید:

👇👇👇
مخزن کیس‌ها: https://version.helsinki.fi/ehzange/nimaa
NIMAA CRAN: https://cran.r-project.org/web/packages/NIMAA/index.html
مقاله NIMAA: https://spj.science.org/doi/full/10.34133/csbj.0099

@JafaRiLab

#مقاله_جدید_ما

🔬📊 خوشحالیم که مقالهٔ جدید ما در مجلهٔ
Scientific Data
منتشر شد.

عنوان مقاله:

A dataset supporting Combinatorial Proteome Integral Solubility/Stability Alteration Analysis (CoPISA)

چکیده:

🧬 درمان‌های ترکیبی به‌طور گسترده‌ای برای درمان لوسمی میلوئید حاد (AML) استفاده می‌شوند؛ بااین‌حال، داده‌های نظام‌مند دربارهٔ پاسخ‌های پروتئومی به تیمارهای چنددارویی همچنان محدود هستند.

⚙️ در این پژوهش، ما CoPISA را معرفی کردیم؛ یک آزمون پروتئومیکس کمی برای بررسی تغییرات حلالیت و پایداری پروتئین‌ها در پاسخ به درمان‌های دارویی منفرد و ترکیبی.

💊 این مجموعه‌داده شامل پاسخ پروتئومی چهار ردهٔ سلولی AML شامل MOLM-13، MOLM-16، SKM-1 و NOMO-1 به دو ترکیب دارویی LY3009120–sapanisertib و ruxolitinib–ulixertinib است. آزمایش‌ها در شرایط کنترل، تیمار با داروی منفرد و تیمار ترکیبی، هم در قالب لیزات سلولی و هم در سلول‌های دست‌نخورده انجام شدند.

🧪 با استفاده از پروفایل‌گیری حلالیت حرارتی و روش TMT-based multiplexed LC–MS/MS، در مجموع ۱۶ آزمایش TMT16-plex شامل ۱۹۲ فایل خام LC–MS/MS تولید شد که پوشش عمیقی از پروتئوم را در شرایط مختلف درمانی و آزمایشی فراهم می‌کند.

📁 این منبع شامل داده‌های خام و پردازش‌شدهٔ پروتئومیکس، فراداده‌های دقیق آزمایش‌ها در قالب Sample and Data Relationship Format (SDRF) و اسکریپت‌های بازتولیدپذیر برای نرمال‌سازی reporterها، تجمیع در سطح پروتئین، مدل‌سازی آماری و طبقه‌بندی الگوهای پاسخ ترکیبی است.

💡 طراحی این مطالعه امکان شناسایی پروتئین‌هایی را فراهم می‌کند که به‌طور اختصاصی به درمان ترکیبی پاسخ می‌دهند و همچنین امکان مقایسهٔ اثرات مشترک داروهای منفرد را فراهم می‌سازد. اعتبارسنجی فنی نیز تکرارپذیری کمی‌سازی را در آزمایش‌های multiplex و قالب‌های مختلف آزمون تأیید کرد.

🧠 این مجموعه‌داده می‌تواند به‌عنوان یک منبع مرجع برای مطالعهٔ پاسخ پروتئوم به ترکیب‌های دارویی، مقایسهٔ پروفایل‌های حاصل از لیزات سلولی و سلول‌های دست‌نخورده، توسعهٔ روش‌های محاسباتی برای شناسایی اهداف ترکیبی و آموزش در حوزهٔ پروتئومیکس محاسباتی مورد استفاده قرار گیرد.


📖 مقالهٔ کامل را از طریق این لینک مطالعه کنید.

@JafariLab

#مقاله_جدید_ما

🔬📊 خوشحالیم‌ که مقاله جدید ما در مجله

Molecular & Cellular Proteomics

منتشر شد.

عنوان مقاله:

DORSSAA: Drug-target interactOmics Resource based on Stability/Solubility Alteration Assay

چکیده:

🧬 پیشرفت روش‌های بازده بالا مانند Thermal Proteome Profiling (TPP) و Proteome Integral Solubility Alteration (PISA) امکان مطالعه دقیق‌تر تعاملات دارو–پروتئین را فراهم کرده است. با این حال، نبود یک بستر یکپارچه برای تحلیل میان‌مطالعه‌ای داده‌های پایداری و حلالیت پروتئین‌ها همچنان یک چالش مهم بود.

⚙️ در این پژوهش، ما DORSSAA را معرفی کردیم؛ یک پلتفرم وب تعاملی و قابل‌گسترش برای تحلیل و نمایش داده‌های حاصل از آزمون‌های تغییر حلالیت/پایداری. این منبع در حال حاضر بیش از 1.1 میلیون رکورد را در 38 رده سلولی و ارگانیسم، 135 ترکیب، و 40,742 هدف پروتئینی در خود جای داده است.

💡 درسا امکان تحلیل مقایسه‌ای تعاملات دارو–پروتئین را فراهم می‌کند و به شناسایی اهداف دارویی، off-targetها، و تعاملات بالقوه برای درمان‌های ترکیبی کمک می‌کند. در دو مطالعه موردی، پروفایل گیری اهداف متوترکسات در سلول‌های A549 و تحلیل تعاملات دارویی در سلول‌های لوسمی، کاربرد عملی این پلتفرم برای کشف روابط دارو–پروتئین در زمینه‌های آزمایشگاهی مختلف نشان داده شد.

🧠 در مقایسه با مخازن داده‌ای و پایگاه‌های اطلاعاتی تعاملات، DORSSAA شواهد مستقیم در سطح پروتئین از مکانیسم اثر داروها ارائه می‌دهد و با کنترل آماری دقیق برای هر مطالعه، شناسایی مطمئن‌تر اهداف دارویی، اثرات خارج‌هدف، و ترکیب‌های دارویی بالقوه را ممکن می‌سازد.

📖 مقاله کامل را از طریق این لینک مطالعه کنید.

@JafaRiLab

#مقاله_جدید_ما

🔬📊 خوشحالیم‌ که مقاله جدید ما در مجله
Computational and Structural Biotechnology Journal
منتشر شد.

عنوان مقاله:

Informative Missingness in Nominal Data: A Graph-Theoretic Approach to Revealing Hidden Structure

چکیده:

🧬 در بسیاری از مطالعات، داده‌های گمشده در متغیرهای اسمی صرفاً به‌عنوان یک مشکل آماری در نظر گرفته می‌شوند و معمولاً حذف یا جایگزین می‌شوند. اما آیا خودِ الگوی گمشدگی می‌تواند حاوی اطلاعات ارزشمند باشد؟

⚙️ در این پژوهش، رویکردی مبتنی بر نظریه گراف ارائه کرده‌ایم که داده‌های گمشده را نه به‌عنوان خلأهایی برای پر کردن، بلکه به‌عنوان سیگنال‌هایی معنادار و اطلاعات‌زا در نظر می‌گیرد. برای این منظور، متغیرهای اسمی را به‌صورت گره‌ها و روابط مشاهده‌شده یا گمشده را به‌صورت یال‌ها مدل‌سازی کردیم و با استفاده از گراف‌های دوبخشی وزن‌دار و بدون وزن، ویژگی‌هایی مانند modularity، nestedness و شباهت‌های مبتنی بر projection را مورد بررسی قرار دادیم.

💡 این چارچوب امکان شناسایی خوشه‌ها و توصیف ساختار داده‌های اسمی را بر اساس الگوهای مشاهده و گمشدگی فراهم می‌کند. همچنین از روش‌های جایگذاری داده برای پیش‌بینی یال‌ها استفاده کردیم تا ارزیابی کنیم که مقادیر برآوردشده تا چه اندازه ساختارهای نهفته در داده‌ها را حفظ می‌کنند.

🧠 نتایج حاصل از مجموعه‌ای از مطالعات موردی در حوزه‌های زیستی، بوم‌شناختی و اجتماعی — از جمله داده‌های پروتئومیکس، مجموعه داده دارویی BeatAML، شبکه‌های گرده‌افشانی و داده‌های منابع انسانی — نشان داد که الگوهای گمشدگی اغلب بازتابی از محدودیت‌ها، سازوکارها و زیرساختارهای واقعی سیستم‌ها هستند. این الگوها می‌توانند به تمایز میان داده‌های Missing At Random (MAR) و Not Missing At Random (NMAR) نیز کمک کنند.

📖 در مجموع، یافته‌های ما یک تغییر نگرش مفهومی را پیشنهاد می‌کنند: داده‌های گمشده تنها مانعی برای تحلیل نیستند، بلکه در بسیاری از موارد خود بخشی از اطلاعات سیستم هستند و در صورت مدل‌سازی مناسب می‌توانند درک عمیق‌تری از ساختار و رفتار سیستم‌های پیچیده فراهم کنند.

📖 مقاله کامل را از طریق این لینک مطالعه کنید.

@JafaRiLab

#از_R_لذت_ببریم

📊 Visualizations with statistical details: The ggstatsplot approach

اگر به دنبال نمودارهایی هستید که علاوه بر نمایش داده‌ها، جزئیات آماری را هم در خود داشته باشند، پکیج ggstatsplot در R یک انتخاب بسیار کاربردی است. این بسته با یک سینتکس ساده، نمودارهای مبتنی بر ggplot2 را به خروجی‌هایی غنی‌تر و مناسب‌تر برای تحلیل اکتشافی و گزارش علمی تبدیل می‌کند.

ggstatsplot کمک می‌کند نتایج آزمون‌های آماری مستقیماً داخل نمودارها نمایش داده شوند؛ بنابراین خواننده می‌تواند هم‌زمان هم الگوهای بصری و هم شواهد آماری را ببیند. این رویکرد برای پژوهشگرانی که می‌خواهند تحلیل دقیق‌تر، شفاف‌تر و قابل‌اعتمادتر ارائه دهند بسیار مفید است.

🔍 برای مطالعه جزئیات بیشتر، این منابع را ببینید:

FAQ: https://indrajeetpatil.com/ggstatsplot/articles/web_only/faq.html

مجموعه vignetteهای اختصاصی برای هر تابع:
https://cran.r-project.org/web/packages/ggstatsplot/vignettes/additional.html

📌 برخی از vignetteهای مفید شامل ggbetweenstats, ggscatterstats, ggcorrmat, ggbarstats و ggcoefstats هستند که هرکدام برای نوع خاصی از تحلیل و visualization طراحی شده‌اند.

مقاله:
10.21105/joss.03167

@JafaRiLab

#مقاله_جدید_ما

🔬📊 خوشحالیم که مقاله جدید ما در مجله
Nucleic Acids Research
منتشر شد!

عنوان:

Boolean logic links chromatin accessibility states to gene expression variability across cell types

چکیده:

🧬 داده‌های چنداُمیکی این امکان را فراهم کرده‌اند که دسترسی‌پذیری کروماتین و بیان ژن به‌صورت هم‌زمان بررسی شوند و از این طریق، منطق تنظیمی cis-regulatory بهتر فهمیده شود. با این حال، رویکردهای موجود عمدتاً بر همبستگی‌های دوتایی تمرکز دارند و از حالت‌های ترکیبی و چندجایگاهیِ دسترسی‌پذیری که تنظیم ژن را در شرایط وابسته به بافت و نوع سلولی کنترل می‌کنند، غافل می‌مانند.

⚙️ در این مطالعه، ما چارچوب محاسباتی ocrRBBR را معرفی کردیم؛ روشی که از ترکیب نواحی باز کروماتینی (OCRs) قواعد بولیِ قابل‌تفسیر استخراج می‌کند تا تغییرپذیری بیان ژن را در انواع سلول‌ها توضیح دهد.

💡 با اعمال ocrRBBR بر داده‌های paired ATAC-RNA، هزاران قاعده بولی مرتبط با ژن‌های اختصاصی تبار و ژن‌های housekeeping شناسایی شد. نتایج نشان داد که ژن‌های اختصاصی نوع سلول به قواعدی کمتر اما انتخابی‌تر وابسته‌اند که از تعداد بیشتری OCR، از جمله enhancerهای دوردست، سیگنال می‌گیرند. در مقابل، ژن‌های housekeeping به قواعد بیشتر و ساده‌تری متکی‌اند که OCRهای کمتری را درگیر می‌کنند.

🧠 تحلیل غنی‌سازی عملکردی نیز نشان داد که ژن‌های تحت کنترل این قواعد اختصاصی، در مسیرهای تعیین‌کننده تبار سلولی غنی شده‌اند. در مجموع، ocrRBBR یک چارچوب مکانیکی، قابل‌تفسیر و زیست‌­شناختی برای رمزگشایی منطق ترکیبی cis-regulatory از داده‌های چندوجهی ژنومی ارائه می‌دهد.

📖 مقاله کامل را از طریق این لینک مطالعه کنید.

@JafaRiLab

#مقاله_جدید_ما


🔬📊 خوشحالیم که مقاله جدید ما در مجله Nature Communications منتشر شد!

عنوان:

Solubility-based mechanistic profiling of combinatorial drug therapy

چکیده:

🧬 لوسمی میلوئید حاد (AML) به دلیل ناهمگونی ژنتیکی بالا، نرخ عود زیاد و سمیت درمانی، همچنان یکی از چالش‌برانگیزترین سرطان‌ها برای درمان است. اگرچه درمان‌های ترکیبی نویدبخش هستند، اما انتخاب آن‌ها اغلب بر پایه آزمون و خطاست و فاقد درک مکانیکی دقیق می‌باشد.

⚙️ در این مطالعه، ما روش CoPISA (Combinatorial Proteome Integral Solubility/Stability Alteration) را معرفی کردیم؛ یک رویکرد پروتئومیکس با توان بالا که تغییرات حلالیت/پایداری پروتئین‌ها را در پاسخ به ترکیب داروها بررسی می‌کند و امکان شناسایی اهداف خاصِ ترکیب‌ها را فراهم می‌سازد.

💊 این روش را بر روی دو ترکیب دارویی هدفمند (LS و RU) که قبلاً به‌عنوان مؤثرترین و کم‌سمیت‌ترین گزینه‌ها شناسایی شده بودند، در مدل‌های مختلف شامل رده‌های سلولی AML، نمونه‌های بیماران و مدل زبرا‌فیش اعمال کردیم.

✨ نتایج ما یک مکانیسم جدید به نام “conjunctional targeting” را آشکار کرد؛ حالتی که در آن اثر ترکیبی داروها منجر به ایجاد اهداف پروتئینی منحصربه‌فرد می‌شود—مشابه یک منطق AND—که در درمان تک‌دارویی قابل مشاهده نیست.

🧩 به‌طور مشخص:

* ترکیب LS مسیرهایی مانند SUMOylation، فشرده‌سازی کروماتین و چسبندگی وابسته به VEGF را هدف قرار داد
* ترکیب RU باعث اختلال در checkpointهای آسیب DNA، متابولیسم میتوکندری و RNA splicing شد
* تغییرات گسترده در PTMها (از جمله acetylation، methylation و phosphorylation) در پروتئین‌های کلیدی مانند NPM1 مشاهده شد

🧠 تحلیل شبکه‌ای نشان داد که بخش قابل‌توجهی از اهداف شناسایی‌شده (مانند DNMT3A، NPM1 و TP53) به‌طور خاص در درمان ترکیبی ظاهر می‌شوند و در درمان‌های تکی دیده نمی‌شوند.

💡 این یافته‌ها نشان می‌دهد که CoPISA لایه‌ای فراتر از «سینرژی کلاسیک» را آشکار می‌کند و می‌تواند به طراحی دقیق و مبتنی بر مکانیزم درمان‌های ترکیبی در سرطان‌های ناهمگن کمک کند.

📖 مقاله کامل را از طریق این لینک مطالعه کنید.

@JafaRiLab

https://www.tuni.fi/en/news/new-analytical-method-reveals-how-drug-combinations-act-leukemia-study-opens-door-precision

#مقاله_جدید_ما