شرایط ورود به دوره دکتری بیوانفورماتیک مطابق ضوابط و مقررات وزارت علوم، تحقیقات و فناوری است. با توجه به ماهیت کاملا بین رشته ای این برنامه فارغ التحصیلان تمامی رشته های زیستی، کشاورزی، پزشکی، ریاضی و فنی و بقیه رشته های مربوطه می توانند در آزمون دکتری بیوانفورماتیک شرکت کنند.

فارغ التحصیلان این دوره دارای توانایی بکارگیری علوم رایانه، ریاضی، آمار و احتمالات و اطلاعات در حل و درک مسائل زیست ملکولی می باشند. با توجه به اینکه روش های علوم تجربی قادر به پر نمودن خلاء عظیم در دانش ملکولی بشری در طی یک زمان قابل قبول نمی باشند، لذا فارغ التحصیلان دکتری بیوانفورماتیک در آینده از جایگاه ویژه ای در جامعه علمی دنیا برخوردار خواهند بود. هم چنین، تمامی زمینه های اقتصادی و صنعتی مدرن مانند صنایع داروسازی، صنایع غذایی، کشاورزی، بیوتکنولوژی و بهداشتی نیازمند به اطلاعاتی هستند که از تجزیه و تحلیل داده های بیولوژی ملکولی توسط متخصصین بیوانفورماتیک ارائه خواهند گردید. فارغ اتحصیلان دکتری بیوانفورماتیک اساتید مناسب و لازم برای آموزش نسل جدیدی از متخصصین این رشته در سطوح مختلف برای کشور خواهند بود.

بیوانفورماتیک (Bioinformatics) و زیست‌محاسباتی (Computational Biology) دو حوزه نزدیک به هم در علوم زیستی و محاسباتی هستند که اغلب با هم اشتباه گرفته می‌شوند، اما تفاوت‌های مشخصی دارند:

1) تعریف و تمرکز اصلی

• بیوانفورماتیک: بیوانفورماتیک بیشتر بر مدیریت، تجزیه‌وتحلیل، و تفسیر داده‌های زیستی متمرکز است. این حوزه شامل توسعه و استفاده از ابزارهای محاسباتی، پایگاه‌های داده، و نرم‌افزارهایی است که به پژوهشگران کمک می‌کنند داده‌های ژنومی، پروتئومی، و سایر داده‌های زیستی بزرگ را تحلیل کنند.
  • مثال: طراحی الگوریتم‌هایی برای هم‌ترازی توالی‌ها (Sequence Alignment) یا پیش‌بینی ساختار پروتئین.
• زیست‌محاسباتی: زیست‌محاسباتی بیشتر به استفاده از مدل‌سازی ریاضی و شبیه‌سازی محاسباتی برای درک بهتر فرآیندهای زیستی و پیش‌بینی رفتار سیستم‌های زیستی می‌پردازد. تمرکز آن بیشتر بر درک مکانیسم‌ها و سیستم‌ها است تا صرفاً تحلیل داده.
  • مثال: مدل‌سازی محاسباتی مسیرهای متابولیکی یا شبیه‌سازی دینامیک مولکولی.

2) رویکرد داده‌محور در مقابل تئوری‌محور

• بیوانفورماتیک معمولاً داده‌محور است و با داده‌های حجیم و پیچیده زیستی (مانند داده‌های حاصل از توالی‌یابی ژنوم، RNA-Seq، و پروتئومیکس) سر و کار دارد.
• زیست‌محاسباتی عمدتاً تئوری‌محور است و به ایجاد مدل‌های نظری و شبیه‌سازی پدیده‌های زیستی در سطح سیستم‌ها یا سلولی می‌پردازد.

3) هدف‌گذاری

• بیوانفورماتیک: هدف آن بهینه‌سازی ابزارها و روش‌های تجزیه‌وتحلیل داده‌های زیستی برای یافتن الگوها، شباهت‌ها، یا روابط بین داده‌ها است.
• زیست‌محاسباتی: هدف آن بررسی دینامیک سیستم‌ها و پیش‌بینی نتایج بر اساس شبیه‌سازی‌های ریاضی است.

4) زمینه‌های کاربردی

• بیوانفورماتیک: به‌طور گسترده در ژنومیکس، پروتئومیکس، متابولومیکس، طراحی دارو، و تحلیل داده‌های بالینی استفاده می‌شود.
• زیست‌محاسباتی: بیشتر در سیستم‌های زیستی، مدلسازی شبکه‌های ژنتیکی و متابولیکی، و شبیه‌سازی‌های زیست‌محیطی کاربرد دارد.

5) ابزارها و روش‌ها

• بیوانفورماتیک از ابزارهایی مانند BLAST، ClustalW، و پایگاه‌های داده‌ای مانند GenBank و UniProt استفاده می‌کند.
• زیست‌محاسباتی از ابزارهایی برای شبیه‌سازی مانند MATLAB، COPASI، و شبیه‌سازی دینامیک مولکولی (Molecular Dynamics) بهره می‌برد.

جمع‌بندی

در حالی که بیوانفورماتیک بیشتر بر تحلیل داده‌ها تمرکز دارد، زیست‌محاسباتی بر مدل‌سازی و درک سیستم‌های زیستی متمرکز است. این دو حوزه در بسیاری از موارد با هم همپوشانی دارند و اغلب در پروژه‌های تحقیقاتی به‌طور مکمل مورد استفاده قرار می‌گیرند.

چون پذیرفته شدگان در دکتری بیوانفورماتیک از گرایش های مختلفی هستند بنا بر پیشینه تحصیلی درسهای زیر را باید به عنوان درسهای جبرانی هر کدام به ارزش 2 واحد و 32 ساعت تحصیلی بگذرانند:

• مبانی بیوشیمی
• مباحث پیشرفته در زیست شناسی مولکولی
• بیوانفورماتیک
• آمار و احتمال
• مبانی ترکیبیات
• ساختمان داده و الگوریتم
• مبانی کامپیوتر و برنامه نویسی
• بیوفیزیک مولکولی

بیوانفورماتیک یک علم میان‌رشته‌ای است که شامل گرایش‌ها و حوزه‌های مختلفی می‌شود. این گرایش‌ها به دلیل گستردگی و پیچیدگی مسائل زیستی و محاسباتی در طیف وسیعی از زمینه‌ها تقسیم شده‌اند. در ادامه، لیستی از گرایش‌های مهم بیوانفورماتیک ارائه شده است:

ژنومیک محاسباتی (Computational Genomics)

• تحلیل و مقایسه ژنوم‌ها
• شناسایی ژن‌ها و عناصر تنظیمی
• بررسی تنوع ژنتیکی و جهش‌های ژنومی

 پروتئومیک محاسباتی (Computational Proteomics)

• پیش‌بینی ساختار و عملکرد پروتئین‌ها
• شناسایی تعاملات پروتئینی
• تحلیل داده‌های طیف‌سنجی جرمی (Mass Spectrometry)

بیوانفورماتیک پزشکی (Medical Bioinformatics)

• طراحی داروهای هدفمند
• تحلیل داده‌های پزشکی شخصی‌سازی‌شده (Personalized Medicine)
• شناسایی بیومارکرهای بیماری

 مدل‌سازی شبکه‌های زیستی (Biological Network Modeling)

• مدل‌سازی شبکه‌های ژنتیکی، متابولیکی و پروتئینی
• تحلیل مسیرهای زیستی و ارتباطات میان مولکول‌ها
• شبیه‌سازی فرآیندهای زیستی

ترنسکریپتومیک محاسباتی (Computational Transcriptomics)

• تحلیل داده‌های RNA-Seq
• شناسایی ژن‌های بیان‌شده و تنظیم‌شده
• بررسی ریزRNA‌ها و RNAهای غیرکدکننده

 بیوانفورماتیک ساختاری (Structural Bioinformatics)

• مطالعه ساختار سه‌بعدی مولکول‌های زیستی
• پیش‌بینی تعاملات میان مولکول‌ها
• طراحی و مهندسی پروتئین‌ها

بیوانفورماتیک تکاملی (Evolutionary Bioinformatics)

• تحلیل روابط تکاملی میان گونه‌ها
• مقایسه ژنوم‌ها برای درک تکامل
• مطالعه ژن‌های اجدادی و جهش‌های تطبیقی

 متابولومیک محاسباتی (Computational Metabolomics)

• تحلیل متابولیت‌ها در سیستم‌های زیستی
• شناسایی مسیرهای متابولیکی مرتبط با بیماری‌ها
• مدل‌سازی متابولیسم در سطح سلولی

بیوانفورماتیک زیست‌محیطی (Environmental Bioinformatics)

• بررسی تنوع زیستی در اکوسیستم‌ها
• تحلیل داده‌های زیست‌محیطی ژنومی
• مدل‌سازی تأثیر تغییرات محیطی بر ارگانیسم‌ها

 بیوانفورماتیک سیستم‌ها (Systems Bioinformatics)

• مطالعه سیستم‌های زیستی به‌صورت یکپارچه
• مدل‌سازی تعاملات ژنومی، پروتئومی و متابولومی
• درک رفتارهای پیچیده در سطوح مختلف زیستی

 بیوانفورماتیک کشاورزی (Agricultural Bioinformatics)

• شناسایی ژن‌های مقاوم به بیماری‌ها در گیاهان
• پیش‌بینی عملکرد محصولات کشاورزی
• مهندسی ژنتیک برای بهبود کیفیت و کمیت محصولات

بیوانفورماتیک داده‌های حجیم (Big Data Bioinformatics)

• تحلیل و مدیریت داده‌های زیستی در مقیاس بزرگ
• توسعه ابزارهای پیشرفته برای داده‌کاوی
• یکپارچه‌سازی داده‌های مختلف زیستی و محاسباتی

 متاژنومیک محاسباتی (Computational Metagenomics)

• بررسی جوامع میکروبی در محیط‌های مختلف
• تحلیل ژنوم‌های میکروبی ناشناخته
• شناسایی میکروب‌های مؤثر در سلامتی و بیماری‌ها

 بیوانفورماتیک تصویری (Imaging Bioinformatics)

• تحلیل تصاویر زیستی مانند میکروسکوپی و MRI
• استخراج ویژگی‌های زیستی از داده‌های تصویری
• ترکیب داده‌های تصویری با داده‌های ژنومی

 مدل‌سازی مولکولی (Molecular Modeling)

• شبیه‌سازی دینامیک مولکولی
• طراحی و بهینه‌سازی لیگاندها و داروها
• مطالعه تعاملات پروتئین-لیگاند

 بیوانفورماتیک تک‌سلولی (Single-Cell Bioinformatics)

• تحلیل داده‌های تک‌سلولی RNA-Seq
• مطالعه ناهمگنی درون‌سلولی
• شناسایی مسیرهای زیستی در سلول‌های منفرد

 بیوانفورماتیک محاسبات کوانتومی (Quantum Bioinformatics)

• استفاده از الگوریتم‌های کوانتومی برای تحلیل داده‌های زیستی
• پیش‌بینی ساختارهای پیچیده مولکولی
• توسعه مدل‌های جدید در سطح کوانتومی زیست‌شناسی

مباحث اصلی در دکتری بیوانفورماتیک:

دکتری بیوانفورماتیک شامل مجموعه‌ای از مباحث نظری و عملی است که به شرح زیر هستند:

1. تحلیل داده‌های زیستی

• تحلیل داده‌های حاصل از تکنیک‌های توالی‌یابی نسل جدید (NGS)، RNA-Seq، و داده‌های پروتئومیک.
• پردازش داده‌های خام و آماده‌سازی آن‌ها برای تفسیر.

2. طراحی الگوریتم‌ها و ابزارها

• طراحی و بهینه‌سازی الگوریتم‌هایی برای هم‌ترازی توالی‌ها (Sequence Alignment)، پیش‌بینی ساختار پروتئین، و آنالیز شبکه‌های ژنی.
• توسعه نرم‌افزارها و پایگاه‌های داده برای ذخیره و بازیابی داده‌های زیستی.

3. مدل‌سازی زیستی

• مدل‌سازی مسیرهای متابولیکی، شبکه‌های سیگنال‌دهی سلولی، و سیستم‌های زیستی پیچیده.
• استفاده از مدل‌های ریاضی و شبیه‌سازی‌های محاسباتی برای درک فرآیندهای زیستی.

4. یادگیری ماشین و هوش مصنوعی

• کاربرد روش‌های یادگیری ماشین برای پیش‌بینی عملکرد ژن‌ها و پروتئین‌ها.
• تحلیل داده‌های زیستی با استفاده از تکنیک‌های هوش مصنوعی.

5. بیوانفورماتیک ساختاری

• بررسی ساختارهای سه‌بعدی پروتئین‌ها و مولکول‌های زیستی.
• پیش‌بینی تعاملات پروتئین-پروتئین و طراحی دارو.

6. زیست‌شناسی محاسباتی

• مطالعه سیستم‌های زیستی با استفاده از ابزارهای محاسباتی.
• تحلیل تکاملی داده‌ها و کشف الگوهای زیستی.

7. آمار زیستی و داده‌کاوی

• استفاده از آمار برای تحلیل داده‌های زیستی.
• شناسایی روابط میان متغیرهای زیستی و تحلیل همبستگی‌ها.

اهداف دوره دکتری:

1. تربیت پژوهشگران حرفه‌ای برای حل چالش‌های زیستی پیچیده.
2. تولید دانش و فناوری در حوزه‌های زیست‌فناوری، پزشکی، و کشاورزی.
3. توسعه روش‌ها و ابزارهای نوآورانه برای تحلیل داده‌های زیستی.

مهارت‌های مورد نیاز:

دانشجویان دکتری بیوانفورماتیک باید دارای مهارت‌های زیر باشند:

• دانش پایه در زیست‌شناسی، شیمی، یا بیوشیمی.
• مهارت در برنامه‌نویسی (مانند Python، R یا C++).
• درک قوی از آمار و یادگیری ماشین.
• توانایی حل مسئله و تفکر انتقادی.