خبری امیدوارکننده برای نابینایان!
برای اولین بار، ژن‌درمانی توانسته است نابینایی را در کودکانی که با یک بیماری ژنتیکی نادر متولد شده‌اند، درمان کند.
این پیشرفت چشمگیر امید تازه‌ای برای مبتلایان به "آموروزیس مادرزادی لِبِر" (LCA) ایجاد کرده است، بیماری‌ای که به دلیل نقص در ژن AIPL1 باعث نابینایی از بدو تولد می‌شود.

در یک مطالعه پیشگامانه، چهار کودک از آمریکا، ترکیه و تونس تحت یک جراحی کوتاه و کم‌تهاجمی در بیمارستان "گریت اورموند استریت" لندن قرار گرفتند.


این درمان شامل تزریق نسخه سالم این ژن به شبکیه چشم بود. پس از پنج سال، نتایج بسیار امیدوارکننده بود و همه کودکان بهبود قابل‌توجهی در بینایی نشان دادند. آنها اکنون قادرند اشکال را تشخیص دهند، اسباب‌بازی‌های خود را پیدا کنند، چهره والدینشان را بشناسند و حتی در برخی موارد، بخوانند و بنویسند.

این موفقیت، راه را برای درمان‌های بیشتر و امید به بازیابی بینایی در بیماران دیگر هموار کرده است

چین در آستانه انقلاب صنعتی با "کارخانه‌های تاریک"

چین با توسعه کارخانه‌های تاریک، که به‌طور کامل خودکار و بدون نیروی انسانی فعالیت می‌کنند، در مسیر تحول صنعتی قرار دارد. این کارخانه‌ها که با هوش مصنوعی، رباتیک و حسگرهای پیشرفته کار می‌کنند، هزینه‌های انرژی را کاهش داده و بهره‌وری را افزایش می‌دهند.

طبق گزارش فدراسیون بین‌المللی رباتیک (IFR)، چین در سال 2022 حدود 290,367 ربات صنعتی نصب کرده که 52٪ از کل جهان را شامل می‌شود. این پیشرفت بخشی از طرح "ساخت چین 2025" است که بر توسعه رباتیک و هوش مصنوعی تمرکز دارد.

شرکت‌هایی مانند فاکسکان و BYD پیشگام این تغییرات هستند؛ فاکسکان در سال 2016 حدود 60,000 نیروی کار را با ربات جایگزین کرد و قصد دارد تا سال 2025 30٪ عملیات خود را خودکار کند. BYD نیز از سیستم‌های رباتیک در تولید باتری‌های خودروهای الکتریکی و شاسی استفاده می‌کند.

با این سرعت، چین در حال تبدیل‌شدن به رهبر جهانی در تولیدات خودکار و هوشمند است.

مشاهده ساختار ژن های یک ژنوم با استفاده از کتابخانه gggenes در R
کتابخانه gggenes یک زیر مجموعه توسعه یافته از کتابخانه ggplot2 است که از طریق آن می توانید به راحتی ساختار ژن های یک ژنوم را در R نمایش دهید و از فایل های تولید شده در مقالات و پایان نامه خود استفاده کنید.
نمونه کد:

library(ggplot2)
library(gggenes)
ggplot(example_genes, aes(xmin = start, xmax = end, y = molecule, fill = gene)) +
  geom_gene_arrow() +
  facet_wrap(~ molecule, scales = "free", ncol = 1) +
  scale_fill_brewer(palette = "Set3")

کانال ما را در اینستاگرام هم دنبال کنید...

ترسیم نمودار ستونی در پایتون
برای ترسیم نمودار ستونی در پایتون از کتابخانه های seaborn و matplotlib می توانید استفاده کنید.

برای اینکار کافی است که داده های خود را به صورت یک لیست به پایتون داده و سپس مطابق کد زیر یک نمودار ستونی زیبا از داده های خود ترسیم کنید. در اینجا از داده های درصد پلی فنول های اندازه گیری شده برای 5 نمونه گیاهی استفاده شده است.

#  Load necessary libraries
import matplotlib.pyplot as plt
import seaborn as sns

# Data
samples = ['S1', 'S2', 'S3', 'S4', 'S5']
Percentage = [55, 70, 43, 78, 23]

# Generate distinct colors for each bar
colors = sns.color_palette("husl", len(samples))

# Create bar plot
plt.figure(figsize=(8, 5))
plt.bar(samples, Percentage, color=colors, edgecolor='black')

# Labels and title
plt.xlabel("Studied plants")
plt.ylabel("Polyphenols Content (%)")
plt.title("Total Polyphenols Percentages Among Studied Plants")
# Show plot
plt.show()

ترسیم نمودار دایره‌ای در پایتون
برای اینکار می توانید از کتابخانه های seaborn و matplotlib استفاده کنید. فرض کنید 5 داروی مختلف را از لحاظ درصد الودگی مورد بررسی قرار داده اید، حال برای اینکه به صورت یک نمودار دایره ای این داده های بدست آمده را نشان دهید می توانید از کد زیر استفاده کنید. می توانید کد را برای داده های خودتان شخصی سازی کنید.

# Load necessary libraries
import matplotlib.pyplot as plt
import seaborn as sns

# Data
Drugs = ['D1', 'D2', 'D3', 'D4', 'D5']
Contamination = [55, 12, 18, 10, 5]

# Generate distinct colors
colors = sns.color_palette("pastel", len(Drugs))

# Create pie chart
plt.figure(figsize=(7, 7))
plt.pie(Contamination, labels=Drugs, autopct='%1.1f%%', colors=['#FF5733', '#33FF57', '#3357FF', '#F4C542', '#A833FF'], startangle=120, 
wedgeprops={'edgecolor': 'black', 'linewidth': 1})

# Add title
plt.title("Total Contamination Percentage Among Evaluated Drugs")

# Show plot
plt.show()