Channel
@BioinfCamp
On this record: Topic · Growth · Engagement · Posts · Citations · Telegram's recommendations · Cite this entry
6,991subscribers
+36 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of 3,162–10,000.
| Telegram ID | -1001086117587 |
|---|---|
| Type | Channel |
| Username | @BioinfCamp |
| Created | 27 May 2020 — measured — cross-checked against a third-party dataset (ext.tg_channel) |
| First recorded | 6 August 2026 |
| Last confirmed live | 26 September 2026 |
| Measurements held | 14 |
| Confirmed unchanged | 2 times, most recently 26 September 2026 |
| On Telegram | t.me/BioinfCamp |
Education — a classification, not a measurement. An on-box language model (Qwen3.6-35B-A3B-FP8, prompt version 1) read this channel’s own recent posts on 12 September 2026 and assigned it the closest of 31 fixed categories, at 89% confidence. This is a model’s judgement about what the channel is likely to be about, not a fact this register measured the way a subscriber count or a view count is measured — it can be revised on a later pass, and it carries no weight anywhere else on this page. How this classification works, and why it has no browse page of its own yet.
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 17 Sept 2026, 16:40 | 6,991 | +6 |
| 13 Sept 2026, 20:39 | 6,985 | +3 |
| 10 Sept 2026, 03:39 | 6,982 | +11 |
| 1 Sept 2026, 10:57 | 6,971 | +8 |
| 29 Aug 2026, 02:05 | 6,963 | -5 |
| 26 Aug 2026, 05:43 | 6,968 | -3 |
| 23 Aug 2026, 08:14 | 6,971 | +9 |
| 19 Aug 2026, 11:06 | 6,962 | -3 |
| 16 Aug 2026, 06:04 | 6,965 | +3 |
| 13 Aug 2026, 00:04 | 6,962 | +9 |
| 10 Aug 2026, 02:01 | 6,953 | -3 |
| 7 Aug 2026, 01:15 | 6,956 | +1 |
| 6 Aug 2026, 17:15 | 6,955 | no change |
| 6 Aug 2026, 16:59 | 6,955 | first reading |
33 posts held, back to 17 July 2026 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 12 pages of Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 33 posts for this entry, the most recent from 19 August 2026. An engagement rate over an empty window would be a number about nothing.
فایلهای .h5 یا HDF5 چیست؟ فایلهای با پسوند .h5 مخصوص ذخیرهسازی دادههای علمی بزرگ هستن. این فرمت ساختار سلسلهمراتبی داره (مثل فولدر و زیرفولدر) و برای کار با دادههای حجیم و چندبعدی عالیه. ویژگیها: 🔹 مناسب برای Big Data 🔹 ساختار منظم با groups و datasets 🔹 پشتیبانی از متادیتا و انواع دادهها کاربردها: 🔹ذخیره مدلهای یادگیری ماشین (مثل Keras) 🔹 دادههای علمی بیوانفورماتیکی 🔹 پروژههای پردازش تصویر و سیگنال و…
قیافهم وقتی یه مقاله از سال 1998 همون چیزی رو میگه که من شش ماهه سعی دارم با اشک و عرق و خون ثابتش کنم! #زنگ_تفریح #پژوهش ---------- 🆔 @BioinfCamp
فهرست شبکههای عصبی که باید بدونید 🔹 Perceptron 🔹 Feed-Forward Neural Network (FFNN) 🔹 Radial Basis Function Network (RBFN) 🔹 Deep Feed-Forward Network (DNN) 🔹 Convolutional Neural Network (CNN) 🔹 Recurrent Neural Network (RNN) 🔹 Gated Recurrent Unit (GRU) 🔹 Autoencoder (AE) 🔹 Variational Autoencoder (VAE) 🔹 Generative Adversarial Network (GAN) 🔹 Self-Organizing Map (SOM) 🔹 Hopfield Network 🔹 Transformer Network 🔹 L…
معرفی GeneCards: پایگاه داده ژنهای انسانی 🔹 این پایگاهداده اطلاعات کامل و کاربرپسندی درباره تمام ژنهای انسانی، چه ژنهای شناساییشده و چه ژنهای پیشبینیشده، ارائه میدهد. 🔹 این پایگاه داده بهصورت خودکار اطلاعات ژنمحور را از حدود ۲۰۰ منبع وب مختلف جمعآوری و ترکیب میکند، از جمله اطلاعات ژنومی، ترنسکریپتومی، پروتئومی، ژنتیکی، بالینی و عملکردی. 🔹 با GeneCards میتوان به راحتی اطلاعات دقیق و گستردهای درباره ژ…
معرفی Training Loss 🔹 معیاری است برای سنجش عملکرد مدل یادگیری ماشین روی دادههای آموزشی در حین فرآیند یادگیری. 🔹 به زبان ساده، این عدد نشان میدهد پیشبینیهای مدل چقدر با برچسبهای واقعی دادههای آموزشی فاصله دارند. 🔹 فرض کنید مدلی برای تشخیص گربه و سگ آموزش میدهید. اگر در یک دسته از تصاویر، مدل یک گربه را به اشتباه سگ پیشبینی کند، مقدار Training Loss افزایش پیدا میکند. سپس الگوریتم بهینهساز تلاش میکند این خ…
📢 فرصت شغلی در حوزه هوش مصنوعی و بیوانفورماتیک در فرانسه 🇫🇷 🔹 مؤسسه IGMM-CNRS در مونپلیه فرانسه به دنبال جذب یک متخصص بیوانفورماتیک یا AI Engineer برای پروژهای در زمینه هوش مصنوعی در کشف دارو است. 🔹 موضوع پروژه: توسعه روشهای هوش مصنوعی و یادگیری ماشین برای پیشبینی پاسخ به دارو در سرطان کولورکتال مقاوم به درمان (CMS4) و کمک به شناسایی ترکیبات درمانی جدید. 🔹 تسلط خوب به یادگیری ماشین، آمار، ریاضیات و آشنایی با …
💥 تنوع مردم آسیا در سلولهای ایمنی انسان 💎 از سری پستهای پایگاهِ خبری کمپ بیوانفورماتیک!!! 💎 لطفا برای مطالعه این مطلب علمی بر روی لینک زیر کلیک کنید 👇 💎 ResBio Post - Click Here #مقاله #بیوانفورماتیک ---------- 🆔 @BioinfCamp
🔹 دیروز یه سوال پرسیدیم که جوابش نرمالسازی دادهها بود. 🔹 دادهها رو قبل از آنالیز نرمال میکنیم چون وقتی مقیاسها یا پراکندگیها خیلی متفاوت باشن، مدلها و تحلیلها نمیتونن درست یاد بگیرن یا نتایج خوبی بدن. 🔹 بعد از نرمالسازی، دادهها روی یک مقیاس مناسب قرار میگیرن و تحلیلها دقیقتر و قابل اعتمادتر میشن. #آنالیز_داده ---------- 🆔 @BioinfCamp
🔹 به نظر شما روی این دادهها چه کاری انجام شده که چنین تغییری در توزیعِ آنها ایجاد شده؟ 🧐 🔹 چرا تو آنالیز دادهها این کار رو انجام میدیم؟ 🔹 چرا دادههای خام معمولاً در آنالیز، خروجیها و نتایج دقیق و قابل اعتمادی ارائه نمیدهند، اما پس از انجام این تغییر، تحلیلها پایدارتر، قابل مقایسهتر و قابل اعتمادتر میشوند؟ #آنالیز_داده ---------- 🆔 @BioinfCamp
معرفی G&T-seq Genome and Transcriptome sequencing یک روش تکسلولی (single-cell) برای تحلیل همزمان DNA و RNA است که به محققان اجازه میدهد تا ارتباط بین DNA و RNA در سطح یک سلول را بررسی کنند. 🔹 هدف اصلی: فهم تغییرات ژنتیکی (مانند جهشها، کپی نامبر تغییرات CNVs) و بیان ژنی (transcriptional profile) در یک سلول. کاربرد در مطالعه تنوع سلولی، سرطان، توسعه سلولی، و بیماریهای ژنتیکی. 🔹 روش کار: ابتدا سلول منفرد جداسازی…
معرفی Nano Banana 🍌 🔹 یک ابزار هوش مصنوعی برای ویرایش و ساخت تصویر با استفاده از توصیف متنی! 🔹 با Nano Banana میتونی عکسها رو بدون نیاز به مهارت طراحی یا فتوشاپ، فقط با نوشتن یک متن، تغییر بدی یا تصویر جدید بسازی. https://nanobananaimg.com #معرفی_ابزار ---------- 🆔 @BioinfCamp
لنفوسیتهای داخلاپیتلیالی یا IEL (Intraepithelial Lymphocytes) نوعی سلول ایمنی هستند که بین سلولهای اپیتلیال روده باریک قرار دارند. ویژگیها: 🔹 عمدتاً از نوع T lymphocyte هستند. 🔹 نقش مهمی در حفظ ایمنی مخاطی دارند. 🔹 اولین خط دفاعی در برابر آنتیژنها و عوامل خارجی (مثل ویروسها، باکتریها و پروتئین گلوتن) محسوب میشوند. #دانستنیها ---------- 🆔 @BioinfCamp
Showing the 12 most recent of 33 posts we hold for @BioinfCamp. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Republished by
Channels on the register that have forwarded this channel's posts into their own feed.
Built only from forwarded posts we have actually read, on both sides. Coverage is early and deliberately incomplete: a missing link means we have not read the post that would prove it, never that the relationship does not exist. Counts are distinct forwarded posts observed, so they only ever go up as we read more.
Named by 3 registered channels — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
The reverse of the list above, and a different kind of signal. This does not require this channel to have ever been asked about directly — each row below is a channel we DID ask Telegram about, whose Telegram-generated list happened to include this one. A channel can appear here with an empty list above it, because being named by someone else’s query is independent of having been queried itself.
This channel appears in 4 seed channels' Telegram-generated recommendation lists in total. Each is Telegram’s list for THAT channel, not this one — see how this is measured.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 17 September 2026 — this entry's latest reading, not the date you are reading this.
“کمپ بیوانفورماتیک” (@BioinfCamp), 6,991 subscribers as measured 17 September 2026. Telegram Register, tgregister.com/channel/BioinfCamp.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.