Channel

BioInsight

@Bioinsight1405

On this record: Topic · Growth · Engagement · Reactions · Posts · Citations · Cite this entry

100subscribers

+68 since we began measuring on 2 September 2026

Risers and fallers across the register · movement among entries of Under 1,000.

Register entry

Telegram ID	-1004352776225
Type	Channel
Username	@Bioinsight1405
Created	20 August 2026 — measured — dated from the channel’s first post
First recorded	2 September 2026
Last confirmed live	20 October 2026
Measurements held	6
Confirmed unchanged	2 times, most recently 20 October 2026
On Telegram	t.me/Bioinsight1405

Topic

Science — 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 1 October 2026 and assigned it the closest of 31 fixed categories, at 80% 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.

Growth

6 measurements spanning 40 days, net +68. Dots are measurements; the straight line between them is drawn to join them, not to claim we know the path taken in between — snapshots are recorded only when a count changes, so gaps mean “no change observed”, never “interpolated”. The vertical axis spans 22–110 and does not start at zero.

Measurement log — every subscribers count we have recorded
Measured (UTC)	Subscribers	Change
12 Oct 2026, 08:40	100	+7
1 Oct 2026, 01:19	93	+30
11 Sept 2026, 17:38	63	+23
2 Sept 2026, 21:45	40	+8
2 Sept 2026, 12:45	32	no change
2 Sept 2026, 12:30	32	first reading

Engagement

17 posts held, back to 20 August 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 1 page 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 17 posts for this entry, the most recent from 1 September 2026. An engagement rate over an empty window would be a number about nothing.

Reaction mix

18 reactions across 10 posts, in 2 distinct kinds. The most used accounts for 94.4% of them.

Every reaction kind recorded on the sample, most used first
Reaction	Count	Share	Share, drawn
❤	17	94.4%
😱	1	5.56%

No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.

Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.

Coverage. Reactions were read on 10 of the 17 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 18 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.

Measured over the 17 most recent posts we hold, published 20 August 2026 to 1 September 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.

Recent posts

1 Sept 2026, 06:52 UTC61 views2 reactionsread 2 September 2026

Photo

🐱 اگر یک AI Agent واقعاً قرار باشد وارد پژوهش علمی شود، فقط «مدل زبانی قوی» کافی نیست. باید بداند برای RNA-seq از چه workflowای استفاده کند، چطور با Scanpy داده‌های single-cell را تحلیل کند، چگونه از PubMed، UniProt یا ChEMBL اطلاعات بگیرد، چه زمانی سراغ RDKit یا COBRApy برود و چطور خروجی را به یک گزارش علمی قابل‌ردیابی تبدیل کند. ریپوی Scientific Agent Skills از K-Dense دقیقاً روی همین مسئله کار می‌کند. در نسخه فعل…

❤2

Signed پشتیبانی ویوان

1 Sept 2026, 01:25 UTC28 views3 reactionsread 2 September 2026

Photo

🐀 وقتی رفتار موش آزمایشگاهی به «داده» تبدیل می‌شود در بسیاری از مطالعات زیست‌پزشکی، رفتار حیوان هنوز یکی از دشوارترین فنوتیپ‌ها برای اندازه‌گیری است. یک پژوهشگر ممکن است ساعت‌ها ویدئو ببیند و رفتارهایی مثل راه‌رفتن، grooming یا تغییرات پوسچر را به‌صورت دستی ثبت کند؛ فرایندی که هم زمان‌بر است و هم می‌تواند تحت تأثیر قضاوت مشاهده‌گر قرار بگیرد. پژوهشگران The Jackson Laboratory برای حل این مسئله سامانه‌ای به نام JABS …

❤3

Signed پشتیبانی ویوان

29 Aug 2026, 18:24 UTC33 views3 reactionsread 2 September 2026

Photo

📚 وقتی زیست‌شناسی به مسئله‌ای برای محاسبه تبدیل می‌شود 💡 اگر بتوانیم یک مسیر سیگنالینگ را به یک مدل تبدیل کنیم، آیا می‌توانیم رفتار آینده آن را هم پیش‌بینی کنیم؟ 🔮 کتاب Computational Methods in Systems Biology مجموعه‌ای از پژوهش‌های حوزه زیست‌شناسی سامانه‌هاست که نشان می‌دهد برای مطالعه یک سیستم زیستی همیشه لازم نیست فقط به داده‌های آزمایشگاهی نگاه کنیم. از Boolean Network و مدل‌های ODE گرفته تا شناسایی drug targe…

❤3

Signed پشتیبانی ویوان

29 Aug 2026, 18:15 UTC321 views3 reactionsread 2 September 2026

Photo

🤖 وقتی سیستم‌عامل فقط برای اجرای برنامه‌ها نباشد؛ Omarchy چه سیگنالی برای آینده زیست‌شناسی دارد؟ سال‌هاست سیستم‌عامل‌ها تقریباً با یک منطق ثابت طراحی می‌شوند: ما برنامه را باز می‌کنیم، فایل را پیدا می‌کنیم، دستور اجرا می‌کنیم و بین ابزارهای مختلف جابه‌جا می‌شویم. اما ظهور AI Agentها می‌تواند این رابطه را تغییر دهد. 🧠 در این مدل، واحد اصلی تعامل دیگر لزوماً «برنامه» نیست؛ می‌تواند هدف باشد. مثلاً به‌جای اینکه خودمان چ…

❤3

Signed پشتیبانی ویوان

26 Aug 2026, 22:39 UTC38 views2 reactionsread 2 September 2026

Photo

📚 اگه بشه یک سلول پستاندار رو مثل یک سیستم مهندسی طراحی کرد، از کجا باید شروع کنیم؟ اولین کتابی که می‌خوام در بخش library معرفی کنم: 📖 Mammalian Synthetic Systems زیست شناسی مصنوعی (Synthetic Biology) فقط درباره دست‌کاری چند ژن نیست. ایده جذاب‌تر اینه که بتونیم رفتار یک سلول رو طراحی، کنترل و حتی برنامه‌ریزی کنیم. این کتاب دقیقاً وارد همین فضا می‌شه؛ اما به‌جای اینکه فقط درباره مفاهیم حرف بزنه، سراغ روش‌ها و پروتک…

❤2

Signed پشتیبانی ویوان

26 Aug 2026, 20:41 UTCviews —

BioInsight pinned a photo

26 Aug 2026, 20:01 UTC55 views1 reactionsread 2 September 2026

Photo

💡 بیش از ۱۸۰ کانال یوتیوب برای یادگیری Data Science و AI اگه برای یادگیری Data Science، Machine Learning و AI هی بین کانال‌های مختلف یوتیوب می‌چرخی و آخرش هم نمی‌دونی کدوم رو دنبال کنی، این Repository می‌تونه خیلی به کارت بیاد. توش بیشتر از ۱۸۰ کانال یوتیوب جمع شده و خوشبختانه فقط یه لیست شلوغ از لینک‌ها نیست؛ کانال‌ها موضوعی دسته‌بندی شدن. مثلاً برای این حوزه‌ها می‌تونی کانال پیدا کنی: ✅ Data Science و Data Analys…

❤1

Signed پشتیبانی ویوان

26 Aug 2026, 17:45 UTC36 views1 reactionsread 2 September 2026

Photo

🐷 هشدار بیل گیتس درباره AI و خطر بیوتروریسم بیل گیتس هشدار داده است که یکی از خطرهای مهم هوش مصنوعی، آسان‌تر شدن سوءاستفاده از دانش زیستی است. به گفته او، اطلاعات مربوط به ساخت سلاح‌های زیستی از قبل وجود داشته است؛ اما AI می‌تواند پیدا کردن، فهمیدن و عملی‌کردن این اطلاعات را برای افراد با تخصص کمتر آسان‌تر کند. نگرانی اصلی، ماهیت dual-use این فناوری است: همان ابزارهایی که می‌توانند به طراحی دارو، واکسن و تحلیل داده‌…

😱1

Signed پشتیبانی ویوان

26 Aug 2026, 16:55 UTC31 views1 reactionsread 2 September 2026

Photo

🧬 وقتی GNN و LLM با هم وارد علم مولکولی می‌شوند، چه چیزی به دست می‌آید؟ مولکول را می‌توان به شکل یک گراف دید؛ اتم‌ها گره‌های گراف هستند و پیوندهای شیمیایی ارتباط میان آن‌ها را می‌سازند. این همان جایی است که Graph Neural Network یا GNN می‌تواند اطلاعات ساختاری مولکول را یاد بگیرد. از طرف دیگر، Large Language Model یا LLM می‌تواند با اطلاعات متنی و نمایش‌هایی مانند SMILES کار کند و حتی دستورهای زبان طبیعی را پردازش ک…

❤1

Signed پشتیبانی ویوان

24 Aug 2026, 18:15 UTC32 views1 reactionsread 2 September 2026

Photo

🧬 مدل زبانی پروتئین برای تشخیص neuropeptide به چه ویژگی‌هایی تکیه می‌کند؟ ⚠️ این پژوهش یک preprint است و هنوز peer review نشده است. مدل‌های Protein Language Model مانند ESM-2 می‌توانند الگوهای پیچیده‌ای را از میلیون‌ها sequence یاد بگیرند، اما فهمیدن اینکه یک prediction دقیقاً بر چه ویژگی‌هایی متکی است، ساده نیست. در یک کار جدید، پژوهشگران از Sparse Autoencoder برای استخراج featureهای قابل‌تفسیر از representationهای…

❤1

Signed پشتیبانی ویوان

24 Aug 2026, 12:58 UTC31 views1 reactionsread 2 September 2026

Photo

🧬 ممکن است فیلتر کردن variantهای کم‌فراوانی mtDNA، بخشی از تاریخچه‌ی سلول را پاک کند ⚠️ این مطالعه یک preprint است و هنوز peer review نشده است. در lineage tracing، پژوهشگران گاهی از mutationهای mitochondrial DNA برای تشخیص رابطه‌ی سلول‌ها استفاده می‌کنند. اما variantهایی با heteroplasmy پایین معمولاً به دلیل نگرانی درباره‌ی noise فیلتر می‌شوند. در این مطالعه، پژوهشگران نتیجه‌ی lineage tracing مبتنی بر mtDNA را با le…

❤1

Signed پشتیبانی ویوان

24 Aug 2026, 12:42 UTC30 viewsread 2 September 2026

Photo

🧬 آیا یک مرحله از metabolomics واقعاً می‌تواند بیش از ۱۰۰ برابر سریع‌تر شود؟ ⚠️ این پژوهش فعلاً یک preprint است و هنوز peer review نشده است. در تحلیل داده‌های LC-MS، مرحله‌ی feature finding می‌تواند یکی از بخش‌های پرهزینه‌ی محاسباتی باشد. پژوهشگران یک روش جدید با نام Everything Bagel Feature Finder را روی ۸ مجموعه‌داده‌ی benchmark آزمایش کرده‌اند. طبق گزارش خود نویسندگان، این روش در بعضی شرایط تا ۱۵۰ برابر CPU-hours…

Signed پشتیبانی ویوان

Showing the 12 most recent of 17 posts we hold for @Bioinsight1405. 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.

Mentions

Named by 1 registered channel — 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.

آموزش بیوانفورماتیک کاربردی و آنالیز داده
@pishgam_bioinformatics · 20,9772 posts

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.

Cite this entry

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 12 October 2026 — this entry's latest reading, not the date you are reading this.

“BioInsight” (@Bioinsight1405), 100 subscribers as measured 12 October 2026. Telegram Register, tgregister.com/channel/Bioinsight1405.

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.