3 measurements taken within a single day, net +8. 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 31–41 and does not start at zero.
Measurement log — every subscribers count we have recorded
Measured (UTC)
Subscribers
Change
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.
ERR · 30 days
147.7%
avg views ÷ 40 subscribers
Avg views / post
59.1
13 posts measured
Reaction rate
2.70%
reactions ÷ views · ER floor
Posts in window
17
of 17 held
ERR is average views per post over the last 30 days divided by subscribers, the definition TGStat uses, so this figure is comparable with the one you will see elsewhere. It falls structurally as a channel grows: a high ERR on a small channel and a low one on a large channel describe reach mathematics, not quality. We publish the figure and the sample it came from and pass no verdict on it.
ER is defined industry-wide as (forwards + reactions + comments) ÷ views — note the denominator is views, not subscribers. Telegram’s public web preview carries views and reactions but not forward or comment counts, so the reaction rate above is the reactions term only and is therefore a floor: the true ER for this channel is higher by an amount we have not measured and will not estimate. It is computed over the 10 of 13 measured posts that carry a reaction reading, and over those same posts' views.
What these figures were computed from
Window
Rolling 30 days · latest post in window 1 September 2026
Posts held
17 (20 August 2026 – 1 September 2026)
Views total
768
Reactions total
18
Forwards / comments
not exposed by the public surface — not measured, not estimated
Readings taken
2 Sept 2026, 12:45 UTC
Views are a single reading per post, taken at the time above. A post published in the last day or two is still accumulating views, which pulls the 30-day average down slightly. That is a property of the standard definition rather than a fault in it, so we keep the definition rather than “correcting” the number into something nobody can reproduce.
Precision. Telegram publishes view counts on its public widget in short form — 8.12K, 3.7M — so any reading at or above 1,000 reaches us rounded to three significant figures, and only counts below 1,000 are exact. Averages and rates derived from them are shown to the same precision rather than to the unit: a figure like 3,701,250 would assert digits nobody measured.
Reaction counts are published per emoji and rounded the same way, so a total below 1,000 is exact and a larger one is a sum that may carry a rounded component from each emoji above 1,000. Because it is a sum, it does not look rounded — read a large reaction total as three significant figures per contributing emoji rather than as the figure it prints.
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.
🐱 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…
🐀 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 …
📚 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…
🤖 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…
📚 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…
💡 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…
🐷 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…
🧬 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…
🧬 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…
🧬 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…
🧬 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.
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 2 September 2026 — this
entry's latest reading, not the date you are reading this.
“BioInsight” (@Bioinsight1405), 40 subscribers as measured 2 September 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.
