نگارش پایان نامه با نمونه کار در حوزه بیوانفورماتیک

چرا بیوانفورماتیک؟ دروازه‌ای به آینده زیست‌شناسی و پزشکی

در دنیای امروز که داده‌ها به مثابه طلای جدید شناخته می‌شوند، بیوانفورماتیک به عنوان پلی حیاتی میان علوم زیستی و علوم کامپیوتر عمل می‌کند. این رشته نوظهور، با بهره‌گیری از ابزارهای محاسباتی و آماری، به دانشمندان کمک می‌کند تا از حجم عظیم داده‌های بیولوژیکی (مانند توالی ژنوم، پروتئوم و بیان ژن) اطلاعات معنادار استخراج کرده و به درک عمیق‌تری از فرآیندهای زیستی دست یابند. نگارش پایان‌نامه در این حوزه، نه تنها به تقویت مهارت‌های تحلیلی و برنامه‌نویسی شما کمک می‌کند، بلکه شما را در خط مقدم اکتشافات علمی و نوآوری در حوزه‌هایی چون داروسازی، پزشکی شخصی‌سازی شده و کشاورزی قرار می‌دهد.

اهمیت روزافزون بیوانفورماتیک در تحقیقات

با ظهور فناوری‌های نسل جدید توالی‌خوانی (NGS) و سایر تکنیک‌های “اومیکس” (Omics)، حجم داده‌های بیولوژیکی با سرعتی سرسام‌آور در حال افزایش است. بدون تخصص بیوانفورماتیک، تجزیه و تحلیل این داده‌ها و استخراج بینش‌های ارزشمند از آن‌ها عملاً غیرممکن خواهد بود. از کشف نشانگرهای زیستی جدید برای بیماری‌ها گرفته تا طراحی داروهای نوین و درک مکانیزم‌های پیچیده سلولی، بیوانفورماتیک نقش محوری ایفا می‌کند. این حوزه پتانسیل بالایی برای حل چالش‌های بزرگ بشری دارد و به همین دلیل، تسلط بر آن برای هر پژوهشگر علوم زیستی مدرن، یک مزیت رقابتی محسوب می‌شود.

گام‌های اساسی در نگارش پایان نامه بیوانفورماتیک

مسیر نگارش یک پایان‌نامه بیوانفورماتیک موفق، شامل مراحل متعددی است که هر یک نیازمند دقت و برنامه‌ریزی دقیق هستند. در ادامه به تفصیل به این مراحل می‌پردازیم:

انتخاب موضوع: اولین و مهم‌ترین گام

انتخاب یک موضوع مناسب، سنگ بنای موفقیت شما در نگارش پایان‌نامه است. موضوع باید هم جذابیت شخصی برای شما داشته باشد و هم از نظر علمی نوآورانه و قابل دفاع باشد. برای انتخاب موضوع، به نکات زیر توجه کنید:

• **همپوشانی با علایق شما و استاد راهنما:** انتخاب موضوعی که با حوزه تخصصی استاد راهنمای شما همخوانی دارد، می‌تواند به دریافت راهنمایی‌های بهتر و دسترسی به منابع کمک کند.
• **نوآوری و اهمیت:** تلاش کنید موضوعی را انتخاب کنید که به حل یک مشکل واقعی یا پر کردن یک شکاف علمی کمک کند. به دنبال یافتن یک “ایده محوری (Pillar)” باشید که بتوانید آن را به زیرشاخه‌های تحقیقاتی (Cluster) تقسیم کنید.
• **دسترسی به داده‌ها و ابزارها:** مطمئن شوید که داده‌های لازم برای تحقیق شما در دسترس هستند (مانند پایگاه‌های داده عمومی) و ابزارهای بیوانفورماتیکی مورد نیاز برای تحلیل نیز قابل دستیابی یا توسعه هستند.
• **محدوده زمانی و منابع:** موضوعی را انتخاب کنید که در چارچوب زمانی و با منابع موجود (مالی، محاسباتی) قابل انجام باشد.

برای عمیق‌تر شدن در فرایند انتخاب یک موضوع تحقیقاتی محوری (Pillar) و زیرمجموعه‌های آن (Cluster)، باید دیدی استراتژیک به تحقیقات داشته باشید.

مرور ادبیات (Literature Review): ساختن پایه علمی

پس از انتخاب موضوع، یک مرور ادبیات جامع و دقیق ضروری است. این بخش به شما کمک می‌کند تا با پیشینه تحقیق در زمینه مورد نظر آشنا شوید، نقاط قوت و ضعف مطالعات قبلی را شناسایی کنید و جایگاه کار خود را در میان تحقیقات موجود مشخص سازید. منابع معتبری مانند PubMed، Google Scholar، Web of Science و Scopus برای این مرحله بسیار مفید هستند. در این مرحله، مقالات کلیدی و پر استناد را شناسایی کنید، روش‌های استفاده شده را تحلیل کنید و به دنبال الگوها یا نقاط بحث‌برانگیز در ادبیات باشید.

جمع‌آوری و پیش‌پردازش داده‌ها: چالش‌های بیوانفورماتیک

بیوانفورماتیک به شدت به داده‌های با کیفیت وابسته است. داده‌ها می‌توانند از منابع عمومی مانند NCBI (GenBank, SRA), EBI (ENA, ArrayExpress), UCSC Genome Browser یا حتی از آزمایشگاه خودتان جمع‌آوری شوند. چالش اصلی در اینجا، حجم بالای داده‌ها و لزوم پیش‌پردازش دقیق آن‌هاست. پیش‌پردازش شامل مراحل زیر است:

• **فیلتر کردن و پاکسازی (Filtering & Cleaning):** حذف داده‌های ناقص، تکراری یا نویزدار.
• **نرمال‌سازی (Normalization):** تنظیم داده‌ها برای حذف بایاس‌های فنی و مقایسه‌پذیری.
• **هم‌ترازسازی (Alignment):** در مورد داده‌های توالی، هم‌ترازسازی با ژنوم مرجع.
• **حاشیه‌نویسی (Annotation):** افزودن اطلاعات بیولوژیکی به توالی‌ها یا داده‌های دیگر.

داده‌ها، همچون سخن اینفلوئنسرها، باید شفاف و قابل اعتماد باشند تا بتوانند تأثیرگذار و معتبر واقع شوند. اگر داده‌ها مغشوش باشند، نتایج تحقیق نیز گمراه‌کننده خواهند بود.

انتخاب روش‌ها و ابزارهای بیوانفورماتیکی

بسته به نوع داده و سوال تحقیق، ابزارهای بیوانفورماتیکی متفاوتی وجود دارند. این ابزارها می‌توانند شامل نرم‌افزارهای آماده، پکیج‌های برنامه‌نویسی (مانند R و Python) یا سرورهای آنلاین باشند. انتخاب صحیح ابزارها برای تحلیل کارآمد داده‌ها حیاتی است. در جدول زیر، برخی از ابزارهای پرکاربرد در بیوانفورماتیک را مشاهده می‌کنید:

تحلیل و تفسیر نتایج: تبدیل داده به دانش

این مرحله قلب هر تحقیق بیوانفورماتیکی است. پس از اجرای تحلیل‌ها، نوبت به تفسیر بیولوژیکی نتایج می‌رسد. این بدان معناست که صرفاً ارائه نمودارها و جداول کافی نیست؛ باید معنای بیولوژیکی آن‌ها را توضیح دهید و به سوالات اصلی تحقیق پاسخ دهید. برای این کار:

• **استفاده از دانش بیولوژیکی:** نتایج را در بستر دانش فعلی زیست‌شناسی و پزشکی قرار دهید.
• **اعتبارسنجی نتایج:** در صورت امکان، نتایج خود را با مطالعات قبلی یا داده‌های آزمایشگاهی تأیید کنید.
• **دیدگاه‌های جدید:** به این فکر کنید که نتایج شما چه دیدگاه‌های جدیدی را ارائه می‌دهند یا چه فرضیه‌هایی را مطرح می‌کنند.
• **بصری‌سازی داده‌ها (Data Visualization):** استفاده از نمودارها، گراف‌ها و نقشه‌های حرارتی جذاب و گویا برای ارائه نتایج.

نگارش فصل‌بندی پایان‌نامه: ساختار استاندارد

یک پایان‌نامه استاندارد معمولاً شامل فصل‌های زیر است:

1. **فصل اول: کلیات تحقیق (مقدمه):** معرفی موضوع، بیان مسئله، اهمیت، اهداف و فرضیه‌ها.
2. **فصل دوم: مرور ادبیات و پیشینه تحقیق:** بررسی جامع مطالعات قبلی.
3. **فصل سوم: مواد و روش‌ها:** جزئیات داده‌ها، ابزارها، الگوریتم‌ها و مراحل تحلیل.
4. **فصل چهارم: نتایج و بحث:** ارائه یافته‌ها (با نمودار و جداول)، تفسیر آن‌ها و مقایسه با مطالعات دیگر.
5. **فصل پنجم: نتیجه‌گیری و پیشنهادات:** جمع‌بندی، محدودیت‌ها و پیشنهادهایی برای تحقیقات آینده.

همواره به اصول نگارش علمی، استناددهی صحیح و رعایت قوانین اخلاقی در پژوهش توجه داشته باشید.

نمونه کار عملی: تحلیل داده‌های RNA-Seq سرطان سینه

برای درک بهتر مراحل نگارش پایان‌نامه، به یک نمونه عملی می‌پردازیم. فرض کنید موضوع پایان‌نامه شما “شناسایی ژن‌های با بیان افتراقی در زیرگروه‌های مولکولی سرطان سینه با استفاده از داده‌های RNA-Seq” باشد.

معرفی پروژه و اهداف

**عنوان:** شناسایی نشانگرهای ژنتیکی بالقوه برای تشخیص و درمان سرطان سینه از طریق تحلیل داده‌های RNA-Seq.
**هدف:** مقایسه الگوی بیان ژن در نمونه‌های تومور سرطان سینه از زیرگروه‌های مولکولی مختلف (مثلاً Luminal A، Triple-Negative) با نمونه‌های سالم بافتی، به منظور شناسایی ژن‌هایی که بیانشان به طور معنی‌داری تغییر کرده است ( differentially expressed genes, DEGs).

متریال و روش‌ها (Materials & Methods)

• **جمع‌آوری داده‌ها:** داده‌های RNA-Seq از پایگاه داده عمومی (مانند TCGA یا GEO) برای نمونه‌های سرطان سینه و بافت‌های نرمال مجاور، به همراه اطلاعات بالینی و زیرگروه مولکولی آن‌ها، جمع‌آوری شد.
• **پیش‌پردازش داده‌ها:**
  • کنترل کیفیت توالی‌خوانی (با استفاده از FastQC).
  • حذف آداپتورها و توالی‌های کم‌کیفیت (با استفاده از Trimmomatic).
  • هم‌ترازسازی توالی‌های خوانده شده به ژنوم مرجع انسان (hg38) با ابزار STAR.
  • شمارش توالی‌های هم‌تراز شده برای هر ژن (با استفاده از featureCounts).
• **تحلیل بیان افتراقی:**
  • تحلیل بیان افتراقی ژن‌ها بین گروه‌ها (مثلاً تومور vs. نرمال، Luminal A vs. Triple-Negative) با استفاده از پکیج DESeq2 در R.
  • فیلتر کردن ژن‌ها بر اساس p-value تعدیل شده ( 1).
• **غنی‌سازی عملکردی:**
  • تجزیه و تحلیل غنی‌سازی مسیرهای بیولوژیکی و اصطلاحات Gene Ontology (GO) برای ژن‌های با بیان افتراقی با استفاده از ابزارهایی مانند DAVID یا Metascape.
• **بصری‌سازی:** تولید نمودارهای وُلکانو (Volcano Plot)، نقشه‌های حرارتی (Heatmap) و نمودارهای GO/KEGG برای نمایش نتایج.

نتایج و بحث (Results & Discussion)

در این بخش، نتایج تحلیل‌ها به صورت شفاف و با استفاده از نمودارها و جداول ارائه می‌شوند. برای مثال، نتایج ممکن است شامل موارد زیر باشند:

• **تعداد ژن‌های با بیان افتراقی:** گزارش تعداد DEGs در هر مقایسه (مثلاً ۱۲۰۰ ژن در مقایسه تومور vs. نرمال، که ۷۰۰ مورد بالا-بیان و ۵۰۰ مورد پایین-بیان بودند).
• **ژن‌های کلیدی:** شناسایی ژن‌هایی با بالاترین تغییر بیان یا مرتبط با مسیرهای سرطان.
• **مسیرهای غنی‌شده:** مسیرهای بیولوژیکی مرتبط با رشد تومور، متاستاز یا پاسخ ایمنی که در DEGs غنی شده‌اند.

در بخش بحث، این نتایج با یافته‌های مطالعات پیشین مقایسه می‌شوند و اهمیت بیولوژیکی آن‌ها توضیح داده می‌شود. به عنوان مثال، اگر ژن TP53 (که یک ژن سرکوب‌کننده تومور است) در نمونه‌های سرطانی پایین-بیان شده باشد، این یافته با نقش شناخته‌شده آن در سرطان سینه همخوانی دارد و می‌تواند به عنوان یک هدف دارویی بالقوه مطرح شود. اینجاست که نتایج خام به دانش کاربردی تبدیل می‌شوند.

ملاحظات اخلاقی و چالش‌ها

در کار با داده‌های انسانی، رعایت ملاحظات اخلاقی، به‌ویژه حفظ حریم خصوصی بیماران، از اهمیت بالایی برخوردار است. استفاده از داده‌های عمومی که قبلاً کدگذاری شده‌اند، این نگرانی‌ها را تا حدی کاهش می‌دهد. چالش‌های دیگر شامل حجم عظیم داده‌ها، پیچیدگی تحلیل‌های آماری، و نیاز به قدرت محاسباتی بالا است. این موارد می‌توانند سرعت پیشرفت را کاهش دهند، اما با برنامه‌ریزی دقیق و استفاده از منابع محاسباتی مناسب، قابل مدیریت هستند. گاهی اوقات، حتی یک سلبریتی دنیای علم نیز ممکن است با پیچیدگی‌های داده‌ها دست و پنجه نرم کند، چه برسد به دانشجویان! بنابراین، صبر و پشتکار در این مسیر حیاتی است.

نکات کلیدی برای موفقیت در نگارش پایان نامه بیوانفورماتیک

برای اینکه پایان‌نامه شما نه تنها از نظر علمی معتبر باشد، بلکه بتواند به خوبی ارائه و دفاع شود، به نکات زیر توجه کنید:

ارتباط با استاد راهنما و تیم تحقیقاتی

ارتباط منظم و مؤثر با استاد راهنما بسیار مهم است. جلسات هفتگی یا دوهفتگی برای بررسی پیشرفت کار، طرح سوالات و دریافت راهنمایی‌های تخصصی ضروری است. همچنین، اگر در یک تیم تحقیقاتی کار می‌کنید، همکاری و تبادل دانش با همکاران می‌تواند به حل مشکلات و پیشبرد سریع‌تر پروژه کمک کند.

مدیریت زمان و برنامه‌ریزی

یک برنامه کاری واقع‌بینانه تهیه کنید و به آن پایبند باشید. تقسیم کار به مراحل کوچک‌تر و تعیین مهلت‌های مشخص برای هر مرحله، به شما کمک می‌کند تا از انباشتگی کار جلوگیری کرده و استرس خود را کاهش دهید. استفاده از ابزارهای مدیریت پروژه می‌تواند بسیار مفید باشد.

مهارت‌های کدنویسی و تحلیل آماری

بیوانفورماتیک به شدت بر مهارت‌های کدنویسی (عمدتاً R و Python) و درک قوی از آمار تکیه دارد. اگر در این زمینه‌ها احساس ضعف می‌کنید، زمان بگذارید و مهارت‌های خود را تقویت کنید. دوره‌های آنلاین، کتاب‌ها و منابع آموزشی فراوانی در دسترس هستند که می‌توانند به شما کمک کنند.

استفاده از منابع معتبر و به روز

همواره از آخرین مقالات، پروتکل‌ها و ابزارهای موجود در حوزه خود مطلع باشید. کنفرانس‌ها، سمینارها و نشریات معتبر علمی منابع ارزشمندی برای به‌روز نگه داشتن اطلاعات شما هستند. این رویکرد به شما کمک می‌کند تا از تکنیک‌های منسوخ شده پرهیز کرده و از پیشرفت‌های جدید بهره‌مند شوید.

چالش‌های رایج و راه‌حل‌ها در مسیر پایان نامه بیوانفورماتیک

در هر مسیر پژوهشی، با چالش‌هایی روبرو خواهید شد. آگاهی از این چالش‌ها و داشتن راه‌حل‌های مناسب، می‌تواند مسیر را برای شما هموارتر کند.

مدیریت حجم عظیم داده‌ها

**چالش:** داده‌های بیوانفورماتیک اغلب در مقیاس ترابایت هستند که ذخیره‌سازی، انتقال و پردازش آن‌ها نیازمند زیرساخت‌های قوی است.
**راه‌حل:** استفاده از سرورهای High Performance Computing (HPC) دانشگاهی، فضای ابری (مانند AWS، Google Cloud) یا هارد دیسک‌های اکسترنال با ظرفیت بالا. یادگیری ابزارهای خط فرمان لینوکس برای مدیریت کارآمد داده‌ها نیز حیاتی است.

انتخاب نرم‌افزارهای مناسب

**چالش:** وجود تعداد زیادی نرم‌افزار و پکیج برای هر نوع تحلیل، که انتخاب بهترین گزینه را دشوار می‌کند.
**راه‌حل:** مشورت با استاد راهنما و متخصصین، مطالعه مقالات مروری (Review Articles) که ابزارهای مختلف را مقایسه می‌کنند، و امتحان کردن چند ابزار مختلف با یک زیرمجموعه کوچک از داده‌ها قبل از تصمیم‌گیری نهایی.

مشکلات کدنویسی و اشکال‌زدایی (Debugging)

**چالش:** کدهای نوشته شده ممکن است حاوی خطا باشند یا خروجی‌های غیرمنتظره تولید کنند.
**راه‌حل:** یادگیری اصول اشکال‌زدایی، استفاده از محیط‌های توسعه یکپارچه (IDE) با قابلیت دیباگ، تقسیم کد به بخش‌های کوچک و تست هر بخش به صورت جداگانه. استفاده از انجمن‌های آنلاین مانند Stack Overflow نیز برای یافتن راه‌حل مشکلات رایج کدنویسی بسیار مفید است.

تفسیر نتایج پیچیده بیولوژیکی

**چالش:** نتایج بیوانفورماتیکی اغلب شامل لیست‌های طولانی از ژن‌ها یا مسیرها هستند که تفسیر بیولوژیکی آن‌ها دشوار است.
**راه‌حل:** تعمیق دانش بیولوژیکی خود در زمینه تحقیق، مشورت با بیولوژیست‌ها، استفاده از ابزارهای غنی‌سازی عملکردی و پایگاه‌های داده معتبر (مانند KEGG، Reactome) برای قرار دادن نتایج در یک بستر معنایی.

قیمت‌گذاری و هزینه‌ها: سرمایه‌گذاری بر روی دانش

**چالش:** هزینه‌های مرتبط با نرم‌افزارهای تجاری، سرویس‌های ابری، یا حتی مشاوره تخصصی می‌تواند بالا باشد.
**راه‌حل:** در بیوانفورماتیک، بسیاری از ابزارها و منابع داده به صورت رایگان (Open Source) در دسترس هستند. اما گاهی برای کارهای تخصصی‌تر یا دسترسی به منابع محاسباتی قوی‌تر، نیاز به سرمایه‌گذاری وجود دارد. این هزینه‌ها بسته به پیچیدگی پروژه، میزان داده‌ها، و نیاز به مشاوره متخصصین، می‌تواند بسیار متغیر باشد؛ درست همانند هزینه‌های متفاوتی که برای خدمات بازاریابی مانند تبلیغات سلبریتی‌ها وجود دارد و می‌تواند از 4 میلیون تا 10 میلیارد تومان متغیر باشد. انتخاب بین گزینه‌های رایگان و پولی نیازمند ارزیابی دقیق نیازهای پروژه و بودجه در دسترس است.

آینده بیوانفورماتیک و فرصت‌های شغلی

حوزه بیوانفورماتیک در حال رشد سریع است و تقاضا برای متخصصان این رشته همواره رو به افزایش است. فارغ‌التحصیلان بیوانفورماتیک می‌توانند در بخش‌های مختلفی مشغول به کار شوند، از جمله:

• **صنعت داروسازی و بیوتکنولوژی:** در زمینه کشف دارو، توسعه بیومارکرها، و تحلیل داده‌های بالینی.
• **مراکز تحقیقاتی و دانشگاه‌ها:** به عنوان پژوهشگر یا استاد.
• **شرکت‌های نرم‌افزاری:** در توسعه ابزارهای بیوانفورماتیکی و پایگاه‌های داده.
• **پزشکی شخصی‌سازی شده:** در تحلیل ژنوم بیماران برای ارائه درمان‌های سفارشی.
• **کشاورزی:** در بهبود محصولات زراعی و دامپروری از طریق تحلیل ژنتیکی.

این رشته نه تنها چالش‌برانگیز و جذاب است، بلکه آینده‌ای روشن و پر از فرصت‌های نوآورانه را پیش روی فارغ‌التحصیلان خود قرار می‌دهد.

جمع‌بندی و توصیه نهایی

نگارش پایان‌نامه در حوزه بیوانفورماتیک، سفری علمی است که نیازمند ترکیبی از دانش بیولوژیکی، مهارت‌های محاسباتی، و تفکر تحلیلی است. با برنامه‌ریزی دقیق، انتخاب موضوع مناسب، استفاده از ابزارهای صحیح، و نگارش شفاف، می‌توانید یک کار تحقیقاتی ارزشمند ارائه دهید. به یاد داشته باشید که پشتکار، دقت و ارتباط مؤثر با استاد راهنما، کلیدهای موفقیت شما در این مسیر هستند.

اگر در هر مرحله از این مسیر به راهنمایی‌های تخصصی نیاز داشتید و به دنبال بهترین موسسه انجام پروپوزال هستید، تردید نکنید. متخصصین ما آماده‌اند تا شما را در تدوین پروپوزال، تحلیل داده‌ها و نگارش بخش‌های مختلف پایان‌نامه یاری رسانند تا بتوانید با اطمینان کامل به سمت موفقیت گام بردارید.

/* Responsive Design & General Styling for Block Editor */
body {
font-family: ‘Vazirmatn’, sans-serif; /* A suitable Persian font */
direction: rtl; /* For right-to-left languages */
margin: 0;
padding: 0;
background-color: #f8f9fa;
color: #333;
}

div, p, h1, h2, h3, h4, ul, ol, table {
max-width: 100%; /* Ensure all elements are responsive */
box-sizing: border-box; /* Include padding and border in the element’s total width and height */
}

/* Headings (simulating actual tags with strong styling) */
h1 {
font-size: 2.5em; /* Large for H1 */
font-weight: bold;
color: #1a237e; /* Deep blue for primary heading */
text-align: center;
margin-bottom: 25px;
}

h2 {
font-size: 2em; /* Slightly smaller for H2 */
font-weight: bold;
color: #1a237e; /* Consistent deep blue for major sections */
margin-top: 40px;
margin-bottom: 20px;
border-bottom: 2px solid #c5cae9; /* Subtle separator */
padding-bottom: 10px;
}

h3 {
font-size: 1.6em; /* Smaller for H3 */
font-weight: bold;
color: #303f9f; /* Slightly lighter blue for sub-sections */
margin-top: 30px;
margin-bottom: 15px;
}

h4 {
font-size: 1.4em; /* Even smaller for H4 (e.g., table title) */
font-weight: bold;
color: #558b2f; /* Greenish for specific elements like table titles */
text-align: center;
margin-bottom: 20px;
}

p, ul, ol, table {
font-size: 1.1em;
line-height: 1.8;
color: #333;
margin-bottom: 20px;
}

ul, ol {
margin-left: 30px; /* Indentation for lists */
padding-right: 0; /* Remove default padding for RTL */
padding-left: 0;
}

a {
color: #007bff;
text-decoration: none;
transition: color 0.3s ease;
}

a:hover {
color: #0056b3;
text-decoration: underline;
}

/* Call to Action & Infographic Sections */
.cta-box, .infographic-box {
background-color: #e8f5e9; /* Light green for CTAs */
padding: 25px;
border-radius: 12px;
margin-bottom: 35px;
box-shadow: 0 4px 8px rgba(0,0,0,0.1);
text-align: center;
}

.infographic-box {
background-color: #f3e5f5; /* Light purple for infographic */
}

.cta-box p, .infographic-box p {
color: #2e7d32; /* Darker green for CTA text */
}

.infographic-box h2 {
color: #6a1b9a; /* Dark purple for infographic heading */
border-bottom: none;
padding-bottom: 0;
}

.infographic-box > div {
display: flex;
flex-wrap: wrap;
justify-content: center;
gap: 20px;
}

.infographic-box > div > div {
background-color: #fdfdff;
padding: 20px;
border-radius: 10px;
flex: 1 1 300px; /* Allow items to grow/shrink, with a base of 300px */
max-width: 450px; /* Max width for larger screens */
box-shadow: 0 2px 4px rgba(0,0,0,0.08);
border-left: 5px solid #ab47bc; /* Purple border for infographic steps */
text-align: right; /* Text alignment for RTL */
}

.infographic-box > div > div p {
color: #424242;
font-size: 0.95em;
}

.infographic-box > div > div p:first-child {
font-weight: bold;
color: #8e24aa;
font-size: 1.2em;
margin-bottom: 10px;
}

.cta-button {
display: inline-block;
background-color: #4CAF50; /* Green button */
color: white;
padding: 15px 30px;
border-radius: 8px;
text-decoration: none;
font-weight: bold;
font-size: 1.1em;
transition: background-color 0.3s ease, transform 0.3s ease;
}

.cta-button:hover {
background-color: #45a049;
transform: translateY(-2px); /* Slight lift effect */
}

/* Table Styling */
table {
width: 100%;
border-collapse: collapse;
margin-bottom: 15px;
font-size: 1em; /* Adjust table font size */
box-shadow: 0 2px 5px rgba(0,0,0,0.1);
background-color: #ffffff;
}

table th, table td {
padding: 12px;
border: 1px solid #e0e0e0;
text-align: right; /* Align text to right for RTL */
}

table thead tr {
background-color: #8bc34a; /* Green header */
color: white;
}

table tbody tr:nth-child(odd) {
background-color: #f9fbe7; /* Light alternating rows */
}

table tbody tr:nth-child(even) {
background-color: #f3f9e7; /* Lighter alternating rows */
}

table th {
font-weight: bold;
color: white;
}

/* Specific section backgrounds */
.table-container {
background-color: #f0f4c3; /* Very light green for table container */
padding: 20px;
border-radius: 10px;
margin-bottom: 35px;
box-shadow: 0 4px 8px rgba(0,0,0,0.1);
}

/* Responsive adjustments */
@media (max-width: 768px) {
h1 {
font-size: 2em;
}
h2 {
font-size: 1.7em;
}
h3 {
font-size: 1.4em;
}
p, ul, ol, table {
font-size: 1em;
}
.cta-button {
padding: 12px 20px;
font-size: 1em;
}
.infographic-box > div > div {
flex: 1 1 100%; /* Stack items on small screens */
max-width: 100%;
}
table, thead, tbody, th, td, tr {
display: block; /* Stack table cells */
}
thead tr {
position: absolute;
top: -9999px; /* Hide table header visually */
left: -9999px;
}
tr { border: 1px solid #ccc; margin-bottom: 10px; border-radius: 8px;}
td {
border: none;
border-bottom: 1px solid #eee;
position: relative;
padding-left: 50%;
text-align: right;
}
td:before {
position: absolute;
right: 6px;
top: 6px;
width: 45%;
padding-right: 10px;
white-space: nowrap;
font-weight: bold;
color: #555;
}
td:nth-of-type(1):before { content: “نوع تحلیل”; }
td:nth-of-type(2):before { content: “ابزارهای پیشنهادی”; }
}

@media (max-width: 480px) {
h1 {
font-size: 1.8em;
}
h2 {
font-size: 1.5em;
}
.cta-box p, .infographic-box p {
font-size: 1em;
}
}