Məlumat

Genotipdən fenotipin proqnozlaşdırılması üçün hesablama/riyazi modellər

Genotipdən fenotipin proqnozlaşdırılması üçün hesablama/riyazi modellər


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Karr, Sanghvi və b. (2012) genotipdən fenotipi proqnozlaşdırmaq üçün bütün hüceyrə hesablama modelini təklif edir. Genital mikoplazma. Onların modeli orqanizmin həyat dövrü ərzində molekulyar səviyyədə DNT replikasiyası, RNT transkripsiyası və tənzimlənməsi, zülal sintezi, metabolizm və hüceyrə bölünməsi kimi saysız-hesabsız hüceyrə proseslərini simulyasiya edir.

Onlar buna bir çox mövcud riyazi və hesablama modellərini bir proqram təminatında birləşdirərək nail olurlar. Məqalədə deyilir ki, bu, ətraflı şəkildə molekulyar səviyyədə ilk hərtərəfli tam hüceyrə modelidir. Onlar alt modulları üçün əvvəlki molekulyar səviyyəli modellərə istinad edirlər, lakin daha qaba dənəli genotipdən fenotipə modelləri müzakirə etməyə davam etmirlər. Onların modeli maraqlıdır, lakin tək bir orqanizmin həyat dövrünü izləmək üçün yüksək səviyyəli kompüter klasterində 10 saatlıq simulyasiya təkamül proseslərini öyrənmək istəyənlər üçün ağlabatan deyil.

Əvvəllər kifayət qədər dəqiq hesablama (və ya daha yaxşı, analitik) genotipdən fenotipə modellər varmı? Əgər varsa, ümumi tədqiq olunan orqanizmlər üçün ən yaxşı iri dənəli genotipdən fenotipə modellər hansılardır? E.Coli?


Karr və başqaları. kağız genom, transkriptom, proteom və metabolomdan olan xüsusiyyətləri birləşdirərək modellərindəki təfərrüatların əksəriyyətini tutmağa çalışır. Bu iş, xüsusən də Markus Covertin məşq etdiyi Bernhard Palssonun işində soruşduğunuz qaba dənəli modellərdən əsaslı şəkildə qurulur. Sualınızın cavabı tamamilə axtardığınız sualın növündən və modelin nə etməsini istədiyinizdən asılıdır.

Əksər hallarda suallarınızın əksəriyyətinə COBRA, CONstratins Əsaslı Yenidənqurma və Analiz Alətlər qutusundan istifadə etməklə cavab vermək olar. Hansı genotiplərin məhv edilə biləcəyi barədə yaxşı bir fikir əldə edə bilərsiniz və fenotip bu gen tərəfindən təsirlənən məlum bir yol olduğu və müvəqqəti və dinamik məlumatlara əhəmiyyət vermədiyiniz müddətcə onun fenotipə necə təsir etdiyini görə bilərsiniz.

üçün E-Hüceyrə Layihəsi də var E. coli. Şəxsən mən bu barədə çox şey bilmirəm, lakin o, bəzi əsas modellər yaratmışdır E. coli və bu kifayət qədər yaxşı ola bilər.

Öz modellərinizi qurmaq istəyirsinizsə, bütün irimiqyaslı rekonstruksiyaların mövcud olduğu BiGG-yə baxmalısınız. Kodun yaxşı bir hissəsi Palsson laboratoriyasının veb saytında saxlanılır, burada COBRA-dan istifadə etməyə və öz fərziyyələrinizi yaratmağa başlaya bilərsiniz.


Bioloji sistemlərin modelləşdirilməsi

Bioloji sistemlərin modelləşdirilməsi sistem biologiyası və riyazi biologiyanın mühüm vəzifəsidir. [a] Hesablama sistemləri biologiyası [b] [1] bioloji sistemlərin kompüter modelləşdirilməsi məqsədi ilə səmərəli alqoritmlər, məlumat strukturları, vizuallaşdırma və kommunikasiya vasitələri hazırlamaq və istifadə etmək məqsədi daşıyır. Bu hüceyrəvi proseslərin mürəkkəb əlaqələrini həm təhlil etmək, həm də vizuallaşdırmaq üçün bioloji sistemlərin, o cümlədən mobil alt sistemlərin (metabolitlər və maddələr mübadiləsini, siqnal ötürmə yollarını və gen tənzimləyici şəbəkələri təşkil edən şəbəkələr kimi) kompüter simulyasiyalarından istifadəni nəzərdə tutur. [2]

Mürəkkəb sistemin gözlənilməz xassəsi daha sadə, inteqrasiya olunmuş hissələr arasında səbəb-nəticənin qarşılıqlı təsirinin nəticəsi ola bilər (bax: bioloji təşkilat). Bioloji sistemlər komponentlərin kompleks qarşılıqlı təsirində yaranan xassələrin çox mühüm nümunələrini göstərir. Bioloji sistemlərin ənənəvi tədqiqi, müəyyən bir stimula cavab olaraq zamanla konsentrasiya kimi məlumatların miqdarının kateqoriyalar üzrə toplandığı reduktiv üsulları tələb edir. Kompüterlər bu məlumatların təhlili və modelləşdirilməsi üçün vacibdir. Məqsəd sistemin ətraf mühitə və daxili stimullara reaksiyasının dəqiq real vaxt modellərini yaratmaqdır, məsələn, siqnal yollarında zəif cəhətləri tapmaq üçün xərçəng hüceyrəsinin modeli və ya kardiyomiyositlərə təsirləri görmək üçün ion kanal mutasiyalarının modelləşdirilməsi və öz növbəsində, döyünən ürəyin funksiyası.


Mücərrəd

Metabolizm və makromolekulyar ifadənin genom miqyaslı modelləri (ME-modelləri) böyüyən hüceyrənin optimal proteom tərkibini açıq şəkildə hesablayır. ME-modelləri metabolizmin yaxşı qurulmuş genom miqyaslı modelləri (M-modelləri) üzərində genişlənir və hüceyrə böyüməsinin yeni fundamental anlayışına imkan verir. ME-modelləri həyat mexanizmləri üçün biosintetik xərclərin daxil edilməsi səbəbindən proqnozlaşdırma imkanlarını və dəqiqliyini artırdı, lakin model ölçüsündə və mürəkkəbliyində əhəmiyyətli artımla gəlir. Bu problem həm hesablanması çətin, həm də konseptual olaraq başa düşülməsi çətin olan modellərlə nəticələnir. Nəticədə, ME-modelləri yalnız iki orqanizm üçün mövcuddur (Escherichia coliThermotoga maritima) və hələ də nisbətən az tədqiqatçı tərəfindən istifadə olunur. Bu problemləri həll etmək üçün biz ME modellərinin qurulması və simulyasiyası üçün COBRAme adlı yeni proqram təminatı çərçivəsi hazırlamışıq. O, Python-da kodlaşdırılıb və M-modelləri istifadə etmək üçün məşhur platforma olan COBRApy üzərində qurulub. COBRAme ME-modellərinin hesablanması və təhlilini asanlaşdırır. O, yeni orqanizmlər üçün ME modelinin yenidən qurulmasını təmin etmək üçün ME-modellərinin qurulmasını və redaktəsini asanlaşdırmaq üçün alətlər təqdim edir. Kondensasiya edilmiş rekonstruksiya üçün COBRAme-dən istifadə etdik E. coli ME modeli çağırıb iJL1678b-ME. Bu yenidən formullaşdırılmış model əvvəlki ilə eyni funksional həllər verir E. coli ME-modelləri sərbəst dəyişənlərin sayının 1/6-sını istifadə edərkən və 10 dəqiqədən az müddətdə həll edərkən, əvvəlki ME-model formulalarının həlli zamanı 6 saat ərzində nəzərəçarpacaq təkmilləşmə. Əvvəlki ME-modellərindəki səhvlər də düzəldildi, bu da 52 əlavə genə səbəb oldu. iJL1678b-ME minimal qlükozada aerobik şəkildə inkişaf edir silisiumda media. Bu əlyazma COBRAme-in arxitekturasını təsvir edir və ME-modellərin yeni proqram çərçivəsindən istifadə edərək ən səmərəli şəkildə necə yaradıla, dəyişdirilə və paylaşıla biləcəyini nümayiş etdirir.

Sitat: Lloyd CJ, Ebrahim A, Yang L, King ZA, Catoiu E, O'Brien EJ, et al. (2018) COBRAme: Metabolizm və gen ifadəsinin genom miqyaslı modelləri üçün hesablama çərçivəsi. PLoS Comput Biol 14(7): e1006302. https://doi.org/10.1371/journal.pcbi.1006302

Redaktor: Aaron E. Darling, Sidney Texnologiya Universiteti, AVSTRALİYA

Qəbul edildi: 4 dekabr 2017-ci il Qəbul edildi: 13 iyun 2018-ci il Nəşr olundu: 5 iyul 2018-ci il

Müəlliflik hüququ: © 2018 Lloyd et al. Bu, Creative Commons Attribution Lisenziyasının şərtlərinə uyğun olaraq paylanmış açıq giriş məqaləsidir və orijinal müəllif və mənbə qeyd olunmaqla istənilən mühitdə qeyri-məhdud istifadəyə, paylanmağa və reproduksiyaya icazə verir.

Məlumatın mövcudluğu: Bütün müvafiq məlumatlar kağızda və onun dəstəkləyici məlumat fayllarındadır.

Maliyyələşdirmə: Bu tədqiqatda ABŞ Enerji Departamentinin Elm İdarəsi tərəfindən DE-AC02-05CH11231 saylı Müqavilə əsasında dəstəklənən Milli Enerji Tədqiqatları Elmi Hesablama Mərkəzinin resurslarından istifadə edilmişdir. Bu işin maliyyələşdirilməsi Novo Nordisk Fondu tərəfindən Danimarka Texniki Universitetindəki Biodavamlılıq Mərkəzi [NNF10CC1016517] və Milli Sağlamlıq İnstitutunun Milli Ümumi Tibb Elmi İnstitutu (mükafat U01GM102098) vasitəsilə təmin edilmişdir. CJL, Milli Elm Vəqfi Məzun Tədqiqat Təqaüdü tərəfindən 1 nömrəli Qrant çərçivəsində dəstəkləndi. DGE-1144086. Tədqiqatın dizaynında, məlumatların toplanmasında və təhlilində, nəşr etmək qərarında və ya əlyazmanın hazırlanmasında maliyyəçilərin heç bir rolu olmayıb.

Rəqabətli maraqlar: Müəlliflər heç bir rəqabət aparan maraqların olmadığını bəyan ediblər.

Bu PLOS Hesablama Biologiyası Proqram kağızı


Nəticələr və müzakirə

Zülaldan yolun dinamikasını (yəni, zamandan asılı olaraq metabolit konsentrasiyalarını) proqnozlaşdırmaq üçün yuxarıda təsvir edilən nəzarət edilən öyrənmə metodundan istifadə etdik (Şəkil 1 və 2, tənliklər (1), (2), (3) və (4) Metabolik mühəndislik və sintetik biologiya ilə əlaqəli iki yol üçün konsentrasiya məlumatları: limonen istehsal edən yol və izopentenol istehsal edən yol (Şəkil 3). Hər bir yol üçün biz orta istehsal ştamlarının dinamikasını proqnozlaşdırmaq üçün təlim məlumat dəsti kimi aşağı və yüksək bioyanacaq istehsal edən ştamlardan əldə edilmiş eksperimental vaxt seriyası məlumatlarından istifadə etdik. 66 Sıx multiomika zaman seriyası məlumat dəstlərinin azlığı səbəbindən biz alqoritmin işini öyrənmək üçün simulyasiya edilmiş məlumat dəstlərindən (şək. 4) istifadə etdik, çünki daha çox təlim verilənlər dəsti (ştammlar) əlavə olundu.

Limonen yolu kinetik Michaelis-Menten modeli. Bu kinetik model Weaver və digərlərinin rəhbərliyi ilə BRENDA verilənlər bazasındakı mənbələrdən tərtib edilmişdir. 93 Bu sistem yoldakı hər bir metabolit üçün konsentrasiyanı təsvir edən on qeyri-xətti adi diferensial tənlikdən ibarətdir (ətraflı məlumat üçün Əlavə Materiala baxın). Bu modelin dinamikası çox zəngin və mürəkkəbdir ki, maşın öyrənməsi ilə proqnozlaşdırıla biləcək əhəmiyyətli problem yaradır. Bu model bu işdə aşağıdakı məqsədlər üçün istifadə olunur: (1) onun proqnozlarını maşın öyrənməsi proqnozları ilə müqayisə etmək və (2) maşın öyrənməsi alqoritmlərinin təlimi üçün istifadə olunan vaxt seriyalarının miqdarı ilə miqyasdan asılılıqları yoxlamaq üçün simulyasiya edilmiş məlumat dəstləri yaratmaq. Bu yazıda təqdim olunan üsul bu Michaelis-Menten ifadələrinin maşın öyrənməsi alqoritmləri ilə əvəz edilməsinə yönəlib (bax. Əlavə Şəkil S1). Şəkil 6-da eksperimental məlumatları uyğunlaşdırarkən kinetik sabitlər sərbəst parametrlər kimi qaldı

Limonen və izopentenol yolunun dinamikasının keyfiyyət proqnozları iki zaman seriyası müşahidəsi ilə əldə edilə bilər.

Təəccüblüdür ki, əksər metabolitlər üçün məqbul proqnozlar hazırlamaq üçün alqoritmi öyrətmək üçün cəmi iki zaman seriyası (ştammlar) kifayət idi. Proteomika və metabolomikadan törəmələrin proqnozları olduqca dəqiq olsa da (məcmu Pearson R 0,973 dəyəri), bu proqnozlardakı hər hansı kiçik xəta tənliklərlə verilmiş ilkin dəyər məsələsini həll edərkən tez birləşir. (3) və (4). Səbəb odur ki, müəyyən bir zaman nöqtəsi üçün proqnozlar bütün əvvəlki vaxt nöqtələrinin düzgünlüyündən asılıdır. Bu maneələrə baxmayaraq, metod əvvəllər heç vaxt görmədiyi bir ştamm üçün metabolit konsentrasiyalarının hörmətli keyfiyyət və kəmiyyət proqnozlarını verdi (Şəkil 5 və 6). Bəzi metabolitlər (33%) üçün proqnozlar ölçülən profilə kəmiyyətcə yaxın idi: Asetil-KoA (83,4 % xəta, Şəkil 5a) və izopentenol əmələ gətirən Asetil-CoA (şəkil 5f) üçün izopentenol (43,7 % xəta, Şəkil 5f) ( Limonen istehsal edən yol üçün 128,2 % xəta, Şəkil 6a), HMG-CoA (83,9 % xəta, Şəkil 6b) və Limonen (82,9 % xəta, Şəkil 6f). Əksər metabolitlər (42%) üçün proqnozlar miqyas faktoru ilə bağlı idi, lakin onlar metabolit davranışını keyfiyyətcə təkrarlaya bildilər. Məsələn, izopentenol istehsal yolunda Mevalonat (Şəkil 5c) və limonen istehsal yolunda mevalonat (Şəkil 6c) üçün proqnozlar metabolit konsentrasiyasının ilkin artımını, sonra doyma ilə təkrarlayır. İzopentenol yolunda IPP/DMAPP (Şəkil 5e) və ya mevalonat fosfat (Şəkil 5d) üçün proqnoz keyfiyyətcə konsentrasiya artımını, ardınca isə pik və azalmanı əks etdirir. Hətta bu növ keyfiyyət davranışının proqnozlaşdırılması, yolun dinamikasını intuitiv şəkildə başa düşmək və onun daha yaxşı versiyalarını tərtib etmək üçün metabolik mühəndislər üçün faydalıdır. Metabolik mühəndis bir neçə ssenarini təqlid etməklə sınaqdan keçirilə bilən fərziyyələrə səbəb ola biləcək keyfiyyət bilikləri əldə edə bilər (məsələn, metabolit x zəhərli görünür və ya protein y metabolit x tərəfindən tənzimlənir). Nəhayət, azlıqda (25%) proqnozlar həm kəmiyyət, həm də keyfiyyətcə yanlışdır: məsələn, izopentenol istehsal edən yol üçün HMG-CoA (Şəkil 5b), Mevalonat fosfat (Şəkil 6d) və IPP/DMAPP (Şəkil 6). 6e) limonen istehsal yolu üçün. Maraqlıdır ki, hər iki son məhsul (limonen və izopentenol) üçün proqnozlar kəmiyyətcə dəqiq proqnozlar qrupuna düşdü. Bu vacibdir, çünki metabolik mühəndisliyi istiqamətləndirmək üçün son məhsul proqnozları aktualdır.

Maşın öyrənmə metodu izopentenol istehsalı üçün proteomik məlumatlardan metabolit zaman sıralarının məqbul proqnozlarını verir. Escherichia coli gərginlik. Ən yüksək və ən aşağı istehsal edən suşlar üçün ölçülmüş metabolomika və proteomika məlumatları 66 (təlim toplusu məlumatları, qırmızı xətt) modeli hazırlamaq və əsas dinamikanı öyrənmək üçün istifadə olunur (Şəkil 2). Daha sonra model, modelin heç vaxt görmədiyi bir gərginlik üçün metabolit profillərini (mavi xətt) proqnozlaşdırmaqla sınaqdan keçirilir (orta istehsal gərginliyi, yaşıl rəngdə test məlumatları). Mükəmməl bir proqnoz (mavi xətt) test məlumat dəstini (yaşıl xətt) mükəmməl şəkildə izləyə bilər. Maraqlıdır ki, məqbul keyfiyyət razılaşması hətta təlim məlumatları kimi yalnız iki zaman seriyası (ştamm) ilə əldə edilir. Sırf kəmiyyət baxımından orta xəta yüksəkdir: gərginlik proqnozları üçün ümumi RMSE 40,34-dür ki, bu da 149,2% orta xətaya çevrilə bilər. Bununla belə, bir neçə metabolit (yaşıl rəng zolağı) üçün proqnozlar ölçülmüş məlumatları kəmiyyətcə təkrarlayır: Asetil-KoA və izopentenol (son məhsul və biomühəndisliyi istiqamətləndirmək üçün ən uyğundur). Bəzi metabolitlər (mevalonat, mevalonat fosfat və IPP/DMAPP, sarı zolaq) üçün model miqyas faktorunu əldən verərək metabolit nümunələrini keyfiyyətcə təkrarlayır. Yalnız HMG-CoA üçün model zamanla metabolit konsentrasiyasını həm kəmiyyət, həm də keyfiyyətcə proqnozlaşdıra bilmir (qırmızı zolaq)

Maşın öyrənmə üsulu limonen istehsalı üçün əl istehsalı kinetik modeldən üstündür E. coli gərginlik. Kinetik modelin (qara xətt) maşın öyrənmə metodundan (mavi xətt) daha yaxşı uyğunlaşma təmin etdiyi yeganə metabolit mevalonat fosfatdır, baxmayaraq ki, hər iki üsul limonen (son məhsul) istehsalını kifayət qədər yaxşı izləyir. Maşın öyrənmə yanaşması Asetil-KoA, HMG-CoA və limonen (yaşıl zolaq) üçün məqbul kəmiyyət uyğunluqları təmin edir, mevalonat (sarı zolaq) üçün miqyas amili olmayan metabolit davranışının keyfiyyətcə təsviri və mevalonat fosfat və IPP/DMAPP (qırmızı zolaq). Şəkil 5-də olduğu kimi, eksperimental olaraq ölçülmüş profillər limonenin yüksək, aşağı və orta istehsalçılarına uyğundur. Təlim dəstləri aşağı və yüksək istehsalçılardır (qırmızı rəngdə) və model orta istehsal edən gərginlik (yaşıl) üçün konsentrasiyaları proqnozlaşdırmaq üçün istifadə olunur. Şəkil 4-dəki əl işi kinetik model üçün kinetik sabitlər eksperimental məlumatların uyğunlaşdırılması zamanı sərbəst parametrlər kimi qaldı.

Maşın öyrənmə yanaşması limonen yolunun əl işi kinetik modelindən üstündür (şək. 6). Bu yolun real kinetik modeli quruldu və məlumatlara uyğunlaşdırıldı, bütün kinetik sabitləri sərbəst parametrlər kimi buraxdı (şək. 3 və 4). Kinetik model xüsusilə Asetil-KoA, HMG-CoA, mevalonat və IPP/DMAPP üçün keyfiyyət dinamikasını tuta bilmir (Şəkil 6a-c, e). Daha kəmiyyət baxımından, maşın öyrənmə modeli kinetik model üçün orta hesabla 144% (RMSE = 10,04) ilə müqayisədə orta hesabla 130% xəta (RMSE = 8,42) yaradır. Beləliklə, hətta yalnız iki ştammın zaman seriyası məlumatları ilə məlumatlandırılan bir maşın öyrənmə modeli, tikinti üçün domen təcrübəsi və əhəmiyyətli vaxt sərmayəsi tələb edən əl işi kinetik modeli üstələyə bilir. Bununla belə, maşın öyrənmə yanaşması daha asan ümumiləşdirilə bilər və onu müvafiq məlumatlarla qidalandırmaq yolu ilə dərhal yeni yol, host və ya məhsul üçün yenidən tətbiq oluna bilər. Limonen yolu üçün proqnozlar verildikdən sonra izopentenol yolu üçün nəticələr sadəcə zaman seriyası məlumatlarının daxil edilməsini dəyişdirməklə asanlıqla əldə edilə bilər. Bunun əksinə olaraq, izopentenol yolu üçün proqnozlar vermək üçün yeni bir kinetik model hazırlanmalı idi. Reaksiya şəbəkəsinin ölçüsü artdıqca və müvafiq şəbəkə haqqında biliklər azaldıqca kinetik modelləri qurmaq çətinləşir. Bundan əlavə, bütün kinetik əlaqələr bilinməli və ya nəticə çıxarılmalıdır, halbuki naməlum əlaqələr maşın öyrənmə yanaşmasından istifadə edərək məlumatlardan aşkar edilə bilər. Maşın öyrənmə yanaşması bu əlaqələri həll etmək üçün yalnız kifayət qədər məlumat tələb edir. Nə qədər məlumatın “kifayət qədər” olduğunu müəyyən etmək növbəti bölmənin məqsədidir.

Maraqlıdır ki, təlim dəstləri zülal səviyyələrindən daha çox fərqlənən yollara uyğun gəlsə də, model yaxşı performans göstərə bildi. Bu vacibdir, çünki model yolun dinamikasını proqnozlaşdırmaq üçün zülal konsentrasiyalarını giriş kimi qəbul etmək üçün nəzərdə tutulmuşdur (Şəkil 1), yolun qalan xüsusiyyətlərinin eyni qalacağını fərz etmək. Bu istifadə nümunəsi, məsələn, promotorların və ribosom bağlayan yerlərin (RBS) meydana gələn protein konsentrasiyalarına təsir etmək üçün dəyişdirildiyi geniş metabolik mühəndislik ehtiyaclarını əhatə edir. Bununla belə, digər adətən istifadə edilən metabolik mühəndislik strategiyalarına daha sürətli və ya daha yavaş katalitik sürətlərə (yəni, kpişik). Bu iş açıq şəkildə nəzərdə tutulmasa da, model yaxşı proqnozlar verə bildi (yəni, I3 HMGR analoq formasından istifadə edirdi. Staphylococcus aureus və I2 kodon optimallaşdırılmış HMGR istifadə edir, gərginliyin təsvirinə baxın). Biz bunu fərz edirik kpişik Dəyişikliklər zülal bolluğu dəyişikliklərinə yenidən normallaşdırıla bilər (və onlara ekvivalent ola bilər). Mühəndislik təcrübəsinin bu növünə tam cavab vermək üçün bu üsul ferment xüsusiyyətlərini giriş kimi daxil etmək üçün genişləndirilə bilər (proteomika məlumatlarından başqa): kpişikKM sabitlər və ya hətta tam kinetik xarakteristika əyriləri.

Ştammların sayının artırılması dinamik proqnozların dəqiqliyini artırır

Təlim üçün daha çox məlumat dəstindən istifadə edildiyi üçün proqnozların nəzərəçarpacaq dərəcədə yaxşılaşdığını göstərmək üçün simulyasiya edilmiş məlumatlardan istifadə etdik. Simulyasiya edilmiş məlumat dəstləri miqyaslama davranışını hərtərəfli sınaqdan keçirmək üçün limitsiz nümunələr təqdim etmək üstünlüyünə malikdir və bizə eksperimental olaraq əlçatan olandan daha geniş çeşidli dinamika növlərini araşdırmaq imkanı verir. Bundan əlavə, təlim məlumatları kimi tələb olunan sıx multiomika vaxt seriyası verilənlər dəstləri nadirdir, çünki onların istehsalı çox vaxt aparır və bahalıdır. Maşın öyrənməsi ilə bağlı proqnozlar onları öyrətmək üçün daha çox məlumat istifadə olunduqca yaxşılaşdığından, təlim üçün daha çox vaxt seriyasının mövcudluğu ilə metodumuzun təkmilləşdirilməsini gözləyirdik. Biz bu təkmilləşdirmənin əhəmiyyətli olacağını gözləyirdik, çünki ilkin olaraq hər bir məhsul 66 üçün mövcud üçdən (digəri sınaq üçün lazım idi) təlim üçün yalnız iki zaman seriyasından (ştammlardan) istifadə edilmişdir. Beləliklə, biz limonen yolu üçün hazırlanmış kinetik modeldən (Şəkil 3 və 4) istifadə etməklə əldə edilmiş simulyasiya edilmiş məlumatlardan istifadə etdik: (1) daha çox vaxt seriyası məlumat dəsti əlavə olunduqca proqnozların nə qədər yaxşılaşdığını və (2) yolun dizaynını effektiv şəkildə idarə etmək üçün neçə zaman seriyasına ehtiyac var (növbəti bölmə). Eyni kinetik sabitləri paylaşan müxtəlif zülal profillərinə malik 10.000 dəst zaman seriyası məlumat hovuzu yaradıldı.Alqoritmin orijinal simulyasiya edilmiş dinamikanı nə qədər tez bərpa edə bildiyini öyrənmək üçün bu hovuzdan təsadüfi seçilmiş 2, 10 və 100 dəfə seriyalı maşın öyrənmə alqoritm qruplarını qidalandırdıq. Təlim qrupunun ölçüsündən (2, 10 və ya 100) asılı olaraq proqnozların dəyişkənliyini (yəni, müxtəlif təlim dəstləri istifadə edildikdə proqnozların necə dəyişdiyini) ölçmək üçün hər bir təlim qrupunun ölçüsü üçün proqnozları on dəfə təkrarladıq.

Proqnozlaşdırma xətası (RMSE, Eq. (6)) alqoritmi qeyri-xətti şəkildə öyrətmək üçün istifadə olunan zaman sıralarının (deformasiyaların) sayından asılı olaraq monoton şəkildə azaldı (şək. 7). Həmçinin, proqnozların standart sapması məlumat dəstlərinin təlimlərinin sayı ilə əhəmiyyətli dərəcədə azalmışdır (Şəkil 8). Standart sapma optimallaşdırma alqoritmlərinin stoxastik təsirləri (məsələn, müxtəlif toxumlar) və azalmış ilkin zülal konsentrasiyasından ekstrapolyativliyin olmaması səbəbindən yol dinamikası proqnozlarının dəyişkənliyinin göstəricisidir. Beləliklə, 10 və ya 100 məlumat dəsti ilə öyrədilmiş proqnozlaşdırıcı model, iki məlumat dəsti ilə öyrədilmiş modeldən daha güclü proqnozlar verir. Əslində, yalnız iki məlumat dəstində təlim keçmiş modellər üçün müşahidə edilən yüksək standart sapmalar, stokastik təsirlərə görə əvvəlki bölmədə müşahidə olunan proqnoz dəyişkənliyini izah edir. Maraqlıdır ki, 10-dan 100-ə qədər olan xəta və standart sapmada məhdud azalma var, 2-dən 10-a qədər azalma ən böyükdür (Şəkil 7). Bu onu göstərir ki, 100 zaman seriyası toplayan bir dövrə nisbətən on zaman seriyası məlumat dəstini toplayan on mühəndislik raundunu yerinə yetirmək daha məhsuldardır: beləliklə, on zaman seriyası faza məkanının proteomikasının arzu olunan hissəsini müəyyən etmək üçün kifayət qədər dəqiq proqnozlar verir. , yeni ştammlar həmin məkanın ətrafında tərtib oluna bilər ki, yeni multiomika zaman sıraları arzu olunan faza məkanı ətrafında əldə olunsun və faza məkanının həmin sahəsi ətrafında proqnozun dəqiqliyi üçün optimallaşdırılsın. Bunu on dəfə etmək, son nəticədə arzu olunan proteomikanın faza məkanına yaxın olmayan 100 zaman seriyasına əsaslanan bir proqnozdan daha dəqiqdir. Bundan əlavə, bu göstərir ki, təlim üçün cəmi səkkiz zaman seriyası mövcud olsaydı, əvvəlki bölmənin nəticələri daha etibarlı olardı.

Təlim dəstinin ölçüsünün artması ilə proqnozlaşdırma səhvləri nəzərəçarpacaq dərəcədə azalır. Təlim üçün mövcud proteomika və metabolomika vaxt seriyası məlumat dəstlərinin (ştammlarının) sayı artdıqca, proqnozlaşdırma xətası (RMSE, Eq. (6)) nəzərəçarpacaq dərəcədə azalır. Bundan əlavə, proqnozlaşdırma xətasının standart sapması (şaquli çubuq) da nəzərəçarpacaq dərəcədə azalır. 2-dən 10-a dəyişmə, 10-dan 100-ə dəyişmədən daha aydın görünür. Bu fakt göstərir ki, 100 zaman seriyası toplayan tək dövrədən daha çox, on zaman seriyası məlumat dəstini toplayan on dövr metabolik mühəndislik etmək daha məhsuldardır.

Proqnozlar daha çox təlim məlumat dəsti ilə yaxşılaşır. Maşın öyrənmə alqoritmi müxtəlif ölçülü təlim dəstləri üçün kinetik modelləri proqnozlaşdırmaq üçün istifadə edilmişdir (mavi, qırmızı və qara rənglərdə 2, 10 və 100 virtual gərginlik). Hər bir təlim dəsti ölçüsü üçün proqnoz dəyişkənliyini (şəffaflığı) göstərmək üçün hər ölçü üçün on unikal təlim dəsti istifadə edilmişdir. Bütün modellər ən yaxın razılaşmada 100 gərginlik modeli ilə faktiki dinamikaya yaxınlaşır. Təlim dəstinin ölçüsü artdıqca standart kənarlaşmalar da (şəffaflıqla göstərilir) nəzərəçarpacaq dərəcədə azalır

Model proqnozları yolun dizaynına rəhbərlik etmək və bioloji anlayışlar yaratmaq üçün kifayət qədər dəqiqdir

Müxtəlif suşlar üçün istehsalın nisbi sıralamasını dəqiq proqnozlaşdırmaq üçün maşın öyrənmə proqnozlarının 100% kəmiyyətcə düzgün olmasına ehtiyac yoxdur. Bir neçə mümkün yol dizaynından hansının ən çox məhsul istehsal edəcəyini etibarlı şəkildə proqnozlaşdırmaq bacarığı biomühəndislik səylərini istiqamətləndirmək və titri, sürəti və məhsuldarlığı (TRY) yaxşılaşdırmaq üçün onları sürətləndirmək üçün çox dəyərlidir. Bu prosesin xüsusiyyətləri iqtisadi aktuallığın əsas müəyyənediciləridir. 67

Maşın öyrənmə alqoritmi yuxarıda qeyd olunan 10.000 zaman seriyası məlumat dəstindən seçilmiş üç təsadüfi seçilmiş ştamın (ən yüksək, ən aşağı və orta istehsalçı) qrupları üçün nisbi istehsal sıralamasını etibarlı şəkildə proqnozlaşdıra bildi (Şəkil 2). 9, sol panel). Müvəffəqiyyət dərəcəsi kritik olaraq təlim üçün mövcud olan məlumat dəstlərinin sayından asılı idi: yalnız iki suş üçün 22%-dən başlayaraq 100 təlim dəsti üçün 92%-ə qədər. On suş üçün müvəffəqiyyət nisbəti

80%, TRY-ni yaxşılaşdırmaq üçün metabolik mühəndislərin səylərini praktiki olaraq istiqamətləndirmək üçün kifayət qədər etibarlıdır. 100 zaman seriyasından istifadə etməklə öyrədilmiş modellər üçün proqnozlaşdırma xətaları minimal idi (şək. 9, sağ panel).

İstehsal dərəcələrini proqnozlaşdıran müvəffəqiyyət dərəcəsi təlim dəstinin ölçüsü ilə artır. Sol panel 10.000 ştammdan təsadüfi seçilmiş üç zaman seriyasından (ştammlardan) ibarət qruplar üçün nisbi istehsal sifarişinin (yəni, hansı ştamın daha çox, hansının ən az və hansının orta istehsalçı olduğu) proqnozlaşdırılmasında müvəffəqiyyət dərəcəsini göstərir. , təlim məlumat dəsti ölçüsünün (ştammların) funksiyası kimi. 100 məlumat dəsti üçün ən yaxşı istehsalçını proqnozlaşdırmaqda uğursuzluq nisbəti <10% təşkil edir. On məlumat dəsti üçün müvəffəqiyyət dərəcəsi

80%, mühəndislik səylərini istiqamətləndirmək üçün kifayət qədər etibarlıdır. Sifariş təsadüfi seçilərsə, üfüqi xətt müvəffəqiyyət dərəcəsini (1/6) təmin edir. Sağ panel göstərir ki, limonen istehsalının proqnozlaşdırılması 100 zaman seriyasından (ştammlardan) ibarət təlim məlumat dəsti üçün son dərəcə dəqiqdir. Bu məlumatlar göstərir ki, maşın öyrənmə modelinin proqnozları kifayət qədər dəqiqdir, əgər kifayət qədər təlim məlumatları varsa, yol dizaynını istiqamətləndirir

Bioloji anlayışlar maşın öyrənmə (ML) modelindən istifadə edərək dəzgah təcrübələrini əvəz etmək üçün məlumat əldə etmək üçün yaradıla bilər. Məsələn, proteomikanın əsas komponent analizinə (PCAP 68) bənzər şəkildə, istehsalı yaxşılaşdırmaq üçün hansı zülalların çox/az ifadə edilməli olduğunu və hansı baza gərginliyi üçün müəyyən etmək üçün ML simulyasiyalarından istifadə edə bilərik (Şəkil 10). LS, AtoB, PMD və İdi zülalları limonen vəziyyətində istehsalın ən mühüm hərəkətvericiləridir: onlarla əlaqəli əsas komponent boyunca protein ifadəsinin dəyişdirilməsi limonenin yaradılmasını artırır (Şəkil 10, sol panel). Bundan əlavə, bu yanaşma eksperimental olaraq yoxlanıla bilən fərziyyələri təmin edərək, yoldakı bütün metabolitlər üçün gözlənilən davranışı təmin edir (Şəkil 10, sağ panel).

ML yanaşması bioloji anlayışlar yaratmaq üçün istifadə edilə bilər. Sol panel əsas həqiqət kimi istifadə edilən Michaelis-Menten kinetik modelindən (Şəkil 4) öyrənməklə ML alqoritmi tərəfindən yaradılan 50 ştamm üçün proteomik faza məkanında (PCAP 68 yanaşmasına bənzər) son mövqeyi göstərir. Son limonen istehsalı dairə ölçüsü və rənginə görə verilir. PLS alqoritmi proteomik faza məkanında limonen istehsalının artmasına ən yaxşı uyğun gələn istiqamətləri tapır (komponent 1). Bu istiqamətdə proteomik faza məkanında səyahət (bu, LS-nin həddindən artıq ifadəsini və AtoB, PMD və İdi-nin az ifadəsini ehtiva edir, Cədvəl S2-ə baxın) daha yüksək limonen istehsalı ilə ştammlar yaradır. ML yanaşması hasilatı artırmaq üçün təkcə bioloji anlayışlar yaratmır, həm də limonen və bütün digər metabolitlər üçün zamandan asılı olaraq gözlənilən konsentrasiyanı proqnozlaşdırır, eksperimental olaraq sınaqdan keçirilə bilən fərziyyələr yaradır (sağ panel)

Məlumat məhdudiyyətləri əhəmiyyətlidir, lakin aşıla bilər

ML yanaşması sırf məlumat əsaslı olduğundan, məlumatların miqdarı və keyfiyyəti ilə bağlı narahatlıqlar böyük əhəmiyyət kəsb edir. Məlumatların kəmiyyəti ilə bağlı narahatlıqlar həm kifayət qədər vaxt seriyasının mövcudluğunu, həm də hər bir zaman seriyasında nümunə götürülmüş vaxt nöqtələrini əhatə edir.

Burada istifadə olunan təlim dəsti 66, proteomika və metabolomika vasitəsilə müntəzəm vaxt intervallarında metabolik olaraq işlənmiş yolu xarakterizə edən ən böyük məlumat dəstlərindən biridir. Daxil olan daha böyük məlumat dəstləri yoxdur: vaxt seriyası, bir neçə növ omik məlumat, yeddidən çox vaxt nöqtəsi və bir neçə ştam. Məsələn: the E. coli multiomika verilənlər bazası 69 bir neçə ştam üçün proteomika və metabolomika məlumatlarına malikdir, lakin Ma et al. 70 hesabat proteomika və metabolomika məlumatları, lakin daha az vaxt nöqtəsi olan yalnız bir zaman seriyası (7 əvəzinə 5) Yang et al. 71 proteomika üçün yalnız bir zaman seriyası və yalnız bir zaman nöqtəsi təmin edir Doerfler et al. 72 və Dyar və b. 73 yalnız zaman seriyalı metabolomik məlumatları təmin edir Patel et al. 74 metabolomikanı və proteomikanı birləşdirmir və DOE kbase 75 genomikaya diqqət yetirir və ictimaiyyətə açıq hər hansı bir zaman seriyası proteomikası və ya metabolomikası yoxdur və Eksperiment Məlumat Deposu 76-da bunu aşan tədqiqatlar yoxdur. məlumat nöqtələri və gərginliklər baxımından biri.

ML alqoritmlərini öyrətmək üçün kifayət qədər cüt törəmə və proteomika və metabolomika məlumatı əldə etmək üçün (Əlavə Şəkil S1) ilkin yeddi vaxt nöqtəsini genişləndirərək məlumatların artırılmasından (filtrləmə və interpolyasiya, Şəkil 2 və Əlavə Şəkil S2) istifadə etdik. 200-ə qədər yalnız multiomika məlumatlarında davamlılığı fərz etməklə (təcrübəmizdə ağlabatan bir fərziyyə). Bu məlumatların artırılması üsullarından asılı olmamaq üçün daha çox vaxt nöqtəsinin olması arzuolunan olardı. Bununla belə, fiziki, bioloji və iqtisadi səbəblərə görə daha çox vaxt nöqtəsi daxil olmaqla məlumat dəstləri mövcud deyil. Hər dəfə -omik analiz üçün nümunə götürüldükdə, kultura kolbasındakı həcm azalır və əgər ümumi nümunə götürülmüş həcm ümumi həcmlə müqayisə oluna bilərsə, bu, deformasiya fiziologiyasına əhəmiyyətli dərəcədə təsir göstərə bilər. Həddindən artıq nümunələrin götürülməsi ölçmələrə təsir göstərə biləcəyindən və bu birləşdirilmiş omik analizlər bahalı olduğundan və xüsusi fərdi tələblər tələb olunduğundan, gördüyümüz vaxt nöqtələrinin maksimum miqdarının olması təəccüblü deyil.

7. Daha çox vaxt nöqtəsinin adətən toplanmamasının başqa bir səbəbi odur ki, multiomika məlumatlarının toplanması üzrə mütəxəssislər əvvəlki təcrübəyə əsaslanaraq ştammların fiziologiyasını tam şəkildə tutmaq üçün bu seçmə sürətini nəzərə alırlar. 77,78 Alqoritmin əvvəllər heç görmədiyi üçüncü zaman seriyası üçün ağlabatan proqnozlar verə bilməyimiz (test gərginliyi) bunu və multiomika məlumatlarının davamlılığı fərziyyəsini təsdiqləyir.

Gələcək iş

Maşın öyrənmənin sintetik biologiyaya tətbiqi inşallah yeni tədqiqat yolları açacaq, həmçinin biomühəndislik və ondan kənarda modelləşdirmənin qəbulunu sürətləndirəcək. Bu iş sırf məlumatlara əsaslanan yanaşmanın bioloji dinamikanı səmərəli şəkildə proqnozlaşdıra biləcəyini nümayiş etdirən ilk addımdır. Onu təkmilləşdirməyin bir çox mümkün yolu var.

Aşkar ilk addım proqnozları təkmilləşdirmək üçün digər nəzarət edilən öyrənmə üsullarının əlavə edilməsini nəzərdə tutur. Mövcud yanaşma, genetik alqoritmlər vasitəsilə 11 müxtəlif maşın öyrənmə reqressorunu və 18 müxtəlif qabaqcadan işləmə (xüsusiyyət seçimi) alqoritmlərini birləşdirmək üçün ağac əsaslı boru kəmərinin optimallaşdırılması alətindən (TPOT) istifadə edir. Yeni nəzarət edilən öyrənmə üsulları, onları scikit-learn kitabxanasına əlavə etməklə bu yanaşmaya əlavə edilə bilər. 79 TPOT onları avtomatik sınaqdan keçirəcək və burada istifadə edilən üsullardan daha dəqiq proqnozlar təqdim edərsə, onlardan istifadə edəcək. ML üçün ən məşhur alqoritmlər arasında neyron şəbəkələrə əsaslanan dərin öyrənmə (DL) üsulları var. Bununla birlikdə, bu tədqiqat üçün mövcud məlumat dəstlərinin kiçik ölçüsü maşın öyrənmə üsullarının istifadəsini klassik metodlarla məhdudlaşdırdı. Müasir DL texnikaları adətən bu tədqiqatda istifadə ediləndən daha çox məlumat tələb edir (

Başlanğıc nöqtəsi kimi 1000 suş). Bu həcmdə məlumat hazırda baha başa gəlsə də, DL-ə doğru irəliləmək layiqli məqsəddir: bu üsullar müxtəlif fənlər üzrə super insan performansını nümayiş etdirmişdir. Bunlara, məsələn, insanların bacarıqlarını inkişaf etdirdiyi şəkillərin etiketlənməsi tapşırıqları daxildir. İnsanların daha az qabiliyyətə malik olduğu sahələrdə, məsələn burada nəzərdən keçirilən dinamik sistemin xarakteristikasında, super insan performansına nail olmaq əhəmiyyətli dərəcədə asan olmalıdır. Gəlir, mürəkkəb bioloji sistemlərin proqnozlaşdırıla bilənliyini daxil edilən məlumatların miqdarına mütənasib etməklə mühəndislik nəticələrinin köklü surətdə yaxşılaşdırılmasını əhatə edəcəkdir.

Tez-tez verilən sual, ML yanaşmalarından mexaniki anlayışların əldə edilə biləcəyidir. Bu əhəmiyyətsiz olmasa da, bu nəticə üçün bir neçə imkan var: (1) yaxşı uyğunluqlar yaradan hər hansı xüsusi ML modeli üçün ən uyğun xüsusiyyətlər (yəni protein x y molekulunun konsentrasiyasını təyin etməkdə ən yüksək çəkiyə malikdir) prioritetləri təmin edir. əlavə tədqiq edilə bilən ehtimal olunan mexaniki əlaqəli hissələrin siyahısı. (2) ML modeli mexaniki bioloji anlayışları əldə etmək üçün yüksək məhsuldarlıqlı təcrübələr üçün surroqat kimi istifadə edilə bilər (Şəkil 10). Bu son yanaşmanın başqa bir nümunəsi, ölçmələrə hüceyrə biokütləsinin (optik sıxlıq, OD vasitəsilə) əlavə edilməsi ilə toksikliyin öyrənilməsini əhatə edə bilər və müxtəlif ssenarilər üçün (protein girişləri) OD və bütün metabolitlər arasındakı korrelyasiyanı simulyasiya edə bilər: mənfi korrelyasiya ehtimal olunan toksiki siqnal verəcəkdir. metabolitlər.

Bununla belə, fasilə vermək və mexanizmləri tapmaq üçün hərəkət haqqında düşünmək öyrədicidir. Mexanizmlər müşahidə olunan hadisələri meydana gətirən səbəblərlə əlaqəli proseslər və hissələrin toplusunu təklif edir. Bu proseslərin, hissələrin və səbəb-nəticə əlaqələrinin başa düşülməsi eyni mexanizmin iştirak etdiyi müxtəlif sistemlərin (yollar, deformasiyalar, məhsullar və s.) davranışını proqnozlaşdırmaq üçün həqiqətən ötürülə bilən bilik yaradır. Bununla belə, biologiya məlum və sınaqdan keçmiş mexanizmlərdən mürəkkəb sistemlərin proqnozlaşdırılmasında xüsusilə səmərəsiz olmuşdur. Son məqsədimiz yeni bioloji sistemləri proqnozlaşdırmaqdırsa, transfer öyrənmə kimi ML texnikalarına baxmaq daha uğurlu ola bilər. 80 Bu üsullar mexanizmləri araşdırmağa ehtiyac olmadan əlaqəli sistemlərdə yaranan məlumatlara əsaslanan sistemlərin proqnozlaşdırılması problemini birbaşa həll edir. Bunu söylədikdən sonra, ən arzuolunan nəticənin həm proqnozlaşdırıcı, həm də mexaniki bir model olduğuna şübhə yoxdur, lakin bu xüsusiyyətlərdən biri olmadan edə bilsək, mexaniki bilik cari biomühəndislik üçün ən az dərhal faydalı ola bilər.

Əvvəlki biliklərin ML yanaşmasına daxil edilməsi əlaqəli gələcək tədqiqat prospektidir. Hal-hazırda metodumuz heç bir bioloji intuisiyadan istifadə edərək öyrənilən vektor sahələrini məhdudlaşdırmır. Metodumuzun işini yaxşılaşdırmaq üçün istifadə edilə bilən bu dinamik sistemlər haqqında tez-tez bioloji faktlar bilinir. Xüsusilə, genom miqyaslı stoxiometrik məhdudiyyətlər, nəticədə meydana gələn sistem dinamikasının kütləni qoruduğuna və orqanizm haqqında əvvəlki biliklərimizə uyğun olduğuna zəmanət verə bilər.

Burada qeyd olunan prosedur bioloji bioloji biliklərə az ehtiyac duyduğundan, bu metodun müxtəlif məlumat daxiletmələri və ya digər tətbiq növləri ilə istifadə üçün genişləndirilməsini təsəvvür etmək cəzbedicidir. Aşkar bir uzantı, transkriptomik məlumatlardan giriş kimi istifadə etməkdir. Ardıcıllıq imkanlarının hazırkı eksponensial artımını nəzərə alsaq, transkriptomik məlumatlar proteomika və metabolomika məlumatlarına nisbətən yüksək məhsuldarlıq istehsalına daha uyğundur. Bioloji intuisiyamız deyir ki, transkriptomik məlumatlar proteomikadan daha az informativ olmalıdır, lakin buna daha çox zaman seriyası (və neçə) ilə qarşı çıxa biləcəyini araşdırmaq şübhəsiz ki, maraqlıdır. Metabolomik zaman sıralarına əlavə olaraq proteomikanı proqnozlaşdırmaq üçün ML metodundan istifadə etmək də maraqlı olardı. Başqa bir məntiqi təklif, bu metodu genom miqyaslı multiomika məlumatlarını əhatə etmək üçün genişləndirməkdir. Güman edirik ki, Michaelis-Menten yanaşması ilə bağlı maşın öyrənməsinin əlavə proqnozlaşdırıcı imkanları, qismən, proksilər (məsələn, ev sahibi metabolizmindən dolayı təsirlənən metabolitlər və ya zülallar) vasitəsilə ana metabolizma təsirlərinin dolayı yolla uçotundan irəli gəlir. Beləliklə, metodun proqnozlaşdırma dəqiqliyini artırmaq üçün daha əhatəli metabolomika və proteomika (həmçinin transkriptomika) məlumat dəstlərini gözləyirik. Giriş kimi metaproteomika və metabolit konsentrasiyası məlumatlarından istifadə edərək mikrob icmasının dinamikasını proqnozlaşdırmaq üçün bu metodu tətbiq etmək daha maraqlı və cəsarətli bir cəhd olardı. Bu yanaşmada onu hüceyrədaxili yolun proqnozlaşdırılması və mikrobiom tədqiqatı ilə məhdudlaşdıran heç bir şey yoxdur və sənayenin artan proqnozlaşdırıcı gücə müəyyən ehtiyacı var. 81 Nəhayət, insan metabolizmi üçün sıx multiomik məlumat dəstlərinin mövcudluğu cəlbedici bir hədəf təmin edir. 82,83


Giriş

Genotip-fenotip xəritəsi təkamülü anlamaq üçün mühüm vasitədir [1-13]. Xəritədə fenotiplərin paylanması və əlaqəsi adaptiv təkamül trayektoriyalarının əlçatanlığını müəyyən edir [5, 7, 9, 14-16], təkamül dinamikasını tənzimləyir [6,17-19] və populyasiya strukturunu dəyişdirir [20, 21]. Bununla belə, genotip-fenotip xəritələrini xarakterizə etmək çox çətin ola bilər, çünki mutasiyaların sayı artdıqca xəritənin ölçüsü eksponent olaraq genişlənir. Məsələn, hər biri iki dövlətdən birində mövcud olan dörd mutasiya sahəsi olan xəritə 16 genotipi (2 4) ehtiva edir. Bunun əksinə olaraq, 15 mutasiya yeri olan xəritə 32,768 genotipdən ibarətdir (2 15). Hər bir genotipi xarakterizə etmək üçün vaxt və xərcləri nəzərə alaraq, tədqiqatçılar adətən öz səylərini genotip-fenotip xəritəsinin seçilmiş bölgələri ilə məhdudlaşdırırlar [11, 22-24]. Eksperimental olaraq müəyyən edilmiş fenotiplərin kiçik bir məlumat dəstindən tam genotip-fenotip xəritəsini çıxarmaq bacarığı buna görə də biologiya tədqiqatçılarının geniş spektri üçün son dərəcə faydalı olardı.

Bu tədqiqatda biz 2 8 = 256 genotipdən ibarət aralıq ölçülü xəritədə fenotipləri çıxarmağa çalışdıq. Dərman və ya pestisidlərə qarşı müqavimət kimi əlamətlərin təkamülünə çox vaxt 5-10 mutasiya (yəni 32-1,024 genotip) daxil olduğu nəzərə alınmaqla bu rejim xüsusilə aktualdır [4, 24-28]. Bu əlamətlərin təkamülünü dəqiq başa düşmək genotiplərin hamısının (və ya əksəriyyətinin) fenotipləri haqqında bilik tələb edir. Tam kombinator xəritələri vəhşi tip və mutant izoform arasında əlçatan təkamül trayektoriyalarının çox və ya az olub-olmadığını, bu yolların adaptiv olub-olmadığını və ya neytral addımlar tələb etdiyini və müqavimətin niyə bəzən tez təkamül etdiyini [29-31], digərlərində onilliklər çəkdiyini aşkar edə bilər. hallar [24, 32].

Yüzlərlə genotipi ehtiva edən xəritədə fenotiplərin hərtərəfli xarakteristikası, xüsusən yüksək məhsuldarlıq metodları ilə xarakterizə edilməsi çətin olan fenotiplər üçün çox vaxt mümkün olmur. Bununla belə, belə xəritələr də çox kiçikdir ki, çox vaxt minlərlə və ya on minlərlə müşahidə tələb edən mürəkkəb, verilənlərə ehtiyacı olan, maşın öyrənmə modellərindən istifadə etməklə asanlıqla təhlil etmək mümkün deyil. Bu çatışmazlığı aradan qaldırmaq üçün natamam fenotip-genotip xəritəsindən itkin fenotipləri çıxarmaq üçün sadə bir yanaşma inkişaf etdirdik. Məqsədimiz, proqnozlarımızda yaxşı xarakterizə edilən qeyri-müəyyənliklə qalan fenotip dəyərlərini çıxarmaq üçün xəritənin ≈20%-ni əhatə edən kombinator nümunələrindən istifadə etmək idi. Bu cür biliklər təkamül trayektoriyalarının əsaslı və statistik məlumatlı təhlilinə imkan verəcəkdir ki, nəticə çıxarılmış genotip-fenotip xəritəsi.

Model məlumat toplusu olaraq, malyariya parazitinin 'xlorokin müqavimət daşıyıcısı' (PfCRT) tərəfindən xlorokin (CQ) daşıma fəaliyyətinin əldə edilməsi xəritəsini öyrəndik [24, 33]. CQ parazitin həzm vakuoluna (pH 5.0-5.5) yayılan diprotik zəif əsasdır, burada protonlaşır və yüksək səviyyələrə yığılır [34]. Burada CQ malyariya əleyhinə təsirini parazitin ev sahibi hemoglobinin həzmindən yaranan hemin detoksifikasiyasının qarşısını almaqla göstərir [35-37]. PfCRT həzm vakuolunun membranında yerləşir [38]. PfCRT-nin müəyyən mutant izoformları CQ-ni vakuoldan çıxararaq və beləliklə də antimalarial hədəfindən uzaqlaşdırmaqla CQ müqavimətini təmin edir [24, 33, 39-41]. Vəhşi tipli zülal (PfCRT 3D7) əhəmiyyətli CQ daşıma fəaliyyətindən məhrumdur, halbuki PfCRT-nin “Dd2” izoformu (PfCRT Dd2) CQ müqavimətini təmin edən PfCRT izoformları arasında ən çox öyrənilmişdir [42]. PfCRT 3D7 və PfCRT Dd2 səkkiz amin turşusu qalığı ilə fərqlənir (Şəkil 1A). Biz hər bir genotipi ikili sətir kimi təqdim edə bilərik, PfCRT 3D7 00000000 və PfCRT Dd2 11111111. Mətn boyu biz bu formatda ara genotiplərə istinad edirik.

A) Cədvəl PfCRT-nin vəhşi tip (PfCRT 3D7, 00000000) və mutant (PfCRT Dd2, 11111111) izoformları arasında amin turşusu qalıq fərqlərini göstərir. Şəbəkə PfCRT 3D7 və PfCRT Dd2 arasında genotiplərin tam dəstini göstərir. Hər bir düyün unikal sayı və iki izoform arasında 8 amin turşusu qalığı fərqinin kombinasiyası ilə fərqli genotipi təmsil edir. Hər bir kənar bir mutasiya ilə fərqlənən genotipləri birləşdirir. Genotiplər soldan sağa düzülmüş kombinator qaydasındadır ki, ikinci cərgədə 1000000, 0100000,…, 00000010, 00000001, üçüncü cərgədə 11000000, 10100000, dördüncü sıra …, 0100000, …, 010000, …, 010000, …, 010000, …, 0100000, …, 010000,…10,10,10,10,10,10,010… , 00001011, 00000111 və s. Boz düyünlər CQ daşıma fəaliyyətləri ölçülməmiş PfCRT genotiplərini göstərir. Qalan qovşaqların rəngləri PfCRT Dd2 [24] aktivliyinə nisbətən eksperimental olaraq müəyyən edilmiş CQ nəqliyyat fəaliyyətlərini göstərir. Dəyərlər <5% (mavi) ilə 130% (qırmızı) arasında dəyişir. PfCRT 3D7 və PfCRT Dd2 ilə yanaşı, PfCRT-nin beş digər sahə izoformalarının adları və binar kodları – “106/1”, “GB4”, “K1”, “783” və “Çin e” göstərilmişdir. B) Yalnız ölçülmüş fenotiplərdən keçən PfCRT 3D7-dən PfCRT Dd2-yə qədər bir mümkün təkamül trayektoriyası. Hər bir addımdakı mutasiyalar, CQ nəqliyyat fəaliyyətinə təsiri ilə birlikdə müvafiq kənarın yanında göstərilir. Bu trayektoriya PfCRT China e və PfCRT K1 izoformalarından keçir. Səkkiz addımdan beşi CQ nəqliyyat aktivliyini artırır, ikisi heç bir təsir göstərmir və son addım azalmağa səbəb olur.

PfCRT genotip-fenotip xəritəsi proqnozlaşdırıcı modelin işlənib hazırlanması üçün əla verilənlər toplusunu təmin etdi. PfCRT Dd2-də mövcud olan 8 mutasiyanın 256 mümkün birləşməsindən 52-nin fenotipləri əvvəllər Xenopus laevis oosit sistemi Summers et al. [24]. Bu genotiplər PfCRT 3D7 və PfCRT Dd2 [24] arasında mümkün trayektoriyaları müəyyən etmək məqsədi ilə seçilmişdir. Bu genotiplər xəritədə iki tək, yeddi ikiqat, doqquz üçlü, on dördlü, yeddi beşlik, dörd altı və səkkiz septuple mutantlarla səpələnmişdir. Hər bir izoform oosit səthində ifadə edildi və onun CQ daşınma qabiliyyəti radio-izotop qəbulu analizi ilə ölçüldü. Bu 52 izoforma PfCRT genotip-fenotip xəritəsinin 20%-ni təşkil edir (Şəkil 1A). Birlikdə onlar CQ nəqli üçün yüksək tutumlu PfCRT zülallarına nail olmaq üçün keçilmiş ola biləcək bir neçə təkamül trayektoriyasını aşkar etdilər [24]. Bu trayektoriyalardan biri Şəkil 1B-də göstərilmişdir. Maraqlıdır ki, bu trayektoriyaların hər biri mutasiyanın ya zülalın CQ daşıma qabiliyyətini əhəmiyyətli dərəcədə dəyişdirmədiyi və ya aktivliyin bir qədər azalmasına səbəb olmadığı ən azı bir addımı əhatə edirdi. Adaptiv trayektoriyaların bu açıq olmaması, CQ müqavimətinin bu sahədə nə üçün bir neçə il çəkdiyini və CQ təzyiqindən sonra vəhşi tipli parazitlərdən (məsələn, '3D7' parazitlər) niyə CQ müqavimətinin hələ yaranmadığını izah etməyə kömək edə bilər. in vitro.

The Summers et al. tədqiqat PfCRT-nin CQ nəqliyyatını əldə etməsinə səbəb olan bir neçə trayektoriyanı aşkar etdi, lakin başqa əlçatan trayektoriyaların olub olmadığını müəyyən etmək üçün tam genotip-fenotip xəritəsi tələb olunur. 8 olsa da! = Bu xəritə vasitəsilə 40,320 mümkün irəli trayektoriya, ölçülmüş fenotiplər bizə bu trayektoriyalardan yalnız 428-nin əlçatanlığını qiymətləndirməyə imkan verir. Bu, bir və ya bir neçə mutasiya addımının çatışmadığı 39,892 traektoriya (98,9%) qoyur. Bununla belə, qalan bütün fenotiplərin ölçülməsi həm bahalı, həm də əmək tutumlu olardı.

Buna görə də biz PfCRT genotip-fenotip xəritəsinin proqnozlaşdırıcı modelini qurmağa çalışdıq. Bu yanaşma bizə bütün 256 fenotipi eksperimental olaraq xarakterizə etmədən PfCRT-nin necə bir dərman müqaviməti daşıyıcısına çevrildiyini anlamağa imkan verəcəkdi. Model mutasiyaların əlavə təsirlərini, qeyri-xətti miqyası və logistik təsnifatı özündə birləşdirir. Proqnozlarımızdakı qeyri-müəyyənliyi xarakterizə etməklə, biz təkamül nəticələrimizdəki qeyri-müəyyənliyi də bilirik. Nəhayət, biz son modelimizi əvvəllər nəşr olunmuş genotip-fenotip xəritələri toplusuna qarşı təsdiq etdik. Burada təsvir etdiyimiz yanaşma bir çox genotip-fenotip xəritələrinə tətbiq oluna bilər. Modelin tətbiqini açıq mənbəli Python proqram paketi (GPSEER https://gpseer.readthedocs.io) kimi təqdim etdik.


4 Müzakirə

Genetik əsaslı xəstəliklə əlaqəli anormal fenotiplər toplusunu nəzərə alaraq namizəd genləri prioritetləşdirmək üçün yeni bir metod hazırladıq, metodumuz heyvan modeli fenotiplərindən əldə edilən genlər, gen məhsullarının funksiyaları, gen ifadəsinin anatomik yeri və qarşılıqlı əlaqə şəbəkələri haqqında məlumatlardan istifadə edir. həmçinin biotibbi ontologiyalarda olan çoxlu əsas biliklər. Metodumuz digər fenotip əsaslı metodlardan bir neçə cəhətdən təkmilləşir.

Birincisi, biz OMIM-dən (Amberger) gen-xəstəlik assosiasiyalarından istifadə edərək qiymətləndirildikdə proqnozlaşdırılan performansı yaxşılaşdıran, nöqtəli şəkildə öyrənmək üçün maşın öyrənmə modelindən istifadə edirik. və b., 2011) verilənlər bazası modelimiz iki yerləşdirmə arasındakı oxşarlıqları birbaşa öyrənmək üçün nəzərdə tutulmuşdur və digər modellərlə müqayisədə təkmilləşdirilmiş proqnoz göstəriciləri ilə nəticələnir ( Smaili və b., 2018, 2019) yerləşdirmələrə əsaslanan gen-xəstəlik assosiasiyalarını proqnozlaşdırmaq üçün istifadə olunur.

İkincisi, biz mürəkkəb aksiomları qrafikə çevirməklə və qrafik yerləşdirmələrə əsaslanaraq istifadə etmək üçün yeni bir üsul hazırladıq, göstəririk ki, bu yanaşma yalnız mürəkkəb aksiomlar vasitəsilə bağlanan çoxsaylı ontologiyaları daxil edərkən performansı əhəmiyyətli dərəcədə yaxşılaşdırır. Bu irəliləyiş OWL-dən istifadə edərək ciddi şəkildə rəsmiləşdirilmiş və bir-biri ilə əlaqəli olan ontologiyalarda, məsələn, OBO Foundry-nin birgə səyindəki ontologiyalarda xüsusilə vacibdir (Smith). və b., 2007). Məsələn, DL2Vec-dən istifadə edərək, biz GO-nu daxil edərkən Mendel katarakt forması (OMIM: 604 307) ilə CRYGC geni arasındakı əlaqəni prioritetləşdirə bilirik, halbuki OPA2Vec və Onto2Vec bu geni 100-cü dərəcədən aşağı sıralayır. Kataraktın əsas fenotiplərindən biri görmə pozğunluğu ( HP: 0000505 ), HPO-da azalma olaraq təyin olunur vizual qavrayış ( GO: 0007601 ) bu formal tərifə əsaslanaraq, DL2Vec arasında kənar yaradır. görmə pozğunluğuvizual qavrayış. CRYGC geni GO sinfi ilə əlaqələndirilir vizual qavrayış. Xəstəlik düyünündən və ya gen düyünündən təkrarlanan təsadüfi gəzintiləri həyata keçirərkən, biz bir çox gedişin bu kənardan istifadə etdiyini və buna görə də həm xəstəliyin, həm də genin birbaşa qovşaqları ilə birlikdə meydana gəlməsinə səbəb olduğunu görürük. görmə pozğunluğu eləcə də vizual qavrayış Word2Vec-in bu gəzintilərdə tətbiqi genin yerləşdirilməsi və xəstəliklərin bir-birinə daha çox bənzəməsinə gətirib çıxarır və DL2Vec-ə assosiasiyanı yüksək səviyyələrdən birində prioritetləşdirməyə imkan verir.

Üçüncüsü, metodumuz gen ifadəsi, funksiya, şəbəkə, fenotip məlumatı və ontologiyaların birləşməsindən istifadə edərək bir sıra anormal fenotiplər üçün namizəd genlərə üstünlük verir. Yeni namizədlərə üstünlük vermək üçün xəstəliklə əlaqəli genlər haqqında biliklərə əsaslanan metodlardan fərqli olaraq, metodumuza giriş yalnız xəstədə müşahidə olunan fenotiplərdir. Bizim yanaşmamızda namizəd genlərin prioritetləşdirilməsi eyni fenotiplərlə əlaqəli digər genlərin biliyinə (və ya mövcudluğuna) etibar etmir. Biz buna müxtəlif annotasiyaları iki fərqli səviyyədə birləşdirməklə nail oluruq: birincisi, müxtəlif annotasiyalar (fenotip, funksiya, ifadə) gen və ya gen məhsulu səviyyəsində birləşir (bunu biz ayırmırıq), beləliklə, tək bir varlıq ( gen və onun məhsulları) hər üç məlumat növü ilə əlaqələndirilir, ikincisi, ontologiyalar arasındakı əlaqələrdən də birbaşa istifadə edirik. Ontologiyalardakı siniflər arasındakı əlaqələr bizə genlərlə əlaqəli müxtəlif xüsusiyyətlər arasında yeni əlaqələr qurmağa imkan verir və ontoloji aksiomalardan istifadə etmədən bu xüsusiyyətlərə əlçatan deyil. Bu, bizim yanaşmamızı heç bir genin əlaqəli olmadığı (və ya yalnız bir genin əlaqəli olduğu) və yeni törədici genləri müəyyən etmək üçün məlum xəstəliklə əlaqəli genlərin xüsusiyyətlərindən istifadə edilə bilməyən Mendel xəstəliyinə tətbiq edilə bilər. Assosiasiyaya görə günah prinsipinə əsaslanan yanaşmalar ümumiyyətlə bir neçə məlum əlaqəli genləri olan xəstəliklər və ya fenotiplər üzərində yaxşı işləyir (Chen və b., 2009 Gillis və Pavlidis, 2012 Schlicker və Albrecht, 2010 Singleton və b., 2014 Tranchevent və b., 2016), metodumuz daha geniş tətbiq dairəsinə malikdir.

Dördüncüsü, namizəd genləri prioritetləşdirmək üçün geniş şəkildə tətbiq olunan bir neçə fenotip əsaslı metodlar olsa da (Korniş və b., 2018 Köhler və b., 2009 Smedley və b., 2013), onlar əlaqəli fenotipləri olan genlərlə məhdudlaşır. Əlaqədar fenotipləri olan məhdud sayda insan genləri olduğundan, bu genlər toplusu insan ortoloqlarının fenotiplərini heyvan modellərinə daxil etməklə əhəmiyyətli dərəcədə genişləndirilə bilər (Smedley və b., 2013) buna baxmayaraq, hətta heyvan modeli fenotiplərindən istifadə etmək, ya heyvan modellərində fenotip birləşmələrinin olmaması və ya insan geni üçün ortoloqların olmaması səbəbindən insan genlərinin təxminən yarısını heç bir fenotip birliyi olmadan tərk edəcəkdir (Şefçek). və b., 2020). Biz fenotipə əsaslanan gen prioritetləşdirmə üsullarını ya fenotip assosiasiyası olan, GO funksiyaları ilə əlaqəli olan və ya məlum ifadə yerləri olan genlərə əhəmiyyətli dərəcədə genişləndiririk. Metodumuzun proqnozlaşdırıcı performansı fenotip assosiasiyası olmayan genlər üçün əlaqəli fenotipləri olan genlərə nisbətən daha aşağı olsa da, biz buna baxmayaraq, fenotipləri gen funksiyaları və ya anatomik yerlərlə müqayisə etməklə xəstəliklə əlaqəli genləri müəyyən edə biləcəyimizi göstəririk.

Bundan əlavə, modelimiz genişləndirilə bilər və ontologiyalardan istifadə edərək kodlaşdırıla bilsələr, əlavə funksiyaları ehtiva edə bilər. Məsələn, Hüceyrə Tipi Ontologiyasından (CL) istifadə edərək fərdi hüceyrə tiplərində gen ifadəsini istifadə edərək modelimizi genişləndirə bilərik ( Bakken və b., 2017). Tabula Muris layihəsindən (The Tabula Muris Consortium) tək hüceyrəli RNAseq məlumatlarından istifadə edərək təcrübə etdik və b., 2018) genlərin CL ilə şərh edildiyi. Bu verilənlər bazasından genlər və CL-dən bir və ya daha çox sinif arasında 17 149 assosiasiya əldə edirik. Biz genlərin CL annotasiyasını, eləcə də xəstəlik fenotipi annotasiyalarını əlavə etdik və digər üç ontologiya ilə eyni təcrübələri həyata keçirdik. Genlər arasında funksional qarşılıqlı əlaqəni daxil etmədən, gen-xəstəlik assosiasiyalarını proqnozlaşdırmaq üçün 0,906 (⁠ 0,883 - 0,949 ⁠) ROCAUC əldə edirik ([email protected], [email protected][email protected] müvafiq olaraq 0.037 və 0.0639-dur). Bu nəticələr göstərir ki, tək hüceyrəli gen ifadəsi, Uberon istifadə edərək kodlanan toxuma səviyyəli gen ifadəsindən daha çox gen-xəstəlik assosiasiyalarını proqnozlaşdırmaq üçün daha çox məlumat verə bilər. Hüceyrə tipinə spesifik gen ifadəsinin istifadəsində əsas məhdudiyyətlərdən biri odur ki, CL fenotip ontologiyaları daxilində daha az aksiomada istifadə olunur (UBERON və ya GO ilə müqayisədə) və buna görə də metodumuz fenotiplər və hüceyrə tipləri arasındakı əlaqələrdən, eləcə də digər ontologiyalar arasındakı əlaqələrdən istifadə etməyəcək.

Bizim metodumuzun hələ də bir sıra məhdudiyyətləri var. OWL-dən qrafikə çevrilməmiz bütün OWL aksiomlarını nəzərə almır və konversiya həmçinin semantikası fərqli olsa da, müxtəlif növ məhdudiyyətlər və aksiom növlərini eyni şəkildə nəzərdən keçirir. Gələcəkdə biz istənilən OWL aksiomlarını qrafik təsvirinə çevirmək üçün metodu genişləndirməyi planlaşdırırıq, məsələn. OBO Münasibətləri Ontologiyasında müəyyən edilmiş əlaqə nümunələri haqqında (Smith və b., 2007) və həmçinin Onto2Graph metodunda həyata keçirilən kimi qrafik yaratmaq üçün təxmin edilən aksiomlara etibar edin (Rodríguez-García və Hoehndorf, 2018).

Bizim yanaşmamızın digər əsas məhdudiyyəti onun mahiyyətcə transduktiv olması və induktiv olmamasıdır. Xüsusilə, yerləşdirmə yaratmadan və proqnozlaşdırma modelimizi öyrətməzdən əvvəl onların fenotip assosiasiyaları olan xəstəliklər iş prosesimizdə bilinməlidir və bu yanaşmanı yeni fenotiplər dəstinə (məsələn, fərddə müşahidə olunan fenotiplər) tətbiq etmək asan deyil. Bu məhdudiyyət bir çox qrafik yerləşdirmə və bilik qrafikini yerləşdirmə yanaşmaları tərəfindən paylaşılır (Wang və b., 2017b). Bununla belə, bu məhdudiyyət ya qrafik neyron şəbəkələri kimi bilik qrafiklərində öyrənmə üçün induktiv metodlardan istifadə etməklə aradan qaldırıla bilər (Kipf və Welling, 2016 Scarselli və b., 2008) və ya xəstələri öz fenotipləri ilə orijinal məlumatın (və ya qrafikin) bir hissəsi kimi daxil etməklə, gen-xəstəlik assosiasiyaları üzrə modeli öyrətməklə və xəstə düyünləri üçün namizəd genləri proqnozlaşdırmaq üçün tətbiq etməklə. Bununla belə, induktiv şəraitə yanaşmamızı genişləndirmək müşahidə olunan fenotiplərə və növbəti nəsil ardıcıllıq məlumatlarına əsaslanan patogen səbəb variantları tapmaq üsulları ilə yanaşmamızın daha asan birləşməsinə imkan verəcək (Boudellioua və b., 2017 Robinson və b., 2014).

Nəhayət, biz xəstəliklə əlaqəli olduğu bilinməyən bütün genləri neqativ kimi qəbul edirik və nəticədə müsbət birliklərdən daha çox mənfi cəhətlərə malikdir. Bunun əvvəlcə iki nəticəsi var, bir gen xəstəliklə əlaqəli olduqda, biz səhv olaraq bir əlaqəni mənfi olaraq təsnif edə bilərik, lakin bu assosiasiya hələ məlum deyil. İkincisi, metodumuzun ümumi proqnozlaşdırıcı performansı ən müasir üsullarla müqayisədə yaxşılaşsa və ROCAUC qiymətləndirməmizdə adətən 0,9-dan yuxarı olsa da, birinci dərəcələrdə geri çağırma hələ də aşağıdır və nadir hallarda birinci dərəcədə 5%-i keçir. Qiymətləndirmə tədbirləri arasındakı bu fərqin səbəbi qiymətləndirmə üçün istifadə etdiyimiz balanssız məlumat toplusudur, burada bir xəstəliklə əlaqəli olduğu bilinməyən bütün genlər bu xəstəlik üçün mənfi hesab olunur. Buna görə də, bizim qiymətləndirməmiz gen və xəstəlik arasında potensial assosiasiyalar haqqında heç bir əlavə məlumatı nəzərə almır. Bununla belə, yeni genlərin Mendel xəstəliyi ilə əlaqəsinin qiymətləndirildiyi real ssenaridə, adətən, ya təsirlənmiş fərdlərdə tapılan variantların patogenliyini qiymətləndirmək, nəsil və irsiyyət üsulu ilə süzgəcdən keçirmək və ya variantlara görə süzgəcdən keçirməklə daha çox məlumat əldə etmək mümkündür. belə bir iş axınından sonra eyni fenotiplərə malik qohum olmayan şəxslərdə tapılır, adətən <100 gen potensial namizəd kimi qalır (Alfares və b., 2020) (qiymətləndirməmizdə 9886-dan fərqli olaraq) və yuxarı pillələrdə geri çağırma yaxşılaşacaq.


Mücərrəd

Son texnoloji irəliləyişlər bütün genom sıralama məlumatlarından geniş transkriptomik, metilomik və metabolomik məlumatlara qədər mövcud omik məlumatların genişliyini genişləndirdi. Bu məlumatların təhlilinin əsas məqsədi fenotipik əlamətlərin və nəticələrin proqnozlaşdırılması, mühüm biomarkerlərin aydınlaşdırılması və mürəkkəb əlamətlərin irsiyyətinin genetik əsaslarına dair mühüm anlayışların yaradılmasıdır. Bu hərtərəfli yüksək məhsuldarlıqlı məlumatların faydasından tam istifadə etmək, həqiqi assosiasiyaları müəyyən etmək və saxta birləşmələrin sayını azaltmaq üçün hələ də güclü və təkmil təhlil strategiyalarına ehtiyac var. Bu İcmalda biz mürəkkəb nəticələrdə genetika və genomikanın rolu haqqında anlayışımızı dərinləşdirmək məqsədi daşıyan meta-ölçülü və çoxmərhələli analizlər də daxil olmaqla məlumat inteqrasiyası üçün yaranan yanaşmaları araşdırırıq. Bu yanaşmaların istifadəsi və daha da inkişafı ilə genomik variasiya və insan fenotipləri arasındakı əlaqənin təkmilləşdirilmiş anlayışı aşkar edilə bilər.


Genotipdən Fenotipin proqnozlaşdırılması: Normal Piqmentasiya *

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: İnsan Genetika Mərkəzi, Marshfield Clinic Research Foundation, Marshfield, WI 54449.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: Genetika Departamenti, Stanford Universiteti Tibb Məktəbi, Stanford, CA 94305.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: Farmakologiya bölməsi, Teva Pharmaceutical Industries Ltd., Netanya, 42504, İsrail.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: Helen Wills Neuroscience Institute, Kaliforniya Universiteti, Berkeley, CA 94720.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Ekologiya və Təkamül Biologiyası Departamenti, Arizona Universiteti, Tucson, AZ 85721.

Jake Gittlen Xərçəng Tədqiqat Vəqfi, Patologiya şöbəsi Farmakologiya Departamenti Biokimya və Molekulyar Biologiya Departamenti, Pensilvaniya Dövlət Universiteti Tibb Kolleci, Hershey, PA 17033.

Kimya şöbəsi, Fujita Sağlamlıq Universiteti Sağlamlıq Elmləri Məktəbi, Toyoake, Aichi, Yaponiya.

Kimya şöbəsi, Fujita Sağlamlıq Universiteti Sağlamlıq Elmləri Məktəbi, Toyoake, Aichi, Yaponiya.

DNAPrint Genomics, Inc., Sarasota, FL 34236.

DNAPrint Genomics, Inc., Sarasota, FL 34236.

Hazırkı Ünvan: İnformasiya Təhlükəsizliyi, Kəşfiyyat və Təhlil, Sylint Group, Sarasota, FL 34230.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: İnsan Genetika Mərkəzi, Marshfield Clinic Research Foundation, Marshfield, WI 54449.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: İnsan Genetika Mərkəzi, Marshfield Clinic Research Foundation, Marshfield, WI 54449.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: Genetika Departamenti, Stanford Universiteti Tibb Məktəbi, Stanford, CA 94305.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: Farmakologiya bölməsi, Teva Pharmaceutical Industries Ltd., Netanya, 42504, İsrail.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: Helen Wills Neuroscience Institute, Kaliforniya Universiteti, Berkeley, CA 94720.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Ekologiya və Təkamül Biologiyası Departamenti, Arizona Universiteti, Tucson, AZ 85721.

Jake Gittlen Xərçəng Tədqiqat Vəqfi, Patologiya şöbəsi Farmakologiya Departamenti Biokimya və Molekulyar Biologiya Departamenti, Pensilvaniya Dövlət Universiteti Tibb Kolleci, Hershey, PA 17033.

Kimya şöbəsi, Fujita Sağlamlıq Universiteti Sağlamlıq Elmləri Məktəbi, Toyoake, Aichi, Yaponiya.

Kimya şöbəsi, Fujita Sağlamlıq Universiteti Sağlamlıq Elmləri Məktəbi, Toyoake, Aichi, Yaponiya.

DNAPrint Genomics, Inc., Sarasota, FL 34236.

DNAPrint Genomics, Inc., Sarasota, FL 34236.

Hazırkı Ünvan: İnformasiya Təhlükəsizliyi, Kəşfiyyat və Təhlil, Sylint Group, Sarasota, FL 34230.

Pediatriya şöbəsi, Tibb Kolleci, Arizona Universiteti, Tucson, AZ 85724.

Hazırkı Ünvan: İnsan Genetika Mərkəzi, Marshfield Clinic Research Foundation, Marshfield, WI 54449.

Milli Ədliyyə İnstitutu tərəfindən maliyyələşdirilir (2002-1J-CX-K010).

Mücərrəd

Xülasə: Məhkəmə araşdırmalarında genetik məlumat əsasən CODIS məlumatları və nümunələri uyğunlaşdırmaq və onları bir şəxsə təyin etmək qabiliyyəti ilə məhdudlaşır. Bununla belə, verilmiş DNT nümunəsinin CODIS verilənlər bazasında heç kimə uyğun gəlməyən hallar var və donor haqqında başqa heç bir məlumat yoxdur. Bu araşdırmada, müxtəlif etnik mənşəli 789 fərddə saç, dəri və göz rəngi ilə tək və çox lokuslu birləşmələrin təhlili üçün 24 gendə (əvvəllər insan və ya heyvan piqmentasiyası tədqiqatlarında iştirak etmiş) 75 SNP təyin etdik. Çox xətti reqressiya modelləşdirməsindən istifadə edərək, beş gendə beş SNP-nin populyasiya üzrə təhlillərimizdə saç, dəri və gözlərdə piqmentasiya dəyişkənliyinin böyük nisbətlərini nəzərə aldığı aşkar edilmişdir. Beləliklə, bu modellər etnik mənşəyindən asılı olmayaraq fərdin piqmentasiya növünü məhkəmə ekspertizasından müəyyən etmək üçün proqnozlaşdırıcı dəyərə malik ola bilər.


Genotipdən fenotipin proqnozlaşdırılması üçün hesablama/riyazi modellər - Biologiya

Wanglab-a xoş gəlmisiniz

Optimallaşdırma və Hesablama Sistemləri Biologiya Laboratoriyası Çin Elmlər Akademiyasında (CAS) Riyaziyyat və Sistem Elmləri Akademiyasının (AMSS) Tətbiqi Riyaziyyat İnstitutundadır. Biz həmçinin Çin Elmlər Akademiyasının Milli Riyaziyyat və Fənlərarası Elmlər Mərkəzinə (NCMIS) aidik. Tədqiqatımız optimallaşdırma, hesablama biologiyası və sistem biologiyasına yönəlmişdir. Optimallaşdırma və statistika modelləri vasitəsilə gen tənzimləyici şəbəkələr kimi mürəkkəb biomolekulyar sistemlər üçün şəbəkələr qurmağı hədəfləyirik. Çoxsaylı məlumat mənbələrini şəbəkə modellərinə daha da inteqrasiya etməklə, biz ardıcıllıq variantı, tənzimləyici element, tənzimləyici, gen ifadəsi və biomolekulyar sistemlərin təkamülü arasındakı əlaqəni aydınlaşdırmaq, bioloji tənzimləmələrin və şəbəkələrin dizayn prinsiplərini araşdırmaq və sistemlərin biologiya mexanizmlərini araşdırmaq məqsədi daşıyırıq. mürəkkəb xüsusiyyətlərə malikdir. Bu məqsədlərə nail olmaq üçün biz nəzəriyyə, model və alqoritmdən tutmuş müxtəlif hesablama metodlarını inkişaf etdiririk.

    Gen Tənzimləyici Şəbəkə Modelləşdirilməsi. : gen tənzimləyici şəbəkənin modelləşdirilməsi və təhlili. Laboratoriyada davam edən layihələrə aşağıdakılar daxildir: xromatin tənzimləyiciləri arasında qarşılıqlı əlaqə, ardıcıllığa xüsusi transkripsiya faktorları və cis-tənzimləyici ardıcıllıq elementləri kontekstində xüsusi tənzimləyici şəbəkənin yenidən qurulması.

Yong Wang Laboratoriyası | Riyaziyyat və Sistemlər Elmləri Akademiyası | Çin Elmlər Akademiyası


BİOİNFORMATİKA VƏ HESABLAMA BİOLOGİYASI (BCB)

Bioinformatika alqoritmləri. Mövzulara DNT məhdudiyyətinin xəritəsi, tənzimləyici motivlərin tapılması, genomun yenidən təşkili, ardıcıllığın düzülməsi, gen proqnozu, qrafik alqoritmləri, DNT ardıcıllığı, zülal ardıcıllığı, kombinator nümunə uyğunluğu, təxmini nümunə uyğunluğu, klasterləşmə və təkamül, ağac tikintisi, Gizli Markov modelləri, təsadüfiləşdirilmiş modellər daxildir.
Tələblər: Prerekvizitlər, COMP 210 və 211 və ya COMP 401, və 410 və MATH 231, və ya 241 və ya BIOL 452 və ya MATH 553 və ya BIOL 525 bütün ilkin kurslarda C və ya daha yaxşı qiymət tələb olunur.
Qiymətləndirmə statusu: Hərf dərəcəsi
Eyni ilə: COMP 555.

BCB 645. Mürəkkəb əlamətlərin kəmiyyət genetikası. 1 Kredit.

Tələbələr biotibbi və kənd təsərrüfatı ilə əlaqəli kompleks əlamətlərin kəmiyyət genetikasını başa düşmək üçün əsas təşkil edən müxtəlif mövzular haqqında məlumat əldə edəcəklər. Bu postgenomik dövrdə kəmiyyət genetikasının son məqsədi genotipdən fenotipin proqnozlaşdırılması, yəni genetik əlamət dəyişikliyi üçün molekulyar əsasların çıxarılmasıdır.
Qiymətləndirmə statusu: Hərf dərəcəsi
Eyni ilə: GNET 645.

BCB 701. Genom Elmləri Seminar Seriyası. 1 Kredit.

Yalnız bioinformatika tələbələri üçün açıqdır. Bioinformatikanın bütün aspektlərində müxtəlif, lakin aktual mövzular. Bioinformatika və hesablama biologiyası sahəsində görkəmli şəxslərin yeni texnikaları və cari tədqiqatlarını əlaqələndirir.
Qaydaları təkrarlayın: Kredit üçün təkrarlana bilər.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 702. Genom Elmləri Seminar Seriyası. 1 Kredit.

Yalnız bioinformatika tələbələri üçün açıqdır. Bioinformatikanın bütün aspektlərində müxtəlif, lakin aktual mövzular. Bioinformatika sahəsində görkəmli şəxslərin yeni texnikaları və cari tədqiqatlarını əlaqələndirir.
Qaydaları təkrarlayın: Kredit üçün təkrarlana bilər.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 710. Bioinformatika kollokviumu. 1 Kredit.

Bu kursun məqsədi tələbələri BCB fakültəsinin tədqiqat maraqları ilə tanış etmək və tələbələrə öz işlərini təqdim etmək və həmyaşıdlarından və fakültələrindən məlumat almaq imkanı verməkdir.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 712. Biologiya elmləri üçün verilənlər bazaları, metaməlumatlar, ontologiyalar və rəqəmsal kitabxanalar. 1 Kredit.

Kurs bioloji məlumatların saxlanması və axtarışı üçün əsas informasiya-elm üsullarını təqdim edir.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 715. Siqnallaşdırma və tənzimləmə yollarının modelləşdirilməsinə riyazi və hesablama yanaşmaları. 1 Kredit.

Kurs biokimyəvi şəbəkələrin modellərini hazırlamaq və təhlil etmək üçün istifadə olunan əsas riyazi üsullara giriş təqdim edir. Həm deterministik, həm də stoxastik modellər müzakirə olunur.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 716. Ardıcıllığın təhlili. 1 Kredit.

Bu modul tələbələri müasir ardıcıllıq platformalarından istifadə etməklə nuklein turşusu ardıcıllığının müqayisəli təhlilində anlayış və üsullarla tanış etmək üçün nəzərdə tutulmuşdur. Kursun mövzularına ardıcıllığın uyğunlaşdırılması, genom montajı və DNT və RNT ardıcıllığı üçün müasir protokolların hesablama detalları daxildir.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 717. Struktur bioinformatika. 1 Kredit.

Kurs zülal modelləşdirmə üsulları və üsullarını təqdim edir.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 718. Hesablama modelləşdirmə laboratoriyası. 1 Kredit.

Bu kurs mobil sistemlərin hesablama modelləşdirməsinə praktiki girişi təmin edir. Biz eyni bioloji hadisəni təsvir etmək üçün müxtəlif modelləşdirmə üsullarını - deterministik, stoxastik və inferred üsulları necə seçmək və həyata keçirmək üzərində dayanacağıq. Heç bir rəsmi riyazi və ya hesablama bilikləri tələb olunmasa da, kurs MATLAB-da kifayət qədər proqramlaşdırmanı əhatə edəcək.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 720. Statistik modelləşdirməyə giriş. 3 Kredit.

Bu kurs bioinformatika, statistik genetika, statistik genomika və əlaqəli sahələrdə geniş spektrli analitik metodları motivasiya edən əsas statistik konsepsiyaları və modelləri təqdim edir. Tələbələrin təkdəyişənli hesablamaları bilməsi, matris cəbri ilə tanış olması və müəyyən proqramlaşdırma təcrübəsinə malik olması gözlənilir.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 722. Populyasiya genetikası. 1 Kredit.

Bu qısa kurs Dn/Ds nisbəti, McDonald-Kreitman testi və Poisson Random Field modeli də daxil olmaqla təbii seçmə nəticələrinin/qiymətləndirilməsi üsullarını əhatə edəcəkdir. Kursda orqanizmin təkamülünü formalaşdıran qüvvələr haqqında anlayışlar əldə etmək üçün bu metodların tətbiqini təsvir edən yüksək profilli nəşrlərin müzakirələri keçiriləcək.
Qiymətləndirmə statusu: Hərf dərəcəsi
Eyni ilə: GNET 722.

BCB 723. Statistik genetika və genomikada mövzular. 1 Kredit.

Bu modul statistik genetika və genomikada seçilmiş konsepsiyaları və texnikaları təqdim edir.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 725. Statistik genetikaya giriş. 3 Kredit.

Ailə və əhaliyə əsaslanan genetik məlumatların təhlili üçün statistik metodları əhatə edir. Mövzulara klassik əlaqə təhlili, populyasiyaya əsaslanan və ailə əsaslı assosiasiya analizi, haplotip analizi, genom üzrə assosiasiya tədqiqatları, populyasiya genetikasında əsas prinsiplər, imputasiyaya əsaslanan analiz, yola əsaslanan analiz, qarışıqların xəritələşdirilməsi, surət sayı variasiyalarının təhlili, və kütləvi paralel ardıcıllıq məlumatlarının təhlili.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 730. İşıq mikroskopiyası üçün kəmiyyət təsvirinin təhlilinin əsasları. 1 Kredit.

Bu kurs işıq mikroskopiyası təsvirlərinin kəmiyyət analizinə praktiki girişdir. Dərs zamanı tələbələr bioloji təsvirlərin təhlili zamanı ümumi tapşırıqları yerinə yetirmək üçün onlara rəhbərlik edəcək dərsliklərə əməl edəcəklər. Onlar təsvirin qeydiyyatı, filtrasiya, obyekt aşkarlanması və s. kimi təsvirin işlənməsinin əsas anlayışları ilə tanış olacaqlar.
Qiymətləndirmə statusu: Hərf dərəcəsi
Eyni ilə: GNET 730.

BCB 784. Hesablama biologiyasına giriş. 3 Kredit.

Molekulyar biologiya, ardıcıllığın düzülüşü, Monte Karlo Bayes yanaşmaları ilə ardıcıl motivlərin identifikasiyası, dinamik proqramlaşdırma, gizli Markov modelləri, hesablama alqoritmləri, statistik proqram təminatı, yüksək məhsuldarlıqlı ardıcıllıq verilənləri və onun hesablama biologiyasında tətbiqi.
Tələblər: İlkin şərtlər, BIOS 661 və 663 İlkin şərtlərə malik olmayan tələbələr üçün təlimatçının icazəsi.
Qiymətləndirmə statusu: Hərf dərəcəsi
Eyni ilə: BIOS 784.

BCB 785. Gen ifadəsinin təhlili üçün statistik üsullar. 3 Kredit.

Klasterləşdirmə alqoritmləri, təsnifat üsulları, çoxvariantlı məlumatların təhlili üçün statistik üsullar, yüksək ölçülü məlumatların təhlili, DNT mikroarray məlumatları üçün parametrik və yarımparametrik modellər, ölçmə xətası modelləri, Bayes üsulları, statistik proqram təminatı, mikroarray tədqiqatlarında nümunə ölçüsünün təyini, xərçəngə tətbiqlər.
Tələblər: İlkin şərtlər, BIOS 661 və ya 673 və 663 İlkin şərtlərə malik olmayan tələbələr üçün təlimatçının icazəsi.
Qiymətləndirmə statusu: Hərf dərəcəsi
Eyni ilə: BIOS 785.

BCB 850. Bioinformatika və hesablama biologiyasının tədrisi üzrə təlim. 3 Kredit.

Bioinformatika və hesablama biologiyası pedaqogikasının prinsipləri. Tələbələr BCB-nin tədrisinə kömək etmək və fakültənin nəzarəti altında işləmək üçün cavabdehdirlər, onlarla metodlar, məzmun və fəaliyyətin qiymətləndirilməsi haqqında müntəzəm müzakirələr aparırlar.
Qaydaları təkrarlayın: Kredit üçün təkrarlana bilər.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 870. Yazılı Təqaüd Təklifləri. 1 Kredit.

Şablon kimi NIH F31-dən istifadə edərək, doktorluqdan əvvəlki tələbələrə təqaüd təklifləri yazmaqda praktiki təcrübə təqdim edir. Tələbələr tələbələr və müəllimlər tərəfindən verilən rəylərlə həftəlik yazı tapşırıqları alacaqlar. Kurrikulumda və ya müəllimin icazəsi ilə 2-ci və 3-cü kurs tələbələri üçün açıqdır.
Qiymətləndirmə statusu: Hərf dərəcəsi
Eyni ilə: GNET 870.

BCB 888. Tədqiqatın məsuliyyətli aparılması. 1 Kredit.

Eksperimental tədqiqatın etik və məsuliyyətli aparılması üçün kritik mövzuları əhatə edən sinif əsaslı məzun səviyyəsində kurs. Həm sinif mühazirəsi, həm də seminar tipli müzakirə komponentləri, əlavə olaraq sinifdən kənar oxunuşlar var. Magistr tələbələrinin üzləşdiyi ən çox ehtimal olunan ssenariləri əhatə edən nümunə araşdırmaları və hipotetik vəziyyətlər əhatə olunacaq, bu mövzulara aşağıdakılar daxildir: mentor və mente əlaqələri, nəşr müəllifliyi, əməkdaşlıq, həmyaşıdların rəyi, maraqların toqquşması, əqli mülkiyyət, plagiat, məlumatların əldə edilməsi və məlumatların emalı. UNC-də bir aspirant kimi yaxşı vəziyyətdə olan tələbələr üçün məhdudlaşdırılır. Sinif otağının məhdud olması ehtimalı olmadığı halda, əvvəllər xarici federal maliyyə mənbələri almış və RCR-də təkmilləşdirmə kursu tələb edə bilən magistr tələbələrinə üstünlük veriləcək.
Qaydaları təkrarlayın: Kredit üçün təkrarlana bilər. 2 ümumi kredit. 1 ümumi tamamlama.
Qiymətləndirmə statusu: Hərf dərəcəsi
Eyni ilə: BIOC 888.

BCB 891. Xüsusi mövzular. 1-3 kredit.

Statistikada və əməliyyat tədqiqatında cari tədqiqatlarda irəliləyiş mövzuları.
Qaydaları təkrarlayın: Kredit üçün təkrarlana bilər, eyni müddətdə müxtəlif mövzular üçün təkrarlana bilər.
Qiymətləndirmə statusu: Hərf dərəcəsi
Eyni ilə: MATH 891, GNET 891.

BCB 899. Bioinformatika və hesablama biologiyasında xüsusi mövzular. 1-6 kredit.

Bioinformatika və Hesablama Biologiyası Kurikulumunda xüsusi mövzular kursu. Mövzular fərqli olacaq.
Qaydaları təkrarlayın: Kredit üçün təkrarlana bilər. 9 ümumi kredit. 9 ümumi tamamlama.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 905. Bioinformatika və hesablama biologiyasında tədqiqat. 1-8 kredit.

Bioinformatika və hesablama biologiyası sahəsində tədqiqatlara görə tələbələrə verilən kredit.
Qaydaları təkrarlayın: Kredit üçün təkrarlana bilər.
Qiymətləndirmə statusu: Hərf dərəcəsi.

BCB 993. Magistr tədqiqatı və dissertasiyası. 3 Kredit.

Magistratura proqramına tələbələr qəbul edilmir.
Qaydaları təkrarlayın: Kredit üçün təkrarlana bilər.

BCB 994. Doktorluq tədqiqatı və dissertasiyası. 3 Kredit.

Doktoranturada görülən işlərə görə kredit.
Qaydaları təkrarlayın: Kredit üçün təkrarlana bilər.


Ailəvi hipertrofik kardiomiopatiyanın çox miqyaslı hesablama modelləri: genotipdən fenotipə

Ailəvi hipertrofik kardiomiopatiya (FHC) təxminən 500 nəfərdən birində rast gəlinən irsi xəstəlikdir. Onun əlaməti mədəcik divarının anormal qalınlaşmasıdır, ürək çatışmazlığı və qəfil ürək ölümü daxil olmaqla ciddi fəsadlara səbəb olur. Müalicə ağırlıq, simptomlar və xəstə populyasiyasında qəfil ölüm risklərinin dəyişməsi ilə çətinləşir. FHC ilə əlaqəli genetik lezyonların demək olar ki, hamısı sarkomerik zülalları kodlayan genlərdə baş verir və bu vəziyyətin əsasını ürək əzələsinin daralmasında qüsurların olduğunu göstərir. Genotip əsasında ürək fenotiplərini proqnozlaşdırmaq üçün istifadə edilə bilən hesablama analizləri üçün ətraflı biofiziki məlumatlar getdikcə daha çox əldə edilir. Bu modellər ürək hüceyrələrində baş verən dinamik prosesləri miyokard toxumasının xassələri, ürəyin həndəsəsi və hemodinamik yükü ilə birləşdirməlidir ki, mədəciyin divarlarında gərginlik və gərginlik və ümumi nasos funksiyası proqnozlaşdırılsın. Son nailiyyətlər bu modellərdə miofilament səviyyəsində biofiziki təfərrüatı artırmışdır ki, bu da FHC ilə əlaqəli mutant zülalların xüsusiyyətlərini bütün ürək funksiyasının simulyasiyalarında dəqiq şəkildə təmsil etməyə imkan verəcəkdir. Bu modellərin qısamüddətli təsiri, xəstəliyin ən erkən mərhələlərində kontraktil disfunksiya və dəyişdirilmiş miokard gərginlik nümunələrinin ətraflı təsviri olacaq - genetik cəhətdən dəyişdirilmiş heyvanlarda təsdiqlənə bilən proqnozlar. Uzun müddətli, bu çoxmiqyaslı modellər genotip əsaslı risk təbəqələşməsi və fərdiləşdirilmiş terapiya vasitəsilə FHC-nin klinik idarə edilməsini təkmilləşdirmək potensialına malikdir.

1. Giriş

Ürək funksiyasını modelləşdirmək üçün səylər silisiumda Mühəndislik, kompüter elmləri, tibbi təsvirlər, molekulyar biologiya, biofizika və fiziologiya sahələrindəki texnikaları birləşdirən fənlərarası elm üçün prototipdir. Hesablama modelləri hər iki cəbhədə irəliləyişi xeyli sürətləndirmək perspektivi ilə normal və xəstə şəraitdə ürəyin daha çox başa düşülməsi üçün bir çox müxtəlif bioloji miqyasda tətbiq olunur ([1]-də nəzərdən keçirilir). Bu araşdırmanın məqsədi kardiomiopatiyaya səbəb olan mutasiyaların müəyyən bir sinfində genotip və fenotip arasındakı əlaqəni açmaq üçün mövcud eksperimental və hesablama üsullarının tərəqqisini və potensialını qiymətləndirməkdir.

Açıqlanmayan hipertrofik kardiomiopatiya (HCM) ABŞ-da hər 500 böyükdən birində [2] rast gəlinir və əksər hallarda genetik faktorlarla müşahidə oluna bilər [3]. Xəstəliyin ailəvi hipertrofik kardiomiopatiya (FHC) kimi tanınan irsi forması sol mədəciyin divarının qalınlığının artması, miokard fibrozu, miyositlərin nizamsızlığı və qəfil ürək ölümü riskinin artması ilə əlaqələndirilir. Vəziyyətin müalicəsi yoxdur və simptomları yüngülləşdirmək üçün müalicələr məhduddur. Qəfil ürək ölümü təhlükəsinə qarşı implantasiya edilə bilən kardioverter-defibrilatorların istifadəsi, intraventrikulyar septumdan artıq miokardı çıxaran cərrahi prosedurlar kimi, FHC xəstələri arasında ölümü uğurla azaltmışdır [4]. Yenə də bu xəstələrin qalan xəstəliyin ağırlaşmalarının uzunmüddətli idarə olunmasını tələb edəcəklər.

İlk dəfə iyirmi il əvvəl ortaya çıxan genetik əlaqə tədqiqatları [5], FHC-nin əsas səbəbi kimi sarkomerik genlərin mutasiyalarını müəyyən etmişdir [6]. Bu kəşflər FHC ilə bağlı bəzi əsas suallara cavab verdi, eyni zamanda intensiv tədqiqat səylərinin mövzusu olan yenilərini də gündəmə gətirdi [3]. Hipertrofiyanın dərəcəsi və forması, qəfil ürək ölümü riski, simptomların başlama yaşı və ümumi proqnoz xəstə populyasiyasında çox dəyişkəndir. Bu fenotipik müxtəliflik, ümumiyyətlə, mövcud tibbi ədəbiyyatda [3] sənədləşdirilmiş fərdi mutasiyaların çoxluğu (500-dən çox) ilə izah olunur və xüsusi genotiplər üçün xəstəlik fenotiplərinin proqnozlaşdırılmasının mümkün ola biləcəyini göstərir. Bununla belə, xeyli sayda zahirən asemptomatik, gen-müsbət şəxslərin müəyyən edilməsi bu fikrə yeni problem yaradır və inkişaf etmiş FHC-nin fenotiplərinin bir çox amillərə həssas olduğunu göstərir [7]. Bu tapıntıların işığında Tardiff [8, s. 765] son ​​icmalda təklif etmişdir ki, “təsirə məruz qalmış xəstələri idarə etmək üçün genotip məlumatından istifadə etmək kimi mərkəzi məqsədə nail olmaq üçün [FHC]-nin həm molekulyar, həm də klinik patogenezində ən proksimal hadisələrə yenidən diqqət yetirilməlidir”.

Mövcud FHC tədqiqatında gizli fərziyyə ondan ibarətdir ki, hipertrofiya, inkişaf etmiş formasından asılı olmayaraq, ürək sarkomerinin səviyyəsində dəyişmiş kəskin funksiyanın nəticəsidir. Hazırda mutant zülalların xassələrinə əsaslanaraq bu cür proksimal, prehipertrofik fenotipi proqnozlaşdırmaq üçün birlikdə istifadə edilə bilən eksperimental və hesablama vasitələri mövcuddur (şəkil 1).FHC-nin heyvan modellərinə tətbiq edildikdə, genotip və fenotipin bu şəkildə birləşdirilməsi xəstəlik prosesinin daha ətraflı təsvirinə və fokuslanmış, sınaqdan keçirilə bilən fərziyyələrin yaradılmasına imkan verəcəkdir. Bundan əlavə, bu vasitələr xəstələr arasında riskin təbəqələşdirilməsinin kəmiyyət vasitəsini təmin edə və klinik qərarların qəbuluna kömək edə bilər.

Şəkil 1. Ailəvi hipertrofik kardiomiopatiyanın (FHC) öyrənilməsi üçün əsas eksperimental metodların və potensial hesablama vasitələrinin diaqramı. Təxmini tarixlər hər bir eksperimental yanaşmanın ilk dəfə FHC tədqiqatına nə vaxt tətbiq edildiyini göstərir. Çoxmiqyaslı hesablama yanaşmaları hələ FHC-nin tədqiqinə tətbiq edilməmişdir, lakin bunun üçün bir çox zəruri alətlər son illərdə meydana çıxmışdır (tarixlər tətbiq olunan modelləşdirmə üsullarının nəşrini əks etdirir). [9] P-MRS fosfor-31 maqnit rezonans spektroskopiyasına aiddir [10].

Bu arada, bir çox qruplar daha ənənəvi yanaşmalardan istifadə edərək FHC tədqiqatlarını davam etdirirlər (son rəylər üçün [6,8,11]-ə baxın). Bunlara yeni mutasiyaları müəyyən etmək üçün insanlarda genom miqyaslı assosiasiya tədqiqatları, FHC ilə əlaqəli mutasiyalara malik olmaq üçün hazırlanmış siçan xətləri və in vitro dəyişdirilmiş sarkomerik zülalların tədqiqi. Hazırda tədqiq edilən yeni yanaşma insan somatik toxumalarından induksiyalı pluripotent kök hüceyrələrin yaradılmasıdır ki, bu da sonradan ürək hüceyrələrinə diferensiallaşdırıla bilər [12]. FHC mutasiyaları olan xəstələrdən əldə edilən miyositlər daha sonra funksional hüceyrə miqyaslı analizlər üçün və ya molekulyar tədqiqatlar üçün mutant zülalların əldə edilməsi vasitəsi kimi istifadə edilə bilər. Genetik olaraq hazırlanmış siçanlar bir neçə miqyasda sistematik molekulyar, struktur və funksional tədqiqatlara imkan vermək üstünlüyünə malikdir, lakin praktikada bu məlumatların inteqrasiyası adətən keyfiyyətcə aparılır. Bundan əlavə, ürək çatışmazlığının inkişafı, multigenik qarşılıqlı təsirlər və ya epigenetik amillər kimi ikincil təsirlər fenotipləri çaşdıra bilər. Çoxmiqyaslı modellər tam potensialına çatdıqca, biz gözləyirik ki, onlar məlumatları kəmiyyətcə inteqrasiya etməklə və ikinci dərəcəli amilləri nəzərə almaq səylərinə kömək etməklə cari və yeni yanaşmaları gücləndirəcəklər.

2. Sarkomerik zülallar

HCM-nin irsi formalarının təxminən 70 faizi sarkomerdə olan zülalları kodlayan genlərlə əlaqələndirilə bilər [3]. Ürək əzələsi hüceyrələrinin sarkomerləri büzülmə qüvvəsinin istehsalına cavabdehdir və iki üst-üstə düşən zülal filamentlərindən ibarətdir: tərkibində motor zülalı miozini olan qalın filamentlər və tənzimləyici zülallar troponin və tropomiyozin ilə bəzədilmiş polimerləşmiş aktindən ibarət nazik filamentlər. (şəkil 2). Ca 2+ troponin kompleksinə bağlandıqda, miyozin başları üçün bağlanan yerləri ifşa etmək üçün aktin filamentinin səthində tropomiyozini hərəkət etdirən bir sıra allosterik siqnal hadisələrini tetikleyen zaman daralma başlayır [13]. Miyozin, adenozin trifosfat (ATP) şəklində olan enerjini mexaniki işə çevirən, qalın və nazik filamentləri bir-birinin yanından sürüşdürən və əzələnin qısalmasına səbəb olan bir prosesdə aktinlə dövri olaraq qarşılıqlı təsir göstərir.

Şəkil 2. Ürək sarkomerinin və əsas zülal komponentlərinin sxemi. Sarkomer qalın və nazik filamentlərin interdigitat massivlərindən ibarətdir. Genişlənmiş görünüş doqquz əsas komponenti etiketləyir: miozin ağır zəncir (MHC), əsas yüngül zəncir (ELC), tənzimləyici yüngül zəncir (RLC), miyozin bağlayan protein C (MyBP-C), tropomiyozin (Tm), troponin I (TnI), troponin T (TnT), troponin C (TnC) və aktin. Bu doqquz zülalın hər birini kodlayan genlərdə kardiomiopatiya ilə əlaqəli mutasiyalar müəyyən edilmişdir ki, bu da irsi HCM-nin ən ümumi səbəblərini təmsil edir [6]. İstirahətdə qüvvə Tm tərəfindən inhibə edilir, bu da aktin üzərində miyozin bağlanma yerini bloklayır (soldakı miyozin molekullarının əksəriyyəti aydınlıq üçün hər bir vəziyyətdə ikinci miyozin başının buraxıldığını qeyd edir). Ca 2+ TnC-də (etiketli) aşağı yaxınlıq sahəsinə bağlandıqda, sarkomerdə güc istehsalı başlayır və bu, bağlanma sahələrini (mərkəzdə miozin) ifşa etmək üçün Tm mövqeyində sürüşməyə səbəb olur. Birləşdikdən sonra, miyozin ATP hidrolizindən əldə edilən enerjini buraxaraq, qolu qolunu fırladıb, ipi qalın filamentə uzatır və istehsal qüvvəsi yaradır. Sübutlar göstərir ki, xəstəliklə əlaqəli mutasiyalar bu sistemin Ca 2+-a cavab olaraq güc istehsalını dəyişdirir.

İnsan FHC ilə qəti şəkildə əlaqəli olan ilk mutasiyalar gendə tapıldı MYH7β-miozin ağır zəncirini (MHC) kodlayan . β-MHC mutasiyaları irsi HCM-nin ən ümumi səbəbi olaraq qalır [6]. MHC miyozin molekulunu meydana gətirən üç alt bölmədən ən böyüyüdür və aktin bağlanması və nukleotid hidrolizindən məsul olan domenləri ehtiva edir. Miozinin digər iki alt bölməsi, əsas yüngül zənciri (ELC) və tənzimləyici yüngül zəncir (RLC), qolu kimi tanınan MHC-nin α-heliksi ilə əlaqələndirilir və sabitləşir. Qolun hərəkəti miyozin tərəfindən güc istehsalına cavabdehdir [14]. Nisbətən nadir, lakin yaxşı sənədləşdirilmiş FHC mutasiyalarına insan genlərində rast gəlinir MYL2MYL3 müvafiq olaraq ELC və RLC kodlaması bu zülalların mühüm funksional rol oynadığını göstərir [11]. Gen mutasiyaları MYBPC3Qalın filament zülalı miyozin bağlayıcı zülal C (MyBP-C) kodlayan , FHC olan şəxslər arasında ən çox ikinci yerdədir [11]. MyBP-C-nin sarkomer funksiyasını modulyasiya etmək qabiliyyəti yaxşı qurulmuş olsa da, onun tənzimləyici fəaliyyətinin struktur və funksional detalları tam müəyyən edilməmişdir.

Demək olar ki, bütün digər məlum FHC-yə səbəb olan mutasiyalar nazik filament zülallarında baş verir (bax: [8] icmalı üçün). Bunlara nazik filament və onun miyozinlə bağlanma yerlərini meydana gətirən ürək aktini (ACTC) daxildir. Tropomiozin rahatlama zamanı bu bağlanma yerlərini sterik şəkildə bloklayır və bunun üçün genin mutasiyaları α izoform (TPM1) FHC ilə əlaqələndirilir. Ürək troponin T (TNNT2) digər troponin subunitlərini tropomiyozinlə bağlayır və ona bitişik tropomiyozinlərin uç-uca üst-üstə düşməsini sabitləşdirir. Ürək troponin I (TNNI3) tropomiyozin hərəkətinin qarşısını alacaq şəkildə aktinə bağlanaraq Ca 2+-dan asılı olaraq daralmanın tənzimlənməsində birbaşa iştirak edir [13]. Ca 2+ troponin C-yə (TNNC1) bağlandıqda, troponin I-in inhibitor sahələrinin aktindən troponin C-nin N-terminal sahəsinə köçürülməsi tropomiyozin hərəkətinə və aktin-miozin çarpaz körpülərinin əmələ gəlməsinə imkan verir.

Mutant sarkomerik zülalların xassələrini və funksional nəticələrini araşdıran tədqiqatlar çoxsaylıdır və FHC-də genotip-fenotip əlaqələri haqqında anlayışımıza əhəmiyyətli dərəcədə əlavələr etmişdir (bax Tardiff [8] və Harris və b. [11] ətraflı rəylər üçün). İnsan FHC xəstələrində müşahidə edilən nöqtə mutasiyalarına malik təmizlənmiş zülallar üzərində tədqiqatlar aparılmışdır, lakin FHC genləri də klonlanmış və transgenik və gen hədəflənmiş heyvan modelləri (əsasən siçanlar) yaratmaq üçün istifadə edilmişdir. Əldə edilən məlumatlar tək molekulların fəaliyyəti üzrə ölçmələrdən (məsələn, [15]) ürək funksiyasının ölçülməsinə qədərdir. in vivo [16].

Bəlkə də ən çox istifadə edilən təcrübə mutant zülalları olan dərili miokard preparatlarında Ca 2+ qüvvənin həssaslığının ölçülməsidir (bax: Bai). və b. [17] son ​​nümunə üçün). Bu təcrübələrdə hüceyrə membranlarını pozmaq üçün toxuma yuyucu vasitə ilə müalicə olunur, bu da miofilamentlər ətrafındakı Ca 2+ konsentrasiyasını birbaşa çimmək məhlulu ilə təyin etməyə imkan verir. Miokard nümunəsi güc çeviricisi və motorla idarə olunan qol arasında bağlanır və preparatın yaratdığı sabit vəziyyət qüvvəsi müxtəlif Ca 2+ konsentrasiyalarında ölçülə bilər. Bu yolla əldə edilən qüvvə-Ca 2+ əlaqəsi adətən nöqtələrin Hill tənliyi ilə uyğunlaşdırılması ilə parametrləşdirilir,

Mutant sarkomerik zülalların iştirakı ilə ölçülən bir çox sabit vəziyyət qüvvəsi-Ca 2+ münasibətlərindən irəli gələn tendensiya ondan ibarətdir ki, HCM ilə əlaqəli mutasiyalar miofilamentlərin Ca 2+ həssaslığını artırır, eyni zamanda kiçik (lakin əhəmiyyətli) mutasiyalar dilate kardiyomiyopatiya (DCM) ilə əlaqəli onu azaltmağa meyllidir [8,18]. Bu nəticə əhəmiyyətlidir, lakin Ca 2+ həssaslığının fenotipi təxmin etmək qabiliyyəti məhdud görünür, çünki həssaslığın başlanğıc səviyyəsindən dəyişməsinin böyüklüyü xəstəliyin şiddətini proqnozlaşdırmır. Üstəlik, tək bir parametr FHC-nin çoxölçülü fenotipik məkanını təsvir edə bilməz ki, bu da müxtəlif hipertrofiya nümunələrini və müxtəlif mutasiyalar üçün aritmiya üçün fərqli riskləri ehtiva edir.

Ca 2+ həssaslıq ölçülərinin ümumi HCM/DCM paradiqması ilə uyğunlaşdığı halda belə, genotip-fenotip əlaqəsi yalnız qismən əldə edilir. Belə bir vəziyyətdə, müəyyən bir mutasiyanı ürəyin yenidən qurulması növü ilə əlaqələndirmək üçün ilkin problem mutasiyanı Ca 2+ həssaslığı ilə əlaqələndirməkdən birinə çevrilir. Normal və mutant zülalların amin turşusu ardıcıllığını bilmək mühüm ipuçları verməlidir və molekulyar dinamika (MD) simulyasiyalarından istifadə etməklə bu istiqamətdə müəyyən irəliləyişlər əldə edilir (bax: Ertz-Berger və b. [19] və Lorenz və Holms [20]). MD, pikosaniyəlik zaman şkalasında molekullar daxilində atomların hərəkətini proqnozlaşdırmaq üçün protein strukturu məlumatlarından istifadə edir. Bir halda, MD, FHC ilə əlaqəli R92W və R92L mutasiyalarının mövcudluğunda troponin T (TnT) molekulunun kritik bölgəsinin hərəkətini proqnozlaşdırmaq üçün istifadə edilmişdir [19]. Simulyasiyalar göstərdi ki, hər iki mutasiya zülaldakı spiral strukturları qeyri-sabitləşdirməyə meylli olub, molekulun vəhşi tipli ardıcıllığa nisbətən elastikliyini artırıb. Eyni zamanda, iki mutasiya arasında elastiklik dərəcəsi fərqli idi. Bu, həm insanlarda, həm də bu mutasiyaları olan transgen siçanlarda R92W və R92L arasında müşahidə olunan hipertrofiyanın şiddətindəki fərqləri izah edə bilər.

MD simulyasiyalarının üstünlüyü ondan ibarətdir ki, onlar tək amin turşusu əvəzetmələrinə əsaslanan birbaşa funksional proqnozlar verməyə imkan verir, lakin onlar vaxt miqyası və Ca 2+ aktivləşdirilmiş qüvvənin birbaşa proqnozlarını vermək üçün kifayət qədər böyük molekulyar sistemlərin simulyasiyasının mümkünlüyü ilə məhdudlaşır. Miyofilament funksiyasının molekulyar mexanizmləri ilə bağlı qalan suallara görə hətta dolayı proqnozlar çətindir, məsələn, TnT-də bir bölgənin elastikliyinin Ca 2+ həssaslığını necə dəyişə biləcəyi dəqiq bilinmir. MD üçün texnikalar, şübhəsiz ki, gələcəkdə təkmilləşəcək və nəticədə bu məhdudiyyətləri dəf edə bilər. Bu vaxt, miofilamentin aktivləşdirilməsinin inteqrativ modellərindən istifadə etməklə molekulyar davranış və Ca 2+ həssaslığı arasındakı boşluğu aradan qaldırmaq mümkün ola bilər.

3. İnteqrativ miofilament funksiyası

Miofilament funksiyasının inteqrativ modelləri miofilament zülallarının məlum struktur qarşılıqlı təsirləri və konformasiya vəziyyətləri əsasında Ca 2+ aktivləşməsini proqnozlaşdırır (son nümunələrə [21-23] daxildir). MD simulyasiyaları vasitəsilə əldə edilə bilən molekulyar təfərrüatlarda açıq şəkildə çatışmazlıq olsa da, bu modellər ürək əzələsi preparatlarında edilən funksional ölçmələri təkrar edə bilmə üstünlüyünə malikdir. Ümumiyyətlə, bu modellər Ca 2+ troponin C-yə bağlanmasını, troponin-tropomiyozin tənzimləyici keçidinin aktivləşdirilməsini və eksperimental sübutlarla təklif olunan bu proseslər arasında qarşılıqlı əlaqəni əks etdirir. İnteqrativ miofilament modelləri, mutasiya tərəfindən törədilən əsas funksional dəyişiklik(lər) kimi təmsil etdikləri sadələşdirilmiş proseslərin birinə və ya bir neçəsinə işarə edərək, əzələ tərkibli FHC mutant zülallarında güc-Ca 2+ münasibətlərini və digər xassələri təhlil etmək üçün istifadə edilə bilər. Bu, atomistik simulyasiyaları xüsusi strukturlara və miofilament zülalları arasında qarşılıqlı təsirlərə yönəltmək potensialına malikdir.

Son illərdə bu tip miofilament modellərindəki təkmilləşdirmələr Ca 2+ tərəfindən kooperativ aktivləşmənin [24] təmsili ətrafında cəmlənmişdir. Kooperativlik sabit vəziyyət şəraitində Ca 2+ konsentrasiyası ilə büzülmə qüvvəsi arasında müşahidə olunan dik, sigmoidal əlaqəni təsvir edir (parametrlə təmsil olunur) nH Hill tənliyində). Zolaqlı əzələ kooperativliyinin molekulyar mənşəyinin aktin nazik filamentində bitişik tropomiyozin molekulları arasında yaranan uç-uca qarşılıqlı təsirlər olduğuna inanılır [25,26]. Əzələ tənzimlənməsinin sterik bloklayıcı modelinə [13] görə, tropomiyozin aşağı Ca 2+ şəraitində miozinin aktinə bağlanmasını bloklayır. Qonşu tropomiyozinlər arasında qarşılıqlı təsirlərin, miyozin bağlayan yerləri elə birləşdirdiyi güman edilir ki, onlar kəskin əməkdaşlıq davranışına uyğun olaraq “hər şey və ya heç nə” üslubunda ifşa olunmağa meyllidirlər.

Sabit vəziyyət şəraitində miofilament kooperativliyinin bu və digər ehtimal olunan mexanizmlərini təsvir etmək üçün bir sıra nəzəri və hesablama modelləri hazırlanmışdır [27-32]. Digərləri döyünən ürəkdə baş verən [Ca 2+]-da keçici dəyişikliklər zamanı miofilamentin aktivləşməsini proqnozlaşdırmaq məqsədi ilə tərtib edilmişdir [9,21,33]. İdeal olaraq, bu modellər miofilament Ca 2+ həssaslığının və kooperativliyinin ölçülərini, dərisi soyulmuş əzələ preparatlarından fizioloji şəraitdə həqiqi təsirlərinə çevirə bilər. Müxtəlifliyə və nəşr olunan miofilament modellərinin sayına baxmayaraq, bu maraqlı perspektiv böyük ölçüdə reallaşdırılmamış qalır.

Bizim son işimiz sabit vəziyyət və dinamik qüvvə – Ca 2+ münasibətlərini eyni vaxtda bərpa edə bilən miofilament aktivləşdirilməsinin Markov modelinin formalaşmasına gətirib çıxardı [23]. Model ilkin olaraq McKillop & Geeves [28] tərəfindən təklif edilmiş və sonra struktur məlumatları ilə təsdiqlənmiş [34] ürəyin nazik filament tənzimləmə vahidinin üç vəziyyətinə əsaslanır. Üç dövlət arasında keçidlər qonşu tənzimləyici vahidlərin vəziyyətlərindən (tropomiyozin qarşılıqlı təsirləri vasitəsilə) asılı hesab edildikdə, sistem kooperativ aktivləşdirmənin həm sabit vəziyyət, həm də dinamik aspektlərini nümayiş etdirir. Model, NEM-S1 (yüksək yaxınlıqla aktini bağlayan həll olunan miyozin alt fraqmenti), yüksək qeyri-üzvi fosfat konsentrasiyası və qısaldılmış nazik sap uzunluğu da daxil olmaqla müxtəlif şərtlər altında dərili ürək əzələsində toplanmış məlumatlara qarşı təsdiq edilmişdir. başqaları.

Bu modelin molekulyar miqyaslı pozğunluqlardan istifadə edən təcrübələri təkrar istehsal etmək qabiliyyəti, FHC ilə əlaqəli mutasiyaların mövcudluğunda sabit vəziyyət qüvvəsi-Ca 2+ münasibətlərinin təhlilində istifadəsini dəstəkləyir. Bunun sadələşdirilmiş nümunəsi Şəkil 3-də göstərilmişdira, burada model FHC ilə əlaqəli tropomiyozin mutasiyası E180G [17]-də görünən qüvvə-Ca 2+ münasibətində sola sürüşmə və kooperativlik itkisini bərpa etmək üçün istifadə olunur. Hər iki dəyişiklik eyni vaxtda bir parametri, tropomiyozinlər arasında ən yaxın qonşu ilə qarşılıqlı əlaqə ilə əlaqəli sərbəst enerji dəyişikliyini azaltmaqla əldə edilmişdir. Modelin tam təfərrüatları, o cümlədən parametrlər bu sənədi müşayiət edən elektron əlavə materialda təqdim olunur. Bu kursor müşahidə nazik filament vəziyyəti tarazlığında sadə dəyişiklikdən daha çox, E180G-nin funksional nəticəsi kimi tropomiyosinin artan çevikliyini və ya uç-uca tropomiyozin qarşılıqlı təsirlərinə təsir göstərir [17]. Bu kimi anlayışlar daha yüksək səviyyəli funksiyaya birbaşa bağlanmış fokuslanmış MD və ya iri dənəli molekulyar model tədqiqatlarına səbəb ola bilər.

Şəkil 3. Miofilament modelləri sabit vəziyyət və dinamik qüvvə – Ca 2+ münasibətləri arasındakı boşluğu aradan qaldıra bilər. (a) Tm mutasiyası E180G [17] nəticəsində sabit vəziyyət qüvvəsi-pCa münasibətindəki keyfiyyət dəyişiklikləri, o cümlədən Ca 2+ həssaslığının artması və kooperativliyin azalması (əyrinin dikliyi) miofilament modelində [23] təkrarlanmışdır. ən yaxın qonşu Tm birləşməsinin miqdarının azaldılması (nəzarət və E180G Tm müvafiq olaraq bərk və kəsik xətlərdir). Bu parametr dəyişikliyi ya artan Tm çevikliyinin, ya da uç-uca bağlanmanın qeyri-sabitləşməsinin göstəricisidir. Ca 2+ həssaslığında fərqi vurğulamaq üçün hər bir əyri maksimum gərginliklə normallaşdırılıb. (b) Model həmçinin E180G Tm mutasiyasının bükülmə dinamikasına təsirini proqnozlaşdırmaq üçün istifadə edilə bilər. Eyni parametrlərdən istifadə edərək (b), seğirmələr ideallaşdırılmış Ca 2+ keçidinə cavab olaraq ortaya çıxdı (göstərilmir). Simulyasiya göstərir ki, mutasiya diastolik gərginliyi artırır və məlum fenotiplərə uyğun olaraq həm daralma, həm də relaksasiya sürətini yavaşlatır [17].

Dərilənmiş əzələ məlumatlarına uyğunlaşdırılmış nazik filament aktivləşdirilməsinin Markov modeli mutant zülalların funksiyaya təsirini proqnozlaşdırmaq üçün də istifadə edilə bilər. in vivo. Modelin, ölçülmüş Ca 2+ keçidlərinə cavab olaraq seğirmə gücünü düzgün proqnozlaşdıraraq, bütöv əzələ davranışını təkrarladığı göstərildi. Nümunə olaraq, burada E180G tropomiyozin mutantını ehtiva edən əzələ üçün sabit vəziyyətli Ca 2+ aktivləşdirilmiş davranışı əks etdirən eyni parametr dəstindən istifadə etməklə izometrik bükülmə proqnozlaşdırılıb (şəkil 3).b). Sabit vəziyyət qüvvəsi-Ca 2+ münasibətinə əsaslanan proqnozlaşdırılan təsir E180G tropomiyozin mutasiyası nəticəsində bükülmə gərginliyinin uzanması və daha yavaş relaksasiyadır. Markov modelinin daha bir üstünlüyü hesablama qabiliyyətidir, yəni model biofiziki təfərrüatları itirmədən hüceyrə modellərinə və hətta bütün ürəkə inteqrasiya oluna bilər.

4. Ventriküler miyositlər

Hər ürək döyüntüsü zamanı büzülmə siqnalı elektrik impulsu şəklində ürək əzələ hüceyrələrinə çatır. Hüceyrə səviyyəsində bu elektrik həyəcanı sarkomerlərdə büzülməni aktivləşdirmək üçün hüceyrədaxili anbarlardan Ca 2+ ionlarının sitozola sürətlə salınmasına səbəb olur. Elektrik stimullaşdırılmasından güc istehsalına qədər olan bu proses kardiyak həyəcan-daralma birləşməsi və ya sadəcə olaraq EC birləşməsi kimi tanınır [35].

Bir neçə hüceyrə quruluşu və bir çox əlaqəli zülal mədəcik miyositlərində EC birləşməsində iştirak edir [35]. Hüceyrə membranındakı ion kanalları və onların köməkçi zülalları daralmaya səbəb olan membran potensialında keçici dəyişiklikləri aşkar etmək və yaymaqdan məsuldur. Membran potensialının dəyişməsi L-tipli Ca 2+ kanallarını açır ki, bu da Ca 2+ ilə bağlı Ca 2+ buraxılması (CICR) kimi tanınan prosesdə sarkoplazmatik retikulumdan (SR) Ca 2+ buraxılmasına səbəb olur. SR-də membrana bağlı zülallar Ca 2+-nın sitozoldan geri alınmasına cavabdehdir, bu da Ca 2+ səviyyəsini aşağı salır və büzülmənin sona çatmasına səbəb olur.

Mübahisə etmək olar ki, miofilamentlər tərəfindən bütün qüvvə əmələ gəlməsi prosesi EC birləşməsinin bir hissəsini təşkil edir. Ənənəvi olaraq, Ca 2+ troponin C (TnC) ilə birləşdiyi nöqtədə EC birləşməsi tam hesab olunur, lakin iki müşahidə bu baxışın ürək əzələsinin davranışında potensial əhəmiyyətli mexanizmləri laqeyd etdiyini göstərir. Birincisi odur ki, TnC-nin Ca 2+ yaxınlığı miozinin aktinə bağlanması ilə təxminən 10 dəfə artır [36]. Bu o deməkdir ki, seğirmə zamanı TnC-nin sitozolik Ca 2+ tamponu kimi tutumu sabit hesab edilə bilməz. İkinci ümumi müşahidə ondan ibarətdir ki, bir çox hallarda miofilament zülallarının modifikasiyası, istər post-translational modifikasiya [37], istərsə də kardiomiopatiya ilə əlaqəli mutasiyalar [17] vasitəsilə sarkomerlərin ümumi Ca 2+ həssaslığını (və ehtimal ki, Ca 2+ tamponlanmasını) dəyişdirir. ]. Sitozolda TnC-nin çoxluğu o deməkdir ki, miofilament Ca 2+ həssaslığını dəyişdirən amillər bütün hüceyrədə EC birləşməsinə təsir etmək potensialına malikdir, bu fenomenin bir formasıdır, mexanoelektrik əks əlaqə [38].Beləliklə, həyəcan və büzülmə nəticəsində yaranan qüvvə arasındakı əlaqənin başa düşülməsi miofilamentlərin xüsusiyyətlərindən çox asılıdır.

Elektrofiziologiya, Ca 2+ ilə işləmə və miofilament büzülməsinin təsvirlərini birləşdirən inteqrativ mədəcik miyosit modelləri bu proseslər arasında kompleks qarşılıqlı əlaqənin kəmiyyətcə öyrənilməsinə imkan verir [39-41]. Miyosit elektrofiziologiyasının hesablama modelləri bir neçə onilliklər ərzində inkişaf etmişdir və indi bir çox ion kanallarının və daşıyıcılarının mexaniki təsvirlərini ehtiva edir. Bunlardan ən sonları mutasiyaya uğramış kanal zülallarının ürək fəaliyyət potensialına təsirini proqnozlaşdırmaq üçün istifadə olunur [42]. Son onillikdə inkişaf etdirilən innovativ riyazi yanaşmalar Ca 2+ ilə işləmə və CICR modellərinin biofiziki dəqiqliyini və hesablama səmərəliliyini eyni vaxtda təkmilləşdirmişdir [43]. Biz bu yaxınlarda bu təkmilləşdirilmiş CICR təsvirini və Raysın büzülmə modelini özündə birləşdirən it EC birləşmə modelindən istifadə etdik. və b. [22] endokard, orta miokard və epikardial miyositlərdə elektromexaniki heterojenliyin mənbələrini araşdırmaq [39]. Bu işdən bir proqnoz, tək EC birləşməsindəki fərqlərin epikardial hüceyrələrdə daha sürətli daralma və rahatlama dərəcələrini izah edə bilməməsi idi. Bunun əvəzinə, eksperimental ölçmələri izah etmək üçün daha sürətli α-MHC izoformunun yüksəldilmiş ifadəsi ilə uyğunlaşan körpü velosipedi sürətinin artması lazım idi. Bu nəticə daha sonra dərili epikardial hüceyrələrdə daha sürətli çarpaz körpü kinetikası ilə əlaqəli olan donuz mədəciklərinin epikardında artan α-MHC ifadəsinin kəşfi ilə dəstəkləndi [44].

Miyosit elektromexanikasının inteqrativ modelləri bir neçə səbəbə görə FHC tədqiqatı sahəsində böyük potensiala malikdir. Bir çox FHC mutasiyaları ölümcül aritmiya [8] üçün yüksək risklə əlaqələndirilir və miyosit sarkomerik mutasiyaların ürəyin elektrik fəaliyyətinə təsir göstərə biləcəyi ən sadə sistemdir. Miyositlər həm də FHC mutasiyalarının seğirmə xüsusiyyətlərinə təsirinin müşahidə oluna biləcəyi ən sadə eksperimental preparatdır. Tipik olaraq bu təcrübələrdə Ca 2+ keçidləri və yüklənməmiş hüceyrə qısalması FHC ilə əlaqəli mutant zülalları ifadə edən mühəndis siçanlarından təcrid olunmuş miyositlərdə ölçülür. Yüklənməmiş qısaldıcı ölçmələrdən əldə edilən seğirmə xüsusiyyətləri tez-tez vəhşi tip nəzarətlərdən fərqlidir, lakin genotip əsasında bükülmə fenotiplərinin şərhi çətinləşir ki, Ca 2+ seğirməni aparan keçidlər bu heyvanlarda da dəyişdirilə bilər (məsələn, E22K mutasiyası). MYL3 [45]). Təcrübələri kəmiyyət model analizi ilə birləşdirərək, mutasiyaya uğramış sarkomerik zülalın seğirmənin özünə təsirini Ca 2+ keçici təsirindən ayırmaq olar. Məsələn, miofilamentin aktivləşdirilməsinin son modelimiz [23] daralmanın uzunluğu və sürətindən asılılıq [41] üçün müvafiq tənliklərlə birləşdirildikdə, ölçülən Ca 2+ keçidlərini hüceyrə qısalması ilə kəmiyyətcə əlaqələndirmək üçün istifadə edilə bilər (şəkil 4 elektron əlavəyə baxın). əlavə məlumat üçün material). Ca 2+ ilə işləmə fərqləri ölçülmüş Ca 2+ keçidlərinə cavab olaraq ölçülmüş qısalmanı bərpa etmək üçün model parametrlərini uyğunlaşdırmaqla hesablana bilər. Quraşdırılmış daralma modeli parametrlərindəki fərqlər mutant zülalın yaratdığı miofilamentin aktivləşdirilməsində funksional dəyişikliklərin xarakterini aşkar edərdi.

Şəkil 4. Miofilament modelləri canlı miositlərdə daralma hadisələrini çoxaltmağa qadirdir. (a) Ölçülmüş Ca 2+ keçidi simulyasiya edilmiş hüceyrə qısaldılması üçün daxili elastik yükü təmsil edən tənliklərlə birləşdirilmiş miofilament aktivləşdirmə modelinə giriş kimi istifadə edilmişdir. (b) Proqnozlaşdırılan qısalma (nöqtəli iz) eksperimental olaraq ölçülmüş cavaba (bərk iz, 0,2% nisbi xəta) uyğun gələnə qədər modeldə sərbəst parametrlər tənzimləndi. 25 ° C-də siçovul mədəcik miyositi.

Biofiziki cəhətdən təfərrüatlı elektromexaniki miyosit modeli daha da inteqrativ təhlilə imkan verəcək ki, nəinki dəyişmiş bükülmə, həm də Ca 2+ keçici dəyişikliklərin əsasını araşdırsın. Ca 2+ ilə işləmə hipertrofiya və ürək çatışmazlığında miofilamentlərdən birbaşa asılı olmayan müəyyən məlum adaptiv dəyişikliklərə məruz qalır. Bununla belə, xəstəlik prosesinin erkən mərhələlərində Ca 2+ ilə bağlı kəskin dəyişikliklər mutant zülalların səbəb olduğu TnC tərəfindən Ca 2+ tamponlanmasına edilən dəyişikliklərlə vasitəçilik edilə bilər. Normal və mutant zülalları ehtiva edən miofilamentlər tərəfindən Ca 2+-nın dinamik tamponlanmasını təmsil edən inteqrativ miosit modeli belə bir mexanizmin mümkünlüyünü qiymətləndirməyə qadirdir.

5. Transmural heterojenlik

FHC mutasiyalarının ürək funksiyasına göstərdiyi hər hansı təsir, fərdi hüceyrələrin EC birləşmə xüsusiyyətlərini dəyişdirən sarkomerdə (və başqa yerlərdə) zülalların ifadəsində və tərkibində təbii olaraq yaranan məkan dəyişikliyi fonunda baş verir [46-48]. Simulyasiyalar göstərir ki, kontraktil davranışdakı regional fərqlər mexanika və ürəyin nasos funksiyasına kritik təsir göstərir [49] və bu, FHC mutasiyalarının xəstəlik patologiyası yaratmaq üçün təbii heterojenlikləri dəyişdirə və ya başqa şəkildə qarşılıqlı əlaqədə olma ehtimalını artırır. Miyositlərin fəaliyyət potensialının morfologiyasında və müddətində regional nümunələr son 20 ildə təsvir edilən bir çox heterojen xüsusiyyətlərdən birincisi idi [50]. O vaxtdan bəri, ion kanalının cərəyan sıxlığında [51], Ca 2+ keçidlərində [48,52,53], miyozin izoform ifadəsində [44,54-56], miofilament zülalının fosforlaşmasında [57,58] və boşalmış hüceyrə qısaldılmasında [48] fərqlər ,52] qeyd edilmişdir. Bəzi hallarda, molekulyar səviyyədə variasiyaları müvafiq miokard bölgələrindən təcrid olunmuş miyositlər arasında funksional fərqlərlə əlaqələndirmək mümkün olmuşdur [44,46,59], lakin müşahidə edilən heterojenliyin praktiki nəticələri haqqında hələ çox şey öyrənilməlidir. fərdi hüceyrələrin səviyyəsi.

Bu heterojenliklərin bütün ürəyin işində oynadığı rol haqqında da eyni şeyi söyləmək olar. Məsələn, sol mədəciyin xarici, epikardial bölgəsindəki hüceyrələr daha qısa fəaliyyət potensialına və Ca 2+ keçidlərinə meyllidirlər və daxili və ya endokardial bölgədəki hüceyrələrdən daha sürətli büzülürlər [48,52]. Bu tip heterojenliyin ürəkdəki daralmanı koordinasiya etdiyi təklif edilmişdir [48,60]. Fərziyyə ondan ibarətdir ki, epikardial hüceyrələrdə daha sürətli daralma onlara ürək dövrü ərzində daha əvvəl aktivləşən endokardial hüceyrələrə “tutmağa” imkan verəcək. Bununla belə, hesablama modeli proqnozlaşdırır ki, heterojenliklər mədəciklərin deformasiyasına təkcə açılış anlarında deyil, sistolun əksər hissəsində təsir göstərir (şəkil 5) [49].

Şəkil 5. Üçölçülü model hüceyrə tipli paylanmanın mədəciklərin mexanikası və funksiyasına təsirini proqnozlaşdırmaq üçün istifadə edilə bilər. Bu şəkildə göstərilən simulyasiya məlumatları əvvəlki tədqiqat zamanı yaradılıb (tam təfərrüatlar üçün [49]-a baxın). (a) Modelin bu görünüşü mədəciklərin həndəsəsini və ürək liflərinin oriyentasiyasını göstərir. (b) Model sistol zamanı sol mədəciyin (LV) təzyiq dalğa formalarını proqnozlaşdırmaq üçün istifadə edilmişdir. Burada hüceyrə növlərinin fizioloji paylanması (əsas xətt) mədəciyin tamamilə orta miokard hüceyrələrindən (hamısı orta) ibarət olduğu hipotetik bir vəziyyətlə müqayisə edilmişdir. Dairələr aorta qapağının açılması və bağlanmasını qeyd edir. (c) Bu iki hal, həmçinin mədəciyin divarından keçən kəsiklərdə burada göstərilən mədəcik divarının gərginlik nümunələrinin fərqlərini göstərir. Bu nəticələr göstərir ki, sarkomerik mutasiyaların təsirləri üçün fon kimi normal baş verən heterojenliyin uçotu erkən miokard gərginliyi fenotiplərinin düzgün proqnozlaşdırılmasında kritik olacaqdır. Mavi, endokardial bölgə qırmızı, orta miokard bölgəsi yaşıl, epikardial bölgə.

Bəzi hallarda FHC mutasiyalarının transmural heterojen xüsusiyyətlərə birbaşa müdaxilə etdiyinə dair güclü sübutlar var ki, bu da fenotipik dəyişkənliyin maraqlı mənbəyi ola bilər. Məsələn, RLC ürək əzələsində kontraktil davranışı modullaşdıran bir fosforlaşma sahəsini ehtiva edir və fosforlaşma dərəcəsinin epikardial bölgədə endokarddan daha çox olduğu göstərilmişdir [57]. FHC ilə əlaqəli E22K mutasiyası MYL3 miyozin yüngül zəncirli kinaz tərəfindən fosforlana bilmir in vitro [61], hansı in vivo təbii olaraq yaranan gradienti zəiflətməlidir. FHC-nin çox miqyaslı mədəcik modellərini inkişaf etdirmək üçün güclü əsaslardan biri bu cür qarşılıqlı təsirlərin miokard funksiyasına təsirini proqnozlaşdırmaqdır.

6. Miokard gərginliyinin modelləşdirilməsi və ölçülməsi

Ürək hipertrofiyası hipertoniya və ya ürəyə artan yük verən hər hansı digər vəziyyətə cavab olaraq klinik olaraq müşahidə olunur. HCM, artan sol mədəciyin divar qalınlığı ilə müraciət edən, lakin hipertoniya kimi aşkar səbəb amilləri olmayan xəstələr üçün standart diaqnozdur [6]. Mutant sarkomerik zülallar irsi HCM-nin əsas səbəbi kimi müəyyən edildikdə, ürəyin kontraktil aparatındakı dəyişikliklərin mexaniki yüklənmədə dəyişikliklərlə nəticələnəcəyi və buna görə də hipertrofiyaya səbəb olacağı gözlənildiyi üçün bu, çoxları üçün məntiqli idi. Son illərdə qeyri-invaziv görüntüləmə tədqiqatları göstərdi ki, miyokard gərginliyinin normal nümunələrindəki dəyişikliklər müxtəlif patologiyalarda ürək toxumasının yenidən qurulması ilə üst-üstə düşür və ya ondan əvvəl baş verir [62,63]. Bu nəticələr FHC xəstələri arasında müşahidə olunan mədəcik hipertrofiyasının nümunələrində fenotipik müxtəlifliyin mümkün izahatını təklif edir. Fəza baxımından heterojen sarkomerik və hüceyrə xassələri fonunda hərəkət edən hər bir mutasiya, sol mədəciyin miokard gərginliyinə müxtəlif yollarla təsir etmək potensialına malikdir. Gərginlik və yüklənmədəki incə fərqlər müxtəlif remodeling fenotiplərinə səbəb ola bilər.

Dəyişmiş sarkomer davranışı və miyokard gərginliyinin nümunələri arasındakı əlaqəni araşdırmaq üçün mədəcik mexanikasının çox miqyaslı modellərindən istifadə edilə bilər. Ümumi yanaşma, real üçölçülü həndəsə və kontraktil davranışa malik sol mədəciyin sonlu element şəbəkəsini yaratmaq üçün mutant FHC zülalını ifadə edən siçanların məlumatlarından istifadə etmək olardı. Bu siçanlardan təcrid olunmuş miokardın xassələri tədqiq oluna və mexaniki miofilament və hüceyrə səviyyəsində parametr dəstlərinin qurulması üçün istifadə edilə bilər. Bunlar, öz növbəsində, miyokardın qlobal və regional funksiyasını proqnozlaşdırmaq üçün sol mədəciyin tam birləşdirilmiş elektromexaniki simulyasiyalarına daxil ediləcək və bu, qarşı təsdiq edilə bilər. in vivo gərginlik ölçmələri.

Hipertrofik və ya DCM ilə əlaqəli sarkomerik mutasiyaları olan ürəklərin çoxölçülü modellərini qurmaq və müqayisə etmək xüsusilə öyrədici ola bilər. Ürəklərin anatomik dəyişikliklərdən əvvəl erkən yaşda modelləşdirilməsi mədəciklərin yenidən qurulmasının hər bir növünə xas olan miokard gərginliyinin nümunələrini aşkar edə bilər. Təsdiq edilərsə, bu modellər mutasiyaları fərdi hüceyrələr səviyyəsində miokardın yenidən qurulmasına səbəb olan mexaniki işarələrlə əlaqələndirmək üçün güclü bir vasitə təklif edərdi. Bu cür simulyasiyalar, həmçinin klinisyenlərə əsas molekulyar patologiyaların mövcudluğunu qeyri-invaziv şəkildə aşkar etməyə imkan verən yeni görüntüləmə əsaslı strategiyalar təklif edə bilər.

Maqnit rezonans (MR) görüntüləmə və proqram təminatı sahəsində son nailiyyətlər hətta siçanlarda da sol mədəciyin həndəsəsinin real şəbəkələrinin yaradılması prosesini daha sürətli və əlçatan etmişdir [64]. Ürək liflərinin sol mədəcikdə oriyentasiyası mədəcik mexanikasının kritik determinantıdır və diffuziya tenzor MR görüntüləmə [65] və ya ənənəvi histoloji üsullar [66] vasitəsilə ölçülə bilər. Modelin yoxlanılması üçün miyokarddakı regional gərginlik ya harmonik faza (HARP) izləmə ilə MR etiketləmə, ya da exokardioqrafik gərginlik görüntüləmə (ləkə izləmə) ilə əldə edilə bilər. Qeyd etmək vacibdir ki, həm MR işarələmə, həm də ləkə izləmə son vaxtlar siçanlarda remodelingdən və ürək funksiyasında dəyişikliklərdən əvvəl olan vaxt nöqtələrində regional gərginlikdə dəyişiklikləri aşkar etmək üçün kifayət qədər dəqiq olduğu göstərilmişdir [63,64]. Bu o deməkdir ki, FHC mutant siçanları Tardiff [8] tərəfindən təklif edilən paradiqmaya uyğun olaraq hipertrofiyanın baş verməsindən və ürək çatışmazlığının yaranmasından əvvəl gənc yaşda (səkkiz həftədən az) öyrənilə bilər.

Son illərdə hüceyrə səviyyəli modelləri fəaliyyət potensialının yayılması və mədəcik biomexanikasının modelləri ilə əlaqələndirmək üçün yeni üsullar ortaya çıxdı. Bu irəliləyişlər vacibdir, çünki onlar dərili liflər və ya təcrid olunmuş ürək miyositləri kimi azaldılmış sistemlərdə əldə edilən eksperimental məlumatların ürək səviyyəsində funksiyanı proqnozlaşdırmaq üçün genişləndirilməsinə imkan verir. Bu sahədə ilkin problem sonlu elementlər mexanikası problemi üçün uzunluqdan asılı daralma modellərinin iterativ həlledicilərlə birləşməsindən yaranan simulyasiyalarda ədədi qeyri-sabitlik idi [67,68]. Sadə birləşmə mobil elektromexanikanı təmsil edən diferensial və cəbri tənliklər (DAE) sistemi üçölçülü mədəciyin meshinin mexaniki deformasiyasını idarə edən qismən diferensial tənliklərdən (PDE) ayrıca həll olunduğu operatorun bölmə yanaşması ilə həyata keçirilir. Sarkomerin uzunluğu və sürəti mexanika PDE-lərindən hesablanır və simulyasiya ərzində diskret vaxt intervallarında hüceyrə səviyyəli DAE-lərə verilir. Hüceyrə səviyyəli DAE-lər tərəfindən hesablanan aktiv gərginliyin dəyərləri eyni zamanda mexanika PDE-lərinə ötürülür. Qeyri-sabitlik bu halda nəticələnir, çünki iterasiya sxemi qüvvələri balanslaşdırmaq üçün şəbəkədəki qovşaqları deformasiya etdiyindən, kontraktil modeldə uzunluqdan asılılıq onun hər bir iterasiya üçün dəyişməli olduğunu bildirsə də, aktiv gərginlik üçün sabit qiymət qəbul edilir [67]. Çox kiçik zaman addımları atmaqla və ya bütün hüceyrə modelini yenidən həll etməklə, hər bir mexaniki iterasiya ilə DAE-lər qeyri-sabitliyi azalda bilər, lakin hər ikisi hesablama baxımından qadağandır. Bunun əvəzinə, hər bir iterasiya ilə aktiv gərginlik üçün təxmini dəyəri yeniləmək və ya yenidən hesablamaq üçün hüceyrə modelinin sadələşdirilmiş formalarının istifadə edildiyi qondarma "yeniləmə" sxemlərindən istifadə edilmişdir [49,67,68].

Fizioloji yüklər sol mədəciyin həcmini və endokard səthindəki sərhəd şərtlərini dövriyyənin yığılmış parametrli sistem modellərinə birləşdirərək mədəcik modellərinə tətbiq oluna bilər [69]. Bu, klinik cəhətdən müvafiq anlayışları təmin edən regional ürək funksiyasının simulyasiyalarına imkan verdi [70]. Təqlid edən bu simulyasiyalar in vivo yükləmə heyvan modellərində ölçülənlərə qarşı regional miokard ştammlarının dəqiq təsdiqlənməsinə imkan verəcək. FHC-nin mühəndis siçan modellərində [71] tez-tez qiymətləndirilən hemodinamik parametrlər də bu simulyasiyalarda hazırlanır və əlavə yoxlama nöqtəsi təmin edərdi.

7. Məhdudiyyətlər

FHC mutasiyalarını öyrənmək üçün çox miqyaslı modelləşdirmə yanaşmasından istifadə həyata keçirilərkən həll edilməli olan bir sıra çətinliklərə səbəb olur. Bəzi məhdudiyyətlər çox miqyaslı ürək modelləşdirməsinin daha geniş sahəsi üçün ümumidir (bax: Clayton və b. [72] ətraflı nəzərdən keçirmək üçün). Məsələn, hüceyrə modellərinin miokard toxumasının davranışını bərpa etmək qabiliyyəti ilə bağlı bir çox sual qalır. Əksər hallarda, funksional birləşmiş hüceyrələr boşluqlar və fibroblastların və ya digər miyosit olmayan hüceyrələrin mövcudluğu kimi toxuma mikrostrukturunun mürəkkəb aspektlərini laqeyd edən kontinuum yaxınlaşmalarından istifadə etməklə təmsil olunur [72]. Bu miqyasda toxuma heterojenliyinin nəticələrini anlamaq üçün daha çox iş lazımdır. Tək hüceyrə məlumatlarından qurulan modellərin həmişə toxumada mövcud olan şərtlərə yaxşı təsir göstərmədiyinə dair sübutlar var. Cherry & Fenton [73] itlərin mədəcik miyositlərinin elektrofiziologiyasının nəşr olunmuş iki modeli modellərin eyni növdən olan məlumatlara əsaslanmasına baxmayaraq, ikiölçülü toxuma simulyasiyalarında əhəmiyyətli dərəcədə fərqli spiral dalğa dinamikası nümayiş etdirdiyini nümayiş etdirdi. Beləliklə, bir sualı öyrənmək üçün faydalı olan hüceyrə səviyyəli modellər, xüsusən də keçid miqyasına aid olduqda, digərlərinə müraciət etmək üçün uyğun olmaya bilər.

FHC-də çoxmiqyaslı modelləşdirmə üçün digər maneələr xəstəliyə daha çox xasdır. İnsan populyasiyasında olduğu kimi, insan FHC mutasiyalarına malik olmaq üçün hazırlanmış siçan suşlarında da böyük fenotipik variasiya ola bilər (məsələn, [74]). Mədəcik hipertrofiyasının ardıcıl nümunəsi olmadan, regional mexanikada dəyişiklikləri toxumaların yenidən qurulmasının lokallaşdırılmış sahələri ilə əlaqələndirmək daha çətin olardı. Çox dəyişkən hipertrofik fenotipləri olan suşlar üçün siçan üçün xüsusi modellərin qurulması lazım ola bilər ki, bu da tələb olunan xərcləri və səyləri xeyli artıracaq.

FHC-də proksimal hadisələrin öyrənilməsi böyük bir hissədə müdafiə edilmişdir, çünki sonrakı mərhələlər məlumatların şərhini çətinləşdirən və fenotipik variasiyanın əsas mənbələri ola bilən ikinci dərəcəli cavabları ehtiva edir [8]. Gənc heyvanları öyrənməklə bir çox çaşdırıcı təsirlərin qarşısını almaq mümkün olsa da, qan təzyiqini tənzimləyənlər kimi bəzi kompensasiya yolları FHC-nin ən erkən mərhələlərindən etibarən dəyişdirilə bilər. Məsələn, miofilamentlər səviyyəsində dəyişdirilmiş β-adrenergik siqnalın sübutunu fosforlana bilməyən miozin RLC ifadə edən transgen siçanlarda görmək olar [75]. Əgər FHC mutasiyası dolayı yolla fosforlaşmanı və ya digər miofilament zülallarının izoform ifadə profilini dəyişdirirsə, onların Ca 2+ daralma dinamikasına təsirini düzgün hesablamaq üçün bu dəyişikliklər nəzərə alınmalıdır [76].

Mutant sarkomerik zülallara kəskin reaksiyaların digər potensial kritik komponenti onların hüceyrə metabolizminə təsiridir. FHC ilə əlaqəli mutasiyaların miyofibrilyar Ca 2+ həssaslığının artması və sürətin qısalması kimi funksiyada artımlara səbəb olma meyli ATP-nin xəstəlik mexanizmi kimi səmərəsiz istifadəsini nəzərdə tutur. Biz bu araşdırmada FHC-nin sürücüsü kimi mexaniki stimullara diqqət yetirsək də, digər müəlliflər dəyişmiş enerji mübadiləsinin mərkəzi səbəb olduğunu irəli sürdülər. Bu fərziyyə spesifik gen mutasiyasından [10] müstəqil olan FHC xəstələrində daha aşağı fosfokreatinin ATP nisbətini nümayiş etdirən bir araşdırmada ortaya çıxdı və oxşar tapıntılar mühəndislik siçan xəttlərində qeyd edildi (bax [77] və oradakı istinadlar). Mitoxondrial bioenergetikaları ehtiva edən mədəcik miyositlərinin inteqrativ modelləri hazırlanmışdır (məsələn, [78]) və çox miqyaslı modellərdə dəyişdirilmiş miofilament funksiyasının metabolik nəticələrini araşdırmaq üçün istifadə edilə bilər.

Bu məqamlar bütün miqyaslarda və xüsusən də modelləşdirmə nəticələrinin diqqətlə yoxlanılması zərurətini gücləndirir in vivo FHC-nin çoxölçülü modelləri faydalı olarsa. Çox miqyaslı modellər miyokard gərginliyinin zamanla dəyişən modellərini və ya digər xassələri dəqiq proqnozlaşdıra bilməmişdən əvvəl modellər, onların əhatə dairəsi, daxil edilmiş məlumatların həcmi və növü və hətta təsdiq üçün istifadə edilən eksperimental protokollar optimallaşdırılmalıdır. hipertrofiya ilə əlaqələndirilir. Hesablama modelləri və eksperimentlər arasında iterasiya yanaşmanın məhdudlaşdırılması ola bilər, lakin bu, həm də əhəmiyyətli bir üstünlük təşkil edir, çünki bu cür inteqrativ təhlil fərziyyələrin tamlığını kəmiyyətcə qiymətləndirməyə imkan verir.

8. Nəticə

Ürəyin çox miqyaslı modelləri sarkomerik mutasiyalar və uyğunlaşmayan hipertrofiyadan əvvəl olan şərtlər arasında kəmiyyət əlaqəsini təmin etməklə FHC-nin başa düşülməsində və müalicəsində növbəti irəliləyişləri asanlaşdırmaq potensialına malikdir.Mutant kontraktil zülalların bütün orqanın funksiyasına kəskin təsirini, müdaxilə edən bioloji miqyasda məlumatın həcmini və mürəkkəbliyini nəzərə alaraq, yalnız intuisiya ilə faydalı şəkildə proqnozlaşdırmaq mümkün deyil. Digər tərəfdən, çoxölçülü ürək modelləri o dərəcəyə qədər irəliləyir ki, onlar tezliklə genotip əsasında hipertrofiyadan əvvəlki gərginlik nümunələrini proqnozlaşdıra biləcəklər. Bu fərziyyə edilən "hipertrofiyadan əvvəlki fenotiplər" siçanlarda FHC mutasiyalarını öyrənənlərə diqqəti hipertrofiyanın son nöqtəsindən daha erkən mərhələlərdə mövcud ola biləcək daha incə mexaniki dəyişikliklərə keçirməyə imkan verəcək.



Şərhlər:

  1. Cetewind

    Məncə, o səhvdir. Mənə baş nazirlə yaz, müzakirə edin.

  2. Saadya

    diqqətəlayiqdir ki, bu qiymətli fikir

  3. Passebreul

    İndi özümü ifadə edə bilməyəcəyim təəssüf doğurur - boş vaxt yoxdur. Mən azad olacağam - mütləq fikrimi danışacağam.

  4. Lifton

    Bağışlayın, mane oldum... Bu sualı başa düşürəm. Kömək etməyə hazırdır.

  5. Linton

    Və bununla da rastlaşdım. Bu sualı müzakirə edəcəyik.

  6. Rafal

    Hə doğrudan da. Buna görə də olur. Bu mövzuda ünsiyyət qura bilərik. Burada və ya axşam.



Mesaj yazmaq