آخرین مطالب

محققان روش جدیدی را برای ادغام داده ها در مقیاس بزرگ و شناسایی نشانگرهای زیستی پیشنهاد می کنند


محققان روش جدیدی را برای ادغام داده ها در مقیاس بزرگ و شناسایی نشانگرهای زیستی پیشنهاد می کنند

یک تیم تحقیقاتی به سرپرستی پروفسور ژائو فانگ کینگ از موسسه علوم زیستی پکن آکادمی علوم چین، الگوریتم جدیدی (NetMoss) را برای ادغام کارآمد داده های میکروبیوم در مقیاس بزرگ و شناسایی نشانگرهای زیستی پیشنهاد کرده است.

این مطالعه در منتشر شد علوم محاسباتی طبیعت در 23 می

ارتباط بین میکروبیوم روده و سلامت انسان در سال‌های اخیر مورد توجه فزاینده‌ای قرار گرفته است و حجم عظیمی از داده‌های پیچیده جمع‌آوری شده است. با این حال، استخراج اطلاعات نزدیک به بیماری از چنین داده های بزرگی چالش برانگیز است.

از یک طرف، میکروبیوم روده بیشتر تحت تأثیر عواملی مانند رژیم غذایی و جغرافیا قرار دارد. ترکیب میکروبیوم روده ممکن است در بین جمعیت های مختلف بسیار متفاوت باشد، که منجر به سوگیری در ادغام مستقیم داده ها و شناسایی نشانگرهای زیستی بر اساس فراوانی می شود. از سوی دیگر، ماتریس فراوانی میکروبی بسیار پراکنده است و برای روش‌های محاسباتی مرسوم حذف اثرات دسته‌ای بر اساس این ماتریس پراکنده دشوار است.

الگوریتم جدید پیشنهادی از شبکه‌های تعامل میکروبی برای ادغام موثر داده‌های جمعیت‌های مختلف استفاده می‌کند. می‌تواند تفاوت‌های توپولوژیکی بین ماژول‌های شبکه مختلف را با مقایسه اختلالات شبکه‌های میکروبی در حالت‌های مختلف کمیت کند، بنابراین شناسایی نشانگرهای زیستی مرتبط با بیماری را ممکن می‌سازد.

در مقایسه با روش‌های قبلی، NetMoss می‌تواند دسته‌های مختلف داده‌های میکروبی را بی‌طرف‌تر با کارآمدتر ادغام کند، نشانگرهای زیستی مرتبط با بیماری را استخراج کند، و الگوهای همواری دیسبیوز میکروبی را شناسایی کند که باعث بروز بیماری‌های متعدد می‌شود.

در این مطالعه، محققان 11377 نمونه توالی‌یابی میکروبیوم روده را از افراد سالم و سالم جمع‌آوری کردند که 78 مطالعه، 37 بیماری و 13 کشور یا منطقه را پوشش می‌دهد. با این مجموعه داده‌های متعدد از جمعیت‌های مختلف، آن‌ها دریافتند که روش‌های محاسباتی مورد استفاده در حال حاضر در حذف اثرات دسته‌ای ناشی از فرآیندهای آزمایشی و توالی‌یابی با مشکل شدید مواجه هستند.

برای انجام کارآمد تجزیه و تحلیل های پایین دست و جلوگیری از سوگیری، محققان یک مدل محاسباتی کارآمد برای یکپارچه سازی داده ها و شناسایی نشانگرهای زیستی ایجاد کردند. مدل بر اساس شبکه های تعامل میکروبی بود.

شبکه های تعامل میکروبی به صورت جداگانه ساخته شده و سپس با استفاده از وزن های مختلف بر اساس ویژگی های ساختاری آنها یکپارچه می شوند. با کمی کردن تفاوت‌های توپولوژیکی بین ماژول‌های مختلف در شبکه‌های بیمار و سالم، باکتری‌هایی که حساس‌ترین به اغتشاش توسط تأثیرات خارجی هستند به عنوان نشانگرهای زیستی شناسایی می‌شوند.

محققان الگوریتم محاسباتی را برای مجموعه داده های شبیه سازی شده و واقعی به کار بردند. آنها دریافتند که هم در مجموعه داده یکپارچه و هم در مجموعه داده منفرد بسیار دقیق و قوی است.

پروفسور ژائو گفت: “بیشتر بیومارکرها تنها باعث ایجاد یک بیماری به تنهایی نمی شوند، بلکه به طور قابل توجهی با چندین بیماری مرتبط هستند. الگوی دیسبیوز مشابه ممکن است سرنخ های مهمی برای بروز بیماری های مختلف ارائه دهد.”

این الگوریتم جدید به ما در درک ماهیت تعاملات میکروبیوم-میزبان کمک می کند و ما را در پیشگیری و درمان بسیاری از بیماری ها بهتر راهنمایی می کند.


چارچوب جدید برای استنباط تعاملات میکروبی


اطلاعات بیشتر:
Liwen Xiao و همکاران، ادغام داده های میکروبیوم در مقیاس بزرگ، شناسایی نشانگر زیستی قوی را امکان پذیر می کند. علوم محاسباتی طبیعت (2022). DOI: 10.1038/s43588-022-00247-8

ارائه شده توسط آکادمی علوم چین

نقل قول: محققان روش جدیدی را برای ادغام داده‌ها در مقیاس بزرگ و شناسایی نشانگرهای زیستی پیشنهاد می‌کنند (2022، 7 ژوئن) که در 7 ژوئن 2022 از https://medicalxpress.com/news/2022-06-method-large-scale-biomarker-identification.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.