نهج الرسم البياني المعرفي لتوضيح دور المسارات العضية في المرض من خلال التقارير الطبية الحيوية
أكتوبر 13, 2023
يتم تقديم بروتوكول حسابي ، CaseOLAP LIFT ، وحالة استخدام للتحقيق في بروتينات الميتوكوندريا وارتباطاتها بأمراض القلب والأوعية الدموية كما هو موضح في التقارير الطبية الحيوية. يمكن تكييف هذا البروتوكول بسهولة لدراسة المكونات الخلوية والأمراض التي يختارها المستخدم.
هذا البروتوكول الحسابي مهم لأنه يسمح بالعمل على التحقيق في الارتباطات بين المكونات الخلوية ، على سبيل المثال ، بروتينات الميتوكوندريا وارتباطاتها بالمرض ، كما ورد في المنشورات الطبية الحيوية. يمكن CaseOLAP LIFT المحققين من استخراج ودمج المعلومات من التقارير الطبية الحيوية وقواعد المعرفة. إذا تم تنظيم هذه النتائج كرسم بياني معرفي ، ويمكن الاستفادة منها للتنبؤ بالعلاقات الجديدة.
تدعم نتائج الأبحاث هذه توليد الفرضيات من خلال تسليط الضوء على قائمة ذات أولوية من ارتباطات أمراض البروتين المحددة والمتوقعة ، وهي مفيدة للكشف عن رؤى جديدة في علم الأمراض والعلاج. يمكن تطبيق سير العمل القابل للتخصيص بدرجة عالية على أي مكون خلوي عبر مصطلح GO الخاص بهم على أي قائمة من الأمراض عبر مصطلح MeSH الخاص بهم ضمن أي نطاق زمني للنشر. يقلل هذا البروتوكول سهل الاستخدام من الخبرة الحسابية المطلوبة للتحليل.
يتم إصدار البرنامج كحاوية عامل إرساء ، ولا يتطلب سوى تخزين وموارد حسابية كافية للتنفيذ. للبدء ، افتح نافذة المحطة الطرفية لتنزيل حاوية عامل إرساء CaseOLAP LIFT ، واكتب عامل الإرساء اسحب CaseOLAP مائلا CaseOLAP_LIFT الأحدث. قم بإنشاء دليل يخزن جميع بيانات البرنامج وإخراجه.
ابدأ تشغيل حاوية عامل الإرساء بالأمر الموضح على الشاشة ، مع استبدال PATH_TO_FOLDER كمسار ملف كامل للمجلد. لبدء البحث المرن داخل الحاوية ، افتح نافذة طرفية جديدة واكتب الأمر الموضح على الشاشة. انتقل إلى مجلد CaseOLAP_LIFT.
تأكد من أن روابط التنزيل وشرطة مائلة للتكوين knowledge_base_links. JSON محدثة ودقيقة لأحدث إصدار من كل مورد قاعدة معارف. لتحديد أنطولوجيا الجينات أو مصطلح GO ، انتقل إلى موقع الويب علم الأنساب.
org، وابحث عن معرفات جميع مصطلحات GO. وبالمثل ، ابحث عن فئات المرض عبر رأس الموضوع الطبي أو معرفات MeSH من موقع الويب الموضح على الشاشة. لتنفيذ وحدة المعالجة المسبقة ، أشر إلى مصطلحات GO المدروسة التي حددها المستخدم باستخدام علامة الشرطة C ، وأرقام شجرة MeSH للمرض باستخدام علامة الشرطة D ، وحدد الاختصارات بعلامة شرطة A.
لتنفيذ وحدة استخراج النص ، اكتب Python ، مسافة ، CaseOLAP_LIFT. py ، مسافة ، text_mining ، وإضافة علامة الشرطة L لإسناد موضوعات المستندات غير المصنفة ، وعلامة الشرطة T لتنزيل النص الكامل للمستندات ذات الصلة بالمرض. تأكد من أن نتائج استخراج النص موجودة في مجلد النتائج.
أشر إلى نتائج استخراج النص لاستخدامها في التحليل عن طريق تحديد إما تحليل جميع البروتينات لتشمل جميع البروتينات المرتبطة وظيفيا ، أو تحليل البروتينات الأساسية لتشمل فقط البروتينات ذات الصلة بمصطلح GO. لتحديد أفضل البروتينات والمسارات لكل مرض ، يتم تحويل درجات CaseOLAP إلى درجة Z داخل كل فئة من فئات المرض. حدد علامة الشرطة Z للإشارة إلى درجة عتبة محددة تعتبر البروتينات فوقها مهمة.
راجع نتائج التحليل واضبطها حسب الضرورة. افتح الملف z_score_cutoff_table. csv لعرض جدول Z-score الذي تم إنشاؤه والذي يحتوي على عدد البروتينات المهمة لكل فئة من فئات الأمراض.
يساعد هذا في إعلام المستخدم بتحديد حد Z-score المناسب. افتح مجلد النتائج وتأكد من وجود الملفات المطلوبة ، بما في ذلك المجلد الذي تم إنشاؤه من المعالجة المسبقة ، في المجلد. تحقق من وجود جميع البروتينات في مجلدات البروتينات الأساسية.
لتصميم الرسم البياني المعرفي ، قم بتضمين شجرة مرض MeSH مع تضمين علامة MeSH. تشمل تفاعلات البروتين والبروتين من السلسلة مع علم PPI ، ومسارات Reactome المشتركة مع تضمين علم PW ، واعتماد عامل النسخ من GRNdb GTEx مع تضمين علم TFD. قم بتشغيل وحدة بناء الرسم البياني المعرفي عن طريق تحديد تحليل البروتينات الأساسية لتضمين البروتينات ذات الصلة بمصطلح GO فقط.
لقياس أوزان الحافة، استخدم مقياس Z-score لدرجات Z غير السالبة بدلا من درجات CaseOLAP الافتراضية. تحقق من الإخراج وتأكد من merged_edges ملفات الرسم البياني المعرفي. TSV و merged_nodes.
ملفات TSV موجودة. أخيرا ، اكتب الأمر الظاهر على الشاشة لتشغيل البرنامج النصي للتنبؤ بالرسم البياني المعرفي للتنبؤ بارتباطات مرض البروتين. يعرض هذا الشكل بروتين الميتوكوندريا المهم لكل فئة من فئات الأمراض.
تم تطبيق تحويل درجة Z على درجات CaseOLAP داخل كل فئة لتحديد البروتينات المهمة باستخدام عتبة ثلاثة. يظهر العدد الإجمالي للبروتينات المهمة لكل فئة مرضية فوق كل مؤامرة كمان. كشف تحليل مسار Reactome لهذه البروتينات عن 12 مسارا مهما لجميع الأمراض.
يتم تقديم مثال على تطبيق التعلم العميق على الرسم البياني المعرفي الخاص بالمرض في هذا الشكل. يتم التنبؤ بالعلاقات الخفية بين البروتينات والمرض ، ويتم عرض الاحتمالات المحسوبة لكلا التنبؤين هنا بقيم تتراوح من صفر إلى واحد ، حيث يشير المرء إلى تنبؤ قوي. التسلسل المحدد أمر بالغ الأهمية لتنفيذ هذا البروتوكول ، لا سيما وحدات المعالجة المسبقة واستخراج النصوص.
تؤثر هاتان الخطوتان بشكل مباشر على تحديد البروتينات والمسارات العليا لكل مرض ، بالإضافة إلى بناء الرسم البياني المعرفي الخاص بالمرض. يتم تصور الرسم البياني المعرفي الناتج بشكل فعال بواسطة أدوات الرسم البياني ، مثل Neo4j و Cytoscape ، ويمكن الاستفادة منه لتنبؤات التعلم العميق المتقدمة للعلاقات الجديدة. يتيح CaseOLAP LIFT دراسة الارتباطات بين أي مكون خلوي وفئات الأمراض.
يدعم الرسم البياني المعرفي الناتج وارتباطات أمراض البروتين المرتبة معالجة اللغة الطبيعية والتحليلات القائمة على الرسم البياني للمتابعة.
نظرة عامة
يتيح البروتوكول الحسابي CaseOLAP LIFT استقصاء البروتينات الميتوكوندرية وارتباطاتها بأمراض القلب والأوعية الدموية من خلال التقارير الطبية الحيوية. ويسمح هذا البروتوكول القابل للتكيف للباحثين بدراسة مختلف المكونات الخلوية والأمراض بكفاءة.
مكونات الدراسة الرئيسية
مجال العلم
- البيولوجيا الحاسوبية
- المعلوماتية الطبية الحيوية
- أبحاث أمراض القلب والأوعية الدموية
خلفية علمية
- تلعب البروتينات الميتوكوندرية دوراً حاسماً في الوظائف الخلوية والأمراض.
- يمكن أن يؤدي فهم الارتباطات بين البروتينات والأمراض إلى رؤى علاجية جديدة.
- يعمل CaseOLAP LIFT على دمج البيانات المستمدة من المنشورات الطبية الحيوية في رسم بياني معرفي.
- تم تصميم البروتوكول ليكون سهل الاستخدام، مما يقلل من الحاجة إلى خبرة حاسوبية واسعة.
الغرض من الدراسة
- لتقصي الارتباطات بين البروتينات الميتوكوندريا وأمراض القلب والأوعية الدموية.
- لتوفير سير عمل قابل للتخصيص لدراسة المكونات الخلوية المختلفة.
- لتسهيل صياغة الفرضيات من خلال تحديد أولويات الارتباطات بين البروتينات والأمراض.
الطرق المستخدمة
- استخدام حاوية docker لتسهيل نشر البرمجيات.
- وحدات للمعالجة المسبقة وتنقيب النصوص لاستخراج البيانات.
- بناء رسم بياني للمعرفة لتصور العلاقات بين البروتينات والأمراض.
- تطبيق تحويل Z-score لتحديد البروتينات ذات الدلالة الإحصائية.
النتائج الرئيسية
- تحديد البروتينات الميتوكوندرية الهامة المرتبطة بأمراض القلب والأوعية الدموية.
- تطوير مخطط معرفي يسلط الضوء على العلاقات المتوقعة بين البروتينات والأمراض.
- تصوير النتائج باستخدام أدوات الرسوم البيانية مثل Neo4j و Cytoscape.
- دعم تنبؤات التعلم العميق المتقدمة لعلاقات جديدة.
الاستنتاجات
- تُعد أداة CaseOLAP LIFT وسيلة قوية لدراسة الارتباطات بين المكونات الخلوية والأمراض.
- يعزز هذا البروتوكول فهم باثولوجيا الأمراض والأهداف العلاجية المحتملة.
- يمكن للنتائج أن توجه مسارات الأبحاث المستقبلية وتساعد في صياغة الفرضيات.
الأسئلة الشائعة
الأهمية التنفيذية في الصناعة
إن دمج الأدبيات الطبية الحيوية واسعة النطاق في رسوم بيانية معرفية مهيكلة يتيح لفرق الأدوية الحيوية الكشف المنهجي عن الارتباطات بين البروتينات والأمراض والمسارات الميكانيكية ذات الصلة بباثولوجيا المرض. ويعمل خط معالجة CaseOLAP LIFT على تعزيز الثقة التنبؤية في التحقق من الأهداف ويدعم توليد الفرضيات لعمليات الاكتشاف المبكر والأبحاث الانتقالية. ويساهم هذا النهج في تبسيط عملية تحديد أولويات الأهداف والمسارات الجديدة، مما يؤثر بشكل مباشر على فرز المحفظة الدوائية وقرارات التطوير المعدلة وفقاً للمخاطر.
التطبيقات الاستراتيجية في البحث والتطوير في مجال الأدوية الحيوية
الاكتشاف المبكر والتحقق من الهدف
- يتيح الاستقصاء المنهجي لارتباطات البروتينات بالأمراض عبر مجموعات ضخمة من النصوص الطبية الحيوية.
- يدعم تقليل المخاطر البيولوجية من خلال دمج أدلة من مصادر متعددة في رسم بياني معرفي موحد.
- يسهل التحقق من الأهداف الوظيفية من خلال ارتباطات ذات دلالة إحصائية ذات أولوية.
- يعزز الثقة التنبؤية لقرارات المحفظة الاستثمارية في المراحل المبكرة.
الفحص وتطوير المقايسة
- يُعد قوائم مُصادق عليها من البروتينات ذات الصلة بالمرض لتطوير المقايسات اللاحقة.
- يوحد عملية تحديد الشركاء الوظيفيين والمسارات لضمان الجاهزية للفحص.
- يتيح تصنيفاً كمياً قابلاً للتكرار لأهمية البروتينات باستخدام تحويل Z-score.
- يدعم الاستخراج الآلي والقابل للتوسع للأهداف من مصادر أدبية متنوعة.
الأبحاث الانتقالية وما قبل السريرية
- يربط الارتباطات بين البروتين والمرض بالمسارات ذات الصلة بالمرض لتحقيق الاستمرارية الترجمية.
- يُمكّن من التقدم المعدل حسب المخاطر من خلال دمج بيانات المسارات والتفاعلات من مصادر متعددة.
- يدعم اكتشاف المؤشرات الحيوية وتقليل المخاطر الميكانيكية من خلال التحليلات القائمة على الرسوم البيانية.
- يسهل التحقق المتابِع في النماذج قبل السريرية عن طريق إعطاء الأولوية للارتباطات عالية الثقة.
تكامل مسارات العمل والعمليات
تعمل هذه السلسلة الحسابية كجسر يربط بين مراحل الاكتشاف المبكر، والتحقق من الهدف، والبحث الانتقالي، وذلك من خلال استخراج ودمج ووضع الروابط بين البروتينات والأمراض في سياقها الصحيح من الأدبيات الطبية الحيوية.
- بيولوجيا الاكتشاف: تدعم اختبار الفرضيات وتوضيح المسارات من خلال تجميع الأدلة من ملايين التقارير.
- الفحص: توفر مخرجات كمية قابلة للتكرار لتطوير المقايسات وتقييم المركبات.
- التحليلات: توفر ارتباطات ذات دلالة إحصائية ومصنفة ومخرجات من الرسوم البيانية المعرفية لإجراء التحليل المقارن.
- الأبحاث الانتقالية: تربط نتائج الاكتشاف بالمسارات ذات الصلة بالأمراض والمرشحين كعلامات حيوية.
- إعادة الاستخدام في المؤسسات: توفر سير عمل مؤتمت وقابل للتخصيص يمكن تطبيقه على أي مكون خلوي أو فئة من الأمراض.
التأثير التشغيلي والمؤسسي
- القيمة العلمية: تزيد من الثقة التنبؤية وتقلل من الغموض الآلي في اختيار الأهداف.
- القيمة التشغيلية: توحد عمليات استخراج ودمج الارتباطات المستمدة من الدراسات المرجعية على نطاق واسع.
- القيمة الاستراتيجية: تمكّن من اتخاذ قرارات المضي قدماً أو التوقف بناءً على البيانات، وتدير المحفظة الاستثمارية بكفاءة رأس مالية.
- تأثير المحفظة: تدعم تحديد الأولويات المعدلة حسب المخاطر والنهوض بالأهداف والمسارات الجديدة.
اعتبارات التنفيذ
- يتطلب بنية تحتية حاسوبية أساسية وسعة تخزينية لعمليات تنقيب النصوص وبناء الرسوم البيانية واسعة النطاق.
- يتطلب الحد الأدنى من الخبرة الحاسوبية بفضل سير العمل المعتمد على docker والذي يتميز بسهولة الاستخدام.
- يعد توحيد اختيار مصطلحات GO و MeSH بين الفرق المختلفة أمراً ضرورياً لضمان إمكانية تكرار النتائج.
- قابل للتكيف مع مختلف المكونات الخلوية وفئات الأمراض من خلال المعاملات القابلة للضبط.
- يعتمد على جودة وتغطية الأدبيات الطبية الحيوية وموارد قواعد المعرفة.
الأسئلة الشائعة حول الصناعات الدوائية الحيوية
Chapters in this video
0:04
Introduction
1:09
Running the Docker Container
1:53
Preparing the Diseases and Proteins
3:16
Analyzing the Results
4:20
Predictive Analysis
5:40
Results: Top Protein‐Disease and Pathway‐Disease Associations and Application of Deep Learning for Knowledge Graph Completion
6:40
Conclusion
