Biyoinformatik Hesaplama Aracı, Hastalıkları Ayırt Etmek İçin Doku Örneklerini Analiz Ediyor

Hücre Raporlarında yayınlanan yakın tarihli bir araştırmaya göre, yeni bir bütünleştirici hesaplama tekniği kullanarak, Northwestern ve Urbana-Champaign’deki Illinois Üniversitesi’nden (UIUC) bilim adamları, epigenomik veri setlerini kullanarak hastalık koşullarını moleküler düzeyde sınıflandırmayı başardılar.

Normal uterin miyometriyum ve leiomyoma hastalığı alt tiplerini ayıran heterojen epigenomik veri setlerinin tensör ayrışmasının uygulanmasının şematik gösterimi. Katkı Sağlayanlar: Leistico, Saini et al, Cell Reports, ePub: 30 Mart 2021 Sanat tasarımı: Priyanka Saini, Debabrata Chakravarti, Feng Fei

Northwestern ve UIUC’den yazarlar tarafından ortaklaşa geliştirilen yeni yaklaşıma DeCET (Epigenomik Tensörlerin Ayrıştırılması ve Sınıflandırılması) adı verildi.

Debabrata Chakravarti, çeviri araştırma başkan yardımcısı ve Anna Lapham Obstetrik ve Jinekoloji Profesörü ve çalışmanın baş yazarı Doku tipleri, hastalık alt tipleri ve hücre tipindeki değişiklikler veya hücresel farklılaşma arasındaki epigenomik farklılıkları belirlemek için karmaşık, heterojen verileri analiz ediyor, diye açıkladı.

Yine bir profesör olan Chakravarti’ye göre epigenom – gen ekspresyonunu değiştiren histon proteinleri ve genomundaki tüm modifikasyonların toplanması – hücresel kimliği belirlemek için gerekli talimatları taşır, bu nedenle epigenomik tahliller çok çeşitli hastalıklar için sağlam bir teşhis belirteci sunabilir. Robert H. Lurie Kapsamlı Kanser Merkezi’nde Farmakoloji Bölümü ve paylaşılan kaynakların müdür yardımcısı. Örneğin, DNA metilasyon modeli, birincil ve ikincil merkezi sinir sistemi tümörlerini sınıflandırmanın yanı sıra, bir kanserin kökeninin hücre tipini tanımlayabilir.

UIUC’de Fizik Kurucu Profesörü olan Ph.D. Jun Song ve Northwestern Endokrinoloji Bölümü’nde tıp profesörü olan Grant Barish, çalışmanın eş kıdemli yazarları ve Priyanka Saini, Ph.D., of Northwestern ve UIUC’den Jacob Leistico, çalışmanın ortak yazarlarıydı. Leistico algoritmik geliştirmeye liderlik etti ve Saini deneysel çalışmayı yöneterek iki kurum arasında sinerjik bir ekip kurdu.

Temel bilim adamları, klinisyenler ve fizikçilerden oluşan işbirlikçi ekip, kadınların yüzde 70’ine varan oranda gelişen sınırlı tedavi seçenekleriyle uterus düz kas hücrelerinin kanserli olmayan tümörleri olan uterin fibroidler veya leiomyomlar üzerinde ilk çalışmaları yürüttü.

Bilim adamları ilk olarak hastalardan 25 normal uterin ve 25 eşleşen fibroid numunesinin epigenomik analizini gerçekleştirdi. Ekip daha sonra verileri analiz etmek ve normal miyometriyum dokusunu leiomyoma hastalığı durumlarından ve hastalık alt tiplerinden açıkça ayırabilen temel epigenomik özellikleri tanımlamak için DeCET’i kullandı.

Araştırmacılar daha sonra doku durumunu tahmin etmek için DeCET’i “bilinmeyen” insan örneklerine uyguladılar. Metodoloji, epigenomik imzaları kullanarak normal ve hastalık türleri ve alt türleri arasında doğru bir ayrım yaptı.

Son olarak, DeCET’in genel uygulanabilirliğini göstermek için ekip, kamuya açık kanser epigenomik veri setlerini kullanarak analizlerini genişletti ve meme ve prostat kanseri gibi diğer hastalıkları başarıyla sınıflandırdı.

Saini ve Leistico, “Çalışmalarımız, meta-analiz parametrelerinin keyfi seçimleri ve örnekler arası değişkenlik gibi mevcut analiz yöntemlerinin dezavantajlarının üstesinden geliyor,” diye açıkladı.

Barish’e göre DeCET, farklı doku tiplerini, hastalık alt tiplerini ve hücresel farklılaşma durumlarını katmanlaştırmada mevcut araçlardan daha iyi performans gösterdi.

Chakravarti, “Epigenomik profilleme, kişiselleştirilmiş tıbba giden bir yoldur” dedi.

Hesaplamalı algoritmik geliştirmeyi denetleyen Song, “Çalışmamızın hastalık durumlarını daha iyi anlamasına ve tanımlamasına yardımcı olacağını ve böylece gelecekteki terapötik, tanısal ve prognostik stratejileri kolaylaştıracağını umuyoruz” dedi.

Yorum Yaz

%d blogcu bunu beğendi: