دانشکده پزشکی

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

> > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > >ارائه مطلب توسط:>>> دکتر سید حمیدرضا مژگانی

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> متخصص ویروس شناسی پزشکی

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> گروه میکروبیولوژی

کاربرد سیستم وایرولوژی (systems virology) در تحلیل پربازده داده های بیولوژیک

>>> پیچیدیگی عملکرد ویروس ها >و تحت تاثیر قرار دادن عملکردهای مختلف سلولی و توانایی بالقوه این ویروس ها در فرار از سیستم ایمنی بدن به روند بیماریزایی آنها کمک شایانی می نماید، و بعضا امکان تشخیص و درمان در زمان مناسب را سلب می کند. >لذا شناخت و درک شبکه پیچیده دخیل در فرایند بیماری زایی ویروس ها و مشخص نمودن مهمترین عوامل دخیل در این فرایند امکان بالقوه ای برای طراحی روش های نوین تشخیصی، طراحی داروهای مناسب برای هدف قرار دادن مهمترین فاکتورهایی که ویروس ها از آنها به منظور تغییر فرایندهای سلولی و پیشبرد تولید و تکثیر خود بهره می برد و همچنین طراحی واکسن مناسب را ایجاد می کند. انجام این گونه تحقیقات به دلیل ماهیت چند بعدی بودن می تواند باعث پیشرفت حوزه های مختلف مربوطه مانند بیولوژی سرطان ، ایمنی شناسی ، طراحی واکسن ،کشف دارو ، علوم سلولی و مولکولی و دیگر حوزه ها بشود.

>> تکنولوژی استفاده از داده های پربازده یا big data برای آنالیز و اندازه گیری تغییرات ژنومیکس، بیان ژن و پروتئین در سطوح پر بازده ( بین دهها تا هزار ها ) در بافت ها بصورت یکجا و همزمان ابدا و بکار گرفته شده است. هم اکنون بعد از گذشت بالغ بر یک دهه از ابدا آن و اختراع روشهایی که می توان داده های پربازده را بدست آورد این تکنولوژی به سطحی رسیده است که می توان از آن برای کشف مکانیزمهای سلولی، پیدا کردن زیر مجموعه های خاصی از ژن که در بیماری خاصی نقش دارند و همین طور ارزیابی و یا پیش بینی اثر یک دارو استفاده کرد. همچنین رشد سریع تولید داده های پربازده اکنون ما را قادر کرده که این داده های متفاوت را با هم ادغام و نتایج بزرگتری بدست آوریم. روش های استاندارد تلفیق داده برای این مقدار از هتروژنسیتی پاسخگو نیست و باید روش های مناسبتری برای ادغام این داده ها ارائه گردد. روش ها و چالش های آنالیزهای کامپیوتری بیان و همین طور عنوان شده که کدام روش تلفیق برای یک مشکل خاص بیولوژیکی و یا یک نوع داده خاص مناسبتر می باشد. بنابراین در گام بعدی و بالاتر تلفیق دادها از چند مطالعه البته بعد از نرمال کردن اطلاعات باعث افزایش اعتبار و قدرت تعمیم پذیری آن می شود. با استفاده از نرمال کردن و تلفیق داده های پر بازده می توان بصورت دقیقتری اختلاف در بیان ژن ها را تخمین زده و راحتتر در باره هتروژنسیته آنها داوری کرد.

>> بیولوژی شبکه یک دانش جدید می باشد که تاکید بر واکنش بین ژنها، پروتئین ها، و متابولیت ها دارد. این عناصر به عنوان پایه ای برای تلفیق با یکدیگر بشمار می آید. بنابراین داده های ژنومیکس، ترانسکریپتومیکس و پروتئومیکس می توانند با یکدیگر تلفیق شوند تا یک نتیجه معنی دار و مناسب از این داده ها بست آید. درحال حاضر این توافق بوجود آمده است که یک فهم دقیق از سیستم های بیولوژیک فقط درصورتی بدست می آید که لایه های امیک با یکدیگر ادغام گردند.

>> شبکه های بیولوژی که تاکید بر برهمکنش ژنها، پروتئوم، متابولوم و دیگر داده های اومیک دارند می توانند برای فهم و پیش بینی> فنوتایپ یک بیماری خاص با یکدیگر تلفیق شوند. هم اکنون شبکه های زیستی موجود در مقالات بررسی شده و یا در حال بررسی و تکمیل شدن هستند. دیدگاه مشترک در آنها وجود پتانسیل برای آنالیز شبکه می باشد تا بتوان بیومارکرهای بالقوه را که با یکدیگر بصورت منطقی در ارتباط هستند پیدا کرد. این امر می تواند >بصورت کارا و مالتیپلکس پایه های مولکولی بیماری را مشخص کند.

>> استفاده از داده های پربازده، ادغام این داده ها باهم به منظور بالا بردن اعتبار و روایی آن و همچنین بیولوژی شبکه و دانش ارتباطات بین مولکولی در قالب واژه سیستم بیولوژی و یا بصورت اختصاصی سیستم وایرولوژی معنا پیدا می کند. این تکنولوژی پیچیده همانطور که عنوان شد می تواند بعنوان چراغی در مسیر راه محققان قرار بگیرد تا بتواند با شفافیت بالاتر و دقیقتر به میکانیزمهای سلولی درگیر در بیماری ها و بخصوص در علم ویروس شناسی پی ببرند. امید است در آینده نزدیک و بعد از تسلط نسبی به این موضوع بتوان مقدمات پزشکی شخصی شده، یا personalized medicine را در کشور راه اندازی کرد. >

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

منابع:

1.>>>>>>>>>>>>> bebek g, koyuturk m, price nd, chance mr. network biology methods integrating biological data for translational science. briefings in bioinformatics. 2012;13:446-459.

2.>>>>>>>>>>>> gligorijevic v, przulj n. methods for biological data integration: perspectives and challenges. journal of the royal society, interface. 2015;12.

3.>>>>>>>>>>>> katiyar a, sharma s, singh tp, kaur p. identification of shared molecular signatures indicate the susceptibility of endometriosis to multiple sclerosis. frontiers in genetics. 2018;9:42.

4.>>>>>>>>>>>> ma'ayan a, rouillard ad, clark nr, wang z, duan q, kou y. lean big data integration in systems biology and systems pharmacology. trends in pharmacological sciences. 2014;35:450-460.

5.>>>>>>>>>>>> ramasamy a, mondry a, holmes cc, altman dg. key issues in conducting a meta-analysis of gene expression microarray datasets. plos medicine. 2008;5:e184.

6.>>>>>>>>>>>> bebek g, koyuturk m, price nd, chance mr. network biology methods integrating biological data for translational science. briefings in bioinformatics. 2012;13:446-459.