Polikistik over sendromu (PKOS), hem üreme hem de metabolik işlevleri etkileyen yaygın bir endokrin rahatsızlıktır. Kapsamlı araştırmalara rağmen, PKOS’un kesin nedenleri hala belirsizliğini korumaktadır. Son çalışmalar, gen ekspresyonunu düzenleyen küçük, kodlamayan RNA’lar olan mikroRNA’ların (miRNA’lar) PKOS’u anlamak için kritik öneme sahip olabileceğini göstermektedir.
Daha fazlasını oku
Hematopoietik kök hücre nakli (HSCT) sonrası alfa mannozidozun sonuçları eksik olarak açıklanmaktadır. Bu retrospektif çok merkezli çalışmada, 2010 yılından sonra alfa mannozidozları için HSCT uygulanan hastaların sonuçları değerlendirilmiştir. Ortalama 14 aylık (0-60 ay) yaşta teşhis konan, enzimatik ve/veya genetik olarak doğrulanmış alfa mannozidozlu yirmi bir çocuk (11 kız) çalışmaya dahil edilmiştir. HSCT’deki ortanca yaş 3,9 yıl (10 ay ila 13,3 yıl) ve ortanca takip süresi 2,3 yıl (0,3-14,1 yıl) olmuştur.
Daha fazlasını oku
Metastaz, kanserle ilişkili ölümlerin önde gelen nedenlerinden biridir ve erken evrelerde tespiti zor olmaya devam etmektedir. Metastaz yapma olasılığı yüksek kanserlerin doğru bir şekilde tanımlanması, tedavi stratejilerini ve hasta sonuçlarını iyileştirebilir. Bu çalışma, distal metastazlı ve metastazsız birincil kanserlerden kamuya açık gen ekspresyon profillerini kullanarak tahmini modeller oluşturur. Hem köken dokusunu hem de birincil tümörlerin metastaz durumunu tahmin etmek için hiyerarşik bir sınıflandırma çerçevesi içinde elastik ağ düzenlemesini kullanırız. Elastik ağ tabanlı hiyerarşik sınıflandırmamız, %97’lik bir köken dokusu tahmin doğruluğu ve %90’lık bir metastaz tahmin doğruluğu elde etti. Özellikle, mitokondriyal gen ekspresyonu metastazla önemli negatif korelasyonlar gösterdi ve kanser ilerlemesinin altında yatan mekanizmalara ilişkin potansiyel biyolojik içgörüler sağladı.
Kaynak: Makalenin ana kaynağı ve türkçe çevirisi için tıklayın
Zaten birçok DNA büyük dil modeli var, ancak çoğu hala sınıflandırma görevleri için dizi özelliklerini çıkarma gibi geleneksel kullanımları takip ediyor. Hızlı mühendislik, RAG ve sıfır atışlı veya az atışlı tahmin gibi büyük dil modellerinin daha yenilikçi uygulamaları DNA tabanlı modeller için zorlu olmaya devam ediyor. Temel sorun, DNA modelleri ve insan doğal dil modellerinin tamamen ayrı olması gerçeğinde yatmaktadır; ancak hızlı mühendislik gibi teknikler doğal dilin kullanımını gerektirdiğinden, DNA büyük dil modellerinin uygulanmasını önemli ölçüde sınırlamaktadır. Bu makale, DNA dizilerini ve İngilizce metni birleştirerek DNA modellerinde istemleri kullanma ve ince ayar yapma potansiyelini keşfetmek için GPT-2 ağı üzerinde eğitilmiş bir hibrit modeli tanıtmaktadır. Model, DNA ile ilgili sıfır atışlı tahmin ve çoklu görev uygulamasında etkinliğini göstermiştir.
Kaynak: Makalenin ana kaynağı ve türkçe çevirisi için tıklayın
Genetik hastalıklar kalıtım biçimlerine ve altta yatan moleküler mekanizmalarına göre sınıflandırılabilir. Otozomal dominant bozukluklar genellikle işlev kaybına, işlev kazanımına veya dominant negatif etkilere neden olan DNA varyantlarından kaynaklanırken, otozomal resesif hastalıklar öncelikle işlev kaybı varyantlarıyla bağlantılıdır. Bu çalışmada, protein-protein etkileşim ağlarını ve yüksek çözünürlüklü protein yapılarını kullanarak otozomal genlerdeki varyantların neden olduğu hastalıkların kalıtım biçimini tahmin eden ve dominant ilişkili proteinleri işlevsel etkilerine göre sınıflandıran bir grafik-grafik yaklaşımını tanıtıyoruz. Yaklaşımımız, proteom çapında tahminler sağlamak için grafik sinir ağlarını, yapısal etkileşim bilimini ve topolojik ağ özelliklerini bir araya getirerek genetik hastalık mekanizmalarını anlamak için ölçeklenebilir bir yöntem sunuyor.
Kaynak: Makalenin ana kaynağı ve türkçe çevirisi için tıklayın
Tek hücreli RNA dizileme (scRNA-seq) verilerinden hücresel dinamikleri modellemek, hücre gelişimini ve altta yatan gen düzenleyici ilişkilerini anlamak için kritik öneme sahiptir. Birçok mevcut yöntem, pseudotime elde etmek için tek hücre hızına güvenir ve bu da pseudotime ile hız arasında tutarsızlıklara yol açabilir. Özellikle çok dallı farklılaşma senaryolarında, hücre pseudotime ve gen etkileşim ağlarını aynı anda çıkarmak zordur. scRNA-seq verilerinden zamansal desenleri ve genler arası ilişkileri yinelemeli olarak çıkaran yeni bir yüksek boyutlu dinamik modelleme yaklaşımı olan Tek Hücreli Parçalı Ağ’ı (scPN) sunuyoruz. Çok dallı farklılaşma zorluklarının üstesinden gelmek için scPN, parçalı gen-gen etkileşim ağlarını kullanarak gen düzenleyici dinamikleri modeller ve zaman içinde karmaşık gen düzenleme desenlerini çözmek için yorumlanabilir bir çerçeve sunar. Sentetik veriler ve birden fazla scRNA-seq veri kümesi üzerindeki sonuçlar, scPN’nin hücresel dinamikleri yeniden yapılandırmada ve gelişimde yer alan temel transkripsiyon faktörlerini belirlemede mevcut yöntemlere kıyasla üstün performansını göstermektedir. Bildiğimiz kadarıyla scPN, çok dallı veri kümelerinde aynı anda sözde zamanı, hız alanlarını ve gen etkileşimlerini kurtarabilen ilk modelleme girişimidir.
Kaynak: Makalenin ana kaynağı ve türkçe çevirisi için tıklayın
Weixi Xiang , Xueting Han , Xiujuan Chai , Jing Bai
DNA, RNA ve proteinler gibi biyolojik dizileri modellemek, gen düzenlemesi ve protein sentezi gibi karmaşık süreçleri anlamak için çok önemlidir. Ancak, mevcut modellerin çoğu ya tek bir türe odaklanır ya da birden fazla veri türünü ayrı ayrı ele alır ve bu da çapraz-modal ilişkileri yakalama yeteneklerini sınırlar. Bu modaliteler arasındaki ilişkileri öğrenerek modelin her bir türe ilişkin anlayışını geliştirebileceğini öneriyoruz. Bunu ele almak için, üç tür veri üzerinde eğitilmiş küçük ama güçlü bir karma-modal biyolojik dizi temel modeli olan BSM’yi tanıtıyoruz: RefSeq, Genle İlgili Diziler ve web’den iç içe geçmiş biyolojik diziler. Bu veri kümeleri sırasıyla genetik akışı, gen-protein ilişkilerini ve çeşitli biyolojik verilerin doğal birlikteliğini yakalar. Karma-modal veriler üzerinde eğitim vererek BSM, öğrenme verimliliğini ve çapraz-modal temsili önemli ölçüde artırır ve yalnızca tek-modal veriler üzerinde eğitilmiş modellerden daha iyi performans gösterir. Sadece 110M parametreyle, BSM hem tek-modlu hem de karışık-modlu görevlerde çok daha büyük modellerle karşılaştırılabilir performans elde eder ve mevcut modellerde bulunmayan karışık-modlu görevler için bağlam içi öğrenme yeteneğini benzersiz bir şekilde gösterir. 270M parametreye daha fazla ölçeklendirme, daha da büyük performans kazanımları göstererek, BSM’nin çok-modlu biyolojik dizi modellemesinde önemli bir ilerleme olarak potansiyelini vurgular.
Kaynak: Makalenin ana kaynağı ve türkçe çevirisi için tıklayın
Yüksek verimli teknolojilerdeki ilerlemeler, geleneksel hipotez odaklı metodolojilerden veri odaklı yaklaşımlara doğru bir kaymaya yol açmıştır. Çoklu omik, genomik, proteomik, transkriptomik, metabolomik ve mikrobiyomik gibi birden fazla ‘om’dan türetilen verilerin bütünleştirici analizini ifade eder. Bu yaklaşım, farklı biyolojik bilgi katmanlarını yakalayarak biyolojik sistemlerin kapsamlı bir şekilde anlaşılmasını sağlar. Derin öğrenme yöntemleri, çoklu omik verilerini bütünleştirmek, moleküler etkileşimlere ilişkin içgörüler sunmak ve karmaşık hastalıklara yönelik araştırmaları geliştirmek için giderek daha fazla kullanılmaktadır. Ancak, çok sayıda birbirine bağlı katmanları ve doğrusal olmayan ilişkileri olan bu modeller, genellikle karar alma süreçlerinde şeffaflıktan yoksun kara kutular olarak işlev görmektedir. Bu zorluğun üstesinden gelmek için, açıklanabilir yapay zeka (xAI) yöntemleri, klinisyenlerin karmaşık verileri daha etkili bir şekilde yorumlamalarına ve bunlarla çalışmalarına olanak tanıyan şeffaf modeller oluşturmak için çok önemlidir. Bu inceleme, xAI’nin çoklu omik araştırmalarında derin öğrenme modellerinin yorumlanabilirliğini nasıl iyileştirebileceğini araştırıyor ve klinisyenlere net içgörüler sağlama potansiyelini vurgulayarak, bu tür modellerin klinik ortamlarda etkili bir şekilde uygulanmasını kolaylaştırıyor.
Kaynak: Makalenin ana kaynağı ve türkçe çevirisi için tıklayın
Safra kesesi kanseri (GBC), safra yolu neoplazmaları arasında hastalığın en sık görülen nedenidir. GBC ilerlemesiyle bağlantılı moleküler mekanizmaları ve biyobelirteçleri belirlemek bilimsel araştırmalarda önemli bir zorluk olmuştur. Son zamanlarda yapılan birkaç çalışma GBC’deki biyobelirteçlerin rollerini araştırmıştır. Çalışmamız, makine öğrenimi (ML) ve biyoenformatik tekniklerini kullanarak GBC’deki biyobelirteçleri belirlemeyi amaçlamıştır. GBC tümör örneklerini normal örneklerle karşılaştırarak NCBI GEO veritabanından elde edilen iki mikrodizi veri setinden (GSE100363, GSE139682) farklı şekilde ifade edilen genleri (DEG’ler) belirledik. 39 yukarı düzenlenmiş ve 107 aşağı düzenlenmiş gen olmak üzere toplam 146 DEG bulundu. Bu DEG’lerin işlevsel zenginleştirme analizi DAVID aracılığıyla Gen Ontolojisi (GO) terimleri ve REACTOME yolları kullanılarak gerçekleştirildi. Protein-protein etkileşim ağı, STRING veritabanı kullanılarak oluşturuldu. Hub genleri tanımlamak için üç sıralama algoritması uyguladık: Derece, Çok Uluslu ve Yakınlık Merkeziyeti. Bu algoritmalardan hub genlerinin kesişimi 11 hub geni üretti. Eş zamanlı olarak, önemli gen alt kümelerini tanımlamak için iki özellik seçimi yöntemi (Pearson korelasyonu ve yinelemeli özellik eleme) kullanıldı. Daha sonra, GBC örneklerini en iyi şekilde ayırt eden gen alt kümesini belirlemek için GSE100363 veri kümesinde SVM ve RF kullanarak ve GSE139682 üzerinde doğrulama yaparak ML modelleri geliştirdik. Hub genleri diğer gen alt kümelerinden daha iyi performans gösterdi. Son olarak, NTRK2, COL14A1, SCN4B, ATP1A2, SLC17A7, SLIT3, COL7A1, CLDN4, CLEC3B, ADCYAP1R1 ve MFAP4 kritik genler olarak tanımlanırken, SLIT3, COL7A1 ve CLDN4’ün GBC gelişimi ve tahmini ile güçlü bir şekilde bağlantılı olduğu görüldü.
Kaynak: Makalenin ana kaynağı ve türkçe çevirisi için tıklayın
Kaynak: Sıradışı bilim sitesi