Primjeri upotrebe

1. INTEREG Projekt
Biomedicinska informatika
Ljiljana Majnarić Trtica
III. Primjeri upotrebe

2. 1) Rana dijagnoza raka
 Rak je jedan od najrasprostranjenijih bolesti koje vode do kobne smrti
 Među njima, rak pluća i rak dojke račune najviše
 Utvrđeno je da, ako se bolest se dijagnosticira u ranoj fazi, stopa preživljavanja
bolesnika može se poboljšati
 Međutim, u većini slučajeva, bolest se dijagnosticira u kasnijoj fazi

3. 1) Rana dijagnoza raka
 Tu je metoda djelotvorna probira (visoke rezolucije mamografija), koji će se koristiti
za probir ciljanu žensku populaciju na rak dojke
 Slična metoda ne postoji za rano otkrivanje raka pluća
 Dakle, rana dijagnoza raka pluća je pravo tema biti cilj prediktivnog modeliranja,
izvedena u DM ML metode

4. Rajan JR, Prakash JJ. Rana dijagnoza raka pluća pomoću rudarski alat.
IJETICS, ISSN 2278-6856, 2013.
 Bolnički izvješća pacijenata oboljelih od raka pluća su prikupljeni iz različitih izvora i
integrirani razvrstavanju tehnika koja se zasniva na korištenju Ann (Arteficial
Neuronske mreže).
 Ekspertni sustav, koji je definiran na ovaj način podržati dijagnoze raka pluća,
temelji se na korištenju informacija o faktorima rizika i simptoma, a ne na slikama ili
biomarkera.
 Takav pristup je posebno pogodan za korištenje u manje razvijenim zemljama
(Indija kao primjer).

5. 2) predviđanje reakcije na terapije lijekovima protiv raka
 Rak je klinički i Genomski heterogena bolest
 Farmaceutske tvrtke primijeniti DM ogromne mase genomske podataka predvidjeti
kako patient`s genski sastav određuje njegov / njezin odgovor na terapiju
lijekovima

6. Koristi slučaja: Daemen et al. Modeliranje preciznost liječenje
raka dojke. Genom Biology 2013 14: R110
 Molekularni profili prve generacije za rak dojke kod ljudi omogućili su identifikaciju
značajki koje mogu predvidjeti terapijski odgovor
 Međutim, malo se zna o tome kako se različiti tipovi podataka mogu najbolje
kombinirati kako bi se dobili optimalni prediktori
 U ovom radu korištene su zbirke staničnih linija karcinoma dojke za postavljanje
molekularne patogiologije raka (omics-mjerenja) s biološkim terapijskim
odgovorima, kako bi se identificirali najnapredniji skupovi molekularnih značajki.

7. Koristi slučaja: Daemen et al. Modeliranje preciznost liječenje raka dojke.
Genom Biology 2013 14: R110
 Molekularni profiliranje setovi podataka su: Profili za broj DNA kopija, mRNA
ekspresije, transcriptome sekvencije promotora, metilacije, obilje proteina i stanja
mutacija
 Listok trgovi-support vektorski strojeva i slučajnih šuma algoritmi su korišteni
identificirati molekularne značajke povezane s odgovoroma

8. Koristi slučaja: Daemen et al. Modeliranje preciznost liječenje raka dojke.
Genom Biology 2013 14: R110
 Results pokazala koji odgovara pacijente na liječenje temelji na transkripcijski
podtip će poboljšati odgovor stope, ali to Uključivanje dodatnih mogućnosti (od
ostalih vrsta profiliranja podataka) može sadržavati i dodatne korist
 A Sustavi strategija biologija Predloženo je da se vodičeclinical ispitivanja, koja
skupine bolesnika najvjerojatnije odgovoriti na nove terapije mogu učinkovitije
identificirati

9. Koristi slučaja: Daemen et al. Modeliranje preciznost liječenje raka
dojke. Genom Biology 2013 14: R110 (slika 1)
Sl. 1. Molekularni postupci profilling panela stanične linije raka dojke

10. 3) Korištenje dijagnostiku slika i data mining alata za rano otkrivanje
drugih važnih kroničnih bolesti
 Umjetnost moderne medicine je da se identificiraju subjekte s ranim fazama kroničnih
bolesti, kako bi se omogućilo preventivno planiranje mjera i pravovremeno liječenje
 Puno novca je potrošeno na razvoj biomarkera
 Osim biokemijskih i molekularno biološkim biomarkera, napredne tehnike slikanja su
se pojavili kao izvor biomarkera

11. Dai Z, Y je Istrgan strukturne i funkcionalne mozga connectomes u blago kognitivno
oštećenje i Alzheimer`s bolesti. Neurosci Bull 2014; 30 (2): 217-232.
 Napori znanstvenika, u ovoj studiji, su orijentirani prema koriste standardne dijagnostičke imaging,
dijagnosticirati Alzheimer`s bolesti (AD), osobito u vrlo ranim fazama
 Koristeći teorije grafova analize, ova studija je pokazala da je AD bolest i njegovih ranih faza razvoja
izložbe poremećen topološki organizaciju velikih mreža mozga i da je taj gubitak dobro korelira s
padom kognitivnih funkcija
 Koristeći kombinaciju teorije grafova analizira i vizualne računalnu tehniku, kako bi se omogućilo user-
friendly sučelje -
 vrlo složeni opisi bolesti, na temelju koristite imaging dijagnostičke tehnike,
 može postati standardni izlaz izvješća o stolovima liječnika
 i poboljšati svoje uvide u patofiziologiji bolesti

12. 4) Upotreba Omics-tehnika poboljšati razumijevanje patofiziologije kroničnih
oboljenja
 Ogroman napredak u biotehnologiji i računalnih tehnika za masivne analizu
podataka, u posljednjih nekoliko desetljeća,
 je pružio jasne prednosti u medicinskoj praksi
 provedbom genomike, proteomika i druge Omics-tehnika u mnogim sektorima
zdravstva
 Korištenjem ove tehnike, moguće je dijagnosticirati mnoge kronične bolesti puno
ranije nego prije
 i omogućiti znanje o molekularnim mehanizmima i signalne putove mnogih bolesti
- to nije bilo moguće prije
 Najviši stupanj ove integracije informacija je postignuto u sustavima biologije i
složenih analiza mreže, holističkog pristupa u cilju otkrivanja funkciju bioloških
regulatornih mreža

13. 4) Korištenje Omics-tehnika za poboljšanje patofiziologije razumijevanje
 Ljudski microbiome se sastoji od mikrobi (uglavnom bakterija)Koji žive u crijevo
 Ovi mikroorganizmi imaju ogroman potencijal utjecati na našu fiziologiju, kako u
zdravlju i bolesti
 Oni doprinose metaboličke funkcije, štite od patogena, educirati imunološki sustav,
te kroz ovih osnovnih funkcija, utjecati izravno ili neizravno većina naših fizioloških
funkcija

14. 4) Korištenje Omics-tehnika za poboljšanje patofiziologije razumijevanje
 Proučavanje ljudske microbiome je furthered strane tehnološki napredak za
obavljanje analiza kulture neovisan
 U većini studija, bakterijske sastojci mikrobne populacije su identificirani od strane
sekvenciranje od 16S rRNAkodira polyHis gen slijedi odnosu na poznate bakterijske
slijed baza
 Metagenomic analiza sekvenciranja sve DNK mikroba u složenoj zajednici ima
dodatnu prednost procjenu uzgojnih potencijal mikrobne populacije
 Ostali metodologije za analizu mikroorganizama transcriptome, Proteom i
metabolome pružiti dodatne informacije u uzastopnim fazama mikrobne fiziologije

15. Koristi Case: Qin J, et al. Ljudski Katalog mikrobna gen utvrđuje metagenomic
sekvenciranje. Priroda 2010. godine; 464 (7285). 59-65 (Slika 2).
Sl. 2. Bakterijska brojnost vrsta razlikuje pacijente s
upalne bolesti crijeva (Ulcerativni kolitis i bolest Crohn`s)
i zdravih ispitanika

16. 5) Razvoj cjepiva
 Krajem 20. stoljeća, većina cjepiva koja su se temeljila na korištenju tradicionalnih
tehnologija (ubijanjem i ublažavanjem virusa koji uzrokuju bolesti) je razvijena
 Potrebne su nove tehnologije za osvajanje preostalih patogena, koje su otporne na razvoj
cjepiva
 Tijekom tog razdoblja postignut je značajan napredak uvođenjem novih tehnologija kao
što su rekombinantna DNA i kemijska konjugacija proteina s polisaharidima, kao i
napredak u korištenju novih adjuvanta
 Osim toga, moćan alat je došao iz sposobnosti pristupa genomima mikroorganizama
 Ova tehnološka revolucija po prvi put je omogućila da se krene izvan pravila Pasteur,
koristeći računalo za racionalno dizajniranje cjepiva počevši od informacija prisutnih u
genomu, bez potrebe za uzgojem specifičnih mikroorganizama
 Ovaj novi pristup nazvan je "reverse vaccinology"

17. Korištenje slučaj: Sette A Rappuoli R. Reverse vaccinology: Razvoj cjepiva u
razdoblju od genomike. Imunitet 2010; 33 (4): 530-41. (Sl. 3)

18. Korištenje slučaj: Sette A Rappuoli R. Reverse vaccinology: Razvoj cjepiva u razdoblju od
genomike. Imunitet 2010; 33 (4): 530-41.
 Sl. 3 Opis
 Prvi patogen obratili obrnutom vaccinology pristupa je Meningococcus B (MenB)
 Ovaj patogen bio otporni na razvoj cjepiva, jer mu kapsularni polisaharid je identičan humanom samo-antigen, dok se bakterijski
proteini s površine su vrlo varijabilne
 Msvaki pokušaj da se razvije cjepivo upotreba tradicionalnih tehnologija - imaju neuspjeh
 projekt sekvencioniranja MenB genoma i koristiti genomske informacije za razvoj cjepiva
 su analizirani gena sekvence, a preko 600 potencijalnih antigeni su testirani na antigenost
 sekvence kandidata su izraženi u Escherichia coliI serumi imuniziranih miševa je dobiven na svaku od njih
 Analiza seruma otkrila više od 90 do sada nepoznatih površine nalazi proteine (Samo 12 površinski antigeni su poznati, ih samo 4-5
pokazao bakterijska aktivnost)
 29 od 90 pronađenih antigena, sposobnost inducirati antitijela to bi moglo usmrćivanje bakterija in vitro, u prisustvu upotpuniti,
dopuna
 U narednim godinama, antigeni induciraju najbolji i najširi baktericidno djelovanje, izabrani su i umetnuti u prototip cjepiva koje su bile
u stanju inducirati zaštitni imunitet protiv većine MenB sojevi miševa
 Nakon uspješnih pretkliničkih studija, MenB Cjepivo je ušao u dug put razvoja cjepiva

19. 6) Predviđanje zdravstvene ishode koristeći vremenske analize serije
 Vrijeme serija je serija podatkovnih točaka indeksiranih u vremenu kako bi
 Najčešće, vrijeme serija je slijed snimljen uzastopnih jednako razmaknutih točaka u
vremenu - Tako, slijed diskretnih podataka
 Postoje dva osnovna cilja analiza vremenskih serija:
 Prepoznavanje uzoraka (trendovi) u nekoj evoluciji procesa
 Predviđanje ishoda

20. Korištenje slučaj: Sacchi L, Dagliati , Segagni D, Leporati P, Chiovato L, Bellazzi R. Poboljšanje
rizika i slojevitost dijabetesa komplikacija koristeći vremenske rudarenje podataka, IEEE 2015
 Počevši s stratifikacija pacijenata na temelju using vremenske obrasce od CSA (
Indeks vremenski Lijekovi Nabava)
 autori smatra klinički varijabli koje karakteriziraju pacijentima klinički stanje
povezana s dijagnozom dijabetesa tipa 2
 Stabilnost u kupovinu droge Ispada da se marker za skupinu bolesnika koji imaju
ukupnu više Kompleks kliničko stanje
 kroničan komplikacije su pokazala da se češće u skupina pacijenata sklon lijekove
mijenja tijekom vremena

21. Korištenje slučaj: Sacchi L, Dagliati , Segagni D, Leporati P, Chiovato L, Bellazzi R.
Poboljšanje rizika i slojevitost dijabetesa komplikacija koristeći vremenske rudarenje
podataka, IEEE 2015 (Sl. 4)
Sl. 4. Predviđanje kronične komplikacije u pacijenata s dijabetesom
na temelju analiza vremenskih serija o kupnji lijekova