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