Name: a knowledge graph approach to elucidate the role of organellar pathways in disease via biomedical reports
Uploaded: 2023-10-13T14:10:00
Duration: 7 min 35 s
Description: Watch this Scientific Journal Video about A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports at JoVE.com

Эта работа была поддержана Национальными институтами здравоохранения (NIH) R35 HL135772 для P.P., NIH T32 HL13945 для A.R.P. и D.S., NIH T32 EB016640 для A.R.P., Национальным научным фондом исследовательской стажировки (NRT) 1829071 для A.R.P. и D.S., NIH R01 HL146739 для I.A., J.R., A.V., K.B. и TC Laubisch Endowment to P.P. в Калифорнийском университете в Лос-Анджелесе.

1. Запуск docker-контейнера
<ol><li>Скачайте docker-контейнер CaseOLAP LIFT, используя окно терминала и введя docker pull caseolap/caseolap_lift:latest.</li>
	<li>Создайте каталог, в котором будут храниться все данные программы и выходные данные (например, mkdir caseolap_lift_shared_folder).</li>
	<li>Запустите контейнер docker с помощью команды docker run --name caseolap_lift -it -v PATH_TO_FOLDER:/caseolap_lift_shared_folder caseolap/caseolap_lift:latest bash с PATH_TO_FOLDER в качестве полного пути к файлу для папки (например, /Users/caseolap/caseolap_lift_shared_folder). Последующие команды из раздела 2 будут выполняться в этом окне терминала.</li>
	<li>Запустите эластичный поиск в контейнере. В новом окне терминала введите docker exec -it --user elastic caseolap_lift bash /workspace/start_elastic_search.sh. ПРИМЕЧАНИЕ: В этом протоколе CaseOLAP LIFT запускается в интерактивном режиме, при этом каждый шаг выполняется последовательно. Этот анализ также можно выполнить от начала до конца, передав его в виде файла parameters.txt. Параметры.txt используемые в этом исследовании, находятся в / workspace/caseolap_lift/parameters.txt. Чтобы получить дополнительные сведения о каждом шаге, выполните команду с флагом - -help или посетите документацию в репозитории GitHub (https://github.com/CaseOLAP/caseolap_lift).</li>
</ol>2. Подготовка болезней и белков
<ol><li>Перейдите в папку caseolap_lift с помощью cd /workspace/caseolap_lift</li>
	<li>Убедитесь, что ссылки для скачивания в файле config/knowledge_base_links.json актуальны и точны для последней версии каждого ресурса базы знаний. По умолчанию файлы загружаются только один раз; Чтобы обновить эти файлы и повторно загрузить, выполните шаг предварительной обработки с параметром -r на шаге 2.4.</li>
	<li>Определите термин GO и категории заболеваний, которые будут использоваться в этом исследовании. Найдите идентификаторы для всех терминов GO и идентификаторов MeSH на http://geneontology.org/ и https://meshb.nlm.nih.gov/ соответственно.</li>
	<li>Запустите модуль предварительной обработки, используя параметры командной строки. На этом этапе предварительной обработки собираются определенные заболевания, перечисляются белки для изучения и собираются синонимы белков для интеллектуального анализа текста. Укажите пользовательские изучаемые термины GO с помощью флага -c и номера деревьев MeSH заболеваний с помощью флага -d , а аббревиатуры укажите с помощью -a. Пример команды: python caseolap_lift.py предварительная обработка -a "CM ARR CHD VD IHD CCD VOO OTH" -d "C14.280.238,C14.280.434 C14.280.067,C23.550.073 C14.280.400 C14.280.484 C14.280.647 C14.280.123 C14.280.955 C14.280.195,C14.280.282,C14.280.383,C14.280.470, C14.280.945,C14.280.459,C14.280.720" -c "GO:0005739" --include-synonyms --include-ppi -k 1 -s 0.99 --include-pw -n 4 -r 0.5 --include-tfd</li>
	<li>Проверьте файлы категорий .txt, core_proteins.txt и proteins_of_interest.txt из предыдущего шага в выходной папке. Убедитесь, что все категории болезней в категориях.txt верны и что разумное количество белков идентифицировано в пределах core_proteins.txt и proteins_of_interest.txt. При необходимости повторите шаг 2.4 и измените параметры, включив большее или меньшее количество белков. ПРИМЕЧАНИЕ: Количество белков, включенных в исследование, определяется флагами --include-ppi, --include-pw и --include-tfd, чтобы включить белок-белковые взаимодействия, белки с общими реактомными путями и белки с зависимостью от транскрипционного фактора, соответственно. Их специфическая функциональность определяется дополнительными флагами, такими как -k, -s, -n и -r (см. документацию).</li>
</ol>3. Интеллектуальный анализ текста
<ol><li>Убедитесь, что файлы категорий .txt, core_proteins.txt и proteins_of_interest.txt из предыдущего шага находятся в выходной папке. Используйте эти файлы в качестве входных данных для интеллектуального анализа текста. При необходимости настройте конфигурации, относящиеся к синтаксическому анализу и индексации документа в папке config . Дополнительные сведения о настройке и устранении неполадок см. в предыдущей версии протокола CaseOLAP8.</li>
	<li>Запустите модуль интеллектуального анализа текста с помощью python caseolap_lift.py text_mining. Добавьте флаг - l , чтобы вставить темы некатегоризированных документов, и флаг -t , чтобы загрузить полный текст документов, связанных с заболеванием. Другие необязательные флаги задают диапазон дат публикаций для загрузки (-d) и предоставляют опции для скрининга названий белков (описано в шаге 3.3). Пример разобранного документа показан на рисунке 3. Пример команды: python caseolap_lift.py text_mining -d "2012-10-01,2022-10-01" -l -t ПРИМЕЧАНИЕ: Большая часть времени вычислительного протокола тратится на шаг 3.2, который потенциально может занять более 24 часов. Время выполнения будет зависеть от размера загружаемого текстового корпуса, который также будет зависеть от диапазона дат и от того, включены ли функции подстановки меток и полнотекстовой обработки.</li>
	<li>(Рекомендуется) Скрининг названий белков. Названия белков, идентифицированные в публикациях, связанных с заболеванием, вносят свой вклад в ассоциацию белковых заболеваний, но склонны к ложноположительным результатам (т.е. омонимам с другими словами). Чтобы решить эту проблему, перечислите возможные омонимы в черном списке (config/remove_these_synonyms.txt), чтобы исключить их из последующих шагов.<ol><li>Поиск имен для проверки: В папке результатов найдите названия белков с наибольшей частотой в all_proteins или core_proteins (ranked_synonyms/ranked_synonyms_TOTAL.txt) и названия белков с наибольшими баллами в папках в ranked_proteins в зависимости от интересующих оценок. Если имен много, отдайте приоритет проверке имен с наибольшей оценкой.</li>
		<li>Проверьте имена: введите python caseolap_lift.py text_mining -c , а затем имя белка, чтобы отобразить до 10 публикаций, содержащих имена. Затем для каждого названия проверьте, является ли оно специфичным для белка.</li>
		<li>Пересчитайте баллы: Введите python caseolap_lift.py text_mining -s. Повторяйте шаги 3.1, 3.2 и 3.3 до тех пор, пока имена в шаге 3.1 не станут правильными.</li>
	</ol></li>
</ol>4. Анализ результатов
<ol><li>Убедитесь, что результаты интеллектуального анализа текста находятся в папке результатов (например, каталоги result/all_proteins и result/core_proteins и связанные с ними файлы), которая будет использоваться в качестве входных данных для шага анализа. В частности, оценка, указывающая на силу каждой ассоциации белка и заболевания, сообщается в результатах caseolap.csv, полученных в результате интеллектуального анализа текста. Укажите, какой набор результатов интеллектуального анализа текста следует использовать для анализа, указав либо --analyze_core_proteins , чтобы включить только белки, связанные с GO-термином, либо --analyze_all_proteins , чтобы включить все функционально связанные белки.</li>
	<li>Определите основные белки и пути для каждого заболевания. Значимыми ассоциациями белковых заболеваний считаются ассоциации с баллами, превышающими определенный порог. Z-критерий преобразует баллы CaseOLAP в пределах каждой категории заболеваний и считает белки с баллами выше определенного порога (обозначенного флагом -z ) как значимые. ПРИМЕЧАНИЕ: Биологические пути, значимые для каждого заболевания, идентифицируются автоматически с использованием значимых белков в качестве входных данных для анализа реактового пути. Все такие белки сообщаются в результирующем result_table.csv в папке analysis_results, а соответствующие цифры и результаты анализа путей автоматически генерируются в папке analysis_results. Пример команды: python caseolap_lift.py analyze_results -z 3.0 --analyze_core_proteins</li>
	<li>Просмотрите результаты анализа и при необходимости внесите коррективы. Количество белков и, следовательно, обогащенных реактовых путей, значимых для каждой категории заболеваний, зависит от порога z-оценки, используемого в анализе. Таблица z-оценки, сгенерированная на выходе/analysis_results/zscore_cutoff_table.csv, указывает количество белков, значимых для каждой категории заболеваний, чтобы помочь в выборе порога z-оценки как можно выше, при этом получая несколько белков, значимых для каждой категории заболеваний.</li>
</ol>5. Предиктивный анализ
<ol><li>Постройте граф знаний.<ol><li>Убедитесь, что необходимые файлы находятся в папке results , включая папку kg , созданную в результате предварительной обработки (шаг 2.4), и caseolap.csv из результатов интеллектуального анализа текста в папках all_proteins или core_proteins (шаг 3.2).</li>
		<li>Спроектируйте граф знаний. В зависимости от нижестоящей задачи включайте или исключайте компоненты полного графа знаний. Граф знаний состоит из оценок белковых заболеваний, полученных в результате интеллектуального анализа текста, и соединений с ресурсами базы знаний, используемыми на шаге 2.4 (рис. 4). Включите дерево заболеваний MeSH с флагом --include_mesh , белок-белковые взаимодействия из STRING с --include_ppi, общие пути реактома с --include_pw и зависимость транскрипционного фактора от GRNdb/GTEx с --include_tfd.</li>
		<li>Запустите модуль построения графа знаний. Укажите, какой набор результатов интеллектуального анализа текста следует использовать для анализа, указав --analyze_core_proteins для включения только белков, связанных с термином GO, или --analyze_all_proteins для включения всех функционально связанных белков. По умолчанию необработанные баллы CaseOLAP загружаются в виде весовых коэффициентов ребер между узлами белка и заболевания; Чтобы масштабировать веса ребер, укажите --use_z_score или неотрицательные z-оценки с помощью --scale_z_score. Пример команды: python caseolap_lift.py prepare_knowledge_graph --scale_z_score</li>
	</ol></li>
	<li>Прогнозирование новых ассоциаций белков и заболеваний.<ol><li>Убедитесь, что файлы графа знаний merged_edges.tsv и merged_nodes.tsv являются выходными данными предыдущего шага (шаг 5.1.3).</li>
		<li>Запустите скрипт прогнозирования графа знаний, чтобы предсказать связи между белками и заболеваниями, о которых до сих пор не сообщалось в научной литературе, введя python kg_analysis/run_kg_analysis.py. Это реализовано с помощью GraPE30 и использует DistMult31 для создания встраивания графов знаний, которые многослойный персептрон использует для прогнозирования ассоциаций белка и заболевания. В папке output/kg_analysis сохраняются прогнозы с прогнозируемой вероятностью >0,90 (прогнозы.csv) и метрики оценки модели (eval_results.csv). ПРИМЕЧАНИЕ: В данной работе выбранные параметры модели (например, метод встраивания, модель прогнозирования связи, гиперпараметры) были адаптированы для репрезентативного исследования. Этот код служит примером и отправной точкой для других анализов. Сведения о параметрах модели см. в документации GraPE (https://github.com/AnacletoLAB/grape).</li>
	</ol></li>
</ol>

<ol>
	<li>The UniProt Consortium et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=UniProt:+The+universal+protein+knowledgebase+in+2021.">UniProt: The universal protein knowledgebase in 2021.</a> Nucleic Acids Research. 49, D480-D489 (2021).</li><li>Davis, A. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparative+toxicogenomics+database+(CTD):+Update+2023.">Comparative toxicogenomics database (CTD): Update 2023.</a> Nucleic Acids Research. 51, D1257-D1262 (2023).</li><li>Mohtashamian, M., Abeysinghe, R., Hao, X., Cui, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Identifying+missing+IS-A+relations+in+orphanet+rare+disease+ontology.">Identifying missing IS-A relations in orphanet rare disease ontology.</a> Proceedings. IEEE International Conference on Bioinformatics and Biomedicine. 2022, 3274-3279 (2022).</li><li>Rehm, H. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=ClinGen+-+The+clinical+genome+resource.">ClinGen - The clinical genome resource.</a> New England Journal of Medicine. 372 (23), 2235-2242 (2015).</li><li>Caulfield, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> The National Genomics Research and Healthcare Knowledgebase. , (2019).</li><li>Ma, X., Lee, H., Wang, L., Sun, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=CGI:+A+new+approach+for+prioritizing+genes+by+combining+gene+expression+and+protein-protein+interaction+data.">CGI: A new approach for prioritizing genes by combining gene expression and protein-protein interaction data.</a> Bioinformatics. 23 (2), 215-221 (2007).</li><li>Guti&#233;rrez-Sacrist&#225;n, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Text+mining+and+expert+curation+to+develop+a+database+on+psychiatric+diseases+and+their+genes.">Text mining and expert curation to develop a database on psychiatric diseases and their genes.</a> Database. 2017, 043 (2017).</li><li>Sigdel, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cloud-based+phrase+mining+and+analysis+of+user-defined+phrase-category+association+in+biomedical+publications.">Cloud-based phrase mining and analysis of user-defined phrase-category association in biomedical publications.</a> Journal of Visualized Experiments. (144), e59108 (2019).</li><li>Yu, K. -. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Systematic+protein+prioritization+for+targeted+proteomics+studies+through+literature+mining.">Systematic protein prioritization for targeted proteomics studies through literature mining.</a> Journal of Proteome Research. 17 (4), 1383-1396 (2018).</li><li>Lau, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Identifying+high-priority+proteins+across+the+human+diseasome+using+semantic+similarity.">Identifying high-priority proteins across the human diseasome using semantic similarity.</a> Journal of Proteome Research. 17 (12), 4267-4278 (2018).</li><li>Pletscher-Frankild, S., Pallej&#224;, A., Tsafou, K., Binder, J. X., Jensen, L. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=DISEASES:+Text+mining+and+data+integration+of+disease-gene+associations.">DISEASES: Text mining and data integration of disease-gene associations.</a> Methods. 74, 83-89 (2015).</li><li>Liu, Y., Liang, Y., Wishart, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=PolySearch2:+A+significantly+improved+text-mining+system+for+discovering+associations+between+human+diseases,+genes,+drugs,+metabolites,+toxins+and+more.">PolySearch2: A significantly improved text-mining system for discovering associations between human diseases, genes, drugs, metabolites, toxins and more.</a> Nucleic Acids Research. 43, W535-W542 (2015).</li><li>Minot, S. S., Barry, K. C., Kasman, C., Golob, J. L., Willis, A. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=geneshot:+Gene-level+metagenomics+identifies+genome+islands+associated+with+immunotherapy+response.">geneshot: Gene-level metagenomics identifies genome islands associated with immunotherapy response.</a> Genome Biology. 22 (1), 135 (2021).</li><li>Lee, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=BEST:+Next-generation+biomedical+entity+search+tool+for+knowledge+discovery+from+biomedical+literature.">BEST: Next-generation biomedical entity search tool for knowledge discovery from biomedical literature.</a> PloS One. 11 (10), 0164680 (2016).</li><li>Wei, C. -. H., Allot, A., Leaman, R., Lu, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=PubTator+central:+Automated+concept+annotation+for+biomedical+full+text+articles.">PubTator central: Automated concept annotation for biomedical full text articles.</a> Nucleic Acids Research. 47 (W1), W587-W593 (2019).</li><li>Jimeno-Yepes, A. J., Sticco, J. C., Mork, J. G., Aronson, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GeneRIF+indexing:+Sentence+selection+based+on+machine+learning.">GeneRIF indexing: Sentence selection based on machine learning.</a> BMC Bioinformatics. 14 (1), 171 (2013).</li><li>Wei, C. -. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=tmVar+2.0:+Integrating+genomic+variant+information+from+literature+with+dbSNP+and+ClinVar+for+precision+medicine.">tmVar 2.0: Integrating genomic variant information from literature with dbSNP and ClinVar for precision medicine.</a> Bioinformatics. 34 (1), 80-87 (2018).</li><li>Maglott, D., Ostell, J., Pruitt, K. D., Tatusova, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Entrez+Gene:+Gene-centered+information+at+NCBI.">Entrez Gene: Gene-centered information at NCBI.</a> Nucleic Acids Research. 33, D54-D58 (2005).</li><li>Pi&#241;ero, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+DisGeNET+knowledge+platform+for+disease+genomics:+2019+update.">The DisGeNET knowledge platform for disease genomics: 2019 update.</a> Nucleic Acids Research. 48, D845-D855 (2019).</li><li>Lee, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=BioBERT:+A+pre-trained+biomedical+language+representation+model+for+biomedical+text+mining.">BioBERT: A pre-trained biomedical language representation model for biomedical text mining.</a> Bioinformatics. 36 (4), 1234-1240 (2020).</li><li>Szklarczyk, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=STRING+v11:+Protein-protein+association+networks+with+increased+coverage,+supporting+functional+discovery+in+genome-wide+experimental+datasets.">STRING v11: Protein-protein association networks with increased coverage, supporting functional discovery in genome-wide experimental datasets.</a> Nucleic Acids Research. 47, D607-D613 (2019).</li><li>Gillespie, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+reactome+pathway+knowledgebase+2022.">The reactome pathway knowledgebase 2022.</a> Nucleic Acids Research. 50, D687-D692 (2022).</li><li>Fang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GRNdb:+Decoding+the+gene+regulatory+networks+in+diverse+human+and+mouse+conditions.">GRNdb: Decoding the gene regulatory networks in diverse human and mouse conditions.</a> Nucleic Acids Research. 49, D97-D103 (2021).</li><li>Do&#287;an, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=CROssBAR:+Comprehensive+resource+of+biomedical+relations+with+knowledge+graph+representations.">CROssBAR: Comprehensive resource of biomedical relations with knowledge graph representations.</a> Nucleic Acids Research. 49 (16), 96 (2021).</li><li>Fern&#225;ndez-Torras, A., Duran-Frigola, M., Bertoni, M., Locatelli, M., Aloy, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Integrating+and+formatting+biomedical+data+as+pre-calculated+knowledge+graph+embeddings+in+the+Bioteque.">Integrating and formatting biomedical data as pre-calculated knowledge graph embeddings in the Bioteque.</a> Nature Communications. 13 (1), 5304 (2022).</li><li>Himmelstein, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Systematic+integration+of+biomedical+knowledge+prioritizes+drugs+for+repurposing.">Systematic integration of biomedical knowledge prioritizes drugs for repurposing.</a> eLife. 6, e26726 (2017).</li><li>Zheng, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=PharmKG:+A+dedicated+knowledge+graph+benchmark+for+biomedical+data+mining.">PharmKG: A dedicated knowledge graph benchmark for biomedical data mining.</a> Briefings in Bioinformatics. 22 (4), (2021).</li><li>Morselli Gysi, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Network+medicine+framework+for+identifying+drug-repurposing+opportunities+for+COVID-19.">Network medicine framework for identifying drug-repurposing opportunities for COVID-19.</a> Proceedings of the National Academy of Sciences of the United States of America. 118 (19), 2025581118 (2021).</li><li>Santos, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+knowledge+graph+to+interpret+clinical+proteomics+data.">A knowledge graph to interpret clinical proteomics data.</a> Nature Biotechnology. 40 (5), 692-702 (2022).</li><li>Cappelletti, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GraPE:+Fast+and+scalable+graph+processing+and+embedding.">GraPE: Fast and scalable graph processing and embedding.</a> arXiv. , (2021).</li><li>Yang, B., Yih, W., He, X., Gao, J., Deng, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Embedding+entities+and+relations+for+learning+and+inference+in+knowledge+bases.">Embedding entities and relations for learning and inference in knowledge bases.</a> arXiv. , (2014).</li><li>. Neo4j Graph Data Platform Available from: <a target="_blank" href="https://neo4j.com/">https://neo4j.com/</a> (2022)</li><li>Shannon, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cytoscape:+A+software+environment+for+integrated+models+of+biomolecular+interaction+networks.">Cytoscape: A software environment for integrated models of biomolecular interaction networks.</a> Genome Research. 13 (11), 2498-2504 (2003).</li></ol>

Авторам нечего раскрывать.

CaseOLAP LIFT позволяет исследователям исследовать связи между функциональными белками (например, белками, связанными с клеточным компонентом, биологическим процессом или молекулярной функцией) и биологическими категориями (например, болезнями). Описанный протокол должен быть выполнен в указанной последовательности, при этом наиболее критическими шагами являются раздел протокола 2 и раздел протокола 3, так как от их результатов зависят разделы протокола 4 и 5 протокола. В качестве альтернативы разделу 1 протокола код CaseOLAP LIFT можно клонировать и получить к нему доступ из репозитория GitHub (https://github.com/CaseOLAP/caseolap_lift). Следует отметить, что, несмотря на тестирование в процессе разработки программного обеспечения, могут возникать ошибки. Если это так, неудачный шаг следует повторить. Если проблема не устранена, рекомендуется повторить раздел протокола 1, чтобы убедиться, что используется последняя версия контейнера Docker. Дополнительную помощь можно получить, создав проблему в репозитории GitHub для получения дополнительной поддержки.
Этот метод поддерживает генерацию гипотез, позволяя исследователям идентифицировать интересующие объекты и выявлять потенциальные связи между ними, которые могут быть недоступны в существующих биомедицинских ресурсах. Полученные в результате связи между белками и заболеваниями позволяют исследователям получить новое представление с помощью интерпретируемых метрик оценок: баллы популярности указывают на наиболее изученные белки по отношению к заболеванию, показатели различимости указывают на заболевания, наиболее уникальные для белка, а комбинированная оценка CaseOLAP представляет собой комбинацию этих двух показателей. Чтобы предотвратить ложноположительные идентификации (например, из-за омонимов), некоторые инструменты интеллектуального анализа текста используют черный список терминов, чтобы избежать 9,11. Аналогичным образом, CaseOLAP LIFT также использует черный список, но позволяет пользователю адаптировать черный список к своему сценарию использования. Например, при изучении ишемической болезни сердца (ИБС) «ИБС» не следует считать названием белка «каспаза-активируемая дезоксирибонуклеаза». Тем не менее, при изучении других тем, «ИБС» обычно может относиться к белку.
CaseOLAP LIFT адаптируется к объему данных, доступных для интеллектуального анализа текста. Функциональность диапазона дат снижает вычислительную нагрузку и обеспечивает гибкость для генерации гипотез (например, изучение того, как научные знания о связи белка и заболевания менялись с течением времени). В то же время компоненты импутации меток и полнотекстовые компоненты расширяют объем данных, доступных для интеллектуального анализа текста. Оба компонента по умолчанию отключены, чтобы снизить вычислительные затраты, но пользователь может включить любой из них. Маркировка является консервативной, и она правильно классифицирует большинство публикаций (точность 87%), но пропускает другие ярлыки категорий (2% отзывов). В настоящее время этот метод основан на эвристике на основе правил, которая соответствует ключевым словам заболевания, и планируется повысить производительность за счет использования методов моделирования тем документов. Поскольку многие некатегоризированные отчеты, как правило, являются недавними публикациями, исследованиям, изучающим недавний диапазон дат (например, все публикации за последние 3 года), лучше отключить вменение ярлыков. Полнотекстовый компонент увеличивает требования к среде выполнения и хранилищу. Примечательно, что только меньшая часть документов имеет доступ к полному тексту (~14% документов в нашем исследовании). Предполагая, что названия белков, упомянутые в разделе методов публикаций, с меньшей вероятностью связаны с темами заболеваний, рекомендуется запрашивать полные тексты статей, исключая раздел методов.
Полученные в результате оценки ассоциаций белка и заболевания полезны для традиционных анализов, таких как кластеризация, уменьшение размерности или анализ обогащения (например, GO, pathways), с некоторой реализацией, включенной в этот программный пакет. Чтобы контекстуализировать эти оценки в рамках существующих биомедицинских знаний, автоматически строится граф знаний, который может быть изучен с помощью инструментов визуализации графов (например, Neo4j32, Cytoscape33). Граф знаний также может быть использован для прогностического анализа (например, прогнозирование связей между незарегистрированными белками и заболеваниями, обнаружение белковых сетей в сообществе, методы сбора призов).
Мы рассмотрели метрики оценки модели для прогнозируемых ассоциаций белка и заболевания (табл. 5). Модель присваивает оценку вероятности от 0,0 до 1,0 каждой ассоциации белка и заболевания, при этом оценки, близкие к 1,0, указывают на более высокий уровень достоверности прогноза. Внутренняя оценка производительности модели, которая была основана на различных показателях, включая AUROC, точность, сбалансированную точность, специфичность и полноту, показала отличную общую производительность в его работе. Тем не менее, оценка также выявила довольно низкую оценку точности (0,15) модели, что привело к более низкой оценке как AUPRC, так и F1. Будущие исследования, направленные на улучшение этой метрики, помогут повысить общую производительность модели. Мы полагаем, что это может быть достигнуто путем внедрения более сложных моделей встраивания графов знаний и прогнозирования графов. Основываясь на точности модели, равной 0,15, исследователи должны ожидать примерно 15% положительных идентификаций; В частности, из всех 12 688 ассоциаций белка и заболевания, предсказанных моделью, примерно 15% являются истинно-положительными ассоциациями. Это можно смягчить, рассматривая только ассоциации белка и заболевания с высокой оценкой вероятности (например, >0,90); В нашем примере фильтрация с порогом вероятности 0,90 привела к высокодостоверным предсказаниям 1 583 ассоциаций. Исследователям может быть полезно также вручную проверить эти прогнозы, чтобы убедиться в высокой достоверности (см. рис. 7 в качестве примера). Внешняя оценка наших прогнозов показала, что из 310 ассоциаций белковых заболеваний из обширной курируемой базы данных DisGeNet19 103 были идентифицированы в нашем исследовании интеллектуального анализа текста, а 88 дополнительных ассоциаций были предсказаны с помощью анализа графа знаний с оценкой вероятности >0,90.
В целом, CaseOLAP LIFT отличается повышенной гибкостью и удобством использования при разработке пользовательских анализов ассоциаций между функциональными группами белков и несколькими категориями заболеваний в больших текстовых корпусах. Этот пакет оптимизирован в новом удобном интерфейсе командной строки и выпущен в виде контейнера Docker, что уменьшает проблемы, связанные с настройкой сред программирования и зависимостей программного обеспечения. Конвейер CaseOLAP LIFT для изучения митохондриальных белков при сердечно-сосудистых заболеваниях может быть легко адаптирован; Например, будущие применения этого метода могут включать в себя исследование ассоциаций между любыми белками, связанными с любыми терминами GO и любой биомедицинской категорией. Кроме того, ранжированные ассоциации белков и заболеваний, выявленные этой платформой интеллектуального анализа текста, важны для подготовки набора данных для использования передовых методов естественного языка. Полученный граф знаний позволяет исследователям преобразовать эти результаты в биологически информативные знания и закладывает основу для последующего анализа на основе графов.

Изучение белков, связанных с заболеванием, расширяет научные знания о патогенезе и помогает определить потенциальные терапевтические средства. Несколько больших корпусов текстов биомедицинских публикаций, таких как 34 миллиона статей PubMed, содержащих названия публикаций, аннотации и полнотекстовые документы, сообщают о новых открытиях, связывающих белки с болезнями. Тем не менее, эти результаты разрознены по различным источникам и должны быть интегрированы для получения новых биомедицинских идей. Существует несколько биомедицинских ресурсов для интеграции ассоциаций белка и заболевания 1,2,3,4,5,6,7. Однако эти курируемые ресурсы часто являются неполными и могут не охватывать последние результаты исследований. Подходы, основанные на интеллектуальном анализе текстов, необходимы для извлечения и синтеза ассоциаций белков и заболеваний в больших текстовых корпусах, что привело бы к более полному пониманию этих биомедицинских концепций в научной литературе.
Существует множество биомедицинских подходов к анализу текстов для выявления взаимосвязей между белками и заболеваниями 8,9,10,11,12,13,14, и другие частично способствуют определению этих отношений, идентифицируя белки, болезни или другие биомедицинские объекты, упомянутые в тексте 13,15,16,17. 18,19. Тем не менее, многие из этих инструментов не имеют доступа к самой современной литературе, за исключением нескольких, которые периодически обновляются 8,11,13,15. Аналогичным образом, многие инструменты также имеют ограниченную область исследования, поскольку они ограничены широкими предопределенными заболеваниями или белками 9,13. Существует несколько подходов, которые также могут привести к выявлению ложных срабатываний в тексте; Другие решают эти проблемы с помощью интерпретируемого и глобального черного списка названий белков9,11 или менее интерпретируемых методов распознавания сущностей имен15,20. В то время как большинство ресурсов предоставляют только предварительно вычисленные результаты, некоторые инструменты предлагают интерактивность через веб-приложения или доступный программный код 8,9,11.
Чтобы устранить вышеуказанные ограничения, мы представляем следующий протокол, CaseOLAP с вменением меток и полным текстом (CaseOLAP LIFT), в качестве гибкой и настраиваемой платформы для исследования ассоциаций между белками (например, белками, связанными с клеточным компонентом) и заболеваниями из текстовых наборов данных. Эта платформа включает в себя автоматизированное курирование специфических для терминов белков генной онтологии (GO) (например, специфических для органелл белков), вменение отсутствующих меток тем документов, анализ полнотекстовых документов, а также инструменты анализа и прогностические инструменты (рис. 1, рис. 2 и табл. 1). CaseOLAP LIFT курирует специфические для органелл белки, используя предоставленные пользователем термины GO (например, компартмент органеллы) и функционально связанные белки с помощью STRING21, Reactome 22 и GRNdb23. Документы, посвященные изучению заболеваний, идентифицируются по меткам заголовков медицинских предметов (MeSH), аннотированным PubMed. Для ~15,1% немаркированных документов метки вменяются, если в заголовке встречается хотя бы один синоним термина MeSH или не менее двух в аннотации. Это позволяет учитывать ранее не категоризированные публикации при анализе интеллектуального анализа текста. CaseOLAP LIFT также позволяет пользователю выбирать разделы публикаций (например, только названия и аннотации, полный текст или полный текст без методов) в течение определенного периода времени (например, 2012-2022 гг.). Кроме того, программное обеспечение в полуавтоматическом режиме создает черный список названий белков для конкретных случаев использования, что существенно снижает количество ложноположительных ассоциаций между белками и заболеваниями, присутствующих в других подходах. В целом, эти улучшения обеспечивают большую настраиваемость и автоматизацию, увеличивают количество данных, доступных для анализа, и позволяют получать более достоверные связи между белками и заболеваниями из больших корпусов биомедицинских текстов.
CaseOLAP LIFT включает в себя биомедицинские знания и представляет взаимосвязь различных биомедицинских концепций с помощью графа знаний, который используется для прогнозирования скрытых взаимосвязей в графе. В последнее время методы вычислений на основе графов применяются в биологических условиях, включая интеграцию и организацию биомедицинских концепций 24,25, перепрофилирование и разработку лекарств 26,27,28, а также для принятия клинических решений на основе данных протеомики 29.
Чтобы продемонстрировать полезность CaseOLAP LIFT при построении графа знаний, мы выделим сценарий использования для исследования ассоциаций между митохондриальными белками и восемью категориями сердечно-сосудистых заболеваний. Данные из ~362 000 документов, относящихся к заболеваниям, были проанализированы, чтобы определить основные митохондриальные белки и пути, связанные с заболеваниями. Затем эти белки, их функционально связанные белки и результаты интеллектуального анализа текста были включены в граф знаний. Этот график был использован в анализе прогнозирования связей на основе глубокого обучения для прогнозирования ассоциаций между белками и заболеваниями, о которых до сих пор не сообщалось в биомедицинских публикациях.
Во вводном разделе описывается справочная информация и цели нашего протокола. В следующем разделе описываются этапы вычислительного протокола. Далее описываются репрезентативные результаты этого протокола. Наконец, мы кратко обсудим варианты использования вычислительного протокола, преимущества, недостатки и будущие приложения.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Software - Docker</td>
			<td>Docker</td>
			<td>N/A</td>
			<td>docker.com</td>
		</tr>
	</tbody>
</table>

a knowledge graph approach to elucidate the role of organellar pathways in disease via biomedical reports

Быстро растущее и огромное количество биомедицинских отчетов, каждый из которых содержит множество сущностей и богатую информацию, представляет собой богатый ресурс для биомедицинских текстовых приложений. Эти инструменты позволяют исследователям интегрировать, концептуализировать и транслировать эти открытия, чтобы получить новые знания о патологии заболеваний и терапии. В этом протоколе мы представляем CaseOLAP LIFT, новый вычислительный конвейер для исследования клеточных компонентов и их ассоциаций с заболеваниями путем извлечения отобранной пользователем информации из текстовых наборов данных (например, биомедицинской литературы). Программное обеспечение идентифицирует субклеточные белки и их функциональных партнеров в документах, относящихся к заболеванию. Дополнительные документы, относящиеся к заболеванию, идентифицируются с помощью метода вменения этикеток, разработанного программным обеспечением. Для контекстуализации результирующих ассоциаций между белками и заболеваниями и интеграции информации из нескольких релевантных биомедицинских ресурсов автоматически создается граф знаний для дальнейшего анализа. Мы представляем один из вариантов использования с корпусом из ~34 миллионов текстовых документов, загруженных в Интернет, чтобы предоставить пример выяснения роли митохондриальных белков в различных фенотипах сердечно-сосудистых заболеваний с помощью этого метода. Кроме того, модель глубокого обучения была применена к полученному графу знаний для прогнозирования ранее неизвестных взаимосвязей между белками и заболеваниями, в результате чего было получено 1583 ассоциации с прогнозируемыми вероятностями >0,90 и с областью под кривой рабочих характеристик приемника (AUROC), равной 0,91 на тестовом наборе. Это программное обеспечение отличается настраиваемым и автоматизированным рабочим процессом с широким спектром необработанных данных, доступных для анализа; Таким образом, с помощью этого метода можно с повышенной надежностью идентифицировать ассоциации белков и заболеваний в пределах текстового корпуса.

Watch this Scientific Journal Video about A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports at JoVE.com

A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports

Представлен вычислительный протокол CaseOLAP LIFT и сценарий использования для исследования митохондриальных белков и их ассоциаций с сердечно-сосудистыми заболеваниями, как описано в биомедицинских отчетах. Этот протокол может быть легко адаптирован для изучения выбранных пользователем клеточных компонентов и заболеваний.

Метод графа знаний для выяснения роли органеллярных путей в заболевании с помощью биомедицинских отчетов

The rapidly increasing and vast quantities of biomedical reports, each containing numerous entities and rich information, represent a rich resource for ...

Этот вычислительный протокол важен, потому что он позволяет исследовать связи между клеточными компонентами, например, белками митохондрий, и их связь с заболеваниями, как сообщается в биомедицинских публикациях. CaseOLAP LIFT позволяет исследователям извлекать и интегрировать информацию из биомедицинских отчетов и баз знаний. Эти результаты, организованные в виде графа знаний, могут быть использованы для прогнозирования новых взаимосвязей.Результаты этих исследований поддерживают генерацию гипотез, выделяя приоритетный список идентифицированных и прогнозируемых ассоциаций белковых заболеваний, что полезно для раскрытия новых идей о патологии заболевания и терапии. Этот настраиваемый рабочий процесс может быть применен к любому клеточному компоненту с помощью термина GO к любому списку заболеваний с помощью термина MeSH в любом диапазоне дат публикации. Этот удобный протокол сводит к минимуму вычислительный опыт, необходимый для анализа.Программное обеспечение выпускается в виде контейнера Docker, для выполнения которого требуется только достаточное количество вычислительного хранилища и ресурсов. Для начала откройте окно терминала, чтобы скачать контейнер Docker CaseOLAP LIFT, и введите docker pull CaseOLAP slash CaseOLAP_LIFT latest. Создайте каталог, в котором будут храниться все данные программы и выходные данные.Запустите контейнер docker с помощью команды, показанной на экране, заменив PATH_TO_FOLDER в качестве полного пути к файлу для папки. Чтобы запустить Elasticsearch в контейнере, откройте новое окно терминала и введите команду, показанную на экране. Перейдите в папку CaseOLAP_LIFT.Убедитесь, что ссылки для скачивания и конфигурация имеют косую черту knowledge_base_links. JSON является актуальным и точным для последней версии каждого ресурса базы знаний. Чтобы определить онтологию гена или термин GO, перейдите на сайт генеонтология.org и найдите идентификаторы для всех терминов GO. Точно так же найдите категории заболеваний с помощью заголовка Medical Subject Header или идентификаторов MeSH на веб-сайте, показанном на экране. Для выполнения модуля предварительной обработки укажите пользовательские изучаемые термины GO с помощью флага C тире, номера деревьев MeSH болезней с помощью флага D и укажите аббревиатуры с помощью флага A тире.Чтобы выполнить модуль интеллектуального анализа текста, введите Python, пробел CaseOLAP_LIFT. py, пробел text_mining и добавьте флаг тире L, чтобы вставить темы некатегоризированных документов, и тире-флаг T, чтобы загрузить полный текст документов, имеющих отношение к заболеванию. Убедитесь, что результаты интеллектуального анализа текста находятся в папке результатов.Укажите результаты интеллектуального анализа текста, которые будут использоваться для анализа, указав либо анализировать все белки, чтобы включить все функционально связанные белки, либо анализировать основные белки, чтобы включить только белки, связанные с термином GO. Чтобы определить основные белки и пути для каждого заболевания, баллы CaseOLAP преобразуются в Z-критерий в пределах каждой категории заболеваний. Укажите флаг тире Z, чтобы указать определенный пороговый балл, выше которого белки будут считаться значимыми.Просмотрите результаты анализа и при необходимости внесите коррективы. Откройте файл z_score_cutoff_table. csv для просмотра сгенерированной таблицы Z-score, содержащей количество белков, значимых для каждой категории заболеваний.Это помогает проинформировать пользователя о необходимости выбора соответствующего порогового значения Z-оценки. Откройте папку results и убедитесь, что в ней находятся необходимые файлы, включая папку, сгенерированную в результате предварительной обработки. Проверьте наличие всех белков в папках основных белков.Чтобы спроектировать граф знаний, включите дерево заболеваний MeSH с флагом include MeSH. Белок-белковые взаимодействия из строки с флагом include PPI, общие пути реактома с флагом include PW и зависимость транскрипционного фактора от GRNdb GTEx с флагом include TFD. Запустите модуль построения графа знаний, указав, что анализ основных белков включает только белки, связанные с термином GO.Чтобы масштабировать веса ребер, используйте шкалу Z-оценки для неотрицательных Z-оценок вместо оценок CaseOLAP по умолчанию. Проверьте выходные данные и убедитесь, что файлы графа знаний merged_edges. TSV и merged_nodes.TSV-файлы присутствуют. Наконец, введите команду, показанную на экране, чтобы запустить сценарий прогнозирования графа знаний для прогнозирования ассоциаций белковых заболеваний. На этом рисунке представлены митохондриальные белки, значимые для каждой категории заболеваний.Преобразование Z-критерия было применено к баллам CaseOLAP в каждой категории для идентификации значимых белков с использованием порогового значения в три. Общее количество белков, значимых для каждой категории заболеваний, показано над каждым графиком скрипки. Анализ реактомных путей этих белков выявил 12 путей, значимых для всех заболеваний.Пример применения глубокого обучения к графу знаний о конкретном заболевании представлен на этом рисунке. Скрытые взаимосвязи между белками и заболеванием предсказываются, и вычисленные вероятности для обоих предсказаний отображаются здесь со значениями в диапазоне от нуля до единицы, где единица указывает на сильный прогноз. Указанная последовательность имеет решающее значение для выполнения этого протокола, в частности, модулей предварительной обработки и интеллектуального анализа текста.Эти два шага напрямую влияют на идентификацию основных белков и путей для каждого заболевания, а также на построение графа знаний о конкретном заболевании. Результирующий граф знаний эффективно визуализируется с помощью графовых инструментов, таких как Neo4j и Cytoscape, и может быть использован для расширенного прогнозирования новых взаимосвязей на основе глубокого обучения. CaseOLAP LIFT позволяет изучать связи между любым клеточным компонентом и категориями заболеваний.Полученный граф знаний и ранжированные ассоциации белковых заболеваний поддерживают обработку естественного языка и последующий анализ на основе графов.

Research

JoVE Journal

Biochemistry

A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports

Automated Acoustic Dispensing for the Serial Dilution of Peptide Agonists in Potency Determination Assays

Автоматизированная Акустическая дозирования для серийного разведения пептидные агонисты в Potency Определение Assays

As with small molecule drug discovery, screening for peptide agonists requires the serial dilution of peptides to produce concentration-response curves. ...

Thermostabilization, Expression, Purification, and Crystallization of the Human Serotonin Transporter Bound to S-citalopram

Thermostabilization, Expression, Purification, and Crystallization of the Human Serotonin Transporter Bound to S-citalopram

Термостабилизации, Expression, очистки и кристаллизации Серотонин Transporter человека Обязанный<em&gt; S</em&gt; -citalopram

The serotonin transporter is a sodium and chloride-coupled transporter that &#34;pumps&#34; extracellular serotonin into cells. S-citalopram is a drug ...

Brain Membrane Fractionation: An Ex Vivo Approach to Assess Subsynaptic Protein Localization

Brain Membrane Fractionation: An Ex Vivo Approach to Assess Subsynaptic Protein Localization

Фракционирование мозговых мембран:<em&gt; Ex Vivo</em&gt; Подход к оценке локализации сусинаптических белков

Assessing the synaptic protein composition and function constitutes an important challenge in neuroscience. However, it is not easy to evaluate ...

Lighting Up the Pathways to Caspase Activation Using Bimolecular Fluorescence Complementation

Освещение пути к Caspase активации с помощью Bimolecular флуоресценции дополнения

The caspase family of proteases play essential roles in apoptosis and innate immunity. Among these, a subgroup known as initiator caspases are the first ...

A Colorimetric Method for Measuring Iron Content in Plants

Колориметрический метод измерения содержания железа в растениях

Iron, one of the most important micronutrients in living organisms, is involved in basic processes, such as respiration and photosynthesis. Iron content ...

Enhancing the Engraftment of Human Induced Pluripotent Stem Cell-derived Cardiomyocytes via a Transient Inhibition of Rho Kinase Activity

Улучшение прививки человека индуцированных Плюрипотентные стволовые клетки полученных кардиомиоцитов через переходный ингибирование Деятельности Ро Киназы

A crucial factor in improving cellular therapy effectiveness for myocardial regeneration is to safely and efficiently increase the cell engraftment rate. ...

A Customizable Approach for the Enzymatic Production and Purification of Diterpenoid Natural Products

Настраиваемый подход к ферментативным производством и очистке терепенидов натуральных продуктов

Diterpenoids form a diverse class of small molecule natural products that are widely distributed across the kingdoms of life and have critical biological ...

SUMO-Binding Entities (SUBEs) as Tools for the Enrichment, Isolation, Identification, and Characterization of the SUMO Proteome in Liver Cancer

SUMO-Binding Entities SUBEs as Tools for the Enrichment, Isolation, Identification, and Characterization of the SUMO Proteome in Liver Cancer

SUMO-обязательные организации (SUBEs) как инструменты для обогащения, изоляции, идентификации и характеристики ПРОтеоме СУМО при раке печени

Post-translational modification is a key mechanism regulating protein homeostasis and function in eukaryotic cells. Among all ubiquitin-like proteins in ...

Simple In-House Ultra-High Performance Capillary Column Manufacturing with the FlashPack Approach

Простое производство капиллярных колонн на месте с помощью FlashPack

Capillary ultra-high performance liquid chromatography (UHPLC) is currently a method of choice for the sample separation step in LC-MS-based proteomics. ...