XiaoMi-AI文件搜索系统
World File Search SystemUniProt
基于生物信息学探讨肥胖基因与疾病发生的关联性
方法：网络药理学和蛋白质 - 蛋白质相互作用网络可视化和富裕分析技术用于找到肥胖基因与其相互作用小的RNA和疾病之间的关联。disgenet，Genecards，TTD和OMIM数据库用于搜索与肥胖，糖尿病和乳腺癌相关的基因靶标，然后与UNIPROT数据库结合使用，用于基因去除和映射，肥胖和各种疾病的关键基因数据。使用Venny在线数据处理平台来获得肥胖和各种疾病之间的关联基因。相关基因是通过使用字符串在线分析平台构建目标蛋白质相互作用网络图和topoolosogogogogogopogogogogogogogogogogogogogogogogogogogogogogogogogogogogogogogogical构建基因，并通过Cytoscape软件进一步筛选了结果，以获得各种疾病与肥胖症之间具有牢固关联的核心目标基因。使用David在线数据库和微生物症的在线分析平台，通过GO和KEGG富含所获得的核心靶基因。结果：有460个肥胖胸癌交叉基因，607个肥胖糖果交叉基因，23个肥胖乳腺癌核心基因和24个肥胖糖核心核心基因。在此基础上，总共获得了与肥胖和乳腺癌有关的138个核心基因或miRNA。有144个与肥胖和糖尿病有关的核心基因或miRNA。本研究使用生物信息学方法来研究肥胖与糖尿病和乳腺癌的关系和潜在机制，然后为我们提供了一种新的观点，可以通过对miRNA的研究来了解与肥胖相关并发症的机制，并为我们提供了新的想法，以探索和改善治疗方法。
肥胖基因及其互作microRNA与疾病发生关联的生物信息学研究
目的：探索基于生物信息学的肥胖与疾病发生之间的关联。方法：主要目标是从相关疾病数据库（Genecards，TTD，Omim，Uniprot）中获得的，其中具有“肥胖”，“心血管疾病”，“心脏病”，“癌症”和“肝脏代谢障碍”的关键词。Based on the STRING database, the protein-protein interaction network of dis- ease and obesity cross-targets was constructed, the core targets were screened, and the DAVID data- base was used to analyze the gene ontology function (GO) and Kyoto Encyclopedia of Genes and Ge- nomes (KEGG) pathways, so as to predict the non-coding RNA and transcription factors acting on the core targets, and construct基因调节网络。结果：在肥胖和心血管疾病之间筛选了总共25个核心目标和58个相互作用的miRNA。有30个肥胖和心脏病的核心目标，有81个相互作用的miRNA。有25个肥胖和癌症的核心靶标，以及84个相互作用的miRNA。有30个肥胖和肝脏代谢疾病的核心靶标，还有73个相互作用的miRNA。肥胖和心血管疾病的核心靶标主要富含脂质，动脉粥样硬化，腺苷酸激活的蛋白激酶，信号传导途径等。肥胖和心脏病的核心靶标主要富含胆固醇代谢，脂质动脉粥样硬化和其他信号通路。肥胖和癌症的核心靶标主要在腺苷酸激活的蛋白激酶和磷脂酰肌醇3-激酶-akt信号通路中富含。肥胖和肝脏代谢性疾病的核心靶标主要富含非酒精性脂肪肝病和脂肪细胞因子信号通路。本研究为肥胖与疾病之间复杂关系的后续探索提供了一个新的方向和新思路。
人工智能时代的蛋白质结构预测
机械活性蛋白对于无数生理和病理过程至关重要。在单分子力谱 (SMFS) 技术的进步的指导下，我们已经在分子水平上了解了机械活性蛋白如何感知和响应机械力。然而，即使是 SMFS 也有其局限性，包括在力加载实验中缺乏详细的结构信息。这正是分子动力学 (MD) 方法大放异彩的地方，它以飞秒时间分辨率提供原子细节。然而，MD 严重依赖于高分辨率结构数据的可用性，而大多数蛋白质都无法获得这些数据。例如，蛋白质数据库目前存储了 192K 个结构，而 Uniprot 上有 231M 个蛋白质序列。但许多人认为，这一差距可能很快就会缩小。在过去的一年里，基于人工智能的 AlphaFold 能够根据蛋白质序列预测近天然蛋白质折叠，从而在结构生物学领域引起了轰动。对于一些人来说，AlphaFold 正在促成结构生物学与生物信息学的融合。在这里，我们使用我们小组首创的计算机模拟 SMFS 方法，研究 AlphaFold 结构预测在研究葡萄球菌粘附蛋白的机械性能方面的可靠性。我们的结果表明，AlphaFold 可以产生极其可靠的蛋白质折叠，但在许多情况下无法准确预测高分辨率蛋白质复合物。尽管如此，结果表明 AlphaFold 可以彻底改变对这些蛋白质的研究，特别是通过允许对蛋白质结构进行高通量扫描。同时，我们表明 AlphaFold 结果需要验证，不应盲目使用，否则可能会获得错误的蛋白质机制。
从跨编码数据中预测生物地球化学周期的粗粒表示
抽象动机：由于DNA测序的进步，现在常规地进行了环境微生物群落的分类学分析。确定这些群落在全球生物地球化学周期中的作用需要鉴定其代谢功能，例如氢氧化，还原和碳固定。这些功能可以直接从宏基因组学数据中推断出来，但是在许多环境应用中，MetabarCoding仍然是选择的方法。从元法编码数据及其整合到地球化学循环的粗粒表示中，代谢功能的重建仍然是当今有效的生物信息学问题。结果：我们开发了一条称为Tabigecy的管道，该管道利用分类学官员来预测构成生物地球化学周期的代谢功能。在第一个步骤中，Tabigecy使用该工具Esmecata从输入液位中预测共识蛋白质组。为了优化此过程，我们生成了一个预先计算的数据库，其中包含来自Uniprot的2,404个分类单元的信息。使用BigeCyhmm搜索了共有的蛋白质组织，BigeCyhmm是一个新开发的Python软件包，依靠隐藏的Markov模型来识别参与生物地球化学周期代谢功能的关键酶。然后将代谢功能投射到周期的粗粒表示上。我们将塔博基（Tabigecy）应用于两个盐洞数据集，并通过对样品进行的微生物活性和水力化学测量结果验证了其预测。结果突出了研究微生物群落对地理化学过程的影响的方法。关键字：微生物群落，生物地球化学周期，代谢功能，分类学官员
原创研究探索黄连解毒汤治疗冠状病毒病的潜在靶点和机制
背景：2019 年 12 月，由新型冠状病毒（严重急性呼吸综合征冠状病毒 2，SARS-CoV-2；曾称 2019-nCoV）引起的冠状病毒病 2019（COVID-19）在中国武汉出现，造成大量感染和死亡。目前，尚无针对 COVID-19 病因和治疗的特效药物。中西医结合治疗 COVID-19 被提出，其中黄连解毒汤（HLJDD）被中国许多省份推荐用于治疗 COVID-19，并已在临床中广泛使用。本研究基于网络药理学探讨了 HLJDD 在治疗 COVID-19 中的潜在靶点。方法：首先，通过 TCMSP、UniProt、GeneCards 和 OMIM 数据库获取 HLJDD 的化学成分和靶点以及 COVID-19 相关靶点。其次，通过STRING数据库和Cytoscape软件构建HLJDD靶点和HLJDD-COVID-19靶点网络。最后，通过DAVID数据库对HLJDD-COVID-19靶点进行基因本体论(GO)和京都基因与基因组百科全书(KEGG)通路富集分析。结果：本研究共鉴定出67个HLJDD活性成分和204个HLJDD靶点。共获得502个COVID-19相关靶点，其中47个为HLJDD与COVID-19的交叉靶点。共鉴定出179个GO术语和77个KEGG术语，包括TNF信号通路、NF-κB信号通路和HIF-1信号通路。结论：本研究探索了HLJDD在COVID-19治疗中的潜在作用靶点及信号通路，可为COVID-19治疗药物的研发提供依据。关键词：黄连解毒汤 2019冠状病毒病 COVID-19 SARS-CoV-2 网络药理学 中药
引用Corcuff M，Garibal M，Desvignes J-P，Guien C，Grattepanche C，Collod-BéroudG，MénoretE，Salgado D和BéroudC（2023），Prove
分类（Yorczyk等，2015； Kim等，2019），主要与ACMG AMP准则准则允许的主观性和不确定性程度有关。他们建议在解释过程中使用28个标准来区分：良性（可能是良性）的意义（VUS），可能是致病性和致病性变体。但是，仅在临床实践中获得这些标准的一部分，并且必须使用带注释的变体集合。为提供这样的资源，已经制定了各种倡议，包括Clinvar（Landrum等，2016），Clingen（Savatt等，2018），Varsome（Kopanos等，2019）和Intervar（Li and Wang，2017）。这些从专家和各种资源中收集数据，并可以为未报告的变体提供解释。然而，此自动化过程有时可能会产生不适当的结果，并且应谨慎查看数据。，如果我们专注于分类证据，一方面，最具挑战性的标准之一是PM1“位于突变的热点和/或关键和完善的功能域（例如，酶的活性位点），没有良性变化”，这是在报告的病例中使用的约10％（Amendola等人，2016年）。要提取此信息，自动化系统主要依赖Uniprot（Uniprot联盟。2017）和“ dbnsfp31a_interpro”，该数据库是DBNSFP（Liu等，2011; Liu等，2016）和Interpro（Mitchell等，2019）的域信息数据库，可在蛋白质家族，域，域和功能性点上包含有关蛋白质家族和功能性的信息。已经使用保守域数据库（CDD）（Marchler-Bauer等，2015）制定了其他计划，例如Subrvis分数（Gussow等，2016），旨在评估基因子区域对变体的不耐受性。通常，PM1标准与突变簇的功能区域的广泛视图相关联。然而，很难使用，因为这种聚类的定义不足和理解，如其在Vasome中的各种解释所示（Kopanos等人，2019年）和Intervar（Li and Wang，2017）。它也可能受到基因非人类疾病的兴趣和分类的变异次数的高度偏见。另一方面，最常用的证据是PM2/BA1/BS1“人口数据库中缺失的变异或等位基因频率太高，对于该疾病而言，据报道约有50％的病例（Amendola等人，2016年）。该标准的假设非常简单：如果已报告了普通人群频率高的变体，则不能是一种罕见的致病变异，否则该疾病的频率将更高；如果从未报道过变体，或者频率很低，则可能是一种罕见的致病变异。这些信息从大尺度基因组/外显子组测序项目中很大，大多数人从侏儒（Koch，2020年）或人口数据库中收集了这些信息，例如阿巴拉姆（巴西人人口）（Naslavsky等人）（Naslavsky等人，更大的Midder Midder eali Milder Elide Elide Elide Elide Elide Elide Elide Elide Elide Elide Elide Elide Elide Elide Elide eLDEL，202）人口）（Scott等，2016）。然而，人类进化不允许变异的基因组饱和，其中一些在遗传漂移引起的人群中非常罕见（Bach，2019）。的确，如果人口足够大，几代人几代人的失踪率很可能会导致其消失，而只有少数几代人将在人群中固定。因此，尽管人们认识到，从人类中出现了每一代人的50至100个变种，但这些事件中的大多数在进化过程中都丢失了，这解释了为什么我们的基因组中不存在所有中性替代。另一种观点是基于一个简单的假设，即78亿活着人类中每一个中的50至100从头变体都应该产生与生命兼容的每种核苷酸变化
使用机器学习和与SARS-COV-2感染相关的信号转导电路的机械模型的COVID-19的药物重新利用
亲爱的编辑，当在意外的医疗情况下需要新药的需求和新兴病原体的情况一样，药物重新利用是一种方便的选择。近年来，基于网络生物学的方法已证明优于基因。1 Here, we use an innovative methodology that combines mechanistic modeling of the signal transduction circuits related to SARS-CoV-2 infection (the COVID-19 disease map) with a machine-learning algorithm that learns potential causal interac- tions between proteins, already targets of drugs, and speci fi c signaling circuits in the COVID-19 disease map, to suggest potentially repurposable drugs.途径的机理模型提供了自然桥，从基因活性（转录）的变化到表型的变化（在细胞，组织或生物体的水平上）。实际上，人类信号通路的机理模型已成功地用于发现不同疾病背后的特定分子机制，以揭示药物的作用模式，并建议个性化治疗方法。然而，机械模型的最有趣的特性是它们可用于预测干预措施的后果，例如靶向药物的影响。2可用性19疾病图3可用于构建SARS-COV-2感染的现实机理模型以及宿主细胞中发生的所有下游功能后果。这些受影响的电路最终会触发细胞功能，其病毒的扰动会导致199症状或疾病标志。3此疾病图是一组信号转导电路，其中包含与病毒蛋白及其上游和下游连接相互作用的人类蛋白质（请参阅补充结果和补充表S1，共有277个来自49个KEGG途径的电路）。此处用于正确拟合定义电路功能的UNIPROT注释中的主要标志是：（1）宿主 - 病毒相互作用，（2）（2）炎症反应，（3）免疫活性，（4）抗病毒防御，（4）抗病毒防御，（5）内部局部症状，（5）内部局部情况，（（6）复制，（6）复制和（7）ELOLTICES和（7）ELOTICS。由于疾病地图社区产生了新的生物学知识，该疾病图将动态更新。
预印本 DOI：发布于 2022 年 6 月 30 日 https://...
基于全基因组测序的链霉菌属的表征。 6（4）：关注天然产品1 2 MarcelaProençaBorba1（0000-0003-4909-969X），JoãoPaulowitusk 1，DéboraMarchesan Cunha 1，Daiana deiana de Lima- 3 Mora-3 Morales 2,3 591-6514）4 5 1-农业和环境微生物学的研究生课程，基本健康科学研究所，6联邦大学里奥格兰德大学，巴西Porto Alegre，巴西Porto Alegre 7 2-生物信息知识从Porto Alegre开始阿雷格里、南里奥格兰德州、阿雷格里港、巴西 10 11 通讯作者：Marcela Proença Borba（ceh.proenca@gmail.com） 12 13 关键词 14 次生代谢产物、基因组挖掘、放线菌、生物合成基因簇、植物病原真菌。 15 16 数据摘要 17 该全基因组霰弹枪项目已存入 DDBJ/ENA/GenBank，登录号为 18 VIFW00000000。由于核苷酸序列数量巨大，在整个手稿和在线资源的补充数据中发现了数据库登录号。 20 21 摘要 22 我们对链霉菌属的整个基因组进行了测序。 6（4）是从番茄根部分离得到的，对植物病原真菌具有抗真菌活性，主要针对番茄根结线虫（Bipolaris sorokiniana）。该基因组有近 7 Mb 和 24 3,368 种假设蛋白质，这些蛋白质在 Uniprot 中进行了分析和表征，重点是 25 种生物化合物。为了表征和鉴定该分离株，进行了 MLST 分析，最终得到一种新的 ST，26 归类为 ST64。构建了表型和系统发育树来研究链霉菌属。 6(4)进化27和序列相似性，该分离株是与Streptomyces prasinus和Streptomyces viridosporus更接近的菌株。已知链霉菌属具有强大的代谢能力，并且存在隐秘基因。这 29 个基因通常以簇的形式存在，负责生产多种天然产物，其中主要是抗生素。此外，6（4）显示通过反SMASH扩增出11个生物合成基因簇，其中包括3个簇31PKS和NRPS类型。 32 33 34 简介 35
新课程
测验（占期末成绩的 15%）：测验占课程期末成绩的 15%，课程中涉及的每个主要主题有一次测验。期末测验成绩将计算为所有测验成绩的平均值。测验将包括 8-10 个多项选择题答案，用于测试相应主题所涵盖的事实概念。将根据需要分配阅读材料。期中报告（占期末成绩的 35%）：期中报告将重点关注课程第 2 部分中涵盖的主题，该部分涵盖了基本的合成生物学方法。将根据学生将所学技术应用于实际合成生物学研究场景的能力进行评估——包括分析的适当性和深度。期中报告将分为三个部分，每个学生被分配一个不同的人类酶进行报告。报告的第 1 部分涉及设计实验工作流程，将编码酶的基因克隆到大肠杆菌蛋白质表达骨架中。在第 2 部分中，学生选择从最合适的模型生物中纯化蛋白质的最佳策略，并提出实验工作流程。最后，在第 3 部分中，学生将设计用于 CRISPR/Cas9 的向导 RNA（gRNA），以促进人类细胞中指定基因的内源性敲除和表达调节。由于期中报告涵盖了课程的第 2 部分的全部内容，学生可以随着课堂上涉及相关主题而逐步完成期中报告的各个部分。期中报告的截止日期为 3 月 13 日，即完成期中报告所需的所有课堂材料后的一个月。期末报告（占期末成绩的 40%）：期末报告将要求学生应用课堂上涵盖的其余概念 - 即基于合成生物学基础的第 3、4 和 5 部分。该报告测试学生将合成生物学概念应用于实际研究场景的能力。评估将基于学生在报告中提供的分析的准确性，以及学生对期末报告各个方面理由的论证能力。期末报告将分为两部分：第 1 部分将包括使用生物信息学工具合理设计具有潜在更高酶活性的蛋白质突变体。学生将对期中报告中指定的相同酶进行这项工作。这将涉及访问 Uniprot 以获取已知蛋白质同源物的序列，使用多序列比对 (MSA) 和 BLAST 比较同源物的氨基酸序列，以及使用 AlphaFold 比较两个蛋白质同源物的三级结构。第 2 部分包括将指定的蛋白质与其他酶一起掺入代谢途径以产生小分子代谢物的提案。第 2 部分要求学生整合代谢途径工程的基本概念，以最大限度地提高代谢物的产量和产量。学生还必须讨论如何结合遗传电路设计方面，使这种工程代谢途径可由小分子药物控制，从而调节代谢物的产生。与期中报告类似，学生可以在课程的后半段逐步涵盖主题，从而完成期末报告。期末报告将于 4 月 22 日截止，即所有必要的课堂主题讲完三周后。课堂参与（占期末成绩的 10%）：学生将根据课堂出勤情况进行评分。此外，还将根据他们在讨论期间回答问题、提问和发表评论的参与程度进行评分。