Articole AASSB - Echipa FCSB

 Articolul I: Algoritmi avansați de analiză bioinformatică pentru structura și funcția glutamina sintetazei (GS)

În lucrarea "Analiza bioinformatică a structurii și funcției Glutaminei sintetazei (GS) din bacteriile din gheața mării Antarctice Pseudoalteromonas sp. M175", autorii au investigat enzima GS (Glutamine sintetaza) prezentă în bacteriile Pseudoalteromonas sp. M175, care trăiesc în gheața mării Antarctice. Ei au utilizat abordări bioinformatică pentru a analiza secvența genetică, structura proteinelor și funcțiile posibile ale acestei enzime. Glutamina sintetaza (GS) este o enzimă cheie implicată în metabolismul azotului în celulele organismelor. Aceasta catalizează conversia L-glutaminei și a amoniacului în L-glutamat, fiind esențială în sinteza glutaminei și în reglarea ciclului azotului.

În primul rând, autorii au realizat o analiză bioinformatică a secvenței genetice a GS din Pseudoalteromonas sp. M175, utilizând diferite programe de analiză a secvențelor și baze de date de secvențe. Această analiză a permis identificarea genelor asociate cu GS, precum și identificarea posibilelor regiuni funcționale și domenii proteice implicate în activitatea enzimei.

În continuare, autorii au investigat structura proteinelor GS din Pseudoalteromonas sp. M175 utilizând modele de predicție a structurii proteice și metode de analiză a proteinelor. Aceasta a oferit informații detaliate despre structura tridimensională a proteinei GS și a dezvăluit posibilele legături între structura sa și funcția sa enzimatică. De asemenea, autorii au efectuat analize comparative ale secvențelor genetice și structurii proteinelor GS din Pseudoalteromonas sp. M175 cu GS din alte organisme, în special cu organisme extremofile, adaptate la condițiile de mediu extreme din Antarctica. Aceste analize au furnizat indicii despre evoluția și adaptarea GS la condițiile specifice ale ghețarilor mării Antarctice.

În plus, autorii au realizat analize funcționale ale GS din Pseudoalteromonas sp. M175, inclusiv analize ale căilor metabolice și a interacțiunilor proteice în care aceasta este implicată. Aceste analize au oferit o înțelegere mai detaliată a funcțiilor enzimei GS în contextul bacteriilor din gheața mării Antarctice și a potențialului său rol în adaptarea acestor organisme la condițiile extreme ale mediului înconjurător.

În final, autorii au sintetizat și au interpretat rezultatele obținute din analizele bioinformatică, structurală și funcțională ale GS din Pseudoalteromonas sp. M175, evidențiind importanța acestei enzime în adaptarea bacteriilor la mediul Antarctic extrem. Această lucrare contribuie la înțelegerea mecanismelor moleculare implicate în adaptarea la condiții extreme și oferă informații valoroase pentru cercetările ulterioare în domeniul biotehnologiilor și bioprospectării din Antarctica.

Bibliografie:

https://arxiv.org/ftp/arxiv/papers/2204/2204.11026.pdf

Articolul II: Network and Sequence-Based Prediction of Protein-Protein Interactions, Leonardo Martini, Adriano Fazzone, Luca Becchetti

Lucrarea "Network and Sequence-Based Prediction of Protein-Protein Interactions" se concentrează pe dezvoltarea unei abordări integrate pentru a prezice interacțiunile proteină-proteină (PPIs) din datele rețelelor și secvențelor proteice. Înțelegerea PPI-urilor este esențială pentru înțelegerea funcționării sistemelor biologice, iar această lucrare propune o metodologie îmbunătățită pentru a face acest lucru.

Metodologia implică două abordări principale: una bazată pe rețele și cealaltă bazată pe secvențe. Abordarea bazată pe rețele implică construirea unei rețele de interacțiuni proteice și calcularea caracteristicilor de rețea, cum ar fi gradul nodului și coeficientul de clusterizare. Abordarea bazată pe secvențe implică utilizarea informațiilor de secvență, cum ar fi domeniile proteice și anotările funcționale, pentru a calcula caracteristici bazate pe secvențe.

Autorii combină aceste caracteristici și folosesc tehnici de învățare automată pentru a prezice PPIs. În special, au folosit un algoritm de clasificare random forest pentru a prezice dacă o pereche de proteine interacționează sau nu. Acest algoritm de clasificare a fost antrenat pe un set de date de referință și a fost apoi testat pe seturi de date independente pentru a evalua performanța metodei.

Abordarea bazată pe rețele a constat în construirea unei rețele de interacțiuni proteice bazată pe date experimentale și predictii bazate pe secvență. Aceasta rețea a fost apoi caracterizată prin intermediul unor caracteristici de rețea, cum ar fi gradul nodului, centralitatea dintreagă și coeficientul de clusterizare. În plus, s-a utilizat o metodă de clustering a nodurilor pentru a identifica modulele de interacțiuni proteice și a evalua rolul lor în rețeaua globală.

Abordarea bazată pe secvențe a implicat utilizarea de informații de secvență, cum ar fi domeniile proteice și anotările funcționale, pentru a calcula caracteristici specifice secvențelor, cum ar fi similaritatea secvențelor și similaritatea domeniilor proteice. Aceste caracteristici au fost utilizate în combinație cu caracteristicile de rețea pentru a prezice PPIs.

În principiu, această lucrare își propune:

1. Propunerea unei abordări integrate pentru a prezice interacțiunile proteină-proteină (PPIs) din datele rețelelor și secvențelor proteice. Acest lucru implică combinarea informațiilor din rețelele de interacțiuni proteice cu informațiile de secvență, precum domeniile proteice și anotările funcționale, pentru a prezice PPIs.

2. Construirea unei rețele de interacțiuni proteice bazate pe date experimentale și predicții bazate pe secvență. Această rețea a fost caracterizată prin intermediul unor caracteristici de rețea, cum ar fi gradul nodului, centralitatea întreagă și coeficientul de clusterizare.

3. Utilizarea unei metode de clustering a nodurilor pentru a identifica modulele de interacțiuni proteice și a evalua rolul lor în rețeaua globală.

4. Utilizarea de informații de secvență, cum ar fi domeniile proteice și anotările funcționale, pentru a calcula caracteristici specifice secvențelor, cum ar fi similaritatea secvențelor și similaritatea domeniilor proteice.

5. Folosirea de tehnici de învățare automată, cum ar fi un algoritm de clasificare random forest, pentru a prezice PPIs. Acest algoritm de clasificare a fost antrenat pe un set de date de referință și a fost apoi testat pe seturi de date independente pentru a evalua performanța metodei

6. Evaluarea metodei propuse pe mai multe seturi de date și compararea cu alte metode de ultimă generație pentru predicția PPI. Rezultatele au arătat că abordarea propusă este mai precisă decât alte metode existente și are potențialul de a fi folosită în descoperirea de medicamente și înțelegerea mecanismelor subiacente ale sistemelor biologice.

Metodologia propusă a fost evaluată pe mai multe seturi de date și a fost comparată cu alte metode de ultimă generație pentru predicția PPI. Rezultatele au arătat că abordarea lor este mai precisă decât alte metode existente și are potențialul de a fi folosită în descoperirea de medicamente și înțelegerea mecanismelor subiacente ale sistemelor biologice.

În general, această lucrare propune o metodologie inovatoare pentru a prezice PPIs din datele rețelelor și secvențelor proteice și oferă o abordare integrată care combină informațiile din rețelele de interacțiuni proteice cu informațiile de secvență pentru a îmbunătăți performanța prezicerii. Această abordare are potențialul de a fi folosită în descoperirea de medicamente și înțelegerea mecanismelor subiacente ale sistemelor biologice.

Bibliografie:

https://arxiv.org/pdf/2107.03694.pdf

Articolul III: Machine Learning and Bioinformatics for Diagnosis Analysis of Obesity Spectrum Disorders, Amin Gasmi

Lucrarea "Machine Learning and Bioinformatics for Diagnosis Analysis of Obesity Spectrum Disorders" scrisă de Amin Gasmi discută utilizarea tehnicilor de învățare automată și bioinformatică pentru a diagnostica și analiza tulburările din spectrul obezității. Autorul notează că obezitatea este o tulburare complexă care este influențată de mulți factori, inclusiv de genetică, mediu și stil de viață. Ca atare, poate fi dificil de diagnosticat și de tratat cu precizie.

Învățarea automată și bioinformatica oferă noi instrumente pentru a ajuta la diagnosticarea și tratarea mai eficientă a obezității. Aceste tehnici permit cercetătorilor să analizeze seturi mari de date și să identifice modele și corelații care ar putea să nu fie imediat evidente cu ajutorul analizei statistice tradiționale. Prin utilizarea acestor instrumente, cercetătorii pot obține informații despre cauzele care stau la baza obezității, pot dezvolta criterii de diagnosticare mai precise și pot crea planuri de tratament personalizate pentru pacienți.

Documentul trece în revistă mai multe studii care au utilizat tehnici de învățare automată pentru a clasifica persoanele cu diferite niveluri de obezitate și pentru a prezice riscul acestora de a dezvolta tulburări conexe, cum ar fi diabetul și bolile cardiovasculare. De exemplu, un studiu a utilizat un algoritm de tip mașină de vectori de sprijin pentru a prezice riscul de diabet de tip 2 la pacienții obezi. Algoritmul a reușit să prezică cu precizie riscul de diabet în 70% din cazuri, demonstrând potențialul tehnicilor de învățare automată pentru a îmbunătăți diagnosticarea și tratamentul.

Autorul discută, de asemenea, despre potențialul integrării datelor genetice și epigenetice cu algoritmii de învățare automată pentru a îmbunătăți acuratețea diagnosticării obezității și a tratamentului personalizat. Prin analiza datelor genetice și epigenetice, cercetătorii pot identifica factorii genetici și de mediu care contribuie la obezitate și pot folosi aceste informații pentru a dezvolta planuri de tratament mai personalizate.

Lucrarea se încheie prin sublinierea necesității de a continua cercetările și colaborarea între experți din diferite domenii pentru a realiza pe deplin potențialul învățării automate și al bioinformaticii în lupta împotriva obezității. Autorul notează că aceste tehnici oferă noi oportunități interesante pentru a înțelege și a trata obezitatea mai eficient, dar că sunt necesare mai multe cercetări pentru a le explora pe deplin potențialul.

În general, lucrarea oferă o prezentare cuprinzătoare a stadiului actual al cercetării în domeniul învățării automate și al bioinformaticii pentru diagnosticarea și analiza obezității. Autorul evidențiază potențialul acestor tehnici de a îmbunătăți diagnosticul și tratamentul și subliniază necesitatea de a continua cercetările și colaborarea pentru a le valorifica pe deplin potențialul.

Bibliografie:

https://arxiv.org/abs/2208.03139