Exemple ale proceselor si domeniilor diversificate privind algoritmii de analiza ale semnalelor biologice

 

Implementarea și evaluarea preferințelor individuale în expresia facială a robotului pe baza estimării emoțiilor folosind semnale biologice 

 https://pubmed.ncbi.nlm.nih.gov/34577529/

 

Articolul “Implementarea și evaluarea preferințelor individuale în expresia facială a robotului pe baza estimării emoțiilor folosind semnale biologice” publicat pe PubMed în anul 2021 se referă la utilizarea semnalelor biologice pentru a estima emoțiile și a implementa preferințele individuale în expresia facială a unui robot. Autorii propun o metodă care utilizează electroencefalograma (EEG) și electrocardiograma (ECG) pentru a estima emoțiile și pentru a le asocia cu expresiile faciale corespunzătoare ale robotului. Apoi, aceste expresii faciale sunt personalizate în funcție de preferințele individuale, astfel încât robotul să poată interacționa cu utilizatorii într-un mod mai autentic și personalizat.

                      Fig1. Maparea valorilor EEG (axa y) și HRV (axa x) pe placere (axa verticală) și valență (axa orizontală) în modelul circumplex al afectului lui Russell pentru a estima emoția.

 

Expresia facială a robotului a fost determinată diferit în funcție de următoarele trei condiții:

·        Sincronizat — expresia robotului este aceeași cu emoția estimată;

·        Sincronizat invers — expresia robotului este opusă emoției estimate;

·        Expresie amuzantă — robotul afișează o expresie amuzantă, indiferent de emoția estimată.

Fig 2. Trei condiții pentru determinarea expresiei faciale a robotului

   Pentru a evalua performanța metodei, autorii au realizat un studiu cu 14 participanți care au interacționat cu un robot echipat cu tehnologia propusă. Rezultatele au arătat că metoda a fost eficientă în estimarea emoțiilor și în implementarea preferințelor individuale în expresia facială a robotului, conducând la interacțiuni mai autentice și mai personalizate.

 

Fig3. Expresiile robot folosite in experiment

 

   În concluzie, autorii arată că utilizarea semnalelor biologice poate fi o metodă eficientă pentru estimarea emoțiilor și implementarea preferințelor individuale în expresia facială a robotului. Această abordare poate îmbunătăți interacțiunea uman-robot prin crearea de experiențe mai autentice și personalizate.

 

A graph-based approach for the visualisation and analysis of bacterial pangenomes

      https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-022-04898-2

 

Articolul publicat in octombrie 2022 intitulat „O abordare bazată pe grafice pentru vizualizarea și analiza pangenomurilor bacteriene” discută probabil o metodă sau tehnică pentru analizarea și vizualizarea pangenomurilor bacteriene folosind o abordare bazată pe grafice.

Un pangenom se referă la ansamblul complet de gene prezente într-un grup de organisme aparținând aceleiași specii. Pangenomurile bacteriene sunt deosebit de interesante deoarece pot varia semnificativ între diferite tulpini sau izolate ale aceleiași specii bacteriene. Analiza și înțelegerea pangenomului poate oferi informații despre diversitatea genetică și relațiile evolutive dintre diferitele tulpini bacteriene.

In acest articol au fost prezentate 2 cazuri de studiu:

Staphylococcus aureus si Legionella pneumophila.

Abordarea bazată pe grafice menționată în articol este probabil o metodă de calcul care reprezintă pangenomul ca un grafic, în care nodurile reprezintă gene sau elemente genetice, iar marginile reprezintă relații sau conexiuni între ele. Graficele sunt instrumente puternice pentru reprezentarea relațiilor complexe și pot fi folosite pentru a vizualiza și analiza date genomice la scară largă.

 

Folosind această abordare bazată pe grafice, cercetătorii pot descoperi tipare sau grupuri de gene care sunt unice pentru anumite tulpini sau grupuri de bacterii. De asemenea, ei pot fi capabili să identifice genele de bază care sunt prezente în toate tulpinile sau genele care sunt asociate cu funcții specifice sau trăsături fenotipice.

In cele din urma, studiul de caz prezentat în L. pneumophila demonstrează aplicarea acestor grafice de rețea în tandem pentru:

(1) identificarea diviziunilor într-o populație care reflectă variația conținutului de gene accesorii;

(2) să identifice genele specifice asociate cu acea diviziune și;

 (3) să stabilească contextul sintetic al acelor gene prin puterea de vizualizare.

Luate împreună, analiza a condus la identificarea unui element genetic mobil presupus asociat cu diviziunea geografică dintr-un număr limitat de clone patogene globale importante.

 

În general, acest articol prezintă o metodă nouă pentru vizualizarea și analiza pangenomurilor bacteriene folosind o abordare bazată pe grafice. Prin utilizarea acestei abordări, cercetătorii pot obține o înțelegere mai profundă a diversității genetice și a relațiilor evolutive din cadrul populațiilor bacteriene.

Instrumentele pentru pangenomuri Panaroo, PIRATE și PPanGGOLiN produc matrici de numărare a genelor care, așa cum este demonstrat aici, pot fi utilizate pentru a genera grafice în scopuri de analiză.

 

Identifying biomarkers for breast cancer by gene regulatory network rewiring

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8772043/#CR2

 

Rețeaua de reglare a genelor (GRN) este un model care caracterizează relația complexă dintre genele dintr-o celulă. Într-un GRN, nodurile reprezintă gene, iar marginile descriu relațiile de reglementare dintre ele. Dintr-o perspectivă fizică, interacțiunile dintre gene sunt prin produsele lor, cum ar fi proteinele și ARN-urile. Greutatea muchiei descrie direcția și puterea unei interacțiuni. Alternarea sau mutația unei gene poate afecta activitatea multor alte gene prin intermediul rețelei.

Cancerul este recunoscut ca o boală complexă cauzată de mutații genetice, care vor perturba interacțiunile normale dintre gene și vor duce la tulburarea modului de conectare sau a puterii. Cu alte cuvinte, mutațiile genelor provoacă perturbarea și recablarea GRN-urilor. Interacțiunile recablate generează schimbări în procesele biologice normale și acest lucru este crucial pentru cancerogeneză. Astfel, investigarea recablarii GRN este semnificativă în descoperirea potențialilor biomarkeri care indică anumite stări fenotipice.

 

În această lucrare, Este propus un cadru pentru identificarea potențialilor biomarkeri ai cancerului de sân pe baza reconectarii rețelei. Algoritmul CMI-PC (consistență condițională a căii bazate pe informații reciproce) este folosit pentru a șterge interacțiunile fals pozitive dintre gene sau perechi independente care nu sunt conectate strâns într-o anumită condiție din rețeaua de fundal integrativă. Comparând GRN-urile în cele două condiții fenotipice, se va extrage un GRN diferențial, numit D-GRN, care conține nodurile recablate cu reglementări diferențiale. În D-GRN, detectăm structurile comunității care sunt noduri conectate intens sub formă de module de subrețea. În cele din urmă, aplicăm regresia logistică cu eliminarea caracteristicilor recursive (LR-RFE) pentru a selecta biomarkeri în fiecare modul respectiv. Folosim validări încrucișate pentru a găsi individual numărul optim de biomarkeri. ASC maximă în acești biomarkeri bazați pe module atinge 0,985 în validarea internă. Biomarkerii selectați sunt, de asemenea, verificați în seturi de date externe independente și ating valoarea AUC maximă de 0,989 în clasificare.

 

După detectarea comunității, D-GRN a fost împărțit în 5 module (în secțiunea următoare). Pentru a ilustra recablarea rețelei în stare normală și de boală, Fig. 1a, b arată interacțiunile de reglare a genelor ale Modulului 4 în stare normală și, respectiv, în stare de boală. Figura 1c ilustrează această parte a D-GRN, incluzând 30 de noduri. Liniile negre, verzi și roșii reprezintă margini în comun, numai în rețeaua normală și, respectiv, numai în rețeaua bolii.

Figura de mai jos prezintă cadrul de identificare a biomarkerilor. Conține în principal trei pași. În primul rând, așa cum se arată în Fig. a, dobândește fundalul GRN prin cunoștințele noastre anterioare despre reglementările genelor la oameni. Este o rețea de reglementare nespecifică cu multe reglementări genetice redundante. Datele despre expresia genelor din probele normale și de boală sunt utilizate pentru a evalua interacțiunile gene-gene anterioare în fenotipuri specifice și pentru a elimina pe cele redundante din GRN de fundal. În al doilea rând, comparând GRN-urile normale și specifice bolii reconstruite din datele despre expresia genelor, putem identifica în mod clar secțiunile rețelei de recablare din cele două stări fenotipice. Un GRN diferenţial numit D-GRN poate fi extras prin compararea acestora. Algoritmul de detectare a comunității este apoi folosit pentru a găsi noduri strâns conectate sub formă de module, așa cum se arată în Fig. b. În al treilea rând, aplicăm o regresie logistică cu abordare de eliminare recursivă a caracteristicilor (LR-RFE) pentru a găsi gene biomarker așa cum se arată în Fig. c.

În concluzie, recablarea rețelei relevă diferențe semnificative între diferitele fenotipuri, ceea ce indică mecanisme disfuncționale ale cancerului. Odată cu dezvoltarea tehnologiei de secvențiere, cantitatea și calitatea datelor despre expresia genelor devin disponibile. Vor fi stabilite rețele de reglementare a genelor specifice condițiilor care sunt apropiate de reglementările reale din diferite state. Dezvăluirea recablarii rețelei va aduce mult beneficii descoperirii biomarkerilor sau semnăturilor pentru fenotipuri. D-GRN este o metodă generală pentru a satisface această cerere de descifrare a datelor de mare debit pentru descoperirea biomarkerilor. De asemenea, este ușor de extins pentru identificarea biomarkerilor altor boli complexe dincolo de cancerul de sân.