CNDM (Complex Networks and Data Mining)
شبکه‌های پیچیده و داده کاوی
CNDM (Complex Networks and Data Mining)
شبکه‌های پیچیده و داده کاوی
پزشکی شبکه
پزشکی شبکه[1] کاربرد علم شبکه[2] در جهت شناسایی، پیشگیری و معالجه بیماریها است. این زمینه بر استفاده از توپولوژی شبکه[3] و پویایی شبکه[4] در جهت شناسایی بیماریها و تولید داروهای پزشکی متمرکز است. شبکه‌های بیولوژیکی، مانند فعل و انفعالات پروتئین-پروتئین[5] و مسیرهای متابولیکی[6]، توسط پزشکی شبکه استفاده میشود. شبکه‌های بیماری[7]، که روابط بین بیماری ها و عوامل بیولوژیکی را ترسیم می کنند، نیز نقش مهمی در این زمینه دارند. اپیدمیولوژی با استفاده از علم شبکه نیز به طور گسترده مورد مطالعه قرار میگیرد. شبکه‌های اجتماعی و شبکه‌های حمل و نقل[8] برای مدلسازی شیوع بیماری در بین جمعیت استفاده میشود. پزشکی شبکه یک منطقه پزشکی متمرکز در زیستشناسی سیستم[9] است. معرفی این رشته را می توان در اینجا یافت: https://web.uniroma1.it/stitch/node/5613
زمینه
اصطلاح "پزشکی شبکه" در مقالهای علمی توسط آلبرت-لازلو باراباسی[10] به نام "شبکه پزشکی - از چاقی تا" بیماری "که در سال 2007 در مجله پزشکی نیوانگلند منتشر شد، ابداع و رایج شد. باراباسی بیان می کند که سیستم های بیولوژیکی، به طور مشابه با سیستم های اجتماعی و فنآوری، شامل بسیاری از مولفه ها است که در روابط پیچیدهای به هم متصل هستند اما با اصول ساده سازماندهی میشوند. با استفاده از توسعه اخیر نظریه شبکه، [1] میتوان اصول سازماندهی را با ارائه سیستم ها به عنوان شبکه های پیچیده، که مجموعه ای از گره ها که توسط یک رابطه خاص به یکدیگر متصل می شوند. برای شبکه های مربوط به پزشکی، گره ها نمایانگر عوامل بیولوژیکی (زیست مولکول ها[11]، بیماری ها، فنوتیپ ها[12] و غیره) و پیوندها (لبه ها) روابط آنها را نشان می دهد (فعل و انفعالات فیزیکی، مسیر متابولیک مشترک[13]، ژن مشترک[14]، مشترک صفت[15] و غیره). [۲]
سه شبکه کلیدی برای درک بیماری انسان شبکه متابولیک[16]، شبکه بیماری و شبکه اجتماعی است. پزشکی شبکه بر این ایده استوار است که درک پیچیدگی تنظیم ژن[17]، واکنش های متابولیکی[18] و فعل و انفعالات پروتئین-پروتئین و نشان دادن این موارد به عنوان شبکه های پیچیده، علل و مکانیسم بیماریها را روشن می کند. به عنوان مثال، می توان یک نمودار دو بخشی[19] را نشان داد که ارتباطات بیماریها با ژنهای مرتبط با آنها را با استفاده از پایگاه داده OMIM[20] استنباط می کند. [3] فرافکنی بیماریها، شبکه بیماریهای انسانی[21] (HDN) نامیده میشود، شبکهای از بیماریها است که در صورت اشتراک ژن مشترک به یکدیگر متصل میشوند. با استفاده از HDN می توان بیماریها را از طریق روابط ژنتیکی بین آنها طبقه بندی و تحلیل کرد. ثابت شده است که پزشکی شبکه ای ابزاری ارزشمند در تجزیه و تحلیل دادههای بزرگ زیست پزشکی است. [4]
زمینههای تحقیق
اینتراکتوم
مجموعه تعاملات مولکولی در سلول انسان، که به آن interactome نیز گفته میشود، میتواند برای شناسایی و پیشگیری از بیماری استفاده شود. [5] این شبکه ها از نظر فنی به عنوان شبکه‌های بدون مقیاس[22]، جداکننده[23]، جهان کوچک[24] طبقه بندی شده اند که دارای مرکزیت بین یکدیگر هستند. [۳]
فعل و انفعالات پروتئین-پروتئین با استفاده از پروتئینها به عنوان گره و فعل و انفعالات آنها بین یکدیگر به عنوان پیوند، نقشه برداری شده است. [7] این نقشه ها از پایگاه داده هایی مانند BioGRID و بانک اطلاعات مرجع پروتئین انسانی[25] استفاده می کنند. شبکه متابولیک شامل واکنشهای بیوشیمیایی در مسیرهای متابولیکی است، اگر دو متابولیت در یک مسیر باشند، به هم متصل می شوند. [8] محققان از پایگاه داده هایی مانند KEGG برای نقشه برداری از این شبکه ها استفاده کرده اند. شبکه های دیگر شامل شبکه های سیگنالینگ سلول[26]، شبکه های تنظیم کننده ژن[27] و شبکه های RNA هستند.
با استفاده از شبکه های تعاملی، می توان بیماریها را کشف و طبقه بندی کرد و همچنین از طریق آگاهی از ارتباطات آن و نقش آنها در شبکه ها، درمان هایی را توسعه داد. یک مشاهدات این است که بیماری ها را نمی توان براساس فنوتیپ های اصلی آنها (پاتوفنوتیپ[28]) طبقه بندی کرد بلکه بر اساس ماژول بیماری آنها، که یک محله یا گروهی از اجزای موجود در تعامل است، طبقه بندی می شود که در صورت اختلال، منجر به پاتوفنوتیپ خاصی می شود. از ماژولهای بیماری میتوان به روشهای مختلفی استفاده کرد، مانند پیشبینی ژن های بیماری که هنوز کشف نشده اند. بنابراین، پزشکی شبکه به دنبال شناسایی ماژول بیماری برای یک پاتوفنوتیپ خاص با استفاده از الگوریتمهای خوشه بندی است.
بیماری
مقاله اصلی: شبکه بیماریهای انسانی
شبکه‌های بیماریهای انسانی که به آن بیماری نیز گفته میشود، شبکههایی هستند که در آن گرهها بیماری هستند و پیوندها، قدرت همبستگی بین آنها است. این همبستگی معمولاً براساس مولفههای سلولی مرتبط که دو بیماری مشترک هستند، کمی میشود. اولین شبکه منتشر شده از بیماریهای انسانی (HDN) با بررسی ژنها، دریافت که بسیاری از ژنهای مرتبط با بیماری، ژنهای غیر ضروری هستند، زیرا این ژنها ژنی هستند که شبکه را به طور کامل بر هم نمیزنند و میتوانند به نسلها منتقل شوند. [ 3] شبکه‌های بیماری متابولیک (MDN)، که در آن دو بیماری توسط یک متابولیت مشترک یا مسیر متابولیک به هم متصل میشوند، همچنین به طور گسترده مورد مطالعه قرار گرفتهاند و به ویژه در مورد اختلالات متابولیکی مربوط هستند. [۹]
سه نمایانگر بیماری عبارتند از: [6]
· فرمالیسم مشترک ژن بیان میکند که اگر یک ژن با دو فنوتیپ مختلف بیماری مرتبط باشد، این دو بیماری احتمالاً منشا ژنتیکی مشترکی دارند (اختلالات ژنتیکی).
· فرمالیسم مسیر متابولیک مشترک بیان میکند که اگر یک مسیر متابولیکی به دو بیماری مختلف مرتبط باشد، این دو بیماری احتمالاً منشا متابولیکی مشترک دارند (اختلالات متابولیکی).
· فرمالیسم همراهی بیماری از شبکه‌های بیماری فنوتیپی (PDN) استفاده میکند، در صورتی که اگر همبودی[29] مشاهده شده بین فنوتیپهای آنها بیش از یک آستانه از پیش تعریف شده باشد، دو بیماری با هم مرتبط هستند. [10] این مکانیسم عملکرد بیماریها را بررسی نمیکند، اما پیشرفت بیماری و چگونگی ارتباط بیماریهای بسیار مرتبط با میزان بالاتر مرگ و میر را نشان میدهد.
برخی از شبکه‌های بیماری، بیماریها را به عوامل مرتبط خارج از سلول انسانی متصل میکنند. همچنین میتوان از شبکه‌های عوامل اتیولوژیکی محیطی و ژنتیکی مرتبط با بیماریهای مشترک که "اتیوم[30]" نامیده میشوند، برای ارزیابی خوشهبندی عوامل محیطی در این شبکهها و درک نقش محیط در تعامل استفاده کرد. [11] شبکه بیماری علائم و نشانه های انسانی (HSDN) ، منتشر شده در ژوئن 2014 ، نشان داد که علائم بیماری و اجزای سلولی مرتبط با بیماری به شدت با هم ارتباط دارند و بیماریهای همان گروهها با توجه به علائم آنها تمایل به تشکیل جوامع بسیار متصل دارند. [ ۱۲]
داروشناسی
مقاله اصلی: فارماکولوژی سیستمها
داروسازی شبکهای یک حوزه در حال توسعه است که در داروشناسی سیستمها مستقر است و به بررسی تأثیر داروها بر روی همدیگر و بیماری میپردازد. [13] شبکه هدف دارویی[31] (DTN) میتواند نقش مهمی در درک مکانیسم عملکرد داروهای تایید شده و تجربی داشته باشد. [14] دیدگاه نظریه شبکه در مورد داروها بر اساس تأثیر دارو در داروی متقابل، به ویژه منطقهای است که هدف دارو را اشغال میکند. درمان ترکیبی[32] برای یک بیماری پیچیده (پلی فارماکولوژی) در این زمینه پیشنهاد میشود، زیرا یک ماده دارویی فعال[33] (API) با هدف یک هدف ممکن است کل ماژول بیماری را تحت تأثیر قرار ندهد. [13] از مفهوم ماژولهای بیماری میتوان برای کمک به کشف دارو، طراحی دارو و ایجاد نشانگرهای زیستی[34] برای تشخیص بیماری استفاده کرد. [2] روشهای مختلفی برای شناسایی داروها با استفاده از داروشناسی شبکه وجود دارد. یک مثال ساده از این روش "احساس گناه توسط انجمن[35]" است. این بیان میکند اگر دو بیماری توسط یک دارو درمان شوند، دارویی که یک بیماری را درمان میکند ممکن است دیگری را درمان کند. [15] ترکیب مجدد دارو[36]، تداخلات دارویی-دارویی[37] و عوارض جانبی دارو نیز در این زمینه بررسی شده است. [2]
اپیدمیهای شبکه
اپیدمیهای شبکه با استفاده از علم شبکه در مدلهای همهگیر موجود ایجاد شده است، زیرا بسیاری از شبکه‌های حمل و نقل و شبکه‌های اجتماعی در شیوع بیماری نقش دارند. [16] از شبکه‌های اجتماعی برای ارزیابی نقش روابط اجتماعی در شیوع چاقی در جمعیت استفاده شده است. [17] مدلها و مفاهیم اپیدمیک، مانند گسترش و ردیابی تماس، برای استفاده در تحلیل شبکه سازگار شدهاند. [18] این مدلها میتوانند در سیاستهای بهداشت عمومی، به منظور اجرای استراتژیهایی مانند ایمنسازی هدفمند[38] [19] مورد استفاده قرار گیرند و اخیراً برای مدلسازی شیوع ویروس ابولا در غرب آفریقا در سراسر کشورها و قارهها استفاده شده است. [۲۰, ۲۱]
شبکه‌های دیگر
تکامل اندامها [22] و سایر سیستمهای بیولوژیکی را میتوان به عنوان ساختارهای شبکهای الگوسازی کرد که در آن مشخصات بالینی (به عنوان مثال رادیوگرافی، عملکردی) را میتوان به عنوان گره و روابط بین این ویژگیها را به عنوان پیوند میان این گرهها نشان داد. [23 ] بنابراین، می توان از شبکهها برای مدلسازی نحوه تعامل پویای سیستمهای ارگانها استفاده کرد.
پیادهسازی آموزشی و بالینی
بخش Channing پزشکی شبکه در بیمارستان Brigham and Women در سال 2012 برای مطالعه، طبقهبندی مجدد و توسعه درمانهای بیماریهای پیچیده با استفاده از علم شبکه و زیستشناسی سیستم ایجاد شد. [24] این برنامه در سه زمینه تمرکز دارد:
· اپیدمیولوژی بیماریهای مزمن از مطالعات ژنومیک و متابولومیک در مطالعات اپیدمیولوژی طولانی مدت، مانند مطالعه بهداشت پرستاران[39]، استفاده میکند.
· سیستمهای ژنتیک و ژنومیک در مطالعات کم جمعیتی بر بیماریهای پیچیده تنفسی[40]، به ویژه COPD و آسم متمرکز هستند.
· سیستم آسیبشناسی برای درک بیماریهای پیچیده و هدایت طراحی نشانگرهای زیستی از رویکردهای چند رشتهای، از جمله به عنوان تئوری کنترل[41]، سیستمهای دینامیکی و بهینهسازی ترکیبی[42] استفاده میکند. [۲۵]
موسسه فناوری ماساچوست یک دوره کارشناسی را تحت عنوان "پزشکی شبکه: استفاده از سیستمهای زیستشناسی و شبکه‌های سیگنالینگ برای ایجاد روشهای درمانی جدید سرطان" ارائه میدهد. [26] همچنین، هاروارد کاتالیست (مرکز علوم بالینی و ترجمه هاروارد) یک دوره سه روزه با عنوان "مقدمه ای در پزشکی شبکه" را ارائه میدهد که برای متخصصین بالینی و علوم دارای درجه دکتری آزاد است.
مراجع
1. Caldarelli G. (2007). Scale-Free Networks. Oxford University Press.
2. ^ Jump up to:a b c Chan, S. Y., & Loscalzo, J. (2012). The emerging paradigm of network medicine in the study of human disease. Circulation research, 111(3), 359–374.
3. ^ Jump up to:a b Goh, K. I., Cusick, M. E., Valle, D., Childs, B., Vidal, M., & Barabási, A. L. (2007). The human disease network. Proceedings of the National Academy of Sciences, 104(21), 8685–8690.
4. ^ Sonawane, Abhijeet R.; Weiss, Scott T.; Glass, Kimberly; Sharma, Amitabh (2019). "Network Medicine in the Age of Biomedical Big Data". Frontiers in Genetics. 10: 294. doi:10.3389/fgene.2019.00294. ISSN 1664-8021. PMC 6470635. PMID 31031797.
5. ^ Jump up to:a b Barabási, A. L., Gulbahce, N., & Loscalzo, J. (2011). Network medicine: a network-based approach to human disease. Nature Reviews Genetics, 12(1), 56–68.
6. ^ Jump up to:a b Loscalzo, J., & Barabasi, A. L. (2011). Systems biology and the future of medicine. Wiley Interdisciplinary Reviews: Systems Biology and Medicine, 3(6), 619–627.
7. ^ Rual, J. F., Venkatesan, K., Hao, T., Hirozane-Kishikawa, T., Dricot, A., Li, N., ... & Vidal, M. (2005). Towards a proteome-scale map of the human protein–protein interaction network. Nature, 437(7062), 1173–1178.
8. ^ Ravasz, E., Somera, A. L., Mongru, D. A., Oltvai, Z. N., & Barabási, A. L. (2002). Hierarchical organization of modularity in metabolic networks. science, 297(5586), 1551–1555.
9. ^ Braun, P., Rietman, E., & Vidal, M. (2008). Networking metabolites and diseases. Proceedings of the National Academy of Sciences, 105(29), 9849–9850.
10. ^ Hidalgo, C. A., Blumm, N., Barabási, A. L., & Christakis, N. A. (2009). A dynamic network approach for the study of human phenotypes. PLoS Computational Biology, 5(4), e1000353.
11. ^ Liu, Y. I., Wise, P. H., & Butte, A. J. (2009). The "etiome": identification and clustering of human disease etiological factors. BMC bioinformatics, 10(Suppl 2), S14.
12. ^ Zhou, X., Menche, J., Barabási, A. L., & Sharma, A. (2014). Human symptoms–disease network. Nature Communications, 5.
13. ^ Jump up to:a b Hopkins, A. L. (2008). Network pharmacology: the next paradigm in drug discovery. Nature Chemical Biology, 4(11), 682–690.
14. ^ Yıldırım, M. A., Goh, K. I., Cusick, M. E., Barabási, A. L., & Vidal, M. (2007). Drug—target network. Nature biotechnology, 25(10), 1119–1126.
15. ^ Chiang, A. P., & Butte, A. J. (2009). Systematic evaluation of drug–disease relationships to identify leads for novel drug uses. Clinical Pharmacology & Therapeutics, 86(5), 507–510.
16. ^ Pastor-Satorras, R., & Vespignani, A. (2001). Epidemic spreading in scale-free networks. Physical review letters, 86(14), 3200.
17. ^ Christakis, N. A., & Fowler, J. H. (2007). The spread of obesity in a large social network over 32 years. New England Journal of Medicine, 357(4), 370–379.
18. ^ Keeling, M. J., & Eames, K. T. (2005). Networks and epidemic models. Journal of the Royal Society Interface, 2(4), 295–307.
19. ^ Pastor-Satorras, R., & Vespignani, A. (2002). Immunization of complex networks. Physical Review E, 65(3), 036104.
20. ^ Gomes, M. F., Piontti, A. P., Rossi, L., Chao, D., Longini, I., Halloran, M. E., & Vespignani, A. (2014). Assessing the international spreading risk associated with the 2014 West African Ebola outbreak. PLOS Currents Outbreaks.
21. ^ "Disease modelers project a rapidly rising toll from Ebola".
22. ^ P. Auconi, G. Caldarelli, A. Scala, G. Ierardo, A. Polimeni (2011). A network approach to orthodontic diagnosis, Orthodontics and Craniofacial Research 14, 189-197 .
23. ^ Scala,A. Auconi,P., Scazzocchio,M., Caldarelli,G., McNamara,J., Franchi,L. (2014). Complex networks for data-driven medicine: the case of Class III dentoskeletal disharmony, New J. Phys. 16 115017
24. ^ "Channing Division of Network Medicine".
25. ^ "Yang-Yu Liu – Harvard Catalyst Profiles – Harvard Catalyst".
26. ^ Dr. Michael Lee. "Network Medicine: Using Systems Biology and Signaling Networks to Create Novel Cancer Therapeutics". MIT OpenCourseWare.
27. ^ "Introduction to Network Medicine – Harvard Catalyst".
[1] Network Medicine
[2] Network Science
[3] Network Topology
[4] Network Dynamics
[5] Protein-Protein Interactions
[6] Metabolic Pathways
[7] Disease Networks
[8] Transportation Networks
[9] Systems Biology
[11] Biomolecules
[12] Phenotypes
[13] Shared Metabolic Pathway
[14] Shared Gene
[15] Shared Trait
[16] Metabolic Network
[17] Gene Regulation
[18] Metabolic Reactions
[19] Bipartite Graph
[20] Online Mendelian Inheritance in Man
[21] Human Disease Network
[22] Scale-Free
[23] Disassortative
[24] Small-World Networks
[25] Human Protein Reference Database
[26] Cell Signaling
[27] Gene Regulatory Networks
[28] Pathophenotype
[29] Comorbidity
[30] Etiome
[31] Drug-Target Network
[32] Combination Therapy
[33] Active Pharmaceutical Ingredient
[34] Biomarkers
[35] Guilt By Association
[36] Drug Repurposing
[37] Drug-Drug Interactions
[38] Targeted Immunization
[39] Nurses’ Health Study
[40] Complex Respiratory Diseases
[41] Control Theory
[42] Combinatorial Optimization
