فهرست مطالب
شبیه‌سازی فرایندهای بیولوژیکی با استفاده از روش‌های بیوانفورماتیکی جهت بهینه‌سازی
دستاوردهای بیوانفورماتیکی برای شبیه‌سازی فرایندهای بیولوژیکی می‌توانند از راه‌های مختلفی گسترش پیدا کنند؛ به‌طور مثال آنالیزهایی برمبنای شبکه‌ها و محاسبات ریاضی: در این مدل‌سازی با استفاده از شبکه‌ها و نقاطی که در آنها وجود دارد و نشان‌دهنده‌ی وجود یک مسیر بیولوژیکی است، روابط بین آنها کشف و مشاهده میشود. روش‌های محاسباتی و کامپیوتری زیادی به‌دست آمده‌اند که با استفاده از آنها میتوان مسیرهای بیولوژیکی را مطالعه کرد؛ دلیل این تنوع، تعداد زیاد مسیرهای بیوشیمیایی و پیچیدگی آنها می‌باشد.
شبکه‌ها در همه‌جای زندگی ما وجود دارند؛ شبکه‌های اجتماعی، شبکه جهانی و بسیاری از شبکه‌های دیگر! از این اصطلاح، میتوان برای برهمکنش‌های بیولوژیکی نیز استفاده کرد. چرخه‌ها و مسیرهای بیولوژیکی، نشان‌دهنده‌ی یک سری برهمکنش‌های بین مولکولی هستند که در یک سلول و تحت شرایط متفاوت منجر به عملکردهای داخل سلول می‌شوند. سیگنال‌های خارج سلولی باعث ایجاد واکنش‌های شیمیایی در مسیرهای بیولوژیکی شده که در نهایت عمل خاصی را در سلول ایجاد می‌کنند. در طول دهه گذشته، دستاوردهایی در مقیاس‌های بزرگ آزمایشگاهی، کامپیوتری برای رمزگشایی از مسیرهای متابولیک، مسائل مربوط به ژنتیک استفاده شده‌اند. مسیرهای سیگنالینگ سلولی، باعث ایجاد واکنش‌های شیمیایی ایجاد شده توسط سیگنال‌های خارج سلولی در گیرنده‌های داخل سلول می‌شوند. به‌طور مثال شبکه بیان ژن با استفاده از فاکتورهای منحصر به‌فردی که دارد برهمکنش‌های خاصی را بین ژن و فاکتورهای رونویسی ایجاد می‌کنند. متابولیت‌ها در مسیرهای متابولیکی با یکدیگر و با کمک آنزیم‌ها، برهمکنش‌های خاصی را شکل می‌دهند. سیگنال‌های شیمیایی متفاوت، باعث تحریک و برانگیخته‌شدن پروتئین‌های متفاوتی می‌شوند.
آنالیزهای بیوانفورماتیکی که توسط دیتاها به دست آمده‌اند!
با پیشرفت هرروزه‌ی تکنیک‌های مختلف، تکنیک‌های اومیکس (omics) توانسته‌اند کمک زیادی در فهم عمیق‌تر سیستم بیولوژی به انجام برسانند. دیتاهای مختلفی که از طریق تکنیک‌هایی از جمله: ترنسکریپتومیکس، پروئتومیکس، متابولومیکس و ژنومیکس به‌دست آمده‌اند برای استفاده در مدل‌سازی مسیرهای مختلف پیشنهاد شده‌اند. در واقع تکنیک‌های اومیکس به مجموعه تکنیک‌هایی گفته میشود که برای تحقیق و فهم بیوماکرومولکول‌های درون سلول استفاده می‌شوند. شاخه‌های زیادی از علم روش‌های اومیکس وجود دارد که تعدادی که ذکر شد در ادامه توضیح داده خواهند شد.
تکنیک اول: متابولومیکس
متابولومیکس سومین تکنیک و جامع‌ترین تکنیک‌های گفته‌شده می‌باشد؛ در واقع روش‌های ترنسکریپتومیکس و پروتئومیکس و ژنومیکس از زیرمجموعه‌های این روش می‌باشند. کشف و فهم مکانیزم پاتوبیولوژیکی هر بیماری یکی از مهم‌ترین و اصلی‌ترین پله‌های پژوهش‌های بالینی است؛ متابولومیکس در واقع می‌تواند برای فهم بیماری‌ها و نشانه‌های ظاهری مربوط به مشکلات متابولیسمی بسیار کمککننده باشد. متابولومیکس، در واقع متابولیسم سلولها، بافت‌ها و در کل، ارگانیسم را مطالعه می‌کند.
برای اطلاعات بیشتر، اینجا بخوانید!
با استفاده از روش‌های خاصی، می‌توانند تغییراتی را که در سطح سلول و در جرم مولکول‌ها و نشانه‌های مربوط به ژن‌ها و نامربوط به آنها در زمینه‌ی بیماری‌ها رخ می‌دهد را اندازه‌گیری کنند. به دلیل پیچیدگی متابولیسم هر سلول و طیف گسترده‌ای از ویژگی‌های فیزیک‌وشیمیایی بیشتر از یک روش تحلیلی و آنالیزی لازم است. روش‌های آزمایشگاهی زیادی در این زمینه وجود دارند که از جمله آنها میتوان به NMR و اسپکترومتری جرمی و انواع کروماتوگرافی اشاره کرد؛ اما علاوه بر این روش‌ها، روش‌های بیوانفورماتیکی دیگری برای شبیه‌سازی مسیرهای بیولوژیکی و در نتیجه رسیدن به هدف مورد نظر وجود دارد که نرم‌افزارهای بسیار پیچیده‌ایی می‌باشند. اولین مرحله در مطالعات بیوانفورماتیکی، استفاده از تکنیک‌های مختلف برای طبقه‌بندی و شناختن انواع مختلف متابولیت‌هاست. دومین مرحله، در واقع پیش پردازش سیگنال‌های سلولی است که با نرم‌افزارهای خاصی این مرحله انجام می‌گیرد. مرحله‌ی سوم، داده‌ها آماده‌اند و البته که به مرحله‌ی کنترل کیفیت وارد می‌شویم. در این مرحله داده‌ها به خوبی بررسی‌شده تا در صورت بروز هرگونه مشکل از ورود به مرحله‌ی بعد جلوگیری شود و اکر مشکلی وجود داشته باشد، از داده‌ها حذف خواهد شد. دستاوردهایی که آنالیزهای آماری با استفاده از نرم افزارهای بیوانفورماتیکی به دست آورده‌اند، به پژوهشگران کمک زیادی در جهت هرگونه تغییرات متابولیت‌ها در شرایط غیرنرمال می‌باشد. روش‌های آماری سنتی دارای محدودیت‌هایی بودند؛ از جمله این محدودیتها میتوان به قراردادن این آمارها فقط در حوزه‌ی ریاضی اشاره کرد؛ در واقع این روش‌های سنتی آمارهای به‌دست آمده را به داده‌ها و مسائل بیولوژیکی نزدیک نمی‌کردند.
تکنیک دوم: ترنسکریپتومیکس
ترنسکریپتومیکس، مطالعه تمام مولکول‌های ریبونوکلئیک اسید است که در سلول، بافت‌ها و یا در یک ارگانیسم بیان می‌شوند. این تکنیک، همه‌چیز مربوط به RNA را در برمی‌گیرد که شامل: رونویسی و بیان، عملکرد و محل عملکرد آنها می‌باشد. ترنسکریپتومیکس در واقع یک راه حل و روش جامع برای درک نحوه‌ی بیان و پیوند ژن‌ها ایجاد کرده است. در طول سه دهه گذشته، پیشرفت‌های حوزه‌ی مدل‌سازی باعث نگاهی جدید به ترنسکریپتومیکس شده و باعث کشف موارد جدیدتری در این حوزه شده است.
روش‌ها و الگوریتم‌های زیادی به طراحی شده و به وجود آمده‌اند تا بتوانند ارتباطات بین داده‌های داخل سلولی مربوط به بیان ژن‌ها را کشف و توضیح دهند؛ پیش از اینکه به یکی از این روش‌ها بپردازیم لازم به ذکر است که پروتئین‌های کدگذاری شده توسط ژن‌های هم بیان، بیشتر احتمال دارد که در یک مسیر برهم کنش داشته باشند و حتی الگوهای بیان مشابهی با توجه به مسیر عملکرد بیولوژیکی داشته باشند، روشی که در ادامه به آن می‌پردازیم از همین موضوع پیروی می‌کند. البته باید بدانیم که روش‌های متعددی بر پایه‌ی همین موضوع، عمل می‌کنند. روش ضریب همبستگی پیرسون یا PCC یک روش استاندارد برای اندازه‌گیری میزان هم‌بیانی است که برپایه‌ی یک رابطه‌ی خطی بین میزان بیان ژن‌ها و شرایط مختلف، میزان بیان آنها را اندازه‌گیری می‌کند؛ همچنین مطالعات ترنسکریپتومیکس می‌توانند دیدگاه جدیدی را درباره‌ی عملکرد سلولی نشان دهند؛ دیدگاهی که با هیچ تکنیک اومیکس دیگری قابل دست‌یابی نیست!
تکنیک سوم: پروتئومیکس
مطالعات پروتئوم یا همان مطالعات تمام پروتئین‌هایی که در یک لحظه‌ی خاص در سلول وجود دارند در دهه‌های گذشته روی ساکارومایسس سریوزیه انجام شده بود. تعاملات بین پروتئین‌ها در واقع همان نشان‌دهنده‌ی وجود یک اتحاد و یکپارچگی در سیستم سلولی است و همچنین مطالعات کامپیوتری و آزمایشگاهی پروتئین‌ها در واقع می‌تواند یک قدم مهم در راه بازسازی مسیرها و چرخه‌های بیولوژیکی باشد. روش‌های بیوانفورماتیکی زیادی برای مطالعات تعاملات پروتئین-پروتئین به ثبت رسیده‌است. حتی بعضی از این روش‌ها می‌توانند با استفاده از داده‌های ترنسکریپتومیکس، تعاملات پروتئین-پروتئین را مطالعه نمایند. به‌طور مثال دانشمندان روشی را برای شناخت و درک تعاملات پروتئین‌ها و بیان ژن در زیرمجموعه‌ی شبکه‌های ارتباطی سلولی و همچنین مسیرهای سیگنالینگ در شرایط مختلف، ارائه کردند. آنها در ابتدا، هر کدام از زیرمجموعه‌های شبکه‌های ارتباطی را بر اساس میزان تغییرات محسوس در بیان ژن در شبکه‌های ارتباطی، طبقه‌بندی کردند. آنها طراحی‌هایی در زمینه میزان قوی بودن تعاملات پروتئینی براساس همبستگی بین جفت ژن‌ها و بیان آنها انجام دادند. با استفاده از این طراحی‌ها و روش‌های انفورماتیکی و آزمایشگاهی آنها در نهایت توانستند به یک فریم ورک (چهارچوب) نهایی در این زمینه دست پیدا کنند که تمام ژن‌هایی که از لحاظ ژنتیکی و بیولوژیکی همبستگی زیادی داشتند و از آنها در مطالعات بر روی پروتئین‌ها استفاده شده بود نهایتا در این فریم‌ورک طراحیشده، قرار گرفتند؛ با این روش‌ها مشخص شد که ارتباطات بین پروتئین‌ها و بیان ژن‌ها می‌توانند برای مطالعات در زمینه‌های مختلف استفاده شوند.
تکنیک چهارم: ژنومیکس
در ابتدا باید تعرفی از ژنومیکس ارائه دهیم. ژنومیکس در واقع مطالعه همه‌ی قسمتهای توالی‌های ژنی و اپی‌ژنتیکی و یا قسمتی از آنهاست. در واقع ژنومیکس، تلاش برای فهم و درک عملکرد و ساختار این توالی‌ها و ساختارهای بیولوژیکی پایین‌دست‌تر است. ژنومیکس نقش بسیار مهمی در سلامت و پزشکی دارد و می‌تواند در آزمایشات مربوط به مکانیسم‌های مولکولی و نقشها مولکول‌ها در زمینه‌ی بیماری‌ها دخیل باشد. ژنوم انسان فقط ژن‌های خود انسان نیست و این ژنوم کاملا تحت تاثیر گیاهان، جانوران و پاتوژن‌ها و دیگر موجودات است و در واقع مطالعات ژنومی انسان، مطالعات همه‌ی این موارد را در برمی‌گیرد. لازم به ذکر است مطالعات ژنومیکس با مطالعات ژنتیکی کاملا متفاوت هستند؛ ژنتیک مطالعه وراثت است و ژنومیکس مطالعه ژن‌ها و عملکرد آنها.
یکی از روش‌هایی که در مطالعات ژنومیکس استفاده میشود، روش توالی یابی NGS است. روش‌های بیوانفورماتیکی که امروزه برای مدل‌سازی‌های زیستی استفاده می‌شوند یکی از مسائل پرطرفدار روز می‌باشند. برای مثال برای درمان بیماری HIV گروهی از دانشمندان، برنامه کامپیوتری را طراحی کردند که می‌توانست اثرات درمان و موثر بودن یا نبودن درمان‌های مختلف را پیشبینی کند. یا مثالی دیگر از برنامه‌های کامپیوتری طراحیشده میتوان به برنامه‌ی کامپیوتری اشاره کرد که جفت شدن لیگاند و پروتئین را پیشبینی می‌کرد. این متد بر اساس شباهت آنالیز توالی‌های موضعی با پروتئین‌های آنالیزشده‌ی خاصی پایه‌گذاری شده بود. پیشرفت‌هایی که در سال‌های اخیر در زمینه‌ی ژنومیکس و یا حتی ژنتیک اتفاق افتاده‌اند تا حد زیادی برمبنای تکنیک‌ها و برنامه‌های کامپیوتری و بیوانفورماتیکی جلو رفته است.
همچنین بخوانید: رشته‌ی بیوانفورماتیک
نتیجه‌گیری
با توجه به همه‌ی نکات و توضیحات ذکر شده این نکته کاملا مشخص است که دنیای علم امروز کاملا به سمت هوش مصنوعی و کامپیوتر در حال حرکت است؛ در واقع این جهت‌گیری باعث کمتر شدن خطای داروهای طراحی شده، نجات جان افراد بیشتر و افزایش دقت و زمان پژوهشگران میشود. ما در اینجا تعدادی از دستاوردها و متدهایی را توضیح دادیم که دانشمندان و پژوهشگران از آنها استفاده می‌کنند تا بتوانند مسیرهای بیولوژیکی را شبیه‌سازی کرده و به نتایج ذکر شده برسند. در واقع در این روش‌ها، از داده‌هایی استفاده میشود که یا براساس بیان ژن به‌دست آمده‌اند و یا بر اساس برهمکنش‌های بین پروتئین‌ها هستند. استفاده از این داده‌ها و اتفاق افتادن پیش‌بینی‌ها تنها با روش‌های اومیکس امکان‌پذیر است. برای مثال از داده‌های پروتئین-پروتئین میتوان استفاده کرد تا مسیرهای بیولوژیکی شبیه‌سازی شده را اصلاح و بهبود بخشید. در نهایت اینکه احتمال اینکه در سال‌های نزدیک تمام علم براساس بیوانفورماتیک جلو برود و یادگیری این علم از ضروریات شود.
