Расшифровка взаимодействий сои и микробиома: от динамики ризосферы к устойчивому увеличению урожайности.

Синдром Шегрена (СС) представляет собой системное аутоиммунное заболевание, обусловленное взаимодействиями между генетической предрасположенностью, экологическими факторами и изменениями в микробных экосистемах слизистых оболочек. Появляющиеся доказательства, полученные из исследований кишечника, полости рта и поверхности глаза, указывают на то, что микробная дисбиоз сильно ассоциирован с СС. У пациентов часто наблюдается снижение количества полезных комменсальных микроорганизмов и увеличение потенциально патогенных таксонов, что сопровождается нарушением эпителиального барьера, дисбалансом клеток Т-хелперов 17 и регуляторных Т-клеток, аномальными ответами B-клеток и устойчивой активацией сигнального пути интерферона типа I. Несколько механизмов могут способствовать развитию болезни, включая молекулярный мимикрий, экзосомально опосредованную иммунную коммуникацию и изменения в метаболитах, производимых микробиотой. Интегрированные мультиомические подходы, особенно высокопроизводительное секвенирование и метаболомика, выявили микробные сигнатуры и изменения метаболических путей, ассоциированные с СС, что открывает возможности для открытия биомаркеров и терапевтической целевой нацеленности. Стратегии, направленные на микробиоту, такие как пробиотическая поддержка, трансплантация фекальной микробиоты и исследования взаимодействий лекарств с микробиомом, показали перспективы для восстановления иммунной гомеостазы. Однако текущие доказательства остаются ограниченными малыми размерами когорты, методологической гетерогенностью и недостаточной ясностью причинно-следственных связей.

Микробиомы и их окружающая среда формируют сложные взаимосвязанные экосистемы. Микробные виды внутри микробиома, с одной стороны, конкурируют за ресурсы, а с другой — обмениваются важными метаболитами, поддерживающими их выживание. Эти взаимодействия зависят от генетического репертуара микроорганизмов, условий окружающей среды и доступности питательных веществ. Мы разработали EcoGS (http://www.github.com/KaletaLab/EcoGS) — инструмент метаболического моделирования, предназначенный для предсказания экологических взаимодействий между парами микробов. Применение EcoGS к микробиомам двух различных человеческих когорт показало переход от совместных к эксплуататорским экологическим взаимодействиям, связанным с увеличением потребления простых сахаров (глюкозы и фруктозы) у диабетиков и людей, ведущих индустриализированный образ жизни. С другой стороны, употребление кобаламина (витамина B12), фитонандиона (витамина K1) и биотина (витамина B7) и других соединений было связано с увеличением уровня сотрудничества в кишечном микробиоме. Мы пришли к выводу, что обилие простых сахаров как источника энергии снижает необходимость сотрудничества между микробами, тем самым увеличивая конкуренцию и враждебность между членами микробиома. Более того, наше исследование предлагает несколько соединений, таких как урат, дезоксаденозин, дезоксигуанозин и гипоксантин, для in vitro тестов на валидацию в качестве диетических вмешательств, которые могут восстановить экологический баланс в сообществе. EcoGS служит ценным инструментом для изучения динамики микробиома и их связи с изменениями в окружающей среде и болезнями.

Несмотря на увеличение масштаба и разрешения, многие биологические измерения остаются разрушительными, раскрывая лишь пространственную информацию, а не динамику, которую они кодируют. Совмещая гибкие представления с механистическими ограничениями, физически обоснованное машинное обучение предлагает многообещающий путь для вывода этих динамик из статических снимков. Исходя из субклеточной визуализации экспрессии генов, мы задаемся вопросом, когда статический пространственный паттерн молекул может идентифицировать пространственно изменяющуюся диффузию, создание, разрушение и обмен на границе, и как различные схемы вывода выполняют эту задачу. Структурный анализ идентифицируемости показывает, что распределенные источники не могут быть идентифицированы, тогда как точечный источник, такой как место транскрипции, может восстановить идентифицируемость. Эти ограничения дополнительно формируются, казалось бы, безобидными выборами моделей: граничные условия, пространственная регулярность базовой динамики и даже конвенция стохастического исчисления. Затем мы адаптируем несколько схем, основанных на физических принципах, отличающихся тем, как они представляют решение и учитывают управляющие уравнения, и демонстрируем эффективный вывод из одного снимка. Таким образом, подходы, основанные на физических принципах, могут восстановить пространственные гетерогенности биологических динамик из статических данных, но их использование должно сопровождаться и направляться тщательным анализом идентифицируемости для значительной интерпретации результатов.

Точное экспрессия генов, зависящая от РНК-полимеразы II (РНКполи II), требует динамического фосфорилирования карбоксильного терминала (КТД) ее крупнейшей субъединицы, Rpb1, чьи гептапептидные повторы образуют регуляторную платформу, известную как код КТД. Циклиновые зависимые киназы, ассоциированные с транскрипцией (tCDK), и фосфатазы КТД координируют циклы фосфорилирования и дефосфорилирования РНКполи II на протяжении транскрипции, связывая синтез РНК с сопутствующей обработкой и регуляцией хроматина. Контролируя модификацию КТД на конкретных стадиях, эти ферменты интегрируют активность РНКполи II в более широкие регуляторные сети. Нарушение тонкого баланса между киназами и фосфатазами приводит к ухудшению точности транскрипции, созреванию РНК и стабильности генома, как напрямую через изменение фосфорилирования КТД, так и косвенно через связанные пути. Такие изменения все чаще связывают с нарушениями развития, нейродегенерацией и раком. Здесь мы синтезируем современные знания о динамике фосфорилирования РНКполи II, подчеркивая ключевые механистические принципы, связи с заболеваниями человека и новые терапевтические стратегии, нацеленные на эту центральную фосфорилирование-зависимую регуляторную систему.

Классификация гетерогенных омических данных по-прежнему остается основной проблемой в вычислительной биологии, особенно в условиях высокой размерности и малых выборок, где доминируют нелинейные взаимодействия, а дисбаланс классов дополнительно усложняет надежное предсказание редких фенотипов. Хотя традиционные методы на основе ядров полагаются на изобилие признаков, они не используют известные ландшафты взаимодействий биологических систем. В данной работе мы предлагаем структуру классификации на основе гауссовского процесса, которая интегрирует закодированные графом биологические пути непосредственно в конструкцию ядра. Пропагируя информацию вдоль известных сетей взаимодействия и комбинируя это с признаками, основанными на изобилии, полученный классификатор захватывает как количественные измерения, так и топологический контекст. Мы проводим оценку нашей предложенной методологии на трех общедоступных наборах данных по микробиому кишечника и кала. Для решения проблемы серьезного дисбаланса классов мы оцениваем дополнительные стратегии, включая ресемплирование на уровене данных, калибровку порогов и корректировки на основе матрицы замешательства, и сообщаем о результатах для класса меньшинства наряду с общей точностью. Гибридный подход дает прирост производительности по сравнению с неструктурированными базовыми решениями и соответствует показателям установленных эталонов для аналогичных наборов данных. Кроме того, вероятностная природа данного подхода естественным образом предоставляет откалиброванную предсказательную неопределенность, позволяя надежно различать уверенные предсказания и неоднозначные образцы.

Взаимосвязь между структурой мозга и генетическими влияниями играет ключевую роль в понимании нейропсихиатрических расстройств. Однако большинство крупных наборов данных являются унимодальными, предоставляя либо данные нейровизуализации, либо генетические данные. Мы предлагаем CALM, структуру, которая изучает интерпретируемые ассоциации между регионами интереса мозга и генетическими путями из совершенно разнородных популяций. CALM выравнивает две модальности в общем латентном пространстве через линейные проекции, которые одновременно сопоставляют классовые условные латентные распределения и обеспечивают отделимость групп. Эти проекции предоставляют интерпретируемые ассоциации путь-ROI. Когда модель обучается на унимодальных наборах данных из области изображения и генетики, CALM обобщается на невидимом парном наборе данных, превосходя несколько современных методов и базовые модели с абляцией. Мы также демонстрируем устойчивость изученных ассоциаций по сравнению с парной базовой моделью. Наши эксперименты по изучению расстройства аутистического спектра выявляют иммунные и метаболические пути, связанные с конкретными корковыми регионами, что соответствует установленной литературе. Таким образом, CALM открывает возможности для использования крупных унимодальных репозиториев для изучения кросс-модальных взаимодействий в расстройствах мозга среди разнородных наборов данных.