Команда Help Stop TB выбирает инструменты анализа данных
Автор: Команда Help Stop TB (помогите остановить туберкулез)
Университет Ноттингема
28 февраля 2017
Кратко:
Команда Help Stop TB находится в работе, анализируя данные, которые они получили от World Community Grid. Недавно они выбрали два инструмента нового анализа данных, которые помогут им лучше понять поведение бактерии, вызывающей туберкулез.
Привет всем, и спасибо за вклад вашего компьютерного времени, чтобы помочь остановить туберкулез! Мы никогда бы не завершили так много симуляций, если это было не для вас!
Базовая проблематика
Help Stop TB был создан для рассмотрения конкретного аспекта высокорезистентной и адаптирующейся бактерии, вызывающей туберкулез. Бактерия имеет необычную оболочку, защищающую ее от многих лекарств и иммунной системы пациента. Среди жиров, сахаров и белков в этой оболочке, бактерия туберкулеза содержит тип жирных молекул, называемых миколиновыми кислотами. Наш проект симулирует поведение этих молекул в их различных конфигурациях, чтобы лучше понять, как они предлагают защиту бактерии туберкулеза. С помощью полученной информации ученые возможно смогут разработать более эффективные пути для атаки этого защитного слоя и, следовательно, разработать более эффективные методы лечения этой смертельной болезни.
Выбор инструментов и методов анализа данных
С момента нашего предыдущего мини-обновления в ноябре, Афина была сосредоточена на анализе наших данных моделирования, и в то же время она пишет кандидатскую диссертацию. Как команда мы уже достигли нашей главной цели, которая состояла в том, чтобы придумать надежную и эффективную аналитическую стратегию. Это позволит нам эффективно обработать кучу данных, которые мы получаем от моделирования, проводимых добровольцами World Community Grid и ответить на наши вопросы конформационного поведения миколовых кислот и его биологического последствия.
Протокол анализа, на котором мы остановили выбор, сочетает в себе множество различных аналитических инструментов и методов. Одним из инструментов, которые мы используем это метод PCA (основные компоненты анализа) техника кластеризации, разработанная в Школе фармацевтики в университете Ноттингема. Этот инструмент помог нам классифицировать формы, которые миколиновые кислоты принимают во время моделирования. В свою очередь, это дает нам более четкое представление о том, какие формы являются наиболее доминирующими.
На рисунках 1 и 2 ниже приведены примеры того, как мы смотрим на формы миколовых кислот. Эти структуры имеют важное значение, так как мы смотрим на все возможные конформации, что миколиновые кислоты могут принимать, для того, чтобы попытаться понять, как эти молекулы работают, как их конформации диктуют любые биологические последствия и/или влияют на саму болезнь, в надежде найти какие-нибудь связки и узнать больше методов профилактики.
Потому что было показано, что миколиновые кислоты, как правило, демонстрируют сложное конформационное поведение с частыми случаями сворачивания и разворачивания, важно оценить частоту этих случаев. Понимание частоты, с которой миколиновые кислоты изменяются от одной конформации фолдинга (процесса спонтанного сворачивания полипептидной цепи) в другую, может помочь поддерживать важные аспекты их биологического поведения.
Рисунок 1. Кратко о миколовых кислотах преобладающих кластеров и их соответствующие представительные структуры. Этот рисунок показывает переходы и зависимость кластеров, а также их относительные проценты.
Кроме того, продолжительность времени, которые выбирают молекулы, чтобы оставаться в определенном принятом рисунке конформации может также осветить дальнейшие биологические последствия. Каждая молекула принимает различные формы по всему пути ее сворачивания и эти формы могут в значительной степени зависеть друг от друга. Из данных инструмента кластеризации PCA мы извлекли важную информацию о зависимости (рисунок 1) между различными формами принимаемые молекулами.
Другой аналитический подход, который мы использовали, был анализ матрицы расстояний. Мы создали и проанализировали матрицы (рис 2) расстояния всех атомов углерода вдоль цепи миколовых кислот. Этот метод может обеспечить дальнейшее понимание частоты случаев сворачивания, а также может помочь нам понять больше о гибкости каждой структуры.
Рисунок 2. Расстояние матрицы двух очень разных конформаций миколовых кислот. Эти матрицы показывают расстояние атомов углерода вдоль цепи миколовых кислот в этих двух конформациях и обеспечивают хорошее визуальное представление о том, как отличаются различные паттерны свертывания.
Мы также проверили пригодность инструмента двугранного угла кластеризации, который был разработан в Центре молекулярного дизайна (CMD) Университете Портсмута. Этот инструмент был вычислительно менее интенсивным, чем анализ матрицы расстояний, но, к сожалению, он не смог рассмотреть частые случаи рефолдинга, демонстрируемые миколиновыми кислотами, что делает его сложным для извлечения значимой информации. Тем не менее, тестированные выборки, проанализированные с этой техникой, подтвердили преобладающие кластеры, которые мы нашли с нашими PCA инструментами. Теперь мы будем использовать лучший выбор вариантов анализа для построения картины для всех различных миколовых кислот и впоследствии свяжем индивидуальное поведение с экспериментальными данными по популяции миколовых кислот в клеточной стенке бактерий и их индивидуальные роли в нем.
Это все наши новости на данный момент! Еще раз спасибо за ваш вклад, и давайте все пожелаем удачи Афине с ее текстом! До следующего раза, счастливого кранчинга!
новость на англ.
Университет Ноттингема
28 февраля 2017
Кратко:
Команда Help Stop TB находится в работе, анализируя данные, которые они получили от World Community Grid. Недавно они выбрали два инструмента нового анализа данных, которые помогут им лучше понять поведение бактерии, вызывающей туберкулез.
Привет всем, и спасибо за вклад вашего компьютерного времени, чтобы помочь остановить туберкулез! Мы никогда бы не завершили так много симуляций, если это было не для вас!
Базовая проблематика
Help Stop TB был создан для рассмотрения конкретного аспекта высокорезистентной и адаптирующейся бактерии, вызывающей туберкулез. Бактерия имеет необычную оболочку, защищающую ее от многих лекарств и иммунной системы пациента. Среди жиров, сахаров и белков в этой оболочке, бактерия туберкулеза содержит тип жирных молекул, называемых миколиновыми кислотами. Наш проект симулирует поведение этих молекул в их различных конфигурациях, чтобы лучше понять, как они предлагают защиту бактерии туберкулеза. С помощью полученной информации ученые возможно смогут разработать более эффективные пути для атаки этого защитного слоя и, следовательно, разработать более эффективные методы лечения этой смертельной болезни.
Выбор инструментов и методов анализа данных
С момента нашего предыдущего мини-обновления в ноябре, Афина была сосредоточена на анализе наших данных моделирования, и в то же время она пишет кандидатскую диссертацию. Как команда мы уже достигли нашей главной цели, которая состояла в том, чтобы придумать надежную и эффективную аналитическую стратегию. Это позволит нам эффективно обработать кучу данных, которые мы получаем от моделирования, проводимых добровольцами World Community Grid и ответить на наши вопросы конформационного поведения миколовых кислот и его биологического последствия.
Протокол анализа, на котором мы остановили выбор, сочетает в себе множество различных аналитических инструментов и методов. Одним из инструментов, которые мы используем это метод PCA (основные компоненты анализа) техника кластеризации, разработанная в Школе фармацевтики в университете Ноттингема. Этот инструмент помог нам классифицировать формы, которые миколиновые кислоты принимают во время моделирования. В свою очередь, это дает нам более четкое представление о том, какие формы являются наиболее доминирующими.
На рисунках 1 и 2 ниже приведены примеры того, как мы смотрим на формы миколовых кислот. Эти структуры имеют важное значение, так как мы смотрим на все возможные конформации, что миколиновые кислоты могут принимать, для того, чтобы попытаться понять, как эти молекулы работают, как их конформации диктуют любые биологические последствия и/или влияют на саму болезнь, в надежде найти какие-нибудь связки и узнать больше методов профилактики.
Потому что было показано, что миколиновые кислоты, как правило, демонстрируют сложное конформационное поведение с частыми случаями сворачивания и разворачивания, важно оценить частоту этих случаев. Понимание частоты, с которой миколиновые кислоты изменяются от одной конформации фолдинга (процесса спонтанного сворачивания полипептидной цепи) в другую, может помочь поддерживать важные аспекты их биологического поведения.
Рисунок 1. Кратко о миколовых кислотах преобладающих кластеров и их соответствующие представительные структуры. Этот рисунок показывает переходы и зависимость кластеров, а также их относительные проценты.
Кроме того, продолжительность времени, которые выбирают молекулы, чтобы оставаться в определенном принятом рисунке конформации может также осветить дальнейшие биологические последствия. Каждая молекула принимает различные формы по всему пути ее сворачивания и эти формы могут в значительной степени зависеть друг от друга. Из данных инструмента кластеризации PCA мы извлекли важную информацию о зависимости (рисунок 1) между различными формами принимаемые молекулами.
Другой аналитический подход, который мы использовали, был анализ матрицы расстояний. Мы создали и проанализировали матрицы (рис 2) расстояния всех атомов углерода вдоль цепи миколовых кислот. Этот метод может обеспечить дальнейшее понимание частоты случаев сворачивания, а также может помочь нам понять больше о гибкости каждой структуры.
Рисунок 2. Расстояние матрицы двух очень разных конформаций миколовых кислот. Эти матрицы показывают расстояние атомов углерода вдоль цепи миколовых кислот в этих двух конформациях и обеспечивают хорошее визуальное представление о том, как отличаются различные паттерны свертывания.
Мы также проверили пригодность инструмента двугранного угла кластеризации, который был разработан в Центре молекулярного дизайна (CMD) Университете Портсмута. Этот инструмент был вычислительно менее интенсивным, чем анализ матрицы расстояний, но, к сожалению, он не смог рассмотреть частые случаи рефолдинга, демонстрируемые миколиновыми кислотами, что делает его сложным для извлечения значимой информации. Тем не менее, тестированные выборки, проанализированные с этой техникой, подтвердили преобладающие кластеры, которые мы нашли с нашими PCA инструментами. Теперь мы будем использовать лучший выбор вариантов анализа для построения картины для всех различных миколовых кислот и впоследствии свяжем индивидуальное поведение с экспериментальными данными по популяции миколовых кислот в клеточной стенке бактерий и их индивидуальные роли в нем.
Это все наши новости на данный момент! Еще раз спасибо за ваш вклад, и давайте все пожелаем удачи Афине с ее текстом! До следующего раза, счастливого кранчинга!
новость на англ.