机器学习联合生物信息学鉴定骨关节炎细胞衰老关键基因及验证

背景:细胞衰老与骨关节炎的发生、发展密切相关,但具体作用靶点及调控机制尚不清楚。目的:综合生物信息学和机器学习方法挖掘细胞衰老介导骨关节炎的关键基因,并利用实验加以验证,探讨细胞衰老在骨关节炎中的作用。方法:从GEO数据库中获得骨关节炎基因表达谱以及从CellAge数据库中获得细胞衰老相关基因,二者取交集并提取交集基因表达量进行差异分析,然后对差异基因进行GO和KEGG分析,接着通过PPI网络分析和机器学习筛选骨关节炎细胞衰老关键基因,并进行体外细胞实验验证,采用qPCR方法检测关键基因的表达。结果与结论:①获得31个骨关节炎细胞衰老差异基因,GO分析显示主要参与白细胞分化调节、单核细胞分化、T细胞分化调节等生物过程,在DNA转录因子结合、组蛋白去乙酰化酶结合、染色质DNA结合、趋化因子结合中发挥作用;②KEGG分析表明骨关节炎细胞衰老差异基因主要在JAK/STAT信号通路、PI3K/Akt信号通路、FoxO信号通路中被激活;③通过PPI网络拓扑学分析和机器学习方法筛选出骨关节炎细胞衰老关键基因MYC;④体外细胞实验结果表明,实验组骨关节炎软骨细胞中MYC mRNA表达明显低于对照组(正常软骨细胞),差异有显著性意义(P<0.05);⑤结果表明,MYC可作为骨关节炎细胞衰老的关键基因,可能通过介导免疫应答、炎症反应和转录调控等成为骨关节炎防治的新靶标。

转化式学习理念融入线上线下生物化学实验教学模式的探索

医学基础课生物化学的实验课是理论知识学习和临床应用的重要支撑。为满足新时代应用型医学人才培养的需要,教学设计中融入转化式学习理念,利用线上线下教学有机结合的方式将实验课程体系进行优化整合。课前线上推送课件和视频资源,学生在虚拟仿真实验云平台自主学习,查阅相关文献,充分准备后进入线下实验操作,在小组合作中教与学共进,通过考核评价检测学生学习效果。实验课程线上线下教学中采用转化式学习理念,能激发学生对理论知识的学习兴趣,增强学生自主学习能力,培养实践操作技能和科研思维,探索出一种更适用于应用型医学本科高校实验教学的教育教学方法。

构建实验课形成性评价,为学生自主学习制导——以“微生物学实验”为例

在智慧教学背景下,实验课程现有教学模式瓶颈亟待突破,以微生物实验课程为例,以课程评价体系为突破点,分析传统课程评价中的问题,构建“四案四测,四驱四导,四度考核”的形成性评价体系。以课程教学目标为靶点,以评价体系为引擎,为学生对微生物实验课程内容的主动学习、独立思辨制导。

高职院校病原生物学与免疫学服务性学习教学模式的应用探索

针对病原生物学与免疫学课程教学效果不佳现状,探索高职院校病原生物学与免疫学课程服务性学习教学模式的构建和应用,为基础医学课程教学质量提升奠定基础。

高职《动物生物化学》课前教学视频自主学习情况分析

[目的]为了实现高职课程课前视频学习资源的合理设计,帮助学生自主完成课前学习任务。[方法]通过分析《动物生物化学》课程的课前视频教学数据和课前学习的调查问卷,分析影响学生完成课前视频学习的主要因素和提出构建课前自主学习视频的策略。[结果]课前视频学习资源的实验性、交互性和案例性,有利于提高学生自主学习的完成率;课前视频学习资源的难度和长度会降低学生的完成率;大多数课前学习结果测试成绩与课前视频学习资源的反刍比不相关;学生们不愿在课前学习上投入太多时间。[结论]应减少课前学习视频的数量,降低学生自主学习的负担;教师应采取多种形式对学生的课前学习结果进行评价;课前视频学习资源的设计可以利用视频内容的实验性、交互性和案例性,平衡视频内容的难度和长度,以提高学生的观看完成率。

“以课程标准为核心的项目学习”在生物学教学中的应用——以“基因工程赋予生物新的遗传特性”教学为例

根据“以课程标准为核心的项目学习”的教学方法,培养学生合作学习、创新意识等能力。以选择性必修模块3概念5“基因工程赋予生物新的遗传特性”的实验教学为例,阐明“以课程标准为核心的项目学习”的策略方法。

基于核心素养的民族地区学校高中生物实验探究性学习教学研究

随着社会的不断发展和科技的飞速进步,人们对教育的要求也越来越高。作为教育的重要组成部分,高中生物实验教学在培养学生科学素养、提升实践能力以及培养创新意识等方面具有不可替代的作用。然而,在民族地区学校,由于教育资源相对匮乏、师资力量不足以及学生背景差异等诸多因素的影响,高中生物实验教学往往面临一系列挑战与问题。如何在这样的背景下构建适合民族地区学校的高中生物实验探究性学习教学模式,成为当前亟须解决的问题之一。文章旨在以核心素养为理论指导,结合民族地区学校的特点和高中生物实验教学的实际情况,探讨如何通过创新教学模式,提升学生的实验技能、科学思维能力以及团队合作精神,促进学生对生物知识的深入理解与应用。

基于生物信息学和机器学习筛选类风湿关节炎关键基因

类风湿性关节炎(RA)是一种器官特异性自身免疫疾病,特征在于慢性滑膜炎和骨质侵蚀,其高致残率会对社会和个人造成严重影响,因此需要有效可靠的RA诊断标志物和治疗靶点。本研究从GEO数据库下载了表达谱数据集和单细胞测序数据集,以阐明RA中潜在的候选基因和途径。首先,利用单细胞测序数据注释了5类细胞簇,筛选出每个细胞簇与RA相关的基因4109个,进行了基因本体(GO)和京都基因和基因组百科全书(KEGG)途径富集分析。其次,利用生物信息学方法分析表达数据,共鉴定出677个与RA相关的基因,进行了差异表达基因的GSEA富集分析。最后,对差异表达基因(DEG)和每个簇的差异表达基因进行关联分析,再利用LASSO算法进一步分析,获得了6个关键基因,分别是IGLL5、AIM1、NKG7、PSMB9、ANKRD11和BIRC3,这6个基因在训练集与验证集的ROC曲线显示其在类风湿关节炎中具有良好的诊断性能。

表面增强拉曼光谱技术结合机器学习方法在生物医学领域应用的最新进展

近年来,运用表面增强拉曼光谱(SERS)技术对生物样本检测的研究发展十分火热,尤其是结合机器学习方法的SERS技术在临床样本诊断方面的运用日趋成熟。机器学习方法是基于无监督和有监督的算法,可以解决复杂的样本和大量、高维的数据信息,在生物分析领域受到高度关注。本文介绍了SERS技术结合机器学习方法的相关应用,尤其是在生物医学领域。SERS既可以使用免标记的策略检测生物样本的指纹信息,又可以使用标记方法跟踪蛋白质等生物标志物实现间接检测。本文总结了SERS技术结合机器学习方法用于血液、尿液、组织等临床样本进行疾病诊断的最新进展。此外,本文还汇总了细胞样本及其他复杂样本SERS分析中机器学习方法运用的实例。该文综述了这一领域的最新进展,为从事SERS生物分析领域的研究人员提供可借鉴的方案。

基于机器学习算法的森林生物量多源遥感估测

为进一步探索不同空间分辨率影像在10 m×10 m样地尺度下森林生物量估测性能及协同机器学习算法(RF、SVM、DT、GBM、k-NN、Stacking)的估测效果,利用光学遥感GF2(高分二号卫星)、sentinel 2A、Landsat 8 OLI、SUM(整合3种遥感数据源)影像及辅助变量DEM高程数据、环境因子、林分因子(森林类型、优势树种),在Boruta算法变量选择下用机器学习算法对元谋地区乔木林森林生物量(地上+地下)进行遥感估测,并比较4种影像下的估测精度。研究表明:(1)基于Boruta算法分别对3种影像及整合3种影像条件下进行变量选择,单一影像中sentinel 2A的植被指数PEIP、Landsat 8 OLI的纹理因子b2_ME_9×9、GF2的GNDVI分别为3种影像下的最高得分变量,多源融合估测森林生物量中GF2的GNDVI为最佳得分变量;(2)基于Boruta算法选择的变量构建RF、SVM、DT、GBM、k-NN算法以及对5个模型的Stacking集成算法,SUM的Stacking集成算法的估测效果最优,模型决定系数(R2)为0.73,均方根误差(RMSE)为28.46 t·hm^(-2),集成算法下的SUM的估测性能优于sentinel 2A、Landsat 8 OLI,GF2优于sentinel 2A,sentinel 2A的估测性能优于Landsat 8 OLI。研究结果说明在生物量遥感估测中高分辨率影像具有较好的估测效果,同时多源遥感协同估测、集成算法均可提高森林生物量遥感估测精度,可为森林生物量遥感估测提供参考和借鉴。

面向可见的学习:中学生物学的品质课堂

生物学学习目的在于促进学生发现自我、发展自我、实现自我,进而不断地超越自我,提高人性境界,塑造理想人格,实现个人与社会价值,成为人格健全、情感丰富、适应性强的人。通过构建学习价值可见、学习资源可见、学习路径可见、学习评价可见的生物学学习模式,积极打造高品质生物学课堂,实现厚植核心素养的学科学习目标。

运用情境创设促进初中生物深度学习的教学研究——以“地面上的动物”教学为例

深度学习是以核心素养为目标的课程理念,立足推动以学生为中心、以学生核心素养培育为目标的教学改革.该文以“地面上的动物”为例,通过建构深度学习“目标—情境—任务—活动”教学模型,运用情境创设和任务单促进初中生物学深度学习,落实素养目标.

项目式学习模式的生物信息学专业课程教学

针对生物信息学各相关基础学科专业课教学没有具体的生物信息学实例的问题,分析专业课程中项目式学习的融入方式以及项目式学习应用过程中存在的问题和解决方案,提出基于项目式学习模式的生物信息学专业课程教学改革,并以高级程序设计语言课程为例,从课题项目设计与专业课程内容的融合、课题项目管理、专业课程考核等方面进行具体阐述。

基于Landsat 8和机器学习的塔城地区草地地上生物量估测模型

以新疆塔城地区为研究区,利用植被指数、气象数据、地形数据作为自变量,结合研究区样地实测生物量数据,分析并比较K近邻回归(KNN)、多元线性回归(MLR)、梯度提升决策树(GBDT)和随机森林回归(RF)和极端梯度提升(XGBoost)5种机器学习模型,进而分析并比较采用投票回归器(Voting regressor)和堆叠(Stacking)方法构建的2种集成学习模型的估测精度。结果表明,基于Stacking集成学习模型性能最优,R^(2)达0.764,RMSE和MAE分别为23.29 g/m^(2)和16.8 g/m^(2),进而利用最优模型进行草地地上生物量(Above ground biomass,AGB)反演制图。

机器学习在生物炭的制备及应用中的运用研究进展

机器学习近年来在预测和优化生物炭的制备与应用方面取得了巨大的发展。该论文较为全面的综述了机器学习在促进生物炭的制备和应用的作用。重点介绍了应用于生物炭制备与应用的机器学习模型,以及对最新相关研究的一些建议。

脑电生物反馈结合学习任务训练治疗注意缺陷多动障碍

目的分析脑电生物反馈治疗结合学习任务训练治疗注意缺陷多动障碍(ADHD)患儿临床疗效。方法选取68例注意缺陷多动障碍患儿,随机分为对照组与观察组,各34例。对照组给予脑电生物反馈治疗,观察组给予脑电生物反馈治疗结合学习任务训练治疗,比较2组临床疗效结果。结果观察组临床总有效率(94.12%,32/34)高于对照组(76.47%,26/34)(P<0.05)。治疗后,2组β波均高于治疗前,观察组高于对照组(P<0.05);2组θ波、SMR波均低于治疗前,观察组低于对照组(均P<0.05);2组Conners父母用量表(PSQ)评分低于治疗前,观察组低于对照组(均P<0.05);2组持续性注意力测试指标水平均低于治疗前,观察组低于对照组(均P<0.05)。结论脑电生物反馈治疗结合学习任务训练治疗注意缺陷多动障碍患儿,改善患儿注意力缺陷症状、脑电活动,疗效明显。

基于机器学习算法的化学品快速生物降解性筛查模型

判别化学品能否被快速生物降解,有助于化学品的环境风险评估。以往化学品快速生物降解性(RB)的筛查模型,训练集所覆盖的化学空间小,模型预测准确性低,缺乏有效的应用域表征。本研究搜集5606种化学品的RB数据,构建了机器学习筛查模型。结果表明,基于极端梯度提升树和Mordred分子描述符构建的模型性能最优,在外部验证集上的预测准确率为0.86,受试者工作特征曲线下面积为0.92。通过加权分子相似性密度和加权崎岖性2个指标,有效表征了模型应用域。通过模型的机理分析,发现羧基或羟基可显著提高化学物质的RB。对《中国现有化学物质名录》筛查结果表明,超过60%的化学物质难以快速生物降解,其中苯及其衍生物占比最高。所构建的RB筛查模型及其应用域,可为化学品的环境管理提供技术支持。

基于APOS理论的初中生物学深度学习

以“肺与外界的气体交换”为例,通过设计基于APOS理论的教学过程,使学生在活动阶段体验情境,初步感知学习内容;在过程阶段内化概念,批判建构知识体系;在对象阶段理解本质,迁移应用所学知识;在图式阶段完善图式,反思评价学习过程,从而实现生物学的深度学习,促进核心素养的发展。

基于生物信息学和机器学习探究溃疡性结肠炎能量代谢关键基因及其潜在机制

为鉴定溃疡性结肠炎(ulcerative colitis,UC)中与能量代谢相关的关键基因,通过从GSE87466数据集中提取能量代谢相关基因的表达量并进行差异分析后对其进行富集分析,使用最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)算法和支持向量机器-递归特征消除(support vector machine-recursive feature elimination,SVM-RFE)算法识别UC能量代谢关键基因,对关键基因进行富集分析、免疫浸润分析、关键基因靶向药物预测和构建ceRNA网络,最后用GSE75214作为验证集对关键基因的表达进行验证。结果表明:共筛选出32个与能量代谢相关基因,通过LASSO和SVM算法鉴定出5个关键基因(SLC16A1、ACSF2、NR1H4、CHST11和CBR3)。单基因富集结果显示关键基因通过糖酵解/葡萄糖新生、丁酸代谢、丙酮酸代谢等途径参与UC的发生发展。验证集GSE75214对关键基因进行验证发现表达均具有差异。为从能量代谢角度治疗溃疡性结肠炎提供了新的思路和方向。

加权基因共表达网络分析联合机器学习方法筛选扩张型心肌病生物标记及免疫浸润分析

目的利用加权基因共表达网络分析(WGCNA)联合机器学习方法筛选扩张型心肌病(DCM)生物标记,并进行免疫浸润分析。方法对来自基因表达综合数据库(GEO)的DCM转录谱进行差异分析。对差异表达基因(DEGs)进行基因本体论(GO)富集分析和京都基因与基因组百科全书(KEGG)通路富集分析。整合WGCNA和套索回归(LASSO)分析,筛选出DCM的生物标记。绘制受试者工作特征曲线(ROC)评估其诊断效能,并进行免疫浸润分析。结果DCM左心室组织中有268个DEGs,主要参与炎症反应的调节、上皮细胞增殖、含胶原蛋白的细胞外基质、细胞外基质结构组成成分等;同时,DEGs参与补体和凝血瀑布、吞噬体、酪氨酸激酶-信号传导子及转录激活子(JAK-STAT)信号通路、花生四烯酸代谢、白介素17(IL-17)信号通路等。鉴定出的生物标记ASPN、CRYM、CSDC2、ECM2、FCN3、HMOX2、LAD1、SERPINA3、TSPYL2和TUBA3D,具备良好的诊断效能。DCM心肌组织中辅助型T细胞2(Th2)、中央记忆型CD_(4)^(+)T细胞、中央记忆型CD_(8)^(+)T细胞显著上调;活化的树突状细胞、嗜酸性粒细胞、髓样抑制细胞、巨噬细胞、肥大细胞、自然杀伤细胞、中性粒细胞、调节性T细胞、滤泡辅助性T细胞、辅助型T细胞1(Th1)、辅助型T细胞17(Th17)和效应记忆型CD_(8)^(+)T细胞显著下调。结论ASPN、CRYM、CSDC2、ECM2、FCN3、HMOX2、LAD1、SERPINA3、TSPYL2和TUBA3D可能作为DCM的生物标记。多种免疫细胞可能介导着DCM的发生发展。