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。

首都医科大学阶平班医学生物化学自主学习改革探索

医学生物化学是最为重要的基础医学课程,内容复杂,难于理解及记忆。改变传统教学方法,激发学生的内驱力可显著提升学习效果。互联网、大数据等信息技术不断飞跃。基于智慧学习环境下开发新型自主学习模式将有助于推进以学为主、以教为辅的教学改革,提高学习兴趣、激发学习潜能,对其他基础医学课程的学习也具有潜移默化的影响。文章以首都医科大学阶平班为例,对自主学习开展现状、基于智慧学习环境下个性化自主学习及评价体系的构建进行探讨,旨在完善以拔尖创新医学人才培养为目标的新型教学改革。

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。

面向深层学习的《生物化学》教学改革实践

《生物化学》课程是生物学相关专业的专业基础课,因其课程内容较为庞杂,学生缺乏有效的思维策略,加之畏难心理,不愿积极尝试,导致学习仅仅停留在表层学习,效果不佳。为引导学生走入深层学习,灵活掌握生物化学课程内容,本课程构建了“环境—内容—策略”面向深层学习的教学模式,并在实践中取得了一定效果。

情境·路径·策略:高中生物学单元专题项目式学习的创新设计——以“胰岛素研发”复习课为例

专题复习(亦称“综合应用复习”)是围绕某个重要概念、科技项目或实践问题,对相关知识加以综合,用以解释问题或提出解决方案的一种学习策略[1]。基于学科概念的项目式学习,正是链接社会生活议题,运用学科关键概念和能力解决复杂问题、完成综合任务,使学科概念在现实情境中再建构、综合、创新和发展的一种学习方式[2]。

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。

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。

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。

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.

基于机器学习算法的生物质水热炭特性的预测与评价

文章利用从文献中收集的305组水热炭的基础特性数据,采用决策树、随机森林、梯度提升树3种机器学习算法建立水热炭基础特性的单任务和多任务预测模型,并利用SHAP法研究输入特征参数对水热炭基础特性影响的差异。结果表明:在3种机器学习算法中,梯度提升树模型在水热炭基础特性的多任务和单任务预测过程中,均体现出最高的准确性,测试集的平均相关系数分别为0.89和0.87,均方根误差分别为0.34和0.37;通过SHAP法对梯度提升树模型的输入特征参数进行评价,发现水热反应温度和原料中C元素含量是影响水热炭产率、高位热值和C元素含量的最主要参数。通过构建水热炭基础特性的预测模型,有利于优化水热炭制备工艺,降低实验成本,提高水热炭制备工艺的经济效益。

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。

指向深度学习的高中生物大单元教学策略

高中生物是一门关乎自然探究的学科,在很大程度上影响着学生的世界观、生命观。在素质教育下,高中生物教学要关注学生的学习深度。文章旨在探讨指向深度学习的高中生物大单元教学策略。在明确采用深度学习的意义和教学原则的基础上,从确定核心主题、强化课堂互动、开展综合评价三方面提出具体教学策略,希望能够提升高中生物大单元教学的深度,培养学生的主动学习能力和深度思维水平,为其未来学科发展奠定坚实的基础。

工程纳米颗粒生物负荷量的机器学习预测模型

工程纳米颗粒(ENPs)在生物体内的动态浓度即负荷量(BB),是评估ENPs生物积累的基础参数.大多数研究都通过实验手段来测定BB,其过程繁琐复杂.构建BB预测模型成为代替动物实验的有效途径.现有预测模型涵盖的ENPs以及生物种类较少,而且是基于生物整体的BB数据构建的,很难用于预测关键组织器官的负荷情况.了解ENPs在生物体内的分布,以及在关键靶器官中的积累尤为重要.本研究通过文献挖掘,构建了涵盖17种ENPs以及23种水生生物的BB数据集(n=1303),采用5种机器学习算法构建模型,并结合SHAP方法解析了不同特征对lgBB的影响.结果表明,非线性模型要优于线性模型,极端梯度提升(XGBoost)模型的效果最佳(R_(adj-train)^(2)=0.971,Q_(test)^(2)=0.909,Q210-CV=0.887).通过模型特征重要性分析,发现ENPs的本征特性(密度、粒径、电负性、分子量)、暴露参数(暴露浓度、暴露时间)、生物种类以及组织器官类型是影响ENPs负荷量的关键因素.其中,密度是影响ENPs负荷量的首要本征特征,负荷量会随着材料密度的增加而减少.本研究通过增加数据集中生物种类,扩大了模型应用域,实现特定暴露时间和暴露浓度下ENPs负荷量的预测,并将预测结果精准到组织器官水平(脑、脾脏、肌肉等),为ENPs生物积累的研究提供了有效方法.

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。