चाइनीज एकेडमी ऑफ साइंसेज के एक नए अध्ययन, बीजिंग इंस्टीट्यूट ऑफ लाइफ साइंसेज ने बायोमार्कर खोज के साथ बड़े पैमाने पर माइक्रोबायोम डेटा को कुशलतापूर्वक एकीकृत करने के लिए एक नई विधि (नेटमॉस) का सुझाव दिया है।
शोध के निष्कर्ष ‘नेचर कम्प्यूटेशनल साइंस’ जर्नल में प्रकाशित हुए थे।
हाल के वर्षों में आंत माइक्रोबायोम और मानव स्वास्थ्य के बीच संबंधों पर अधिक ध्यान दिया गया है, और बड़ी मात्रा में डेटा, जो प्रकार में जटिल है और बड़ी मात्रा में है, अभूतपूर्व वृद्धि के साथ जमा हुआ है।
हालांकि, इतने बड़े डेटा से बीमारी से संबंधित जानकारी को बारीकी से निकालना चुनौतीपूर्ण है।
एक ओर, आहार और भूगोल जैसे विभिन्न कारकों से आंत माइक्रोबायोम के प्रभावित होने की अधिक संभावना है।
विभिन्न आबादी के बीच आंत माइक्रोबायोम की संरचना बहुत भिन्न हो सकती है, जो डेटा के प्रत्यक्ष एकीकरण और बहुतायत के आधार पर बायोमार्कर की पहचान में पूर्वाग्रह की ओर ले जाती है।
दूसरी ओर, माइक्रोबियल बहुतायत मैट्रिक्स बहुत विरल है, और पारंपरिक कम्प्यूटेशनल विधियों के लिए इस विरल मैट्रिक्स के आधार पर बैच प्रभाव को हटाना मुश्किल है।
नया प्रस्तावित एल्गोरिदम विभिन्न आबादी से डेटा को प्रभावी ढंग से एकीकृत करने के लिए माइक्रोबियल इंटरैक्शन नेटवर्क का उपयोग करता है।
यह विभिन्न राज्यों में माइक्रोबियल नेटवर्क की गड़बड़ी की तुलना करके विभिन्न नेटवर्क मॉड्यूल के बीच टोपोलॉजिकल अंतर को निर्धारित कर सकता है, इस प्रकार रोग से जुड़े बायोमार्कर की पहचान को सक्षम करता है।
पिछले तरीकों की तुलना में, नेटमॉस निष्पक्ष रूप से माइक्रोबियल डेटा के विभिन्न बैचों को अधिक कुशलता से एकीकृत कर सकता है, मेरा रोग-संबंधी बायोमार्कर, और माइक्रोबियल डिस्बिओसिस सहसंयोजन पैटर्न की पहचान कर सकता है जो कई बीमारियों की घटना को संचालित करता है।
इस अध्ययन में, शोधकर्ताओं ने रोगग्रस्त और स्वस्थ नियंत्रण से आंत माइक्रोबायोम के 11,377 अनुक्रमण नमूने एकत्र किए, जिसमें 78 अध्ययन, 37 रोग और 13 देशों या क्षेत्रों को शामिल किया गया।
विभिन्न आबादी के इन एकाधिक डेटासेट के साथ, उन्होंने पाया कि वर्तमान में उपयोग की जाने वाली कम्प्यूटेशनल विधियों में प्रयोगात्मक और अनुक्रमण प्रक्रियाओं के कारण बैच प्रभावों को हटाने में अत्यधिक कठिनाई होती है।
डाउनस्ट्रीम विश्लेषणों को कुशलतापूर्वक करने और पूर्वाग्रह से बचने के लिए, शोधकर्ताओं ने डेटा एकीकरण और बायोमार्कर पहचान के लिए एक कुशल कम्प्यूटेशनल मॉडल विकसित किया।
मॉडल माइक्रोबियल इंटरैक्शन नेटवर्क पर आधारित था।
माइक्रोबियल इंटरैक्शन नेटवर्क व्यक्तिगत रूप से बनाए जाते हैं और फिर उनकी संरचनात्मक विशेषताओं के आधार पर विभिन्न भारों का उपयोग करके एकीकृत किए जाते हैं।
रोगग्रस्त और स्वस्थ नेटवर्क में विभिन्न मॉड्यूल के बीच टोपोलॉजिकल अंतर की मात्रा निर्धारित करके, बाहरी प्रभावों द्वारा गड़बड़ी के प्रति सबसे अधिक संवेदनशील बैक्टीरिया को बायोमार्कर के रूप में पहचाना जाता है।
शोधकर्ताओं ने कम्प्यूटेशनल एल्गोरिदम को नकली और वास्तविक डेटासेट दोनों पर लागू किया।
उन्होंने पाया कि यह एकीकृत डेटासेट और एकल डेटासेट दोनों में अत्यधिक सटीक और मजबूत था।
“अधिकांश बायोमार्कर अकेले केवल एक बीमारी का कारण नहीं बने बल्कि कई बीमारियों से महत्वपूर्ण रूप से जुड़े हुए थे।
समान डिस्बिओसिस पैटर्न विभिन्न बीमारियों की घटना के लिए महत्वपूर्ण सुराग प्रदान कर सकता है, “प्रो। झाओ ने कहा।
यह नया एल्गोरिदम हमें माइक्रोबायोम-होस्ट इंटरैक्शन की प्रकृति को समझने में मदद करेगा और कई बीमारियों की रोकथाम और उपचार में हमारा बेहतर मार्गदर्शन करेगा।
शोधकर्ताओं ने बड़े पैमाने पर डेटा एकीकरण और बायोमार्कर की पहचान के लिए नई विधि का सुझाव दिया
