Использование программы MiDA для поиска молекулярно-генетических маркеров риска развития осложнений инфекционных заболеваний

Введение. Поиск специфических молекулярно-генетических маркеров риска развития осложнений инфекционных заболеваний является актуальным направлением современной медико-биологической науки. Материалы и методы. Для решения этой задачи нами разработана программа для ЭВМ MiDA. В программе реализован комплексный подход, позволяющий проводить отбор потенциальных маркеров на основании показателей изменения уровня экспрессии ряда генов в группах сравнения и значимости признака для классификации - отнесения образцов к анализируемым группам. Результаты исследования. С помощью программы MiDA проведен поиск молекулярно-генетических маркеров риска развития тяжелой формы течения лихорадки денге и хронической формы бруцеллеза. В результате исследования в качестве маркера риска осложнения лихорадки денге предложен ген HSPA6, экспрессия которого в периферической крови пациентов с тяжелой формой течения болезни снижалась. К маркерам хронической формы течения бруцеллеза отнесли снижение экспрессии микроРНК hsa-miR-198 и hsa-miR-501-3p, а также повышение экспрессии микроРНК hsa-miR-618 в CD4+ Т-лимфоцитах. Выводы. Продемонстрирована возможность применения программы MiDA для анализа больших данных, полученных с помощью современных технологий (секвенирование, биочипы и др.). Возможно расширение сферы применения программы для анализа экспрессии генов, транскриптов и белков при заболеваниях различного генеза, определения молекулярных механизмов реализации патологического процесса, поиска диагностических и прогностических маркеров заболевания, а также потенциальных мишеней для разработки средств таргетной терапии.

анализ данных, биочип, большие данные, бруцеллез, лихорадка денге, машинное обучение, программа для ЭВМ, риск осложнений, R, data analysis, biochip, big data, brucellosis, dengue fever, machine learning, software, risk of complications, R

1. Железникова Г.Ф. Инфекция и иммунитет: стратегии обеих сторон. Медицинская Иммунология. 2006. Т. 8. № 5-6. С. 597-614. II. Логвиненко О.В., Ракитина Е.Л., Пономаренко Д.Г. и др. Особенности иммунологических показателей крови у больных различными формами бруцеллеза. Инфекция и иммунитет. 2013. Т. 3. № 3. С. 275-278.

2. Cao Z, Wang Y, Sun Y, et al. Effective and stable feature selection method based on filter for gene signature identification in paired microarray data [abstract]. 2013 IEEE International Conference on Bioinformatics and Biomedicine. 2013. P. 189-192.

3. McCarthy DJ, Smyth GK. Testing significance relative to a fold-change threshold is a TREAT. Bioinformatics. 2009; 25(6):765-71. DOI:10.1093/bioinformatics/btp053

4. Adewale AJ, Dinu I, Yasui Y. Boosting for correlated binary classification. J Comput Graph Stat. 2010; 19(1):140-153.

5. Friedman J, Hastie T, Tibshirani R. Additive logistic regression: a statistical view of boosting (With discussion and a rejoinder by the authors). Ann Statist. 2000; 28(2):337-407.

6. Mieth B, Kloft M, Rodriguez JA, et al. Combining multiple hypothesis testing with machine learning increases the statistical power of genome-wide association studies. Sci Rep. 2016; 6:36671. DOI:10.1038/srep36671

7. Huggins CE, Domenighetti AA, Ritchie ME, et al. Functional and metabolic remodelling in GLUT4-deficient hearts confers hyper-responsiveness to substrate intervention. J Mol Cell Cardiol. 2008; 44(2):270-80. DOI:10.1016/ j.yjmcc.2007.11.020

8. Jeffery IB, Higgins DG, Culhane AC. Comparison and evaluation of methods for generating differentially expressed gene lists from microarray data. BMC Bioinformatics. 2006; 7:359. DOI:10.1186/1471-2105-7-359

9. Pirooznia M, Yang JY, Yang MQ, et al. A comparative study of different machine learning methods on microarray gene expression data. BMC Genomics. 2008; 9(Suppl 1):S13. DOI:10.1186/1471-2164-9-S1-S13

10. Kondrikov D, Fulton D, Dong Z, et al. Heat shock protein 70 prevents hyperoxia-induced disruption of lung endothelial barrier via caspase-dependent and AIF-dependent pathways. PLoS One. 2015; 10(6):e0129343. DOI:10.1371/journal. pone.0129343

11. Wei D, Miao Y, Yu L, et al. Downregulation of microRNA-198 suppresses cell proliferation and invasion in retinoblastoma by directly targeting PTEN. Mol Med Rep. 2018; 18(1):595-602. DOI: 10.3892/mmr.2018.8979

12. Yi L, Yuan Y. MicroRNA-618 modulates cell growth via targeting PI3K/Akt pathway in human thyroid carcinomas. Indian J Cancer. 2015; 52(Suppl 3):E186-189. DOI: 10.4103/0019-509X.186577

13. Zhang CG, Yang F, Li YH, et al. miR-501-3p sensitizes glioma cells to cisplatin by targeting MYCN. Mol Med Rep. 2018; 18(5):4747-4752. DOI: 10.3892/mmr.2018.9458

14. Song L, Ara T, Wu HW, et al. Oncogene MYCN regulates localization of NKT cells to the site of disease in neuroblastoma. J Clin Invest. 2007; 117(9):2702-12. DOI:10.1172/JCI30751