Декодирование мышечной активности с использованием узких и широких нейронных ансамблей Мы использовали стандартный причинно-следственный фильтр Винера с 20 отводами для декодирования мышечной активности по нейронным данным, когда животное выполняло изометрическое задание на сгибание запястья. Мы неоднократно (100 раз) брали случайные образцы нейронов с узкими или широкими импульсами, обучали модель декодирования, а затем тестировали ее производительность на отдельном наборе данных. Мы обнаружили, что нейронные ансамбли с узкими шипами превосходили ансамбли с широкими импульсами во всех мышцах.

Декодер Рида-Соломона — MATLAB rsdec

Синтаксис

декодировано = rsdec(code,n,k)
декодировано = rsdec(code,n,k,genpoly)
декодировано = rsdec(..., четность pos )
[decoded,cnumerr] = rsdec(…)
[decoded,cnumerr,ccode] = rsdec(…)

Описание

decoded = rsdec(code,n,k) попытки декодировать полученный сигнал в коде с помощью [ n , k ] Расшифровка Рида-Соломона процесс с порождающим полиномом узкого смысла. код есть Галуа массив символов по m бит каждый. Каждый элемент n строка кода представляет собой искаженное систематическое кодовое слово, где символы четности находятся в конце, а самый левый символ самый значимый символ. n не более 2 ^м -1. Если n не равно точно 2 ^м -1, предполагается, что rsdec что код является поврежденной версией сокращенного код.

В массиве Галуа , декодированном , каждая строка представляет попытка декодирования соответствующей строки в код .Ошибка декодирования возникает, если rsdec обнаруживает более (n-k)/2 ошибок подряд код . В этом случае rsdec формирует соответствующую строку из декодировано простым удалением n-k символов с конца ряда код .

расшифровано = rsdec(code,n,k,genpoly) is такой же, как синтаксис выше, за исключением того, что непустое значение genpoly указывает порождающий полином для кода. В этом случае genpoly является вектор-строка Галуа, в котором перечислены коэффициенты в порядке убывания мощности генераторного полинома. Порождающий полином должен иметь степень n-k . Чтобы использовать узкий смысл по умолчанию полином генератора, установите genpoly в [] .

расшифровано = rsdec(..., четностьpos ) указывает, были ли добавлены символы четности в коде или перед сообщением в операции кодирования. паритетпоз может быть либо "конец" , либо "начало" . По умолчанию 'конец' . Если paritypos 'начало' , сбой декодирования вызывает rsdec удалить n-k символов с начала, а не с конца ряд.

[decoded,cnumerr] = rsdec(. ..) возвращает вектор-столбец cnumerr , каждый элемент которого — количество исправленных ошибок в соответствующей строке кода .Значение -1 в cnumerr указывает ошибка декодирования в этой строке в коде .

[decoded,cnumerr,ccode] = rsdec(...) возвращает ccode , исправленная версия код . Массив Галуа ccode имеет тот же формат, что и , код . Если ошибка декодирования встречается в определенной строке кода , соответствующий строка в ccode содержит эту строку без изменений.

tsRFun: комплексная платформа для расшифровки экспрессии, функций и прогностического значения тРНК человека с помощью высокопроизводительных данных РНК-Seq и CLIP-Seq | Исследование нуклеиновых кислот

Аннотация

малая РНК, полученная из тРНК (цРНК), новый тип регуляторной малой некодирующей РНК, играет важную роль в физиологических и патологических процессах. Однако понимание функционального механизма цРНК в клетках и их роли в возникновении и развитии заболеваний ограничено. Здесь мы объединили мультиомные данные, такие как данные транскриптома, эпитранскриптома и таргетома, и разработали новые компьютерные инструменты для создания tsRFun, комплексной платформы для облегчения исследований tsRNA (http://rna.sysu.edu.cn/tsRFun/ или http: //biomed.nscc-gz.cn/DB/tsRFun/). tsRFun оценил профили экспрессии tsRNA и прогностическое значение tsRNAs для 32 типов рака, идентифицировал целевые молекулы tsRNA, используя данные высокопроизводительного секвенирования CLASH/CLEAR или CLIP, и построил сети взаимодействия между tsRNAs, микроРНК и мРНК.В дополнение к своим возможностям представления данных tsRFun предлагает несколько онлайн-инструментов в режиме реального времени для идентификации tsRNA, предсказания целей и анализа функционального обогащения. Таким образом, tsRFun предоставляет ценный ресурс данных и несколько инструментов анализа для исследования tsRNA.

ВВЕДЕНИЕ

Малые РНК, полученные из тРНК (цРНК), представляют собой новый класс молекул функциональной РНК, которые происходят из зрелых тРНК или тРНК-предшественников и аберрантно экспрессируются в различных условиях (ультрафиолетовое излучение, тепловой шок, гипоксия, окислительное повреждение или вирусная инфекция) (1 –4).С быстрым развитием технологий высокопроизводительного секвенирования многие исследования показали, что tsRNAs участвуют в основных механизмах клеточной биологии, включая регуляцию генов, репрессию транспозонов, а также начало и прогрессирование заболевания (5–8).

Классы тРНК можно определить по положению сайта расщепления в транскрипте зрелой тРНК или предшественника (9), и они включают производные тРНК стресс-индуцированные РНК (тиРНК) (тиРНК-5 и тиРНК-3, расщепленные по антикодону). петля) и фрагменты, полученные из тРНК (тРФ) (тРФ-5, расщепленный по D-петле; тРФ-3, расщепленный по Т-петле; тРФ-и, расщепленный во внутренней области зрелой тРНК; и тРФ-1). -1, расщепленный на 3′-конце предшественника тРНК.Дополнительный рисунок S1) (10–12). В ранних исследованиях сообщалось, что tiRNAs образуются из зрелых tRNAs посредством расщепления angiogenin (ANG) и что tRFs возникают в результате расщепления либо зрелой tRNA, либо предшественника tRNA Dicer или ANG (13-15).

Многие исследования показали, что tRF и tiRNA могут служить новыми биомаркерами для диагностики и прогнозирования заболеваний. Ву и др. продемонстрировали диагностическую ценность tRF при колоректальном раке (16), а Zhu et al. продемонстрировали наличие большого количества цРНК в экзосомах и подчеркнули диагностическую ценность цРНК как многообещающих биомаркеров рака (17).TDR-000620, молекула цРНК, может служить независимым неблагоприятным прогностическим фактором безрецидивной выживаемости у пациентов с тройным негативным раком молочной железы (18). Однако исследования цРНК как новых маркеров рака все еще носят предварительный характер из-за отсутствия исчерпывающих ресурсов данных для анализа диагностической ценности цРНК.

Недавние исследования также показали, что цРНК выполняют важные биологические функции в клетках, связываясь с разнообразными белками. Goodarzi и др. показали, что tRF могут конкурировать за сайты связывания мРНК в YBX1, подавляя рост и инвазию клеток рака молочной железы (3).Кумар и др. показали, что tRF эволюционно консервативны и связываются с белками AGO для распознавания специфических РНК-мишеней (19). Исследователи идентифицировали большое количество комплексов Argonaute-tRF в данных CLIP-seq (19,20) и обнаружили, что молекулы tRF-5 и tRF-3 могут связываться с белками Argonaute посредством распознавания канонической мишени на основе семян. Анализ данных CLASH (скрещивание, лигирование и секвенирование химер) (21) показал, что молекулы tRF-5 и tRF-3 могут взаимодействовать с тысячами мРНК в клетках человека.Однако существующие инструменты анализа CLIP-seq в основном нацелены на исследование микроРНК (миРНК) и их мишеней, игнорируя взаимосвязь между внутриклеточными цРНК и их молекулами-мишенями.

МикроРНК и цРНК являются важными малыми РНК в клетках и могут регулировать экспрессию генов путем нацеливания на мРНК, но остается неясным, существуют ли между ними конкурентные или синергетические отношения. Исследования показали, что гены-мишени могут быть репрессированы как tsRNAs, так и miRNAs. Например, было обнаружено, что 10% генов, на которые нацелены AGO-связанные miRNAs, также являются мишенями tsRNAs (22).Сеть взаимодействия между tsRNAs, miRNAs и mRNAs может быть подтверждена гипотезой ceRNA. Следовательно, важно разработать инструмент анализа для изучения регуляторных сетей, состоящих из tsRNAs, miRNAs и mRNAs.

В этом исследовании мы разработали tsRFun, многофункциональную платформу, включающую инструменты базы данных и веб-сервера, которая имеет следующие цели. База данных содержит (i) исследование паттернов экспрессии и прогностического значения цРНК при различных типах рака; (ii) идентифицированные отношения между цРНК и их генами-мишенями; (iii) сконструированные сети взаимодействия цРНК, мРНК и микроРНК и (iv) предсказанные функции цРНК, выявленные с помощью анализа обогащения мишеней цРНК. Веб-сервер tsRFun оснащен тремя онлайн-инструментами: (i) tsRFinder для идентификации tsRNAs и количественной оценки их экспрессии на основе данных малых РНК-seq; (ii) tsRTarget для идентификации мишеней tsRNA и исследования кооперативных или конкурентных отношений между tsRNAs и miRNAs из секвенирования AGO CLIP и данных CLASH/CLEAR и (iii) tsRFunction для прогнозирования биологических функциональных эффектов tsRNAs в 15 типах наборов генов.

tsRFun предоставляет платформу для систематического анализа данных для всесторонней идентификации и анализа молекулярных характеристик, паттернов экспрессии, молекул-мишеней и сетей взаимодействия tsRNAs.В целом tsRFun объединяет обширные ресурсы данных и предлагает несколько разработанных аналитических инструментов, обеспечивая надежную поддержку для всестороннего выявления роли tsRNAs в физиологических и патологических процессах.

МАТЕРИАЛЫ И МЕТОДЫ

Сбор данных и предварительная обработка

tsRFun интегрировал несколько высокопроизводительных наборов данных секвенирования, а именно 10 572 малых набора данных RNA-seq, 381 набор данных AGO CLIP и 24 набора данных CLASH/CLEAR. Наборы данных RNA-seq были получены из базы данных The Cancer Genome Atlas (TCGA, 32 типа рака), данные CLIP и CLASH/CLEAR были загружены из базы данных SRA. Мы обрабатывали данные, применяя фильтры контроля качества и удаляя адаптеры секвенирования с помощью Cutadapt (версия 2.10) (23) и fastp (версия 0.20.1) (24).

Генная аннотация

Последовательности генома человека были получены с веб-сайта биоинформатики UCSC (25) (версия hg38), гены микроРНК были загружены из базы данных miRBase (26) (выпуск 22), а последовательности тРНК были загружены из базы данных GtRNAdb (27) (выпуск 18). .1). Последовательности зрелых тРНК были получены путем удаления последовательностей интронов и добавления хвоста «CCA» в конце исходных последовательностей тРНК. Пятьдесят нуклеотидных последовательностей ниже тРНК были извлечены из эталонного генома на основе их геномных координат. Сайты модификации тРНК были получены из RMBase (28) (выпуск 2. 0), базы данных, которая содержит модификации РНК, идентифицированные из наборов данных высокопроизводительного секвенирования.

Идентификация тРНК по данным секвенирования малых РНК

Рабочий процесс платформы tsRFun показан на рисунке 1.После предварительной обработки данных секвенирования малые РНК были картированы в геноме человека для удаления экзогенных РНК. Прочтения секвенирования, которые были успешно картированы с известными РНК-транскриптами (мРНК, мякРНК, мяРНК, рРНК, микроРНК или повторяющиеся последовательности), отбрасывались. Затем оставшиеся чтения были картированы на транскрипты предшественников и зрелых тРНК. Мы рассчитали значение P каждой позиции в транскриптах тРНК в соответствии с биномиальным распределением и выбрали сайты со значительным обогащением малых РНК со значением P < 0.01 (29).

Рисунок 1.

Рабочий процесс tsRFun. Блок-схема разделена на верхнюю и нижнюю части. В левой части верхней части показан процесс создания базы данных, а в правой части — процесс онлайн-инструмента анализа. В нижней части показаны четыре функциональных модуля платформы tsRFun и конкретное описание каждого модуля.

Рисунок 1.

Рабочий процесс tsRFun. Блок-схема разделена на верхнюю и нижнюю части.В левой части верхней части показан процесс создания базы данных, а в правой части — процесс онлайн-инструмента анализа. В нижней части показаны четыре функциональных модуля платформы tsRFun и конкретное описание каждого модуля.

Как известно, модификации РНК в цРНК могут мешать процессам лигирования адаптера и обратной транскрипции во время создания библиотеки малых РНК и, таким образом, препятствовать обнаружению цРНК, несущих эти модификации. Исследователи приложили усилия для разработки специальных экспериментальных методов для преодоления этого ограничения (31). Недавно Ши и соавт. разработали новый метод PANDORA-Seq (32) для эффективного удаления модификаций тРНК и разработали 5′- и 3′-концы фрагментов библиотеки таким образом, чтобы линкерные условия (например, 5′-фосфат, 3′-гидроксил ) можно встретить. Поэтому мы специально создали белый список в инструментах tsRFinder с добавлением высокодостоверных результатов tsRNA, идентифицированных с помощью PANDORA-Seq, а также других экспериментальных методов.Если пользователи используют данные, полученные с помощью этих специальных методов, для предсказания цРНК, они могут судить о том, находятся ли предсказанные цРНК в белом списке, тем самым повышая доверие. В то время как те исследователи, которые используют традиционный метод построения библиотеки малых РНК-секвенций, также могут узнать, какие важные молекулы цРНК могут быть пропущены в их данных.

Кроме того, из-за наличия химических модификаций тРНК она может вызывать неожиданные остановки в процессе обратной транскрипции или вызывать несовпадения. Следовательно, полученная цРНК может иметь ложноположительные результаты. Хотя исследования показали, что модификация tRNA мало влияет на идентифицированные tsRNAs (33). Основная причина заключается в том, что модификация тРНК приведет к тому, что обратная транскрипция не сможет распространиться на линкерную последовательность на 5′-конце, и соответствующий фрагмент не будет получен на последующем этапе ПЦР-амплификации. Однако, учитывая, что химическая модификация может также вызывать паузы обратной транскрипции и генерировать делеции или несоответствия в считываниях последовательности, мы специально собрали известные сайты модификации на тРНК и соответственно разработали набор стратегий наказания.При наличии несоответствия, вставки или удаления (вставки) мы устанавливаем различные стратегии наказания в зависимости от того, является ли сайт известным сайтом модификации. Например, в нормальных условиях несоответствие или погрешность вычитают 1 из общей оценки, однако, если несоответствие или погрешность возникает на сайте химической модификации, к общей оценке этого сайта добавляется оценка -0,5. Если на этом сайте происходит идеальное совпадение, к общему баллу добавляется +1. Мы используем оценку в качестве параметра для выбора пользователями, и пользователи могут регулировать количество потенциальных цРНК, идентифицированных путем изменения значения оценки.

Идентификация мишеней тРНК по данным CLIP и CLASH/CLEAR

tsRTarget специализируется на предсказании целей tsRNA из наборов данных CLIP-seq. Многие исследования идентифицировали взаимосвязь между miRNAs и mRNAs (11), но они не предсказывают мРНК-мишени tsRNAs. Мы разработали два конвейера стратегий анализа для разных методов построения библиотеки CLIP-seq (дополнительный рисунок S2). Помимо минимальной длины/силы связывания, мы также учитывали эволюционную консервацию сайтов связывания цРНК-мРНК.Мы получили данные множественного выравнивания 99 геномов позвоночных с геномами человека из UCSC (12) и использовали программное обеспечение bigWigAverageOverBed (13) для расчета показателей сохранения сайтов связывания. tsRTarget будет сообщать только результаты со значением оценки сохранения выше 0,3, что повышает достоверность генов-мишеней tsRNA.

Для данных AGO CLIP мы использовали программное обеспечение Cutadapt (версия 2.10) и Trim Galore (версия 0.4.5), чтобы удалить последовательности адаптеров и некачественные чтения.Чтения менее 14 нуклеотидов отбрасывались. Затем мы свернули чтения с той же последовательностью и определили количество каждого уникального чтения. Прочтения, которые выровнены по той же цепи, что и исходные транскрипты тРНК, считались фрагментами тРНК. Затем мы получили мишени-кандидаты, которые были выровнены по мРНК и названы пиками с помощью протокола CTK (версия 1.1.3), который вычисляет количество перекрывающихся меток CLIP в каждой позиции генома, чтобы найти локальные максимумы (34). Мы использовали RNAhybrid (-c -b 1 -u 2 -v 2 -f 2,7 -n 40 -e -10 -m 70 -s 3utr_human) (35) и BLAST (-word_size 6, несовпадение ≤ 2, версия 2). .10.1) (36) для поиска пар между цРНК-кандидатами и мишенями.

Из данных CLASH/CLEAR мы идентифицировали химеры-кандидаты tsRNA-мишеней с базовой стратегией биоинформационного анализа, разработанной для miRNA-мишеней в технике CLASH (21,37). Во-первых, мы использовали программы Bowtie и BLAST для сопоставления химер-кандидатов с геномом и удаления поддельных химер, которые сопоставлялись с другими сайтами (дополнительный рисунок S3). Затем мы сопоставили чтения с эталоном тРНК и сохранили последовательности, которые частично соответствовали эталону тРНК (совпадающие чтения 14–40 нт и несовпадающие чтения> 8 нт).Затем химеры-кандидаты tsRNA-мишень были разделены на tsRNAs и последовательности-мишени. Предсказания структуры дуплекса для tsRNAs и областей-мишеней были сделаны с использованием RNAhybrid и BLAST.

Анализ выживаемости цРНК и анализ сети цеРНК

Реализация базы данных

tsRFun был создан с использованием MySQL (версия 5.7.26), PHP (версия 7.1.11), Apache (версия 2.4.39) и JavaScript. В процессе использовались несколько библиотек: Bootstrap (версия 4.5.0) управляет макетом и стилем; jQuery (версия 3.5.1) облегчает динамическое взаимодействие на веб-страницах; dataTable (версия 1.10.22) представляет результаты анализа в виде фрейма данных с функциями разбиения по страницам, фильтрации и поиска; Хайчарт (Версия 8.2.2) визуализирует результаты анализа различными способами; и GSEA (версия 4.1.0) (39) строит анализ обогащения набора генов. 15 типов наборов генов были загружены из базы данных MSigDB версии 6.2 (40) (дополнительная таблица S1). Вторичная структура тРНК была отображена с помощью инструмента JavaScript forna (41). tsRFun был разработан для нескольких браузеров, включая Google Chrome (17 и более поздние версии), Firefox (10 и более поздние версии), Apple Safari (6 и более поздние версии) и Internet Explorer (9 и более поздние версии). Мы загрузили код с открытым исходным кодом на Github и создали работающий конвейер, чтобы наши пользователи могли выполнять автономный анализ с помощью наших инструментов.

РЕЗУЛЬТАТЫ

Обзор платформы tsRFun

tsRFun призван предоставить онлайн-платформу для идентификации цРНК, прогнозирования мишеней, анализа функционального обогащения, а также профилирования панраковой экспрессии и анализа выживаемости цРНК при 32 типах рака. tsRFun состоит из шести основных компонентов: tsRinCancer, tsRSurvival, tsRNetwork, tsRFinder, tsRTarget и tsRFunction. В этом разделе мы даем полное описание модулей tsRFun.

Платформа tsRFun содержит три модели баз данных (tsRinCancer, tsRSurvival, tsRNetwork) и три модуля веб-сервера (tsRFinder, tsRTarget, tsRFunction). tsRinCancer объединяет образцы экспрессии tsRNA 10 572 образцов от 32 типов рака. tsRSurvival оценивает прогностическую ценность цРНК при раке с помощью логарифмического рангового теста и одномерной кокс-регрессии. tsRNetwork устанавливает сети ceRNA среди tsRNAs, miRNAs и mRNA с помощью гипергеометрических тестов. Инструмент tsRFinder может идентифицировать существующие tsRNAs в данных секвенирования малых РНК, загружаемых пользователями.Из данных секвенирования CLASH/CLEAR или CLIP, введенных пользователями, tsRTarget может идентифицировать возможные взаимодействия tsRNA-mRNA и потенциальные конкурентные отношения tsRNA-miRNA, а также может дополнительно построить сеть ceRNA с этими РНК. tsRFunction выполняет прогнозирование мишеней и анализ обогащения набора генов для интересующих пользователей tsRNA.

Функциональное описание модуля базы данных tsRFun

tsRinCancer

Модуль «tsRinCancer» исследует профили экспрессии tsRNA для разных типов рака на основе 3 ТБ необработанных данных секвенирования малых РНК. Сначала мы предварительно обрабатываем необработанные данные и с высокой степенью достоверности идентифицируем партию цРНК с помощью инструмента tsRFinder. Затем tsRinCancer обеспечивает комплексное представление tsRNAs по 32 типам рака. tsRinCancer показывает образцы экспрессии tsRNA для этих видов рака на графиках тепловой карты, и пользователи могут просматривать дифференциально экспрессируемые tsRNA между опухолевыми и нормальными образцами с помощью коробчатых диаграмм (рис. 2A).

Рисунок 2.

Введение и использование представления данных tsRFun.( A ) Страница tsRinCancer для tsRNAs с подробным профилем экспрессии при 32 типах рака. ( B ) Страница tsRSurvival с прогностическими значениями tsRNAs при раке. ( C ) Страница tsRNetwork с подробной информацией о предсказанных сетях ceRNA среди tsRNAs, miRNAs и mRNAs.

Рисунок 2.

Введение и использование представления данных tsRFun. ( A ) Страница tsRinCancer для tsRNAs с подробным профилем экспрессии при 32 типах рака. ( B ) Страница tsRSurvival с прогностическими значениями tsRNAs при раке. ( C ) Страница tsRNetwork с подробной информацией о предсказанных сетях ceRNA среди tsRNAs, miRNAs и mRNAs.

tsRSurvival

Модуль «tsRSurvival» оценивает прогностическую ценность цРНК в наборах данных о панраке. Подробно образцы разделены на группы с высокой и низкой экспрессией в соответствии со средним уровнем экспрессии каждой молекулы цРНК. Затем с помощью метода Каплана-Мейера и логарифмического рангового критерия рассчитывают значимость общей выживаемости.Выделены цРНК со значениями P <0,05. Пользователи могут загрузить изображение результатов анализа выживания непосредственно со страницы tsRSurvival (рис. 2B).

цРНКетворк

«tsRNetwork» строит сети взаимодействия между tsRNAs, miRNAs и mRNAs из данных 405 CLIP с помощью гипергеометрического теста (рис. 2C). Модуль tsRNetwork может определять взаимосвязь между tsRNAs и их целевыми генами из данных CLIP и CLASH/CLEAR. В соответствии с шаблоном расположения парных областей tsRNetwork получает результаты канонического и неканонического связывания, и пользователи могут просматривать гены-мишени для каждой tsRNA и шаблон парной структуры на странице tsRNetwork.tsRNetwork также отображает подробную информацию о tsRNAs и молекулах-мишенях, а также описание типа эксперимента.

Функциональное описание модуля веб-сервера tsRFun

Мы разработали веб-сервер tRF2Cancer в 2016 году (29). Обновленная платформа tsRFun содержит ряд улучшений и улучшений, основанных на исходном инструменте tsRFinder, и предоставляет два новых инструмента анализа: tsRTarget и tsRFunction (таблица 1).

Основные улучшения tsRFun по сравнению с tRF2Cancer

Функции/функции данных .	tRF2Cancer .	цРФун .
Clear / Clash Data	None	Да
None
	Fasta	Fasta / FastQ
TSRNA Идентификация	TRFS (‘Trffinder’)		TRFS и TIRNAS (‘TSRFinder’)
Анализ PANCRACE	NOTE
	TSRNA Targets Presentiction	Нет	Да (‘ЦРТАРГЕТ ‘)
TSRNA Experient Profield	~ 5000 TRFS	~5000 TSRNAS
		None		Да
Обогащение функций TSRNA	None	15Types of Gene ‘tsRFunction’)

Характеристики/функции данных национальности .	tRF2Cancer .	цРФун .
Clear / Clash Data	None	Да
None
	Fasta	Fasta / FastQ
TSRNA Идентификация	TRFS (‘Trffinder’)		TRFS и TIRNAS (‘TSRFinder’)
Анализ PANCRACE	NOTE
	TSRNA Targets Presentiction	Нет	Да (‘ЦРТАРГЕТ ‘)
TSRNA Experient Profield	~ 5000 TRFS	~5000 TSRNAS
		None		Да
Обогащение функций TSRNA	None	15Types of Gene ‘tsRFunction’)

Основные улучшения tsRFun по сравнению с tRF2Cancer

Функции/функции данных .	tRF2Cancer .	цРФун .
Clear / Clash Data	None	Да
None
	Fasta	Fasta / FastQ
TSRNA Идентификация	TRFS (‘Trffinder’)		TRFS и TIRNAS (‘TSRFinder’)
Анализ PANCRACE	NOTE
	TSRNA Targets Presentiction	Нет	Да (‘ЦРТАРГЕТ ‘)
TSRNA Experient Profield	~ 5000 TRFS	~5000 TSRNAS
		None		Да
Обогащение функций TSRNA	None	15Types of Gene ‘tsRFunction’)

Характеристики/функции данных национальности .	tRF2Cancer .	цРФун .
Clear / Clash Data	None	Да
None
	Fasta	Fasta / FastQ
TSRNA Идентификация	TRFS (‘Trffinder’)		TRFS и TIRNAS (‘TSRFinder’)
Анализ PANCRACE	NOTE
	TSRNA Targets Presentiction	Нет	Да (‘ЦРТАРГЕТ ‘)
TSRNA Experient Profield	~ 5000 TRFS	~5000 TSRNAS
		None		Да
Обогащение функций TSRNA	None	15Types of Gene ‘tsRFunction’)

tsRFinder

Модуль tsRFinder позволяет пользователям вводить или загружать данные секвенирования малых РНК в формате FASTQ/FASTA для проведения высокочувствительного анализа идентификации цРНК. Пользователи могут указать такие параметры, как количество допустимых несоответствий, диапазон длин цРНК и значение P , чтобы сузить результаты прогнозирования цРНК. Результаты анализа цРНК показаны в таблице с подробной информацией, включая тип цРНК, длину цРНК, информацию об источнике тРНК и положение фрагмента (рис. 3А). Пользователи могут сортировать таблицу данных по столбцам и загружать файл в формате Excel или CSV. Дополнительную информацию о тРНК, такую ​​как распределение прочтений последовательности, визуализацию распределения прочтений на исходной тРНК, структуру исходной тРНК и характер экспрессии для 32 типов рака в TCGA, можно найти в разделах «Подробности» и «Экспресс». в ссылках Рака.Кроме того, tsRFun позволяет пользователям выбирать несколько tsRNAs для дальнейшего функционального предсказания. Кроме того, пользователи могут либо скопировать результаты в буфер обмена, либо загрузить файл в формате Excel или CSV.

Рисунок 3.

Введение и использование онлайн-инструментов tsRFun. ( A ) Страница tsRFinder для идентификации tsRNAs данных последовательностей малых РНК со страницами подробного типа и экспрессии. ( B ) Страница tsRTarget для предсказания целей tsRNAs для данных CLASH/CLEAR и CLIP seq с подробной информацией о tsRNAs, выравниванием и конкурентной сетью эндогенных РНК.( C ) Страница tsRFunction для предсказания функции tsRNAs.

Рисунок 3.

Введение и использование онлайн-инструментов tsRFun. ( A ) Страница tsRFinder для идентификации tsRNAs данных последовательностей малых РНК со страницами подробного типа и экспрессии. ( B ) Страница tsRTarget для предсказания целей tsRNAs для данных CLASH/CLEAR и CLIP seq с подробной информацией о tsRNAs, выравниванием и конкурентной сетью эндогенных РНК. ( C ) Страница tsRFunction для предсказания функции tsRNAs.

цРТаржет

Модуль «tsRTarget» позволяет пользователям вводить или загружать данные CLIP, CLASH или CLEAR для прогнозирования потенциальных взаимодействий tsRNA-мишень на основе канонических и неканонических начальных шаблонов. Кроме того, tsRTarget создает конкурентоспособную сеть эндогенных РНК с результатами анализа, полученными из данных CLIP, введенных пользователями (рис. 3B).

цРФункция

Модуль «tsRFunction» объединяет список взаимодействий цРНК-мРНК из полученных данных CLIP, CLASH и CLEAR и предоставляет функцию анализа функционального обогащения в режиме реального времени для аннотации генной онтологии цРНК в 15 типах наборов генов, включая GO, KEGG , Реактом, ПАНТЕРА и т.д.По умолчанию количество результатов обогащения набора генов с самым высоким рейтингом составляет 20 (рис. 3C).

Сравнение с другими базами данных цРНК и веб-сервером

Существует несколько баз данных и онлайн-инструментов для исследования tsRNA, включая tRFdb (42), MINTbase 2.0 (43), tRFexplorer (44), tsRBase (45), tRFtarget (46), tRFTar (47) и tRF2Cancer (29). Среди них tRFdb была первой базой данных tRF, содержащей в общей сложности 12 877 tRF из более чем 100 библиотек малых РНК, но tRFdb не хранит молекулы tiRNA и не обновлялась с 2015 года. MINTbase 2.0 и tRFexplorer фокусируются на моделях экспрессии цРНК при различных типах рака человека. Однако MINTbase 2.0 не содержит tsRNAs, полученных из предшественников tRNA (tRF-1), а tRFexplorer не включает молекулы tiRNAs (tiRNA-5 и tiRNA-3) и молекулы tRF-i. tRF2Cancer предназначен только для идентификации молекул tRF и не обновлялся с 2016 года.

Многие исследователи обнаружили большое количество комплексов Argonaute-tsRNA в данных CLIP-seq (19,20) и обнаружили, что молекулы tRF-5 и tRF-3 может связываться с белками Argonaute путем распознавания канонической мишени на основе семян.Следовательно, tsRBase, tRFtarget и tRFTar были разработаны для изучения tsRNAs и их мишеней на основе данных CLIP-seq. Доступные сетевые и независимые инструменты, описанные выше, отражают постоянный интерес к tsRNAs в исследовательском сообществе. Однако эти инструменты не позволяют пользователям загружать высокопроизводительные данные секвенирования в формате FASTQ или FASTA для выявления уникальных взаимосвязей между тРНК и их мишенями. Хотя прямое сравнение с точки зрения масштаба, функциональности, простоты использования и других параметров является сложным и частично субъективным, мы стремились предоставить хотя бы обзор набора широко используемых инструментов более широкого анализа, которые доступны как в виде баз данных, так и в виде веб-серверов.Таким образом, мы оценили несколько функций инструментов tsRNA и представляем результаты, отсортированные по дате публикации (таблица 2). Анализ показывает ожидаемую закономерность: последние базы данных обладают более широким набором функций, чем более ранние базы данных. Платформа tsRFun предоставляет всесторонние возможности онлайн-анализа и включает в себя дополнительные функциональные инструменты tsRNA.

Сравнение tsRFun с существующими базами данных tsRNA

Базы данных/веб-сервер .	трФдб .	tRF2Cancer .	MINTbase 2.0 .	tRFexplorer .	цРБазе .	трцелевой .	трфтар .	цРФун .
Год основания	2015	2016	2018	2019	2020	2020	2020	2021
Всестороннее tsRNA Expression профилирования	Нет	№	№	№	№	№	№	№
NO	No	NO	Да	Да	Да		Да
	№	№
№	№	NO
Количество набора данных Образец	~500	~500	более 10 000	более 10 000	более 10 000	~10 000	~10 000	~500	более 10 000
Виды наборов данных	Small-RNA SEQ	РНК SEQ	SEQ SEQ SEQ	SEQ SEQ SEQ	SEQ	SEQ	, Close	Closh	Clash	Closh	Close и Clear	Small Rna-Seq, Clash, Clear и Clip-Seq
Количество классов	3	4	5	5	6	3	5	6
Инструменты онлайн-анализа	No	No	NO	NO	NO 9 Да TSRNA Цели и функции Прогнозы NO NO № № № № Да цРНК , микроРНК, MRNA сеть NO № NO NO Да NO2 Да Базы данных / веб-сайт . трФдб . tRF2Cancer . MINTbase 2.0 . tRFexplorer . цРБазе . трцелевой . трфтар . цРФун . Год основания 2015 2016 2018 2019 2020 2020 2020 2021 Всестороннее tsRNA Expression профилирования Нет № № № № № № № NO No NO Да Да Да Да № № № № NO Количество набора данных Образец ~500 ~500 более 10 000 более 10 000 более 10 000 ~10 000 ~10 000 ~500 более 10 000 Виды наборов данных Small-RNA SEQ РНК SEQ SEQ SEQ SEQ SEQ SEQ SEQ SEQ SEQ , Close Closh Clash Closh Close и Clear Small Rna-Seq, Clash, Clear и Clip-Seq Количество классов 3 4 5 5 6 3 5 6 Инструменты онлайн-анализа No No NO № NO NO Таблица 2. Сравнение tsRFun с существующими базами данных tsRNA Да TSRNA Цели и функции Прогнозы NO NO № № № № Да цРНК , микроРНК, MRNA сеть NO № NO NO Да NO NO NO Базы данных/веб-сервер . трФдб . tRF2Cancer . MINTbase 2.0 . tRFexplorer . цРБазе . трцелевой . трфтар . цРФун . Год основания 2015 2016 2018 2019 2020 2020 2020 2021 Всестороннее tsRNA Expression профилирования Нет № № № № № № № NO No NO Да Да Да Да № № № № NO Количество набора данных Образец ~500 ~500 более 10 000 более 10 000 более 10 000 ~10 000 ~10 000 ~500 более 10 000 Виды наборов данных Small-RNA SEQ РНК SEQ SEQ SEQ SEQ SEQ SEQ SEQ SEQ SEQ , Close Closh Clash Closh Close и Clear Small Rna-Seq, Clash, Clear и Clip-Seq Количество классов 3 4 5 5 6 3 5 6 Инструменты онлайн-анализа No No NO NO NO 9 Да TSRNA Цели и функции Прогнозы NO NO № № № № Да цРНК , микроРНК, MRNA сеть NO № NO NO Да NO NO NO NO 9 Базы данных / веб-сайт . трФдб . tRF2Cancer . MINTbase 2.0 . tRFexplorer . цРБазе . трцелевой . трфтар . цРФун . Год основания 2015 2016 2018 2019 2020 2020 2020 2021 Всестороннее tsRNA Expression профилирования Нет № № № № № № № NO No NO Да Да Да Да № № № № NO Количество набора данных Образец ~500 ~500 более 10 000 более 10 000 более 10 000 ~10 000 ~10 000 ~500 более 10 000 Виды наборов данных Small-RNA SEQ РНК SEQ SEQ SEQ SEQ SEQ SEQ SEQ SEQ SEQ , Close Closh Clash Closh Close и Clear Small Rna-Seq, Clash, Clear и Clip-Seq Количество классов 3 4 5 5 6 3 5 6 Инструменты онлайн-анализа NO No No NO Да Оценка производительности ЦРФИН и ЦРТАРТ экспериментально подтвержденные данные и другие инструменты Далее мы сравнили производительность инструмента tsRFinder с другими инструментами идентификации tsRNA. Существуют две ранее опубликованные программы для прогнозирования цРНК на основе данных высокопроизводительного секвенирования: SPORTS (48) и MINTmap (49). Следует отметить, что ни один из них не способен к онлайн-прогнозированию, поэтому мы загрузили их программы для настольных компьютеров, использовали ту же рабочую среду, чтобы сравнить возможности прогнозирования tsRFinder, SPORTS и MINTmap. Мы загрузили независимый набор данных (SRR3235777) от Seashols-Williams et al. в GEO (50) и использовали вышеуказанные инструменты для предсказания потенциальных молекул цРНК.Результаты показывают, что инструменты SPORTS и MINTmap идентифицировали более 6000 tsRNA, в то время как tsRFinder идентифицировал только 220 (таблица 3). Таблица 3. Список экспериментально проверенных тРНК, обнаруженных с помощью MINTmap, SPORTS и tsRFinder 9/17 Sports 10/6 945 90/17 . # всего обнаруженных тРНК . # экспериментально подтвержденные тРНК . Точность . Чувствительность . 6 552 8 8/6 552 8/17 6 945 10 94599 10 / 17 TSRFinder 220 10 10/220 10/17 9/17 Sports 10/6 9459 3,5 Таблица Список экспериментально подтвержденных цРНК, обнаруженных с помощью MINTmap, SPORTS и tsRFinder . # всего обнаруженных тРНК . # экспериментально подтвержденные тРНК . Точность . Чувствительность . 6 552 8 8/6 552 8/17 6 945 10 94599 10 /17 tsRFinder 220 10 10/220 10/17 9/17 Sports 10/6 945 90/17 . # всего обнаруженных тРНК . # экспериментально подтвержденные тРНК . Точность . Чувствительность . 6 552 8 8/6 552 8/17 6 945 10 94599 10 / 17 TSRFinder 220 10 10/220 10/17 9/17 Sports 10/6 945 . # всего обнаруженных тРНК . # экспериментально подтвержденные тРНК . Точность . Чувствительность . 6 552 8 8/6 552 8/17 6 945 10 94599 10 / 17 TSRFinder 220 220 10 10/220 10/27 10/17 Почему T4RFinder получают гораздо меньше результатов, чем спортивные и Mintmap? Причина в том, что в то время как SPORTS и MINTmap непосредственно сообщают обо всех чтениях, выровненных с тРНК, tsRFinder выполняет биномиальный тест для всех прочтений, сопоставленных с последовательностью тРНК, чтобы убедиться, что они являются добросовестными цРНК, а не фрагментами деградации тРНК. Чтобы доказать это, мы собрали 17 подтвержденных экспериментом tRF из наборов данных о раке толстой кишки, созданных Lee et al. в качестве положительного контроля (10), чтобы сравнить эффективность этих трех инструментов. Результат показывает, что SPORTS и MINTmap обнаружили более 6000 тРНК, но среди них только 10 и 8 экспериментально подтвержденных тРНК соответственно. Напротив, 10 из 220 тРНК, обнаруженных с помощью tsRFinder, проверены, что указывает на то, что tsRFinder имеет более высокую точность, чем другие инструменты (таблица 3) Семь из 17 молекул тРНК, проверенных Ли, не были идентифицированы с помощью tsRFinder, затем мы проверили расположение источников и обилие этих семи tsRNAs и обнаружили, что, хотя эти tsRNAs можно было обнаружить в данных секвенирования, ни одно из них не было достаточно высоким.Например, tRF-5005, полученный из 5′-конца тРНК-Gly-GCC-1–3, имеет длину 20 нуклеотидов (дополнительная таблица S2). Мы смогли обнаружить tRF-5005 в наборе данных секвенирования, но только девять прочтений смогли точно ему соответствовать. Напротив, есть считывание длиной 30 нуклеотидов, также картированное на 5′-конце тРНК-Gly-GCC-1–3, с количеством 3 122 (дополнительная таблица S2). Инструмент tsRFinder считает, что фрагменты с более высоким содержанием, чем молекулы цРНК. Поскольку Lee и соавт. использовали эксперимент с клонированием клеточных линий рака предстательной железы (LNCaP и C4-2), а набор данных Seashols-Williams et al. был получен путем крупномасштабного секвенирования клеточных линий рака предстательной железы (P69, M12, M2182), разумно, что существует несоответствие количества фрагментов между двумя наборами данных, что также позволяет предположить, что цРНК обладают характеристиками пространственно-временного специфика. Чтобы более точно оценить производительность инструмента tsRFinder, мы дополнительно создали смоделированные небольшие наборы данных RNA-seq с помощью ART (51), которые включают 100 положительных чтений и 29 727 отрицательных чтений (дополнительная таблица S4). Затем эти смоделированные наборы данных были обработаны для идентификации цРНК с помощью каждого из инструментов, tsRFinder, MINTmap и SPORTS (дополнительная таблица S5-S8). Результаты показали, что с помощью MINTmap было идентифицировано в общей сложности 8 387 кандидатов на тРНК, включая только 61 настоящую тРНК, с низкой степенью точности 0,73%. Точно так же SPORTS предсказал в общей сложности 12 196 кандидатов на тРНК, включая только 88 истинных тРНК, с низкой степенью точности 0,72%. В то время как tsRFinder предсказал только 99 кандидатов tsRNA, включая 81 истинную tsRNA, с высокой степенью точности 81,82% (дополнительная таблица S5). Приведенные выше результаты показали, что tsRFinder принял более строгие условия скрининга, что значительно повысило точность прогнозов tsRNA. Кроме того, мы также сравнили предсказанные целевые гены tsRTarget с инструментом tRFTar (16) (дополнительная таблица S3). Результаты показывают, что инструменты tsRTarget и tRFTar идентифицировали> 5 000 взаимодействий tsRNAs-мишень, в то время как перекрытие составляет 86,69% ​​(дополнительная фигура S4). Из-за ограниченного количества исследований, которые подтвердили взаимодействие между цРНК и мРНК (17), трудно оценить чувствительность/специфичность. Мы перечисляем идентификатор эксперимента CLIP-Seq, на котором основан результат прогноза, и показываем их подробное выравнивание последовательностей между цРНК и мРНК, чтобы пользователи могли проверить каждый результат.Мы продолжим уделять внимание этой области, ища более проверенные целевые отношения, чтобы оценить чувствительность / специальность инструментов прогнозирования целей цРНК. ОБСУЖДЕНИЕ цРНК представляют собой класс недавно открытых некодирующих молекул РНК, играющих важную роль в физиологических и патологических процессах. Примечательно, что количество молекул tsRNA в клетках сравнимо с количеством miRNA. Однако современные базы данных tsRNA имеют ряд ограничений, включая отсутствие последних обновлений, неполные данные о типах tsRNA (tRF или tiRNAs) и недостающую информацию о взаимодействиях между tsRNAs и их мишенями.Что наиболее важно, онлайн-инструменты, которые могут анализировать функцию цРНК и их мишеней в предоставленных пользователями высокопроизводительных данных секвенирования, до сих пор не разработаны, что затрудняет удовлетворение растущего спроса на исследования цРНК. tsRFun в настоящее время является уникальной платформой, содержащей базы данных tsRNA и онлайн-инструменты веб-сервера в режиме реального времени. Мы улучшили tsRFun с четырех точек зрения (систематичности, точности, чувствительности и эффективности) и разработали интегрированную платформу систематического онлайн-анализа для идентификации tsRNA, прогнозирования мишеней, профилирования экспрессии панрака и функционального обогащения.tsRFun позволяет проводить специфический анализ цРНК на основе данных высокопроизводительного секвенирования на основе выбранных пользователем пороговых параметров. Предыдущие исследовательские подходы пытались идентифицировать унифицированные функции и механизмы действия из категорий tsRNAs. Однако исследования показали, что члены одного и того же класса tsRNAs могут выполнять совершенно разные функции. В этом проекте мы построили регуляторную сеть, основанную на отношениях между цРНК и их мишенями, а затем оценили сходство функции каждого гена в одном и том же сетевом модуле, чтобы предсказать функцию цРНК. tsRFun расширит наше понимание функций цРНК и раскроет роль цРНК в возникновении и прогрессировании рака. В этом исследовании был проведен панраковый анализ цРНК при 32 видах рака и идентифицирована группа молекул цРНК, которые тесно связаны с развитием и прогрессированием рака. tsRFun объединяет данные секвенирования по трем аспектам — транскриптомика, модификация РНК-омика и интерактомика РНК-белков — для расширения крупномасштабных исследований цРНК и связанных с ними функций с многомерной точки зрения с высокой пропускной способностью. tsRFinder продемонстрировал более высокую точность благодаря биномиальному критерию, используемому tsRFinder для определения того, являются ли фрагменты, полученные из данных секвенирования, настоящими тРНК, а не расщепленными фрагментами тРНК, в то время как другие инструменты рассматривают все секвенированные фрагменты, способные картироваться на транскриптах тРНК, как потенциальные молекулы тРНК . Мы считаем, что вместо того, чтобы тратить много времени и усилий на один деградировавший фрагмент, наш инструмент может лучше помочь биологам в выборе действительно значимых цРНК. Мы продемонстрировали, что tsRFinder обладает хорошей чувствительностью и большей точностью, чем другие инструменты прогнозирования tsRNA, но в настоящее время мы не можем предоставить информацию о специфичности tsRFinder или каких-либо инструментов прогнозирования tsRNA.Поскольку в настоящее время нет точного экспериментального отрицательного набора данных для проверки цРНК, поэтому невозможно рассчитать истинные отрицательные и ложные отрицательные результаты в результатах прогнозирования каждого инструмента. В настоящее время большинство тРНК в доступных базах данных являются результатом предсказаний программного обеспечения, и должно быть большое количество ложных срабатываний (фрагментов деградации тРНК). Таким образом, наша цель при создании tsRFun состояла в том, чтобы предоставить партию высоконадежных tsRNAs и их паттернов экспрессии в опухолях.В то же время мы также предупреждаем исследователей в этой области, что нельзя рассматривать участок tsRNAs исключительно на основании результатов секвенирования, которые могут соответствовать транскрипту tRNA. Поскольку в настоящее время мы не можем доказать более сильную специфичность цРНК, мы изменили описание в рукописи, поскольку tsRFinder обладает хорошей чувствительностью и большей точностью, чем другие инструменты прогнозирования цРНК, и добавили обсуждение специфичности. В будущем, когда будет обнаружено больше экспериментально подтвержденных цРНК, мы также будем постоянно уточнять набор данных цРНК с высокой степенью достоверности и, таким образом, оценивать специфичность tsRFun и других инструментов идентификации цРНК. В настоящее время существует несколько онлайн-инструментов для анализа молекул цРНК. С увеличением данных секвенирования малых РНК (особенно крупномасштабных наборов данных, связанных с опухолями) необходимо разработать ряд удобных и эффективных инструментов для изучения моделей распределения экспрессии и потенциальных биологических функций молекул цРНК при заболеваниях и раке. Поэтому мы разработали онлайн-платформу tsRFun для удовлетворения исследовательских потребностей в анализе молекул цРНК, включая систематическую идентификацию различных классов цРНК, исследование паттернов экспрессии цРНК при различных типах рака и выявление важных цРНК, связанных с раком. Кроме того, это исследование выявило взаимосвязь между цРНК и генами, кодирующими белок, на основе данных AGO CLIP-Seq и установило сеть коэкспрессии для прогнозирования функции молекул цРНК. Таким образом, это исследование объединяет базы данных, вычислительные методы и аналитические методы для разработки эффективного аналитического инструмента для исследования цРНК, предоставляя убедительные доказательства для всестороннего выявления роли цРНК в физиологических и патологических процессах. ЗАКЛЮЧЕНИЕ Являясь новым типом регуляторной малой РНК, тРНК расширила область исследований некодирующих РНК.Хотя текущее понимание исследователями tsRNA не является исчерпывающим, tsRNAs играют незаменимую регуляторную роль на многих биологических уровнях. Платформа tsRFun, разработанная в этом исследовании, представляет собой систематизированную и всеобъемлющую платформу tsRNAs, которая облегчает исследование известных и новых tsRNAs и прогнозирует их функции, обещая продвинуть последующие исследования tsRNAs. НАЛИЧИЕ ДАННЫХ tsRFun находится в свободном доступе на http://rna.sysu.edu.cn/tsRFun/ или http://biomed.nscc-gz.cn/DB/tsRFun/. Мы разместили соответствующие коды на GitHub (https://github.com/zhlingl/tsRFun), чтобы помочь большему количеству пользователей использовать наши инструменты. ДОПОЛНИТЕЛЬНЫЕ ДАННЫЕ Дополнительные данные доступны на сайте NAR Online. БЛАГОДАРНОСТИ Мы с благодарностью признательны Исследовательской сети TCGA и ее Рабочей группе по анализу панраковых заболеваний TCGA. Авторы хотели бы поблагодарить Xia Shen, Bin Li и Xi-Yu Zhao за их важные предложения во время пересмотра рукописи. ФИНАНСИРОВАНИЕ Национальная ключевая программа исследований и разработок Китая [2019YFA0802202, 2017YFA0504400]; Национальный фонд естественных наук Китая [ 304, 31971228, 31770879, 31771459, 31970604]; Молодежный научно-технический инновационный талант плана TeZhi провинции Гуандун [2019TQ05Y181]; провинция Гуандун [2021A1515010542]; Средства из города Гуанчжоу [2021A1515010542, 202002030351, 2010041]; Новая звезда науки и техники в городе Чжуцзян Гуанчжоу [201806010151]; Ключевая лаборатория вычислительных наук провинции Гуандун и Инновационная исследовательская группа вычислительных наук провинции Гуандун (частично). Финансирование платы за открытый доступ: Национальный фонд естественных наук Китая. Заявление о конфликте интересов . Ни один не заявил. ССЫЛКИ 1. Balatti V. , NIGITA G. , G. , VENEZIANO D. , DRUSCO A. , STEIN G.S. , Messier T.L. , Фарина Н. Х. , Лиан Дж.Б. , Томаселло Л. , Лю К.Г. и др. . сигнатуры цРНК при раке . Проц. Натл. акад. науч. США 2017 ; 114 : 8071 – 8076 .2. Балатти В. , Пекарский Ю. , Кроче С.М. Роль малых РНК, полученных из тРНК, в развитии рака: новые потенциальные биомаркеры и мишень для терапии . Доп. Рак рез. 2017 ; 135 : 173 – 187 . 3. Goodarzi H. , Liu X. , Nguyen H.C. , Zhang S. , Fish L. , Tavazoie S.F. Эндогенные фрагменты тРНК подавляют прогрессирование рака молочной железы посредством смещения YBX1 . Сотовый. 2015 ; 161 : 790 – 802 .4. HausSececker D. , HUANG Y. , LAU , LAU A. , PARAMESWARAN P. , Огонь A.Z. , Kay M.A. Малые РНК, полученные из тРНК человека, в глобальной регуляции сайленсинга РНК . РНК. 2010 ; 16 : 673 – 695 .5. Пэн Э.Ю. , Шу Ю. , WU Y. , ZENG F. , F. , TAN S. , DENG Y. , DENG Y. , CHEN H. , Zhu L. , Xu H. Наличие и диагностическое значение циркулирующей tncRNA для опухоли яичника . мол. Рак. 2018 ; 17 : 163 .6. Чен В. , Ян М. , CAO Z. , Z. , LI X. , Zhang Y. , SHI J. , Feng G.h. , Пэн Х. , Чжан Х. , Чжан Ю. и др. . цРНК сперматозоидов способствуют межпоколенческому наследованию приобретенного нарушения обмена веществ . Наука. 2016 ; 351 : 397 – 400 .7. Ким Х.К. , FUCHS G. , Wang S. , S. , WEI W. , Zhang Y. , Park H. , Roy-Chaudhuri B. , Li P. , Xu J. , Chu K. и др. . Малая РНК, полученная из транспортной РНК, регулирует биогенез рибосом . Природа. 2017 ; 552 : 57 – 62 .8. Hide G. Трипаносомоз и лейшманиоз: новая биология против практической борьбы с болезнями . Тенденции Паразитол. 2002 ; 18 : 477 – 478 .9. Sobala A. , Hutvagner G. Фрагменты транспортной РНК: происхождение, процессинг и функции . Wiley Interdiscip. Преподобный РНК. 2011 ; 2 : 853 – 862 .10. Ли Ю.С. , Shibata Y. , Malhotra A. , Dutta A. Новый класс малых РНК (фрагменты, полученные из .90tRF) Гены Дев. 2009 ; 23 : 2639 – 2649 .11. Кумар П. , Kuscu C. , Dutta A. Биогенез и функция фрагментов, родственных транспортной РНК (tRF) . Тенденции биохим. науч. 2016 ; 41 : 679 – 689 .12. Ляо J.Y. , Ма Л.М. , Го Ю.Х. , Чжан Ю.К. , Чжоу Х. , Шао П. , Чен Ю.К. , Qu L.H. Глубокое секвенирование ядерных и цитоплазматических малых РНК человека выявило неожиданно сложное внутриклеточное распределение miRNAs и tRNA 3′-концов . PLoS Один . 2010 ; 5 : e10563 .13. LEVITZ R. , R. , CHAPMAN D. , AMITSUR М. , Грин R , Snyder L. , Kaufmann G. Необязательный локус E. coli prr кодирует латентную форму индуцируемой фагом Т4 антикодоновой нуклеазы . EMBO J. 1990 ; 9 : 1383 – 1389 .14. Ли С.Р. , Collins K. Вызванное голоданием расщепление антикодоновой петли тРНК у Tetrahymena thermophila . Дж. Биол. хим. 2005 ; 280 : 42744 – 42749 .15. Томпсон Д.М. , Parker R. Напряжения при расщеплении тРНК . Сотовый . 2009 ; 138 : 215 – 219 .16. WU Y. , YANG x. , Jiang G. , Zhang H. , GE L. , CHEN F. , Ли Дж. , Liu H. , Wang H. 5′-tRF-GlyGCC: малая РНК, полученная из тРНК, как новый биомаркер для диагностики колоректального рака . Геном Мед. 2021 ; 13 : 20 .17. Чжу Л. , LI J. , Gong Y. , WU Q. , Tan S. , Sun D. , Сюй Х. , Цзо Ю. , Чжао Ю. , Вэй Ю.К. и др. . Малая РНК, полученная из экзосомальной тРНК, как многообещающий биомаркер для диагностики рака . мол. Рак. 2019 ; 18 : 74 .18. Feng W. , LI Y. , CHU J. , LI J. , Zhang Y. , DING X. , FU Z. , LI , LI W. , HUANG X. , Инь Y. Идентификация TRNA-производных небольших некодирующих РНК в качестве потенциальных биомаркеров для прогнозирования рецидива при трижды отрицательном раке молочной железы . Рак Мед. 2018 ; 7 : 5130 – 5144 .19. Кумар П. , Анайя Дж. , Мудунури С.B. , Dutta A. Мета-анализ фрагментов РНК, полученных из тРНК, показывает, что они эволюционно консервативны и связываются с белками AGO для распознавания специфических РНК-мишеней . БМС Биол. 2014 ; 12 : 78 .20. HAFNER M. , LandThaler , LandThaler M. , Burger L. , Khorshid M. , Hausser J. , Berninger P. , Rothballer , Rothballer A. , Ascano M. JR, Jungkamp A.C. , Munschauer M. et al. . Идентификация РНК-связывающего белка и сайтов-мишеней микроРНК по всему транскриптому с помощью PAR-CLIP . Сотовый. 2010 ; 141 : 129 – 141 .21. Хелвак А. , Кудла Г. , Dudnakova T. , Tollervey D. Картирование интерактома микроРНК человека с помощью CLASH выявило частое неканоническое связывание . Сотовый. 2013 ; 153 : 654 – 665 .22. LUO S. , он , HE F. , LUO J. , Ду S. , Wang Y. , GUO A. , Lu J. ЦРНК дрозофилы преимущественно подавляют общий механизм трансляции посредством антисмыслового спаривания и участвуют в реакции клеточного голодания . Рез. нуклеиновых кислот. 2018 ; 46 : 5250 – 5268 .23. Martin M. Cutadapt удаляет последовательности адаптера из операций высокопроизводительного секвенирования . Журнал Embnet. 2011 ; 17 : 10 .24. CHEN S. , ZHOU Y. , CHEN Y. , ГУ J. J. FASTP: Ультра быстрый All-In-One PrestQ Preprocessor . Биоинформатика. 2018 ; 34 : i884 – i890 .25. Ландер Э.С. , Линтон Л.М. , Биррен Б. , Нусбаум К. , Зоди М.К. , Baldwin , J. , DEVON K. , K. , Dewar K. , Doyle M. , Fitzhugh W. et al. . Первичное секвенирование и анализ генома человека . Природа. 2001 ; 409 : 860 – 921 .26. Козомара А. , Биргаоану М. , Griffiths-Jones S. miRBase: от последовательностей микроРНК к функционированию . Рез. нуклеиновых кислот. 2019 ; 47 : D155 – D162 .27. Чан П.П. , Лин Б.Я. , Мак А.Дж. , Лоу Т.М. tRNAscan-SE 2.0: улучшенное обнаружение и функциональная классификация генов транспортной РНК . Рез. нуклеиновых кислот. 2021 ; 49 : 9077 – 9099 .28. Суан Дж.Дж. , Вс WJ , Лин P.H. , Чжоу К.Р. , Лю С. , Чжэн Л.Л. , Цюй Л.Х. RMBase v2.0: расшифровка карты модификаций РНК по данным эпитранскриптомного секвенирования . Рез. нуклеиновых кислот. 2018 ; 46 : D327 – D334 .29. Чжэн Л.Л. , Сюй В.Л. , Лю С. , Вс В.Дж. , Ли Дж.Х. , Ву Дж. , Ян Дж.Х. , Qu L.H. tRF2Cancer: веб-сервер для обнаружения малых фрагментов РНК, полученных из тРНК (tRF), и их экспрессии при множественных раковых заболеваниях . Рез. нуклеиновых кислот. 2016 ; 44 : W185 – W193 .30. Addo-Quaye C. , Miller W. , Axtell M.J. Биоинформатика. 2009 ; 25 : 130 – 131 .31. Козен А.Э. , Квартли Э. , Холмс А. Д. , Храбета-Робинсон Э. , Физицкий Э.М. , Лоу 3 Т.М. ARM-seq: секвенирование метилирования РНК с помощью AlkB выявляет сложный ландшафт модифицированных фрагментов тРНК . Нац. Методы. 2015 ; 12 : 879 – 884 .32. Ши Дж. , Чжан Ю. , Тан Д. , Zhang x. , Ян м. , м. , Zhang Y. , Franklin R , Shahbazi M. , Mackinlay K. , Лю С. и др. . PANDORA-seq расширяет репертуар регуляторных малых РНК, преодолевая модификации РНК . Нац. Клеточная биол. 2021 ; 23 : 424 – 436 .33. TELONIS AG , LOHER P. , MAGEE R , PLIATSIKA V. , LONDIN E. , KIRINO Y. , Rigoutsos I. Фрагменты тРНК переплетаются с мРНК с определенным содержанием повторов и имеют связи с различиями . Рак Рез. 2019 ; 79 : 3034 – 3049 .34. Шах А. , Цянь Ю. , Вейн-Ванхентенрик С.М. , Zhang C. Набор инструментов CLIP (CTK): гибкий и надежный конвейер для анализа данных секвенирования CLIP . Биоинформатика. 2017 ; 33 : 566 – 567 .35. Kruger J. , Rehmsmeier M. РНКгибрид: предсказание мишени микроРНК легко, быстро и гибко . Рез. нуклеиновых кислот. 2006 ; 34 : W451 – W454 .36. Altschul S.F. , Гиш В. , Миллер В. , Майерс Э.В. , Липман Д.Дж. Базовый инструмент локального поиска центровки . Дж. Мол. биол. 1990 ; 215 : 403 – 410 .37. Паскинелли А.E. МикроРНК и их мишени: распознавание, регуляция и возникающие реципрокные отношения . Нац. Преподобный Жене. 2012 ; 13 : 271 – 282 .38. Галка-Марчиняк П. , Урбанек-Тшечак М.О. , Наврочка вечера , Kozlowski P. Панраковый атлас соматических мутаций в генах биогенеза микроРНК . Рез. нуклеиновых кислот. 2021 ; 49 : 601 – 620 .39. Субраманиан А. , Тамайо П. , Мутха В.К. , Мукерджи С. , Эберт Б.Л. , Gillette M.A. , Paulovich A. , Pomeroy S.L. , Голуб Т.Р. , Ландер Э.С. и др. . Анализ обогащения набора генов: основанный на знаниях подход к интерпретации полногеномных профилей экспрессии . Проц. Натл. акад. науч. США 2005 ; 102 : 15545 – 15550 .40. Liberzon A. Описание базы данных молекулярных сигнатур (MSigDB) Веб-сайт . Методы Мол. биол. 2014 ; 1150 : 153 – 160 .41. Керпеджиев П. , Хаммер С. , Хофакер И.Л. Forna (силоуправляемая РНК): простые и эффективные онлайн-схемы вторичной структуры РНК . Биоинформатика. 2015 ; 31 : 3377 – 3379 .42. Кумар П. , Мудунури С.Б. , Анайя Дж. , Датта А. tRFdb: база данных для переноса фрагментов РНК . Рез. нуклеиновых кислот. 2015 ; 43 : D141 – D145 .43. PLIATSIKA V. , LOHER P. , MAGEE R , TELONIS , TELONIS AG , LONDIN E. , SHIGEMATSU M. , KIRINO Ю. , Ригуцос И. MINTbase v2.0: всеобъемлющая база данных фрагментов, полученных из тРНК, которая включает ядерные и митохондриальные фрагменты из всех проектов The Cancer Genome Atlas . Рез. нуклеиновых кислот. 2018 ; 46 : D152 – D159 .44. La Ferlita La Ferlita A. , ALIMO S. , S. , VENEZIANO D. , NIGITA G. , BALATTI V. , Кроче К.М. , Ferro A. , Pulvirenti A. Идентификация нкРНК, полученных из тРНК, в панельных клеточных линиях TCGA и NCI-60 и разработка общедоступной базы данных tRFexplorer . База данных. 2019 ; 2019 : баз115 .45. Цзо Ю. , Чжу Л. , Го З. , Лю В. , Чжан J. , ZENG Z. , WU Q. , Чэн J. , FU X. , Jin Y. et др. . tsRBase: обширная база данных по экспрессии и функциям tsRNAs у многих видов . Рез. нуклеиновых кислот. 2021 ; 49 : D1038 – D1045 .46. Ли Н. , Shan N. , Lu L. , Wang Z. tRFtarget: база данных для переноса фрагментов , полученных из РНК. Рез. нуклеиновых кислот. 2021 ; 49 : D254 – D260 .47. ZHOU Y. , PENG H. , H. , CUI Q. , ZHOU Y. TRFTAR: прогнозирование взаимодействий генов TRF-MACE с помощью системного повторного анализа аргоната Наборы данных CLIP-seq . Методы . 2020 ; 187 : 57 – 67 .48. Ши Дж. , Ко Е. А. , Сандерс К.М. , Chen Q. , Zhou T. SPORTS1.0: инструмент для аннотирования и профилирования некодирующих РНК, оптимизированный для малых РНК, полученных из рРНК и тРНК . Геномика Протеомика Биоинформатика. 2018 ; 16 : 144 – 151 .49. LOHER P. , TELONIS A.G. , RigOutsos I. Mintmap: быстрое и исчерпывающее профилирование атомных и митохондриальных фрагментов TRNA от коротких данных RNA-SEQ . науч. Респ. 2017 ; 7 : 41184 .50. Seashols-Williams S.J. , Бадд В. , Кларк Г.К. , Ву В. , Даниэль Р. , Драгоеску Э. , Зехнер З.Е. миР-9 Действует как онкомир при раке предстательной железы несколькими путями, которые вызывают прогрессирование опухоли и метастазирование . PLoS Один. 2016 ; 11 : e0159601 .51. Хуан В. , Ли Л. , Майерс Дж. Р. , Март Г.T. ART: симулятор считывания секвенирования нового поколения . Биоинформатика. 2012 ; 28 : 593 – 594 . Примечания автора © Автор(ы), 2021 г. Опубликовано Oxford University Press от имени Nucleic Acids Research. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution (https://creativecommons.org/licenses/by/4.0/), что разрешает неограниченное повторное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы. Символики декодирования — Camcode Символики — это то, что делает часть штрих-кода тега актива полезной. Символики — это системы закодированных данных в штрих-коде, которые сканеры или считыватели штрих-кодов могут декодировать и обрабатывать сохраненные данные. Первым шагом к пониманию символики является рассмотрение некоторых ключевых терминов. Набор символов: диапазон символов данных, которые могут быть закодированы в данной системе символов Плотность: сколько символов можно закодировать в линейном дюйме (cpi) Непрерывный код: Все пробелы являются частью символов (Код 128, I 2 из 5) Дискретный код: пробелы между символами не являются частью кода (код 39) Элемент: любая полоса или пробел Размер «X»: ширина узкого элемента Соотношение: соотношение между шириной широких элементов и шириной узких элементов (например,3:1) Мил: одна тысячная дюйма (0,0075 дюйма = семь с половиной мил) Тихая зона: пробел в начале и в конце штрих-кода. К наиболее распространенным символикам относятся следующие: Код 39 — это дискретный код и одна из наиболее часто используемых промышленных символик. Он использует буквенно-цифровые символы, такие как 0-9, A-Z. Однако буквенные символы должны быть только в верхнем регистре. Code 39 также может включать семь специальных символов: $ % / .- + пробел. Он имеет переменную длину и переменное соотношение от 2:1 до 3:1, при этом требуется 10-кратное увеличение тихих зон. Штрих-код имеет рисунок тонкий, тонкий, толстый, толстый, тонкий. Обычно он используется на этикетках активов для таких отраслей, как военная промышленность, здравоохранение и автомобилестроение. Код 128 — это непрерывный код. Буквенно-цифровые символы используются с переменной длиной и четырьмя различными ширинами элементов, которые не требуют соотношений. Обычный для тегов активов, он содержит 128 кодируемых символов и три подмножества. Подмножество A: прописные буквы и буквы, 0–9, несколько специальных символов, включая управляющие символы американского стандартного кода для обмена информацией (ASCII). Подмножество B: буквы верхнего и нижнего регистра, 0-9, несколько специальных символов. Подмножество C: только числовое значение двойной плотности. Все двухсимвольные комбинации от 00 до 99. Чередование 2 из 5 (I 2 из 5) – Это также непрерывный код, но только числовой. Каждый символ кодирует две цифры, а сообщения должны содержать четное количество символов (или добавлять начальные нули).Эта символика является наименее распространенной и восприимчивой к коротким чтениям. Двумерный (2D) — это может быть обычный 2D-код или матричный код, например QR-код. Эта символика кодирует информацию как по горизонтали, так и по вертикали, что позволяет кодировать большой объем данных в небольшом пространстве. В частности, он может кодировать до 3116 цифровых цифр и 2335 буквенно-цифровых символов. Символ построен на квадратной сетке, расположенной по периметру символа штрих-кода с помощью шаблона поиска.Чаще всего используется с этикетками MIL-STD-130 UID. Если вам нужна помощь в определении того, какие символы вам подходят, или помощь в форматировании данных для кодирования, Camcode может помочь!   Расшифровка дисциплин – улучшение обучения учащихся Расшифровка дисциплин — это процесс улучшения обучения учащихся за счет сокращения разрыва между мышлением эксперта и новичка. Начиная с выявления узких мест в обучении по конкретным дисциплинам, он стремится сделать явными неявные знания экспертов и помочь учащимся освоить умственные действия, необходимые им для успеха в определенных курсах. Если вы новичок в декодировании, нажмите здесь. Шаги в процессе декодирования Определите узкое место для изучения Раскрытие умственных задач, необходимых для преодоления узкого места Модель Эти задачи Дайте студентам и обратной связи мотивируют и уменьшить сопротивление Оценка мастерства учащихся Поделитесь тем, что было изучено в процессе расшифровки (Нажмите на категорию выше, чтобы узнать больше об этом шаге и примерах его использования.) Узнать больше Присоединиться к списку декодирования Примеры процесса декодирования в действии на нашем канале YouTube и в последних подкастах на вкладке «Расшифровка дисциплин» в разделе «Категории», чтобы увидеть примеры декодирования в действии). Дэвид Пейс, Расшифровка парадигмы дисциплин (Indiana University Press) Дженис Миллер-Янг и Дженнифер Боман, ред. Использование структуры расшифровки дисциплин для междисциплинарного обучения , Новые направления преподавания и обучения, 150. Сан-Франциско: Джосси-Басс Дэвид Пейс и Джоан Миддендорф, Расшифровка дисциплин: помощь учащимся в изучении дисциплинарных способов мышления (Новые направления в преподавании и обучении, том 98 (осень 2004 г.) Мы рассматриваем этот веб-сайт как незавершенную работу всего сообщества Decoding, предназначенную для того, чтобы сделать более доступной работу, которая выполняется. в этих рамках во всем мире.Мы с нетерпением ждем ваших материалов и предложений. Расшифровка библейского пророчества: обретение жизни вечной через узкие врата | by Alison Bear Однажды вечером Чуньгуан с тяжелым сердцем сидел перед столом и читал Матфея 7:13–14: «Войдите узкими вратами: ибо широки врата и пространен путь , что ведет к погибели, и многие идут ими: потому что узки врата и узок путь, ведущие в жизнь, и немногие находят их. Хотя она много раз читала и обдумывала эти два стиха, но так и не могла сообразить вопрос о входе в узкие врата и в широкие врата. Она задумалась: в Библии написано, что только те верующие, которые входят узкими вратами, могут обрести жизнь вечную. Тогда как войти в узкие врата? Что такое узкие врата? Что такое широкие ворота? Поскольку я верую в Господа в церквях, не вошел ли я в узкие врата? Это очень смутило Чуньгуана. Итак, однажды после собрания она задала эти вопросы проповеднику, сотруднику Ли.И сотрудник Ли ответил: «На самом деле верить в Господа Иисуса — значит входить в узкие врата. Пока мы будем держаться имени Господа и претерпеть до конца, мы обязательно войдем в узкие врата; а те, кто не веруют в Господа и все еще от мира, войдут широкими вратами». Услышав это, Чуньгуан все еще сомневался: так ли это на самом деле? В следующих стихах говорится о двух видах фруктовых деревьев и двух разных основаниях, что было сказано относительно двух видов верующих, а не верующих и неверующих. Как коллега Ли мог сбить их с толку? Поскольку она не могла согласиться с объяснением Ли, она могла только молиться Господу, несущему смятение: «О Господь, что такое широкие врата? Что такое узкие врата? Как мне войти в узкие врата? Я знаю, что узкие врата и широкие врата означают две разные веры в Бога и два разных исхода. Тогда к какой вере я принадлежу? Как мне найти узкие врата и обрести жизнь вечную? Эти вопросы долгое время не давали мне покоя. О Господь, пожалуйста, просвети меня и помоги мне понять Твою волю.Позже Чуньгуан продолжал искать в Библии, пытаясь найти ответ. Однажды Чуньгуан наткнулась на своего предыдущего коллегу Чжан Лань, старовера, который рьяно преследовал. Затем Чуньгуан излила свое замешательство, и Чжан Лань серьезно ответила: «Эти слова Господа Иисуса были под определенным фоном. В то время, поскольку фарисеи, священники и книжники держались учений и букв закона и не стремились познать Бога и Божью работу в своей вере в Бога и служении Богу, они не верили, что Господь Иисус был Мессия, явление Христа, и они не признали, что слово, выраженное Господом Иисусом, есть истина, голос Божий. Вместо этого они преследовали и сопротивлялись словам и делам Господа Иисуса, даже арестовывали и осуждали Его и, в конце концов, распяли Его на кресте. Следовательно, они вошли в широкие ворота, которые вели к разрушению. Напротив, такие люди, как Петр, Иоанн и Нафанаил, не придерживались закона или правил. Они видели, что работа и слово Господа Иисуса были полны власти и силы, и что знамения и чудеса, совершенные Господом Иисусом, такие как воскресение мертвого одним словом и насыщение пяти тысяч человек пятью хлебами и двумя рыбами, могли только сделать Творцом.Кроме того, они узнали голос Божий в словах, сказанных Господом Иисусом, и подтвердили, что Он был явлением Христа. Наконец, они отошли от закона и приняли спасение Господа Иисуса. И они были теми, кто вошел в узкие врата. Как мы все знаем, Господь Иисус сказал: «Истинно, истинно говорю вам: Я есмь дверь овцам» (Иоанна 10:7). Господь Иисус сказал нам, что Он был дверью для овец, но в мире, наполненном тьмой, немногие люди могли принять спасение Господа Иисуса или искать истину и путь к свету. Итак, в то время те, кто мог принять Господа Иисуса как своего Спасителя, вошли в узкие врата». Чуньгуан задумчиво спросил Чжан Ланя: «Поскольку сейчас последние дни, можем ли мы с такой верой войти в узкие врата? Почему я не чувствую присутствия Господа Иисуса?» Чжан Лань продолжил общение: «Господь Иисус сказал нам: ‘Ибо, как молния, которая светит из одной части под небом, сияет до другой части под небом; так будет и Сын Человеческий в свое время.Но прежде надлежит ему много пострадать и быть отверженному родом сим» (Луки 17:24–25). Это место Писания является пророчеством Господа о Его втором пришествии до того, как Он вознесся на небо. Из этого мы можем узнать, что Господь Иисус будет отвергнут этим поколением и много пострадает, когда придет снова. Так же, как когда Господь Иисус впервые явился во плоти, священники, книжники и фарисеи, верившие в Бога в течение многих лет, сопротивлялись и осуждали Его и даже вступили в сговор с римским правительством, чтобы распять Его на кресте. Более того, Господь Иисус сказал, что Он был дверью для овец, и Он также много раз пророчествовал, что Он придет снова, чтобы выполнить новую работу. Итак, если мы хотим войти узкими вратами, чтобы обрести вечную жизнь, мы должны идти по следам вернувшегося Господа Иисуса и найти дело Его второго пришествия. Библия говорит: «И если кто услышит слова Мои и не поверит, Я не осуждаю его, ибо не судить мир пришел Я, но мир спасти. Кто отвергает Меня и не принимает слов Моих, тот имеет судью себе: слово, которое Я сказал, оно будет судить его в последний день» (Иоанна 12:47–48). ‘Когда же приидет Он, Дух истины, то наставит вас на всякую истину: ибо не от Себя говорить будет; но что услышит, то и скажет; и будущее возвестит вам» (Иоанна 16:13). «Имеющий ухо да слышит, что Дух говорит церквам» (Откровение 2:29). Господь Иисус сказал нам, что Он будет говорить и произносить Свои слова, чтобы судить человека, когда Он вернется, и попросил нас внимательно слушать голос Бога. Итак, если мы найдем слова вернувшегося Господа Иисуса и примем Его работу суда в последние дни, мы войдем в узкие врата, предсказанные Господом Иисусом. Чуньгуан кивнула головой и сказала: «После того, как я выслушала ваше общение, мне стало немного ясно. И я знаю, что мы должны найти слова вернувшегося Господа Иисуса, прежде чем у нас будет возможность войти в узкие врата». Затем она спросила: «Итак, как мы можем найти второе пришествие Господа Иисуса и следовать Его работе, чтобы войти в узкие врата?» Чжан Лань ответил: «Согласно пророчествам, мы должны различать, в какой церкви есть работа Святого Духа и новые слова Бога.Как только мы находим эту церковь, несомненно, правильно исследовать ее, потому что она должна быть восхищенной церковью, когда вернется Господь. Кроме того, в Откровении сказано: «Это те, которые пришли от великой скорби; они омыли одежды свои и убелили одежды свои Кровию Агнца» (Откровение 7:14). Из этого места Писания я понял: точно так же, как когда Господь Иисус пришел на работу, Он был осужден религиозным сообществом и римским правительством и отвергнут миром. Если церковь является свидетелем явления и действия Второго пришествия Господа Иисуса, которое больше всего страдает от арестов, преследований, унижения и дискредитации со стороны правительства, а также отвержения религиозного мира, мы должны искать и исследовать еще больше.Кроме того, поскольку Господь Иисус пророчествовал, что Он много пострадает и будет отвергнут этим поколением, когда Он придет снова, те, кто следует за вернувшимся Господом Иисусом, должны претерпеть много страданий и, наконец, выйти из великой скорби. Они должны быть теми, кто входит в узкие врата». Выслушав общение Чжан Лань, Чуньгуан радостно сказал: «То, что вы рассказали, соответствует пророчествам Библии. Только если мы найдем церковь, свидетельствующую о втором пришествии Господа, мы сможем войти в узкие врата. Благодаря вашему сегодняшнему ясному общению смятение в моем сердце наконец-то рассеялось. Слава Богу. Сестра, пожалуйста, сообщайте мне больше, когда вам удобно». «Это было бы прекрасно! Слава Богу!» — сказал Чжан Лань. Рекомендовано：Воскресение Иисуса Я могу сделать тебя толстым. Я могу сделать тебя худой. Расшифровка ожирения — Блоги A. Я МОГУ СДЕЛАТЬ ТЕБЯ ЖИРНЫМ На самом деле я могу сделать кого угодно толстым. Как? При назначении инсулина. Не имеет значения, есть ли у вас сила воли или что вы занимаетесь спортом.Неважно, что вы решите съесть. Вы растолстеете. Это просто вопрос достаточного количества инсулина и достаточного количества времени. Высокая секреция инсулина уже давно связана с ожирением (1). У тучных людей выделяется гораздо более высокий уровень инсулина, чем у людей с нормальным весом. Также у худощавых людей уровень инсулина быстро возвращается к исходному уровню после еды, но у тучных этот уровень остается повышенным. Уровень инсулина почти на 20% выше у этих людей с ожирением (2). И эти повышенные уровни сильно коррелируют с такими важными показателями, как окружность талии и соотношение талия/бедра.Эта тесная связь между уровнем инсулина и ожирением, безусловно, предполагает, но не доказывает причинно-следственный характер этой связи. Поскольку уровень инсулина сильно колеблется в течение дня в зависимости от приема пищи, уровень инсулина натощак является более простым одношаговым измерением. В исследовании сердца в Сан-Антонио (3) высокий уровень инсулина натощак тесно коррелировал с увеличением веса в течение восьми лет наблюдения. Связь между повышенным инсулином и ожирением уже установлена.Теперь вопрос в том, является ли эта ассоциация причинно-следственной связью. Вызывает ли высокий уровень инсулина ожирение ? Мы можем доказать причинно-следственную связь, экспериментально дав инсулин группе людей и измерив их прибавку в весе. Многочисленные исследования, проведенные в основном на больных сахарным диабетом, уже продемонстрировали этот факт. В знаменательном исследовании 1993 года по контролю диабета и его осложнениям (4) стандартную дозу инсулина сравнивали с высокой дозой, предназначенной для жесткого контроля уровня сахара в крови у пациентов с диабетом 1 типа.По прошествии 6 лет исследование показало, что интенсивный контроль уровня сахара в крови приводил к меньшему количеству осложнений у этих пациентов. Однако что случилось с их весом? Участники группы с высокой дозой набрали в среднем примерно на 9-8 фунтов (4-5 кг) больше, чем участники стандартной группы. Более 30 процентов пациентов испытали значительное увеличение веса. До исследования обе группы были более или менее равны по весу с небольшим ожирением. Единственное различие между группами заключалось в количестве вводимого инсулина. Этим пациентам вдруг не хватило силы воли? Были ли они ленивее, чем до исследования? Были ли они более прожорливыми? Нет, нет и нет. Уровень инсулина был повышен. Больные прибавили в весе. И снижение потребления калорий оказалось бесполезным. В увлекательном исследовании 1993 года (5) высокие дозы инсулина позволили фактически нормализовать уровень сахара в крови в группе пациентов с диабетом 2-го типа. Начиная с нуля, дозу увеличивали в среднем до 100 точек в день в течение шести месяцев.В то же время пациенты снизили потребление калорий более чем на 300 калорий в день. Уровень сахара в крови у пациентки был высоким. Но что случилось с их весом? Он увеличился в среднем на 19 фунтов (8,7 кг). Несмотря на то, что они ели меньше, чем когда-либо, пациенты набирали вес как сумасшедшие. Не калории привели к увеличению веса. Это был инсулин. B. Я МОГУ СДЕЛАТЬ ТЕБЯ ТОНКИМ Если инсулин вызывает увеличение веса, может ли снижение его уровня иметь противоположный эффект? Поскольку уровень инсулина снижается до очень низкого уровня, следует ожидать значительной и серьезной потери веса. В сообществе диабетиков типа 1 существует расстройство, называемое «диабулимия». Сегодня больных сахарным диабетом 1 типа лечат ежедневными инъекциями инсулина. Есть пациенты, которые хотят похудеть по чисто косметическим причинам. Диабулимия — это преднамеренное снижение дозы инсулина с целью немедленной и существенной потери веса. Это крайне опасно и, конечно, нежелательно. Тем не менее, практика сохраняется, потому что это чрезвычайно эффективная форма потери веса. Уровень инсулина падает.Вес теряется. Недавнее исследование (6) предполагает, что 75% реакции на потерю веса при ожирении определяется уровнем инсулина. Не сила воли. Не калорийность. Ни поддержки сверстников, ни давления сверстников. Не упражнения. Просто инсулин. Как написал проницательный Гэри Таубс в своей книге Почему мы толстеем: и что с этим делать . «Мы толстеем не потому, что переедаем, мы переедаем, потому что толстеем». И почему мы толстеем? Мы толстеем, потому что наш термостат массы тела установлен слишком высоко.Почему? Потому что у нас слишком высокий уровень инсулина. Ожирение — это гормональный, а не калорийный дисбаланс. Как только мы поймем, что ожирение — это гормональный дисбаланс, мы сможем начать его лечить. Если мы считаем, что избыток калорий вызывает ожирение, то лечение заключается в снижении калорийности, но этот метод потерпел полную неудачу. Однако, если слишком много инсулина вызывает ожирение, становится ясно, что нам нужно снизить уровень инсулина. Вопрос не в том, как сбалансировать калории, вопрос в том, как сбалансировать наши гормоны. Самый важный вопрос при ожирении – как снизить уровень инсулина (продолжение следует). Цитаты: Polonski K, Given B, Van Cauter E. Суточные профили и пульсирующие модели секреции инсулина у нормальных и тучных субъектов. Джей Клин Инвест. 1988 г., февраль; 81(2):442-8 Ферраннини Э., Натали А., Белл П. и др. Резистентность к инсулину и гиперсекреция при ожирении, J Clin Invest. 1997 г., 1 сентября; 100(5): 1166-73. Хан Т.С., Уильямс К., Саттар Н., Хант К.Дж., Лин М.Э., Хаффнер С.М.Анализ ожирения и гиперинсулинемии при развитии метаболического синдрома: исследование сердца в Сан-Антонио. Share This Post  :  Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт