Біоінформатика

Мапа X-хромосоми людини (дані з сайту NCBI). Розшифрування геному людини — одне з найбільших досягнень біоінформатики.

Біоінформа́тика — це міждисциплінарна галузь науки, яка поєднує принципи біології, інформатики, математики та статистики для збору, аналізу, інтерпретації та керування біологічними даними.

Біоінформатика тісно пов'язана з обчислювальною біологією, і зосереджена на розробці та використанні обчислювальних методів, алгоритмів і програмних засобів для вилучення значущої інформації з величезних і складних наборів біологічних даних, зокрема в геноміці, епігеноміці, протеоміці та інших дисциплінах оміксних аналізів та мультиоміки. Біоінформатика відіграє ключову роль у вдосконаленні нашого розуміння біологічних процесів, допомагаючи у відкритті ліків, полегшуючи персоналізовану медицину та сприяючи різноманітним аспектам біологічних та біомедичних досліджень.

Біоінформатика охоплює широкий спектр діяльності, включаючи вирівнювання послідовностей, структурну біологію, функціональну анотацію, передбачення структури білків, системну біологію та розробку баз даних і обчислювальних моделей, пошук генів^[en], збірку геномів, вирівнювання структур^[en] білків, передбачення експресії генів та білок-білкової взаємодії та реконструювання процесу еволюції. Це дає змогу дослідникам досліджувати генетичні варіації, визначати потенційні мішені ліків, розкривати еволюційні зв’язки та отримати уявлення про механізми, що лежать в основі різних захворювань.

Великим напрямком досліджень біоінформатики є отримання високоякісних послідовностей геномів з фрагментів послідовностей, отриманих за допомогою традиційних методів секвенування ДНК та конструювання сигнальних мереж за даними ДНК-мікрочипів. В останньому випадку біоінформатика нерідко перетинається з системною біологією.

Хоча терміни біоінформатика і обчислювальна біологія часто взаємозамінюються, останній указує на ширшу галузь, що також включає розробку алгоритмів і конкретні обчислювальні методи та моделювання біологічних (математична біологія) і біохімічних (обчислювальна хімія, молекулярне моделювання) процесів. Іноді інформатику розглядають як галузь біомедичної інформатики.

Основні галузі досліджень

Аналіз генетичних послідовностей

Відтоді, як в 1977 році був секвенований геном фагу φ-X-174, послідовності ДНК все більшого числа організмів були розшифровані і збережені в базах даних. Ці дані використовуються для визначення послідовностей білків і регуляторних ділянок. Порівняння генів в рамках одного або різних видів може продемонструвати схожість функцій білків або відношення між видами (таким чином, можуть бути складені філогенетичні дерева).

Із зростанням кількості даних вже давно стало неможливим вручну аналізувати послідовності. В наші дні для пошуку по геномах тисяч організмів, що складаються з мільярдів пар основ, використовуються комп'ютерні програми. Програми можуть однозначно зіставити («вирівняти») схожі послідовності ДНК в геномах різних видів, часто такі послідовності несуть схожі функції, а відмінності виникають в результаті дрібних мутацій, таких як заміни окремих нуклеотидів, вставки нуклеотидів і їхнє «випадання» (делецій).

Один з варіантів такого вирівнювання застосовується при самому процесі секвенування. Так звана техніка «дробового секвенування» (яка, наприклад, використовувалася Інститутом генетичних досліджень^[en] або TIGR для секвенування першого бактеріального геному Haemophilus influenzae) замість повної послідовності нуклеотидів дає послідовності коротких фрагментів ДНК (кожен завдовжки близько 600–800 нуклеотидів). Кінці фрагментів накладаються один на одного і, суміщені належним чином, дають повний геном. Такий метод швидко дає результати секвенування, але збірка фрагментів може бути досить складним завданням для великих геномів. У проєкті з розшифрування геному людини збірка зайняла декілька місяців часу суперкомп'ютерів. Зараз цей метод застосовується для практично всіх геномів, і алгоритми збірки геномів є однією з щонайгостріших проблем біоінформатики на сьогоднішній момент.

Іншим прикладом застосування комп'ютерного аналізу послідовностей є автоматичний пошук генів^[en] і регуляторних послідовностей в геномі. Не все нуклеотиди в геномі використовуються для завдання послідовностей білків. Наприклад, в геномах еукаріотів існують великі сегменти некодуючої ДНК, які явно не кодують білки, а їхня функціональна роль в багатьох випадках невідома. Розробка алгоритмів виявлення ділянок геному, що кодують білки, є важливим завданням сучасної біоінформатики.

Біоінформатика допомагає зв'язати геномні та протеомні проєкти, наприклад, допомагаючи у використанні послідовності ДНК для ідентифікації білків.

Анотація геномів

У контексті геноміки анотація — процес маркування генів і інших об'єктів в послідовності ДНК. Перша програмна система анотації геномів була створена в 1995 році Оуеном Вайтом (Owen White), що працював в команді, яка секвенувала і проаналізувала перший декодований геном вільноживучого організму, бактерії Haemophilus influenzae. Доктор Вайт побудував систему знаходження генів, тРНК і інших об'єктів в геномі, і зробив перші позначення функцій цих генів. Більшість сучасних систем працюють схожим чином, але ці програми постійно розвиваються і поліпшуються.

Обчислювальна еволюційна біологія

Еволюційна біологія досліджує походження і появу видів, також як їхній розвиток з часом. Інформатика допомагає еволюційним біологам в декількох аспектах:

• вивчення еволюції великого числа організмів, вимірюючи зміни в їхній ДНК, а не тільки в будові або фізіології
• порівняння цілих геномів (див. BLAST^[en]), що дозволяє вивчати більш комплексні еволюційні події, такі як дуплікація генів, горизонтальний перенос генів і передбачати фактори спеціалізації організмів
• будування комп'ютерних моделей популяцій, щоб передбачити поведінку системи з часом
• відстеження появи публікацій, що містять інформацію про велику кількість видів

Область інформатики, що використовує генетичні алгоритми, часто плутають з комп'ютерною еволюційною біологією. Робота в цій області використовує спеціалізоване програмне забезпечення для поліпшення алгоритмів і обчислень і ґрунтується на еволюційних принципах, таких, як реплікація, диверсифікация^[en] через рекомбінацію або мутації, і виживання за умовами природного відбору.

Оцінка біологічного різноманіття

Біорізноманіття екосистеми може бути визначено як повна генетична сукупність певного середовища, що складається зі всіх видів, що мешкають в ньому, чи це біофільм в покинутій шахті, крапля морської води, жменя землі або вся біосфера планети Земля. Для збору видових назв, описів, ареалу розповсюдження і генетичній інформації використовуються бази даних. Спеціалізоване програмне забезпечення застосовується для пошуку, візуалізації та аналізу інформації, і, що важливіше, її доступності іншим людям. Комп'ютерні симуляції моделюють такі речі, як популяційна динаміка, або обчислюють загальне генетичне здоров'я культури в агрономії. Один з найважливіших потенціалів цієї області полягає в аналізі послідовностей ДНК організмів або повних геномів цілих вимираючих видів, дозволяючи запам'ятати результати генетичного експерименту природи в комп'ютері й можливо використовувати знову в майбутньому, навіть якщо ці види повністю вимруть.

Аналіз експресії генів

Експресія багатьох генів може досліджуватися за допомогою вимірювання рівнів багатьох мРНК з використанням методів ДНК-мікрочипів, експресії міток послідовностей^[en] (EST), серійного аналізу експресії генів^[en] (SAGE) або інших варіантів мультиплексної гібридизації in-situ^[en]. Всі ці методи надзвичайно сприятливі до шуму і схильні до упередженості в отриманих значеннях, тому важлива область досліджень в біоінформатиці займається розробкою статистичних інструментів для розділення сигналу і шуму в генетичних дослідженнях. Ці дослідження часто використовуються для виявлення генів, залучених у хвороби: наприклад, дані мікрочипів ракових епітеліальних клітин порівнюють з нормальними для визначення підвищуючої та понижчуючої регуляції генів.

Типи даних у біоінформатиці

Біоінформатика має справу з різноманітними типами біологічних даних, кожен з яких пропонує унікальне розуміння складності живих організмів. Ці типи даних необхідні для розуміння генетики, біології та суміжних галузей. Ось кілька відомих типів даних у біоінформатиці:

Оміксіні технології

Хронологія основних технологічних розробок і віх в різних аналізах оміксних технологій^[1]

«Оміксні технології» — це набори передових, високопродуктивних методологій, які використовуються для аналізу широкого діапазону біологічних молекул та їх взаємодії з метою розуміння структури, функції та динаміки біологічних систем на різних рівнях.^[2] Поєднуючи ці «-оми», вчені можуть аналізувати складні біологічні великі дані, щоб знаходити нові асоціації між біологічними об’єктами, точно визначати відповідні біомаркери захворювань і фізіологічних процесів.^[3][4] Роблячи це, мультиоміка об’єднує різноманітні дані омік, щоб знайти узгоджено відповідний зв’язок або асоціацію генотип-фенотип-довкілля.^[5] Термін «мультіоміка» відображає взаємозв’язок і складну взаємодію між різними типами біологічних даних. Біологічні процеси керуються каскадом подій, які починаються з генома та призводять до функціональних білків і метаболітів, які опосередковують клітинні процеси. Уздовж цього континууму існують різні точки регулювання та зворотного зв’язку, які найкраще зрозуміти, якщо розглядати їх разом.^[6]

Геномні дані

• Секвенування ДНК: визначення точної послідовності нуклеотидних основ у молекулах ДНК. Цей тип даних був революційним завдяки високопродуктивним технологіям секвенування, таким як секвенування наступного покоління^[en] (NGS) і секвенування однієї молекули в реальному часі^[en].
• Збірка геномів: реконструкція повних геномів із фрагментованих послідовностей ДНК. Удосконалення алгоритмів і обчислювальних методів підвищили точність і ефективність складання геному.^[7]
• Порівняльна геноміка^[en]: порівняння геномів різних видів для виявлення еволюційних зв’язків, збережених елементів і генетичних варіацій. Цей тип даних допомагає зрозуміти еволюцію видів і функціональних елементів у геномах.
• Функціональна геноміка^[en]: вивчення функцій генів і некодуючих елементів у геномах, часто за допомогою таких методів, як CRISPR-Cas9 для редагування генів і функціональної анотації. (див. Геноміка)
• Фармакогеномічні дані: дослідження того, як генетичні варіації впливають на індивідуальні реакції на ліки. Цей тип даних використовується в персоналізованій медицині та оцінці безпеки ліків.^[8][9]

Епігеномні дані

• Профіль метилювання ДНК: Вивчення статусу метилювання специфічних залишків цитозину в ДНК. Патерни метилювання часто асоціюються з глушінням генів і можуть бути проаналізовані за допомогою таких методів, як бісульфітне секвенування^[en] та методи аналізу мікрочипів^[en].^[10]
• Дані модифікації гістонів — ChIP-Seq (Секвенування імунопреципітацією хроматину): визначення місць і моделей модифікацій гістонів (наприклад, ацетилювання, метилювання), пов’язаних з регуляцією генів. Секвенування ChIP поєднує імунопреципітацію хроматину з високопродуктивним секвенуванням.
• Секвенування малих РНК^[en]: профілювання малих некодуючих РНК (наприклад, мікроРНК^[11], малих інтерферуючих РНК), які відіграють вирішальну роль у регуляції генів після транскрипції.^[12]
• Аналіз довгих некодуючих РНК (lncRNA): Дослідження функцій і регуляторних ролей довгих некодуючих РНК у експресії генів та епігенетичній регуляції.^[13]
• Методи фіксації конформації хромосом — відображення тривимірної організації хроматину в клітинному ядрі. Дані Hi-C дають зрозуміти, як хроматинові петлі та взаємодії впливають на регуляцію генів і архітектуру геному.
• Повноепігеномне дослідження асоціацій^[en] (EWAS) — Епігеномне профілювання метилювання ДНК: виявлення епігенетичних змін, пов’язаних із захворюваннями, ознаками та впливом навколишнього середовища, подібно до загальногеномних досліджень асоціацій (GWAS) для генетичних варіацій. (див. Епігеноміка)

Транскриптомні дані

• Секвенування РНК^[en] (RNA-Seq): профілювання експресії генів шляхом кількісного визначення молекул РНК у зразку. RNA-Seq надає інформацію про рівні експресії генів, альтернативний сплайсинг і посттранскрипційні модифікації.^[14]
• Аналіз транскриптомів: аналіз усього набору транскриптів у клітині чи тканині, включаючи ідентифікацію нових транскриптів, варіантів сплайсингу та регуляторних РНК.^[15] (див. Транскприптоміка)

Епітранскриптомні дані

Епітранскриптоміка — це дослідження епітранскриптому^[en][16][17] — функціонально відповідних модифікацій транскриптому, які можуть впливати на стабільність, локалізацію та трансляцію РНК.^[18][19] Це поле дозволяє досліджувати інший рівень регуляції генів, який впливає на численні клітинні процеси та потенційно сприяє хворобливим станам.^[20]

• Дані про модифікацію РНК: Епітранскриптоміка зосереджена на вивченні посттранскрипційних модифікацій молекул РНК. Ці модифікації, такі як N6-метиладенозин (m6A)^[21][22] і 5-метилцитозин (m5C)^[23][24][25], можуть впливати на стабільність, локалізацію та ефективність трансляції РНК.
• Епітранскриптомне секвенування^[en]: такі методи, як m6A-seq^[26][27] і m5C-seq^[28][29], використовуються для профілювання модифікацій РНК у транскриптомі. Ці дані допомагають ідентифікувати модифіковані ділянки РНК і зрозуміти їхню функціональну роль.

Протеомні дані

• Мас-спектрометрія: вимірювання відношення маси до заряду білків і пептидів для ідентифікації та кількісного визначення білків у складних біологічних зразках. Дані протеоміки життєво важливі для розуміння функції білка та посттрансляційних модифікацій.
• Передбачення структури білка: використання обчислювальних методів для прогнозування тривимірних структур білків. Цей тип даних допомагає у відкритті ліків, функціональному аналізі та розумінні взаємодії білків.^[30]
• Функціональна протеоміка: дослідження білок-білкових взаємодій, субклітинної локалізації та функцій білка в клітинних шляхах.^[31][32] (див. Протеоміка)

Ліпідомні дані

Ліпідоміка — це широкомасштабне всебічний аналіз ліпідів у біологічних системах; дослідження шляхів і мереж клітинних ліпідів у біологічних системах.^[33] Ліпідоміка використовує методи аналітичної хімії та мас-спектрометрії^[34] для ідентифікації та кількісного визначення різноманітного профілю ліпідів у біологічних системах.^[35][36]

• Рідинна хроматографія-мас-спектрометрія (LC-MS): LC-MS є ключовим методом для ліпідоміки, що дозволяє дослідникам кількісно визначати та характеризувати молекули ліпідів. Ліпідомічні дані сприяють розумінню метаболізму ліпідів та їхньої ролі у здоров’ї та хворобах.^[37][38]

Глікомні дані

Глікоміка — це комплексне дослідження всіх гліканових структур (вуглеводів) клітини, тканини або організму.^[39] Глікоміка досліджує структуру та функції гліканів (цукрів, сахаридів) у біологічних системах, зокрема, завдяки мас-спектрометрії.^[40][41][42]

• Дані про структуру гліканів: глікоміка передбачає вивчення складних вуглеводів (гліканів), які містяться в глікопротеїнах і гліколіпідах. Дані містять інформацію про гліканові структури, зв’язки та модифікації.^[43]
• Мас-спектрометрія: методи мас-спектрометрії зазвичай використовуються для аналізу гліканів і білків, що зв'язують глікани. Дані, отримані в результаті профілювання гліканів, допомагають зрозуміти функцію гліканів і їх роль у захворюваннях.

Дані метаболоміки

Метаболоміка — це галузь біоінформатики, яка зосереджена на комплексному вивченні малих молекул (метаболітів) у біологічних системах. Ці метаболіти відіграють важливу роль у різних біохімічних процесах і дають змогу зрозуміти метаболічний стан організму. Метаболомічні дані охоплюють широкий спектр аналітичних методів і типів даних:

Ідентифікація метаболітів

• Мас-спектрометрія: методи мас-спектрометрії, такі як рідинна хроматографія-мас-спектрометрія (LC-MS)^[44] і газова хроматографія-мас-спектрометрія^[en] (GC-MS)^[45][46], використовуються для ідентифікації та кількісного визначення метаболітів.
• ЯМР-спектроскопія: надає структурну інформацію про метаболіти та може використовуватися для кількісного визначення профілю метаболітів.^[47][48]

• Пікові інтенсивності: дані метаболоміки часто містять пікові інтенсивності або площі під піками в даних мас-спектрометрії.^[49][50]

Дані метаболічних шляхів

• Бази даних метаболічних шляхів: такі бази даних, як KEGG (Кіотська енциклопедія генів і геномів), MetaCyc^[en][51] і MetaboAnalyst^[en], надають інформацію про метаболічні шляхи, реакції та пов’язані ферменти. Метаболомічні дані можливо відобразити на цих шляхах, щоб зрозуміти зміни метаболічної мережі.
• Бази даних метаболітів: анотація метаболітів часто передбачає зіставлення мас-спектрів або спектрів ЯМР із записами в базах даних метаболітів, таких як бібліотеки METLIN^[en], Human Metabolome Database^[en] (HMDB)^[52] і баз даних NIST.^[53]

Інші типи даних в метаболоміці

• Дані часових рядів: Дані метаболоміки часових рядів передбачають вибірку протягом серії часових точок для вивчення динамічних змін рівнів метаболітів у відповідь на біологічні процеси або втручання.^[54]

• Багатовимірний статистичний аналіз: такі методи, як метод головних компонент^[55][56] і частковий аналіз найменших квадратів-дискримінант (PLS-DA)^[57][58], використовуються для аналізу метаболомічних даних з кількома змінними одночасно, визначення закономірностей і розрізнення груп зразків. (див. також Багатовимірна статистика)

• Дослідження асоціацій: метаболомічні дані використовуються в асоціативних дослідженнях для співвіднесення профілів метаболітів із клінічними або фенотипічними результатами, що полегшує виявлення біомаркерів і аналізує механізми.^[59][60]

Дані мікробіоміки

Мікробіоміка передбачає характеристику та аналіз мікробних спільнот, включаючи бактерії, археї, віруси, гриби, найпростіші та водорості, у визначеному середовищі.^[61] (Див. також Мікробіом, Мікробіом людини, Мікробіота кишки)

Метагеноміка

Метагеноміка — це дослідження генетичного матеріалу, отриманого безпосередньо зі зразків навколишнього середовища^[62] чи мікробіому певного організму.^[63] Це дозволяє охарактеризувати спільноти організмів, які не піддаються культивуванню звичайними мікробіологічними методами.^[64] Метагеноміка дає уявлення про структуру та функції мікробних спільнот у різноманітних середовищах, у тому числі в організмі людини.^[65]

• Секвенування 16S рРНК: цей метод зазвичай використовується для профілювання бактеріальних спільнот.^[66] Він генерує дані про різноманітність і чисельність таксонів бактерій у зразку.^[67][68]

Метатранскриптоміка

Метатранскриптоміка — розділ транскриптоміки та мікробіоміки, який займається вивченням транскриптомів у мікробних спільнотах. Він пропонує розуміння активних функціональних елементів спільноти та може проілюструвати, як громади реагують на подразники навколишнього середовища. Метатранскриптоміка також може допомогти ідентифікувати гени, що експресуються окремими членами спільноти, досліджуючи функціональні ролі різних членів спільноти.^[69][70]

Метапротеоміка

Метапротеоміка передбачає вивчення всього мікробного протеому в певний момент часу. Метапротеоміка надає функціональну інформацію про мікробні спільноти, що робить її ключовим інструментом для розуміння взаємодії мікробів і динаміки спільнот у їхньому природному середовищі існування. Такий підхід також допомагає з’ясувати функціональні ролі окремих членів і спільноти в цілому.^[71][72][73]

Мультиоміксні дані

Мультиоміксне поєднання даних оміксних технологій з іншими біомедичними даними для цілісного дослідження здоров'я^[1]

Мультиоміка — використання та інтеграція великої кількості даних, наданої дослідженнями оміксними технологіями, такими як геном, протеом, транскриптом, епігеном, епітранскриптом, метаболом, інтерактом, мікробіом (метагеном, метатранскриптом, метапротеом) та інші, щоб розвинути комплексне та цілісне розуміння біологічних систем.^{[1][74][75][76]}

Типи даних у мультиоміці

• Геноміка
• Транскриптоміка
• Епігеноміка
• Епітранскриптоміка
• Протеоміка
• Глікоміка
• Ліпідоміка
• Метаболоміка
• Інтерактоміка
• Мікробіоміка та деякі інші.

Методи інтеграції

Інтеграція даних мультиоміки є вирішальним кроком у дослідженнях мультиоміки, метою якого є надання повного уявлення про біологічні системи на різних молекулярних рівнях. Завдання класифікації методів інтеграції даних мультиоміки є складним через різноманітні методології з різними цілями. Однак їх можна широко класифікувати на основі їхніх базових статистичних стратегій, їхньої біологічної цілі та способу обробки кількох типів даних омік.^[77]

Існує два загальні підходи до організації вхідних даних для подальшої їх інтеграції та аналізу: методи ансамблю даних і методи ансамблю моделі. Методи ансамблю даних об’єднують дані мультиоміки з різних молекулярних шарів в єдину матрицю як вхідні дані. Навпаки, методи ансамблю моделі аналізують кожні дані омік незалежно, а потім об’єднують результати для побудови інтегративного аналізу.^{[78][79][80][81]} На основі цих двох методик організації даних класифікують наступні методи інтеграції даних^[80]:

Методи на основі регресії/асоціації:

• Послідовний аналіз
• Методи на основі канонічного кореляційного аналізу (CCA) і співінерційного аналізу (CIA)
• Методи на основі факторного аналізу

Методи на основі кластеризації:

• Кластеризація на основі ядра
• Метод кластеризації на основі матричної факторизації
• Метод баєсової кластеризації
• Багатовимірний метод кластеризації

Методи на основі мереж:

• Мережі на основі матриці факторизації (MF-Based)
• Баєсові мережі
• Мережі на основі поширення (NP-Based)
• Кореляційні та інші мережі

Застосування даних мультиоміки

• Виявлення біомаркерів^[en] захворювань: визначення діагностичних або прогностичних біомаркерів захворювань.
• Персоналізована медицина: адаптація медичних процедур і втручань на основі індивідуального мультиомічного профілю.
• Розуміння складних захворювань: дослідження молекулярних механізмів, що лежать в основі складних захворювань.
• Розробка ліків: прискорення розробки ліків шляхом виявлення мішеней на ліки та прогнозування реакції на ліки.Виклики та досягнення:

Нейроінформатика

Нейроінформатичне дослідження мереж мозку на основі даних візуалізації фМРТ^[82]

Нейроінформатика — це спеціалізована галузь біоінформатики, яка зосереджена на організації, аналізі та інтерпретації складних неврологічних та нейронаукових даних. Нейроінформатика об’єднує обчислювальні та експериментальні підходи для розуміння структури та функції нервової системи на різних рівнях, починаючи від молекулярного та клітинного до системного та когнітивного рівнів.^[83]

• Дані нейровізуалізації: включає дані, отримані за допомогою таких методів, як МРТ (магнітно-резонансна томографія), фМРТ (функціональна МРТ), ЕЕГ (електроенцефалографія), ПЕТ (позитрон-емісійна томографія), дифузійна МРТ та інших. Ці методи фіксують структуру мозку, активність і зв’язки, надаючи уявлення про неврологічні розлади, когнітивні функції та розвиток мозку.^[84]
• Геномні, транскриптомні та інші оміксні дані: розуміння функції мозку передбачає аналіз профілів експресії генів, генетичних варіацій і транскриптомних даних, специфічних для нейронів або ділянок мозку. Ці дані допомагають розшифрувати молекулярні механізми, що лежать в основі нейропластичності, неврологічних захворювань і розвитку мозку.^[85]
• Дані конектому: конектоміка^[en] зосереджується на відображенні складних нейронних зв’язків у мозку.^[86] Дані, пов’язані з нейронними ланцюгами, ансамблями та мережами, сприяють розумінню обробки інформації, навчання та пам’яті.^[82]
• Дані нейронної активності: це охоплює дані із записів нейронної активності, включаючи потенціали дії, кальцієву візуалізацію^[87] та оптогенетику^[en][88]. Такі дані допомагають розгадати динаміку нейронів, шляхи передачі сигналів і реакцію нейронів на подразники.

Дані структурної біології

Структурна біологія досліджує інформацю про тривимірні структури біологічних макромолекул, таких як білки та нуклеїнові кислоти. Ці дані важливі для розуміння молекулярних взаємодій і дизайну ліків.

• Рентгенівська кристалографія та ЯМР-спектроскопія: методи, що використовуються для визначення структур біомолекул на атомному рівні. Ці методи сприяють прогнозуванню структури білків (див. також ЯМР-спектроскопія білків) і відкриттю ліків.

Філогенетичні дані

• Філогенетичні дерева: відображення еволюційних зв'язків між видами або генами. Філогенетичний аналіз передбачає порівняння генетичних або молекулярних послідовностей для побудови еволюційних висновків.
• Філогеноміка^[en]: інтеграція геномних даних для реконструкції філогенетичних дерев і вивчення еволюції геному різних видів.^[89][90][91]

Дані методів візуалізації

Дані, отримані за допомогою різних методів візуалізації, таких як мікроскопія, магнітно-резонансна томографія (МРТ) і комп’ютерна томографія (КТ) та багато інших. Дані біовізуалізації використовуються для вивчення клітинних і тканинних структур.

• Медична візуалізація: у клінічній біоінформатиці дані медичної візуалізації аналізуються для діагностики захворювань і моніторингу відповіді на лікування, зокрема, з використанням машинного навчання та моделей штучного інтелекту.^[92][93]

Екологічні дані

• Біоінформатика навколишнього середовища: аналіз екологічних і екологічних даних, включаючи інформацію про клімат, географію та середовище проживання, для вивчення впливу навколишнього середовища на біорізноманіття та екосистеми.^[94][95][96]
• Екологічна геноміка: інтеграція геноміки та даних про навколишнє середовище для розуміння генетичної основи адаптації організмів.^[96][97]

Біоекономічні дані

• Біоекономіка та циркулярна економіка: широкий спектр різноманітних даних з господарської діяльності підприємств.^[98]

Текстові та літературні дані

• Інтелектуальний аналіз тексту: вилучення інформації та знань із наукової літератури, патентів і текстових джерел, зокрема завдяки нейролінгвістичним моделям штучного інтелекту, накшталт, ChatGPT.^[99] Інтелектуальний аналіз тексту допомагає керувати даними, переглядати літературу та знаходити нові знання та розуміння.^[100][101]

Бази даних

Бази даних із біологічною інформацією необхідні для більшості біоінформатичних досліджень. Існує велика кількість таких баз, що містять усе від нуклеотидних послідовностей до опису видів і фенотипів. Багато із них перебувають у вільному доступі, інші закриті. Прикладом вільних баз даних з інформацією про нуклеотидні послідовності є GenBank, DDBJ та ENA^[en] (European Nucleotide Archive), сформовані та підтримувані у рамках Міжнародної співпраці баз даних нуклеотидних послідовностей (International Nucleotide Sequence Database Collaboration)^[102]. Станом на серпень 2014 року GenBank містив 939 775 079 106 пар основ^[103]. Інші бази даних більш специфічні, наприклад, присвячені окремому типу генів чи білків (таких як кінази), окремій хромосомі чи органелі або організму. В деяких базах зібрані послідовності об'єднані спільною ознакою, наприклад Pfam (Protein Family) містить кілька тисяч родин гомологічних білків^[104].

Бази даних літератури містять бібліографічні дані статей присвячених біологічним дослідженням і посилання на повні тексти статей, одним із найважливіших таких сховищ є MEDLINE^[104].

Див. також

• Біомедицина
• Біомедична інженерія
• Системна біологія
• Обчислювальна біологія
• Медична інформатика
• Нейроінформатика
• Молекулярна динаміка
• Мартін Карплус
• Клаус Шультен
• Мультиоміка
• OpenFermion Cirq^[en]

Література

• Кеца О. В. Основи біоінформатики: навч.-метод. посібник / О. В. Кеца. – Чернівці: Чернівецький нац. ун-т ім. Ю. Федьковича, 2018. – 192 с.
• Jonathan Pevsner (2009). Bioinformatics and Functional Genomics (вид. 2nd). Wiley. ISBN 978-0-470-08585-1. Процитовано 6 листопада 2015.
• Леск А. Введение в биоинформатику = Introduction to Bioinformatics. — М. : Бином, 2013. — 318 с.
• Хаубольд Б., Вие Т. Введение в вычислительную биологию: Эволюционный подход = Introduction To Computational Biology: An Evolutionary Approach. — Ижевск : РХД, 2011. — 456 с.
• Хельтье Х.-Д., Зиппль В., Роньян Д., Фолькерс Г. Молекулярное моделирование: Теория и практика = Molecular Modeling: Basic Principles and Applications. — М. : Бином, 2012. — 319 с.

Додаткова література

Книги

• Серія книг Series on Advances in Bioinformatics and Computational Biology (World Scientific, 2005-2024+)
• Серія книг Lecture Notes in Bioinformatics (Springer Nature, 2003-2024+)
• Dandekar, Thomas; Kunz, Meik (2023). Bioinformatics: An Introductory Textbook (англ.). Berlin, Heidelberg: Springer Berlin Heidelberg. ISBN 978-3-662-65035-6.
• Verli Hugo; de Melo Minardi Raquel Cardoso, ред. (2022). Original Strategies for Training and Educational Initiatives in Bioinformatics. (відкритий доступ: pdf, epub) Frontiers Media SA. ISBN 978-2-8325-0183-2.
• Baxevanis, Andreas D.; Bader, Gary D.; Wishart, David S., ред. (2020). Bioinformatics (4th Edition). Hoboken, NJ: Wiley. ISBN 978-1-119-33558-0.

Журнали

• Bioinformatics (сайт, Oxford University Press)
• BMC Bioinformatics (BioMed Central)
• Briefings in Bioinformatics (Oxford University Press)
• Current Protocols in Bioinformatics (John Wiley & Sons)
• Journal of Bioinformatics and Computational Biology (World Scientific)

Статті

• Raslan, Mohamed A.; Raslan, Sara A.; Shehata, Eslam M.; Mahmoud, Amr S.; Sabri, Nagwa A. (2023-07). Advances in the Applications of Bioinformatics and Chemoinformatics. Pharmaceuticals (англ.) 16 (7). doi:10.3390/ph16071050.
• Işık, Esra Büşra; Brazas, Michelle D.; Schwartz, Russell та ін. (2023). Grand challenges in bioinformatics education and training. Nature Biotechnology (англ.) 41 (8). doi:10.1038/s41587-023-01891-9.
• Baysoy, Alev; Bai, Zhiliang; Satija, Rahul; Fan, Rong (6 червня 2023). The technological landscape and applications of single-cell multi-omics. Nature Reviews Molecular Cell Biology (англ.). doi:10.1038/s41580-023-00615-w.
• Wang, Yunhao; Zhao, Yue; Bollas, Audrey; Wang, Yuru; Au, Kin Fai (2021-11). Nanopore sequencing technology, bioinformatics and applications. Nature Biotechnology (англ.) 39 (11). doi:10.1038/s41587-021-01108-x.
• Pucker, Boas; Schilbert, Hanna Marie; Schumacher, Sina Franziska (25 вересня 2019). Integrating Molecular Biology and Bioinformatics Education. Journal of Integrative Bioinformatics (англ.) 16 (3). doi:10.1515/jib-2019-0005.

Примітки

1. Babu, Mohan; Snyder, Michael (2023-06). Multi-Omics Profiling for Health. Molecular & Cellular Proteomics. Т. 22, № 6. с. 100561. doi:10.1016/j.mcpro.2023.100561. ISSN 1535-9476. PMC 10220275. PMID 37119971. Процитовано 14 червня 2023.
2. Hood, Leroy; Tian, Qiang (1 серпня 2012). Systems Approaches to Biology and Disease Enable Translational Systems Medicine. Genomics, Proteomics & Bioinformatics (англ.). Т. 10, № 4. с. 181—185. doi:10.1016/j.gpb.2012.08.004. ISSN 1672-0229. PMC 3844613. PMID 23084773. Процитовано 11 червня 2023.
3. Kang Ning (2023). Methodologies of Multi-Omics Data Integration and Data Mining: Techniques and Applications (англ) . Сінгапур: Springer. с. 167. ISBN 978-981-19-8209-5.
4. Christopher Gerner, Michelle Hill (2021). Integrative Multi-Omics in Biomedical Research (англ) . MDPI, Biomolecules. с. 178. ISBN 978-3-0365-2582-2.
5. Tarazona, S., Balzano-Nogueira, L., & Conesa, A. (2018). Multiomics Data Integration in Time Series Experiments. DOI:10.1016/bs.coac.2018.06.005
6. Bersanelli, Matteo; Mosca, Ettore; Remondini, Daniel; Giampieri, Enrico; Sala, Claudia; Castellani, Gastone; Milanesi, Luciano (20 січня 2016). Methods for the integration of multi-omics data: mathematical aspects. BMC Bioinformatics. Т. 17, № 2. с. S15. doi:10.1186/s12859-015-0857-9. ISSN 1471-2105. PMC 4959355. PMID 26821531. Процитовано 11 червня 2023.
7. Thrash, Adam; Hoffmann, Federico; Perkins, Andy (2020-07). Toward a more holistic method of genome assembly assessment. BMC Bioinformatics (англ.). Т. 21, № S4. doi:10.1186/s12859-020-3382-4. ISSN 1471-2105. PMC 7336394. PMID 32631298. Процитовано 10 вересня 2023.
8. Tong, Hang; Phan, Nga VT; Nguyen, Thanh T.; Nguyen, Dinh V.; Vo, Nam S.; Le, Ly (13 січня 2021). Review on Databases and Bioinformatic Approaches on Pharmacogenomics of Adverse Drug Reactions. Pharmacogenomics and Personalized Medicine (English) . Т. 14. с. 61—75. doi:10.2147/PGPM.S290781. PMC 7812041. PMID 33469342. Процитовано 10 вересня 2023.
9. Zhao, Yiqing; Brush, Matthew; Wang, Chen; Wagner, Alex H; Liu, Hongfang; Freimuth, Robert R (30 листопада 2022). Kelso, Janet (ред.). Leveraging a pharmacogenomics knowledgebase to formulate a drug response phenotype terminology for genomic medicine. Bioinformatics (англ.). Т. 38, № 23. doi:10.1093/bioinformatics/btac646. Процитовано 10 вересня 2023.
10. Papanicolau-Sengos, Antonios; Aldape, Kenneth (24 січня 2022). DNA Methylation Profiling: An Emerging Paradigm for Cancer Diagnosis. Annual Review of Pathology: Mechanisms of Disease (англ.). Т. 17, № 1. с. 295—321. doi:10.1146/annurev-pathol-042220-022304. ISSN 1553-4006. Процитовано 6 вересня 2023.
11. Androvic, Peter; Benesova, Sarka; Rohlova, Eva; Kubista, Mikael; Valihrach, Lukas (2022-04). Small RNA-Sequencing for Analysis of Circulating miRNAs. The Journal of Molecular Diagnostics. Т. 24, № 4. с. 386—394. doi:10.1016/j.jmoldx.2021.12.006. ISSN 1525-1578. Процитовано 6 вересня 2023.
12. Li, Jia; Zhang, Zhirong; Zhuang, Yinghua; Wang, Fengchao; Cai, Tao (9 травня 2023). Small RNA transcriptome analysis using parallel single-cell small RNA sequencing. Scientific Reports (англ.). Т. 13, № 1. с. 7501. doi:10.1038/s41598-023-34390-7. ISSN 2045-2322. Процитовано 6 вересня 2023.
13. Mattick, John S.; Amaral, Paulo P.; Carninci, Piero; Carpenter, Susan; Chang, Howard Y.; Chen, Ling-Ling; Chen, Runsheng; Dean, Caroline; Dinger, Marcel E. (2023-06). Long non-coding RNAs: definitions, functions, challenges and recommendations. Nature Reviews Molecular Cell Biology (англ.). Т. 24, № 6. с. 430—447. doi:10.1038/s41580-022-00566-8. ISSN 1471-0080. PMC 10213152. PMID 36596869. Процитовано 6 вересня 2023.
14. Deshpande, Dhrithi; Chhugani, Karishma; Chang, Yutong; Karlsberg, Aaron; Loeffler, Caitlin; Zhang, Jinyang; Muszyńska, Agata; Munteanu, Viorel; Yang, Harry (2023). RNA-seq data science: From raw data to effective interpretation. Frontiers in Genetics. Т. 14. doi:10.3389/fgene.2023.997383. ISSN 1664-8021. PMC 10043755. PMID 36999049. Процитовано 10 вересня 2023.
15. Kong, Fan-Sheng; Lu, Zijing; Zhou, Yuan; Lu, Yinghua; Ren, Chun-Yan; Jia, Ruofan; Zeng, Beilei; Huang, Panwang; Wang, Jihong (2023). Transcriptome analysis identification of A-to-I RNA editing in granulosa cells associated with PCOS. Frontiers in Endocrinology. Т. 14. doi:10.3389/fendo.2023.1170957. ISSN 1664-2392. Процитовано 10 вересня 2023.
16. Kumar, Suresh; Mohapatra, Trilochan (2021). Deciphering Epitranscriptome: Modification of mRNA Bases Provides a New Perspective for Post-transcriptional Regulation of Gene Expression. Frontiers in Cell and Developmental Biology. Т. 9. doi:10.3389/fcell.2021.628415. ISSN 2296-634X. PMC 8010680. PMID 33816473. Процитовано 11 червня 2023.
17. Shen, Lisha; Ma, Jinqi; Li, Ping; Wu, Yujin; Yu, Hao (7 березня 2023). Recent advances in the plant epitranscriptome. Genome Biology (англ.). Т. 24, № 1. doi:10.1186/s13059-023-02872-6. ISSN 1474-760X. PMC 9990323. PMID 36882788. Процитовано 10 вересня 2023.
18. Stefan Jurga, Jan Barciszewski (2021). Epitranscriptomics. RNA Technologies (RNATECHN, volume 12) (англ) . Springer. с. 632. ISBN 978-3-030-71611-0.
19. Yujing Li та ін. (2023). Epigenomic and Epitranscriptomic Basis of Development and Human Disease (англ) . Frontiers in Cell and Developmental Biology (відкритий доступ: pdf, epub). ISBN 978-2-83251-817-5. {{cite book}}: Явне використання «та ін.» у: |last= (довідка)
20. Matsumura, Yoshihiro; Wei, Fan-Yan; Sakai, Juro (2023-03). Epitranscriptomics in metabolic disease. Nature Metabolism (англ.). Т. 5, № 3. с. 370—384. doi:10.1038/s42255-023-00764-4. ISSN 2522-5812. Процитовано 11 червня 2023.
21. Xia, Zhen; Tang, Min; Ma, Jiayan; Zhang, Hongyan та ін. (28 червня 2021). Epitranscriptomic editing of the RNA N6-methyladenosine modification by dCasRx conjugated methyltransferase and demethylase. Nucleic Acids Research. Т. 49, № 13. doi:10.1093/nar/gkab517. ISSN 0305-1048. Процитовано 10 вересня 2023. {{cite news}}: Явне використання «та ін.» у: |first4= (довідка)
22. Liang, Zhanmin; Ye, Haokai; Ma, Jiongming; Wei, Zhen; Wang, Yue; Zhang, Yuxin; Huang, Daiyun; Song, Bowen; Meng, Jia (17 серпня 2023). m6A-Atlas v2.0: updated resources for unraveling the N6-methyladenosine (m6A) epitranscriptome among multiple species. Nucleic Acids Research. doi:10.1093/nar/gkad691. ISSN 0305-1048. Процитовано 10 вересня 2023.
23. Trixl, Lukas; Lusser, Alexandra (2019-01). The dynamic RNA modification 5‐methylcytosine and its emerging role as an epitranscriptomic mark. WIREs RNA (англ.). Т. 10, № 1. doi:10.1002/wrna.1510. ISSN 1757-7004. PMC 6492194. PMID 30311405. Процитовано 10 вересня 2023.
24. Ma, Jiongming; Song, Bowen; Wei, Zhen; Huang, Daiyun; Zhang, Yuxin; Su, Jionglong; de Magalhães, João Pedro; Rigden, Daniel J; Meng, Jia (7 січня 2022). m5C-Atlas: a comprehensive database for decoding and annotating the 5-methylcytosine (m5C) epitranscriptome. Nucleic Acids Research (англ.). Т. 50, № D1. с. D196—D203. doi:10.1093/nar/gkab1075. ISSN 0305-1048. Процитовано 10 вересня 2023.
25. Zhang, Yuexiu; Zhang, Li-Sheng; Dai, Qing; Chen, Phylip; Lu, Mijia; Kairis, Elizabeth L.; Murugaiah, Valarmathy; Xu, Jiayu; Shukla, Rajni Kant (18 жовтня 2022). 5-methylcytosine (m 5 C) RNA modification controls the innate immune response to virus infection by regulating type I interferons. Proceedings of the National Academy of Sciences (англ.). Т. 119, № 42. doi:10.1073/pnas.2123338119. ISSN 0027-8424. PMC 9586267. Процитовано 10 вересня 2023.
26. Dominissini, Dan; Moshitch-Moshkovitz, Sharon; Schwartz, Schraga; Salmon-Divon, Mali; Ungar, Lior; Osenberg, Sivan; Cesarkas, Karen; Jacob-Hirsch, Jasmine; Amariglio, Ninette (2012-05). Topology of the human and mouse m6A RNA methylomes revealed by m6A-seq. Nature (англ.). Т. 485, № 7397. с. 201—206. doi:10.1038/nature11112. ISSN 1476-4687. Процитовано 10 вересня 2023.
27. McIntyre, Alexa B. R.; Gokhale, Nandan S.; Cerchietti, Leandro; Jaffrey, Samie R.; Horner, Stacy M.; Mason, Christopher E. (20 квітня 2020). Limits in the detection of m6A changes using MeRIP/m6A-seq. Scientific Reports (англ.). Т. 10, № 1. с. 6590. doi:10.1038/s41598-020-63355-3. ISSN 2045-2322. Процитовано 10 вересня 2023.
28. Winans, Shelby; Beemon, Karen (2019-08). m5C Goes Viral. Cell Host & Microbe. Т. 26, № 2. с. 154—155. doi:10.1016/j.chom.2019.07.019. ISSN 1931-3128. Процитовано 10 вересня 2023.
29. He, Zhizhou; Xu, Jing; Shi, Haoran; Wu, Shuxiang (2022-04). m5CRegpred: Epitranscriptome Target Prediction of 5-Methylcytosine (m5C) Regulators Based on Sequencing Features. Genes (англ.). Т. 13, № 4. с. 677. doi:10.3390/genes13040677. ISSN 2073-4425. PMC 9025882. PMID 35456483. Процитовано 10 вересня 2023.
30. Jumper, John; Evans, Richard; Pritzel, Alexander; Green, Tim; Figurnov, Michael; Ronneberger, Olaf; Tunyasuvunakool, Kathryn; Bates, Russ; Žídek, Augustin (2021-08). Highly accurate protein structure prediction with AlphaFold. Nature (англ.). Т. 596, № 7873. с. 583—589. doi:10.1038/s41586-021-03819-2. ISSN 1476-4687. Процитовано 6 вересня 2023.
31. Kustatscher, Georg; Collins, Tom; Gingras, Anne-Claude; Guo, Tiannan; Hermjakob, Henning; Ideker, Trey; Lilley, Kathryn S.; Lundberg, Emma; Marcotte, Edward M. (2022-07). Understudied proteins: opportunities and challenges for functional proteomics. Nature Methods (англ.). Т. 19, № 7. с. 774—779. doi:10.1038/s41592-022-01454-x. ISSN 1548-7105. Процитовано 6 вересня 2023.
32. Van den Broeck, Lisa; Bhosale, Dinesh Kiran; Song, Kuncheng; Fonseca de Lima, Cássio Flavio; Ashley, Michael; Zhu, Tingting; Zhu, Shanshuo; Van De Cotte, Brigitte; Neyt, Pia (3 серпня 2023). Functional annotation of proteins for signaling network inference in non-model species. Nature Communications (англ.). Т. 14, № 1. doi:10.1038/s41467-023-40365-z. ISSN 2041-1723. Процитовано 10 вересня 2023.
33. Wenk, Markus R. (2005-07). The emerging field of lipidomics. Nature Reviews Drug Discovery (англ.). Т. 4, № 7. с. 594—610. doi:10.1038/nrd1776. ISSN 1474-1784. Процитовано 11 червня 2023.
34. Wu, Zhuojun; Bagarolo, Giulia Ilaria; Thoröe-Boveleth, Sven; Jankowski, Joachim (1 січня 2020). “Lipidomics”: Mass spectrometric and chemometric analyses of lipids. Advanced Drug Delivery Reviews (англ.). Т. 159. с. 294—307. doi:10.1016/j.addr.2020.06.009. ISSN 0169-409X. Процитовано 11 червня 2023.
35. Han, Xianlin; Gross, Richard W. (2022-02). The foundations and development of lipidomics. Journal of Lipid Research. Т. 63, № 2. с. 100164. doi:10.1016/j.jlr.2021.100164. ISSN 0022-2275. PMC 8953652. PMID 34953866. Процитовано 11 червня 2023.
36. Kyle, Jennifer E.; Stratton, Kelly G.; Zink, Erika M.; Kim, Young-Mo; Bloodsworth, Kent J.; Monroe, Matthew E.; Waters, Katrina M.; Webb-Robertson, Bobbie-Jo M.; Koeller, David M. (21 квітня 2021). A resource of lipidomics and metabolomics data from individuals with undiagnosed diseases. Scientific Data (англ.). Т. 8, № 1. с. 114. doi:10.1038/s41597-021-00894-y. ISSN 2052-4463. Процитовано 11 червня 2023.
37. Furlani, Izadora L.; da Cruz Nunes, Estéfane; Canuto, Gisele A. B.; Macedo, Adriana N.; Oliveira, Regina V. (2021). Colnaghi Simionato, Ana Valéria (ред.). Liquid Chromatography-Mass Spectrometry for Clinical Metabolomics: An Overview. Separation Techniques Applied to Omics Sciences (англ.). Т. 1336. Cham: Springer Nature. с. 179—213. doi:10.1007/978-3-030-77252-9_10. ISBN 978-3-030-77251-2.
38. Harvey, Faith Christine; Collao, Vanessa; Bhattacharya, Sanjoy K. (2023). Bhattacharya, Sanjoy K. (ред.). High-Resolution Liquid Chromatography–Mass Spectrometry for Lipidomics. Lipidomics (англ.). Т. 2625. New York, NY: Springer US. с. 57—63. doi:10.1007/978-1-0716-2966-6_4. ISBN 978-1-0716-2965-9.
39. Raman, Rahul; Raguram, S.; Venkataraman, Ganesh; Paulson, James C.; Sasisekharan, Ram (2005-11). Glycomics: an integrated systems approach to structure-function relationships of glycans. Nature Methods (англ.). Т. 2, № 11. с. 817—824. doi:10.1038/nmeth807. ISSN 1548-7105. Процитовано 11 червня 2023.
40. Miyoshi, Eiji; Kamada, Yoshihiro; Suzuki, Tadashi (2020-02). Functional glycomics: Application to medical science and hepatology. Hepatology Research (англ.). Т. 50, № 2. с. 153—164. doi:10.1111/hepr.13459. ISSN 1386-6346. Процитовано 11 червня 2023.
41. Park, Heajin; Jung, Jaesoo; Rodrigues, Emily; Kitova, Elena N.; Macauley, Matthew S.; Klassen, John S. (20 жовтня 2020). Mass Spectrometry-Based Shotgun Glycomics for Discovery of Natural Ligands of Glycan-Binding Proteins. Analytical Chemistry (англ.). Т. 92, № 20. с. 14012—14020. doi:10.1021/acs.analchem.0c02931. ISSN 0003-2700. Процитовано 11 червня 2023.
42. de Haan, N.; Wuhrer, M.; Ruhaak, L. R. (1 листопада 2020). Mass spectrometry in clinical glycomics: The path from biomarker identification to clinical implementation. Clinical Mass Spectrometry (англ.). Т. 18. с. 1—12. doi:10.1016/j.clinms.2020.08.001. ISSN 2376-9998. PMC 8600986. PMID 34820521. Процитовано 11 червня 2023.
43. Li, Xing; Xu, Zhijue; Hong, Xiaokun; Zhang, Yan; Zou, Xia (2020-01). Databases and Bioinformatic Tools for Glycobiology and Glycoproteomics. International Journal of Molecular Sciences (англ.). Т. 21, № 18. doi:10.3390/ijms21186727. ISSN 1422-0067. Процитовано 10 вересня 2023.
44. Zhou, Juntuo; Zhong, Lijun (2022). Applications of liquid chromatography-mass spectrometry based metabolomics in predictive and personalized medicine. Frontiers in Molecular Biosciences. Т. 9. doi:10.3389/fmolb.2022.1049016. Процитовано 15 вересня 2023.
45. Zaid, Atiqah; Khan, Mohammad Sharif; Yan, Dandan; Marriott, Philip J.; Wong, Yong Foo (2022). Comprehensive two-dimensional gas chromatography with mass spectrometry: an advanced bioanalytical technique for clinical metabolomics studies. The Analyst (англ.). Т. 147, № 18. с. 3974—3992. doi:10.1039/D2AN00584K. ISSN 0003-2654. Процитовано 15 вересня 2023.
46. Putri, Sastia Prama; Ikram, Muhammad Maulana Malikul; Sato, Arisa; Dahlan, Hadi Akbar; Rahmawati, Della; Ohto, Yukina; Fukusaki, Eiichiro (1 травня 2022). Application of gas chromatography-mass spectrometry-based metabolomics in food science and technology. Journal of Bioscience and Bioengineering. Т. 133, № 5. с. 425—435. doi:10.1016/j.jbiosc.2022.01.011. ISSN 1389-1723. Процитовано 15 вересня 2023.
47. Emwas, Abdul-Hamid; Roy, Raja; McKay, Ryan T.; Tenori, Leonardo; Saccenti, Edoardo; Gowda, G. A. Nagana; Raftery, Daniel; Alahmari, Fatimah; Jaremko, Lukasz (2019-07). NMR Spectroscopy for Metabolomics Research. Metabolites (англ.). Т. 9, № 7. с. 123. doi:10.3390/metabo9070123. Процитовано 15 вересня 2023.
48. Letertre, Marine P. M.; Giraudeau, Patrick; de Tullio, Pascal (20 вересня 2021). Nuclear Magnetic Resonance Spectroscopy in Clinical Metabolomics and Personalized Medicine: Current Challenges and Perspectives. Frontiers in Molecular Biosciences. Т. 8. doi:10.3389/fmolb.2021.698337. Процитовано 15 вересня 2023.
49. Wang, Lin; Xing, Xi; Chen, Li; Yang, Lifeng; Su, Xiaoyang; Rabitz, Herschel; Lu, Wenyun; Rabinowitz, Joshua D. (5 лютого 2019). Peak Annotation and Verification Engine for Untargeted LC–MS Metabolomics. Analytical Chemistry (англ.). Т. 91, № 3. с. 1838—1846. doi:10.1021/acs.analchem.8b03132. Процитовано 15 вересня 2023.
50. Pirttilä, Kristian; Balgoma, David; Rainer, Johannes; Pettersson, Curt; Hedeland, Mikael; Brunius, Carl (2022-02). Comprehensive Peak Characterization (CPC) in Untargeted LC–MS Analysis. Metabolites (англ.). Т. 12, № 2. с. 137. doi:10.3390/metabo12020137. ISSN 2218-1989. Процитовано 15 вересня 2023.
51. Caspi, Ron; Billington, Richard; Keseler, Ingrid M; Kothari, Anamika; Krummenacker, Markus; Midford, Peter E; Ong, Wai Kit; Paley, Suzanne; Subhraveti, Pallavi (8 січня 2020). The MetaCyc database of metabolic pathways and enzymes - a 2019 update. Nucleic Acids Research (англ.). Т. 48, № D1. с. D445—D453. doi:10.1093/nar/gkz862. ISSN 0305-1048. Процитовано 15 вересня 2023.
52. Wishart, David S; Guo, AnChi; Oler, Eponine; Wang, Fei; Anjum, Afia; Peters, Harrison; Dizon, Raynard; Sayeeda, Zinat; Tian, Siyang (7 січня 2022). HMDB 5.0: the Human Metabolome Database for 2022. Nucleic Acids Research (англ.). Т. 50, № D1. с. D622—D631. doi:10.1093/nar/gkab1062. Процитовано 15 вересня 2023.
53. Banimfreg, Bayan Hassan; Shamayleh, Abdulrahim; Alshraideh, Hussam (2022-10). Survey for Computer-Aided Tools and Databases in Metabolomics. Metabolites (англ.). Т. 12, № 10. с. 1002. doi:10.3390/metabo12101002. Процитовано 15 вересня 2023.
54. Arora, Palkin; Singh, Kavita; Kumari, Megha; Trivedi, Richa (29 квітня 2022). Temporal profile of serum metabolites and inflammation following closed head injury in rats is associated with HPA axis hyperactivity. Metabolomics (англ.). Т. 18, № 5. с. 28. doi:10.1007/s11306-022-01886-8. ISSN 1573-3890. Процитовано 15 вересня 2023.
55. Yamamoto, Hiroyuki; Nakayama, Yasumune; Tsugawa, Hiroshi (2021-03). OS-PCA: Orthogonal Smoothed Principal Component Analysis Applied to Metabolome Data. Metabolites (англ.). Т. 11, № 3. с. 149. doi:10.3390/metabo11030149. ISSN 2218-1989. PMC 7999099. PMID 33807892. Процитовано 15 вересня 2023.
56. Tanabe, Kazuhiro; Hayashi, Chihiro; Katahira, Tomoko; Sasaki, Katsuhiko; Igami, Ko (2021). Multiblock metabolomics: An approach to elucidate whole-body metabolism with multiblock principal component analysis. Computational and Structural Biotechnology Journal. Т. 19. с. 1956—1965. doi:10.1016/j.csbj.2021.04.015. Процитовано 15 вересня 2023.
57. Ruiz-Perez, Daniel; Guan, Haibin; Madhivanan, Purnima; Mathee, Kalai; Narasimhan, Giri (2020-12). So you think you can PLS-DA?. BMC Bioinformatics (англ.). Т. 21, № S1. doi:10.1186/s12859-019-3310-7. Процитовано 15 вересня 2023.
58. Barbe, Valentin; de Toro-Martín, Juan; San-Cristobal, Rodrigo; Garneau, Véronique; Pilon, Geneviève; Couture, Patrick; Roy, Denis; Couillard, Charles; Marette, André (23 березня 2023). A discriminant analysis of plasma metabolomics for the assessment of metabolic responsiveness to red raspberry consumption. Frontiers in Nutrition. Т. 10. doi:10.3389/fnut.2023.1104685. ISSN 2296-861X. Процитовано 15 вересня 2023.
59. Ma, Yuanyuan; Chu, Maomao; Fu, Zuqiang; Liu, Qian; Liang, Jingjia; Xu, Jin; Weng, Zhenkun; Chen, Xiu; Xu, Cheng (2023-01). The Association of Metabolomic Profiles of a Healthy Lifestyle with Heart Failure Risk in a Prospective Study. Nutrients (англ.). Т. 15, № 13. с. 2934. doi:10.3390/nu15132934. Процитовано 15 вересня 2023.
60. Benson, Mark D.; Eisman, Aaron S.; Tahir, Usman A.; Katz, Daniel H.; Deng, Shuliang; Ngo, Debby; Robbins, Jeremy M.; Hofmann, Alissa; Shi, Xu (2023-09). Protein-metabolite association studies identify novel proteomic determinants of metabolite levels in human plasma. Cell Metabolism. Т. 35, № 9. с. 1646—1660.e3. doi:10.1016/j.cmet.2023.07.012. Процитовано 15 вересня 2023.
61. Nkera-Gutabara, C. K.; Kerr, R.; Scholefield, J.; Hazelhurst, S.; Naidoo, J. (2022). Microbiomics: The Next Pillar of Precision Medicine and Its Role in African Healthcare. Frontiers in Genetics. Т. 13. doi:10.3389/fgene.2022.869610. ISSN 1664-8021. PMC 9037082. PMID 35480328. Процитовано 11 червня 2023.
62. Vecherskii, M. V.; Semenov, M. V.; Lisenkova, A. A.; Stepankov, A. A. (1 грудня 2021). Metagenomics: A New Direction in Ecology. Biology Bulletin (англ.). Т. 48, № 3. с. S107—S117. doi:10.1134/S1062359022010150. ISSN 1608-3059. Процитовано 11 червня 2023.
63. Breitwieser, Florian P; Lu, Jennifer; Salzberg, Steven L (19 липня 2019). A review of methods and databases for metagenomic classification and assembly. Briefings in Bioinformatics (англ.). Т. 20, № 4. с. 1125—1136. doi:10.1093/bib/bbx120. ISSN 1467-5463. PMC 6781581. PMID 29028872. Процитовано 11 червня 2023.
64. Handelsman, Jo (2004-12). Metagenomics: Application of Genomics to Uncultured Microorganisms. Microbiology and Molecular Biology Reviews (англ.). Т. 68, № 4. с. 669—685. doi:10.1128/MMBR.68.4.669-685.2004. ISSN 1092-2172. PMC 539003. PMID 15590779. Процитовано 11 червня 2023.
65. Chiu, Charles Y.; Miller, Steven A. (2019-06). Clinical metagenomics. Nature Reviews Genetics (англ.). Т. 20, № 6. с. 341—355. doi:10.1038/s41576-019-0113-7. ISSN 1471-0064. PMC 6858796. PMID 30918369. Процитовано 11 червня 2023.
66. Johnson, Jethro S.; Spakowicz, Daniel J.; Hong, Bo-Young; Petersen, Lauren M.; Demkowicz, Patrick; Chen, Lei; Leopold, Shana R.; Hanson, Blake M.; Agresta, Hanako O. (6 листопада 2019). Evaluation of 16S rRNA gene sequencing for species and strain-level microbiome analysis. Nature Communications (англ.). Т. 10, № 1. doi:10.1038/s41467-019-13036-1. ISSN 2041-1723. Процитовано 10 вересня 2023.
67. Prodan, Andrei; Tremaroli, Valentina; Brolin, Harald; Zwinderman, Aeilko H.; Nieuwdorp, Max; Levin, Evgeni (16 січ. 2020 р.). Comparing bioinformatic pipelines for microbial 16S rRNA amplicon sequencing. PLOS ONE (англ.). Т. 15, № 1. doi:10.1371/journal.pone.0227434. ISSN 1932-6203. Процитовано 10 вересня 2023.
68. Marizzoni, Moira; Gurry, Thomas; Provasi, Stefania; Greub, Gilbert; Lopizzo, Nicola; Ribaldi, Federica; Festari, Cristina; Mazzelli, Monica; Mombelli, Elisa (17 червня 2020). Comparison of Bioinformatics Pipelines and Operating Systems for the Analyses of 16S rRNA Gene Amplicon Sequences in Human Fecal Samples. Frontiers in Microbiology. Т. 11. doi:10.3389/fmicb.2020.01262. ISSN 1664-302X. Процитовано 10 вересня 2023.
69. Shakya, Migun; Lo, Chien-Chi; Chain, Patrick S. G. (25 вересня 2019). Advances and Challenges in Metatranscriptomic Analysis. Frontiers in Genetics. Т. 10. doi:10.3389/fgene.2019.00904. ISSN 1664-8021. PMC 6774269. PMID 31608125. Процитовано 12 червня 2023.
70. Terrón-Camero, Laura C.; Gordillo-González, Fernando; Salas-Espejo, Eduardo; Andrés-León, Eduardo (2022-12). Comparison of Metagenomics and Metatranscriptomics Tools: A Guide to Making the Right Choice. Genes (англ.). Т. 13, № 12. с. 2280. doi:10.3390/genes13122280. ISSN 2073-4425. PMC 9777648. PMID 36553546. Процитовано 12 червня 2023.
71. Van Den Bossche, Tim; Arntzen, Magnus Ø.; Becher, Dörte; Benndorf, Dirk; Eijsink, Vincent G. H.; Henry, Céline; Jagtap, Pratik D.; Jehmlich, Nico; Juste, Catherine (2021-12). The Metaproteomics Initiative: a coordinated approach for propelling the functional characterization of microbiomes. Microbiome (англ.). Т. 9, № 1. doi:10.1186/s40168-021-01176-w. ISSN 2049-2618. PMC 8690404. PMID 34930457. Процитовано 12 червня 2023.
72. Stamboulian, Moses; Canderan, Jamie; Ye, Yuzhen (18 бер. 2022 р.). Metaproteomics as a tool for studying the protein landscape of human-gut bacterial species. PLOS Computational Biology (англ.). Т. 18, № 3. с. e1009397. doi:10.1371/journal.pcbi.1009397. ISSN 1553-7358. PMC 8967034. PMID 35302987. Процитовано 12 червня 2023.
73. Henry, Céline; Bassignani, Ariane; Berland, Magali; Langella, Olivier; Sokol, Harry; Juste, Catherine (2022-01). Modern Metaproteomics: A Unique Tool to Characterize the Active Microbiome in Health and Diseases, and Pave the Road towards New Biomarkers—Example of Crohn’s Disease and Ulcerative Colitis Flare-Ups. Cells (англ.). Т. 11, № 8. с. 1340. doi:10.3390/cells11081340. ISSN 2073-4409. PMC 9028112. PMID 35456018. Процитовано 12 червня 2023.
74. Hasin, Yehudit; Seldin, Marcus; Lusis, Aldons (5 травня 2017). Multi-omics approaches to disease. Genome Biology. Т. 18, № 1. с. 83. doi:10.1186/s13059-017-1215-1. ISSN 1474-760X. PMC 5418815. PMID 28476144. Процитовано 11 червня 2023.
75. Pinu, Farhana R.; Beale, David J.; Paten, Amy M.; Kouremenos, Konstantinos; Swarup, Sanjay; Schirra, Horst J.; Wishart, David (2019-04). Systems Biology and Multi-Omics Integration: Viewpoints from the Metabolomics Research Community. Metabolites (англ.). Т. 9, № 4. с. 76. doi:10.3390/metabo9040076. ISSN 2218-1989. PMC 6523452. PMID 31003499. Процитовано 14 червня 2023.
76. Baysoy, Alev; Bai, Zhiliang; Satija, Rahul; Fan, Rong (6 червня 2023). The technological landscape and applications of single-cell multi-omics. Nature Reviews Molecular Cell Biology (англ.). с. 1—19. doi:10.1038/s41580-023-00615-w. ISSN 1471-0080. Процитовано 6 вересня 2023.
77. Kang Ning (2023). Methodologies of Multi-Omics Data Integration and Data Mining: Techniques and Applications (eng) . Springer. ISBN 978-981-19-8209-5.
78. Athieniti, Efi; Spyrou, George M. (1 січня 2023). A guide to multi-omics data collection and integration for translational medicine. Computational and Structural Biotechnology Journal (англ.). Т. 21. с. 134—149. doi:10.1016/j.csbj.2022.11.050. ISSN 2001-0370. PMC 9747357. PMID 36544480. Процитовано 12 червня 2023.
79. Cao, Zhi-Jie; Gao, Ge (2022-10). Multi-omics single-cell data integration and regulatory inference with graph-linked embedding. Nature Biotechnology (англ.). Т. 40, № 10. с. 1458—1466. doi:10.1038/s41587-022-01284-4. ISSN 1546-1696. Процитовано 12 червня 2023.
80. Vahabi, Nasim; Michailidis, George (2022). Unsupervised Multi-Omics Data Integration Methods: A Comprehensive Review. Frontiers in Genetics. Т. 13. doi:10.3389/fgene.2022.854752. ISSN 1664-8021. PMC 8981526. PMID 35391796. Процитовано 12 червня 2023.
81. Flores, Javier E.; Claborne, Daniel M.; Weller, Zachary D.; Webb-Robertson, Bobbie-Jo M.; Waters, Katrina M.; Bramer, Lisa M. (2023). Missing data in multi-omics integration: Recent advances through artificial intelligence. Frontiers in Artificial Intelligence. Т. 6. doi:10.3389/frai.2023.1098308. ISSN 2624-8212. PMC 9949722. PMID 36844425. Процитовано 12 червня 2023.
82. Noro, Yusuke; Li, Ruixiang; Matsui, Teppei; Jimura, Koji (2023). A method for reconstruction of interpretable brain networks from transient synchronization in resting-state BOLD fluctuations. Frontiers in Neuroinformatics. Т. 16. doi:10.3389/fninf.2022.960607. ISSN 1662-5196. PMC 9878402. PMID 36713290. Процитовано 12 грудня 2023.
83. Li, Xin; Liang, Huadong (2022). Project, toolkit, and database of neuroinformatics ecosystem: A summary of previous studies on “Frontiers in Neuroinformatics”. Frontiers in Neuroinformatics. Т. 16. doi:10.3389/fninf.2022.902452. ISSN 1662-5196. PMC 9549929. PMID 36225654. Процитовано 12 грудня 2023.
84. Tulay, Emine Elif; Metin, Barış; Tarhan, Nevzat; Arıkan, Mehmet Kemal (2019-01). Multimodal Neuroimaging: Basic Concepts and Classification of Neuropsychiatric Diseases. Clinical EEG and Neuroscience (англ.). Т. 50, № 1. с. 20—33. doi:10.1177/1550059418782093. ISSN 1550-0594. Процитовано 12 грудня 2023.
85. O'Connor, Lance M.; O'Connor, Blake A.; Lim, Su Bin; Zeng, Jialiu; Lo, Chih Hung (1 серпня 2023). Integrative multi-omics and systems bioinformatics in translational neuroscience: A data mining perspective. Journal of Pharmaceutical Analysis. Т. 13, № 8. с. 836—850. doi:10.1016/j.jpha.2023.06.011. ISSN 2095-1779. PMC 10499660. PMID 37719197. Процитовано 12 грудня 2023.
86. Kaiser, Marcus (2023). Connectomes: from a sparsity of networks to large-scale databases. Frontiers in Neuroinformatics. Т. 17. doi:10.3389/fninf.2023.1170337. ISSN 1662-5196. PMC 10291062. PMID 37377946. Процитовано 12 грудня 2023.
87. Weiser, Sydney C.; Mullen, Brian R.; Ascencio, Desiderio; Ackman, James B. (1 трав. 2023 р.). Data-driven segmentation of cortical calcium dynamics. PLOS Computational Biology (англ.). Т. 19, № 5. с. e1011085. doi:10.1371/journal.pcbi.1011085. ISSN 1553-7358. PMC 10174627. PMID 37126531. Процитовано 12 грудня 2023.
88. Evans, Benjamin D.; Jarvis, Sarah; Schultz, Simon R.; Nikolic, Konstantin (11 березня 2016). PyRhO: A Multiscale Optogenetics Simulation Platform. Frontiers in Neuroinformatics. Т. 10. doi:10.3389/fninf.2016.00008. ISSN 1662-5196. PMC 4834562. PMID 27148037. Процитовано 12 грудня 2023.
89. Lee, Michael D (13 березня 2019). GToTree: a user-friendly workflow for phylogenomics. Bioinformatics. Т. 35, № 20. doi:10.1093/bioinformatics/btz188. ISSN 1367-4803. Процитовано 10 вересня 2023.
90. Warnow, Tandy, ред. (2019). Bioinformatics and Phylogenetics: Seminal Contributions of Bernard Moret. Computational Biology (англ.). Т. 29. Cham: Springer International Publishing, Springer Nature. doi:10.1007/978-3-030-10837-3. ISBN 978-3-030-10836-6.
91. Young, Andrew D.; Gillung, Jessica P. (2020-04). Phylogenomics — principles, opportunities and pitfalls of big‐data phylogenetics. Systematic Entomology (англ.). Т. 45, № 2. с. 225—247. doi:10.1111/syen.12406. ISSN 0307-6970. Процитовано 10 вересня 2023.
92. Chicco, Davide; Shiradkar, Rakesh (5 січ. 2023 р.). Ten quick tips for computational analysis of medical images. PLOS Computational Biology (англ.). Т. 19, № 1. doi:10.1371/journal.pcbi.1010778. ISSN 1553-7358. Процитовано 10 вересня 2023.
93. Karim, Md Rezaul; Islam, Tanhim; Shajalal, Md; Beyan, Oya; Lange, Christoph; Cochez, Michael; Rebholz-Schuhmann, Dietrich; Decker, Stefan (21 липня 2023). Explainable AI for Bioinformatics: Methods, Tools and Applications. Briefings in Bioinformatics. doi:10.1093/bib/bbad236. ISSN 1467-5463. Процитовано 10 вересня 2023.
94. Bachr, Asmae; Bardon, Alizée; Bencheikh, Sara; Bottin, Fiona; Flipo, Justine; Gardou, Coline; Halluin, Sidonie; Leterrier, Bryce; Mathé, Meije (26 січня 2023). GreenBIM : Environmental impact of Bioinformatics (англ.). doi:10.14293/s2199-1006.1.sor-.ppwhcxv.v1. Процитовано 10 вересня 2023.
95. Zhang, Kunyang; Fenner, Kathrin (24 червня 2023). enviRule: an end-to-end system for automatic extraction of reaction patterns from environmental contaminant biotransformation pathways. Bioinformatics. Т. 39, № 7. doi:10.1093/bioinformatics/btad407. ISSN 1367-4811. Процитовано 10 вересня 2023.
96. Petit-Marty, Natalia; Casas, Laura; Saborido-Rey, Fran (2023). State-of-the-art of data analyses in environmental DNA approaches towards its applicability to sustainable fisheries management. Frontiers in Marine Science. Т. 10. doi:10.3389/fmars.2023.1061530. ISSN 2296-7745. Процитовано 10 вересня 2023.
97. Landry, Christian R.; Aubin-Horth, Nadia, ред. (2014). Ecological Genomics: Ecology and the Evolution of Genes and Genomes. Advances in Experimental Medicine and Biology (англ.). Т. 781. Dordrecht: Springer Netherlands. doi:10.1007/978-94-007-7347-9. ISBN 978-94-007-7346-2.
98. Södergård, Caj; Mildorf, Tomas; Habyarimana, Ephrem; Berre, Arne J.; Fernandes, Jose A.; Zinke-Wehlmann, Christian, ред. (2021). Big Data in Bioeconomy: Results from the European DataBio Project (PDF) (англ.). Cham: Springer International Publishing. doi:10.1007/978-3-030-71069-9. ISBN 978-3-030-71068-2.
99. Xu, Dong (15 червня 2023). ChatGPT opens a new door for bioinformatics. Quantitative Biology (англ.). Т. 11, № 2. с. 204—206. doi:10.15302/J-QB-023-0328. ISSN 2095-4689. Процитовано 10 вересня 2023.
100. Couto, Francisco M. (2019). Data and Text Processing for Health and Life Sciences (PDF). Advances in Experimental Medicine and Biology (англ.). Т. 1137. Cham: Springer International Publishing. doi:10.1007/978-3-030-13845-5. ISBN 978-3-030-13844-8.
101. Pérez-Pérez, Martín; Ferreira, Tânia; Igrejas, Gilberto; Fdez-Riverola, Florentino (1 липня 2023). A novel gluten knowledge base of potential biomedical and health-related interactions extracted from the literature: Using machine learning and graph analysis methodologies to reconstruct the bibliome. Journal of Biomedical Informatics. Т. 143. с. 104398. doi:10.1016/j.jbi.2023.104398. ISSN 1532-0464. Процитовано 10 вересня 2023.
102. Pevsner, 2009, с. 13-14.
103. Benson DA, Clark K, Karsch-Mizrachi I, Lipman DJ, Ostell J, Sayers EW (2015). GenBank. Nucleic Acids Res. 43(Database issue):D30-5. doi:10.1093/nar/gku1216. PMID 25414350.} (англ.)
104. Pevsner, 2009, с. 14.