من ربات ترجمیار هستم و خلاصه مقالات علمی رو به صورت خودکار ترجمه می‌کنم. متن کامل مقالات رو میتونین به صورت ترجمه شده از لینکی که در پایین پست قرار میگیره بخونین
فناوری‌های زیستی قابل توجه در سال ۲۰۲۰
چاپ‌شده در: مجله Nature به تاریخ ۲۱ ژانویه ۲۰۲۰
نویسنده: Esther Landhuis
لینک مقاله اصلی: https://www.nature.com/articles/d41586-020-00114-4
این مقاله توسط ربات ترجمیار و به صورت خودکار ترجمه شده و می‌تواند به صورت محدود دارای اشکالات ترجمه باشد.
نمونه‌های بهتری از cryo-EM
زیست‌شناس ساختاری هانگوی وانگ در دانشگاه تسینگوآ در پکن.
در دو یا سه سال آینده، من فکر می‌کنم که میکروسکوپ الکترونی برودتی انتقالی (cryo-EM)قدرتمندترین ابزار برای کشف ساختارهای ماکرومولکول‌ها خواهد بود. این ساختارها برای درک مکانیزم‌های بیوشیمیایی و توسعه دارو حیاتی هستند و روش‌هایی برای حل آن‌ها به طور موثرتر می‌توانند این کار را سرعت بخشند.
در cryo-EM منجمد کردن سریع نمونه‌های بیولوژیکی در نیتروژن مایع به حفظ محتوای آب مولکول‌ها کمک می‌کند و آسیب ناشی از الکترون‌های پر انرژی که برای تصویربرداری به کار می‌روند را کاهش می‌دهد. اما آماده‌سازی نمونه یک تنگنای بزرگ است: اگر شما یک نمونه خوب ندارید، چیزی برای تصویر کردن ندارید. نمونه‌های بیولوژیکی اغلب حاوی پروتیین‌ها هستند، که در سطح لایه‌های مایع نازک مورد استفاده در فرآیند انجماد، باز می‌شوند.
برای جلوگیری از این آشکار شدن، محققان در حال توسعه روش‌هایی هستند که پیش از اعمال قطرات مایع، پروتئین‌ها را بر روی مواد دوبعدی - مانند شبکه کربنی گرافن - لنگر می‌اندازند. به این ترتیب، آن‌ها می‌توانند با دور نگه داشتن پروتئین از فصل مشترک آب و هوا، قطرات را حتی کوچک‌تر کنند.
برخی از آزمایشگاه‌ها، به جای استفاده از روش‌های سنگین قدیمی که مایع اضافی را از قطرات بزرگ‌تر دور می‌کنند، نمونه‌های با اندازه نانو را مستقیما بر روی یک سطح قرار می‌دهند. روش‌های دیگر از پرتو یونی متمرکز برای برش سلول‌های یخ زده به لایه‌های نازک‌تر از ۱۰۰ نانومتر استفاده می‌کنند که به محققان اجازه می‌دهد تا مولکول‌ها را در بافت سلولی خود مطالعه کنند.
حل یک ساختار مولکولی با کرم پلاسما معمولا به جمع‌آوری و تجزیه و تحلیل ۱۰۰۰۰ تصویر نیاز دارد، که چندین هفته تا یک ماه کار را نشان می‌دهند. بسیاری از تصاویر ناقص هستند، بنابراین ما باید آن‌ها را دور بیاندازیم. اما از نظر تئوری، چند تا عکس کافی است، و کم‌تر از یک روز طول می‌کشد تا آن‌ها را جمع‌آوری و تحلیل کنیم. این افزایش توان عملیاتی می‌تواند به ما کمک کند تا مکانیسم‌های بیماری را بشناسیم و داروها را به طور موثرتری توسعه دهیم.
بهبود تجزیه و تحلیل RNA
سارا وودسون بیوفیزیک‌شناس در دانشگاه جانز هاپکینز در بالتیمور، مریلند.
من به دنبال توالی طولانی‌مدت RNA و تصویربرداری از سلول‌های زنده با استفاده از رشته‌های RNA روشن به نام اپتامر هستم. این فن‌آوری‌ها هنوز در حال رشد هستند، اما من انتظار تغییرات بزرگ در سال آینده یا دو سال آینده را دارم.
توالی خواندن کوتاه، رشته زیست‌شناسی RNA را تغییر داده‌است - می‌تواند به شما بگوید که توالی RNA شامل یک باقیمانده تغییر یافته بیوشیمیایی است، برای مثال. با این حال، خواندن طولانی‌تر (برای مثال، استفاده از تکنولوژی‌های تعیین توالی ارائه‌شده توسط نانو ذرات آکسفورد و علوم زیستی اقیانوس آرام)در حال حاضر می‌تواند به تعیین این که یک تغییر خاص در سلول تا چه حد رایج است و اینکه آیا تغییرات در یک بخش از مولکول RNA با تغییرات در بخش دیگر مرتبط است یا خیر، کمک کند.
آپتامرهای روشن مولکول‌های DNA یا RNA تک‌رشته‌ای هستند که در آزمایشگاه برای اتصال به رنگ‌های فلورسنت توسعه داده شدند. آن‌ها آنالوگ‌های RNA از پروتیین فلورسنت سبز هستند که در برخی از حیوانات دریایی تولید می‌شوند، و وقتی این آپتامر ها به رنگ‌ها متصل می‌شوند، شدت فلورسنس آن‌ها افزایش می‌یابد. این امر محققان را قادر می‌سازد تا، برای مثال، تشکیل خوشه‌های RNA داخل سلولی که در بیماری‌های نورودژنراتیو نقش دارند را ردیابی کنند.
پیش از این آپتامرها غیرقابل‌اعتماد بودند: سیگنال‌های آن‌ها تیره بود، و گاهی آپتامرها اصلا کار نمی‌کردند چون توالی‌ها وقتی با RNA هدف ترکیب می‌شدند اشتباه می‌شدند. اما چندین گروه، انواع جدیدی از RNA فلورسنت را توسعه داده‌اند، و من در مقالات و گفتگوها شاهد فشار عظیمی برای بهبود روشنایی آپتامرهای موجود و ایجاد انواع مختلفی از درخشش به رنگ‌های مختلف بوده‌ام.
آزمایشگاه من از روش‌های شیمیایی چاپ پایه برای مطالعه تاخوردگی RNA در سلول استفاده کرده‌است. بسیاری از اختلالات با تغییرات در ساختار RNA مرتبط هستند، اما جدا شدن از هم واقعا سخت بوده‌است. اکنون ما به مطالعه توالی بلند مدت و آپتامرهای روشن برای مطالعه تجمع RNA - پروتیین در بیماری‌هایی مانند سرطان، سندروم متابولیک و آلزایمر می‌پردازیم. با استفاده از این فن‌آوری‌ها، ما بهتر می‌توانیم مرگ سلولی و دیگر ویژگی‌های بیماری را با آنچه که برای مولکول‌های RNA در سلول اتفاق می‌افتد، مرتبط کنیم.
رمزگشایی میکروبیوم
النان بورنشتاین زیست‌شناس سیستم‌های محاسباتی در دانشگاه تل‌آویو
در طول دهه گذشته، روش‌های تعیین توالی محتوای ژنتیکی جوامع میکروبی ترکیب میکروبیوم انسان را بررسی کرده‌اند. اخیرا، دانشمندان تلاش کرده‌اند تا با جمع‌آوری اطلاعات در مورد ژن‌ها، رونوشت‌ها، پروتئین‌ها و متابولیت ها بیاموزند که میکروبیوم‌ها چه کاری انجام می‌دهند. متابولت‌ها به ویژه جالب هستند: آن‌ها می‌توانند نزدیک‌ترین درک را از این که چگونه میکروبیوم بر سلامتی ما تاثیر می‌گذارد، ارایه دهند، زیرا بسیاری از تعاملات میزبان - میکروبیوم از طریق متابولیت هایی که باکتری تولید و مصرف می‌کند، رخ می‌دهد.
در مطالعات میکروبیوم - متابولوم شاهد یک انفجار بوده‌ایم به عنوان مثال، شناسایی گونه‌های موجود در هر نمونه و فراوانی آن‌ها از طریق تعیین توالی متاژنومیک، و استفاده از طیف‌سنجی جرمی و فن‌آوری‌های دیگر برای اندازه‌گیری غلظت متابولیت های مختلف. با ترکیب این دو پروفایل، امید به درک این است که کدام عضو میکروبیوم چه کاری انجام می‌دهد و در نتیجه آیا میکروب‌های خاص سطح متابولیت‌های خاص را تعیین می‌کنند.
اما این داده‌ها پیچیده و چند بعدی هستند و ممکن است یک شبکه کامل از تعاملات شامل چندین گونه و مسیر وجود داشته باشد که در نهایت مجموعه‌ای از متابولیت ها را تولید می‌کند. دانشمندان روش‌های محاسباتی را برای ارتباط دادن میکروبیوم ها و داده‌های متابولیسم و یادگیری این الگوها منتشر کرده‌اند. چنین روش‌هایی از تحلیل‌های مبتنی بر همبستگی ساده تا رویکردهای یادگیری ماشین پیچیده که از مجموعه داده‌های میکروبیوم - متابولیسم موجود برای پیش‌بینی متابولیسم در جوامع میکروبی جدید، یا بازیابی روابط میکروبه - متابولیت ها استفاده می‌کنند، متفاوت هستند.
آزمایشگاه ما استراتژی متفاوتی اتخاذ می‌کند. به جای استفاده از روش‌های آماری برای یافتن ارتباطات متابولیت میکرو، ما مدل‌های مکانیکی را ایجاد می‌کنیم که چگونه فکر می‌کنیم یک ترکیب میکروبی خاص بر متابولیسم تاثیر می‌گذارد و از آن‌ها به عنوان بخشی از تحلیل‌ها استفاده می‌کنیم. در واقع، ما می‌پرسیم: براساس اطلاعات ژنومیک و متابولیک، ما در مورد توانایی هر میکروب در تولید یا مصرف متابولیت های خاص چه می‌دانیم؟ ما نشان دادیم که این رویکرد از دام‌های تجزیه و تحلیل مبتنی بر همبستگی ساده جلوگیری می‌کند، و نسخه جدیدی از چارچوب تحلیل را در ماه‌های آینده منتشر خواهد کرد.
چنین مطالعاتی می‌تواند درمان‌های مبتنی بر میکروبیوم را با شناسایی مثلا میکروب‌های خاصی که مسئول تولید مقدار زیادی از یک متابولیت مضر یا مقدار کمی از یک متابولیت مفید هستند، بهبود بخشد.
محاسبه سرطان
کریستینا کرتیس زیست‌شناس محاسباتی و سیستم‌ها در دانشگاه استنفورد، کالیفرنیا.
وقتی مساله سرطان مطرح می‌شود، ما نمی‌توانیم فرآیندی را ببینیم که به وسیله آن بیماری شکل می‌گیرد، تنها نقطه پایانی آن: ما یک تومور را وقتی که از لحاظ بالینی قابل‌تشخیص است، نمونه‌برداری می‌کنیم. تا آن موقع، تومور جهش‌های زیادی پیدا کرده و ما رها شدیم تا بفهمیم چه اتفاقی افتاده است.
تیم ما یک مدل محاسباتی برای بررسی دینامیک پیشرفت تومور در حالی که مربوط به ساختار فضایی بافت است، ساخت. با این مدل، شما می‌توانید یک سری از سناریوها را شبیه‌سازی کرده و "تومورهای مجازی" را با الگوهای جهش که داده‌های بیمار را تقلید می‌کنند، تولید کنید. با مقایسه داده‌های شبیه‌سازی شده با داده‌های ژنومی واقعی، می توان استنباط کرد که کدام پارامترها احتمالا منجر به تومور بیمار می‌شوند.
من در مورد تکمیل این روش‌های استنباطی با اندازه‌گیری مستقیم اصل و نسب و فنوتیپ تومور با استفاده از روش‌های بارکد و ضبط در حال ظهور هیجان‌زده هستم. پیشرفت‌ها در دو سال گذشته شامل ایجاد بارکدهای مبتنی بر CRIS می‌شود که می‌تواند سرنوشت سلول‌ها را در طول توسعه پستانداران ثبت کند. تکنیک‌های دیگر از تشخیص بارکدهای DNA مبتنی بر تصویر از طریق بیان درجا RNA استفاده می‌کنند در نتیجه اصل و نسب سلولی، مجاورت فضایی و فنوتیپ را بدست می‌آورند.
در مطالعه‌ای که رشد تومورها را در سرطان روده بزرگ مدل‌سازی کرد، از داده‌ها و شبیه‌سازی‌های توالی تومور برای مطالعه روابط بین تومورهای اولیه و متاستاتیک استفاده کردیم. این تجزیه و تحلیل‌های استنباطی نشان داد که اکثریت قریب به اتفاق سرطان‌ها زمانی منتشر شدند که تومور اولیه به سختی ۱۰۰۰۰۰ سلول را شامل می‌شد - بسیار کوچک برای تشخیص استفاده از روش‌های تشخیصی استاندارد مانند کولونوسکوپی.
با حساسیت و مقیاس پذیری بهتر، ترکیبی از روش‌های مدل‌سازی و اندازه‌گیری می‌تواند هم اصل و نسب و هم روابط فضایی را در طول تشکیل تومور ردیابی کند و به ریشه‌های سرطان آگاهی دهد، از جمله اینکه چگونه جهش‌های خاص بر آمادگی سلولی تاثیر می‌گذارند و پیشرفت بیماری را تقویت می‌کنند.
بهبود ژن‌درمانی
الکس نورد متخصص ژنتیک در دانشگاه کالیفرنیا، دیویس.
ما در حال حاضر حدود ۱۵ سال در آزمایش‌ها مقیاس بزرگ برای نگاشت افزایش‌دهنده‌ها و دیگر توالی‌های DNA تنظیمی هستیم که کنترل می‌کنند چگونه ژن‌ها توسط سلول‌ها و اندام‌ها خوانده می‌شوند. اگر چه برای تکمیل این نقشه‌ها به کار بیشتری نیاز است، ما در نقطه‌ای هستیم که می‌توانیم درک خود را برای کنترل دقیق‌تر ژنوم مهار کنیم.
در جلسه سالانه انجمن علوم اعصاب در اکتبر گذشته در شیکاگو، ایلینویز، من به طور مشترک ریاست جلسه‌ای را بر عهده داشتم که بر شناسایی توالی افزایش‌دهنده‌ها و استفاده از آن‌ها برای کنترل بیان ژن در انواع سلول‌های خاص مغز تمرکز داشت. یک رویکرد ویروس‌های مهندسی شده را به مغز می‌آورد تا هزاران ارتقا دهنده را برای پروفایل بیان ژن مورد نظر تست کند. در سال ۲۰۱۹، محققان در موسسه علوم مغز آلن در سیاتل، واشنگتن، از این استراتژی برای جستجوی افزایش‌دهنده‌ها در لایه‌های خاص قشر مغز انسان استفاده کردند. و تیمی از دانشگاه هاروارد در کمبریج، ماساچوست، از یک روش مبتنی بر RNA برای یافتن افزایش‌دهنده‌ها استفاده کردند که تنها در بین نورون‌های خاص عمل می‌کنند، نوعی سلول عصبی که مدارها را ایجاد می‌کند.
پس از شناسایی توالی‌های افزاینده، دانشمندان می‌توانند از آن‌ها برای ایجاد بیان در انواع سلولی خاص برای کاربردهای ژن‌درمانی استفاده کنند. در اختلالات ناشی از غیر فعال شدن یا حذف یک کپی از ژن، ابزارهای ویرایش ژن CRISPR–Cas9 می‌توانند فعالان رونویسی ژن را هدف قرار دهند تا بیان نسخه فعلی را افزایش دهند. تحقیقات در موش‌ها نشان می‌دهد که این روش‌ها می‌توانند نقص‌های بیان ژن را اصلاح کنند که منجر به چاقی و شرایطی مانند سندرم‌های شکننده - X، رتین و دراوت می‌شوند - دومی یک شکل شدید از صرع است که آزمایشگاه من بر روی آن کار می‌کند. در سال آینده، من فکر می‌کنم که ما هنوز موش‌ها را درمان خواهیم کرد، اما سرمایه‌گذاری صنعتی زیادی در این تکنولوژی وجود دارد. امید است که بتوانیم از این روش‌ها برای تغییر شکل نحوه ژن‌درمانی در انسان‌ها استفاده کنیم.
توالی سلول‌های منفرد
جی. کریستوفر لاو، مهندس شیمی در موسسه کوچ برای تحقیقات سرطان در MIT کمبریج، ماساچوست.
من به این علاقه دارم که چطور داروها را سریع‌تر و با دسترسی بیشتر به بیماران برسانیم. فن‌آوری‌های مورد نیاز چند جانبه هستند. از یک طرف، کشف وجود دارد - برای مثال، روش‌های تعیین توالی تک سلولی. از سوی دیگر، موضوع انتقال تکنولوژی به بیمار - بخش تولید - وجود دارد. این امر به ویژه مربوط به داروهایی برای بیماری‌های نادر و یا برای جمعیت‌های کوچک است و حتی برای دسترسی جهانی به داروهایی که در حال حاضر داریم نیز قابل‌اجرا است.
در بخش اکتشاف، ما با همکارانمان در موسسه فن‌آوری ماساچوست (MIT) در کمبریج کار کردیم تا یک پلتفرم قابل‌حمل و ارزان برای تعیین توالی RNA با توان عملیاتی بالا، تک سلولی را توسعه دهیم. اما هنوز هم چالش برانگیز است که قدرت تفکیک کافی برای تشخیص بین زیر گروه‌های سلول‌های ایمنی، به عنوان مثال، با نقش‌های مختلف و ویژگی‌های آنتی‌ژن به دست. در طول یک سال یا بیشتر، ما توالی ژنومی تک سلولی را به چندین روش افزایش داده‌ایم. اول، ما روشی را برای تشخیص رونوشت‌های با بیان پایین به طور موثرتر مطرح کردیم. و مخصوصا برای لنفوسیت‌های T، ما پروتکلی طراحی کردیم که پروفایل بیان ژن هر سلول را با توالی دریافت آنتی‌ژن منحصر به فرد آن پیوند می‌دهد.
در همین حال، یک تیم در موسسه سرطان دانا فاربر در بوستون، ماساچوست، یک کتابخانه هوشمند - استراتژی غربالگری را برای بررسی طرف دیگر معادله منتشر کرده‌است که نشان می‌دهد کدام گیرنده سلول T خاص تشخیص می‌دهد.
با همکاری ام آی تی الکس شالک و دیگران، من یک شرکت، یعنی شرکت بیوتکنولوژی هانی کمب، را برای تجاری کردن پلت فرم توالی آران‌ای تک سلولیمان آغاز کرده‌ام. به جای چرخش سلول‌ها در سانتریفیوژ، آن‌ها را در یک لوله قرار دهید، آن را در نیتروژن مایع منجمد کنید و آن را از آفریقا ارسال کنید، مثلا می‌توانید یک ردیف از چاه‌های با اندازه سلول واحد را حمل کنید - چیزی به اندازه درایو یواس‌بی. این امر می‌تواند ذخیره تک سلولی و ثبت ژنومی را برای تقریبا هر نمونه‌ای در هر نقطه از جهان ممکن سازد.
پیوند دادن ساختار و عملکرد ژنوم
جنیفر فیلیپس - کرینز اپیژنتیست و مهندسی زیستی در دانشگاه پنسیلوانیا، فیلادلفیا
زمانی که دی ان ای یک سلول را تا انتها کشش می‌دهید، طول آن حدود ۲ متر است - با این حال باید در هسته‌ای با قطر کوچک‌تر از سر یک پین جای گیرد. الگوهای چین‌خوردگی نمی‌تواند اتفاقی باشد؛ کروموزوم‌ها ساختارهای سه‌بعدی را تشکیل می‌دهند که باید به طور فضایی و زمانی در طول عمر یک ارگانیسم تنظیم شوند.
با پیشرفت ژنومیک و تصویربرداری در دهه گذشته، ما اکنون می‌توانیم نقشه‌های با تفکیک بسیار بالا از چگونگی تاخوردگی‌های ژنوم ایجاد کنیم. حال سوال اصلی این است که، عملکرد هر یک از این الگوهای تاخوردگی چیست؟ آن‌ها چگونه فرآیندهای اساسی مانند بیان ژن، تکثیر DNA و تعمیر DNA را کنترل می‌کنند؟
چندین رویکرد زیست‌شناسی مصنوعی می‌تواند به ما این امکان را بدهد تا ژنوم را در محدوده طول و بازه‌های زمانی، چین و بررسی کنیم. یک روش، CRISPR-GO، می‌تواند قطعات DNA را به بخش‌های خاص در هسته یا در آن حمل کند. این امر به دانشمندان اجازه خواهد داد تا بپرسند که چگونه قرار گیری هسته‌ای توالی‌های DNA بر عملکرد ژن‌ها حاکم است.
دیگری ابزار لوپینگ دینامیک فعال شده با نور آزمایشگاه (LADL)است، که از نور و CRISPR–Cas9 برای قرار دادن قطعات خاص DNA در کنار یکدیگر در تقاضا برای مسافت‌های طولانی استفاده می‌کند. این امر می‌تواند باعث افزایش ارتباط مستقیم با ژن هدف هزاران یا حتی میلیون‌ها پایه شود، بنابراین می‌توانیم مستقیما عملکرد توالی تنظیمی را ارزیابی کنیم: آیا بیان ژن هدف بالا یا پایین می‌رود، و تا چه حدی؟ این تکنولوژی امکان کنترل دقیق فضایی - زمانی بر بیان ژن را فراهم می‌کند که به طور اساسی در بسیاری از بیماری‌ها مختل شده‌است.
یک سیستم سوم، CasDrop، از یک سیستم CRISPR–Cas9 فعال شده با نور دیگر برای کشیدن قطعات خاص DNA به درون "میعانات" بدون غشای زیر هسته‌ای استفاده می‌کند. عملکرد آن‌ها در سلول‌ها از چند سال پیش که کشف شده‌اند، به شدت مورد بحث بوده‌است.
چیزی که مرا برای آینده امیدوار می‌کند این است که ما می‌توانیم این ابزارهای مهندسی ژنوم سه‌بعدی را با روش‌های تصویربرداری سلول زنده مبتنی بر CRISPR جفت کنیم تا بتوانیم هم ژنوم را مهندسی کرده و هم در زمان واقعی در سلول‌ها مشاهده کنیم.
وظیفه می‌تواند ساختار را هدایت کند. یا ساختار می‌تواند عملکرد را هدایت کند. این یک راز بزرگ است که این ابزارهای مهندسی به ما اجازه پاسخ به آن را می‌دهند.
این مقاله توسط ربات ترجمیار و به صورت خودکار ترجمه شده و می‌تواند به صورت محدود دارای اشکالات ترجمه باشد.
آیا ترجمه گوگل بهبود یافتهاست؟
فن‌آوری جدید پس از یک حمله قلبی، سلول‌های قلب را ترمیم و دوباره تولید می‌کند
۱۰ سوال کلیدی محاسبات هوشمند