Maklumat

Adakah terdapat format jawapan rasmi Fisiologi / Perubatan?


Andaikan anda mempunyai peperiksaan yang mempunyai 5 soalan dan 60 minit. Anda tidak mempunyai banyak masa untuk membuat liputan sekiranya anda menulis semuanya dalam format esei. Sekiranya anda mula menulis karangan, anda sebenarnya tidak mempunyai masa untuk merangkumi semua mekanisme dan sebagainya.

Saya baru sahaja mendengar bahawa seorang pelajar melakukan peperiksaan dengan format senarai, misalnya

duduk -> kembali vena & otot rangka tidak berfungsi dengan betul -> trombus.

dan kemudian menerangkan mekanisme yang relevan secara serupa dan menggabungkan peranannya sebentar lagi.

Morfologi lain dari H. pylori

Melengkung (bentuk spiral), Gram-negatif, panjang 2-4 mikrometer, bentuk coccoid pada budaya yang lebih tua,

Adakah terdapat kaedah rasmi atau cara tidak rasmi yang diterima bagaimana menjawab soalan dalam Fisiologi / Perubatan?


Memandangkan sifat proses dan sistem yang sangat berubah-ubah, tidak mungkin standard umum dapat dilaksanakan atau masuk akal. Dalam soalan perubatan, urutan dari bawah ke atas seperti dalam contoh anda biasanya masuk akal, bermula dengan sebab yang paling diketahui dan berasal dari sana sehingga anda sampai pada gejala. Rawatan boleh keluar atau mengikut urutan pada titik di mana ia berlaku secara logik.

Sekiranya arahan peperiksaan anda meminta teks aliran, soalan anda mungkin tidak perlu - tetapi jika anda yakin anda mempunyai pilihan, gunakan format nota yang sesuai dengan akal sehat. Anda pada dasarnya membuat gambar rajah, dan seperti mana-mana rajah, anda harus memastikan bahawa gambar itu lengkap dan menyeluruh.

Anda boleh memendekkan masa yang diperlukan untuk menulis ayat dengan mengurangkan kualiti sastera. Sudah tentu teks yang ditulis lebih senang dibaca dan ditandai, tetapi penekanan utama dalam penilaian anda biasanya akan memuaskan, yang bermaksud bahawa anda mampu membentuk ayat struktur berulang atau tidak mempunyai kaitan logik jika sukar untuk mengetahui dengan cepat sama ada ada atau bagaimana untuk menyatakannya dll.


Saya biasanya menjawab dengan cara yang luas dan deskriptif, dan saya cuba meletakkan sebanyak mungkin maklumat. Sekiranya ia adalah proses saya biasanya menambah sedikit gambarajah. Sekiranya terdapat banyak atribut untuk menambah kadang-kadang saya melakukan senarai, tetapi biasanya guru tidak menyukainya, lebih mudah untuk mencari kesilapan atau kekurangan dalam senarai.

Tidak ada model jawapan standard sekurang-kurangnya di Universiti saya.


Adakah terdapat format jawapan rasmi Fisiologi / Perubatan? - Biologi

Ingat bahawa homeostasis adalah pemeliharaan persekitaran dalaman yang agak stabil. Apabila terdapat rangsangan, atau perubahan dalam lingkungan, gelung maklum balas bertindak balas untuk memastikan sistem berfungsi di dekat titik yang ditetapkan, atau tahap ideal.

Maklum balas

Maklum balas adalah keadaan apabila output atau tindak balas gelung mempengaruhi atau mempengaruhi input atau rangsangan.

Biasanya, kami membahagikan gelung maklum balas kepada dua jenis utama:

  1. gelung maklum balas positif, di mana perubahan pada arah tertentu menyebabkan perubahan tambahan ke arah yang sama. Contohnya, peningkatan kepekatan bahan menyebabkan maklum balas yang menghasilkan peningkatan kepekatan berterusan.
  2. gelung maklum balas negatif, di mana perubahan ke arah tertentu menyebabkan perubahan ke arah yang bertentangan. Sebagai contoh, peningkatan kepekatan bahan menyebabkan maklum balas yang akhirnya menyebabkan kepekatan bahan menurun.

Gelung maklum balas positif sememangnya sistem yang tidak stabil. Oleh kerana perubahan input menyebabkan tindak balas yang menghasilkan perubahan berterusan ke arah yang sama, gelung maklum balas positif dapat menyebabkan keadaan melarikan diri. Istilah maklum balas positif biasanya digunakan selagi pemboleh ubah mempunyai kemampuan untuk memperkuat dirinya sendiri, walaupun komponen gelung (reseptor, pusat kawalan dan efektor) tidak mudah dikenali. Dalam kebanyakan kes, maklum balas positif berbahaya, tetapi ada beberapa keadaan di mana maklum balas positif, apabila digunakan dengan cara yang terbatas, menyumbang kepada fungsi normal. Sebagai contoh, semasa pembekuan darah, lata protein enzimatik saling mengaktifkan, membawa kepada pembentukan bekuan fibrin yang mencegah kehilangan darah. Salah satu enzim dalam jalur, yang disebut trombin, tidak hanya bertindak pada protein berikutnya di jalur tersebut tetapi juga memiliki kemampuan untuk mengaktifkan protein yang mendahuluinya di lata. Langkah terakhir ini membawa kepada kitaran maklum balas positif, di mana peningkatan trombin membawa kepada peningkatan trombin. Harus diingat bahawa ada aspek lain dari pembekuan darah yang membuat proses keseluruhan tetap terkendali, sehingga kadar trombin tidak meningkat tanpa had. Tetapi jika kita hanya mempertimbangkan kesan trombin pada dirinya sendiri, ia dianggap sebagai kitaran maklum balas positif. Walaupun ada yang menganggap ini sebagai maklum balas positif, istilah seperti itu tidak diterima secara universal.

Gelung maklum balas negatif adalah sistem yang semestinya stabil. Gelung maklum balas negatif, bersama dengan pelbagai rangsangan yang dapat mempengaruhi pemboleh ubah, biasanya menghasilkan keadaan di mana pemboleh ubah berayun di sekitar titik yang ditetapkan. Sebagai contoh, gelung maklum balas negatif yang melibatkan insulin dan glukagon membantu mengekalkan tahap glukosa darah dalam julat kepekatan yang sempit. Sekiranya tahap glukosa terlalu tinggi, tubuh akan melepaskan insulin ke dalam aliran darah. Insulin menyebabkan sel-sel tubuh mengambil dan menyimpan glukosa, menurunkan kepekatan glukosa darah. Sekiranya glukosa darah terlalu rendah, tubuh akan melepaskan glukagon, yang menyebabkan pembebasan glukosa dari beberapa sel badan.


Apa yang anda akan pelajari

Anda akan mengkaji interaksi unik antara pelbagai bentuk kehidupan seperti sel, parasit, patogen, haiwan, tumbuhan, serangga dan manusia melalui kajian unsur-unsur biologi yang berbeza seperti genetik, biologi sel, fisiologi, ekologi, biologi populasi, limnologi, toksikologi, pemuliharaan dan parasitologi. Biologi adalah pilihan terbaik bagi pelajar yang berminat untuk memasuki program sains kesihatan, termasuk perubatan, pergigian, kejururawatan, dan perubatan veterinar.


Pengenalan

China Physiologic Signal Challenge 2019 (CPSC 2019) bertujuan untuk mendorong pengembangan algoritma untuk mencabar pengesanan QRS dan kadar degupan jantung (HR) dari rakaman ECG plumbum tunggal jangka pendek biasanya dengan kualiti isyarat rendah dan / atau bentuk gelombang irama yang tidak normal.

Isyarat ECG memberikan peranan penting dalam pemantauan dan diagnosis klinikal untuk penyakit kardiovaskular (CVD) secara tidak invasif. Pengesanan kompleks QRS adalah langkah penting untuk pemprosesan isyarat EKG, dan dapat memanfaatkan pengiraan HR berikut dan analisis situasi yang tidak normal. Walaupun kaedah pengesanan kompleks QRS telah dijejaki dengan teruk sepanjang beberapa dekad terakhir, lokasi QRS yang tepat dan anggaran SDM masih mencabar dalam episod isyarat yang bising atau bentuk gelombang irama yang tidak normal, terutama ketika rakaman ECG berasal dari pemerolehan ECG dinamik yang dapat dipakai. Memang benar bahawa banyak algoritma pengesanan QRS yang dikembangkan dapat mencapai ketepatan yang tinggi (kepekaan dan ramalan positif melebihi 99%) apabila diuji melalui pangkalan data ECG standard seperti Pangkalan Data MIT-BIH Arrhythmia atau Pangkalan Data AHA [1]. Walau bagaimanapun, algoritma ini mungkin tidak dapat berfungsi dengan baik apabila digunakan dalam persekitaran kehidupan seharian yang akan menyebabkan bunyi yang teruk dan mengurangkan kualiti isyarat dengan ketara. Satu kajian baru-baru ini mengesahkan bahawa tidak ada algoritma QRS biasa yang dapat memperoleh ketepatan pengesanan 80% ketika diuji dalam pangkalan data ECG bising dinamik yang sama [2]. Oleh itu, dalam cabaran ini, kami menyediakan pangkalan data ECG baru yang mengandungi episod dan / atau isyarat EKG yang bising dengan corak aritmia yang berbeza, mendorong peserta untuk mengembangkan pengesanan QRS dan anggaran HR yang lebih cekap dan kuat. Di samping itu, perlu diingat bahawa, walaupun HR dapat dihitung dari hasil pengesanan kompleks QRS, HR masih dapat dianggarkan tanpa langkah pengesanan QRS [3,4].


CABARAN PENYELIDIKAN

Sesi terakhir bengkel memfokuskan pada pandangan luas mengenai bidang akil baligh dan remaja, dengan mempertimbangkan implikasi kemajuan terkini untuk masa depan penyelidikan, serta kesannya terhadap dasar dan amalan semasa. Meringkaskan komen yang dibuat oleh peserta bengkel, kami menggariskan di bawah sejumlah tantangan yang kini dihadapi para penyelidik dalam memindahkan bidang penyelidikan ini ke tahap pengembangan berikutnya. Jurang dalam asas pengetahuan perkembangan remaja yang memerlukan penyelidikan lebih lanjut seperti yang dikenal pasti oleh para pembentang juga diringkaskan.

Masa Remaja Harus Diakui Sebagai Kawasan Ilmiah yang Kredibel Pertanyaan Sejumlah peserta bengkel menekankan perlunya membina keupayaan bidang penyelidikan remaja dengan dana baru untuk penyelidikan membujur dan insentif untuk memberikan latihan profesional dan menjalankan penyelidikan antara disiplin.

Banyak kajian yang menunjukkan bahawa remaja tidak semestinya waktu ribut dan tekanan (Elkind, 1992 Hamburg, 1992) mewakili perubahan perspektif yang ketara. Walau bagaimanapun, terdapat sedikit kajian mengenai ciri-ciri afektif dan sikap yang sering dikaitkan dengan masa remaja & mdashelation, pencarian sensasi, kegembiraan, moodiness, perubahan tenaga, mudah marah, gelisah. Baru-baru ini terdapat kajian yang mengaitkan emosi negatif

atau keadaan afektif terhadap perubahan hormon akil baligh, terutama pada kanak-kanak normal (Buchanan et al., 1992).

Memajukan pemahaman lapangan tentang remaja memerlukan fokus pada penyelidikan dan polisi yang sesuai dimaklumkan oleh penyelidikan ini. Model teori yang ada harus dikembangkan untuk memanfaatkan kemajuan dalam sains bioperubatan. Seperti yang diperhatikan oleh peserta bengkel Elizabeth Susman, "Penyatuan proses fisiologi lebih lanjut ke dalam model perkembangan remaja akan membolehkan para saintis membina model integratif yang lebih holistik daripada yang ada sekarang" (Susman, 1997).

Penyelidikan Diperlukan untuk Meneroka Hubungan Antara Pelbagai Aspek Pertumbuhan Pubertal dengan Membuat dan Menerapkan Pemodelan yang Lebih Kompleks Prosedur. Sehingga baru-baru ini, model perkembangan remaja cenderung tidak sehala, yang membolehkan para penyelidik mengesan tingkah laku atau hormon. Beberapa kemajuan kemudian dibuat dalam mengembangkan analisis dua arah, yang menunjukkan interaksi antara tingkah laku dan hormon. Baru-baru ini penyelidik memandang serius faktor fizikal dan sosial yang boleh mempengaruhi perkembangan remaja. Akibatnya, model yang ada tidak memberi peluang untuk mengambil lebih dari sekadar gambaran masa remaja atau, paling baik, untuk melakukan kajian membujur yang mengikuti lintasan satu atau pemboleh ubah lain. Oleh itu, kemajuan dalam pemahaman remaja bergantung pada pengembangan model teoritis dan statistik multidimensi yang lebih kompleks & mdashi.e, "peta cuaca global" akil baligh. Usaha antara disiplin diperlukan untuk mengembangkan model sedemikian.

Penyelidikan Diperlukan untuk Mengkaji Lebih Lanjut Zaman Permulaan Menarche dan Perbezaan Di Kalangan Gadis-gadis dari Kumpulan Perbezaan Kaum dan Etnik. Menurut beberapa penyelidik, "masa matang nampaknya sama di semua etnik, asalkan pemakanan mencukupi" (Brooks-Gunn dan Reiter, 1990). Namun, seperti yang mereka akui, pernyataan ini kontroversial di lapangan, dan banyak persoalan masih ada.

Berdasarkan penyelidikan yang menunjukkan bahawa gadis kulit hitam mencapai menarche lebih awal daripada gadis kulit putih, faktor manakah yang menyumbang kepada permulaan awal baligh bagi gadis kulit hitam? Bolehkah kita menganggap bahawa alasan perbezaan masa menarche adalah sama seperti sekarang pada tahun 1960-an? Sekiranya, seperti yang dibincangkan sebelumnya, gadis kulit hitam mulai akil baligh kira-kira 15 bulan sebelum rakan mereka yang berkulit putih, tetapi mereka tiba di menarche hanya 8 bulan lebih awal, apa yang menyebabkan tempo perkembangan pubertas mereka lebih lambat? Apakah hubungan antara berat badan dan usia baligh untuk hitam putih

perempuan? Adakah kanak-kanak perempuan yang lebih berat mempunyai tempo perkembangan pubertas yang lebih perlahan? Seberapa pentingkah sikap budaya yang berbeza terhadap imej badan? Apakah pandangan yang dapat diberikan oleh kajian lintas budaya?

Walaupun sebahagian besar penyelidikan semasa memfokuskan pada perbezaan usia baligh di antara gadis-gadis hitam dan putih, jelas ada keperluan untuk penyelidikan tambahan untuk mencirikan perbezaan dalam masa baligh dan menarche (dan hasil yang berkaitan dengan perbezaan ini) pada semakin meningkatnya perkauman dan populasi remaja yang pelbagai etnik di Amerika Syarikat. Penyelidikan ini mesti melampaui perbandingan hitam putih dengan kumpulan kaum dan etnik lain, seperti Hispanik, India Amerika, dan orang Asia dan Kepulauan Pasifik. Lebih-lebih lagi, memandangkan heterogenitas yang ada di dalam kumpulan ini, perbandingan dalam kumpulan juga diperlukan & mdashe.g., Perbandingan orang Afrika Amerika, Nigeria, dan kulit hitam Caribbean dalam populasi kulit hitam Kuba, Puerto Ricans, Amerika Tengah, dan orang Mexico dalam populasi Hispanik dan Cina , Jepun, dan Vietnam dalam populasi Asia. Bagaimana faktor genetik dan budaya mempengaruhi masa perkembangan pubertas dan masa menarche? Seorang ahli antropologi yang mengambil bahagian dalam bengkel tersebut menyatakan bahawa, di kalangan orang Lumi di New Guinea, usia rata-rata menarche jauh lebih lambat daripada di Amerika Syarikat dan negara maju yang lain.

Penyelidikan Diperlukan untuk Menyelidiki Hubungan Antara Adrenarche dan Akil baligh. Pubertas kini dianggap sebagai salah satu peristiwa di sepanjang perkembangan. Ia didahului oleh adrenarche (pengembalian semula rembesan androgen adrenal), yang bermula kira-kira dua tahun sebelum secara tradisional dianggap sebagai permulaan baligh. Keturunan nampaknya memainkan peranan utama dalam menentukan permulaan adrenarki dan juga akil baligh. Adrenarche masih kurang difahami fungsinya tidak sepenuhnya jelas. Para penyelidik pada mulanya berpendapat bahawa adrenarche menyebabkan peningkatan pertumbuhan pra-remaja antara usia 5 dan 7 tahun, tetapi sukar untuk menghubungkan "blip" ini dengan adrenarche, kerana rembesan androgen adrenal berlanjutan sementara pertumbuhan menurun kembali ke tahap sebelumnya. Adakah terdapat perbezaan antara budaya dan lintas negara sehubungan dengan permulaan adrenarki? Sekiranya demikian, mengapa?

Penyelidikan Diperlukan untuk Meneroka Lebih Lanjut Hubungan Antara Jantina Steroid dan Kelakuan. Biasanya dianggap bahawa perubahan pubertas mempengaruhi mood dan tingkah laku, tetapi buktinya bercampur-campur (Richards dan Larson, 1993). Walaupun terdapat puluhan tahun spekulasi, kesan steroid seks, terutama pada mood dan tingkah laku, semasa remaja tetap tidak jelas. Apa

adakah hubungan antara sistem adrenal dan gonadal (atau sistem HPA dan HPG) dan pengaruhnya terhadap mood dan tingkah laku? Banyak penyelidik melihat hubungan ini, tetapi lebih banyak penyelidikan diperlukan. Langkah-langkah yang boleh dipercayai dan sah yang akan membolehkan pemeriksaan dengan kekhususan yang lebih besar diperlukan untuk menentukan bagaimana peningkatan kepekatan hormon pubertas mempengaruhi kognisi, dan juga pengaruhnya terhadap tingkah laku masalah, seperti pencerobohan.

Penyelidikan diperlukan untuk mengkaji kerentanan dan ketahanan di seberang Spektrum Perkembangan Kanak-kanak dan Remaja. Mengapa beberapa remaja dan remaja lebih atau kurang rentan atau berdaya tahan diberikan peristiwa dan konteks kehidupan yang setanding di mana mereka tumbuh dan berkembang? Adakah sistem biologi lebih kurang sensitif terhadap peristiwa dan konteks kehidupan pada masa-masa tertentu? Sekiranya demikian, adakah pengaruh genetik menetapkan sebilangan pemuda lebih atau kurang rentan, atau sebaliknya, lebih kurang tahan? Sebagai contoh, jika seorang gadis remaja mengalami gangguan makan, apakah lintasan hidupnya secara umum, dan kesan biologi penyakit ini, bergantung pada titik perkembangannya ketika ia terjadi?

Penyelidikan Diperlukan untuk Mengkaji Faktor-Faktor yang Mempromosikan atau Meningkatkan Kognitif Perkembangan Remaja. Bidang ini akan mendapat manfaat daripada model perkembangan kognitif remaja yang lebih kompleks. Mengapa perkembangan kognitif berjalan pada jadual waktu yang berbeza daripada pematangan fizikal dan seksual? Penyelidik yang memfokuskan pada akil baligh belum mengesan kesan steroid pada fungsi kognitif, tetapi, dalam menopaus, terapi estrogen terbukti mempengaruhi fungsi kognitif. Apa yang menyebabkan perbezaan ini? Bagaimanakah seni bina otak berkaitan dengan perkembangan kognitif remaja? Adakah kajian MRI berfungsi dapat meningkatkan pengetahuan dalam bidang ini? Lebih-lebih lagi, kita perlu lebih memahami proses pengambilan keputusan remaja dan faktor-faktor yang mendorong mereka terlibat dalam tingkah laku yang berisiko tinggi berbanding kesihatan.

Penyelidikan Diperlukan untuk Memperluas Pemahaman Lapangan tentang Kesannya Stress & mdashboth Bentuk Negatif dan Positif Stress & mdashon Remaja Pembangunan. Penyelidik baru-baru ini mula menjalin hubungan antara tekanan dan masa pematangan pubertas. Penyelidikan baru diperlukan untuk mengenal pasti keadaan persekitaran yang buruk (seperti yang berkaitan dengan kemiskinan) yang boleh mempengaruhi penindasan atau rangsangan jangka panjang-

proses endokrin yang seterusnya mempengaruhi pertumbuhan normal dan perkembangan psikologi (Susman, 1997).

Penyelidikan Diperlukan untuk Menjelaskan Lebih Lanjut Perbezaan Perkembangan Menurut kepada Jantina. Mengapa kanak-kanak perempuan mencapai akil baligh sebelum kanak-kanak lelaki? Apakah implikasi berkenaan dengan promosi kesihatan dan pencegahan tingkah laku berisiko? Apakah implikasi perbezaan jantina dalam perkembangan otak?

Penyelidikan Diperlukan untuk Mengatasi Masalah Utama dalam Pembangunan Remaja dalam Cahaya Kemajuan dalam Genetik. Masa remaja adalah masa di mana sekumpulan pengaruh genetik menjadi lebih penting sementara sekumpulan faktor genetik lain, yang kelihatan pada awal kehidupan, menjadi kurang penting. Sebagai contoh, terdapat bukti yang jelas untuk kecenderungan genetik terhadap skizofrenia, dan permulaan skizofrenia biasanya berlaku pada tahun-tahun remaja kemudian. Apa interaksi antara tuan rumah dan persekitaran yang menandakan bermulanya skizofrenia semasa remaja? Bolehkah kita dengan spesifisiti yang lebih besar untuk bagaimana dan kapan ini serta "isyarat" genetik lain dihidupkan atau dimatikan semasa kanak-kanak dan juga remaja? Bagaimana mekanisme genetik baru dimainkan? Apakah faktor genetik dan nongenetik yang boleh mempengaruhi ekspresi gen tertentu semasa remaja? Meningkatkan pengetahuan tentang interaksi pelbagai gen, persekitaran, dan tingkah laku suatu hari nanti akan membantu untuk memberitahu perkembangan strategi baru untuk mempromosikan perkembangan sihat kedua-dua kanak-kanak dan remaja.

Ringkasnya, seperti yang dibahas di bengkel, ada sejumlah tantangan untuk melakukan penelitian di bidang ini, serta peluang yang jelas untuk memajukan pangkalan pengetahuan mengenai perkembangan remaja, kesehatan, perilaku, dan kesejahteraan. Kajian penyelidikan generasi seterusnya perlu bersifat interdisipliner untuk mengintegrasikan kaedah penyelidikan rentas dan longitudinal dengan teknik pemodelan yang lebih canggih untuk meneliti hubungan antara pengaruh genetik, biologi, sosial, dan persekitaran serta sumbangan unik dan bersama mereka terhadap perkembangan remaja dan untuk disusun dalam kerangka pembangunan yang lebih luas.


Budaya A.S. secara rasmi mengiktiraf Kesembilan belas, tetapi itu hanya langkah pertama. Dengan memusatkan orang Amerika Hitam, Hari Kebebasan dapat menggarisbawahi apa yang perlu dilakukan. Budaya Keempat Julai bukan satu-satunya percutian kemerdekaan yang penting bagi orang Amerika dan yang lain. Ketahui lebih lanjut mengenai Juneteenth, perayaan yang memperingati akhir penghambaan rasmi di A.S.

Tingkah Laku Makmal 11a Ap

Etologi adalah kajian mengenai tingkah laku haiwan. Tingkah laku haiwan adalah tindak balasnya terhadap input deria. Terdapat tiga jenis tingkah laku: orientasi, agonistik, dan kawin.

Tingkah laku orientasi membawa haiwan ke persekitarannya yang paling baik. Teksi adalah ketika haiwan bergerak ke arah atau jauh dari rangsangan. Teksi sering dicirikan oleh cahaya, panas, kelembapan, bunyi, atau bahan kimia. Kinesis adalah jenis pergerakan lain yang melibatkan orientasi. Kinesis adalah pergerakan yang rawak dan tidak melibatkan rangsangan. Jadi haiwan akan bertindak balas terhadap cahaya dengan bergerak ke mana-mana dalam arah yang rawak.

Tingkah laku agonistik adalah ketika haiwan saling bertindak balas dalam gerakan agresif atau tunduk. Seperti rambut di punggung anjing ketika mereka bersiap sedia untuk melawan. Contoh lain yang sangat baik adalah ikan Betta, yang kadang kala dipelajari di makmal.

Tingkah laku kawin adalah aktiviti yang melibatkan pencarian, pacaran, dan kawin dengan anggota spesies yang sama. Contohnya adalah burung merak yang mengepalkan bulu untuk menarik betina.

Pug bug akan lebih suka bahagian basah daripada sisi kering piring petri kerana ia terbiasa hidup dalam keadaan lembap gelap, seperti di bawah batu atau di pohon yang busuk.

Bahan yang digunakan dalam eksperimen ini melibatkan: kombinasi piring petri berganda, 10 penyumbat pil, bahan tempat tidur, gunting, pensil, 2 keping kertas turas, sehelai kertas pembinaan hitam, dan jam tangan.

Letakkan 10 pil ubat di piring petri bersama dengan sedikit bahan tempat tidur di setiap bekas. Perhatikan selama kira-kira 10 minit, perhatikan sebarang pemerhatian yang menjadi ciri pepijat. Setelah selesai, ambil sehelai kertas turas dan rendam ke dalam air, kemudian masukkan bahagian basah di bahagian bawah salah satu bekas. Masukkan kertas kering yang lain di bahagian bawah bekas yang lain. Letakkan 5 pil pil di setiap sisi dan hitung berapa banyak pepijat di setiap sisi setiap 30 saat selama 10 minit.

Eksperimen kami yang dirancang melibatkan kaedah yang sama kecuali mengganti kertas turas dengan sehelai kertas pembinaan hitam. Potong kertas bulat dari selembar kertas hitam dan masukkan ke dalam salah satu bekas bersama dengan beberapa bahan tempat tidur. Letakkan 5 ubat penahan di setiap sisi dan hitung berapa banyak di setiap sisi setiap 30 saat selama 10 minit.

Masa (Min) Bilangan di Bilik basah Bilangan di Bilik kering
0 5 5
.5 9 1
1.0 6 4
1.5 7 3
2.0 5 5
2.5 6 4
3.0 5 5
3.5 7 3
4.0 6 4
4.5 8 2
5.0 3 7
5.5 2 8
6.0 6 4
6.5 0 10
7.0 2 8
7.5 5 5
8.0 0 10
8.5 2 8
9.0 1 9
9.5 5 5
10.0 7 3

1. Apakah kesimpulan yang anda dapat dari data anda? Terangkan sebab fisiologi untuk tingkah laku yang diperhatikan dalam aktiviti ini.

& # 8211 Bug itu lebih suka dalam keadaan basah. Mereka mungkin menyukainya di sana kerana mereka tinggal di tempat seperti itu, di bawah batu atau di pokok atau di tanah sahaja. Itu mungkin satu-satunya cara mereka dapat tetap sejuk dan mendapatkan kelembapan.

2. Dapatkan hasil dari semua kumpulan makmal di kelas anda. Berkenaan dengan kelembapan, suhu cahaya, dan keadaan persekitaran lain, jenis persekitaran mana yang lebih disukai oleh isopod? Bagaimana data menyokong kesimpulan ini? Berikan contoh khusus.

& # 8211 Kelas kami tidak bertukar data antara satu sama lain.

3. Bagaimana isopod mencari persekitaran yang sesuai?

& # 8211 Mereka menggunakan antena untuk banyak lokasi mereka. Satu perkara yang saya perhatikan ialah mereka menggunakan antena ketika mereka berjalan-jalan. Mereka mungkin tidak mempunyai penglihatan yang sangat baik.

4. Sekiranya anda tiba-tiba membalikkan batu dan menjumpai isopod di bawahnya, apa yang anda harapkan? Sekiranya anda menonton isopod selama beberapa minit, bagaimana anda mengharapkan untuk melihat tingkah laku mereka berubah?

& # 8211 Saya mengharapkan mereka berpusing-pusing, mungkin mencari dan terowong dan turun untuk menjauhi cahaya matahari. Sekiranya anda menjumpai benda yang belum berada di bawah tanah, saya mungkin akan melihatnya berjalan keluar di rumput, mencari objek lain untuk ditenggelami.

5. Adakah tindak balas isopod terhadap kelembapan dikelaskan sebagai kinesis atau teksi? Terangkan tindak balas anda.

& # 8211 Saya rasa ia paling baik dikelaskan sebagai kinesis kerana mereka bergerak dalam arah rawak. Sebahagian dari mereka hanya duduk di sana sementara yang lain bergerak.

1. Pilih salah satu faktor pemboleh ubah di atas, dan kembangkan hipotesis mengenai tindak balas ubat penawar terhadap faktor tersebut.

& # 8211 Warna Latar- Saya berhipotesis bahawa ubat penahan pil akan lebih memilih warna latar gelap berbanding warna latar cahaya kerana mereka biasa tinggal di tempat gelap sepanjang hayat mereka.

2. Gunakan bahan yang ada di kelas anda untuk merancang eksperimen. Ingat bahawa haba dihasilkan oleh lampu.

A) Nyatakan objektif eksperimen anda.

& # 8211 Untuk melihat apakah warna latar belakang ada kaitan dengan tindak balas tingkah laku dalam penyekat pil kepada persekitarannya.

B) Senaraikan bahan yang akan anda gunakan.

& # 8211 Gunting, kertas pembinaan hitam, kutu pil, bekas piring petri, dan bahan tempat tidur, serta jam tangan.

C) Gariskan prosedur anda secara terperinci.

& # 8211 Eksperimen yang dirancang kami melibatkan kaedah yang sama dengan eksperimen sebenar kecuali menggantikan kertas turas dengan sehelai kertas pembinaan hitam. Potong kertas bulat dari selembar kertas hitam dan masukkan ke dalam salah satu bekas bersama dengan beberapa bahan tempat tidur. Letakkan 5 ubat penahan di setiap sisi dan hitung berapa banyak di setiap sisi setiap 30 saat selama 10 minit.

Tidak banyak perkara yang dapat mengubah keputusan kami secara drastik. Yang harus kami lakukan hanyalah memerhatikan mereka dan melihat masa. Sekiranya pepijat dipaksa masuk ke salah satu ruang maka itu boleh mengubah hasil kami. Juga jika kita tidak menyimpan kaedah waktu yang baik maka kita mungkin akan tersesat.

Serangga suka di persekitaran basah kerana itulah yang biasa. Ini adalah cara mudah untuk mendapatkan air dan tetap sejuk di persekitaran mereka. Mereka juga menyukai latar belakang yang gelap kerana, sekali lagi, itulah yang biasa mereka lakukan di persekitaran mereka, di bawah batu atau benda-benda lain.


Apakah sistem imun?

Tujuan sistem kekebalan tubuh adalah untuk mempertahankan diri dan menjauhkan mikroorganisma, seperti bakteria, virus, dan kulat tertentu, dari tubuh, dan memusnahkan mana-mana mikroorganisma berjangkit yang menyerang tubuh. Sistem kekebalan tubuh terdiri dari jaringan sel dan organ yang kompleks dan penting yang melindungi tubuh dari jangkitan.

Organ yang terlibat dengan sistem imun disebut organ limfoid. Mereka mempengaruhi pertumbuhan, perkembangan, dan pembebasan limfosit (sejenis sel darah putih). Saluran darah dan saluran limfa adalah bahagian penting dari organ limfoid. Mereka membawa limfosit ke dan dari kawasan yang berlainan di dalam badan. Setiap organ limfoid berperanan dalam pengeluaran dan pengaktifan limfosit.

Adenoid (dua kelenjar yang terletak di bahagian belakang saluran hidung)

Lampiran (tiub kecil yang disambungkan ke usus besar)

Pembuluh darah (arteri, urat, dan kapilari di mana darah mengalir)

Sumsum tulang (tisu lembut dan berlemak yang terdapat di rongga tulang)

Kelenjar getah bening (organ kecil berbentuk seperti kacang, yang terletak di seluruh badan dan bersambung melalui saluran limfa)

Pembuluh limfa (rangkaian saluran ke seluruh badan yang membawa limfosit ke organ limfoid dan aliran darah)

Tompok Peyer (tisu limfoid di usus kecil)

Limpa (organ bersaiz kepalan yang terletak di rongga perut)

Thymus (dua lobus yang bergabung di depan trakea di belakang tulang payudara)

Tonsil (dua jisim bujur di bahagian belakang tekak)


Cara anda mempersiapkan ujian boleh menjadi perbezaan antara skor rendah dan skor tinggi. Bagaimana anda membuat persediaan?

  1. Belajar dengan lebih awal, jangan menjejalkan
  2. Belajar untuk mempelajari bahan
  3. Ikuti jadual belajar biasa
  4. Gunakan bahan kajian yang berkualiti: buku teks, kad flash, panduan belajar, ujian latihan, dll.
  5. Serlahkan perkara penting dalam nota anda
  6. Menggunakan kumpulan perbincangan

Bahan dan Kaedah

Normalisasi set data TG-GATE terbuka

Buka pemerolehan data TG-GATE

Semua kecuali data penggunaan makanan dimuat turun dari laman web Open TG-GATEs (https://toxico.nibiohn.go.jp/open-tggates/english/search.html) menggunakan pakej RCurl dan dihuraikan dengan pakej XML. Data penggunaan makanan dimuat turun dari repositori kumpulan data Open TG-GATEs lain di Life Science Database Archive (https://dbarchive.biosciencedbc.jp/en/open-tggates/data-11.html). Pemberian satu kompaun, satu dos, dan satu titik waktu disebut sebagai "keadaan rawatan" atau "keadaan" di seluruh teks. Terdapat 3.564 keadaan yang diuji secara total (160 bahan kimia, tiga dos, lapan titik masa). Setiap keadaan diuji dalam kuintuplikat biologi untuk mengumpulkan fisiologi (berat badan dan organ, jumlah sel darah, kimia darah) dan histologi (diagnosis berdasarkan pewarnaan H&E hati dan ginjal yang dibuat oleh ahli patologi toksikologi) tiga daripada lima sampel diuji lebih lanjut untuk Data mikroarray hati dan ginjal 3,528 dan 975 keadaan diuji untuk transkripomea hati dan buah pinggang.

Maklumat rawatan ubat

Dalam kumpulan data Open TG-GATEs, tikus diuji dengan satu daripada 160 sebatian (99 ubat, 55 racun industri, enam molekul atau metabolit isyarat endogen), pada tiga dos yang ditentukan untuk setiap bahan kimia (Lampiran Gambar S1C). Selepas rawatan dos tunggal, haiwan dikorbankan pada 3, 6, 9, atau 24 jam setelah rawatan dos berulang setiap hari, haiwan dikorbankan pada 4, 8, 15, atau 29 hari. Sebilangan sebatian diuji hanya dalam rawatan dos tunggal atau berulang, tetapi 140 sebatian diuji untuk semua lapan titik masa. Sembilan puluh tujuh daripadanya pada dos yang sama, tetapi 43 daripadanya diuji pada dos yang lebih tinggi dalam dos tunggal daripada pada dos yang berulang. 365 keadaan (sebatian pada dos tetap) dijadualkan untuk semua ujian lapan titik waktu, tetapi 14 haiwan yang dibunuh pada titik waktu kemudian sehingga 351 keadaan diuji pada lapan titik waktu. Pada waktu pengorbanan, fisiologi (hematologi, berat badan, dan tisu) dan histopatologi hati dan ginjal dikumpulkan untuk masing-masing dari lima haiwan tersebut. Selanjutnya, tiga daripada lima haiwan yang mewakili setiap keadaan dikumpulkan dan dikenakan mikroarray hati dan ginjal.

Normalisasi data fisiologi

Parameter fisiologi (jumlah sel darah, biokimia darah, dan berat badan dan tisu) diukur untuk setiap subjek pertama yang normalisasi untuk setiap 3.564 keadaan rawatan (sebatian, dos, titik waktu). Mula-mula kami memperoleh lima ulangan biologi setiap parameter untuk setiap keadaan. Oleh kerana setiap parameter diukur dalam unit yang berlainan dan mereka tidak dapat dibandingkan secara langsung, kami menormalkan nilainya sehingga dapat dibandingkan antara satu sama lain. Untuk normalisasi, kami menghitung rentang min dan interquartile dari 3,564 nilai setiap parameter, mengurangkan min dari setiap nilai, dan dibahagi dengan julat interkuartil.

Pembentukan histopatologi

Histopatologi hati dan ginjal dari setiap haiwan yang dirawat didiagnosis oleh ahli patologi toksikologi. Maklumat tersebut terdiri daripada nama fenotip (nekrosis, hipertropi, dll.), Topografi (periportal, centrilobular, dll.), Dan gred (minimum, sedikit, sederhana, teruk). Kerana beberapa fenotip histopatologi (seperti nekrosis) sering diperhatikan walaupun di bawah rawatan kenderaan, jadi mereka dianggap bebas daripada rawatan kompaun. Oleh itu, kami memangkas pemerhatian histopatologi sehingga kami bekerja hanya dengan pemerhatian yang mungkin disebabkan oleh rawatan kompaun. Untuk melakukan ini, kami menyusun pemerhatian ke dalam topografi dan gred. Untuk setiap topografi dan gred setiap fenotip, kami menghitung jumlah tikus yang menunjukkan fenotip yang disebabkan oleh kenderaan dan oleh sebatian, dan membuat pemerhatian hanya apabila nisbah jumlahnya lebih banyak daripada nisbah tikus yang digunakan dalam projek (= 0.336 5,950 and 17,685 rats used for vehicle and toxin treatments in TG-GATEs, respectively) and discarded otherwise because we do not have a firm evidence that the phenotype was induced by the toxins. After the trimming procedure, we claimed a phenotype was induced by a condition (compound, dose, time point) when at least one of the quintuplicated rats treated with the condition exhibited the phenotype.

Transcriptome normalization

Microarray experiments were performed in three biological replicates. All the CEL files from rat liver and kidney data were downloaded from the Open TG-GATEs website. There were 14,143 and 3,905 CEL files for the liver and kidney. The CEL files of the same tissue were handled simultaneously for computing a normalized expression matrix using affy, affyio, BufferedMatrix, BufferedMatrixMethods, rat2302.db packages. Normalization was performed by robust multiarray analysis of BufferedMatrix.justRMA() function of BufferedMatrixMethods, which log2-transformed the resulting expression profiles. Three biological replicates were averaged to produce an expression profile for each condition, and a profile of the corresponding vehicle treatment was subtracted. This gives expression profiles of 3,528 and 975 conditions in liver and kidney, respectively.

Food consumption data normalization

For 337 conditions (132 unique compounds), food consumption was measured at nine time points (1, 4, 8, 11, 15, 18, 22, 25, and 29 days). For these conditions, food consumption of rats administered with compounds was subtracted from that of rats administered with vehicles.

Identification of disease states/physiology and histology overrepresentation

Computing physiology t-SNE

Using 1-Pearson correlation (also known as “Pearson distance”) as distance measure between any pairs of treatment conditions in the physiology space, we first computed a distance matrix across 3,564 conditions. We next set a seed i for random number generator (RNG) (i = 1–100) and ran t-SNE based on the calculated distance matrix using Rtsne() function in Rtsne package, to generate a 2-dimensional coordinate of each conditions on the t-SNE map.

Filtering disease-associated conditions

Severity scores were computed by counting co-occurring histology phenotypes for liver and kidney and mapped onto t-SNE map. Two-dimensional density landscape of severity scores was computed using bkde2D() function in KernSmooth package. Severity score is recomputed by estimating the severity score from the 2-dimensional density map using interp.surface() function in fields package. Conditions containing higher severity scores than an arbitrary threshold were considered to be associated with some diseases and further selected for disease identification.

Clustering for identifying disease states

Conditions with higher severity scores were clustered based on their t-SNE coordinates using density-based clustering of applications with noise (DBSCAN). This is achieved by dbscan() function in dbscan package. 100 runs from t-SNE to clustering with different RNG seeds were summarized by ensemble clustering using cl_consensus() function in clue package. This identified 15 clusters that contain 5–203 conditions. To gain robust disease states that are induced by multiple compounds, we discarded smaller clusters composed of fewer than 20 conditions or induced only by one compound, because we expected that such small clusters do not have strong statistical power due to the small sample size in further transcriptome analysis. We recomputed the memberships and likelihoods to limit our interest to larger clusters with ≥ 20 conditions and found nine consensus clusters in total ranging from 37 to 203 conditions (10–55 unique compounds). At the same time, 2,723/3,564 conditions were identified a non-disease states.

Characterization of physiology and histology of nine DSs

Relative severity between liver and kidney

Liver and kidney severity scores for each disease were compared to assess which tissue was more affected in terms of histopathology. Relatively affected tissue was assessed by scatter plot (Fig 2A, top) as well as log ratio: log10(severityliver) − log10(severitykidney) (Fig 2A, bottom).

Deviation of physiological parameters in each DS

Changes in physiology parameters were assessed by unpaired two-sample two-sided Wilcoxon test between conditions in each DS and conditions in non-DS. Resulting P-values were adjusted to false discovery rate (FDR also known as q-values) and further converted to “signed log q-values” (Shimada et al, 2016 Fig 2B). Physiological parameters whose q-value < 10 −10 against at least one DS were shown in Fig 2B.

Relative enrichment of histopathological phenotypes among DSs

Among conditions associated with at least one histopathological observation, we assessed whether each histopathology phenotype was more observed in a specific DS, using one-sided Fisher's exact test. All the P-values were FDR-adjusted and converted to singed log q-values, and histopathology phenotypes whose q-values < 5 × 10 −3 against at least one DS are shown in Fig 2C.

Elastic net classification of DS using microarray data

To assess whether liver or kidney transcriptome is powerful enough to distinguish each DS from the rest, we built elastic net classifiers using cv.glmnet() function of glmnet package. The performance of an elastic net classifier built for each tissue and each DS was tested as follows: For each DS, conditions (whose transcriptome was available) were either assigned into the DS or not. Those assigned and those not were, respectively, split into 10 bins of the same sizes randomly (i.e., 10 groups for the DS, 10 groups for not). An elastic net classifier was then trained with one of the 10 groups being left out for both, where the conditions were weighted reciprocally proportional to the two sizes (# of the DS or not). Binomial family for the response type and area under curve for the type measure were used for elastic net. The left-out conditions were used as testing data for the trained classifier. This 10-fold cross-validation was repeated 10 times, with different ways to split conditions into 10 bins, and the prediction probabilities across the 10 runs were averaged (repeated cross-validation, also known as prevalidation). Performance of the classification was assessed by area under receiver operator curve (AUROC) computed using auc() function of pROC package. Finally, to evaluate the significance of the classification based on the identified disease states, the same procedure was run on randomly withdrawn conditions with the same sample sizes and AUROC values were compared. AUROC values based on identified DSs were substantially higher than those based on randomly withdrawn conditions.

Pathway analysis

Compiling pathways

We assembled 973 pathway information using KEGG.db (v3.2.3) and GO.db (v3.5.0) Bioconductor packages. Using rat2302.db (v3.2.3) and org.Rn.eg.db (v3.5.0) packages, we found 914 of which have ≥ 10 genes that were measured in Affymetrix Rat Genome 230 2.0 Array.

Computing activity scores

We assessed whether the 914 GO and KEGG pathways were activated or inactivated across conditions assigned to each DS, compared to non-DS conditions. We assumed that some pathways changed exclusively in one DS, while other pathways changed in multiple DSs. To appropriately capture this, we modified gene set enrichment analysis (GSEA Subramanian et al, 2005 ). GSEA sorts entire genes based on their expression and performs one-sample Kolmogorov–Smirnov (KS) test, a permutation-based test to assess the significance of KS statistics. In our method, we first computed a KS statistic (also known as “enrichment score” in GSEA) of each pathway in every condition and asked whether the enrichment score of conditions assigned to one DS is overall higher or lower compared to non-DS conditions, using two-sample Wilcoxon test (also known as Mann–Whitney U-test). Resulting P-values were converted to signed log10 P-values, which we termed “activity scores”. A large positive or negative activity score indicates that a pathway is significantly up- or downregulated across conditions assigned in the DS compared to non-DS conditions. Note that we decided to not adjust P-values for multiple hypothesis testing for transcriptome analysis because pathway information from two different databases, GO and KEGG, is highly redundant, but instead we chose fairly strict criteria (P ≤ 1 × 10 −5 ) for calling a pathway's change significant.

Transcriptome characterization of DSs

DSs similarity based on transcriptome

Using 723 liver and 192 kidney pathways whose transcriptional activity was significantly changed at least in one DS, we measured similarity of the transcriptome of the nine DSs using hierarchical clustering, using 1-Spearman correlation as distance measure and a complete linkage method for the clustering (Fig 3B).

Transcriptional characterization of DSs

We mapped 723 pathways in the liver transcriptome based on their activities across six DSs (DS1–2,5–8) whose liver transcriptome was substantially deviated from non-DS. We first checked if each pathway's expression changed in the liver of the six DSs, by comparing their activity score with thresholds (≥ 5 for upregulation, ≤ −5 for downregulation). Then, patterns of up/downregulations of a pathway were matched with the dendrogram (Appendix Fig S5C–E). Pathways exclusively changed in one direction only in one DS were mapped onto each DS (e.g., xenobiotic metabolism in DS2), and pathways commonly changed in multiple DSs were associated with the corresponding branching point in the dendrogram (e.g., cancer signature in DS6–7). In the extreme, a pathway upregulated in all the six DSs [“large ribosomal subunit” (GO:0042273)] was associated with the top branching point in the dendrogram. Note that there were some pathways that were significantly changed in one or more pathways but not mapped to the dendrogram. For example, “Terpenoid biosynthesis (rno00900)” was upregulated in three DSs (DS1,2,8), but there was no equivalent point in the dendrogram.

Disease transition network between DSs

Of the 365 conditions (compounds and doses) scheduled at all eight time points between 3 h to 29 day (14 of which were scheduled at eight time points but rats were killed by compounds before 15-day or 29-day time points, so 351 of 365 were actually tested at the eight time points we included these dead rats in this analysis), we looked at the DS assigned at each time point. 119 conditions did not exhibit any DSs. Of the 246 conditions that took some DSs at least once, 90 took more than one DS across eight time points. In some cases, non-DS states were observed while transitioning from one DS to another. In the dynamics between DSs, however, we visualized them as directly transitioning from one DS to another, to highlight the relationship between DSs. The dynamics between DS was visualized using igraph package (Fig 4B). Transition to and from non-DS (represented by outer open circle) were manually added in Adobe Illustrator.

Enzyme stratification by cofactors

The 14 pathways upregulated exclusively in DS2 contain various xenobiotic metabolism enzymes encoding genes. We classified these genes based on their Enzyme Commission (EC) numbers, which were available in org.Rn.eg.db package. All of these enzyme-encoding genes were oxidoreductases (EC1), transferases (EC2), or hydrolases (EC3), which require cofactors for the enzymatic functions. Except for EC3, which requires water as cofactor that is abundant in cells, we regrouped EC1 and EC2 enzymes based on the cofactors: NAD(P)H (EC1.1.1.1, EC1.1.1.10, EC1.1.1.14, EC1.1.1.21, EC1.1.1.22, EC1.1.1.30, EC1.1.1.42, EC1.1.1.44, EC1.1.1.45, EC1.1.1.49, EC1.1.1.62, EC1.1.1.63, EC1.1.1.64, EC1.1.1.105, EC1.1.1.146, EC1.1.1.149, EC1.1.1.205, EC1.1.1.270, EC1.1.1.284, EC1.2.1.3, EC1.2.1.5, EC1.2.1.8, EC1.2.1.31, EC1.2.1.36, EC1.2.1.47, EC1.3.1.2, EC1.3.1.3, EC1.3.1.24, EC1.5.1.30, EC1.8.1.7, EC1.8.1.9, EC1.11.1.6, EC1.11.1.9, EC1.11.1.12, EC1.14.13.8, EC1.14.13.17, EC1.14.13.100, EC1.15.1.1, EC1.17.1.4), cytochrome (EC1.10.2.2), oxygen (EC1.1.3.8, EC1.2.3.1, EC1.3.3.3, EC1.3.3.4, EC1.4.3.4, EC1.16.3.1, EC1.17.3.2), disulfide (EC1.8.4.2, EC1.17.4.1), flavin (EC1.14.14.1), iron-sulfur (EC1.14.15.3, EC1.14.15.4, EC1.14.15.5, EC1.14.15.6), S-adenosyl methionine (EC2.1.1.6, EC2.1.1.67), acyl-CoA (EC2.3.1.5, EC2.3.1.15, EC2.3.1.20, EC2.3.1.37, EC2.3.1.75, EC2.3.1.76, EC2.3.1.135, EC2.3.2.2, EC2.3.2.4), nucleotide sugar (EC2.4.1.17, EC2.4.1.22, EC2.4.1.38, EC2.4.1.50, EC2.4.1.66, EC2.4.1.90, EC2.4.1.109, EC2.4.1.152, EC2.4.1.221, EC2.4.1.222, EC2.4.2.3, EC2.4.2.8, EC2.4.2.10, EC2.4.99.1, EC2.4.99.6), glutathione (EC2.5.1.18, EC2.5.1.61), ATP (EC2.7.1.17, EC2.7.1.21, EC2.7.1.48, EC2.7.4.9, EC2.7.7.9, EC2.7.11.22). Expression of the genes stratified by cofactors in DS2 was assessed by two-sample Wilcoxon test (Fig 5A). Furthermore, GSEA was performed to see enrichment of NAD(P)H-dependent, GSH-dependent, and all enzyme-encoding gene expressions against DS2 transcriptome.

Discovery of biomarkers to different cell death phenotypes

We previously showed that cell-line selectivity of lethal compounds (i.e., growth inhibitory (GI50) profiles across cell lines) in the NCI-60 dataset can explain their lethal mechanism of action and that 2,565 cell-line selective lethal compounds were clustered into 18 mechanistically distinct classes (Shimada et al, 2016 ). While most of their mechanisms of action were not fully characterized, yet a few annotated ones were DNA-targeting compounds (DNA), ferroptosis (Fer), and tyrosine kinase inhibitors (TKI). In the paper, we also correlated basal microarray expression profiles with drug sensitivity profiles of each mechanism class, where positive and negative correlations can be interpreted as more abundant in resistant or sensitive cell lines, respectively. We extended this approach in this study. We took top 200 most positively and negatively correlated genes in the three cell death phenotypes (DNA, Fer, TKI) as resistant (res) and sensitive (sen) biomarkers for the phenotype, because these are genes likely overexpressed in cells resistant or sensitive to each cell death phenotype. Thus, we created six human gene sets: DNA-res, DNA-sen, Fer-res, Fer-sen, TKI-res, and TKI-sen. We then converted the genes to orthologous genes in rats using Ensembl's biomart and Mouse Genome Informatics (http://www.informatics.jax.org/downloads/reports/HOM_AllOrganism.rpt) and found 158–185 rat orthologs for each gene set. We computed activity scores of these six gene sets across nine disease states to assess whether they are resistant or sensitive to the three different mechanisms of cell death (Fig 5C).

Correlation of pathways with ferroptosis sensitivity signatures

We computed enrichment scores of the two curated gene sets, Fer-sen and Fer-res, and computed Spearman correlation of enrichment scores between Fer-sen/Fer-res and the 914 GO and KEGG pathways. We found most of the 14 pathways exclusively upregulated in DS2 were the most highly correlated with Fer-res, while they were somewhat negatively correlated with Fer-sen (Fig EV4C and D).

Pathway activity analysis in time course

Of the 351 conditions (compounds and doses) that were tested at all eight time points, 71 were assigned to DS2 and 58 to DS5–9 on 29-day time point (Fig EV5A). They were named as “tolerance” and “tissue injury”, respectively. The other 222 conditions were either other DSs or non-DS. At each time point, we assessed whether pathways were changed in tolerance or tissue injury. We computed of each pathway per condition and assessed whether the statistics were deviated between the classes (tolerance vs. others tissue injury vs. others) using two-sample two-sided Wilcoxon test (Fig 6B).

Compiling blood plasma proteins

We assembled the collection of experimentally validated plasma proteins from two different databases. First, from Human Protein Atlas (https://www.proteinatlas.org/), 3,704 “predicted secretory proteins” have evidences at protein levels were looked at, 2,960 of which have rat orthologs. Second, from Plasma Proteome Database (http://plasmaproteomedatabase.org/), 468 proteins have more than one associated reference that they were observed in plasma, 382 of which have rat orthologs. Altogether, 376 rat orthologs (376 unique Entrez IDs) were observed from the two databases that were also measured in Affymetrix Rat Genome 230 2.0 Array.

Correlation between gene expression and food consumption or body weight

We computed area under curve (weighted sum) of the all genes’ expression in liver and kidney over 29 days, including 376 plasma protein-encoding genes for 351 conditions tested at all time points. Then, we calculated the Spearman correlation coefficients between the cumulative gene expression and the body weight on 29 day (Fig 6D). The positive and negative correlation indicates genes were expressed less or more in the animals with decreased body weight. We also computed Spearman correlation coefficients between individual gene expression, not cumulative, and food consumption per day (Dataset EV9). In which, measurements at five time points (1, 4, 8, 15, 29 days) were treated as independent conditions, and correlation was calculated across all conditions and time points (Fig EV5E).

Linear regression of body weight or food consumption on Gdf15 or Igf1 activities

Igf1 and body weight

To assess the relationship between Igf1 and body weight, transcriptional activity of Igf1 system (named as “Igf1 transcriptional activity” in Fig 6E) in liver and kidney was summarized from four Igf1-related genes in the tissues as latent variables, which were further used to regress changes in body weight on 29-day time point (Fig 6E). This latent variable analysis was performed using lavaan package. In the model, “Igf1 activity” was conceived as a latent variable each for liver and kidney, which is estimated from cumulative expression of four Igf1-related genes (Igf1, Igfals, Igfbp1, and Igfbp2). And the two latent variables, Igf1 activity for liver and kidney, were used to see their contributions in the change in body weight on 29 day.

Gdf15 and food consumption

Multivariate linear regression of food consumption on Gdf15 expression in liver and kidney was performed. Since Gdf15 level in the tissues are substantially different among DSs, the linear regression was also performed with the data stratified into five DSs [tolerance (DS2), liver injury (DS5–7), kidney injury (DS9), bleeding (DS8), non-injury(DS1,3,4)], where DSs were taken as a categorical interaction term in lm() (Appendix Fig S7). The significance of the coefficients stratified by DSs was plotted in Fig EV5H.

Processed data from Open TG-GATEs are available in the following datasets:

  • All drug treatment conditions: Dataset EV1
  • Normalized physiology data: Dataset EV2
  • Liver and kidney histopathology data: Dataset EV3
  • Disease states and corresponding treatment conditions: Dataset EV4
  • Liver normalized transcriptome data: Dataset EV5
  • Kidney normalized transcriptome data: Dataset EV6
  • Significantly up- and downregulated pathways in disease states of rat livers in Open TG-GATEs: Dataset EV7
  • List of xenobiotic metabolism genes whose expression was upregulated in disease state DS2: Dataset EV8
  • Food consumption data from Open TG-GATEs: Dataset EV9


Tonton videonya: Topik Hot Seksyen A Peperiksaan Latihan Separa Perubatan 2021 (Januari 2022).