Εκπαίδευση “Βιοπληροφορική”

Βιολογικά συστήματα και τεχνολογία Omics

Αρχάριο επίπεδο

Τις τελευταίες δεκαετίες η ταχεία πρόοδος της μοριακής βιολογίας και τα επιτεύγματα σε αυτόν τον επιστημονικό τομέα συνδέονται άμεσα με την πρόοδο στις επιστήμες των υπολογιστών και την ανάπτυξη νέων εργαλείων λογισμικού.

Περιεχόμενα

 

Βιολογικά συστήματα και τεχνολογίες Omics: Η μεγάλη εικόνα

Τις τελευταίες δεκαετίες η ταχεία πρόοδος της μοριακής βιολογίας και τα επιτεύγματα σε αυτόν τον επιστημονικό τομέα συνδέονται άμεσα με την πρόοδο στις επιστήμες των υπολογιστών και την ανάπτυξη νέων εργαλείων λογισμικού. Η εφαρμογή διαφόρων τεχνολογιών που σχετίζονται με την τεχνολογία omics (γονιδιωματική, επιγενωμική, μεταγραφική, πρωτεομική, μεταβολική, κ.λπ.) οδηγεί στη συσσώρευση ευέλικτων βιολογικών δεδομένων και η συνδυασμένη ερμηνεία τους ανοίγει νέες δυνατότητες στους επιστήμονες να μετακινηθούν από τη μελέτη απομονωμένων βιολογικών μορίων προς μια ευρεία ανάλυση μεγάλων συνόλων βιολογικών μορίων. Οι βιολογικές επιστήμες έχουν γίνει επιστήμες μεγάλων δεδομένων, οι οποίες έχουν αυξανόμενη σημασία για την επίλυση προβλημάτων που αφορούν την ανθρώπινη υγεία και το περιβάλλον. Οι μεγάλες προκλήσεις των δεδομένων δεν είναι μόνο το μέγεθός τους αλλά και η αυξανόμενη πολυπλοκότητά τους.

Βιολογικά κυτταρικά συστήματα: Πειραματικά δεδομένα από τα απλά omics στα σύνθετα omics

Η βιολογία των κυτταρικών συστημάτων έχει αναδειχθεί ως ένα νέο πεδίο διεπιστημονικής μελέτης που έχει κερδίσει τεράστια προσοχή τα τελευταία χρόνια. Παρόλο που ο όρος «βιολογία συστημάτων» έχει χρησιμοποιηθεί με διάφορους τρόπους, είναι γενικά κατανοητό ότι περιγράφεται η έρευνα που συνδυάζει τη βιολογία με φαινομενικά διαφορετικούς κλάδους όπως η φυσική, η βιοχημεία, η μηχανική, η βιοστατιστική, τα μαθηματικά, η επιστήμη των υπολογιστών, η βιοπληροφορική και άλλα. Ο κύριος σκοπός αυτού του διεπιστημονικού πεδίου είναι να αποκτήσει μια παράλληλη εικόνα των βιολογικών συστημάτων σε μοριακό επίπεδο και να κατανοήσει πώς λειτουργούν ως σύνολο αντί για άθροισμα τμημάτων. Διασαφηνίζοντας τους μοριακούς μηχανισμούς και διαδικασίες σε διαφορετικά επίπεδα συστήματος στον οργανισμό ή ένα κύτταρο, θα μπορούσε να προβλεφθεί πώς αυτά τα συστήματα αλλάζουν με την πάροδο του χρόνου και υπό διαφορετικές συνθήκες. Η μεγάλη ποσότητα πληροφοριών που λαμβάνονται σε μοριακές βάσεις κυτταρικής φυσιολογίας και οργάνωσης θα μπορούσε να δώσει λύσεις σχετικά με ασθένειες, τοξικότητες, θεραπείες, ανακάλυψη φαρμάκων κ.λπ.

Η βιολογία συστημάτων ξεκίνησε ως ξεχωριστός κλάδος τη δεκαετία του 1950 με το έργο των θεωρητικών συστημάτων των Mihajlo Mesarovic και Ludwig von Bertalanffy στη γενική θεωρία συστημάτων. Η βασική ιδέα αυτής της θεωρίας είναι ότι η δυναμική οποιουδήποτε συστήματος είναι αποτέλεσμα των σχέσεων μεταξύ των ξεχωριστών μονάδων του που καθορίζουν τη λειτουργία του. Εκείνη την εποχή, μελετώντας διεξοδικά τα ένζυμα και την κινητική των ενζυμικών αντιδράσεων, οι βιοχημικοί, οπαδοί της θεωρίας του συστήματος, προσπάθησαν να εξετάσουν τη συμπεριφορά των βιοχημικών οδών ως δίκτυο αντί για ένα σύνολο των μερών του. Απομακρυνόμενος από τη βιοχημική περιοχή, ο Reinhart Heinrich ανέπτυξε θεωρητικές προσεγγίσεις για την περιγραφή και την ποσοτική διερεύνηση των οδών σηματοδότησης και ανέπτυξε μια θεωρία μεταβολικού ελέγχου. Η ανάγκη για μια ολοκληρωμένη προσέγγιση για μια πιο λεπτομερή μελέτη και κατανόηση των πολύπλοκων βιολογικών διεργασιών έγινε εμφανής.

Η βιολογία των συστημάτων εξαρτάται σε μεγάλο βαθμό από τις βιολογικές πληροφορίες που λαμβάνονται από τη μοριακή βιολογία και / ή μεμονωμένες προσεγγίσεις ομικών, αλλά συχνά είναι σε μεγάλο βαθμό υποθετικές ή αναγωγικές. Στην αναγωγική προσέγγιση μελετώνται οι λειτουργικές ιδιότητες των επιμέρους μοριακών συστατικών στα πολύπλοκα βιολογικά συστήματα. Μετά την ολοκλήρωση του Προγράμματος Ανθρώπινου Γονιδιώματος, η σύγχρονη επιστήμη αναπτύχθηκε πέρα ​​από τη γονιδιοκεντρική άποψη της προηγούμενης γονιδιωματικής εποχής. Αυτή η περίοδος που χαρακτηρίζεται ως μεταγενετική εποχή χαρακτηρίζεται από σημαντικές αλλαγές στην διεξαγωγή της επιστημονικής έρευνας και την ερμηνεία των αποτελεσμάτων και σύμφωνα με τον Bloom αυτό είναι το τέλος του «αφελούς αναγωγισμού». Παρ ‘όλα αυτά, το γεγονός πως αυτές οι κλασικές μέθοδοι από μόνες τους δεν μπορούν να παρέχουν πλήρη κατανόηση των ζωντανών οργανισμών, θα συνεχίσουν να αποτελούν ουσιαστικό στοιχείο κάθε βιολογικής έρευνας. Σε αυτό το πλαίσιο, η βιολογία των συστημάτων προκάλεσε τη θεμελιώδη αλλαγή στις παραδοσιακές προσεγγίσεις. Χρησιμοποιεί μια νέα ολιστική προσέγγιση που δημιουργεί υποθέσεις, εστιάζει στη μελέτη των υποσυστημάτων, η οποία επιτρέπει βαθύτερη κατανόηση της όλης διαδικασίας. Η πορεία χρήσης γαλακτόζης (GAL) του ζυμομύκητα Saccharomyces cerevisiae είναι ένα παράδειγμα της εφαρμογής της προσέγγισης Systems biology για την ανάγνωση και την ερμηνεία των αποτελεσμάτων που προκύπτουν από την αναγωγική προσέγγιση (ένα γονίδιο/μία πρωτεΐνη κάθε φορά). Με βάση πειραματικά δεδομένα που ελήφθησαν από αναλύσεις πρωτεΐνης και RNA, καθώς και αλληλεπιδράσεις πρωτεΐνης -πρωτεΐνης και πρωτεΐνης -DNA και την ενσωμάτωσή τους σε ένα ενιαίο μοντέλο, δόθηκε νέα υπόθεση για τη ρύθμιση της οδού GAL, η οποία επαληθεύτηκε πειραματικά στη συνέχεια.

Με τη χρήση υπολογιστικών και μαθηματικών εργαλείων συλλέγεται και ενσωματώνεται μεγάλη ποσότητα πειραματικών δεδομένων από τη βιολογία των συστημάτων για την αποκάλυψη άγνωστων προτύπων και δημιουργίας υποθέσεων. Αυτή είναι μια σημαντική στρατηγική για να αποκτηθούν νέες ιδέες για τα βιολογικά συστήματα και επίσης να βοηθηθεί ο πειραματικό σχεδιασμό.

Η προσέγγιση των βιολογικών συστημάτων σε επίπεδο συστημάτων αποσκοπεί στην αποσαφήνιση των ακόλουθων τριών θεμάτων στο πλαίσιο του μοριακού δικτύου: i) ποια είναι τα επιμέρους συστατικά του συστήματος. ii) πώς λειτουργούν χωριστά και iii) πώς συνεργάζονται αυτά τα στοιχεία για να ολοκληρώσουν μια εργασία (3). Στο πλαίσιο των μοριακών δικτύων, ο βασικός σκοπός της βιολογίας των συστημάτων μπορεί να συνοψιστεί ως εξής: (i) κατανόηση της δομής όλων των συστατικών ενός κυττάρου / οργανισμού μέχρι μοριακού επιπέδου, (ii) ικανότητα πρόβλεψης μελλοντική κατάσταση του κυττάρου / οργανισμού κάτω από ένα φυσιολογικό περιβάλλον, iii) την ικανότητα πρόβλεψης των αποκρίσεων εξόδου για ένα δεδομένο ερέθισμα εισόδου, και iv) την ικανότητα εκτίμησης των αλλαγών στη συμπεριφορά του συστήματος μετά από διαταραχή των συστατικών ή του περιβάλλοντος.

Ο όρος «συστήματα» στη βιολογία των συστημάτων ορίζει διαφορετικό εύρος πολυπλοκότητας που κυμαίνεται από δύο μακρομόρια που αλληλεπιδρούν για την εκτέλεση μιας συγκεκριμένης εργασίας σε ολόκληρους οργανισμούς (Εικ.1).

Εικόνα 1. Κύριοι τύποι βιολογικών δικτύων. A. Αλληλεπιδράσεις πρωτεϊνών- πρωτεϊνών, B. Ρυθμιστικό δίκτυο γονιδίων, C. Μεταβολικά δίκτυα, D. Διαφορετικού τύποι δικτύων στο κύτταρο (9).

Έτσι, η βιολογία των συστημάτων μοιράζεται έναν κοινό επιστημονικό στόχο με την επιστήμη της φυσιολογίας που είναι αφιερωμένη στη μελέτη της ολοκληρωμένης λειτουργίας ολόκληρου του πολύπλοκου βιολογικού συστήματος. Οι οργανισμοί είναι πολύ περισσότεροι από το άθροισμα των μερών τους και η πολυπλοκότητα των φυσιολογικών διεργασιών δεν μπορεί να γίνει κατανοητή απλώς μελετώντας πώς λειτουργούν τα συστατικά μεμονωμένα. Για παράδειγμα, τα γονίδια κωδικοποιούν την κύρια δομή των κυτταρικών πρωτεϊνών που με τη σειρά τους εκτελούν συγκεκριμένες λειτουργίες που υποστηρίζουν τον μεταβολισμό των κυττάρων και τη φυσιολογία και την ανάπτυξη του οργανισμού. Ταυτόχρονα, οι πρωτεΐνες σε κάθε κύτταρο δεν δρουν μεμονωμένα αλλά σε ένα πολύπλοκο δίκτυο του οποίου είναι σημαντικό να προσδιοριστούν οι φαινότυποι. Οι περισσότερες βιολογικές διεργασίες είναι πολύ δυναμικές και συχνά περιλαμβάνουν περισσότερους από έναν τύπους μορίων. Ταυτόχρονα, ένας φαινότυπος μπορεί να εξαρτάται από διάφορους μοριακούς και επιγενετικούς μηχανισμούς και ένας τύπος μορίου μπορεί να εμπλέκεται σε διαφορετικούς φαινότυπους. Στην πραγματικότητα, ακόμη και στον ίδιο οργανισμό, μια πρωτεΐνη μπορεί να παίζει διαφορετικούς ρόλους σε διαφορετικά κύτταρα. Οι παράγοντες που επηρεάζουν τη διαδρομή του σήματος μπορεί να προκαλέσουν διάφορες διαφοροποιήσεις σε διαφορετικές κυτταρικές γενεές. Επιπλέον, σε πολυκύτταρους οργανισμούς, τα μεμονωμένα κύτταρα δεν έχουν ύπαρξη ανεξάρτητη από ολόκληρο τον οργανισμό, είναι οντογενετικά συνδεδεμένα.

Ανεξάρτητα από τον κοινό στόχο τους, η βιολογία και η φυσιολογία των συστημάτων χρησιμοποιούν διαφορετικά εργαλεία και πειραματικές προσεγγίσεις, γεγονός που οδηγεί στην απόκτηση διαφορετικού συνόλου πειραματικών δεδομένων. Η διεπιστημονική βιολογία των συστημάτων είναι μια σύγχρονη ταχέως εξελισσόμενη επιστήμη λόγω του ότι χρησιμοποιεί μια ποικιλία μεθόδων και εργαλείων, συμπεριλαμβανομένης της μεγάλης κλίμακας λειτουργικής γονιδιωματικής και άλλων τεχνολογιών omics, βιοπληροφορικής και μοντελοποίησης υπολογιστών, τα οποία δεν αξιοποιούνται από τους φυσιολόγους. Ο ρόλος της υπολογιστικής βιολογίας στη βιολογία των συστημάτων είναι να επεξεργάζεται και να αναλύει τεράστιες ποσότητες εμπειρικών δεδομένων που παράγονται από διαφορετικά επίπεδα omics, τα οποία με τη σειρά τους οδηγούν στην ανακάλυψη βιολογικής γνώσης και στη δημιουργία ερευνητικής υπόθεσης. Η εφαρμογή αναλύσεων πυριτίου και προσομοίωσης δίνει ευκαιρίες για προβλέψεις οι οποίες επιβεβαιώνονται περαιτέρω με πειραματικές δοκιμασίες. Η ταχεία πρόοδος των τεχνολογιών της πληροφορικής, συμπεριλαμβανομένης και της βελτίωσης των δημόσιων βάσεων δεδομένων βιολογικών πληροφοριών, υποστηρίζει επίσης την ανάπτυξη μελετών omics και οδηγεί αντίστοιχα στην πρόοδο της βιολογίας συστημάτων.

Προκειμένου να μελετηθούν συνολικά οι βιολογικές διεργασίες, είναι κρίσιμο να κατανοηθεί πώς τα ξεχωριστά βιολογικά στρώματα (γονιδίωμα, επιγονιδίωμα, μεταγράφημα, πρωτεώμα, μεταβολόμα και ιονώμα) αλληλοσυνδέονται μεταξύ τους σε ένα κυτταρικό σύστημα και πώς λαμβάνει χώρα η ροή των βιολογικών πληροφοριών. Ο συνδυασμός διαφορετικών αναλύσεων omics που χρησιμοποιούν προσέγγιση πολλαπλών omics απαιτούνται για τον σχεδιασμό μιας ακριβούς εικόνας των ζωντανών οργανισμών. Τα δεδομένα μεταγραφικής, πρωτεομικής και μεταβολικής μπορούν να απαντήσουν σε βασικά βιολογικά ερωτήματα σχετικά με την έκφραση μεταγραφών, πρωτεϊνών και μεταβολιτών, ανεξάρτητα, αλλά μια συστηματική πολυ-omics ολοκλήρωση μπορεί να αφομοιώσει, να σχολιάσει και να μοντελοποιήσει αυτά τα μεγάλα σύνολα δεδομένων.

Διάφορα σκέλη των omics – Προκλήσεις στον συνδιασμό βιολογικής πληροφορίας

Η μεταφορά γενετικών πληροφοριών σε βιολογικά συστήματα πραγματοποιείται από το DNA στο mRNA στην πρωτεΐνη και αυτό δηλώνεται ως το κεντρικό δόγμα στη μοριακή βιολογία. Οι τρεις κύριες διαδικασίες σε κάθε κύτταρο είναι η αντιγραφή, η μεταγραφή και η μετάφραση. Η συνεχής ροή τους εξασφαλίζει τη διατήρηση και μετατροπή των γενετικών πληροφοριών, που κωδικοποιούνται στο DNA σε γονιδιακά προϊόντα, τα οποία είναι είτε RNA είτε πρωτεΐνες, ανάλογα με το γονίδιο. Η αντιγραφή είναι μια διαδικασία αντιγραφής του DNA ενός κυττάρου και αποτελεί τη βάση για τη βιολογική κληρονομικότητα. Διεξάγεται από το ένζυμο της DNA πολυμεράση που αντιγράφει ένα μόνο γονικό δίκλωνο μόριο DNA σε δύο θυγατρικά δίκλωνα μόρια DNA. Το ένζυμο RNA πολυμεράση δημιουργεί ένα μόριο RNA από το DNA και αυτή η διαδικασία είναι γνωστή ως μεταγραφή. Το νεοσυντιθέμενο μόριο RNA είναι συμπληρωματικό σε ένα τμήμα DNA που κωδικοποιεί γονίδιο. Η μετάφραση παράγει πρωτεΐνη από mRNA. Το ριβόσωμα παράγει μια πολυπεπτιδική αλυσίδα αμινοξέων χρησιμοποιώντας mRNA ως πρότυπο. Η πολυπεπτιδική αλυσίδα διπλώνεται για να γίνει πρωτεΐνη. Στα ευκαρυωτικά κύτταρα, ή εκείνα τα κύτταρα που έχουν πυρήνα, η αντιγραφή και η μεταγραφή λαμβάνουν χώρα εντός του πυρήνα ενώ η μετάφραση πραγματοποιείται έξω από τον πυρήνα στο κυτταρόπλασμα. Στα προκαρυωτικά κύτταρα, ή εκείνα τα κύτταρα που δεν έχουν πυρήνα, και οι τρεις διαδικασίες συμβαίνουν στο κυτταρόπλασμα. Ο φαινότυπος των οργανισμών καθορίζεται από αυτό το παράδειγμα μεταφοράς πληροφοριών. Οι βιολόγοι έχουν τα έχουν μελετήσει για χρόνια με τη μορφή γονιδιωματικών, μεταγραφικών και πρωτεϊνομικών. Τα δεδομένα από αυτές τις πειραματικές προσεγγίσεις συμπληρώνονται από επιγονιδιωματική και μεταβολική που χρησιμοποιούνται πρόσφατα για την επίλυση συγκεκριμένων προβλημάτων που αφορούν πολλές λειτουργίες ενός οργανισμού. Η ταχεία ανάπτυξη και πρόοδος στις τεχνολογίες omics καθορίζουν την προοδευτική επέκταση του όγκου των πληροφοριών που μπορούν να συγκεντρωθούν σε μεμονωμένες μελέτες. Επιπλέον, η τρέχουσα φύση υψηλής απόδοσης αυτών των τεχνικών έχει αυξήσει την προσβασιμότητα σε αυτές τις πληροφορίες από άποψη χρόνου και κόστους. Πολλοί ερευνητές βρίσκονται σε μια κατάσταση όπου μπορούν να συλλέξουν πολλά σύνολα δεδομένων omics στα ίδια πειραματικά δείγματα. Προκειμένου να ληφθούν πιο ολοκληρωμένα συμπεράσματα σχετικά με τις βιολογικές διεργασίες, αυτά τα σύνολα δεδομένων πρέπει να ενσωματωθούν με την προσέγγιση πολλαπλών omics και να αναλυθούν ως ένα ολιστικό σύστημα (Εικ. 2).

Εικόνα 2. Ολοκληρωμένες προσεγγίσεις omics της βιολογίας συστημάτων

Ο όρος «Omics» που προέρχεται από ελληνική λέξη και η προσθήκη του επιθήματος -ome στα κυτταρικά μόρια, όπως γονίδιο, μεταγραφή, πρωτεΐνη, μεταβολίτης, δίνει νόημα σε «ολόκληρο», «όλα» ή «πλήρη». Τα διαφορετικά στρώματα του κυττάρου, που αποτελούνται από DNA και τροποποιήσεις (γονιδίωμα, επιγενώμα), περιεκτικότητα σε RNA και πρωτεΐνη (Transcriptome, Proteome), μικρά μόρια (μεταβολόμη, λιπιδώμα) και στοιχειακή σύνθεση (μετρημένη ως «ιονόμα»), μπορούν να αναλυθούν με τεχνολογίες omics. Ο συνδυασμός των στρωμάτων omics σε ένα σύνολο δεδομένων πολλαπλών omics ενσωματώνεται μέσω ισχυρής βιολογίας συστημάτων που είναι σε θέση να αποκαλύψει μηχανισμούς και αλληλεπιδράσεις μεταξύ των στρωμάτων καθώς και τη λειτουργία των ιστών, των οργάνων και ολόκληρου του οργανισμού των κυτταρικών πληθυσμών. Οι προσεγγίσεις Omics περιλαμβάνουν μεγαλύτερο αριθμό μετρήσεων ανά τελικό σημείο και παρόλο που ο αριθμός των παραμέτρων που μετρούνται ανά ανάλυση αυξάνεται, ο αριθμός των επαναλήψεων μειώνεται. Αυτό αφενός οφείλεται στην υπερεκτίμηση των μεθόδων αφού θεωρείται ότι περισσότερες μετρήσεις θα αντισταθμίσουν έναν μικρό αριθμό δειγμάτων και αφετέρου οφείλεται στο κόστος και το χρόνο των πειραμάτων omics.

Οι μονό-omics κλάδοι στοχεύουν στη μελέτη συγκεκριμένων βιολογικών θεμάτων χωρίς να απαιτείται προηγούμενη κατανόηση των βιολογικών βάσεων που εμπλέκονται. Ανάλογα με τον τύπο του βιομορίου στο οποίο επικεντρώνονται κυρίως σε ένα συγκεκριμένο βιολογικό δείγμα, οι τεχνολογίες omics χωρίζονται σε: γονιδιωματικά (γονιδίωμα / γονίδιο), μεταγονιδιωματικά (γονιδιώματα που ανακτήθηκαν απευθείας από περιβαλλοντικά δείγματα), επιγενωμικά (υποστηρικτική δομή του γονιδιώματος, συμπεριλαμβανομένων πρωτεϊνών και RNA συνδετικά, εναλλακτικές δομές DNA και χημικές τροποποιήσεις στο DNA), μεταγραφικά (mRNA), πρωτεομικά (πεπτίδια / πρωτεΐνες), μεταβολικά (μεταβολίτες), λιπιδωμικά (λιπίδια) γλυκόζες (υδατάνθρακες και σάκχαρα), ιονομικά (ιόντα).

Αν και καμία από τις τρέχουσες τεχνολογίες omics δεν είναι τέλεια, μερικές από αυτές καταφέρνουν να παρέχουν μια πιο ολοκληρωμένη εικόνα του βιολογικού στρώματος που σκοπεύουν να μελετήσουν από άλλες. Αυτό το γεγονός οφείλεται όχι μόνο στις διαφορές στην κατάσταση των τεχνολογικών εξελίξεων, αλλά μάλλον στις διαφορές στη χημική και φυσική πολυπλοκότητα κάθε βιολογικού επιπέδου.

Γονιδιωματικά

Η γονιδιωματική είναι η συστηματική μελέτη όλων των γονιδίων ενός οργανισμού (το γονιδίωμα), συμπεριλαμβανομένων των αλληλεπιδράσεων αυτών των γονιδίων μεταξύ τους και με το περιβάλλον του οργανισμού. Το γονιδίωμα είναι το βασικό βιολογικό στρώμα στο κύτταρο και αντιπροσωπεύει το συνολικό DNA ενός κυττάρου ή οργανισμού. Το δεοξυριβονουκλεϊκό οξύ (DNA) είναι η χημική ένωση που περιέχει όλες τις απαραίτητες γενετικές πληροφορίες που απαιτούνται για την ανάπτυξη και την κατεύθυνση των δραστηριοτήτων σχεδόν όλων των ζωντανών οργανισμών. Τα μόρια του DNA αποτελούνται από δύο περιστρεφόμενους, συζευγμένους κλώνους, που συχνά αναφέρονται ως διπλή έλικα. Κάθε κλώνος DNA αποτελείται από τέσσερις νουκλεοτιδικές βάσεις – αδενίνη (Α), θυμίνη (Τ), γουανίνη (G) και κυτοσίνη (C) που ζευγαρώνουν ειδικά σε αντίθετα σκέλη: Το Α ζευγαρώνεται πάντα με ένα Τ. Το C ζευγαρώνεται πάντα με ένα G. Μια αλληλουχία τριών παρακείμενων νουκλεοτιδίων (κωδικόνιο) κωδικοποιεί ένα συγκεκριμένο αμινοξύ κατά τη σύνθεση ή τη μετάφραση της πρωτεΐνης. Η σειρά των νουκλεοτιδίων κατά μήκος των μορίων του DNA καθορίζει τον γενετικό κώδικα. Ο γενετικός κώδικας είναι καθολικός επειδή είναι ο ίδιος μεταξύ όλων των οργανισμών και είναι επίσης εκφυλισμένος επειδή 64 κωδικόνια κωδικοποιούν μόνο 22 αμινοξέα. Με τη γλώσσα των τεσσάρων γραμμάτων, το DNA περιέχει τις πληροφορίες που απαιτούνται για τη δημιουργία ενός ολόκληρου οργανισμού. Ένα γονίδιο αντιπροσωπεύει τη μονάδα του DNA που φέρει κωδικούς για την παραγωγή μιας συγκεκριμένης πρωτεΐνης ή ενός συνόλου πρωτεϊνών. Με βάση την εγγενή συμπληρωματικότητα των νουκλεοτιδικών βάσεων στο DNA, κατέστη δυνατή η ταχεία αλληλουχία ενός τεράστιου αριθμού γονιδιωμάτων με σχετικά χαμηλό κόστος. Από την αποτελεσματικά προσδιορισμένη αλληλουχία γονιδιωμάτων θα μπορούσαν να γίνουν προβλέψεις για αλληλουχίες RNA και πρωτεϊνών οι οποίες συνδυάζονται στις πολυ-ομικές προσεγγίσεις. Η ψηφιακή μορφή των αλληλουχιών DNA ως ένα είδος βιολογικής πληροφορίας omics θα μπορούσε εύκολα να αποθηκευτεί σε βιολογικές βάσεις δεδομένων και να μοιραστεί μεταξύ επιστημόνων σε όλο τον κόσμο. Η αλληλουχία του πρώτου ολόκληρου γονιδιώματος του βακτηρίου Haemophilus influenza το 1995 έκανε μια επανάσταση στη μοριακή βιολογία. Παρήχθη ο μεγάλος όγκος δεδομένων ακολουθιών που ήταν πέρα ​​από το να ερμηνευτεί πλήρως. Η αποκρυπτογράφηση σχετικών γενετικών πληροφοριών από το γενετικό υλικό υπόβαθρο ήταν σχεδόν αδύνατη εργασία. Για να ξεπεραστεί αυτό, απαιτούνταν πιο λεπτομερείς βιολογικές πληροφορίες. Οι πληροφορίες σχετικά με τη μεταγραφή του γενετικού υλικού και την επακόλουθη παραγωγή πρωτεϊνών ήταν απαραίτητες.

Μια βασική ερευνητική κατεύθυνση στον τομέα της βιολογίας συστημάτων είναι η λειτουργική γονιδιωματική. Αυτή η πειθαρχία αναπτύσσει και εκμεταλλεύεται μεθοδολογίες μεγάλης κλίμακας και υψηλής απόδοσης με στόχο τον καθορισμό και την ανάλυση της γονιδιακής λειτουργίας σε παγκόσμιο επίπεδο. Είναι πολύ σημαντικό για την ανάπτυξη μιας συστημικής κατανόησης μιας βιολογικής διαδικασίας για τον προσδιορισμό των γονιδίων και των πρωτεϊνών που κωδικοποιούν και οι οποίες συνεργάζονται για να δημιουργήσουν αυτή τη διαδικασία. Η λειτουργική γονιδιωματική είναι ένα ενσωματωμένο επιστημονικό πεδίο που συνδυάζει πολλαπλά σύνολα δεδομένων μεγάλης κλίμακας σε προσπάθειες δημιουργίας πληροφοριών για τη γονιδιακή λειτουργία. Στην αρχή, τα γονίδια αναλύθηκαν μεμονωμένα, αλλά η πρόοδος των τεχνολογιών τα τελευταία χρόνια καθιστά δυνατή την ταυτόχρονη ανάλυση χιλιάδων γονιδίων. Αυτή η μεγάλης κλίμακας ανάλυση της γονιδιακής λειτουργίας ονομάζεται τεχνολογία μικροσυστοιχιών DNA (Εικ. 3).

Εικόνα 3. Σχέδιο ανάλυσης μικροσυστοιχιών DNA

Οι μικροσυστοιχίες DNA μετρούν τις διαφορές στην αλληλουχία DNA μεταξύ ατόμων και αυτή η τεχνολογία μπορεί να παρέχει πληροφορίες για τη λειτουργία μη χαρακτηρισμένων γονιδίων και μπορεί επίσης να αποκαλύψει ομάδες αλληλεπιδρώντων γονιδίων που προκαλούν μια βιολογική διαδικασία ενδιαφέροντος. Οι αναλύσεις μικροσυστοιχιών μπορούν επίσης να παρέχουν πληροφορίες για τους μηχανισμούς ρύθμισης των γονιδίων, την εξέλιξη και την αιτιολογία της νόσου. Για παράδειγμα, η ανάλυση δεδομένων μικροσυστοιχίας θα μπορούσε να αποκαλύψει ανωμαλίες όπως χρωμοσωμικές εισαγωγές και διαγραφές ή μη φυσιολογικούς χρωμοσωμικούς αριθμούς σε μια διαδικασία που ονομάζεται συγκριτική γονιδιωματική υβριδοποίηση. Οι πιο συνηθισμένες παραλλαγές στις αλληλουχίες του DNA μεταξύ των ανθρώπων είναι οι πολυμορφισμοί μεμονωμένων νουκλεοτιδίων (SNPs), στους οποίους ένα νουκλεοτίδιο αντικαθίσταται από ένα άλλο. Αυτό μπορεί να έχει λειτουργική σημασία εάν η αλλαγή καταλήξει σε κωδικόνιο για ένα διαφορετικό αμινοξύ. Έχουν ιδιαίτερο ενδιαφέρον όταν συνδέονται με ασθένειες με γενετικό προσδιορισμό. Ο σχηματισμός πολυμορφισμού μεμονωμένων νουκλεοτιδίων έχει επίσης ρόλο στη φαρμακογονιδιωματική στην διερεύνηση των επιμέρους αποκρίσεων των ασθενών στα φάρμακα.

Επιγενωμική

Οι επιγενετικές τροποποιήσεις όπως η μεθυλίωση του DNA, τοι ροποποιήσεις της ιστόνης, η ανάλυση 2D και 3D της δομής της χρωματίνης και του μη κωδικοποιητικού RNA μελετώνται με τις μεθόδους της επιγενωμικής. Αυτή επικεντρώνεται στην ανάλυση των συνολικών επιγενετικών αλλαγών που παρέχει σημαντικές πληροφορίες σχετικά με τους μηχανισμούς και τη λειτουργία της γονιδιακής ρύθμισης σε πολλά γονίδια σε ένα κύτταρο ή οργανισμό. Οι επιστήμονες έχουν καταλάβει ότι ο φαινότυπος του ατόμου δεν ελέγχεται μόνο από το γονιδίωμα αλλά και από τις αλλαγές στη ρύθμιση των γονιδιακών δραστηριοτήτων. Γενετικά πειράματα σε ανθρώπους και ζώα απέδειξαν ότι, εκτός από την αλληλουχία του DNA, επιγενετικά σημάδια μπορεί να μεταδοθούν από τον γονέα στους απογόνους μέσω των γαμετών και να επηρεάσουν τον φαινότυπο των απογόνων.

Η επιγενωμική ορίζει τις τροποποιήσεις στη ρύθμιση των γονιδιακών δραστηριοτήτων που δρουν χωρίς, ή ανεξάρτητα από, αλλαγές στις γονιδιακές αλληλουχίες. Ορισμένοι ορισμοί περιορίζουν την επιγενετική/επιγενεμική σε τροποποιήσεις του φαινοτύπου χωρίς αλλαγές στην αλληλουχία του DNA που μεταδίδονται στις επόμενες γενιές. Οι επιγενετικές τροποποιήσεις είναι χημικές τροποποιήσεις, οι οποίες δεν κωδικοποιούνται από το γονιδίωμα και συντονίζουν τον τρόπο και το πότε τα γονίδια εκφράζονται. Η επιγενωμική διερευνά κληρονομικές, αναστρέψιμες τροποποιήσεις του DNA και της χρωματίνης που δεν επηρεάζουν τις πρωτογενείς νουκλεοτιδικές αλληλουχίες. Ενώ ο όρος επιγενεμική θα περιγράψει την ανάλυση των επιγενετικών αλλαγών σε πολλά γονίδια σε ένα κύτταρο ή σε ολόκληρο τον οργανισμό, η επιγενετική επικεντρώνεται σε διαδικασίες που ρυθμίζουν τον τρόπο και τον τρόπο ενεργοποίησης και απενεργοποίησης συγκεκριμένων γονιδίων. Διάφοροι παράγοντες είναι γνωστό ότι επηρεάζουν την επιγενετική ρύθμιση: 1) Διατροφή (διαιτητικοί παράγοντες), 2) Περιβαλλοντικοί παράγοντες, 3) Έκθεση σε ακτινοβολία, 4) Μολυσματικοί παράγοντες, 5) Ανοσολογικοί παράγοντες, 6) Γενετικοί παράγοντες, 7) Τοξικοί παράγοντες, και 8) Μεταλλαξιογόνα.

Ευέλικτες μέθοδοι ανίχνευσης μπορούν να εφαρμοσθούν για την ανάλυση επιγενετικών τροποποιήσεων στο κύτταρο. Η μεθυλίωση του DNA αναλύεται με δοκιμασίες πέψης και αλληλουχία διθειώδους DNA. Στις δοκιμασίες πέψης, το γονιδιωματικό DNA κατακερματίζεται με ευαίσθητες σε μεθυλίωση και μη ευαίσθητες σε μεθυλίωση ενδονουκλεάσες. Τα ευαίσθητα στη μεθυλίωση περιοριστικά ένζυμα διασπούν μόνο το μη μεθυλιωμένο DNA και αφήνουν τα μεθυλιωμένα θραύσματα DNA άπεπτα. Το κατακερματισμένο DNA μπορεί να αναλυθεί με προσδιορισμό αλληλουχίας ή μικροσυστοιχία, και έτσι χαρτογραφούνται οι θέσεις μεθυλίωσης. Το μειονέκτημα αυτής της μεθόδου είναι ότι μελετά μόνο τις αλληλουχίες DNA κοντά στους στόχους των επιλεγμένων ενζύμων περιορισμού και συνήθως χρησιμοποιείται για τον χαρακτηρισμό μόνο των παγκόσμιων επιπέδων μεθυλίωσης του DNA αντί για την ταυτοποίηση του μεθυλιωμένου DNA στο επίπεδο ενός υπολείμματος. Η ανάλυση βελτιώνεται χρησιμοποιώντας τη μέθοδο αλληλουχίας διθειώδους. Αυτή η συγκεκριμένη μέθοδος για το σκέλος χρησιμοποιείται για τη μετατροπή της μη μεθυλιωμένης κυτοσίνης σε ουρακίλη, ενώ τα υπολείμματα μεθυλιωμένης κυτοσίνης παραμένουν ανεπηρέαστα. Το προκύπτον DNA ενισχύεται σε PCR και μπορεί να αναλυθεί με προσδιορισμό αλληλουχίας των περιοχών ενδιαφέροντος. Η ανάλυση μπορεί επίσης να γίνει χρησιμοποιώντας φασματομετρία μάζας MALDI-TOF ή μικροσυστοιχίες. Η μεθυλίωση του DNA μπορεί επίσης να μελετηθεί μέσω μεθόδων που βασίζονται στην αρχή της χρωματογραφίας συγγένειας. Το δείγμα που περιέχει κατακερματισμένο DNA φορτώνεται σε μια στήλη με δεσμευμένη περιοχή σύνδεσης μεθυλίου (MBD) του MeCP2, ειδικά για μεθυλιωμένο DNA. Τα μεθυλιωμένα κλάσματα DNA εκλούονται και αναλύονται με τεχνικές σε όλο το γονιδίωμα όπως MBDCap-seq/MethylCap-seq. Μια άλλη προσέγγιση είναι η ανοσοκαταβύθιση μεθυλιωμένου DNA (MeDIP), η οποία βασίζεται στη ειδική σύνδεση αντισωμάτων με τη μεθυλιωμένη κυτοσίνη (5mC) στο DNA. Αυτή η μέθοδος χρησιμοποιείται επίσης για την ανάλυση υδροξυλιωμένης μεθυλοκυτοσίνης (5hmC). Τα καθαρισμένα θραύσματα αναλύονται με PCR, προσδιορισμό αλληλουχίας ή μικροσυστοιχία.

Μια ευρέως χρησιμοποιούμενη τεχνική για τον εντοπισμό τροποποιήσεων ιστόνης είναι η ανοσοκαταβύθιση της χρωματίνης (ChIP). Χρησιμοποιείται για τον εντοπισμό τοπικών μετα -μεταφραστικών τροποποιήσεων των ουρών ιστόνης και για την παρακολούθηση των αλλαγών στις τροποποιήσεις ως απόκριση σε διαφορετικά ερεθίσματα. Αντισώματα έναντι συγκεκριμένων τροποποιήσεων ιστόνης (όπως τριμεθυλίωση ιστόνης Η3 λυσίνης Κ27) χρησιμοποιούνται για ανοσοκαταβύθιση αυτών των περιοχών χρωματίνης που έχουν αυτές τις τροποποιήσεις. Το ChIP μπορεί επίσης να εφαρμοστεί για τη μελέτη της σύνδεσης παραγόντων μεταγραφής και ενζύμων στη χρωματίνη, χρησιμοποιώντας ένα ειδικό αντίσωμα κατά του παράγοντα που μας ενδιαφέρει. Οι σχετικές περιοχές χρωματίνης μπορούν να αναλυθούν είτε με PCR για τον εντοπισμό συγκεκριμένων θέσεων είτε για βαθιά αλληλουχία για μια πιο σφαιρική εικόνα, καθώς και με τη χρήση μικροσυστοιχιών (ChIP-chip), αλλά στην τελευταία περίπτωση η ανάλυση των δεδομένων είναι ασθενέστερη σε σύγκριση με την αλληλουχία. Κατά τη διάρκεια της τελευταίας δεκαετίας αναπτύχθηκε η βασική μέθοδος ChIP που οδηγεί στην εμφάνιση άλλων διαφορετικών μεθόδων ChIP όπως μChIP-seq για χαμηλή, μικροκλίμακα ανάλυση ποσότητας δείγματος και τη σύγχρονη αλληλουχία σε πραγματικό χρόνο ενός μορίου (SMRT; ” αλληλουχία τρίτης γενιάς ») δειγμάτων ChIP.

Οι επιγενετικές τροποποιήσεις μπορούν επίσης να μελετηθούν με μεθόδους ταυτοποίησης των ενεργών περιοχών της χρωματίνης. Στη μέθοδο DNase-seq, το ένζυμο DNase Ι χρησιμοποιείται για την πέψη του DNA που δεν προστατεύεται από δομή νουκλεοσωμάτων, οπότε οι περιοχές που είναι ευαίσθητες στη DNase σχετίζονται με ενεργά γονίδια. Για την ανάλυση και την ερμηνεία των αποτελεσμάτων μπορούν να χρησιμοποιηθούν τεχνικές αλληλουχίας, μικροσυστοιχίας ή Southern Blot. Η ανοικτή χρωματίνη μπορεί να ανιχνευθεί επίσης με απομόνωση ρυθμιστικών στοιχείων με τη βοήθεια φορμαλδεhyδης (FAIRE), η οποία έχει ως αποτέλεσμα την απομόνωση ανοικτών περιοχών χρωματίνης που έχουν εξαντληθεί από νουκλεοσώματα. Η μέθοδος FAIRE βασίζεται στη διασταύρωση μεταξύ φορμαλδεhyδης και DNA, ιστονών και άλλων πρωτεϊνών που σχετίζονται με αυτήν. Το DNA υποβάλλεται σε υπερήχους για να κατακερματιστεί και μετά απομονωθεί με εκχύλιση φαινόλης-χλωροφορμίου. Μόνο το DNA που δεν δεσμεύεται από τα νουκλεοσώματα και τις σχετικές πρωτεΐνες παραμένει στην υδατική φάση κατά την εξαγωγή, με αποτέλεσμα να απομονώνεται η ανοικτή και ενεργή περιοχή του γονιδιώματος. Τα απομονωμένα θραύσματα μπορούν να αναλυθούν ξανά με διαφορετικές μεθόδους, όπως PCR, μικροσυστοιχία και αλληλουχία. Η χρωματίνη μπορεί επίσης να μελετηθεί με τεχνική σύλληψης διαμόρφωσης χρωματίνης (3C) που προσδιορίζει τις περιοχές χρωματίνης που συνδέονται σωματικά μαζί, όπως προαγωγείς με ενισχυτές. Το 3C συχνά αναλύεται με PCR, αλλά στις μέρες μας επίσης με βαθιά αλληλουχία των αλληλεπιδράσεων παγκοσμίως (Hi-C).

Τα μη κωδικοποιητικά RNA (ncRNA) δρουν ως επιγενετικοί τροποποιητές για να ρυθμίσουν έντονα την γονιδιακή έκφραση. Η παρεκκλίνουσα έκφραση τους κυρίως με τη μορφή microRNA (miRNA) και μακρών μη κωδικοποιητικών RNA, μπορεί να τροποποιήσει την γονιδιακή έκφραση και να προκαλέσει περίπλοκες ανοσολογικές διαταραχές. Η ανάλυση του συστατικού RNA της επιγενετικής γίνεται συχνότερα σε κλίμακα γενωμικού σχήματος χρησιμοποιώντας μεθόδους αλληλουχίας επόμενης γενιάς. Οι αλλαγές στο ncRNA και mRNA μπορούν να χαρακτηριστούν με βαθιά αλληλουχία. Η έκφραση των RNAs μπορεί να αναλυθεί επίσης με ποσοτική αλυσιδωτή αντίδραση πολυμεράσης (qPCR). Η ποσοτική PCR επίσης γνωστή ως PCR πραγματικού χρόνου είναι μια εργαστηριακή τεχνική στη μοριακή βιολογία, με την οποία η ποσότητα του προϊόντος PCR μπορεί να προσδιοριστεί σε πραγματικό χρόνο και είναι πολύ χρήσιμη για τη διερεύνηση της γονιδιακής έκφρασης.

Μεταγραφική

Όταν τα γονίδια εκφράζονται, οι γενετικές πληροφορίες που αποθηκεύονται στο DNA μεταφέρονται στο RNA (ριβονουκλεϊκό οξύ). Τα RNA είναι σημαντικά μακρομόρια, που αποτελούνται από γραμμικές αλυσίδες νουκλεοτιδίων (Εικ. 4), τα οποία παράγονται από την κυτταρική διαδικασία μεταγραφής. Τα RNA εκτελούν ποικίλες κυτταρικές και βιολογικές λειτουργίες είτε χρησιμεύουν ως πρότυπα για τη σύνθεση πρωτεϊνών είτε παίζουν κρίσιμους καταλυτικούς και ρυθμιστικούς ρόλους. Κατά τη μεταγραφή, οι γενετικές πληροφορίες μεταφέρονται από το DNA στο mRNA. Αυτή η διαδικασία διεξάγεται από ένα ένζυμο RNA πολυμεράση. Υπάρχουν αρκετές κατηγορίες RNA σε κύτταρα (αγγελιοφόρα RNA (mRNA), RNA μεταφοράς (tRNA), ριβοσωμικό RNA (rRNA), μικρό πυρηνικό RNA (snRNA), μικρό πυρηνικό RNA (snoRNA), σύντομο παρεμβαλλόμενο RNA (siRNA), μικρο RNA ( miRNAs), μακρό μη κωδικοποιητικό RNA και ψευδογόνα), αλλά αυτά που συμμετέχουν στη σύνθεση πρωτεϊνών είναι το αγγελιοφόρο RNA (mRNA), το RNA μεταφοράς (tRNA) και το ριβοσωμικό RNA. Το RNA αγγελιοφόρου (mRNA) είναι ένα μονόκλωνο μόριο που μεσολαβεί στη μεταφορά γενετικών πληροφοριών στα ριβοσώματα όπου συντίθενται οι πρωτεΐνες. Στα ευκαρυωτικά, κάθε γονίδιο μεταγράφεται για να δώσει ένα μόνο mRNA, ενώ στα προκαρυωτικά, ένα μόριο mRNA μπορεί να μεταφέρει τη γενετική πληροφορία από πολλά γονίδια, δηλαδή αρκετές περιοχές κωδικοποίησης πρωτεϊνών. Υπάρχει μια γραμμική αντιστοιχία μεταξύ της βασικής αλληλουχίας ενός γονιδίου και της αλληλουχίας αμινοξέων ενός πολυπεπτιδίου. Κάθε ομάδα τριών διαδοχικών νουκλεοτιδίων κωδικοποιεί τη θέση ενός συγκεκριμένου αμινοξέος σε ένα μόριο πρωτεΐνης και κάθε τέτοια τριπλή βάση ονομάζεται κωδικόνιο. Τα κωδικόνια μεταφράζονται σε αλληλουχίες αμινοξέων από ριβοσώματα (τα οποία αποτελούνται από πρωτεΐνες και rRNA), tRNA και βοηθητικές πρωτεΐνες που ονομάζονται παράγοντες μετάφρασης.

Εικόνα 4. Μονόκλωνη δομή του RNA με τις τέσσερις νουκλεοτιδικές βάσεις – αδενίνη, ουρακίλη, γουανίνη, κυτοσίνη.

Ο όρος «μεταγράφημα» χρησιμοποιείται ευρέως για να ορίσει το πλήρες σύνολο όλων των μορίων του ριβονουκλεϊκού οξέος (RNA) σε ένα κύτταρο, ιστό ή οργανισμό. Το μεταγράφημα αντανακλά τη μοριακή δραστηριότητα στα κύτταρα, τα γονίδια που εκφράζονται ενεργά κάθε δεδομένη στιγμή. Περιλαμβάνει όλες τις μορφές μορίων RNA συμπεριλαμβανομένης της κωδικοποίησης πρωτεΐνης, της μη πρωτεϊνικής κωδικοποίησης, εναλλακτικά συνδεδεμένων, εναλλακτικά πολυαδενυλιωμένων, εναλλακτικά εκκινούμενων, αίσθησης, αντινόημα και μεταγραφής με επεξεργασία RNA. Αντίστοιχα, η μεταγραφική μελέτη μελετά όλους τους τύπους μεταγραφών εντός ενός κυττάρου ή ενός οργανισμού, συμπεριλαμβανομένων των mRNA, των miRNA και διαφορετικών τύπων μακρών μη κωδικοποιητικών RNA (lncRNA). Η μεταγραφική καλύπτει τα πάντα που σχετίζονται με τα RNA όπως τα επίπεδα μεταγραφής και έκφρασης, οι λειτουργίες, οι τοποθεσίες, η διακίνηση και η υποβάθμιση. Περιλαμβάνει επίσης τις δομές των μεταγραφών και τα γονικά γονίδια τους σε σχέση με τις θέσεις έναρξης, τις ακολουθίες 5 ′ και 3 ′, τα μοτίβα συγκόλλησης και τις μετα -μεταγραφικές τροποποιήσεις.

Οι κυριότερες μελέτες μεταγραφικής στοχεύουν:

  • Στον χαρακτηρισμός διαφορετικών καταστάσεων κυττάρων (δηλαδή στάδια ανάπτυξης), ιστών ή φάσεων κυτταρικού κύκλου με μοτίβα έκφρασης.
  • Στην διερεύνηση των μοριακών μηχανισμών που διέπουν τον φαινότυπο.
  • Στις ταυτοποιήσεις βιοδεικτών που εκφράζονται διαφορετικά μεταξύ της ασθενούς και της υγιούς κατάστασης.
  • Στη διαφοροποίηση σταδίων ή υποτύπων της νόσου (π.χ. στάδια καρκίνου).
  • Στη δημιουργία της αιτιολογικής σχέσης μεταξύ γενετικών παραλλαγών και μοτίβων γονιδιακής έκφρασης για να φωτιστεί η αιτιολογία των ασθενειών.

Κατά τη διάρκεια των τελευταίων τριών δεκαετιών, η τεχνολογική πρόοδος έχει φέρει επανάσταση στη μεταγραφή προφίλ και επαναπροσδιορίζει τι είναι δυνατό να διερευνηθεί. Η ενσωμάτωση μεταγραφικών δεδομένων με άλλα ομόλογα δίνει μια ολοένα και πιο ολοκληρωμένη εικόνα των κυτταρικών περιπλοκών διευκολύνοντας τις ολιστικές προσεγγίσεις στη βιοϊατρική έρευνα.

Οι κυριότερες τεχνικές που εφαρμόζονται για τη μελέτη μεταγραφής είναι:

  • Methods Μέθοδοι βασισμένες στην ετικέτα ακολουθίας (EST)
  • SAGE
  • Micro Μικροσυστοιχία με βάση τον υβριδισμό
  • PC PCR σε πραγματικό χρόνο
  • Methods Μέθοδοι αλληλουχίας RNA (RNA-seq) που βασίζονται σε NGS,
  • Inter Παρεμβολή RNA
  • Εργαλεία βιοπληροφορικής για ανάλυση μεταγραφών.

Η επιλογή της τεχνικής εξαρτάται από την αποδοτικότητα κόστους, την ευαισθησία, την υψηλή απόδοση και την ελάχιστη συγκέντρωση του αρχικού RNA. Η μεθοδολογία περιλαμβάνει απομόνωση RNA, καθαρισμό, ποσοτικοποίηση, κατασκευή βιβλιοθήκης cDNA και αλληλουχία υψηλής απόδοσης.

  • Μέθοδοι εκφραζόμενης αλληλουχίας (EST): παρουσία της συγκεκριμένης αλληλουχίας κωδικοποίησης στο γονιδιωματικό DNA. Η αλληλουχία των EST δίνει μια επισκόπηση του επιπέδου έκφρασης του γονιδίου. Καθώς όλο και περισσότερα στοιχεία EST έχουν γίνει δημόσια διαθέσιμα, η χρήση των ESTs έχει επεκταθεί σε άλλους τομείς, όπως στην ανακάλυψη γενετικών δεικτών πυριτίου, στην ανακάλυψη γονιδίων πυριτίου, στην κατασκευή γενετικών μοντέλων, στην εναλλακτική πρόβλεψη συγκόλλησης, στον σχολιασμό του γονιδιώματος, στο προφίλ έκφρασης και συγκριτική γονιδιωματική. Σε σύγκριση με τον προσδιορισμό ολόκληρου του γονιδιώματος, η τεχνολογία EST είναι απλούστερη και λιγότερο δαπανηρή, ειδικά στην περίπτωση μεγάλων γονιδιωμάτων. Υπάρχουν βάσεις δεδομένων EST όπως το dbEST (NCBI EST) (https://www.ncbi.nlm.nih.gov/genbank/dbest/) που περιέχουν δεδομένα αλληλουχίας και άλλες πληροφορίες για αλληλουχίες cDNA “μονής διέλευσης” ή “Expressed Ετικέτες ακολουθίας “, από έναν αριθμό οργανισμών και έτσι χρησιμεύουν ως αναφορά για το προφίλ έκφρασης ενός οργανισμού.
  • Η σειριακή ανάλυση της γονιδιακής έκφρασης (SAGE) είναι μια μεταγραφική τεχνική που χρησιμοποιείται από τους επιστήμονες για να δημιουργήσει ένα στιγμιότυπο του πληθυσμού του αγγελιοφόρου RNA σε ένα δείγμα ενδιαφέροντος με τη μορφή μικρών ετικετών που αντιστοιχούν σε θραύσματα αυτών των μεταγραφών. Αυτή η τεχνική είναι πλεονεκτική έναντι του EST επειδή ακολουθούνται μόνο σύντομες “ετικέτες” περίπου 15 βάσεων. Τα σύντομα θραύσματα που δημιουργούνται στη συνέχεια ενώνονται και αλληλουχούνται. Μια δεξαμενή cDNA μπορεί να υποβληθεί σε NGS υψηλής απόδοσης γνωστό ως RNA-seq για ποσοτικοποίηση, ανακάλυψη νέων EST και προφίλ RNA.
  • Το τσιπ DNA, το τσιπ γονιδίων, το βιοτσίπ ή η μικροσυστοιχία είναι μια συλλογή κηλίδων DNA, cDNA, ολιγονουκλεοτιδίων προσαρτημένων σε ένα στερεό υπόστρωμα όπως γυαλί ή τσιπ πυριτίου. Μέσω αυτής της μεθόδου που βασίζεται σε υβριδισμό, τα επίπεδα έκφρασης χιλιάδων γονιδίων παρακολουθούνται ταυτόχρονα. Ο κυριότερος περιορισμός αυτής της τεχνολογίας είναι ότι οι πληροφορίες αλληλουχίας του γονιδιώματος αποτελούν προϋπόθεση και επίσης απαιτείται υψηλότερο υπόβαθρο της τεχνικής υβριδοποίησης.
  • Η ποσοτική PCR σε πραγματικό χρόνο (qRT-PCR) είναι ένας τύπος PCR για αξιόπιστη ποσοτικοποίηση mRNA χαμηλής αφθονίας ή μεταγραφών χαμηλής αντιγραφής. Τα κυριότερα πλεονεκτήματα αυτής της τεχνικής είναι η υψηλή ευαισθησία, η καλύτερη αναπαραγωγιμότητα και το μεγάλο δυναμικό εύρος ποσοτικοποίησης. Διευκολύνει τις γονιδιακές εκφράσεις και τις μελέτες ρύθμισης ακόμη και σε ένα μόνο κύτταρο με βάση την ικανότητα εκθετικής ενίσχυσης. Η διαθεσιμότητα διαφόρων τύπων συστήματος παρακολούθησης φθορισμού που συνδέονται με την PCR οδήγησε στη δημοτικότητά του για μελέτες γονιδιακής έκφρασης. Τα προβλήματα της μη ειδικής ενίσχυσης, του σχηματισμού διμερών εκκινητών είναι μερικοί από τους περιορισμούς της qRT-PCR.
  • Ο προσδιορισμός αλληλουχίας RNA είναι μία από τις προηγμένες τεχνολογίες υψηλής απόδοσης για μεταγραφικά. Το RNA-seq, επίσης γνωστό ως αλληλουχία κυνηγετικών όπλων ολόκληρου-μεταγραφικού, χρησιμοποιεί εργαλεία NGS. Τα πλεονεκτήματα του RNA-seq είναι ότι δεν βασίζεται στη διαθεσιμότητα της αλληλουχίας γονιδιώματος, δεν έχει ανώτερα ποσοτικά όρια, δείχνει υψηλή αναπαραγωγιμότητα και διαθέτει μεγάλο εύρος δυναμικής ανίχνευσης.

Η πρόοδος της μεταγραφικής οδήγησε σε μια σειρά βιολογικών ανακαλύψεων. Αυτή η τεχνολογία omics έθεσε τα θεμέλια των πρώτων πραγματικών πολυ-omics μελετών, βασισμένες στις συγκρίσεις μεταξύ αλληλουχίας DNA και έκφρασης mRNA. Σήμερα, η μεταγραφική ανάλυση εξακολουθεί να χρησιμοποιείται συχνότερα από τους περισσότερους βιολόγους, δεδομένου ότι τα δεδομένα που λαμβάνονται είναι ακόμη πιο εύκολα αναλύσιμα από άλλες τεχνικές όπως η πρωτεομική και η μεταβολική. Πιο πρόσφατα, η μεταγραφική απολαμβάνει μια δεύτερη αναβίωση, καθώς σε πολλές περιπτώσεις εφαρμόζεται σε μεμονωμένα κύτταρα.

Πρωτεομική

Οι πρωτεΐνες διοικούν την κυτταρική δομή και δραστηριότητα, παρέχουν τους μηχανισμούς σηματοδότησης μεταξύ κυττάρων και ιστών και καταλύουν χημικές αντιδράσεις που υποστηρίζουν τον μεταβολισμό. Η πρωτεϊνική δομή υπαγορεύει τη λειτουργία (ή τη δυσλειτουργία). Οι πρωτεΐνες μπορεί να είναι η βασική αιτία ασθενειών (όπως η νόσος του Αλτσχάιμερ ή του Χάντινγκτον) και μπορούν να χρησιμοποιηθούν για τη θεραπεία της (π.χ., τα αντισώματα χρησιμοποιούνται ως θεραπευτικά ενάντια σε ιογενείς και βακτηριακές λοιμώξεις). Το σύνολο όλων των εκφρασμένων πρωτεϊνών σε ένα βιολογικό σύστημα υπό συγκεκριμένες, καθορισμένες συνθήκες είναι γνωστό ως πρωτεόμη. Η λέξη «πρωτεόμη» είναι ένας συνδυασμός πρωτεΐνης και γονιδιώματος και επινοήθηκε από τον Mark Wilkins το 1994.

Ο κύριος στόχος της πρωτεομικής είναι η πειραματική ανάλυση μεγάλης κλίμακας της δομής και της λειτουργίας ολόκληρου του συνόλου πρωτεϊνών που παράγονται από έναν ζωντανό οργανισμό. Ο όρος «πρωτεομικά» εμφανίστηκε για πρώτη φορά το 1997 και αναφέρεται σε μια βασική τεχνολογία στις προσεγγίσεις της βιολογίας συστημάτων που μελετά το πρωτέωμα. Η λειτουργία των κυττάρων εξαρτάται από τις πρωτεΐνες που υπάρχουν στον ενδο- και μεσοκυττάριο χώρο και την αφθονία τους. Η σύνθεση πρωτεϊνών στο κύτταρο βασίζεται σε πρόδρομους mRNA αλλά είναι αδύνατο να προβλεφθεί η αφθονία συγκεκριμένων πρωτεϊνών μόνο με βάση την ανάλυση της γονιδιακής έκφρασης. Ο λόγος για αυτό είναι ότι οι φυσικές πρωτεΐνες υφίστανται μετα-μεταφραστικές τροποποιήσεις (PTM) ή αλλοιώσεις ως απόκριση των αλλαγών στο περιβάλλον. Το πρωτεόμη είναι μια δυναμική αντανάκλαση τόσο των γονιδίων όσο και του περιβάλλοντος και είναι μια πολύτιμη πηγή για την ανακάλυψη των βιοδεικτών, επειδή οι πρωτεΐνες πιθανότατα επηρεάζονται στις ασθένειες και την ανταπόκριση της νόσου. Ο πλήρης χαρακτηρισμός όλων των πρωτεϊνών ήταν ο στόχος της πρωτεομικής από την έναρξή της πριν από σχεδόν 25 χρόνια. Τείνει να κάνει περισσότερα από την απλή ταυτοποίηση πρωτεϊνών που ενδέχεται να υπάρχουν σε ένα δείγμα, αλλά και την αξιολόγηση της αφθονίας της πρωτεΐνης, του εντοπισμού, των μεταφραστικών τροποποιήσεων, των ισομορφών και των μοριακών αλληλεπιδράσεων. Η πρωτεομική στοχεύει στη μελέτη της ροής βιολογικών πληροφοριών μέσω μονοπατιών και δικτύων πρωτεϊνών, με τελικό στόχο την κατανόηση της λειτουργικής συνάφειας των πρωτεϊνών. Αυτό απαιτεί την ανάπτυξη τεχνολογιών που μπορούν να ανιχνεύσουν ένα ευρύ φάσμα πρωτεϊνών σε δείγματα διαφορετικής προέλευσης. Διάφορες τεχνολογίες χρησιμοποιούνται στην πρωτεϊνομετρική και τις περισσότερες φορές εφαρμόζονται συνδυαστικά,  όπως για παράδειγμα η ηλεκτροφόρηση τρισδιάστατης ή δισδιάστατης γέλης με φασματομετρία μάζας (MS) ή η υγρή χρωματογραφία και MS.

Οι συμβατικές τεχνικές για την απομόνωση και τον καθαρισμό των πρωτεϊνών βασίζονται στη χρωματογραφία όπως η χρωματογραφία ανταλλαγής ιόντων (IEC), η υδροξυαπατίτη, χρωματογραφία αποκλεισμού μεγέθους (SEC) και η χρωματογραφία συνάφειας. Για ανάλυση εκλεκτικών πρωτεϊνών, μπορούν να χρησιμοποιηθούν ενζυμικά ανοσοπροσροφητική δοκιμασία (ELISA) και στύπωμα Western. Αυτές οι τεχνικές μπορούν να εφαρμοστούν για ανάλυση μεμονωμένων πρωτεϊνών αλλά δεν μπορούν να καθορίσουν το επίπεδο της έκφρασης πρωτεΐνης. Χρησιμοποιούνται η ηλεκτροφόρηση πηκτής νατρίου δωδεκυλ θειικού-πολυακρυλαμιδίου (SDS-PAGE), η ηλεκτροφόρηση τρισδιάστατης γέλης (2-DE) και η ηλεκτροδιάταξη διαφορικής τρισδιάστατης γέλης (2D-DIGE) για τον διαχωρισμό πολύπλοκων δειγμάτων πρωτεΐνης.

  • Η φασματομετρία μάζας (MS) επιτρέπει την ανάλυση πρωτεωμάτων και συνήθως είναι η προτιμώμενη μέθοδος για τον προσδιορισμό των πρωτεϊνών που υπάρχουν στα βιολογικά συστήματα. Οι τρεις κύριες εφαρμογές του MS στην πρωτεϊνομετρική είναι: η καταλογογράφηση της πρωτεϊνικής έκφρασης, ο ορισμός των αλληλεπιδράσεων πρωτεϊνών και ο εντοπισμός θέσεων τροποποίησης της πρωτεΐνης. Η φασματομετρία μάζας μετρά την αναλογία μάζας προς φορτίο (m/z) των ιόντων αερίου φάσης. Τα φασματόμετρα μάζας αποτελούνται από μια πηγή ιόντων που μετατρέπει τα μόρια της αναλυόμενης ουσίας σε ιόντα αερίου φάσης, έναν αναλυτή μάζας που διαχωρίζει ιονισμένες αναλύσεις με βάση την αναλογία m/z και έναν ανιχνευτή που καταγράφει τον αριθμό των ιόντων σε κάθε τιμή m/z. Η ανάπτυξη του ιονισμού με ηλεκτροψεκασμό (ESI) και την εκρόφηση/ιονισμό λέιζερ με τη βοήθεια μήτρας (MALDI), οι δύο τεχνικές μαλακού ιοντισμού ικανές να ιονίζουν πεπτίδια ή πρωτεΐνες, έφεραν επανάσταση στην πρωτεϊνική ανάλυση χρησιμοποιώντας MS. Ο αναλυτής μάζας είναι κεντρικός για την τεχνολογία MS. Για την έρευνα πρωτεομικής, χρησιμοποιούνται συνήθως τέσσερις τύποι αναλυτών μάζας: τετράπολο (Q), παγίδα ιόντων (τετραπολική παγίδα ιόντων, QIT; γραμμική παγίδα ιόντων, LIT ή LTQ), αναλυτής μάζας χρόνου πτήσης (TOF) και Fourier- αναλυτής μάζας μετασχηματισμού συντονισμού ιόντων κυκλοτρόνιο (FTICR). Διαφέρουν ως προς τις φυσικές αρχές και την αναλυτική τους απόδοση. Τα “υβριδικά” όργανα έχουν σχεδιαστεί για να συνδυάζουν τις δυνατότητες διαφορετικών αναλυτών μάζας και περιλαμβάνουν τα Q-Q-Q, Q-Q-LIT, Q-TOF, TOF-TOF και LTQ-FTICR.
  • Η διαδοχική φασματομετρία μάζας είναι μια πρόσθετη πειραματική διαδικασία που είναι επίσης γνωστή ως MS/MS ή MS2. Αυτή είναι μια βασική τεχνική για τον προσδιορισμό αλληλουχίας πρωτεϊνών ή πεπτιδίων και ανάλυση PTM όπου δύο ή περισσότεροι αναλυτές μάζας συνδέονται. Τα μόρια ενός δεδομένου δείγματος ιονίζονται και το πρώτο φασματόμετρο (που ορίζεται ως MS1) διαχωρίζει αυτά τα ιόντα με την αναλογία μάζας προς φορτίο (συχνά δίνεται ως m/z ή m/Q). Επιλέγονται ιόντα συγκεκριμένης αναλογίας m/z που προέρχονται από MS1 και στη συνέχεια διαχωρίζονται σε μικρότερα ιόντα θραύσματος, π.χ. με διάσπαση που προκαλείται από σύγκρουση (CID), διάσπαση ηλεκτρονίων (ECD), διάσπαση μεταφοράς ηλεκτρονίων (ETD), αντίδραση μορίου ιόντων ή διάσπαση φωτογραφιών. Αυτά τα θραύσματα στη συνέχεια εισάγονται στο δεύτερο φασματόμετρο μάζας (MS2), το οποίο με τη σειρά του διαχωρίζει τα θραύσματα με την αναλογία m/z και τα εντοπίζει. Το βήμα κατακερματισμού καθιστά δυνατή την αναγνώριση και τον διαχωρισμό ιόντων που έχουν πολύ παρόμοιες αναλογίες m/z σε κανονικά φασματόμετρα μάζας.
    Η πολυπλοκότητα των βιολογικών συστημάτων απαιτεί τον διαχωρισμό του πρωτεώματος πριν από την ανάλυση. Τόσο οι διαχωρισμοί με βάση τη χρωματογραφία γέλης όσο και η υγρή χρωματογραφία έχουν αποδειχθεί χρήσιμοι από αυτή την άποψη. Τυπικά, μετά από αυτούς τους εκτεταμένους διαχωρισμούς, οι πρωτεΐνες χαρακτηρίζονται από ανάλυση MS είτε άθικτης πρωτεΐνης (από πάνω προς τα κάτω) είτε από πεπτίδια πρωτεΐνης με ενζυματική πέψη (από κάτω προς τα πάνω). Οι ταυτοποιήσεις πρωτεϊνών γίνονται συγκρίνοντας μετρημένες μάζες άθικτων πρωτεϊνών (από πάνω προς τα κάτω) ή πεπτιδίων πρωτεΐνης που έχουν υποστεί πέψη (από κάτω προς τα πάνω) με υπολογιζόμενες μάζες που λαμβάνονται από δεδομένα γονιδιώματος.
  • Η Isobaric Taq Labeling (ITL) είναι μια κοινώς χρησιμοποιούμενη μέθοδος για τον ποσοτικό προσδιορισμό των πρωτεϊνών. Στην πρωτεϊονική η ποσοτικοποίηση της αφθονίας των πρωτεϊνών είναι μια σημαντική εστίαση. Τα επίπεδα έκφρασης πρωτεϊνών αντιπροσωπεύουν την ισορροπία μεταξύ της μετάφρασης και της αποδόμησης των πρωτεϊνών στα κύτταρα. Συνεπώς, θεωρείται ότι η αφθονία μιας συγκεκριμένης πρωτεΐνης σχετίζεται με το ρόλο της στη λειτουργία των κυττάρων. Η ITL παρέχει την ευκαιρία ταυτόχρονης ταυτοποίησης και ποσοτικοποίησης των πρωτεϊνών από πολλαπλά δείγματα σε μία μόνο ανάλυση. Για να μετρηθεί η ποσότητα των πρωτεϊνών σε ένα δεδομένο δείγμα, τα πεπτίδια επισημαίνονται με χημικές ετικέτες που έχουν την ίδια δομή και την ονομαστική μάζα, αλλά διαφέρουν στην κατανομή των βαρέων ισοτόπων στη δομή τους. Αυτές οι ετικέτες, κοινώς αναφερόμενες ως διαδοχικές ετικέτες μάζας, έχουν σχεδιαστεί έτσι ώστε η ετικέτα μάζας να διασπάται σε μια συγκεκριμένη περιοχή συνδέσμου σε υψηλότερη ενέργεια που προκαλείται από σύγκρουση που προκαλείται από σύγκρουση (HCD) κατά τη διάρκεια της φασματομετρίας μάζας παράλληλα, αποδίδοντας ιόντα αναφοράς διαφορετικών μαζών. Η ποσοτικοποίηση της πρωτεΐνης επιτυγχάνεται συγκρίνοντας τις εντάσεις των ιόντων αναφοράς στα φάσματα MS/MS. Άλλες ποσοτικές τεχνικές είναι η επισήμανση ICAT και η σταθερή ισοτοπική επισήμανση με αμινοξέα σε κυτταρική καλλιέργεια (SILAC). Το ICAT έχει επίσης διευρύνει το φάσμα των πρωτεϊνών που μπορούν να αναλυθούν και επιτρέπει την ακριβή ποσοτικοποίηση και ταυτοποίηση αλληλουχιών των πρωτεϊνών από πολύπλοκα μίγματα. Το SILAC είναι μια προσέγγιση βασισμένη στο MS για την ποσοτική πρωτεϊνομετρία που εξαρτάται από τη μεταβολική επισήμανση ολόκληρου του κυτταρικού πρωτεώματος. Τα πρωτεώματα των διαφορετικών κυττάρων που καλλιεργούνται σε κυτταρική καλλιέργεια επισημαίνονται με “ελαφριά” ή “βαριά” μορφή αμινοξέων και διαφοροποιούνται μέσω MS.
  • Η κρυσταλλογραφία ακτίνων Χ και η φασματοσκοπία πυρηνικού μαγνητικού συντονισμού (NMR) είναι δύο κύριες τεχνικές υψηλής απόδοσης που παρέχουν τρισδιάστατη (τρισδιάστατη) δομή πρωτεΐνης που μπορεί να είναι χρήσιμη για την κατανόηση της βιολογικής λειτουργίας της. Με την υποστήριξη τεχνολογιών υψηλής απόδοσης, συλλέγεται ένας τεράστιος όγκος δεδομένων πρωτεομικής. Δημιουργούνται βάσεις δεδομένων βιοπληροφορικής για τον χειρισμό τεράστιου όγκου δεδομένων και την αποθήκευσή τους. Διάφορα εργαλεία βιοπληροφορικής έχουν αναπτυχθεί για την πρόβλεψη της τρισδιάστατης δομής, την ανάλυση του πρωτεϊνικού πεδίου και μοτίβου, την γρήγορη ανάλυση αλληλεπίδρασης πρωτεΐνης -πρωτεΐνης και την ανάλυση δεδομένων MS. Τα εργαλεία ευθυγράμμισης είναι χρήσιμα για την ευθυγράμμιση ακολουθίας και δομής για να ανακαλυφθεί η εξελικτική σχέση. Η ανάλυση πρωτεϊνών παρέχει την πλήρη απεικόνιση των δομικών και λειτουργικών πληροφοριών του κυττάρου, καθώς και τον μηχανισμό απόκρισης του κυττάρου έναντι διαφόρων τύπων στρες και φαρμάκων χρησιμοποιώντας μεμονωμένες ή πολλαπλές τεχνικές πρωτεομικής. Οι κύριες τεχνικές που χρησιμοποιούνται στην έρευνα πρωτεομικής δίνονται στο Εικ 5.

Εικόνα 5. Μέθοδοι που εφαρμόζονται στον τομέα της Πρωτεομικής για έρευνες μεγάλης κλίμακας πρωτεϊνών

Μεταβολική

Το μεταβόλωμα περιεγράφηκε για πρώτη φορά από τον Oliver και τους συνεργάτες του το 1998, κατά τη διάρκεια της πρωτοποριακής εργασίας τους στον μεταβολισμό της ζύμης, ως το πλήρες συμπλήρωμα μικρών μορίων σε ένα βιολογικό σύστημα ή υγρό. Περιλαμβάνει όλα τα μικρά μόρια όπως λιπίδια, αμινοξέα, λιπαρά οξέα, υδατάνθρακες και βιταμίνες τα οποία είναι γνωστά ως μεταβολίτες και παράγονται ως αποτέλεσμα του κυτταρικού μεταβολισμού. Συμμετέχουν στις μεταβολικές διεργασίες στα κύτταρα αλληλεπιδρώντας με άλλα βιολογικά μόρια ακολουθώντας μεταβολικές οδούς. Η κατάσταση των μεταβολιτών στα βιολογικά συστήματα είναι πολύ μεταβλητή και εξαρτάται από το χρόνο και παρατηρούνται αλλαγές στα επίπεδα των βασικών μεταβολιτών λόγω γενετικών, περιβαλλοντικών, διατροφικών και άλλων παραγόντων.
Η μεταβολική (ανάλυση μεταβολωμάτων) είναι η πιο πρόσφατη στρατηγική μεταξύ των omics που συστηματικά προσδιορίζει και ποσοτικοποιεί τους μεταβολίτες που υπάρχουν σε ένα κύτταρο, ιστό, όργανο, βιορευστά ή οργανισμό σε μια συγκεκριμένη χρονική στιγμή. Οι μέθοδοι που χρησιμοποιούνται στη μεταβολική αποσκοπούν στη μέτρηση ενώσεων χαμηλού μοριακού βάρους (μεταβολίτες) με διαφορετικά φυσικά χαρακτηριστικά όπως πολικότητα ενώσεων, λειτουργικές ομάδες και δομική ομοιότητα. Με βάση αυτές τις ιδιότητες, το μεταβόλωμα χωρίζεται σε υποσύνολα διαφόρων μεταβολιτών και για τη διερεύνησή τους εφαρμόζονται αναλυτικές διαδικασίες βελτιστοποιημένες για κάθε τύπο μορίου στη μεταβολική.
Οι μεταβολίτες είναι προϊόντα βιοχημικών αντιδράσεων που πραγματοποιούνται με τη συμμετοχή πρωτεϊνών του πρωτεώματος (Εικ. 6). Οι συγκεντρώσεις τους εξαρτώνται από τις αλληλεπιδράσεις άλλων διαδικασιών (μεταγραφή, μετάφραση, κυτταρική σηματοδότηση κ.λπ.), έχουν ερευνηθεί ως ανταποκριτές για τον μεταβολισμό στην PD. Αυτό με τη σειρά του καθορίζει τη βιολογική δομή και λειτουργία του τελικού φαινοτύπου του οργανισμού. Επομένως, οι αλλαγές στην έκφραση γονιδίων, στη λειτουργία των πρωτεϊνών και στο περιβάλλον επηρεάζουν άμεσα τη συγκέντρωση των μεταβολιτών σε ένα βιολογικό σύστημα. Το μεταβόλωμα αποτελείται από έναν σχετικά μικρό αριθμό (περίπου 5000), αλλά διαφορετικούς τύπους μεταβολιτών που καθιστούν το μεταβόλωμα πιο πολύπλοκο από φυσική και χημική άποψη από το γονιδίωμα, το μεταγράφημα και το πρωτέομα. Επιπλέον, το γονιδίωμα, το μεταγράφημα και το πρωτέομα αποτελούνται από ενώσεις που αποτελούν μέρος του μεταβολισμού. Επιπλέον, τα συστατικά του μεταβολώματος διατηρούνται σε υψηλό βαθμό μεταξύ οργανισμών σε σύγκριση με το γονιδίωμα, το μεταγράφημα και το πρωτέομα και για αυτό θεωρείται ότι το μεταβόλωμα είναι εξελικτικά το παλαιότερο τμήμα του κυττάρου.

Fig.6. Προσεγγίσεις ενσωμάτωσης στα βιολογικά συστήματα

Η μεταβολική είναι η καταλληλότερη στρατηγική για τον προσδιορισμό των βιοδεικτών που σχετίζονται με τη νόσο. Η ολοκληρωμένη μελέτη των μεταβολιτών είναι ένα επιθυμητό εργαλείο για τη διάγνωση της νόσου, τον εντοπισμό νέων θεραπευτικών στόχων και την καθιέρωση κατάλληλων θεραπειών. Οι αναλύσεις μικρού αριθμού μεταβολιτών χρησιμοποιούνται στη διάγνωση ασθενειών για δεκαετίες, για παράδειγμα, η ανάπτυξη ταινιών δοκιμής γλυκόζης αίματος στη δεκαετία του 1950 για τον έλεγχο του διαβήτη ή ποσοτικοποίησης της φαινυλαλανίνης σε νεογέννητα για τον έλεγχο της φαινυλκετονουρίας.

Οι μεταβολικές αναλύσεις μπορούν να ομαδοποιηθούν σε δύο κύριες προσεγγίσεις: στοχευμένη και μη στοχευμένη μεταβολική. Σε στοχευμένη ανάλυση, οι μεταβολίτες που προσδιορίζονται είναι γνωστοί και αντιπροσωπεύουν συγκεκριμένη διαδρομή ή τάξη μορίων. Αντίθετα, η μη στοχευμένη μεταβολιμική στοχεύει στον ποσοτικό προσδιορισμό και τον προσδιορισμό όσο το δυνατόν περισσότερων μεταβολιτών. Η στοχευμένη μεταβολική αναφέρεται στην απόλυτη ποσοτικοποίηση (nΜ ή mg/ml) και χρησιμοποιεί ένα εσωτερικό πρότυπο και ημι ποσοτική ή ποσοτική ανάλυση για τον εντοπισμό γνωστών ενώσεων που σχετίζονται με συγκεκριμένες οδούς. Η μη στοχευμένη προσέγγιση μετρά όλους τους παρόντες μεταβολίτες σε ένα δείγμα και εφαρμόζει σχετική ποσοτικοποίηση (αλλαγή πτυχών) και σύγκριση μεταξύ των δειγμάτων. Ο βασικός ρόλος που διαδραματίζει η μεταβολική στην ολοκλήρωση πολυ-omics και στη μοντελοποίηση του συστήματος οφείλεται στο γεγονός ότι μπορεί να είναι ποσοτικός. Η μοντελοποίηση συστημάτων δεν μπορεί να πραγματοποιηθεί χωρίς ακριβείς τιμές ή ακριβείς συγκεντρώσεις ως εισόδους και, ομοίως, τα μοντέλα συστημάτων δεν μπορούν να επαληθευτούν εύκολα χωρίς ακριβείς, ποσοτικές συγκεντρώσεις ως εκροές. Η μεταβολική μπορεί να προσφέρει και τα δύο (ποσοτικά δεδομένα εισόδου και εξόδου), καθιστώντας τα εξαιρετικά πολύτιμα για τους μοντελιστές συστημάτων.

Λόγω της τεράστιας χημικής πολυπλοκότητας του μεταβολώματος, δεν μπορεί να μελετηθεί ολοκληρωμένα με μια μόνο τεχνολογία. Η παλαιότερη εφαρμογή της μεταβολικής χρονολογίας χρονολογείται από τη δεκαετία του 1970, όταν η αέρια χρωματογραφία -φασματομετρία μάζας χρησιμοποιήθηκε για τον σχηματισμό μεταβολιτών κλινικών δειγμάτων ούρων. Ο Nicholson και άλλοι στη δεκαετία του 1980 έκαναν ένα προφίλ κλινικών δειγμάτων με την εφαρμογή φασματοσκοπίας πυρηνικού μαγνητικού συντονισμού. Η φασματομετρία μάζας σε συνδυασμό τόσο με υγρή χρωματογραφία όσο και με τριχοειδή ηλεκτροφόρηση εφαρμόζονται επίσης στη μεταβολική για να συμπληρώσουν τις διαθέσιμες αναλυτικές τεχνικές. Ορισμένα από τα αναλυτικά εργαλεία που χρησιμοποιούνται για τους σκοπούς της μεταβολικής έρευνας εφαρμόζονται συχνά και τακτικά, ενώ άλλα έχουν συγκεκριμένους ρόλους και εφαρμόζονται λιγότερο συχνά.

  • Αεριοχρωματογραφία- Φασματομετρία μάζας (GC-MS)- Μεταξύ των συνηθέστερα χρησιμοποιούμενων μεθόδων στη μεταβολική είναι η GC-MS. Όπως υποδηλώνει το όνομα, το GC-MS ενοποιεί δύο τεχνικές για να σχηματίσει μια ενιαία μέθοδο για την ανάλυση μιγμάτων χημικών. Η αέρια χρωματογραφία διαχωρίζει τα συστατικά ενός μίγματος και η φασματοσκοπία μάζας χαρακτηρίζει καθένα από τα συστατικά ξεχωριστά. Συνδυάζοντας τις δύο τεχνικές, κάθε μεταβολίτης σε ένα δείγμα μπορεί να αξιολογηθεί τόσο ποιοτικά όσο και ποσοτικά. Αυτή η χρωματογραφική τεχνική χρησιμοποιείται για τη μελέτη μεταβολιτών που έχουν χαμηλό σημείο βρασμού και οι οποίοι θα υπάρχουν στην αέρια φάση στο εύρος θερμοκρασιών 50-350 ° C. Αυτοί οι μεταβολίτες μπορεί να έχουν χαμηλό σημείο βρασμού στη βιολογικά φυσική τους μορφή ή το σημείο βρασμού ενός μεταβολίτη μπορεί να μειωθεί μέσω χημικής αλλοίωσης, γνωστής και ως χημική παραγοντοποίηση. Το δείγμα που περιέχει μεταβολίτες εισάγεται (εγχέεται) σε μια κινητή φάση, η οποία στην αέρια χρωματογραφία είναι ένα αδρανές αέριο όπως το ήλιο. Η κινητή φάση μεταφέρει το μίγμα δείγματος μέσω αυτής που αναφέρεται ως στάσιμη φάση. Οι μεταβολίτες διαχωρίζονται με βάση την προσρόφησή τους στη στατική φάση. Η στατική φάση περιέχεται συνήθως σε γυάλινη ή ανοξείδωτη στήλη και αντιπροσωπεύει μια χημική ουσία που μπορεί να προσροφήσει επιλεκτικά συστατικά σε ένα μείγμα δείγματος. Αλλάζοντας τα χαρακτηριστικά της κινητής φάσης και της στατικής φάσης, μπορούν να διαχωριστούν διαφορετικά μίγματα χημικών. Καθώς οι μεμονωμένοι μεταβολίτες εκλούονται από τη στήλη GC, εισέρχονται στον ανιχνευτή ιοντισμού ηλεκτρονίων (spec spec of mass). Εκεί, βομβαρδίζονται με ένα ρεύμα ηλεκτρονίων υψηλής ενέργειας (70 eV) που τους κάνουν να διασπώνται σε θραύσματα. Αυτά τα θραύσματα μπορεί να είναι μεγάλα ή μικρά κομμάτια των αρχικών μορίων. Το φάσμα μάζας που λαμβάνεται για μια δεδομένη χημική ένωση είναι βασικά το ίδιο κάθε φορά. Επομένως, το φάσμα μάζας είναι ένα δακτυλικό αποτύπωμα για το μόριο. Αυτό το δακτυλικό αποτύπωμα μπορεί να χρησιμοποιηθεί για την οδοντοστοιχία της ένωσης.
  • Υγρή χρωματογραφία-Φασματομετρία μάζας (LC-MS)-Η κύρια διαφορά μεταξύ GC-MS και LC-MS είναι ότι στην υγρή χρωματογραφία (LC), η κινητή φάση είναι ένας διαλύτης. Το LC διαχωρίζει μίγμα μεταβολιτών που είναι σε υγρή μορφή, συνήθως περιέχει μεθανόλη, ακετονιτρίλιο και νερό. Με τη χρήση διαφορετικών στηλών (διαφορετική στατική φάση) με υψηλή απόδοση μπορεί να διαχωριστεί μικρή ποσότητα σύνθετου μίγματος. Οι στήλες που χρησιμοποιούνται στο HPLC αποτελούνται από συσκευασίες Octadecyl (C18), Octyl (C8), Cyano, Amino, Phenyl και γενικά το μήκος τους είναι περίπου 50mm έως 300mm. Οι στήλες χρησιμοποιούνται με βάση τη φύση των ενώσεων που πρόκειται να διαχωριστούν. Αυτό το μείγμα συστατικών που περιέχει υγρό μεταφέρεται στην πηγή ιόντων φασματομέτρου μάζας όπου λαμβάνει χώρα η διαδικασία ιοντισμού και σχηματίζονται σταγονίδια που περιέχουν περίσσεια θετικού ή αρνητικού ηλεκτρικού φορτίου. Ο ιονισμός θα μπορούσε να επιτευχθεί με τη χρήση διαφορετικών τύπων πηγών ιονισμού και διεπαφών. Μετά τον ιονισμό τα ιόντα μεταφέρονται στον Αναλυτή μάζας όπου ο διαχωρισμός των ιόντων γίνεται σύμφωνα με την αναλογία μάζας προς φορτίο (m/z).
  • Τριχοειδής ηλεκτροφόρηση-φασματομετρία μάζας (CE-MS)-αυτή η αναλυτική τεχνική ονομάζεται επίσης ηλεκτροφόρηση τριχοειδούς ζώνης-φασματομετρία μάζας. Το CE-MS περιλαμβάνει τον διαχωρισμό ιοντικών ειδών στην υγρή φάση μέσω της εφαρμογής υψηλών τάσεων και συνήθως συνδέεται με φασματομετρία μάζας ηλεκτροψεκασμού. Η τριχοειδής ηλεκτροφόρηση διαχωρίζει τους μεταβολίτες με βάση την ηλεκτροφορητική τους κινητικότητα σε ένα υγρό διάλυμα ηλεκτρολυτών που λειτουργεί σε ηλεκτρικό πεδίο. Η ηλεκτροφορητική κινητικότητα εξαρτάται από το φορτίο και το μέγεθος του μεταβολίτη και έτσι είναι δυνατός ο διαχωρισμός μεταβολιτών με διαφορετικά μεγέθη και/ή φορτία. Όλοι οι μεταβολίτες πρέπει να φορτιστούν για να επιτραπεί οποιαδήποτε κινητικότητα.
    Στα GC-MS, LC-MS και CE-MS υπάρχει διαχωρισμός των μεταβολιτών πριν από την ανίχνευσή τους με φασματομετρία μάζας. Αυτή η ιδιαιτερότητα παρέχει την ικανότητα ανίχνευσης μεταβολιτών σε χαμηλές συγκεντρώσεις, συνήθως νανομόρια/λίτρο (nM/L) ή μικρομόρια/λίτρο (μM/L).
  • Η φασματοσκοπία πυρηνικού μαγνητικού συντονισμού (NMR) είναι τα πιο ευρέως χρησιμοποιούμενα αναλυτικά όργανα στη μεταβολική έρευνα μαζί με τη φασματομετρία μάζας. Η φασματοσκοπία NMR εφαρμόζει τις μαγνητικές ιδιότητες των ατομικών πυρήνων σε έναν μεταβολίτη. Μόνο μερικά άτομα είναι NMR ενεργά και περιλαμβάνουν 1Η, 13C και 31P. πρωτόνιο (1 Η). Η τεχνική λειτουργεί με την τοποθέτηση υγρού δείγματος σε σωλήνα μικρής εσωτερικής διαμέτρου (για παράδειγμα σωλήνα 5 mm), ή περιστασιακά μελετάται ένα κομμάτι ιστού απευθείας με τη χρήση ειδικής υποδοχής δείγματος. Το δείγμα είναι παλλόμενο με μια σειρά ραδιοσυχνοτήτων που καλύπτουν όλες τις πιθανές ενέργειες που απαιτούνται για τη διέγερση του επιλεγμένου τύπου πυρήνων. Οι πυρήνες απορροφούν ενέργεια σε διαφορετικές ραδιοσυχνότητες ανάλογα με το χημικό τους περιβάλλον και στη συνέχεια μετριέται η απελευθέρωση αυτής της ενέργειας, σχηματίζοντας μια ελεύθερη σήψη επαγωγής (FID). Αυτό το FID μετατρέπεται από ένα σύνολο δεδομένων χρονικού πεδίου σε ένα πεδίο συχνοτήτων – χρησιμοποιώντας έναν μετασχηματισμό Fourier – και ένα φάσμα NMR κατασκευάζεται καθώς η χημική μετατόπιση (ουσιαστικά η ενέργεια απορρόφησης) σχεδιάζεται σε σχέση με την ένταση αιχμής.
  • Τεχνικές δόνησης φασματοσκοπίας όπως η φασματοσκοπία μετασχηματισμού-υπέρυθρης ακτινοβολίας Fourier (FT-IR) και η φασματοσκοπία Raman εφαρμόζονται για την ανάλυση των μεταβολικών μεταβολών στα βιολογικά δείγματα. Η αρχή της τεχνικής βασίζεται στη μετάδοση υπεριώδους ή υπέρυθρου φωτός μέσω ενός δείγματος, ή μερικές φορές ανάκλαση του φωτός από το δείγμα, πριν από την ανίχνευσή του. Οι προσεγγίσεις μετρούν κυρίως τις δονήσεις και τις περιστροφές των δεσμών που σχετίζονται με διαφορετικές χημικές λειτουργικές ομάδες που προκύπτουν από την αλληλεπίδραση του δείγματος με το υπεριώδες ή το υπέρυθρο φως. Αυτές οι τεχνικές συνήθως στερούνται της ειδικότητας για την ανίχνευση κάθε μεταβολίτη ξεχωριστά, αλλά αντίθετα συγκεκριμένα μέρη του μορίου απορροφούν το υπεριώδες ή υπέρυθρο φως σε συγκεκριμένα μήκη κύματος. Για παράδειγμα, στο FT-IR, παρατηρούνται δονήσεις τεντώματος CH χαρακτηριστικές των αλυσίδων λιπαρών οξέων μεταξύ του εύρους του αριθμού κυμάτων 3100-2800 cm-1 και η περιοχή μεταξύ 1800 και 1500 cm-1 κυριαρχείται από ζώνες αμιδίου Ι και αμιδίου II που υποδεικνύουν την υπεροχή είτε δομές άλφα έλικας είτε βήτα φύλλων.

Στον τομέα της μεταβολικής, πολλές εκατοντάδες δείγματα αναλύονται τακτικά και συνήθως ανιχνεύονται τουλάχιστον μερικές εκατοντάδες μεταβολίτες. Τα δεδομένα που λαμβάνονται από την ανίχνευση μεταβολιτών σε δεδομένα βιολογικά δείγματα ακολουθούνται από περαιτέρω ανάλυση χρησιμοποιώντας στατιστικές μεθόδους πολλαπλών μεταβλητών (χημειομετρικά) για την εξαγωγή βιολογικών, φυσιολογικών και κλινικά σχετικών πληροφοριών.

Πλεονεκτήματα και μειονεκτήματα των τεχνολογιών omics

Η εφαρμογή των τεχνολογιών omics και η ενσωμάτωση δεδομένων omics έχει πραγματοποιηθεί για ένα ευρύ φάσμα ερευνητικών τομέων, συμπεριλαμβανομένων των επιστημών τροφίμων και διατροφής, μικροβιολογίας συστημάτων, ανάλυσης μικροβιωμάτων, αλληλεπιδράσεων γονότυπου -φαινοτύπου, βιολογίας συστημάτων, ανακάλυψης φυσικών προϊόντων και βιολογίας ασθενειών. Πρόσφατα οι προσεγγίσεις βασισμένες σε omics βελτιώθηκαν σημαντικά με την προσθήκη νέων εννοιών όπως η έκθεση σε έκθεμα/εκθεματολογία (ο ρόλος του περιβάλλοντος στις ασθένειες του ανθρώπου), η επαγωγική (μελέτη ενώσεων που δεσμεύουν το DNA και προκαλούν βλάβες και μεταλλάξεις), πτητική (μελέτη πτητικών οργανικών ενώσεων στη μεταβολική/λιπιδωμική ανάλυση), nutrigenomics (μελέτη του τρόπου με τον οποίο τα τρόφιμα επηρεάζουν τα γονίδιά μας), κλπ. Ωστόσο, οι τεχνολογίες omics απευθύνονται κυρίως σε τέσσερα ερευνητικά πεδία omics – γονιδιωματικά, μεταγραφικά, πρωτεομικά και μεταβολικά. Τα παραδοσιακά ερευνητικά πεδία όπως η γενετική, η φαρμακογενετική και η τοξικογενετική που δεν εφαρμόζουν την έννοια της omics, παρέχουν τις στατικές ακολουθίες γονιδίων και πρωτεϊνών. Αντίθετα, οι τεχνολογίες omics παρέχουν ταυτόχρονη μέτρηση του αριθμού των πρωτεϊνών, των γονιδίων, των μεταβολιτών και καθιστούν δυνατή τη λήψη δεδομένων μεγάλης κλίμακας σε σύντομο χρονικό διάστημα. Η συλλογική ανάλυση των βιολογικών διεργασιών σε ένα βιολογικό σύστημα που παρέχεται από όλα τα ομόλογα είναι ένα πλεονέκτημα για τις προηγούμενες παραδοσιακές μεθόδους για την καλύτερη κατανόηση της συνολικής εικόνας του βιολογικού συστήματος. Αν και τα μεγάλης κλίμακας δεδομένα omics γίνονται πιο προσιτά, η ενσωμάτωση πραγματικών δεδομένων πολυ-omics εξακολουθεί να είναι πολύ δύσκολη. Αυτό οφείλεται στο γεγονός ότι πολλά από τα συγκεκριμένα αναλυτικά εργαλεία και πειραματικά σχέδια που χρησιμοποιούνται συμβατικά για μεμονωμένους κλάδους omics (γονιδιωματική, μεταγραφική και πρωτεομική) δεν είναι επαρκώς κατάλληλα για να επιτρέψουν αξιόπιστες συγκρίσεις και ενσωμάτωση σε πολλαπλούς κλάδους omics. Για παράδειγμα, οι μέθοδοι συλλογής και αποθήκευσης δειγμάτων και η ποσότητα και ο τύπος των βιολογικών δειγμάτων που απαιτούνται σε μελέτες γονιδιωματικής, συχνά δεν είναι συμβατές με μεταβολικά, πρωτεομικά ή μεταγραφικά. Κατά τη συλλογή δεδομένων, υπάρχουν πολλά προβλήματα όπως η ετερογένεια των δεδομένων, το μικρό μέγεθος δείγματος σε σύγκριση με πολλές παραμέτρους, η επιβεβαίωση και η ερμηνεία των δεδομένων λόγω πολλών αλληλεπιδράσεων στο βιολογικό σύστημα και ελλιπών πληροφοριών για αυτά τα συστήματα. Σχεδόν σε όλα τα πειράματα omics μετρούνται εκατοντάδες έως χιλιάδες μόρια και μεταβλητές στόχοι (μεταβολίτες, πρωτεΐνες, γονίδια, μεταγραφές και SNPs). Αυτό απαιτεί τη διερεύνηση επαρκούς αριθμού βιολογικών δειγμάτων με στόχο την παροχή στατιστικά αξιόπιστων αποτελεσμάτων. Επιπλέον, τα δεδομένα πολυ-omics πρέπει να δημιουργηθούν από το ίδιο σύνολο δειγμάτων για να επιτρέψουν την άμεση σύγκριση υπό τις ίδιες συνθήκες. Ωστόσο, αυτό δεν είναι πάντα δυνατό λόγω περιορισμών στη βιομάζα δειγμάτων, στην πρόσβαση δείγματος ή στους οικονομικούς πόρους. Σε πειράματα μεμονωμένων omics, συχνά απαιτούνται μεγαλύτερα μεγέθη δειγμάτων για να ξεπεραστεί αυτό το πρόβλημα. Επιπλέον, τα ενσωματωμένα δεδομένα πολλαπλών omics πρέπει να αναλυθούν ως ενιαία σύνολα δεδομένων πριν από την κατάθεσή τους σε συγκεκριμένες βάσεις δεδομένων omics, προκειμένου να είναι διαθέσιμα στο κοινό. Αυτά τα ζητήματα τονίζουν ότι για τις υψηλής ποιότητας μελέτες μεγάλης κλίμακας είναι απαραίτητο: 1) να σχεδιαστεί σωστά ένα πείραμα, 2) να συλλεχθούν, να προετοιμαστούν και να αποθηκευτούν τα βιολογικά δείγματα με προσοχή, 3) να συλλεχθούν ποσοτικά δεδομένα πολύ-omics και συναφή μετα-δεδομένα 4) va χρησιμοποιηθούν κατάλληλα εργαλεία για την ενσωμάτωση και την ερμηνεία των δεδομένων.

Ορισμένα από τα πλεονεκτήματα και τα μειονεκτήματα των κύριων τεχνολογιών omics συνοψίζονται στον Πίνακα 1.

Πίνακας 1. Πλεονεκτήματά και μειονεκτήματα των κυριότερων τεχνολογιών έρευνας omics

Τεχνολογία omics Πλεονέκτημα Μειονέκτημα
Γονιδιωματική • Ανάλυση ολόκληρου του γονιδιώματος
• Μελέτη πολυμορφισμού γονιδίων μεταξύ ατόμων
• Μέσω της αναγνώρισης των SNP παρέχεται μια πολύτιμη πληροφορία για την έγκαιρη διάγνωση και θεραπεία της νόσου
• Εύκολη εφαρμογή τεχνικών εργαστηρίου
• Η πραγματοποιημένη ανάλυση γονιδιώματος δεν είναι αρκετή για να προβλέψει το τελικό βιολογικό αποτέλεσμα του DNA λόγω επιγενετικών, μετα-μεταγραφικών και μετα-μεταφραστικών αλλαγών.
• Απαιτείται συγκεκριμένος και ακριβός εργαστηριακός εξοπλισμός
Επιγενωμική Παροχή γνώσεων σχετικά με τη ρύθμιση της γονιδιακής έκφρασης • Είναι δύσκολο να συσχετιστούν τα ληφθέντα επιγενετικά δεδομένα με γονιδιακή έκφραση, επειδή η μεταγραφή μπορεί να επηρεαστεί από πολλαπλές διεργασίες
• Δεν είναι δυνατή η ανίχνευση κάθε μεθυλιωμένης περιοχής με τις εφαρμοζόμενες τεχνικές.
Μεταγραφική • Μελέτη του πλήρους συνόλου του mRNA (μεταγράφημα)
• Προσδιορισμός των κύριων οδών που εμπλέκονται στην απόκριση και την τοξικότητα στα φάρμακα.
• Εύκολη εφαρμογή τεχνικών εργαστηρίου
• Η έκφραση πρωτεϊνών επηρεάζεται από μετα-μεταφραστικές αλλαγές που οδηγούν σε λανθασμένα δεδομένα
• Απαιτούν ακριβό και συγκεκριμένο εξοπλισμό
Πρωτεομική • Μελέτη του πλήρους συνόλου πρωτεϊνών σε ένα βιολογικό σύστημα
• Ανίχνευση άγνωστων και απροσδόκητων πρωτεϊνών
• Ακριβός εξοπλισμός και χρονοβόρες διαδικασίες που δεν ισχύουν για ολόκληρο το πρωτεώμα
• Ορισμένες πρωτεΐνες δύσκολα διαχωρίζονται και καθαρίζονται
• Η εφαρμογή MS και η ερμηνεία δεδομένων απαιτούν ειδικά εκπαιδευμένο προσωπικό
Μεταβολικη • Παρέχει επαρκή δεδομένα σχετικά με τροποποιήσεις των μεταβολικών διεργασιών στο κύτταρο
• Οι ενδογενείς μεταβολίτες είναι λιγότεροι από γονίδια, μεταγραφές και πρωτεΐνες, οπότε λιγότερα δεδομένα πρέπει να ερμηνευτούν
• Ανίχνευση βιοδεικτών ασθενειών
• Σχετικά χαμηλός αριθμός μεταβολιτών (μερικές χιλιάδες), όπως μπορεί να μετρηθεί
• Συγκεκριμένος, ακριβός εξοπλισμός
• Η χρήση MS και NMR απαιτεί ειδικά εκπαιδευμένο προσωπικό

Τα σύνολα δεδομένων πολλαπλών omics μπορούν να παρέχουν μεγαλύτερο βάθος κατανόησης σε ορισμένα σενάρια, αλλά αυτό δεν είναι χωρίς κόστος. Αυτές οι μελέτες βασίζονται συχνά σε μεγάλο αριθμό συγκρίσεων, σωστού τύπου δεδομένων, σχετικών στατιστικών αναλύσεων, ειδικού εξοπλισμού και εξειδικευμένου προσωπικού και σημαντικής επένδυσης χρόνου και χρημάτων. Κατά τον σχεδιασμό ενός πειράματος πρέπει να ληφθούν υπόψη οι τύποι των δεδομένων omics που μπορούν και πρέπει να ενσωματωθούν για να αποκτήσουν ισχυρές βιολογικές γνώσεις του συστήματος που μελετάται. Η εφαρμογή πλατφορμών omics υψηλής απόδοσης δεν είναι πάντα απαραίτητη για να απαντήσει το ερευνητικό ερώτημα. Τα αποτελέσματα που λαμβάνονται από τις παραδοσιακές τεχνικές, όπως η ποσοτική αλυσιδωτή αντίδραση πολυμεράσης (qPCR), η ενζυματική ανοσοπροσροφητική δοκιμασία (ELISA), η ανοσοϊστοχημεία (IHC), μερικές φορές μπορεί να είναι αρκετά για να κατανοηθούν οι βιολογικοί μηχανισμοί. Αυτές οι τεχνικές συχνά συμπληρώνουν τα ευρήματα από μια μεγαλύτερη μελέτη omics καθώς εφαρμόζονται για να επαληθεύσουν ότι το σημαντικό μόριο που εντοπίστηκε από δεδομένα omics είναι ένα πραγματικό θετικό αποτέλεσμα.

Test: LO1- Αρχάριο επίπεδο

Βιβλιογραφικές αναφορές:

  • Altaf-Ul-Amin M, Afendi FM, Kiboi SK, Kanaya S. 2014. Systems Biology in the Context of Big Data and Networks, BioMed Res Int, 1:11.
  • Aslam B, Basit M, Nisar MA, Khurshid M, Rasool MH. 2017. Proteomics: Technologies and Their Applications. J Chromatogr Sci, 55(2).
  • Benavente L, Goldberg A, Myburg H, Chiera J, Zapata M & van Zyl L. 2015. The application of systems biology to biomanufacturing. Pharm. Bioprocess, 3(4):341–355.
  • Bertolaso M, Giuliani A, de Gara L. 2010. Systems Biology Reveals Biology of systems. Wiley Periodicals, Inc., 16 (6).
  • Bloom FE. 2001. What does it all mean to you? J Neurosci, 21:8304–8305.
  • Clish CB. 2015. Metabolomics: an emerging but powerful tool for precision medicine. Cold Spring Harb Mol Case Stud, 1: a000588
  • Coorssen JR. 2013. Proteomics. Brenner’s Encyclopedia of Genetics (Second Edition), p. 508-510.
  • Dos Santos EAF, Santa Cruz EC, Ribeiro HC, Barbosa LD, Zandonadi FS, Sussulini A. 2020. Multi-omics: An Opportunity to Dive into Systems Biology. Braz J Anal Chem, 7(29): 18-44.
  • Haas R, Zelezniak A, Iacovacci J, Kamrad S, Townsend S, Ralser M. 2017. Designing and interpreting ‘multi-omic’ experiments that may change our understanding of biology. Curr Opin Syst Biol, 6:37–45.
  • Han X, Aslanian A, Yates JR. 2008. Mass Spectrometry for Proteomics. Curr Opin Chem Biol, 12(5): 483–490.
  • Horgan RP, Kenny LC. 2011. SAC review ‘Omic’technologies: genomics, transcriptomics, proteomics and metabolomics. Obstet Gynecol, 13:189–195
  • Ideker T, Thorsson V, Ranish JA, ChristmasR, Buhler J, Eng R, Bumgarner JK, Goodlett DR, Aebersold R, Hood L. 2001. Integrated genomic and proteomic analyses of a systematically perturbed metabolic network. Science, 292:929–934.
  • Ishii N, Tomita M. 2009. Multi-Omics Data-Driven Systems Biology of E. coli. In: Lee S.Y. (eds) Systems Biology and Biotechnology of Escherichia coli. Springer, Dordrecht.
  • Kalavacharla V, (Kal), Subramani M, Ayyappan V, et al. 2017. Plant Epigenomics. Handbook of Epigenetics, 245–258.
  • Karahalil B. 2016. Overview of Systems Biology and Omics Technologies. Curr Med Chem, 23:1-10.
  • Karamperis K, Wadge S, Koromina M. 2020. Genetic testing. Applied Genomics and Public Health (Translational and Applied Genomics), Elsevier, 189-207.
  • Laurence P. 2015. The case of the gene: Postgenomics between modernity and postmodernity. EMBO Reports, 16 (7): 777–781.
  • Liang KH. 2013. Transcriptomics. Bioinformatics for Biomedical Science and Clinical Applications. Woodhead Publishing, p. 49-82.
  • Lin, S., Fang, L., Li, C., Liu, G. 2019. Epigenetics and heritable phenotypic variations in livestock. In: Tollefsbol T. (editor). Transgenerational Epigenetics. 2nd edition. Amsterdam, Netherlands: Elsevier, p. 283-313
  • Milward EA, Shahandeh A, Heidari M, Johnstone DM, Daneshi N, Hondermarck H. 2016. Transcriptomics. Encyclopedia of Cell Biology. Elsevier, The Netherland, 4: 160-165.
  • O’Donnell ST, Ross RP, Stanton C. 2020. The Progress of Multi-Omics Technologies: Determining Function in Lactic Acid Bacteria Using a Systems Level Approach. Front. Microbiol, 10: 1-17.
  • Pereira C, Adamec BJ. 2019. Metabolome Analysis. Encyclopedia of Bioinformatics and Computational Biology, 3:463-475
  • Pinu FR, Beale DJ, Paten AM, Kouremenos K, et al. 2019. Systems Biology and Multi-Omics Integration: Viewpoints from the Metabolomics Research Community. Metabolites, 9(76).
  • Potters, G. 2010. Systems Biology of the Cell. Nature Education, 3(9):33.
  • Pratima NA, Gadikar R. 2018. Liquid Chromatography-Mass Spectrometry and Its Applications: A Brief Review. Arc Org Inorg Chem Sci, 1(1): 26-34.
  • Shah TR, Ambikanandan M. 2011. Proteomics. Challenges in Delivery of Therapeutic Genomics and Proteomics. Elsevier, p. 387-427.
  • Strange K. 2005. The end of “naïve reductionism”: rise of systems biology or renaissance of physiology? Am J Physiol Cell Physiol, 288: C968–C974.
  • Turunen TA, … Ylä-Herttuala S. 2018. Epigenomics. Encyclopedia of Cardiovascular Research and Medicine, p. 258-265.
  • Vlaanderen J, Moore LE, Smith MT, et al. 2010. Application of omics technologies in occupational and environmental health research: current status and projections. Occup Environ Med, 67: 136-143.
  • Yadav D, Tanveer A, Malviya N, Yadav S. 2018. Overview and Principles of Bioengineering: The Drivers of Omics Technologies and Bio-Engineering Towards Improving Quality of Life, p.3-23
  • Yang X. 2020. Multitissue Multiomics Systems Biology to Dissect Complex Diseases. Trends Mol Med, 26 (8).
  • A brief guide to genomics. https://www.genome.gov/about-genomics/fact-sheets/A-Brief-Guide-to-Genomics
  • Analytical Techniques applied in Metabolomics. https://www.futurelearn.com/info/courses/metabolomics/0/steps/10710
  • Boundless biology. https://courses.lumenlearning.com/boundless-biology/chapter/the-genetic-code/
  • Altaf-Ul-Amin M, Afendi FM, Kiboi SK, Kanaya S. 2014. Systems Biology in the Context of Big Data and Networks, BioMed Res Int, 1:11.
  • Aslam B, Basit M, Nisar MA, Khurshid M, Rasool MH. 2017. Proteomics: Technologies and Their Applications. J Chromatogr Sci, 55(2).
  • Benavente L, Goldberg A, Myburg H, Chiera J, Zapata M & van Zyl L. 2015. The application of systems biology to biomanufacturing. Pharm. Bioprocess, 3(4):341–355.
  • Bertolaso M, Giuliani A, de Gara L. 2010. Systems Biology Reveals Biology of systems. Wiley Periodicals, Inc., 16 (6).
  • Bloom FE. 2001. What does it all mean to you? J Neurosci, 21:8304–8305.
  • Clish CB. 2015. Metabolomics: an emerging but powerful tool for precision medicine. Cold Spring Harb Mol Case Stud, 1: a000588
  • Coorssen JR. 2013. Proteomics. Brenner’s Encyclopedia of Genetics (Second Edition), p. 508-510.
  • Dos Santos EAF, Santa Cruz EC, Ribeiro HC, Barbosa LD, Zandonadi FS, Sussulini A. 2020. Multi-omics: An Opportunity to Dive into Systems Biology. Braz J Anal Chem, 7(29): 18-44.
  • Haas R, Zelezniak A, Iacovacci J, Kamrad S, Townsend S, Ralser M. 2017. Designing and interpreting ‘multi-omic’ experiments that may change our understanding of biology. Curr Opin Syst Biol, 6:37–45.
  • Han X, Aslanian A, Yates JR. 2008. Mass Spectrometry for Proteomics. Curr Opin Chem Biol, 12(5): 483–490.
  • Horgan RP, Kenny LC. 2011. SAC review ‘Omic’technologies: genomics, transcriptomics, proteomics and metabolomics. Obstet Gynecol, 13:189–195
  • Ideker T, Thorsson V, Ranish JA, ChristmasR, Buhler J, Eng R, Bumgarner JK, Goodlett DR, Aebersold R, Hood L. 2001. Integrated genomic and proteomic analyses of a systematically perturbed metabolic network. Science, 292:929–934.
  • Ishii N, Tomita M. 2009. Multi-Omics Data-Driven Systems Biology of E. coli. In: Lee S.Y. (eds) Systems Biology and Biotechnology of Escherichia coli. Springer, Dordrecht.
  • Kalavacharla V, (Kal), Subramani M, Ayyappan V, et al. 2017. Plant Epigenomics. Handbook of Epigenetics, 245–258.
  • Karahalil B. 2016. Overview of Systems Biology and Omics Technologies. Curr Med Chem, 23:1-10.
  • Karamperis K, Wadge S, Koromina M. 2020. Genetic testing. Applied Genomics and Public Health (Translational and Applied Genomics), Elsevier, 189-207.
  • Laurence P. 2015. The case of the gene: Postgenomics between modernity and postmodernity. EMBO Reports, 16 (7): 777–781.
  • Liang KH. 2013. Transcriptomics. Bioinformatics for Biomedical Science and Clinical Applications. Woodhead Publishing, p. 49-82.
  • Lin, S., Fang, L., Li, C., Liu, G. 2019. Epigenetics and heritable phenotypic variations in livestock. In: Tollefsbol T. (editor). Transgenerational Epigenetics. 2nd edition. Amsterdam, Netherlands: Elsevier, p. 283-313
  • Milward EA, Shahandeh A, Heidari M, Johnstone DM, Daneshi N, Hondermarck H. 2016. Transcriptomics. Encyclopedia of Cell Biology. Elsevier, The Netherland, 4: 160-165.
  • O’Donnell ST, Ross RP, Stanton C. 2020. The Progress of Multi-Omics Technologies: Determining Function in Lactic Acid Bacteria Using a Systems Level Approach. Front. Microbiol, 10: 1-17.
  • Pereira C, Adamec BJ. 2019. Metabolome Analysis. Encyclopedia of Bioinformatics and Computational Biology, 3:463-475
  • Pinu FR, Beale DJ, Paten AM, Kouremenos K, et al. 2019. Systems Biology and Multi-Omics Integration: Viewpoints from the Metabolomics Research Community. Metabolites, 9(76).
  • Potters, G. 2010. Systems Biology of the Cell. Nature Education, 3(9):33.
  • Pratima NA, Gadikar R. 2018. Liquid Chromatography-Mass Spectrometry and Its Applications: A Brief Review. Arc Org Inorg Chem Sci, 1(1): 26-34.
  • Shah TR, Ambikanandan M. 2011. Proteomics. Challenges in Delivery of Therapeutic Genomics and Proteomics. Elsevier, p. 387-427.
  • Strange K. 2005. The end of “naïve reductionism”: rise of systems biology or renaissance of physiology? Am J Physiol Cell Physiol, 288: C968–C974.
  • Turunen TA, … Ylä-Herttuala S. 2018. Epigenomics. Encyclopedia of Cardiovascular Research and Medicine, p. 258-265.
  • Vlaanderen J, Moore LE, Smith MT, et al. 2010. Application of omics technologies in occupational and environmental health research: current status and projections. Occup Environ Med, 67: 136-143.
  • Yadav D, Tanveer A, Malviya N, Yadav S. 2018. Overview and Principles of Bioengineering: The Drivers of Omics Technologies and Bio-Engineering Towards Improving Quality of Life, p.3-23
  • Yang X. 2020. Multitissue Multiomics Systems Biology to Dissect Complex Diseases. Trends Mol Med, 26 (8).
  • A brief guide to genomics. https://www.genome.gov/about-genomics/fact-sheets/A-Brief-Guide-to-Genomics
  • Analytical Techniques applied in Metabolomics. https://www.futurelearn.com/info/courses/metabolomics/0/steps/10710
  • Boundless biology. https://courses.lumenlearning.com/boundless-biology/chapter/the-genetic-code/

Πράσινη ενέργεια & ΤΠΕ: Από έξυπνες σε σοφές στρατηγικές

ΑΡΧΑΡΙΟ ΕΠΙΠΕΔΟ

Η πράσινη ενέργεια θα βοηθήσει στην ανακούφιση και την εξομάλυνση τουλάχιστον ορισμένων από αυτά τα προβλήματα και όσο πιο γρήγορα προχωρήσουμε σε ανανεώσιμες πηγές ενέργειας τόσο το καλύτερο.

Περιεχόμενα

 

Η Πράσινη ενέργεια

Η πράσινη ενέργεια θα βοηθήσει στην ανακούφιση και την εξομάλυνση τουλάχιστον ορισμένων από αυτά τα προβλήματα και όσο πιο γρήγορα προχωρήσουμε σε ανανεώσιμες πηγές ενέργειας τόσο το καλύτερο.

Σήμερα, ετοιμάζονται νέοι κανονισμοί με στόχο να προτείνουν πληροφορίες κωδικού επαφής για συγκεκριμένα πεδία και επίσης για τα άτομα να βρουν εναλλακτικές πηγές ενέργειας. Αυτές οι εναλλακτικές πηγές πρέπει να παρέχουν ενέργεια για ιδιωτικά και δημόσια κτίρια και ταυτόχρονα να παράγουν χαμηλό αριθμό τοξικών ενώσεων. Αυτή είναι η λεγόμενη «πράσινη» προσέγγιση. Διάφοροι εναλλακτικοί τύποι ενέργειας έχουν σχεδιαστεί, όπως η ηλιακή και η πυρηνική ενέργεια, με σκοπό τη διάσωση του πλανήτη επειδή οι τοξικές εκπομπές που συνοδεύουν την παραγωγή των παραδοσιακών είναι ένα τεράστιο πρόβλημα, καθώς επηρεάζουν άσχημα την παγκόσμια ζωή.

Μαζί με τις τοξικές δράσεις της υπερθέρμανσης του πλανήτη που διερευνήθηκαν ευρέως τα τελευταία χρόνια, είναι ασαφές παράλληλα με τη ζημιά που προκαλούν οι άλλοι πόροι που χρησιμοποιούνται στην παραγωγή τροφίμων και στη συντήρηση καθαρού νερού. Η κοινωνία έχει αναφερθεί σε υλικά όπως ο άνθρακας, το πετρέλαιο, ακόμη και η κηροζίνη για να εξασφαλίσει την απαραίτητη ενέργεια. Τα ορυκτά καύσιμα, ο άνθρακας, το πετρέλαιο και άλλοι πόροι που χρησιμοποιούνται για την παραγωγή ενέργειας εκπέμπουν επιβλαβείς παρενέργειες. Αυτά τα καύσιμα είναι μη ανανεώσιμα και μολύνουν το περιβάλλον και την ατμόσφαιρα, επηρεάζοντας τις πηγές που απαιτούνται για την επιβίωση των ειδών που κατοικούν στον πλανήτη μας. Καθώς αυτές οι πηγές είναι φυσικά περιορισμένες, τα προβλήματα για τις ελλείψεις και την πρόσβασή τους αυξάνονται, το χειρότερο από αυτά είναι η επιβλαβής επίδρασή τους στο περιβάλλον. Έτσι, η χρήση αυτών των συμβατικών πηγών ενέργειας συμβάλλει στην υπερθέρμανση του πλανήτη. Ο άνθρακας και το πετρέλαιο διοχετεύουν τοξικά αέρια στο περιβάλλον, και με αυτόν τον τρόπο θέτουν σε κίνδυνο τη γενική υγεία και αυξάνουν τα αναπνευστικά προβλήματα και μειώνουν την ποιότητα ζωής.

Η πράσινη ενέργεια θα βοηθήσει στην ανακούφιση και την εξομάλυνση τουλάχιστον ορισμένων από αυτά τα προβλήματα και όσο πιο γρήγορα προχωρήσουμε σε ανανεώσιμες πηγές ενέργειας τόσο το καλύτερο.

Τι είναι η πράσινη ενέργεια;

Η ανθρώπινη επίδραση στο περιβάλλον γίνεται ουσιαστική αξία μεταφοράς από τους τυπικούς ενεργειακούς πόρους σε ανανεώσιμους πόρους και γίνεται εμφανής στους χρήστες. Έτσι, η πράσινη ενέργεια είναι μια κρίση για καλύτερη βιωσιμότητα στο δίκτυο ηλεκτρικής ενέργειας και αυτή η έννοια διαφέρει από τον όρο ανανεώσιμες πηγές. Με σεβασμό στον Οργανισμό Προστασίας του Περιβάλλοντος (EPA), η πράσινη ενέργεια παρέχει βαθιά περιβαλλοντική αξία και περιλαμβάνει ενέργεια που λαμβάνεται από ηλιακή, αιολική, γεωθερμική, βιοαέριο, υδροηλεκτρική χαμηλής πρόσκρουσης και ορισμένες επιλέξιμες πηγές βιομάζας.

Οι ανανεώσιμες πηγές ενέργειας συνεπάγονται τις ίδιες πηγές με την πράσινη ενέργεια. η παραγόμενη ενέργεια πραγματοποιείται με τεχνολογίες και προϊόντα που έχουν σημαντικό αντίκτυπο στο τοπικό και παγκόσμιο περιβάλλον. Όταν η πράσινη ενέργεια συνδέεται με την εφαρμογή σε διαφορετικά έργα ανανεώσιμων πηγών ενέργειας, έχουν συμβολή σε αυτές τις τεχνολογίες.

Πράσινη ενέργεια είναι κάθε τύπος ενέργειας που παράγεται με βάση φυσικούς πόρους, όπως το φως του ήλιου, ο άνεμος ή το νερό. Συχνά βγαίνει από ανανεώσιμες πηγές ενέργειας λαμβάνοντας υπόψη τις παραλλαγές που έχουν δημιουργηθεί για τις ανανεώσιμες και πράσινες πηγές που αναφέρθηκαν παραπάνω. Ο βασικός κανόνας σημαντικός για αυτούς τους ενεργειακούς πόρους είναι ότι δεν είναι επιβλαβείς για το περιβάλλον απελευθερώνοντας αέρια του θερμοκηπίου στην ατμόσφαιρα. Η πράσινη ενέργεια παράγει ενέργεια από φυσικούς πόρους χωρίς αρνητικές παρενέργειες που μολύνουν την ατμόσφαιρα και την επιφάνεια της Γης. Εκτός από την ηλιακή και την αιολική ενέργεια, πολλές άλλες φιλικές προς το περιβάλλον εναλλακτικές λύσεις θα μπορούσαν να εξασφαλίσουν τη δύναμη που απαιτείται για τη διατήρηση της ζωής του πλανήτη. Το νερό, ο άνεμος και ο ήλιος έχουν χρησιμοποιηθεί για την παραγωγή ενέργειας, τη θέρμανση του νερού και τη λειτουργία μηχανημάτων από την αρχαιότητα. Πρόσφατα, οι τεχνολογίες έχουν διευρυνθεί όσον αφορά τα σχέδια, τους τύπους και τις χρήσεις εναλλακτικών πηγών. Παρόλο που η πηγή ενέργειας που χρησιμοποιείται μπορεί να προκαλέσει κάποια ρύπανση, οι πιο πράσινες επιλογές ελαχιστοποιούν τις επιβλαβείς παρενέργειες. Επομένως, οι εναλλακτικές λύσεις που χρησιμοποιούνται σήμερα βασίζονται στους νέους τρόπους για την εξαγωγή ενέργειας από πραγματικά ορυκτά καύσιμα και άνθρακα, αλλά με λιγότερο επιβλαβείς τρόπους. Αυτό συμβαίνει μέσω της μετατόπισης των επιβλαβών υποπροϊόντων. Ωστόσο, προς το παρόν, αυτό ήταν λιγότερο από αποτελεσματικό και δεν μπορεί ακόμη να επιτευχθεί με οικονομικά αποδοτικούς τρόπους. Ωστόσο, υπάρχουν πολλές εναλλακτικές λύσεις που αποτελούν βιώσιμες ευκαιρίες.

Τα προϊόντα πράσινης ενέργειας λειτουργούν

Είναι αποδεκτό ότι για να αναγνωριστεί ως πράσινος ενεργειακός πόρος δεν πρέπει να προκαλεί ρύπανση, όπως συμβαίνει με τα ορυκτά καύσιμα. Αυτά τα στοιχεία δείχνουν ότι δεν είναι όλες οι πηγές που χρησιμοποιούνται από τη βιομηχανία ανανεώσιμων πηγών ενέργειας. Έτσι, η παραγωγή ενέργειας που καίει οργανικό υλικό από βιώσιμα δάση είναι ανανεώσιμη, αλλά λόγω της παραγωγής CO2 από τη διαδικασία καύσης, δεν είναι πράσινη. Οι πράσινες πηγές ενέργειας συνήθως ολοκληρώνονται φυσικά, σε σύγκριση με πηγές ορυκτών καυσίμων όπως το φυσικό αέριο ή ο άνθρακας, οι οποίες έχουν αναπτυχθεί εκατομμύρια χρόνια. Οι πράσινες πηγές συχνά αποφεύγουν τις εργασίες εξόρυξης ή γεώτρησης που μπορούν να βλάψουν τα οικοσυστήματα.

Το μέλλον στην κατανάλωση ενέργειας επικεντρώνεται στην εκμετάλλευση ενός μείγματος πράσινης, ανανεώσιμης και συμβατικής ενέργειας, ανεξάρτητα από το αγορασμένο προϊόν. Έτσι, όλες οι πηγές ενέργειας στο ηλεκτρικό δίκτυο αναμειγνύονται παράλληλα με το δίκτυο μεταφοράς ισχύος. Για όσους επιθυμούν να γίνουν πράσινοι στο σπίτι και δεν έχουν ευκαιρίες για μια σειρά ηλιακών συλλεκτών, το αναφερόμενο μείγμα είναι ο καλύτερος τρόπος για να μειωθεί το αποτύπωμα άνθρακα που σχετίζεται με την κατανάλωση ενέργειας. Είναι ο πιο πιθανός τρόπος αύξησης της μεγάλης κλίμακας επενδύσεων σε ανανεώσιμες πηγές ενέργειας και δίνει πρόσβαση σε περισσότερα νοικοκυριά και επιχειρήσεις σε πράσινη ενέργεια.

Τύποι πράσινης ενέργειας

Η ποικιλία των τύπων πράσινης ενέργειας συνδέεται με τη μεγάλη ποικιλία πηγών (Εικ. 1). Μερικοί από αυτούς τους τύπους ταιριάζουν καλύτερα σε συγκεκριμένα περιβάλλοντα ή περιοχές. Ως πηγή ενέργειας, η πράσινη ενέργεια προέρχεται συχνά από τεχνολογίες ανανεώσιμων πηγών ενέργειας όπως ηλιακή ενέργεια, αιολική ενέργεια, γεωθερμική ενέργεια, βιομάζα και υδροηλεκτρική ενέργεια. Αυτές οι τεχνολογίες λειτουργούν μέσω διαφορετικών διαδικασιών.

Η εύρεση εναλλακτικής πηγής ενέργειας είναι το επίκεντρο πολλών χωρών σε όλο τον κόσμο. Είναι στρατηγικής σημασίας η ανακάλυψη φυσικών και ανανεώσιμων επιλογών ως πηγής ενέργειας. Σε ορισμένες περιπτώσεις, μπορεί να είναι μια απλή απόφαση να βρεθούν τα κατάλληλα αρχιτεκτονικά σχέδια που διατηρούν τα κτίρια δροσερά το καλοκαίρι και ζεστά το χειμώνα. Σε ένα άλλο, ένας αναερόβιος σχεδιασμός χρησιμοποιείται σε συστήματα παραγωγής ενέργειας για την αντικατάσταση των ορυκτών καυσίμων με άλλους πόρους. Έτσι, η μείωση των εκπομπών διοξειδίου του άνθρακα, η πρόληψη των περιβαλλοντικών βλαβών και η δημιουργία θέσεων εργασίας είναι μόνο μερικά από τα πλεονεκτήματα που προσφέρει η επένδυση στην πράσινη ενέργεια.

Εικόνα 1. Οι τύποι την πράσινης ενέργειας

Η μετάβαση σε πράσινη ενέργεια σημαίνει μεγαλύτερη χρηματοδότηση για έργα ηλιακής ενέργειας, αιολικής ενέργειας και άλλων ανανεώσιμων πηγών ενέργειας, δημιουργώντας τεχνολογίες για την καλύτερη αξιοποίηση των ανανεώσιμων πηγών και για να γίνουν πιο αποδεκτές για τους ανθρώπους..

Κατανάλωση ενέργειας στον τομέα των ΤΠΕ

Επί του παρόντος, εκτιμάται ότι οι ΤΠΕ καταναλώνουν 1,15% της συνολικής παροχής ηλεκτρικής ενέργειας. Υπολογίζεται ότι η συνολική ετήσια ενεργειακή κατανάλωση ηλεκτρικής ενέργειας για ΤΠΕ είναι 242 TWh το 2015. Αυτό το ποσό περιλαμβάνει ηλεκτρική ενέργεια επιτόπου (27 TWh) και ηλεκτρική ενέργεια δικτύου (215 TWh). Εξάλλου, ο παγκόσμιος λειτουργικός άνθρακας που εκπέμπει ο τομέας των ΤΠΕ το 2015 είναι περίπου 169 εκατομμύρια τόνοι CO2. Αντιστοιχεί στο 0,53% του συνόλου των εκπομπών άνθρακα από τον ενεργειακό τομέα (32 G τόνους) και 0,34% των παγκόσμιων εκπομπών άνθρακα (50 G τόνους) το 2015. Η κατανάλωση ηλεκτρικής ενέργειας στο δίκτυο ΤΠΕ αυξήθηκε κατά 31% από το 2010 έως το 2015 Αυτή η άνοδος ανέρχεται σε 185 TWh για 5 χρόνια, η οποία αντιστοιχεί στο 1% της συνολικής παροχής ηλεκτρικού δικτύου. Η λειτουργική αύξηση των εκπομπών άνθρακα ήταν 17% για αυτήν την περίοδο.

Εφαρμόζοντας ευρέως το 5G στο εγγύς μέλλον, ο ρυθμός αύξησης της κατανάλωσης ενέργειας θα είναι ακόμη μεγαλύτερος.

Προμήθεια πράσινης ενέργειας για τις ΤΠΕ

Σήμερα, η μείωση των εκπομπών αερίων θερμοκηπίου (GHG) αυξάνεται ως ένα από τα πιο σημαντικά ερευνητικά θέματα στις Τεχνολογίες Πληροφοριών και Επικοινωνιών (ΤΠΕ) λόγω της ανησυχητικής αύξησης των έμμεσων εκπομπών αερίων του θερμοκηπίου που προέρχονται από την τεράστια χρήση ηλεκτρικών συσκευών ΤΠΕ. Έτσι, η επίλυση του προβλήματος των θερμοκηπίων των ΤΠΕ συνδέεται με τη βελτίωση της ενεργειακής απόδοσης μέσω της μείωσης της κατανάλωσης ενέργειας σε μικροεπίπεδο.

Η έρευνα σε αυτόν τον τομέα επικεντρώνεται στον σχεδιασμό μικροεπεξεργαστών, στον σχεδιασμό υπολογιστών, στις αρχιτεκτονικές power-on-demand και στις τεχνικές ενοποίησης εικονικών μηχανών. Η μέθοδος μικρο-επιπέδου ενεργειακής απόδοσης θα επιφέρει μια συνολική αύξηση της κατανάλωσης ενέργειας λόγω του αξιώματος Khazzoom-Brookes (γνωστό και ως παράδοξο του Jevons) που λέει: «βελτιώσεις ενεργειακής απόδοσης που, σε γενικές γραμμές, δικαιολογούνται οικονομικά στο μικρο επίπεδο, οδηγούν σε υψηλότερα επίπεδα κατανάλωσης ενέργειας σε μακρο-επίπεδο ». Ως εκ τούτου, θα μπορούσε να είναι λογικό ότι η μείωση των εκπομπών αερίων του θερμοκηπίου σε μακροοικονομικό επίπεδο είναι μια καταλληλότερη λύση. Μεγάλες εταιρείες ΤΠΕ, όπως η Microsoft που καταναλώνει έως και 27MW ενέργεια ανά πάσα στιγμή, έχουν δημιουργήσει τα κέντρα δεδομένων τους κοντά σε πράσινες πηγές ενέργειας. Δυστυχώς, πολλά υπολογιστικά κέντρα δεν βρίσκονται κοντά σε πράσινες πηγές ενέργειας. Για το λόγο αυτό, το δίκτυο διανομής πράσινης ενέργειας είναι μια αναδυόμενη τεχνολογία, που επιτρέπει τις απώλειες που προκύπτουν από τη μετάδοση ενέργειας μέσω υποδομών κοινής ωφελείας να είναι πολύ υψηλότερες από αυτές που προκαλούνται από τη μετάδοση δεδομένων. Αυτό καθιστά τη μετεγκατάσταση ενός κέντρου δεδομένων κοντά σε μια ανανεώσιμη πηγή ενέργειας πιο αποτελεσματική απόφαση, εκτός εάν φέρει την ενέργεια σε μια υπάρχουσα τοποθεσία.

Η διαχείριση και οι τεχνικές πολιτικές θα είναι μια απόφαση για την οργάνωση της εικονικοποίησης, η οποία βοηθά στη μεταφορά πόρων εικονικής υποδομής από τη μία τοποθεσία στην άλλη με βάση τη διαθεσιμότητα ισχύος. Αυτό θα διευκολύνει τη χρήση ανανεώσιμων πηγών ενέργειας στο δίκτυο ΤΠΕ παρέχοντας ένα εργαλείο διαχείρισης «Υποδομή ως υπηρεσία (IaaS)».

Πράσινες ΤΠΕ και τρόποι «πρασίνισης» των ΤΠΕ

Οι πράσινες ΤΠΕ είναι μια ευρεία έννοια, η οποία στερείται γενικού ορισμού. Αυτή η έννοια περιλαμβάνει την ενεργειακή απόδοση εξοπλισμού όπως υπολογιστές, διακομιστές και οθόνες. Περιστασιακά, ανέφερεται στην παραγωγή εξοπλισμού ΤΠΕ καθώς και την ανακύκλωση. Σε άλλες περιπτώσεις, περιλαμβάνει τρόπους με τους οποίους οι ΤΠΕ μπορούν να χρησιμοποιηθούν για τον μετριασμό των περιβαλλοντικών επιπτώσεων άλλων τομέων.

  • Καθορισμός πράσινων ΤΠΕ

Οι πράσινες ΤΠΕ έχουν οριστεί στη βιβλιογραφία ως “χρήση πόρων ΤΠ με ενεργειακά αποδοτικό και οικονομικά αποδοτικό τρόπο” ή “πρωτοβουλία για την ενθάρρυνση ατόμων, ομάδων και οργανισμών που ασχολούνται με τη χρήση ΤΠΕ να εξετάσουν περιβαλλοντικά προβλήματα και να βρουν λύσεις σε αυτά ». Οι πράσινες ΤΠΕ ασχολούνται με τις περιβαλλοντικές επιπτώσεις του ίδιου του τομέα ΤΠΕ. Το ICT for Green αποκαλύπτει πώς μπορούν να εφαρμοστούν οι ΤΠΕ για να γίνουν πιο πράσινοι άλλοι τομείς. Ο τομέας των ΤΠΕ παρέχει περίπου το 2% των παγκόσμιων εκπομπών αερίων του θερμοκηπίου, κυρίως λόγω των εκπομπών από το τμήμα της αεροπορίας. Αν και, ο αριθμός αυτός δεν φαίνεται τόσο μεγάλος, ορισμένοι συγγραφείς θεωρούν ότι οι εκπομπές στον τομέα των ΤΠΕ είναι οι υψηλότερες αυξανόμενες με αυξημένα ποσοστά 6% ετησίως. Επιπλέον, οι περιβαλλοντικές επιπτώσεις των ΤΠΕ παραμελούνται σε μεγάλο βαθμό, η αεροπορία αρχίζει να δίνει προσοχή στο περιβάλλον πριν από δεκαετίες, αλλά ο τομέας των ΤΠΕ έχει αρχίσει να φροντίζει το περιβάλλον στις μέρες μας. Όσον αφορά τις Πράσινες ΤΠΕ, οι κύριες ΤΠΕ που χρησιμοποιούνται παρουσιάζονται στην Εικόνα 2. Για καθεμία από αυτές τις κατηγορίες εξοπλισμού, υπάρχουν διαφορετικές επιλογές, οι οποίες μπορούν να γίνουν για τη μείωση των περιβαλλοντικών επιπτώσεων. Κατά τη συζήτηση για τις περιβαλλοντικές επιπτώσεις των ΤΠΕ, το πιο συζητημένο θέμα είναι η ενεργειακή απόδοση. Εν τω μεταξύ, υπάρχει επίσης μια ερώτηση σχετικά με την εκτίμηση των υλικών που χρησιμοποιούνται για την παραγωγή και τον τρόπο που πρέπει να γίνει.

Η μέτρηση της ενεργειακής απόδοσης είναι η ευκολότερη μέτρηση για την εκτίμηση της επίδρασης των πράσινων ΤΠΕ, λόγω του απλού τρόπου προσδιορισμού της κατανάλωσης ενέργειας. Κατά καιρούς μπορεί να χρησιμοποιηθεί περισσότερη ενέργεια κατά τη διάρκεια της παραγωγής του εξοπλισμού σε σύγκριση με ολόκληρη τη διάρκεια ζωής του και αυτό ισχύει για υπολογιστές. Κατά την παραγωγή υπολογιστών, χρησιμοποιούνται πολλά μέταλλα όπως το αλουμίνιο, το αρσενικό, ο χαλκός και ο μόλυβδος. Ορισμένα από αυτά είναι επικίνδυνα και δημιουργούν ανάγκες χειρισμού του εξοπλισμού, ειδικά κατά την ανακύκλωση. Ισχυρίζεται ότι το 70% όλων των επικίνδυνων αποβλήτων είναι ηλεκτρονικά απόβλητα. Υπάρχουν κανονισμοί για την ανακύκλωση ηλεκτρονικών αποβλήτων σε πολλές χώρες, αλλά η άτυπη ανακύκλωση προσφέρει έναν φθηνό τρόπο αντιμετώπισης αυτών των αποβλήτων και δυστυχώς εφαρμόζεται πολύ.

Εικ΄πονα 2. Κύριες κατηγορίες ΤΠΕ.

  • Πράσινο στις ΤΠΕ

Ο όρος «πράσινο» χρησιμοποιείται στην καθημερινή γλώσσα για να αναφέρεται σε περιβαλλοντικά βιώσιμες δραστηριότητες. Επίσης, ο όρος «πράσινο» χρησιμοποιείται επανειλημμένα ως βιώσιμος. Και οι δύο έννοιες είναι στενά συνδεδεμένες αλλά δεν είναι ταυτόσημες και το να είναι πράσινο είναι μόνο ένα μέρος της βιωσιμότητας. Τα Ηνωμένα Έθνη συζητούν συνήθως τρεις πτυχές της αειφόρου ανάπτυξης: τις κοινωνικές, οικονομικές και περιβαλλοντικές διαστάσεις. Ο όρος «πράσινο» ταιριάζει με την περιβαλλοντική πτυχή, επειδή και τα δύο είναι συχνά αλληλένδετα. Από περιβαλλοντική άποψη, είναι κατανοητό και λογικό, ιδίως στην περίπτωση σύνδεσης των «πράσινων» ΤΠΕ με την οικονομική ανάπτυξη. Έτσι, υπάρχει ένας λόγος που η βιωσιμότητα γίνεται παράγοντας για την ταχεία ανάπτυξη του τομέα των ΤΠΕ. ευνοεί την οικονομική ανάπτυξη, εξασφαλίζει ευρεία πρόσβαση σε νέες τεχνολογίες και ενισχύει την αποτελεσματικότητα άλλων τομέων.

Ο ορισμός της βιωσιμότητας ή των περιβαλλοντικών του θεμάτων που αναφέρεται στην έκθεση του ΟΗΕ “Το κοινό μας μέλλον” ανέφερε ότι βιώσιμες είναι εκείνες οι διαδικασίες που “καλύπτουν τις ανάγκες του παρόντος χωρίς να θέτουν σε κίνδυνο την ικανότητα των μελλοντικών γενεών να καλύψουν τις δικές τους ανάγκες”.

Το να είναι κανείς «πράσινος» στον τομέα των ΤΠΕ σημαίνει εν μέρει τη λήψη ενημερωμένων λύσεων για τον τρόπο χρήσης των φυσικών πόρων.

Μια καλή απεικόνιση του όρου «βιωσιμότητα» είναι ο τρόπος με τον οποίο ο σημερινός τρόπος ζωής μπορεί να επηρεάσει τη ζωή των μελλοντικών γενεών όσον αφορά την έλλειψη φυσικών πόρων, προβλήματα υγείας για όσους εργάζονται με την παραγωγή και την ανακύκλωση, καθώς και τον αντίκτυπο στο μέλλον γενιές. Επομένως, αντιμετωπίζοντας τις ΤΠΕ υπάρχουν διάφοροι τρόποι για να γίνετε πράσινοι.

Είναι απαραίτητο να καθοριστούν οι «πράσινες» τεχνολογίες και η «πράσινη» συμπεριφορά. Οι πράσινες τεχνολογίες περιλαμβάνουν μέρη όπως οι εικονικοί διακομιστές, επιτρέποντας σε υψηλότερο ποσοστό χρήσης να επιτυγχάνεται εξοικονόμηση ενέργειας έως και 85%, σε σύγκριση με τους τυπικούς υπολογιστές. Ωστόσο, η τεχνολογία που χρησιμοποιείται αναποτελεσματικά δεν θα είναι πράσινη. Με αυτόν τον τρόπο, οι εργαζόμενοι μπορούν να έχουν μεγάλη σημασία στο περιβαλλοντικό ίχνος. Η απενεργοποίηση του εξοπλισμού μετά την έξοδο από το γραφείο και η χρήση της τεχνολογίας για να γίνουν πράσινα άλλα μέρη της ζωής, όπως η διοργάνωση βιντεοδιάσκεψης αντί του ταξιδιού ή η κοινή χρήση διαφορετικού εξοπλισμού, όπως εκτυπωτές μεταξύ των τμημάτων, είναι παραδείγματα πράσινων ρουλεμάν στο χώρο εργασίας.

Το να είσαι «πράσινος» στον τομέα των ΤΠΕ και η διαχείριση πληροφοριών δεν είναι ακριβώς το ίδιο με το «πράσινο» σε άλλους τομείς. Κάθε τομέας διαθέτει περιβαλλοντικά ζητήματα και στρατηγικές μετριασμού. Ο τομέας των ΤΠΕ είναι ιδιότυπος, καθώς προκαλεί πράσινο σε άλλους τομείς και δεν είναι βέβαιο πώς μπορεί να επιτευχθεί η μεγάλη συμβολή για τη μείωση των εκπομπών και την επίτευξη ενός καλύτερου περιβάλλοντος. Ωστόσο, αυτός ο περιβαλλοντικός αντίκτυπος των ΤΠΕ δεν πρέπει να υπερεκτιμηθεί. Για να είστε «πράσινοι» στον τομέα των ΤΠΕ είναι απαραίτητο να γνωρίζετε τον τρόπο παραγωγής και ότι η χρήση και η ανακύκλωση του εξοπλισμού ΤΠΕ είναι υποχρεωτικά βιώσιμη. Μία από τις πιο σημαντικές πτυχές των «πράσινων» ΤΠΕ είναι αυτές που αφορούν τη διατήρηση της ενέργειας και άλλους πόρους, όπως το χαρτί και τα σπάνια στοιχεία. Σπάνια και επικίνδυνα υλικά χρησιμοποιούνται στην παραγωγή εξοπλισμού ΤΠΕ. Τα επικίνδυνα υλικά προσβάλλουν όχι μόνο το περιβάλλον αλλά και τους ανθρώπους που εργάζονται με την κατασκευή εξοπλισμού ΤΠΕ και την ανακύκλωσή του. Όλα αυτά συνδέονται με τις ΤΠΕ και την αποθήκευση πληροφοριών που έχουν τον μεγαλύτερο αντίκτυπο στο περιβάλλον. Εάν όλος ο εξοπλισμός χρησιμοποιείται με τον βέλτιστο τρόπο, είναι λογικό να μειωθεί ο αντίκτυπος στο περιβάλλον καθώς και ενδεχομένως να εξοικονομηθούν οικονομικά.

  • Η σημασία του «πράσινου»

Στις μέρες μας το «πράσινο» είναι σημαντικό ως επιχειρηματική στρατηγική, η οποία οφείλεται εν μέρει στην κατανόηση των καταναλωτών για την προστασία του περιβάλλοντος. Η περιβαλλοντική διαχείριση αποτελεί μέρος της στρατηγικής προσέγγισης για αρκετές επιτυχημένες εταιρείες, για να συμπεριλάβει μια νέα έννοια της «πράσινης» διαχείρισης για να απαντήσει σε αυτή τη στρατηγική. Επιπλέον, η επένδυση σε «πράσινες» καινοτομίες και προστασία του περιβάλλοντος είναι επωφελής για τις εταιρείες από οικονομική άποψη. Το να είναι «πράσινος» θα μπορούσε να αυξήσει το ανταγωνιστικό πλεονέκτημα μιας εταιρείας, καθώς και να προσφέρει νέες ευκαιρίες στην αγορά, και έτσι να κάνει τις «πράσινες» εταιρείες πιο κερδοφόρες.

Ταυτόχρονα, οι κίνδυνοι του λεγόμενου «πράσινου πλυσίματος»: “η εστίαση πρέπει να απομακρυνθεί από την έμφαση στην εικόνα στην έμφαση στην ουσία” είναι μια σοβαρή προειδοποίηση. Έτσι, ο όρος “πράσινο πλύσιμο” είναι ανατίθεται σε εταιρείες που προσπαθούν να έχουν την όψη ότι είναι «πράσινες», αλλά εφαρμόζουν πλασματικά μέτρα και όχι πραγματικές αλλαγές στον τρόπο λειτουργίας του οργανισμού. Έτσι, εάν οι οργανισμοί θέλουν να κάνουν μια πραγματική «πράσινη» αλλαγή, μπορεί να έχει θετική Ο πράσινος οργανισμός μπορεί να φέρει νέες επενδύσεις για τη βελτίωση της περιβαλλοντικής κατάστασης, δημιουργώντας θέσεις εργασίας και πλούτο. Θεωρείται ότι οι επενδύσεις σε «πράσινες» ΤΠΕ μπορούν να προσφέρουν βραχυπρόθεσμη οικονομική υποστήριξη. 

  • Οφέλη από το πράσινο

Μια σημαντική ευκαιρία για την υποστήριξη του οικολογικού κόστους είναι η μείωση του κόστους. Παρατηρώντας την «πράσινη» τεχνολογία πληροφοριών, γίνεται σαφές ότι τα κέντρα δεδομένων και οι διακομιστές διαθέτουν μεγάλη ποσότητα ενέργειας για τη διατήρηση και την ανακούφιση. Οι πόροι ΤΠΕ δεν μπορούν να χρησιμοποιηθούν στο μέγιστο των δυνατοτήτων τους (ποσοστό χρήσης είναι περίπου 12,5%). Ο αριθμός αυτός δείχνει έλλειψη αποτελεσματικότητας στον τομέα των ΤΠΕ. Διαπιστώνεται ότι το 86% των αναγκών μπορεί να διευθετηθεί από το 26% της τρέχουσας χρήσης ενέργειας και αυτό δείχνει ένα μεγάλο περιθώριο βελτίωσης του κόστους. Επίσης, ένα άλλο μέρος των ΤΠΕ μπορεί να προτείνει σημαντικές ευκαιρίες εξοικονόμησης στη χρήση με φιλικό προς το περιβάλλον τρόπο. Κατά την απενεργοποίηση των εκτυπωτών, καθώς και άλλων συσκευών που καταναλώνουν ενέργεια, όταν δεν χρησιμοποιούνται, μπορούν να εξοικονομηθούν πόροι και να μειωθούν οι περιβαλλοντικές επιπτώσεις.

Εκτός από αυτές τις επιλογές, αναγνωρίζεται ότι η μετάβαση προς μια «πράσινη» κοινωνία της γνώσης θα απαιτήσει διαρθρωτικές αλλαγές, προτείνοντας ότι οι κυβερνήσεις θα πρέπει να βοηθήσουν στην ενεργοποίηση αυτής της διαδικασίας, και θα επιτευχθούν οφέλη για την κοινωνία στο σύνολό της.

Δεν υπάρχει συμβατικός ορισμός των «πράσινων» ΤΠΕ. Τα «πράσινα» θέματα θα μπορούσαν να προσεγγιστούν από την προοπτική ενός «προβλήματος» (εστιάζοντας στη μείωση των εκπομπών) ή από την άποψη μιας «λύσης» (εστιάζοντας σε νέες πράσινες λύσεις). Αυτό αντικατοπτρίζεται στην προσέγγιση των «πράσινων» ΤΠΕ. Αυτή η προσέγγιση παρουσιάζεται στην Εικόνα 3. Περιλαμβάνει δύο τμήματα: πράσινο των ΤΠΕ και πράσινο με ΤΠΕ.

Εικόνα 3. Η προσέγγιση των “πράσινων” ΤΠΕ

Η πρασίνιση των ΤΠΕ με στενότερη έννοια αναφέρεται σε ΤΠΕ με χαμηλό περιβαλλοντικό φόρτο, αλλά η χρήση των ΤΠΕ ως ενεργοποιητή μειώνει τον περιβαλλοντικό αντίκτυπο στην οικονομία εκτός του τομέα ΤΠΕ. Οι πράσινες ΤΠΕ, όπως το πράσινο με τις ΤΠΕ, είναι μια νέα έννοια και ακόμη και οι κορυφαίες χώρες και τα ενδιαφερόμενα μέρη έχουν μόνο λίγα χρόνια εμπειρίας. Είναι σημαντικό να σημειωθεί ότι τόσο η παραδοσιακή προσέγγιση του «προβλήματος» όσο και η νέα προσέγγιση της «λύσης» είναι απαραίτητες. Η ρύπανση πρέπει να ρυθμιστεί και οι εταιρείες χρειάζονται κίνητρα για την αντιμετώπιση των εκπομπών τους. Ωστόσο, η διασφάλιση ότι η νέα γενιά παρόχων λύσεων θα λάβει τα κατάλληλα κίνητρα είναι εξίσου σημαντική.

Μείωση της κατανάλωσης ενέργειας και των εκπομπών αερίου

Οι ΤΠΕ μπορούν να συμβάλουν στη μείωση της κατανάλωσης ενέργειας και των εκπομπών αερίων μέσω:

  • Επινόηση καινοτόμων συστημάτων εξοικονόμησης ενέργειας, τεχνολογιών και «έξυπνων» συσκευών, χρησιμοποιώντας τη «έξυπνη διαχείριση ενέργειας».
  • Εφαρμογή πολιτικών εξοικονόμησης ενέργειας με χρήση ανανεώσιμων πηγών, ηλιακής ενέργειας και φωτοβολταϊκών, αιολικής ενέργειας, βιοκαυσίμων, βιοκλιματικών τεχνολογιών, αντιρρυπαντικών τεχνολογιών κ.λπ.
  • Ανακύκλωση και μείωση ηλεκτρονικών αποβλήτων όπως παλιά συστήματα πληροφορικής, τσιπ, Η / Υ, υλικό, εκτυπωτές, κινητά τηλέφωνα κ.λπ.

Περίπου το 40% της συνολικής κατανάλωσης ενέργειας οφείλεται στα νοικοκυριά. Αυτός είναι ο λόγος για τον οποίο χρειάζονται καινοτόμα «έξυπνα σπίτια», κατασκευασμένα από πράσινα υλικά και πράσινη αρχιτεκτονική που εκμεταλλεύεται καινοτόμους ενεργειακούς αισθητήρες. Σε αυτό το πλαίσιο, τα συστήματα ΤΠΕ μπορούν να επιτύχουν τη μέτρηση, τη διαχείριση και τη μείωση της κατανάλωσης ηλεκτρικής ενέργειας και των απαιτήσεων κλιματισμού. Κατά την τελευταία δεκαετία, οι κατασκευαστές τεχνικών και βιομηχανικών προϊόντων ήταν ουσιαστικά υποχρεωμένοι να αλλάξουν την κατεύθυνση της κατανάλωσης ενέργειας, ως αποτέλεσμα της οικονομικής κρίσης, επιπλέον της αυξημένης περιβαλλοντικής ευαισθητοποίησης του κοινού. Οι παραγωγοί ανησυχούν για τη μείωση της ενέργειας μέσω κάθε υπολογιστικής συσκευής, από φορητούς υπολογιστές και κινητά έως κέντρα δεδομένων, και θα είναι πιθανώς επιτυχής. Οι καταναλωτές δείχνουν την προτίμησή τους για έξυπνες συσκευές, νέες λιγότερο ενεργειακές τεχνολογίες, ανανεώσιμες πηγές ενέργειας και ενημερωμένα, πιο αποτελεσματικά συστήματα ψύξης με βελτιωμένο λογισμικό διαχείρισης ενέργειας. Αυτά τα προϊόντα είναι εξοπλισμένα με επίσημη πιστοποίηση για να πληρούν ή να υπερβαίνουν τις οδηγίες απόδοσης.

  • Τρόποι πρασίνισης των ΤΠΕ

Είναι δυνατή η χρήση των ΤΠΕ με τρόπο που μειώνει το άγχος στο περιβάλλον σε σύγκριση με τους παραδοσιακούς τρόπους. Αυτό μπορεί να γίνει μέσω νέων τεχνολογιών, τεχνικών και στρατηγικών που επιτρέπουν την κατανάλωση λιγότερης ενέργειας και πόρων. Ένα σημαντικό μέρος της εργασίας των ΤΠΕ είναι η αποθήκευση πληροφοριών. Η ανάγκη για αποθήκευση αυξάνεται ραγδαία λόγω της αύξησης της χρήσης του Διαδικτύου, των νέων νόμων και κανονισμών, της ρύθμισης των κανόνων για τη διατήρηση των πληροφοριών και της επιστημονικής πληροφορικής. Το τελευταίο μέρος των αποθηκευμένων πληροφοριών συλλέγεται στα κέντρα δεδομένων. Αυτά τα κέντρα δεδομένων χρησιμοποιούν αρκετή ενέργεια για να μετατοπίσουν εν μέρει τις θετικές επιπτώσεις που μπορούν να έχουν οι ΤΠΕ στην κοινωνία, για τις οποίες υποστηρίζεται ότι “ένα κλάσμα εξοικονόμησης ενέργειας στις ΤΠΕ και τα δίκτυα θα μπορούσε να οδηγήσει σε σημαντικές οικονομικές οικονομίες και εξοικονόμηση άνθρακα”. αποθήκευση πληροφοριών, είναι απαραίτητο να επιλέξετε υλικό με καλύτερη ενεργειακή απόδοση ή μεθόδους εξοικονόμησης ενέργειας για τη χρήση του εξοπλισμού, οι οποίες προτείνονται παρακάτω.

Τα τελευταία χρόνια, υπάρχει μια τάση ευαισθητοποίησης σχετικά με τον αντίκτυπο των σύγχρονων κοινωνιών στο περιβάλλον. Πολλοί περιβαλλοντικά σημαντικοί παράγοντες, όπως η κατανάλωση ενέργειας ή τα ηλεκτρονικά απόβλητα προκαλούνται από την εφαρμογή ΤΠΕ, αλλά ταυτόχρονα, αυτή η τεχνολογία θα μπορούσε επίσης να λύσει ορισμένα άλλα περιβαλλοντικά ζητήματα. Η διπλή φύση του ζητήματος προσεγγίζεται από μια ενσωματωμένη προοπτική με τη δημιουργία της έννοιας του Green Computing. Εισήχθη το 1992 από τον Οργανισμό Προστασίας του Περιβάλλοντος των Ηνωμένων Πολιτειών ξεκινώντας το πρόγραμμα «Energy Star». Στην αρχή, εφαρμόστηκε σε διάφορα προϊόντα, όπως οθόνες υπολογιστών, τηλεοράσεις και κλιματιστικά. Το πρώτο γνωστό αποτέλεσμα του πράσινου υπολογισμού ήταν η επιλογή ύπνου των οθονών υπολογιστών που καταναλώνουν χαμηλή ενέργεια σε περίπτωση που η δραστηριότητα του χρήστη λείπει μετά από ένα ορισμένο χρονικό διάστημα. Σήμερα ο πράσινος υπολογισμός συγκεντρώνει πολλές άλλες έννοιες όπως επιβεβαίωση υλικού υπολογιστών με χρήση, λογισμικό εικονικοποίησης, υπολογισμός νέφους ή, μεγέθυνση της ενεργειακής απόδοσης των κέντρων δεδομένων. Το Green Computing συγκεντρώνει τεχνολογίες που μπορούν να συμβάλουν τόσο στη μείωση των περιβαλλοντικών επιπτώσεων των ΤΠΕ («Green IT» – πράσινο των ΤΠΕ) όσο και στην εφαρμογή συστημάτων πληροφοριών (IS) μειώνοντας τον περιβαλλοντικό αντίκτυπο των αναλωσίμων ΤΠΕ («Green IS» – πρασίνιση από ΤΠΕ). Αυτό το ενοποιητικό όραμα συνδυάζει δύο συμπληρωματικές προσεγγίσεις, που παρουσιάζονται στην Εικόνα 4.

Εικόνα 4. Το ενοποιητικό όραμα για την Πράσινη Υπολογιστική

Η πρακτική εφαρμογή των Green IT και Green IS μπορεί να αποσαφηνιστεί μέσω των ακόλουθων εννοιολογικών μοντέλων αξίας.

Green IT: Value Model

Το πράσινο μοντέλο αξίας ΤΠ μπορεί να βοηθήσει στην επίτευξη του στόχου της περιβαλλοντικής βιωσιμότητας. Αυτό το εννοιολογικό μοντέλο βασίζεται σε τέσσερα στοιχεία, όπως φαίνεται στην Εικόνα 5.

Εικόνα 5. Το πράσινο μοντέλο αξίας IT

Πράσινο μοντέλο αξίας IS

Το μοντέλο αξίας Green IS είναι σημαντικό για την αποδοχή του Green IS και τον αντίκτυπό του στην περιβαλλοντική επιβολή της επιχείρησης. Ενώ οι εταιρείες βρίσκονται υπό μόνιμη αναστολή από διαφορετικές ρυθμιστικές αρχές, πελάτες και ανταγωνιστές, ορισμένες από αυτές είναι έτοιμες να ακυρώσουν την αποδοτικότητα και την αποτελεσματικότητα για περιβαλλοντικά ζητήματα. Οι επενδύσεις Green IS για την εκπλήρωση βιώσιμων επιχειρηματικών εμπειριών αποσκοπούν στην αύξηση του κύκλου εργασιών και/ή του εισοδήματος.

Η υιοθέτηση του Green IS από προσωπικό της εταιρείας (ανώτερα διευθυντικά στελέχη) διερευνάται και εξηγείται μέσω ενός μοντέλου που περιγράφει την αντίληψη όπως καθορίζεται από τρεις βασικούς παράγοντες. Τρεις τύποι στρατηγικών πρωτοβουλιών πρέπει να ληφθούν υπόψη για την υιοθέτηση του IS. Όλα απεικονίζονται στην Εικόνα. 6.

Εικόνα 6. Μοντέλο αξίας Green IS

Αυτό το μοντέλο θα μπορούσε να τεθεί σε εφαρμογή μέσω μιας στρατηγικής για την εφαρμογή ποικίλων τεχνολογιών και τεχνικών, όπως βίντεο και τηλεδιάσκεψης, συστήματα διαχείρισης εκπομπών κ.

Μπορεί να δημιουργηθεί ένα πλαίσιο διαχείρισης και εφαρμογής του Green IT και του Green IS που περιλαμβάνει ποικιλία τεχνολογιών που προσφέρουν ευκαιρίες για τη μείωση των αρνητικών περιβαλλοντικών επιπτώσεων σε δραστηριότητες παραγωγών και καταναλωτών που χρησιμοποιούν ΤΠΕ. Μεταξύ αυτών των Πράσινων Τεχνολογιών είναι τα ακόλουθα.

Cloud computing

Πολλοί οργανισμοί εφαρμόζουν ένα νέο υπολογιστικό πρότυπο – cloud computing, για τη βελτιστοποίηση της χρήσης και την ελαχιστοποίηση του κόστους των διακομιστών υπολογιστών τους. Με αυτόν τον τρόπο, παραλείπονται τα προηγούμενα κόστη που συνδέονται με τη δημιουργία υποδομών πληροφορικής. Το cloud computing επιτρέπει τη σύνδεση κοινής υποδομής και την εξισορρόπηση πόρων πληροφορικής για υπολογιστικές εργασίες σε πραγματικό χρόνο, μειώνοντας ταυτόχρονα τις εκπομπές αερίων και διατηρώντας τα επίπεδα υπηρεσιών. Το cloud computing βασίζεται στην κοινή χρήση πόρων υλικού και λογισμικού που μοιράζονται από πολλούς χρήστες και ανακατανέμονται δυναμικά ανά ζήτηση. Αυτή η «πράσινη» τεχνολογία αφαιρεί τελικά την ανάγκη μιας εταιρείας να διαθέτει ένα κέντρο δεδομένων επί τόπου, το οποίο έχει θετική επίδραση στο φυσικό περιβάλλον και τους πόρους του. Μέχρι σήμερα, πολλοί προμηθευτές παρέχουν υπηρεσίες cloud με έμφαση στο Green IS και αντιμετωπίζουν σημαντικούς ρυθμούς οικονομικής ανάπτυξης ετησίως.

Διαχείριση ισχύος υπολογιστών

Για εξοικονόμηση ενέργειας στον υπολογιστή, μια κοινή ενέργεια είναι η απενεργοποίηση του εξοπλισμού σε περίπτωση που δεν λειτουργεί. Υπάρχει ένα λεγόμενο ανοιχτό βιομηχανικό πρότυπο “Advanced Configuration and Power Interface” (ACPI 2) που αντιπροσωπεύει μια προηγμένη πρακτική Green IT. Επιτρέπει τον άμεσο έλεγχο ισχύος του λειτουργικού συστήματος του υπολογιστή και του υποκείμενου υλικού του. Αυτό το πρότυπο αποκλείει αυτόματα εξαρτήματα όπως οθόνες και σκληρούς δίσκους όταν πραγματοποιείται η ανενεργή περίοδος του εξοπλισμού. Η συσκευή εξοικονόμησης ενέργειας του υπολογιστή περιλαμβάνει διαφορετικές λειτουργίες ύπνου της οθόνης, σκληρό δίσκο, κατάσταση αναμονής και αδρανοποίησης συστήματος και διαφορετικές καταστάσεις ισχύος CPU.

Σχεδιασμός Κέντρου Δεδομένων

Τα κέντρα δεδομένων καταναλώνουν μεγάλο ποσοστό ενέργειας, πάνω από 100 φορές από τα τυπικά εμπορικά κτίρια. Έτσι, ο αποτελεσματικός σχεδιασμός ανακύκλωσης ενέργειας των κέντρων δεδομένων, όπως η ανακύκλωση απορριμμάτων θερμότητας, δίνει σημαντικό θετικό αντίκτυπο στην ενεργειακή ασφάλεια και μπορεί να χρησιμοποιηθεί στους ακόλουθους τομείς:

Systems Συστήματα πληροφορικής: αύξηση της χρήσης υλικού (μέσω εικονικοποίησης, δείτε παρακάτω). επιτρέπουν λειτουργίες εξοικονόμησης ενέργειας στον υπολογιστή. αγοράστε ενεργειακά αποτελεσματικά εργαλεία (π.χ. τροφοδοτικά υπολογιστή, επεξεργαστές υπολογιστών, συσκευές αποθήκευσης στερεάς κατάστασης, διακομιστές τερματικών) ·

Κύρια συστήματα ισχύος: μέρη διαχείρισης ενέργειας (συσκευές υλικού και λογισμικού για βελτιστοποίηση εργασίας και ισχύος). αύξηση της χρήσης ανανεώσιμων πηγών ενέργειας · χρήση φυσικού φωτός αντί ηλεκτρικής ενέργειας ·

  • Systems Συστήματα ψύξης.
  • Διαχείριση αέρα.

 

Εικονικοποίηση πληροφορικής

Η εικονικοποίηση πληροφορικής αναφέρεται στον διαχωρισμό πόρων πληροφορικής μέσω εικονικοποίησης διακομιστή και εικονικοποίησης αποθήκευσης. Η εικονικοποίηση του διακομιστή σημαίνει τη λειτουργία πολλών λογικών συστημάτων υπολογιστών σε ένα φυσικό υλικό και η εικονικοποίηση αποθηκευτικού χώρου σημαίνει άθροιση φυσικής αποθήκευσης από πολλά εργαλεία μνήμης δικτύου, στα οποία πρέπει να τοποθετηθεί μια μεμονωμένη συσκευή αποθήκευσης που διαχειρίζεται από μια κεντρική κονσόλα. Η εικονικοποίηση πληροφορικής μειώνει το κόστος για το υλικό, μειώνει την κατανάλωση ενέργειας και τη χρήση φυσικού χώρου. Ταυτόχρονα, βελτιώνει τις δοκιμές και τη διάδοση λογισμικού και αυξάνει την ευελιξία των επενδύσεων υλικού. Επίσης, μπορεί να βοηθήσει στην κοινή χρήση εργασίας: οι διακομιστές είτε είναι απασχολημένοι είτε βρίσκονται σε κατάσταση αδράνειας χαμηλής ισχύος. Έτσι, η εικονικοποίηση είναι μία από τις κύριες προσεγγίσεις για τους οργανισμούς για την εφαρμογή περιβαλλοντικής βιωσιμότητας σε πρακτικές και επιχειρήσεις πληροφορικής.

Ανακύκλωση υλικών και ηλεκτρονικά απόβλητα

Εξερευνώντας τη σωστή ανακύκλωση των τεχνικών πληροφορικής, τα ηλεκτρονικά απόβλητα μειώνονται και επιβλαβή στοιχεία όπως ο μόλυβδος, ο υδράργυρος και το κάδμιο απορρίπτονται από το φυσικό περιβάλλον. Στη συνέχεια, μπορούν να επαναχρησιμοποιηθούν και η de novo παραγωγή μπορεί να παραλειφθεί. Η διαδικασία ανακύκλωσης υλικών είναι εφικτή σχεδόν για οποιαδήποτε υπολογιστική συσκευή και αξεσουάρ, όπως σκληρούς δίσκους, κασέτες εκτυπωτή και μπαταρίες. Με αυτόν τον τρόπο, τα πρόσωπα και οι επιχειρηματικές οργανώσεις μπορούν να παρατείνουν τη ζωή του εξοπλισμού πληροφορικής αναβαθμίζοντας τα εργαλεία αντί να τα αλλάζουν.

Έξυπνο δίκτυο και έξυπνα θέματα

Η τεχνολογία Smart Grid περιλαμβάνει υλικό και λογισμικό που εξασφαλίζει πιο αποτελεσματική εκμετάλλευση των πραγματικών υποδομών για την παραγωγή ηλεκτρικής ενέργειας, τη μετάδοση και τη διανομή της. Πρόκειται για μια ενημερωμένη έκδοση του συστήματος παροχής ηλεκτρικής ενέργειας, που λειτουργεί αυτόματα στις ροές πληροφοριών. Το καθήκον είναι να βελτιωθεί η αποτελεσματικότητα, η ασφάλεια και η βιωσιμότητα της απόδοσης και εξάπλωσης ηλεκτρικής ενέργειας μέσω εξισορρόπησης φορτίου και διαχείρισης αιχμής φορτίου. Οι συσκευές στο δίκτυο διαθέτουν αισθητήρες για τη συλλογή δεδομένων (μετρητές ισχύος, αισθητήρες τάσης, ανιχνευτές σφαλμάτων κ.λπ.). Μια τέτοια συσκευή είναι το Smart Meter, που κάνει χρήση της ψηφιακής επικοινωνίας μεταξύ συσκευών που είναι συνδεδεμένες στο δίκτυο. Τα δεδομένα που συλλέγονται αφορούν την παραγωγή ενέργειας και τις καταναλωτικές συμπεριφορές τόσο των προμηθευτών όσο και των καταναλωτών. Υπό αυτή την έννοια, η ανταλλαγή πληροφοριών σε πραγματικό χρόνο μεταξύ παραγωγών και καταναλωτών βοηθά στον καλύτερο έλεγχο των ενεργειακών απαιτήσεων και μειώνει την ανάγκη για πλεόνασμα ενέργειας κατά τις ώρες αιχμής. Τα εργαλεία στο δίκτυο διαθέτουν αισθητήρες για τη συλλογή δεδομένων (μετρητές ισχύος, αισθητήρες τάσης, ανιχνευτές σφαλμάτων κ.λπ.). Διαβάζουν την κατανάλωση ενέργειας (ηλεκτρική ενέργεια, φυσικό αέριο, κ.λπ.) σε καθορισμένες περιόδους και καθημερινά στέλνουν δεδομένα πίσω στη δημόσια υπηρεσία, για παρακολούθηση και εκτίμηση κόστους. Μπορεί επίσης να χρησιμοποιηθεί για την παροχή πληροφοριών σχετικά με την κατανάλωση ενέργειας και για τον καθορισμό των τιμών ενέργειας σε πραγματικό χρόνο στους καταναλωτές. Ένα βασικό χαρακτηριστικό είναι η τεχνολογία αυτοματισμού που επιτρέπει στο δημόσιο βοηθητικό πρόγραμμα να προσαρμόζει και να ελέγχει κάθε συσκευή από μια κεντρική τοποθεσία. Τα οφέλη περιλαμβάνουν τον χειρισμό εναλλακτικών πηγών ηλεκτρικής ενέργειας (π.χ. ηλιακή και αιολική ενέργεια), έξυπνο έλεγχο για οικολογικά κτίρια και την κατάλληλη ενσωμάτωση ηλεκτρικών οχημάτων στο δίκτυο.

Οι μελλοντικές τάσεις ΤΠΕ: από το πράσινο στο σοφό

Στον κλάδο των ΤΠΕ, υπάρχουν δύο κύριοι τομείς:

Η υποδομή τηλεπικοινωνιών, δηλαδή δίκτυα τηλεπικοινωνιών που αποτελούνται από σταθμούς βάσης και σημεία πρόσβασης που παρέχουν δυνατότητα σύνδεσης σε συσκευές (ανθρωποκεντρικές ή μηχανοκεντρικές).

  • Κινητές συσκευές/τερματικά, που επικοινωνούν μέσω σύνδεσης στην υποδομή (π.χ. κινητά τηλέφωνα, tablet, αισθητήρες, ενεργοποιητές, οχήματα, κηφήνες κλπ.).

Στο μέλλον, δισεκατομμύρια συσκευές/τερματικά θα συνδεθούν σε εκατομμύρια σταθμούς βάσης. Αν και τα δύο τμήματα (υποδομή δικτύου καθώς και συσκευές/τερματικά) θα επωφεληθούν από ανανεώσιμες πηγές ενέργειας, ο ρόλος των ανανεώσιμων πηγών ενέργειας είναι πολύ μεγαλύτερος στο τμήμα του δικτύου για τους ακόλουθους λόγους:

  • Η κατανάλωση ενέργειας των σταθμών βάσης (υποδομή τηλεπικοινωνιών) είναι πολύ μεγαλύτερη από την ενεργειακή κατανάλωση συσκευών/τερματικών.
  • Η κάλυψη του παγκόσμιου δικτύου είναι σημαντική για την πραγματοποίηση της οραματισμένης δικτυωμένης κοινωνίας και του διαδικτύου των πραγμάτων.

Οι σταθμοί βάσης έχουν μεγαλύτερο μέγεθος και είναι ακριβοί. Είναι προσιτή η ενσωμάτωση ενός συστήματος ανανεώσιμων πηγών ενέργειας σε κάθε σταθμό βάσης.

Οι σταθμοί βάσης χρειάζονται αξιόπιστη και συνεχή παροχή ρεύματος σε αντίθεση με τις συσκευές (π.χ. κινητά τηλέφωνα) που μπορούν να φορτιστούν όποτε υπάρχει διαθέσιμη ενέργεια.

Για να κατανοήσουμε τις μελλοντικές πράσινες τάσεις ΤΠΕ, είναι σημαντικό να κατανοήσουμε όχι μόνο την ιστορία του πράσινου αλλά και την ιστορία των ΤΠΕ. Τα τελευταία 20-30 χρόνια έχει δημιουργηθεί η υποδομή ΤΠΕ, η απόδοση και η πυκνότητα θα συνεχίσουν να βελτιώνονται και να αυξάνονται. Ωστόσο, τώρα έχει επιτευχθεί ένα σημείο καμπής. Το τρέχον όριο είναι παρόμοιο με το σημείο καμπής σε όλες τις βιομηχανικές εποχές. Κατά τη φάση εγκατάστασης, χρησιμοποιούνται νέες λύσεις για την αύξηση της απόδοσης στο παλιό σύστημα, κατά τη φάση ανάπτυξης το νέο σύστημα φτάνει στην ωριμότητα, επιτρέποντάς του να προσφέρει εντελώς νέες λύσεις. Αρχικά, ο μετασχηματισμός συνέβη στους «τομείς της πληροφορίας», π.χ. στους τομείς της μουσικής, του βίντεο ή του βιβλίου κ.λπ., και τώρα αρχίζουμε να βλέπουμε τα πρώτα σημάδια μιας σοβαρής αλλαγής στους «βαρείς τομείς», όπως το αυτοκίνητο και η κινητικότητα , στους τομείς των κατασκευών, της γεωργίας και του λιανικού εμπορίου, καθώς και σε βασικά επιχειρηματικά μοντέλα.

Η μετάβαση από τη βελτίωση των υφιστάμενων συστημάτων στην παροχή νέων λύσεων υποστηρίζεται από δύο τάσεις ανάπτυξης ΤΠΕ και «πράσινων» ΤΠΕ που είναι σημαντικές για κατανόηση.

(1) οι εταιρείες ΤΠΕ είναι πλέον σημαντικοί οικονομικοί παράγοντες. Για πρώτη φορά στην ιστορία, μια εταιρεία ΤΠΕ – η Apple – ήταν η μεγαλύτερη εταιρεία στις ΗΠΑ. Η Apple ξεπέρασε την Exxon Mobile, αποδεικνύοντας ότι οι εταιρείες ΤΠΕ δεν μπορούν πλέον να αγνοηθούν από τους υπεύθυνους χάραξης πολιτικής.

(2) οι εταιρείες ΤΠΕ αποτελούν πλέον μέρος ενός πανταχού παρόντος δικτύου που συνδέει σχεδόν όλους και σχεδόν τα πάντα στον πλανήτη. Σήμερα, περισσότεροι άνθρωποι είναι συνδεδεμένοι από οποιαδήποτε άλλη εποχή στην ανθρώπινη ιστορία. Μέχρι το 2020, υπάρχουν περίπου 50 δισεκατομμύρια συνδεδεμένες συσκευές και η κοινωνία αποκτά πρόσβαση σε δεδομένα και βιώνει διαφάνεια που είναι θεμελιωδώς διαφορετική από ό, τι έχει γνωρίσει ποτέ οποιαδήποτε κοινωνία στο παρελθόν.

Μία από τις σημαντικότερες προκλήσεις είναι ότι οι νέες «πράσινες» λύσεις ΤΠΕ πρέπει να ανταγωνιστούν σε ένα κανονιστικό περιβάλλον που περιλαμβάνει κανονισμούς που δημιουργήθηκαν για τη βιομηχανική δομή του 19ου αιώνα. Πρέπει επίσης να αντιμετωπίσει τις προδιαθέσεις μεταξύ ανθρώπων που δεν είναι εξοικειωμένοι με την ταχεία ανάπτυξη λύσεων ΤΠΕ. Στην πραγματικότητα, η τρέχουσα τεχνολογική εξέλιξη είναι τόσο γρήγορη που τα μέλη της κοινωνίας κάθε είδους – από τους υπεύθυνους χάραξης πολιτικής έως τους ηγέτες των επιχειρήσεων, έως τους οικονομικούς εμπειρογνώμονες είναι μάρτυρες του πώς η όλη διαδικασία – από μια ιδέα έως μια πλήρους εφαρμογής, πραγματοποιείται για λίγες δεκαετίες. Για να αποσαφηνιστεί η κατάσταση, πρέπει να μελετηθούν οι φάσεις μιας μακροπρόθεσμης διαταρακτικής λύσης. Στην αρχή, κάτι πυροδοτεί μια ιδέα που εξαπλώνεται, π.χ., οι πρώτοι προσωπικοί υπολογιστές. Αυτά έφεραν τις επόμενες ιδέες, όπως γραφεία χωρίς χαρτί, εικονικές συναντήσεις κλπ. Όλες αυτές οι δραστηριότητες ενθουσίασαν τους ανθρώπους. Μετά από λίγο, τα πρωτότυπα εργασίας παρουσιάστηκαν και πολλές εταιρείες επένδυσαν σε πολύ ακριβά πρωτότυπα εξοπλισμού βιντεοδιάσκεψης. Η τεχνολογία ήταν πολύ νέα και δεν χρησιμοποιήθηκε βιώσιμο επιχειρηματικό μοντέλο, αντίθετα, αυτά τα πρωτότυπα κατασκευάστηκαν και διαχειρίστηκαν οι ίδιες οι εταιρείες. Σταδιακά, πολλοί υπεύθυνοι λήψης αποφάσεων είχαν ενθουσιαστεί με την ιδέα των ΤΠΕ ως διαταρακτικής δύναμης σε διαφορετικούς τομείς, που τελικά σκέφτηκαν ότι δεν θα συμβεί ποτέ.

Μια τάση σήμερα είναι ότι οι υπεύθυνοι χάραξης πολιτικής δεν εξετάζουν σημαντικές αλλαγές που θα γίνουν από τις «πράσινες» ΤΠΕ. Πολλοί σκοπεύουν ακόμη να επενδύσουν σε νέους σταθμούς παραγωγής ενέργειας από άνθρακα επειδή χρησιμοποιούν το ίδιο οικονομικό μοντέλο με αυτό που χρησιμοποιούσαν προηγουμένως. Για παράδειγμα, η Siemens Γερμανία ανακοίνωσε ότι υποστηρίζει στόχο 25% για ανανεώσιμες πηγές ενέργειας και τερματίζει τις δραστηριότητές της στον τομέα της πυρηνικής ενέργειας.

Συμπεράσματα

The history of ICT’s development shows that society now is at an inflection point where ICT solutions move towards creating new solutions instead of making old systems better. Two important trends concerning ICT development could be pointed out:

  • (1) The fact that ICT companies now are economically powerful and serve as a source of both economic and political capital.
  • (2) ICT solutions and companies now are so abundant that new clusters of solutions providers can emerge. It is important to understand what ICT solutions actually can deliver.

‘Green’ ICT includes the use of ICT solutions to support smart growth. Consequently, to observe ‘green’ ICT, the context of current ‘green’ ICT trends should be comprehended. While until the 21st century, ‘green’ was seen as nature conservation or pollution control, a significant shift took place at the beginning of the 2000s. A focus moved from a problem perspective (pollution control) to a solution perspective and a new generation of business leaders saw the opportunity to link the need for resource efficiency and sales of new products and services.

A parallel shift is observed in the ICT development. It moves from improving existing systems to providing new solutions. New ICT solutions were created to support energy efficiency and ‘green’ growth. One of the most popular examples for ICT-driven solutions are the e-books, smart grids, electric cars, online meetings, etc.

It’s positive that many citizens have begun to realize the concept of human-caused climate change and resource depletion. They consider as well the imperative necessity of acting on this matter. This understanding has led many people to make changes of their personal lifestyle. The “living green” tendency includes many aspects such as green constructions, renewable energy use, energy-saving at home, the extended use of eco-friendly products, a recycling approach. Here to add are the so-called sustainability checklists, designed to help households to assess how sustainable they are, and to offer suggestions for increasing home sustainability. Moreover, clever use of e-services can be a tool for less energy consumption in everyday life and at work. For instance, this is the case of paper use – the nowadays correspondence is substituted by digital formats using the Internet and smart devices. The production and distribution of new products and services show the tendency for minimization of the needed energy, estimated by carbon footprint. Another example is the substitution of traditional conferences with online ones that impose a direct positive effect on environmental protection and reduction of the GHG emissions because of reduced transportation services. It is reported that teleconferences can avoid the production of approximately 540.000 tn CO2 per year; this is the cost of the air transportation of people.

The use of ‘Green’ ICT tools and services through broadband/5G Internet contributes to the environmental and societal welfare with the decrease of cost and time to access government offices (24/7 services), energy savings (no transportation), and restriction of pollute emission (carbon footprint). Similarly, in the sector of e-commerce and e-business new innovative business solutions are in favor of either the entrepreneur or the final customer.

Η ιστορία της ανάπτυξης των ΤΠΕ δείχνει ότι η κοινωνία βρίσκεται τώρα σε ένα σημείο καμπής όπου οι λύσεις ΤΠΕ κινούνται προς τη δημιουργία νέων λύσεων αντί να βελτιώνουν τα παλιά συστήματα. Δύο σημαντικές τάσεις σχετικά με την ανάπτυξη των ΤΠΕ θα μπορούσαν να επισημανθούν:

(1) Το γεγονός ότι οι εταιρείες ΤΠΕ είναι πλέον οικονομικά ισχυρές και χρησιμεύουν ως πηγή τόσο οικονομικού όσο και πολιτικού κεφαλαίου.

(2) Οι λύσεις και οι εταιρείες ΤΠΕ είναι τόσο άφθονες που μπορούν να προκύψουν νέες ομάδες προμηθευτών λύσεων. Είναι σημαντικό να κατανοήσουμε τι πραγματικά μπορούν να προσφέρουν λύσεις ΤΠΕ.

Οι «πράσινες» ΤΠΕ περιλαμβάνουν τη χρήση λύσεων ΤΠΕ για την υποστήριξη της έξυπνης ανάπτυξης. Κατά συνέπεια, για να παρατηρηθούν οι «πράσινες» ΤΠΕ, θα πρέπει να γίνει κατανοητό το πλαίσιο των σημερινών τάσεων των «πράσινων» ΤΠΕ. Ενώ μέχρι τον 21ο αιώνα, το «πράσινο» θεωρούνταν ως προστασία της φύσης ή έλεγχος της ρύπανσης, πραγματοποιήθηκε σημαντική αλλαγή στις αρχές της δεκαετίας του 2000. Μια εστίαση μεταφέρθηκε από μια προοπτική προβλήματος (έλεγχος ρύπανσης) σε μια προοπτική λύσης και μια νέα γενιά ηγετών επιχειρήσεων είδε την ευκαιρία να συνδέσει την ανάγκη για αποδοτικότητα πόρων και πωλήσεις νέων προϊόντων και υπηρεσιών.

Παρατηρείται παράλληλη μετατόπιση στην ανάπτυξη των ΤΠΕ. Μεταβαίνει από τη βελτίωση των υπαρχόντων συστημάτων στην παροχή νέων λύσεων. Δημιουργήθηκαν νέες λύσεις ΤΠΕ για την υποστήριξη της ενεργειακής απόδοσης και της «πράσινης» ανάπτυξης. Ένα από τα πιο δημοφιλή παραδείγματα για λύσεις που βασίζονται στις ΤΠΕ είναι τα ηλεκτρονικά βιβλία, τα έξυπνα δίκτυα, τα ηλεκτρικά αυτοκίνητα, οι διαδικτυακές συναντήσεις κ.λπ.

Είναι θετικό ότι πολλοί πολίτες έχουν αρχίσει να συνειδητοποιούν την έννοια της κλιματικής αλλαγής που προκαλείται από τον άνθρωπο και την εξάντληση των πόρων. Θεωρούν επίσης την επιτακτική ανάγκη δράσης σε αυτό το θέμα. Αυτή η κατανόηση οδήγησε πολλούς ανθρώπους να κάνουν αλλαγές στον προσωπικό τους τρόπο ζωής. Η τάση “ζωντανό πράσινο” περιλαμβάνει πολλές πτυχές όπως πράσινες κατασκευές, χρήση ανανεώσιμων πηγών ενέργειας, εξοικονόμηση ενέργειας στο σπίτι, εκτεταμένη χρήση οικολογικών προϊόντων, προσέγγιση ανακύκλωσης. Εδώ πρέπει να προστεθούν οι λεγόμενες λίστες ελέγχου βιωσιμότητας, που έχουν σχεδιαστεί για να βοηθήσουν τα νοικοκυριά να εκτιμήσουν πόσο βιώσιμα είναι και να προσφέρουν προτάσεις για την αύξηση της βιωσιμότητας του σπιτιού. Επιπλέον, η έξυπνη χρήση των ηλεκτρονικών υπηρεσιών μπορεί να είναι ένα εργαλείο για λιγότερη κατανάλωση ενέργειας στην καθημερινή ζωή και στην εργασία. Για παράδειγμα, αυτή είναι η περίπτωση χρήσης χαρτιού – στις μέρες μας η αλληλογραφία αντικαθίσταται από ψηφιακές μορφές που χρησιμοποιούν το Διαδίκτυο και έξυπνες συσκευές. Η παραγωγή και η διανομή νέων προϊόντων και υπηρεσιών δείχνουν την τάση για ελαχιστοποίηση της απαιτούμενης ενέργειας, που υπολογίζεται με το αποτύπωμα άνθρακα. Ένα άλλο παράδειγμα είναι η αντικατάσταση των παραδοσιακών διασκέψεων με διαδικτυακά που επιβάλλουν άμεση θετική επίδραση στην προστασία του περιβάλλοντος και τη μείωση των εκπομπών αερίων του θερμοκηπίου λόγω των μειωμένων υπηρεσιών μεταφοράς. Αναφέρεται ότι οι τηλεδιασκέψεις μπορούν να αποφύγουν την παραγωγή περίπου 540.000 tn CO2 ετησίως, λόγω του κόστους της αεροπορικής μεταφοράς των συμμετεχόντων.

Η χρήση «Πράσινων» εργαλείων και υπηρεσιών ΤΠΕ μέσω ευρυζωνικού/5G Διαδικτύου συμβάλλει στην περιβαλλοντική και κοινωνική ευημερία με τη μείωση του κόστους και του χρόνου πρόσβασης σε κυβερνητικά γραφεία (24/7 υπηρεσίες), εξοικονόμηση ενέργειας (χωρίς μεταφορά) και περιορισμό εκπομπές ρύπων (αποτύπωμα άνθρακα). Ομοίως, στον τομέα του ηλεκτρονικού εμπορίου και του ηλεκτρονικού επιχειρείν νέες καινοτόμες επιχειρηματικές λύσεις είναι υπέρ είτε του επιχειρηματία είτε του τελικού πελάτη.

Test: LO4 Αρχάριο επίπεδο

Βιβλιογραφικές αναφορές

Επιστημονικοί πόροι ανοικτής πρόσβασης: ψηφιακές βάσεις δεδομένων

ΑΡΧΑΡΙΟ ΕΠΙΠΕΔΟ

Η Ανοικτή πρόσβαση ή ΟΑ είναι ένα σύνολο αρχών και μια σειρά πρακτικών μέσω των οποίων τα αποτελέσματα της έρευνας διανέμονται διαδικτυακά, χωρίς κόστος ή άλλα εμπόδια πρόσβασης.

Περιεχόμενα

 

Επιστημονικοί πόροι ανοικτής πρόσβασης

Εισαγωγή στους πόρους «Ανοικτής Πρόσβασης»

Η Ανοικτή πρόσβαση ή ΟΑ είναι ένα σύνολο αρχών και μια σειρά πρακτικών μέσω των οποίων τα αποτελέσματα της έρευνας διανέμονται διαδικτυακά, χωρίς κόστος ή άλλα εμπόδια πρόσβασης. Με αυστηρά καθορισμένη την ανοικτή πρόσβαση (σύμφωνα με τον ορισμό του 2001), ή δωρεάν ανοικτή πρόσβαση, τα εμπόδια στην αντιγραφή ή την επαναχρησιμοποίηση μειώνονται ή εξαλείφονται με την εφαρμογή ανοικτής άδειας για πνευματικά δικαιώματα.

Ο κύριος στόχος του κινήματος ανοικτής πρόσβασης είναι η “βιβλιογραφία έρευνας από ομοτίμους”. Ιστορικά, αυτό επικεντρώθηκε κυρίως σε έντυπα ακαδημαϊκά περιοδικά. Ενώ τα συμβατικά (μη ανοιχτής πρόσβασης) περιοδικά καλύπτουν το κόστος έκδοσης μέσω διοδίων πρόσβασης, όπως συνδρομές, άδειες ιστότοπου ή χρεώσεις πληρωμής ανά προβολή, τα περιοδικά ανοικτής πρόσβασης χαρακτηρίζονται από μοντέλα χρηματοδότησης που δεν απαιτούν από τον αναγνώστη να πληρώσει για να διαβάσει περιεχόμενο του περιοδικού. Η ανοικτή πρόσβαση μπορεί να εφαρμοστεί σε όλες τις μορφές δημοσιευμένων ερευνητικών αποτελεσμάτων, συμπεριλαμβανομένων άρθρων ακαδημαϊκών περιοδικών που έχουν αξιολογηθεί και δεν έχουν αξιολογηθεί από ομοτίμους, άρθρων συνεδρίων, διπλωματικών εργασιών, κεφαλαίων βιβλίων, μονογραφιών και εικόνων.

Ωστόσο, όταν πρόκειται για τον ορισμό της “δωρεάν” πρόσβασης, πρέπει να διακρίνει το “δωρεάν” από το “libre”.

Προκειμένου να αντικατοπτριστούν οι πραγματικές διαφορές στον βαθμό της ανοικτής πρόσβασης, η διάκριση μεταξύ δωρεάν ανοικτής πρόσβασης και δωρεάν ανοικτής πρόσβασης προστέθηκε το 2006 από τους Peter Suber και Stevan Harnad, δύο από τους συν-συντάκτες της αρχικής πρωτοβουλίας Ανοικτής Πρόσβασης στη Βουδαπέστη ( BOAI) ορισμός της δημοσίευσης ανοικτής πρόσβασης. Η δωρεάν ανοικτή πρόσβαση αναφέρεται στη δωρεάν πρόσβαση στο διαδίκτυο και η ελεύθερη πρόσβαση στην ελεύθερη πρόσβαση στην ηλεκτρονική πρόσβαση δωρεάν, καθώς και ορισμένα πρόσθετα δικαιώματα επαναχρησιμοποίησης. Η ανοικτή πρόσβαση Libre ισοδυναμεί με τον ορισμό της ανοικτής πρόσβασης στο BOAI, τη δήλωση Bethesda σχετικά με τις εκδόσεις ανοικτής πρόσβασης και τη δήλωση του Βερολίνου για την ανοικτή πρόσβαση στη γνώση στις επιστήμες και τις ανθρωπιστικές επιστήμες. Τα δικαιώματα επαναχρησιμοποίησης του libre OA συχνά καθορίζονται από διάφορες ειδικές άδειες Creative Commons. σχεδόν όλα αυτά απαιτούν την απόδοση συγγραφής στους αρχικούς συγγραφείς.

Το έγγραφο που κυκλοφόρησε τον Φεβρουάριο του 2002 από το BOAI περιέχει τον ακόλουθο ευρέως διαδεδομένο ορισμό:

  • Με τον όρο “ανοιχτή πρόσβαση” σε αυτήν τη βιβλιογραφία, εννοούμε τη δωρεάν διαθεσιμότητά της στο δημόσιο διαδίκτυο, επιτρέποντας σε όλους τους χρήστες να διαβάζουν, να κατεβάζουν, να αντιγράφουν, να διανέμουν, να εκτυπώνουν, να αναζητούν ή να συνδέουν τα πλήρη κείμενα αυτών των άρθρων, να τα ανιχνεύουν για ευρετηρίαση , να τα μεταβιβάσετε ως δεδομένα στο λογισμικό ή να τα χρησιμοποιήσετε για οποιονδήποτε άλλο νόμιμο σκοπό, χωρίς οικονομικούς, νομικούς ή τεχνικούς φραγμούς, εκτός από αυτούς που είναι αδιαχώριστοι από την απόκτηση πρόσβασης στο ίδιο το Διαδίκτυο. Ο μόνος περιορισμός για την αναπαραγωγή και διανομή και ο μόνος ρόλος για τα πνευματικά δικαιώματα σε αυτόν τον τομέα, θα πρέπει να είναι να δοθεί στους συγγραφείς ο έλεγχος της ακεραιότητας του έργου τους και του δικαιώματος να αναγνωρίζονται και να αναφέρονται σωστά.

Λαμβάνοντας υπόψη τις παραπάνω πληροφορίες, η χρήση επιστημονικών πόρων ανοιχτού κώδικα πρέπει να ακολουθεί τους κανόνες που χρησιμοποιούνται συνήθως. Η δημοσίευση επιστημονικών πόρων ανοιχτού κώδικα πρέπει επίσης να αναφέρει σαφώς εάν είναι δωρεάν ή δωρεάν και πρέπει να αποδοθούν στον αρχικό συγγραφέα.

Εισαγωγή στα δεδομένα (βασικό επίπεδο)

Τι είναι τα «δεδομένα»

Σύμφωνα με το λεξικό Merriam-Webster, υπάρχουν τρεις διαφορετικοί ορισμοί δεδομένων:

  1. Πραγματικές πληροφορίες, όπως μετρήσεις ή στατιστικές, που χρησιμοποιούνται ως βάση για συλλογισμό, συζήτηση ή υπολογισμό
  2. Πληροφορίες σε ψηφιακή μορφή που μπορούν να μεταδοθούν ή να υποβληθούν σε επεξεργασία
  3. Οι πληροφορίες που παρέχονται από μια συσκευή ή όργανο ανίχνευσης που περιλαμβάνουν χρήσιμες και άσχετες ή περιττές πληροφορίες και πρέπει να υποβάλλονται σε επεξεργασία για να έχουν νόημα

Σε αυτό το έγγραφο θα καλύψουμε τους περισσότερους από τους τρεις ορισμούς.

Μια σύντομη ανασκόπηση των δεδομένων

Από τότε που οι άνθρωποι άρχισαν να επικοινωνούν, βίωσαν την ανάγκη να διατηρήσουν πληροφορίες για μακροπρόθεσμο ορίζοντα. Η διατήρηση πληροφοριών ήταν απαραίτητη για τους προγόνους μας για να διασφαλίσουν την επιβίωσή τους. Η μετάδοση πληροφοριών από γενιά σε γενιά τους επέτρεψε να παρακολουθούν τους πιθανούς κινδύνους, αλλά και να καταγράφουν τα καλύτερα μέρη για τη συλλογή τροφίμων, τα καλύτερα σημεία για ψάρεμα, τα πιο ενδιαφέροντα ζώα για κυνήγι και πού να βρουν τα καλύτερα καταφύγια. Όλες αυτές οι πληροφορίες διαβιβάστηκαν προφορικά. Με την εξέλιξη της γνώσης και την εφεύρεση της γραφής, άρχισαν να αποθηκεύουν πληροφορίες σε ανεξίτηλα μέσα.

Χωρίς να υπεισέλθουμε σε λεπτομέρειες σχετικά με την εξέλιξη της αναπαράστασης της πληροφορίας, θα παρασχεθούν ορισμένα σημαντικά παραδείγματα που βοήθησαν στη δομή της σκέψης, τα οποία οδήγησαν στην ανακάλυψη των εργαλείων υπολογιστών που χρησιμοποιούμε καθημερινά.

Τα δεδομένα πριν από την εφεύρεση των υπολογιστών

Καθώς εμφανίστηκαν οι ανθρώπινες κοινωνίες, τα συλλογικά κίνητρα για την ανάπτυξη της γραφής καθοδηγήθηκαν από πραγματιστικές ανάγκες. Αυτές περιλαμβάνουν την οργάνωση και τη διακυβέρνηση των κοινωνιών μέσω της διαμόρφωσης νομικών συστημάτων, συμβάσεων, ιδιοκτησιών, φορολογίας, εμπορικών συμφωνιών, συνθηκών, αρχείων απογραφής, τήρησης ιστορικού, διατήρησης πολιτισμού, παρακολούθησης επιστημονικών ανακαλύψεων, κωδικοποίησης γνώσεων μέσω αναλυτικών προγραμμάτων και καταλόγων κειμένων που είναι καλλιτεχνικά εξαιρετικά ή θεωρείται ότι περιέχουν θεμελιώδεις γνώσεις και πολλές άλλες ανάγκες.

Εικόνα1: Σφηνοειδής γραφή

Για παράδειγμα, γύρω στην 4η χιλιετία π.Χ., η πολυπλοκότητα του εμπορίου και της διοίκησης στη Μεσοποταμία ξεπέρασε την ανθρώπινη μνήμη και η γραφή έγινε μια πιο αξιόπιστη μέθοδος καταγραφής και παρουσίασης συναλλαγών σε μόνιμη μορφή.

Η σφηνοειδής γραφή ήταν ένα από τα πρώτα συστήματα γραφής, που εφευρέθηκε από τους Σουμέριους στην αρχαία Μεσοποταμία. Διακρίνεται από τα σφηνοειδή του σημάδια σε πήλινες πλάκες, κατασκευασμένα με τη βοήθεια ενός αμβλύ καλαμιού για μια γραφίδα, όπως αποδεικνύεται στην Εικόνα 1.

Με την πάροδο του χρόνου, η ανάπτυξη της γνώσης, ο πολλαπλασιασμός των πληροφοριών, ο περιορισμός της ανθρώπινης μνήμης, η αναγκαιότητα γραφής και τήρησης αρχείων για τεράστιες ποσότητες πληροφοριών έχει γίνει απαραίτητη. Ωστόσο, παρά την καταγραφή σχεδόν κάθε είδους πληροφοριών ή δεδομένων σε διάφορα μέσα, έγινε όλο και πιο περίπλοκο να ανακτηθούν με απλό τρόπο. Κάποιος έπρεπε να διαβάσει δεκάδες εκθέσεις και βιβλία για να μπορέσει να συνθέσει ένα θέμα.

Τα δεδομένα στην σύγχρονη εποχή

Σήμερα, η ποσότητα των δεδομένων που παράγονται κάθε χρόνο και διατηρούνται ψηφιακά, π.χ. λίστες υποχρεώσεων, συνταγές, υπενθυμίσεις, ημερολόγια, χάρτες, φωτογραφίες, e-mail, επιστημονικά δεδομένα, πολιτικές εκθέσεις, βίντεο κ.λπ. είναι τόσο εκθετικές που δημιουργεί την ανάγκη να δομήσουμε τον τρόπο με τον οποίο μπορούμε να ανακτήσουμε αυτά τα φαινομενικά μεγέθη.

Οι υπολογιστές κέρδισαν δημοτικότητα και έγιναν οικονομικά αποδοτικοί στη χρήση από ιδιώτες και ιδιωτικές εταιρείες στις αρχές της δεκαετίας του ’80. Ωστόσο, η δεκαετία του ’60 μπορεί να θεωρηθεί ως η νέα εποχή στον τομέα των βάσεων δεδομένων. Η εισαγωγή του όρου “βάση δεδομένων” συνέπεσε με τη διαθεσιμότητα αποθήκευσης άμεσης πρόσβασης ή DAS, από τα μέσα της δεκαετίας του ’60 και μετά. Αυτή η νέα τεχνολογία αντιπροσώπευε μια αντίθεση με τις προηγούμενες κάρτες διάτρησης και τα συστήματα με βάση την ταινία, επιτρέποντας κοινή διαδραστική χρήση και όχι καθημερινή παρτίδα. Δύο κύρια μοντέλα δεδομένων αναπτύχθηκαν – το μοντέλο δικτύου “CODASYL” (Συνέδριο για τη γλώσσα του συστήματος δεδομένων) και το ιεραρχικό μοντέλο “IMS” (Σύστημα Διαχείρισης Πληροφοριών).

Η πρώτη γενιά συστημάτων βάσεων δεδομένων ήταν «πλοήγηση, σε αντίθεση με τη διαδοχική πρόσβαση λόγω των προηγούμενων τεχνολογιών που χρησιμοποιήθηκαν για την αποθήκευση δεδομένων, δηλαδή ταινίες και κάρτες διάτρησης. Οι εφαρμογές συνήθως είχαν πρόσβαση στα δεδομένα ακολουθώντας δείκτες από τη μία εγγραφή στην άλλη. Τα στοιχεία αποθήκευσης εξαρτώνταν από τον τύπο των δεδομένων που θα αποθηκευτούν.

Η προσθήκη ενός επιπλέον πεδίου σε μια βάση δεδομένων απαιτούσε επανεγγραφή του υποκείμενου σχεδίου πρόσβασης/τροποποίησης. Έμφαση δόθηκε στα αρχεία που θα επεξεργαστούν και όχι στη συνολική δομή του συστήματος. Ένας χρήστης θα πρέπει να γνωρίζει τη φυσική δομή της βάσης δεδομένων για να ζητήσει πληροφορίες. Μια βάση δεδομένων που αποδείχθηκε εμπορική επιτυχία ήταν το σύστημα «SABER» που χρησιμοποιήθηκε από την IBM για να βοηθήσει τις American Airlines να διαχειριστούν τα δεδομένα των κρατήσεών της. Αυτό το σύστημα εξακολουθεί να χρησιμοποιείται από τις μεγάλες ταξιδιωτικές υπηρεσίες για τα συστήματα κρατήσεών τους.

Στη σύγχρονη τεχνολογία πληροφοριών, υπήρχε πάντα σύγχυση μεταξύ των χρηστών μεταξύ βάσεων δεδομένων και διαδικτυακών μηχανών αναζήτησης στο διαδίκτυο στα οποία έχουν πρόσβαση τα προγράμματα περιήγησης. Μια βάση δεδομένων περιέχει συνήθως δομημένα δεδομένα, σε αντίθεση με τον Παγκόσμιο Ιστό (www), που συνήθως περιέχει μη δομημένα δεδομένα. Ακόμα κι αν η ανάκτηση πληροφοριών τόσο από τις βάσεις δεδομένων όσο και από το “www” είναι απρόσκοπτη και μοιάζει παρόμοια, το περιεχόμενο και ο τρόπος με τον οποίο απευθύνονται τα ερωτήματα είναι εντελώς διαφορετικά. Τα δομημένα και μη δομημένα δεδομένα θα εξηγηθούν αργότερα σε αυτό το έγγραφο.

Κατανόηση του βασικού λεξιλογίου

Ορολογία

Όπως κάθε άλλη επιστήμη, η επιστήμη των υπολογιστών έχει τη δική της γλώσσα. Για να κατανοήσετε πλήρως τις πληροφορίες που θα παρέχονται σε αυτό το έγγραφο, είναι απαραίτητο να εξοικειωθείτε με το λεξιλόγιο που σχετίζεται με αυτό το θέμα.

Επιπλέον, η επικοινωνία με έναν DBA (Διαχειριστής βάσης δεδομένων) θα διευκολυνθεί. Όταν ένας Βιοχημικός θα πρέπει να εκφράσει τις ανάγκες του όσον αφορά τη δομή ή τη διαχείριση δεδομένων σε μια βάση δεδομένων, θα μπει στον πειρασμό να χρησιμοποιήσει τη δική του τεχνική γλώσσα. Στη συνέχεια, το DBA θα πρέπει να κατανοήσει το αίτημα και να το μετατρέψει σε γλώσσα υπολογιστή, η οποία θα είναι κατανοητή από τους βιοχημικούς.

Τι είναι τα δεδομένα στην υπολογιστική εποχή

Figure 2:A bit can be 0 or 1

Όπως αναφέρεται στην ενότητα 2.1, σύμφωνα με τον τομέα στον οποίο αναφέρεται, τα δεδομένα ενδέχεται να έχουν διαφορετική σημασία. Στην περίπτωση των υπολογιστών και των βάσεων δεδομένων, τα δεδομένα ορίζονται ως οποιαδήποτε ακολουθία ενός ή περισσοτέρων συμβόλων. Τα δεδομένα απαιτούν ερμηνεία για να γίνουν πληροφορίες. Στην τεχνολογία των πληροφοριών, το “bit” είναι η μικρότερη ποσότητα δεδομένων. Ένα κομμάτι είναι δυαδικό. Οι δυαδικοί αριθμοί είναι μια αναπαράσταση αριθμών που χρησιμοποιούν μόνο δύο ψηφία, 0 και 1 (Εικ. 2). Είναι ένα αριθμητικό σύστημα βάσης 2, δηλαδή:

  • 0 0 0 1 = αριθμητική τιμή 20
  • 0 0 1 0 = αριθμητική τιμή 21
  • 0 1 0 0 = αριθμητική τιμή 22
  • 1 0 0 0 = αριθμητική τιμή 23

Πίνακας 1

Μια ακολουθία “bits” αποτελεί “Byte”. Τα bytes αποτελούνται από πολλαπλάσιο των 4 bits (ένα byte των 4 bits ονομάζεται Nibble) όπως στο παραπάνω παράδειγμα. Σήμερα, το byte είναι μια μονάδα ψηφιακών πληροφοριών που συνηθέστερα αποτελείται από οκτώ bit. Ιστορικά, το byte ήταν ο αριθμός των bit που χρησιμοποιήθηκαν για την κωδικοποίηση ενός χαρακτήρα κειμένου σε έναν υπολογιστή. Με ένα byte οκτώ bits, ο μέγιστος δεκαδικός αριθμός είναι 256. Ιστορικά, το byte είναι επίσης η μονάδα πληροφοριών υπολογιστή ή χωρητικότητας αποθήκευσης δεδομένων που χρησιμοποιείται για τη μέτρηση της ποσότητας δεδομένων (Πίνακας 1).

Πίνακας 2: ASCII πίνακας

Ένα παράδειγμα χρήσης είναι ο πίνακας χαρακτήρων ASCII (American Standard Code for Information Interchange) που χρησιμοποιείται συνήθως για αλφαβητικούς χαρακτήρες (Πίνακας 2). Οι πρώτοι 32 χαρακτήρες ονομάζονται χαρακτήρες ελέγχου. Αρχικά, δεν σχεδιάστηκαν για να αντιπροσωπεύουν εκτυπώσιμες πληροφορίες, αλλά για τον έλεγχο συσκευών που χρησιμοποιούν κώδικα ASCII, όπως εκτυπωτές, ή για την παροχή μετα-πληροφοριών σχετικά με τις ροές δεδομένων, π.χ. αυτές που είναι αποθηκευμένες σε μαγνητική ταινία.

Τι είναι τα «μεταδεδομένα»

Εικόνα 3: Φωτογραφία στην Ελλάδα

Τα μεταδεδομένα, ή, απλά, οι μετα-πληροφορίες, χρησιμοποιούνται για την αναφορά των δεδομένων σχετικά με τα δεδομένα. Η κατοχή δεδομένων δεν αρκεί για να τα θέσουμε απλά στο διαδίκτυο. Τα δεδομένα δεν μπορούν να χρησιμοποιηθούν έως ότου εξηγηθούν με τρόπο που μπορούν να επεξεργαστούν τόσο οι άνθρωποι όσο και οι υπολογιστές.

Τα μεταδεδομένα μπορεί να υπονοούνται, να καθορίζονται ή να δίνονται. Περιλαμβάνει δεδομένα που σχετίζονται με φυσικά γεγονότα ή διαδικασίες και θα έχει επίσης ένα χρονικό συστατικό. Σε όλες σχεδόν τις περιπτώσεις αυτό το χρονικό στοιχείο υπονοείται. Μπορεί να είναι λίγο δύσκολο να το καταλάβουμε, ωστόσο, το ακόλουθο παράδειγμα θα δώσει μια σαφέστερη εξήγηση αυτού του όρου.

Εικόνα 4:
Μεταδεδομένα της φωτογραφίας

Φανταστείτε ότι ταξιδεύετε με το αγαπημένο σας smartphone σε κάποιο παράδεισο νησί. Αρχίζετε να τραβάτε φωτογραφίες (Εικ. 3) για να κρατήσετε ωραία αρχεία του ταξιδιού σας. Μια εβδομάδα αργότερα, το ταξίδι σας φτάνει στο τέλος του και πρέπει να επιστρέψετε στο σπίτι.

Επιστρέφοντας στο σπίτι, καλείτε τους καλύτερους φίλους σας για ένα πάρτι και θέλετε να μοιραστείτε μαζί τους τις ομορφιές που έχετε δει κατά τη διάρκεια του ταξιδιού σας. Αρχίζετε να εμφανίζετε τις εικόνες, αλλά δεν μπορείτε να θυμηθείτε ποια μέρα, τι ώρα και πού τραβήχτηκαν μερικές από αυτές. Αυτό είναι όπου τα μεταδεδομένα των εικόνων μπορούν να βοηθήσουν. Με λίγα λόγια, είναι η περιγραφή των δεδομένων. Σε αυτό το παράδειγμα, η εικόνα είναι τα δεδομένα και η περιγραφή της εικόνας είναι τα μεταδεδομένα (Εικ. 4).

Στη Βιοτεχνολογία, πρέπει να καταλάβουμε ότι τα μεταδεδομένα είναι μακράν πιο σημαντικά από τα δεδομένα. Είναι πολύ απλό να κατανοήσουμε τον λόγο για τον οποίο τα μεταδεδομένα είναι ένα κρίσιμο συστατικό που σχετίζεται άμεσα με τα δεδομένα. Φανταστείτε ένα πείραμα που θα οδηγήσει σε ένα συγκεκριμένο αποτέλεσμα. Αυτό το πείραμα, για να είναι έγκυρο, πρέπει να τεκμηριωθεί. Αυτή η τεκμηρίωση πρέπει να περιλαμβάνει όλες τις συνθήκες, υπό τις οποίες πραγματοποιήθηκε το πείραμα. Αυτό μπορεί να περιλαμβάνει την περιγραφή του είδους της πρώτης ύλης που χρησιμοποιήθηκε, την πηγή της, υπό ποιες συνθήκες συλλέχθηκε, τους τύπους μηχανών για την επεξεργασία του πειράματος, τη θερμοκρασία, την ημερομηνία, την ώρα κ.λπ. Για να είναι το αποτέλεσμα αυτού του πειράματος συγκρίσιμο με άλλα αποτελέσματα παρόμοιων πειραμάτων, όλες οι συνθήκες πρέπει να είναι παρόμοιες. Τα ωμά δεδομένα χωρίς μεταδεδομένα είναι άχρηστα.

Η μεγαλύτερη πρόκληση στη βιοτεχνολογία, και σε οποιαδήποτε άλλη επιστήμη, είναι η τυποποίηση των μεταδεδομένων. Στις περισσότερες βάσεις δεδομένων της βιοτεχνολογίας, αυτό δεν τηρείται. Πρέπει κανείς να έχει απόλυτη συνείδηση ​​αυτού του φαινομένου και να σέβεται πλήρως τα πρότυπα.

Τι είναι μια «Βάση δεδομέων»

Εικόνα 5: Μερική δομή της βάσης δεδομένων

Σε γενικές γραμμές, μια βάση δεδομένων ορίζεται ως μια συλλογή στοιχείων δεδομένων, όπως τηλεφωνικοί κατάλογοι, τιμοκατάλογοι, λίστες αποθεμάτων, διευθύνσεις πελατών κ.λπ. Ωστόσο, από τεχνική άποψη, μια βάση δεδομένων αναφέρεται ως «μια αυτο-περιγραφόμενη συλλογή ολοκληρωμένων ρεκόρ ». Υπονοεί τεχνολογία υπολογιστών, συμπληρωμένη με μια συγκεκριμένη γλώσσα υπολογιστών, όπως η SQL (Structured Query Language).

Μια βάση δεδομένων αποτελείται από πολλούς πίνακες (Εικ. 5) και από δεδομένα και μεταδεδομένα. Τα μεταδεδομένα είναι τα δεδομένα που περιγράφουν τη δομή των δεδομένων μέσα σε μια βάση δεδομένων. Εάν γνωρίζετε πώς είναι τακτοποιημένα τα δεδομένα σας, τότε μπορείτε να τα ανακτήσετε. Δεδομένου ότι η βάση δεδομένων περιέχει μια περιγραφή της δικής της δομής, αναφέρεται ως αυτο-περιγραφόμενη. Η βάση δεδομένων είναι ενσωματωμένη επειδή δεν περιλαμβάνει μόνο στοιχεία δεδομένων αλλά και τις σχέσεις μεταξύ τους.

Η βάση δεδομένων αποθηκεύει μεταδεδομένα σε μια περιοχή που ονομάζεται λεξικό δεδομένων, η οποία περιγράφει πίνακες, στήλες, ευρετήρια, περιορισμούς και άλλα στοιχεία που αποτελούν τη βάση δεδομένων.

Επειδή ένα επίπεδο αρχείο αρχείων, δηλαδή το “Spreadsheet” δεν έχει μεταδεδομένα, οι εφαρμογές που έχουν γραφτεί για να λειτουργούν με επίπεδα αρχεία πρέπει να περιέχουν το ισοδύναμο των μεταδεδομένων ως μέρος του προγράμματος εφαρμογής.

Τι είναι οι «Πίνακες» σε μια βάση δεδομένων

Ένας πίνακας είναι μια συλλογή σχετικών δεδομένων που διατηρούνται σε μορφή πίνακα που αποτελείται από στήλες και σειρές μέσα σε μια βάση δεδομένων. Μοιάζει με υπολογιστικό φύλλο (Εικ. 6).

Τι είναι οι «Στήλες» σε μια βάση δεδομένων

Εικόνα 6: Πίνακας με στήλες και σειρές

Μια στήλη είναι ένα σύνολο τιμών δεδομένων, όλες ενός τύπου, σε έναν πίνακα. Οι στήλες ορίζουν τα δεδομένα σε έναν πίνακα. Οι περισσότερες βάσεις δεδομένων επιτρέπουν στις στήλες να περιέχουν πολύπλοκα δεδομένα, όπως εικόνες, ολόκληρα έγγραφα ή ακόμη και βίντεο κλιπ. Επομένως, μια στήλη που επιτρέπει τιμές δεδομένων ενός τύπου δεν σημαίνει απαραίτητα ότι έχει μόνο απλές τιμές κειμένου. Ορισμένες βάσεις δεδομένων προχωρούν ακόμη περισσότερο και επιτρέπουν την αποθήκευση των δεδομένων ως αρχείο στο λειτουργικό σύστημα, ενώ τα δεδομένα της στήλης περιέχουν μόνο δείκτη ή σύνδεσμο προς το πραγματικό αρχείο. Αυτό γίνεται με σκοπό τη διατήρηση του συνολικού μεγέθους της βάσης δεδομένων – ένα μικρότερο μέγεθος βάσης δεδομένων σημαίνει λιγότερο χρόνο που απαιτείται για τη δημιουργία αντιγράφων ασφαλείας και λιγότερο χρόνο που απαιτείται για την αναζήτηση δεδομένων μέσα στη βάση δεδομένων.

Σε έναν πίνακα, σε κάθε στήλη εκχωρείται τυπικά ένας τύπος δεδομένων και άλλοι περιορισμοί, οι οποίοι καθορίζουν τον τύπο της τιμής που μπορεί να αποθηκευτεί σε αυτήν τη στήλη. Για παράδειγμα, μια στήλη ενδέχεται να δέχεται διευθύνσεις ηλεκτρονικού ταχυδρομείου και μια άλλη μπορεί να δέχεται αριθμούς τηλεφώνου με περιορισμό 10 ψηφίων.

Τι είναι μια «Εγγραφή»

Μια εγγραφή είναι μια αναπαράσταση ενός φυσικού ή εννοιολογικού αντικειμένου. Πείτε, για παράδειγμα, ότι θέλετε να παρακολουθείτε τους πελάτες μιας επιχείρησης. Εκχωρείτε μια εγγραφή για κάθε πελάτη. Κάθε εγγραφή έχει πολλά χαρακτηριστικά, όπως όνομα, διεύθυνση και αριθμό τηλεφώνου. Μεμονωμένα ονόματα, διευθύνσεις και ούτω καθεξής είναι τα δεδομένα.

Τι είναι τα «Ευρετήρια»

Εικόνα 7: Παράδειγμα ευρετηρίων

Τα δομημένα δεδομένα αποθηκεύονται με τη μορφή εγγραφών σε μια βάση δεδομένων. Κάθε εγγραφή έχει ένα βασικό πεδίο, το οποίο το βοηθά να αναγνωρίζεται μοναδικά, δηλαδή το αναγνωριστικό ενός ασθενούς. Κανένας άλλος ασθενής δεν μπορεί να έχει τον ίδιο αριθμό ταυτότητας, αλλά άλλος ασθενής μπορεί να έχει το ίδιο όνομα και επώνυμο.

Η ευρετηρίαση μιας βάσης δεδομένων είναι μια τεχνική για την αποτελεσματική ανάκτηση εγγραφών από τα αρχεία της βάσης δεδομένων, με βάση ορισμένα χαρακτηριστικά στα οποία έχει εκτελεστεί η ευρετηρίαση. Για να το κάνουμε απλό, η ευρετηρίαση στα συστήματα βάσεων δεδομένων είναι παρόμοια με αυτήν που συνήθως βλέπουμε στα βιβλία. Στην αρχή ή στο τέλος ενός βιβλίου, μπορεί να βρεθεί ένα ευρετήριο (το οποίο διαφέρει από έναν πίνακα περιεχομένων), το οποίο παρέχει όλους τους αριθμούς σελίδων για ένα συγκεκριμένο θέμα. Για παράδειγμα, ένας Άτλας μπορεί να χωριστεί σε κεφάλαια που περιέχουν χάρτες, κεφάλαια που περιέχουν δεδομένα για τον πληθυσμό και κεφάλαια αφιερωμένα σε δεδομένα παραγωγής ή γεωργίας χωρών. Εάν ψάχνετε για μια συγκεκριμένη χώρα και θα θέλατε να έχετε μια επισκόπηση όλων των δεδομένων που αφορούν τη συγκεκριμένη χώρα, το ευρετήριο μπορεί να είναι πολύ χρήσιμο καθώς θα σας δείχνει τη σελίδα που σχετίζεται με τη συγκεκριμένη χώρα σε κάθε κεφάλαιο (Εικ. 7).

Τι είναι ένα «Αντικείμενο»

Στην επιστήμη των υπολογιστών, ένα αντικείμενο μπορεί να είναι μια μεταβλητή, μια δομή δεδομένων, μια συνάρτηση ή μια μέθοδος και, ως εκ τούτου, είναι μια τιμή στη μνήμη που αναφέρεται από ένα αναγνωριστικό. Στο σχεσιακό μοντέλο διαχείρισης βάσης δεδομένων, ένα αντικείμενο μπορεί να είναι ένας πίνακας ή στήλη, ή μια συσχέτιση μεταξύ δεδομένων και οντότητας βάσης δεδομένων, όπως η σχέση ηλικίας ενός ατόμου με ένα συγκεκριμένο άτομο.

Δομημένα δεδομένα

Εικόνα 8: Δομημένα δεδομένα

Σύμφωνα με το SNIA (Storage Networking Industry Association), τα δομημένα δεδομένα ορίζονται ως:

«Δεδομένα που οργανώνονται και διαμορφώνονται με γνωστό και σταθερό τρόπο.»

Η μορφή και η οργάνωση ορίζονται συνήθως σε ένα σχήμα. Ο όρος δομημένα δεδομένα συνήθως νοείται ως δεδομένα που παράγονται και διατηρούνται από βάσεις δεδομένων και επιχειρηματικές εφαρμογές. ”

Απαιτούνται τρεις προϋποθέσεις για να περιγραφούν τα δεδομένα ως δομημένα:

  • Πρέπει να συμμορφώνεται με ένα μοντέλο δεδομένων,
  • Πρέπει να έχει μια καλά καθορισμένη δομή,
  • Πρέπει να ακολουθεί μια συνεπή σειρά και να είναι εύκολα προσβάσιμη και να χρησιμοποιείται από ένα άτομο ή ένα πρόγραμμα υπολογιστή.

Τα δομημένα δεδομένα συνήθως αποθηκεύονται σε καλά καθορισμένα σχήματα όπως οι βάσεις δεδομένων. Γενικά είναι πίνακας με στήλες και σειρές που καθορίζουν σαφώς τα χαρακτηριστικά του (Εικ. 8).

Η SQL (γλώσσα δομημένου ερωτήματος) χρησιμοποιείται συχνά για τη διαχείριση δομημένων δεδομένων που είναι αποθηκευμένα σε βάσεις δεδομένων.

Αδόμητα δεδομένα

Εικόνα 9: Αρχείο PDF

Οι πληροφορίες που δεν είναι οργανωμένες σε ένα προκαθορισμένο μοντέλο ονομάζονται μη δομημένα δεδομένα ή μη δομημένες πληροφορίες. Στην επιστήμη των υπολογιστών, αρχεία όπως αρχεία κειμένου, φωτογραφίες, αρχεία βίντεο, αρχεία ήχου και παρουσιάσεις θεωρούνται αρχεία χωρίς δομή. Συνήθως, ένα αρχείο PDF περιέχει μη δομημένα δεδομένα (Εικ. 9).

Υπολογίζεται ότι το 80 έως 90% των παγκόσμιων συνολικών αποϋλοποιημένων δεδομένων είναι αδόμητο. Οι συνηθισμένοι αλγόριθμοι ερωτημάτων δεν είναι σε θέση να εξαγάγουν απλά και αποτελεσματικά τις απαιτούμενες πληροφορίες από ένα μη δομημένο αρχείο, όπως στο παράδειγμα του σχήματος 9. Οι ίδιες πληροφορίες που περιέχονται στο σχήμα 9 μπορούν εύκολα να ανακτηθούν με ένα ερώτημα. Ωστόσο, σήμερα, διατίθενται μη δομημένα εργαλεία ανάλυσης δεδομένων που υποστηρίζονται από τεχνητή νοημοσύνη (AI), τα οποία δημιουργήθηκαν ειδικά για πρόσβαση στις διαθέσιμες πληροφορίες από μη δομημένα δεδομένα (βλ. 3.1.12 Analytics).

Μεγάλα δεδομένα (Big data)

Σύμφωνα με το SNIA (Storage Networking Industry Association), τα μεγάλα δεδομένα ορίζονται ως:

“Ένας χαρακτηρισμός συνόλων δεδομένων που είναι πολύ μεγάλα για να υποστούν αποτελεσματική επεξεργασία στο σύνολό τους από τις πιο ισχυρές τυπικές διαθέσιμες υπολογιστικές πλατφόρμες.”

Με άλλα λόγια, τα Big Data αναφέρονται σε τεράστιες ποσότητες δομημένων ή μη δομημένων δεδομένων που δεν μπορούν να υποβληθούν σε επεξεργασία από το συνηθισμένο λογισμικό ως παραδοσιακή γλώσσα ερωτήματος βάσης δεδομένων ή οποιοδήποτε άλλο είδος λήψης μηχανών.

Υπάρχει σύγχυση σχετικά με την τρέχουσα χρήση των όρων Big Data και Analytics. Τα Big Data είναι οι πληροφορίες, ενώ το Analytics είναι ο τρόπος εξαγωγής των επιθυμητών πληροφοριών από τεράστιες ποσότητες διαθέσιμων πληροφοριών.

Αναλυτικά στοιχεία (Analytics)

Στην τεχνολογία υπολογιστών, το Analytics είναι μια μέθοδος εξαγωγής αξίας από μεγάλα δεδομένα.

Στον τομέα της υγειονομικής περίθαλψης, η Big Data Analytics έχει οδηγήσει σε πολλές βελτιώσεις παρέχοντας εξατομικευμένη ιατρική και προγνωστικά αναλυτικά στοιχεία. Καθώς ο όγκος των δεδομένων αυξάνεται δραματικά, οι παραδοσιακές βάσεις δεδομένων και οι μηχανές αναζήτησης δεν θα είναι σε θέση να χειριστούν και να ανακτήσουν συγκεκριμένες πληροφορίες. Τα δεδομένα των ασθενών δημιουργούνται από μαγνητική τομογραφία, ακτίνες Χ, μηχανήματα αιματολογικών εξετάσεων, αισθητήρες παρακολούθησης και πολλές άλλες πηγές συμπλεγμάτων δεδομένων προς επεξεργασία. Εκτενείς πληροφορίες στον τομέα της υγειονομικής περίθαλψης είναι πλέον σε ηλεκτρονική μορφή. ταιριάζει κάτω από τη μεγάλη ομπρέλα δεδομένων καθώς τα περισσότερα είναι αδόμητα και δύσκολα στη χρήση.

Τα μεγάλα δεδομένα στην έρευνα για την υγεία είναι ιδιαίτερα ελπιδοφόρα όσον αφορά τη διερευνητική βιοϊατρική έρευνα, καθώς η ανάλυση βάσει δεδομένων μπορεί να προχωρήσει πιο γρήγορα από την έρευνα που βασίζεται σε υποθέσεις. Στη συνέχεια, οι τάσεις που παρατηρούνται στην ανάλυση δεδομένων μπορούν να δοκιμαστούν στην παραδοσιακή, βασισμένη σε υποθέσεις, βιολογική έρευνα και τελικά κλινική έρευνα.

Αποθήκευση

Ένα αποθετήριο δεδομένων ή μια αποθήκη δεδομένων είναι ένα κεντρικό μέρος για την αποθήκευση και τη διατήρηση δεδομένων. Ένα αποθετήριο δεδομένων μπορεί να αποτελείται από ένα ή περισσότερα δομημένα αρχεία δεδομένων, όπως βάσεις δεδομένων ή μη δομημένα αρχεία δεδομένων, τα οποία μπορούν να διανεμηθούν σε ένα δίκτυο και να διατηρηθούν μακροπρόθεσμα.

Βασική δομή μιας βάσης δεδομένων

Αυτό το τμήμα είναι αφιερωμένο στην επισκόπηση των κύριων δομικών στοιχείων που αποτελούν μια βάση δεδομένων.

Εισαγωγή

Από την εφεύρεση των υπολογιστών, η ποσότητα των δεδομένων που αποθηκεύονται και διαχειρίζονται ηλεκτρονικά έχει αυξηθεί δραστικά. Εκτιμάται ότι η ποσότητα των δεδομένων θα φτάσει τα 175 zettabytes (1021 Bytes) έως το 2025, αυξάνοντας από μερικά petabytes (1015 Bytes) το έτος 2000. Ένας κοινός τρόπος απλοποίησης της ζωής των χρηστών και αξιοποίησης των πόρων τους στο έπακρο είναι αποθήκευση και ανάκτηση του πιο αποτελεσματικά. Για παράδειγμα, ενώ ένα επίπεδο αρχείο λειτουργεί πολύ καλά για την αποθήκευση των προσωπικών σας δεδομένων, όπως ένα βιβλίο διευθύνσεων ή κάποιες συνταγές, δεν είναι τόσο κατάλληλο για την αποθήκευση ενός τηλεφωνικού καταλόγου πόλης ή, πιο συγκεκριμένα, των γονιδιωματικών δεδομένων στο πεδίο της βιοτεχνολογίας. Επιπλέον, εάν θέλετε να αποθηκεύσετε πολλά γονιδιωματικά είδη αξίας δεδομένων, είναι πολύ δύσκολο να αναζητήσετε και να ανακτήσετε δεδομένα από ένα επίπεδο αρχείο. Οι βάσεις δεδομένων προσφέρουν μια λύση σε αυτό το πρόβλημα κάνοντας την αποθήκευση, το χειρισμό και την ανάκτηση δεδομένων πολύ πιο εύκολη.

Το λογισμικό που χρησιμοποιείται για τη διαχείριση μιας βάσης δεδομένων ονομάζεται σύστημα διαχείρισης βάσεων δεδομένων (DBMS). Αυτό το εξειδικευμένο λογισμικό λειτουργεί ενδιάμεσα για να βοηθήσει τους τελικούς χρήστες να έχουν πρόσβαση στη βάση δεδομένων. Συνήθως, οι χρήστες δεν αλληλοεπιδρούν άμεσα με μια βάση δεδομένων, επειδή αυτό μπορεί να οδηγήσει σε αποδιοργάνωση της. Αντ ‘αυτού, χρησιμοποιούν ένα DBMS που διαβάζει δεδομένα από ή γράφει δεδομένα στη βάση δεδομένων.

Η αυξανόμενη πολυπλοκότητα μεγάλων ποσοτήτων δεδομένων απαιτούσε από ορισμένες εταιρείες να χρησιμοποιούν εργαλεία διαχείρισης δεδομένων με βάση το σχεσιακό μοντέλο, όπως το κλασικό RDMBS. Το RDBMS σημαίνει Σύστημα Διαχείρισης Σχεσιακών Βάσεων Δεδομένων. Παρ ‘όλα αυτά, μεγάλες εταιρείες Διαδικτύου, όπως η Google, η Yahoo και η Amazon ή όλα τα δημοφιλή Social Media, αντιμετώπισαν η κάθε μία πρόκληση στην αντιμετώπιση τεράστιων ποσοτήτων δεδομένων σε πραγματικό χρόνο, κάτι που οι συμβατικές λύσεις RDBMS δεν μπορούσαν να αντιμετωπίσουν. Αυτό εξηγεί την αυξανόμενη δημοτικότητα των συστημάτων βάσεων δεδομένων NoSQL που ξεπήδησαν παράλληλα.

Τα συστήματα NoSQL είναι κατανεμημένες, μη σχεσιακές βάσεις δεδομένων σχεδιασμένες για αποθήκευση δεδομένων μεγάλης κλίμακας και για μαζικά παράλληλη επεξεργασία δεδομένων υψηλής απόδοσης σε μεγάλο αριθμό διακομιστών βασικών προϊόντων. Προέκυψαν από την ανάγκη για ευκινησία, απόδοση και κλίμακα και μπορούν να υποστηρίξουν ένα ευρύ φάσμα περιπτώσεων χρήσης, συμπεριλαμβανομένων διερευνητικών και προγνωστικών αναλυτικών στοιχείων σε πραγματικό χρόνο. Χτισμένες από κορυφαίες εταιρείες Διαδικτύου για να συμβαδίζουν με τον κατακλυσμό δεδομένων, οι βάσεις δεδομένων NoSQL κλιμακώνονται οριζόντια και έχουν σχεδιαστεί για να κλιμακώνονται σε εκατοντάδες εκατομμύρια, ακόμη και δισεκατομμύρια χρήστες που εκτελούν ενημερώσεις καθώς και ανάγνωση.

Μερικές από τις κοινές εφαρμογές των βάσεων δεδομένων NoSQL είναι τα κοινωνικά μέσα, οι μεγάλης κλίμακας πάροχοι ηλεκτρονικού ταχυδρομείου και τα κυβερνητικά συστήματα υγειονομικής περίθαλψης.

Συνήθως, μια κοινωνική εφαρμογή μπορεί να κλιμακωθεί από μηδέν σε εκατομμύρια χρήστες σε λίγες εβδομάδες και για να διαχειριστεί καλύτερα αυτήν την ανάπτυξη, χρειάζεται κάποιος DB που μπορεί να διαχειριστεί τεράστιο αριθμό χρηστών και δεδομένων, αλλά μπορεί επίσης εύκολα να κλιμακωθεί οριζόντια.

Σε αυτό το μάθημα, θα εστιάσουμε μόνο στο DBMS και το RDBMS. Αυτά είναι τα δύο είδη βάσεων δεδομένων που χρησιμοποιούνται συνήθως στον κόσμο της βιοτεχνολογίας μέχρι σήμερα.

Επισκόπηση της αρχιτεκτονικής μιας βάσης δεδομένων

Εικόνα 10: Hardware architecture for a database

Οι βάσεις δεδομένων μπορούν να αποθηκεύσουν κάθε είδους πληροφορίες, από αριθμούς και κείμενο, έως email, περιεχόμενο στο διαδίκτυο, αρχεία τηλεφώνου, βιολογικά, γεωγραφικά δεδομένα κ.λπ. Οι βάσεις δεδομένων ταξινομούνται επίσημα ανάλογα με τον τρόπο που αποθηκεύουν αυτά τα δεδομένα. Σχετικές βάσεις δεδομένων αποθηκεύουν δεδομένα σε πίνακες. Οι αντικειμενοστραφείς βάσεις δεδομένων αποθηκεύουν δεδομένα σε κατηγορίες αντικειμένων και υποκατηγορίες. Θα επικεντρωθούμε στις σχεσιακές βάσεις δεδομένων, καθώς χρησιμοποιούνται συχνότερα. Ωστόσο, οι περισσότερες από τις βασικές τοπολογίες βάσεων δεδομένων πρέπει να έχουν διακομιστές backend για να φιλοξενήσουν το σύστημα διαχείρισης βάσεων δεδομένων, ένα σύστημα αποθήκευσης προσαρτημένο στους διακομιστές για την αποθήκευση της δομής και των δεδομένων της βάσης δεδομένων και, φυσικά, υπολογιστές, φορητούς υπολογιστές, επιτραπέζιους υπολογιστές ή τερματικά ως διεπαφή που επιτρέπει στους χρήστες να έχουν πρόσβαση στη βάση δεδομένων, στο σύστημα διαχείρισης και στο περιεχόμενό της. Απαιτείται επίσης ένα δίκτυο για ανταλλαγή μεταξύ όλων των στοιχείων υλικού και ένα συνημμένο Cloud που επιτρέπει στους απομακρυσμένους χρήστες να έχουν πρόσβαση στη βάση δεδομένων. Η Εικόνα 10 συνοψίζει με απλό τρόπο το ελάχιστο που απαιτείται για τη λειτουργία μιας βάσης δεδομένων.

Ένας άλλος βασικός τρόπος για να το περιγράψουμε, είναι να δείξουμε την αρχιτεκτονική τριών επιπέδων μιας βάσης δεδομένων. Είναι μια εικονική προβολή των απαραίτητων επιπέδων για να λειτουργήσει σωστά μια βάση δεδομένων. Η Εικόνα 11 παρουσιάζει την αρχιτεκτονική προβολής τριών επιπέδων. Ονομάζεται μοντέλο ANSI-SPARC. Παρ ‘όλα αυτά, παρά το γεγονός ότι αυτό το μοντέλο δεν έγινε ποτέ τυπικό πρότυπο, παρουσιάζει την ιδέα της λογικής ανεξαρτησίας δεδομένων που έχει υιοθετηθεί ευρέως.

Εικ΄πονα 11: Αρχιτεκτονική 3 επιπέδων

Οι πληροφορίες που αποθηκεύονται μέσα σε μια σχεσιακή βάση δεδομένων περιέχονται σε πίνακες. Αυτοί οι πίνακες αποτελούνται από σειρές δεδομένων και κάθε γραμμή περιέχει πεδία ή στήλες. Σε έναν καλά σχεδιασμένο ορισμό βάσης δεδομένων, που ονομάζεται σχήμα, μόνο παρόμοια δεδομένα αποθηκεύονται σε κάθε πίνακα και οι διπλές στήλες διατηρούνται στο ελάχιστο. Οι προγραμματιστές μπορούν να συνδέσουν ή να ενώσουν δεδομένα από δύο πίνακες για να συνδέσουν διαφορετικούς τύπους πληροφοριών μεταξύ τους.

Τα ευρετήρια μπορούν να δημιουργηθούν σε πεδία στον πίνακα βάσεων δεδομένων για να διευκολυνθεί η ανάκτηση δεδομένων από το DBMS. Τα ευρετήρια διαμορφώνονται συνήθως για στήλες που αναζητούνται συχνά, όπως το όνομα ενός ατόμου ή μια τιμή ημερομηνίας. Το μειονέκτημα της χρήσης ευρετηρίων είναι ότι καταλαμβάνουν χώρο στο δίσκο αποθήκευσης και μπορούν να επιβραδύνουν τα πράγματα, αν διατηρηθούν πάρα πολλά από αυτά, επειδή κάθε φορά που ενημερώνεται μια σειρά στη βάση δεδομένων, πρέπει επίσης να ενημερώνεται το ευρετήριο.

Οι περισσότερες βάσεις δεδομένων υποστηρίζουν Structured Query Language (SQL), μια τυπική γλώσσα για αλληλεπίδραση με πληροφορίες που περιέχονται σε μια βάση δεδομένων. Το SQL επιτρέπει στους χρήστες και τις εφαρμογές να αλληλοεπιδρούν με συγκεκριμένα υποσύνολα δεδομένων από έναν ή περισσότερους πίνακες χρησιμοποιώντας διάφορες προτάσεις ως SELECT, INSERT, UPDATE και DELETE.

Οι σχεσιακές βάσεις δεδομένων παρέχουν επίσης μια πολυεπίπεδη προσέγγιση στην αποθήκευση, επιτρέποντας τον ορισμό του τι αντικείμενα βάσης δεδομένων βρίσκονται σε συγκεκριμένα αρχεία δεδομένων και πού αυτά τα αρχεία δεδομένων τοποθετούνται στη δομή αρχείων του λειτουργικού συστήματος. Εκτός από τη διαχείριση της φυσικής θέσης αποθήκευσης αντικειμένων βάσης δεδομένων, πολλά συστήματα βάσεων δεδομένων δίνουν κάποιο έλεγχο στον τρόπο αποθήκευσης των δεδομένων στα αρχεία δεδομένων.

Κοινές ορολογίες των βάσεων δεδομένων

Ορισμένοι όροι βάσης δεδομένων προέρχονται από τρόπους με τους οποίους οι βάσεις δεδομένων αυτοματοποιούν ενέργειες εγγραφής. Οι προγραμματιστές βάσεων δεδομένων συχνά αυτοματοποιούν τη γραφή σε ορισμένα πεδία ή άλλους πίνακες, όπως η εγγραφή ενός αντιγράφου της σειράς που εισάγεται – μαζί με μια χρονική σήμανση ή ένα όνομα χρήστη – σε έναν πίνακα ιστορικού ή ελέγχου. Τα περισσότερα συστήματα DBMS παρέχουν διάφορους τρόπους για την αυτόματη διαχείριση ενεργειών εγγραφής βάσης δεδομένων.

Οι ενεργοποιητές βάσης δεδομένων είναι η πιο συνηθισμένη μέθοδος ανάληψης ενεργειών στα δεδομένα καθώς γράφονται στη βάση δεδομένων. Οι ενεργοποιητές συνήθως σχετίζονται με έναν συγκεκριμένο πίνακα και διαμορφώνονται ώστε να εκτελούνται σε ένα συγκεκριμένο σημείο κατά τη διάρκεια μιας συγκεκριμένης ενέργειας εγγραφής, όπως πριν ή μετά από μια ενημέρωση ή μετά την εισαγωγή μιας σειράς. Οι ενεργοποιητές μπορούν να χρησιμοποιηθούν για τη μορφοποίηση δεδομένων, τη συμπλήρωση μιας στήλης με δεδομένα που προέρχονται από υπάρχουσες πληροφορίες ή ακόμα και την εγγραφή σε έναν άλλο πίνακα με βάση τη γραμμή που εισάγεται ή ενημερώνεται.

Μια αποθηκευμένη διαδικασία είναι ένας άλλος τρόπος αλληλεπίδρασης με μια σχεσιακή βάση δεδομένων. Οι αποθηκευμένες διαδικασίες είναι πιο περίπλοκες από τις ενεργοποιήσεις και δεν συνδέονται με έναν συγκεκριμένο πίνακα. Συνήθως δημιουργούνται από προγραμματιστή, χρησιμοποιούν συνδυασμό SQL και γλώσσας προγραμματισμού, όπως Java ή SQL (ανάλογα με την πλατφόρμα της βάσης δεδομένων). Οι αποθηκευμένες διαδικασίες παρέχουν στους προγραμματιστές πολύ έλεγχο στον τρόπο επικύρωσης ή μασάζ των δεδομένων από μια εφαρμογή. Μια αποθηκευμένη διαδικασία θα μπορούσε να χρησιμοποιηθεί για τη διαχείριση του τρόπου σύνδεσης ενός χρήστη σε μια εφαρμογή. Η διαδικασία μπορεί πρώτα να επικυρώσει το όνομα χρήστη και τον κωδικό πρόσβασης και, στη συνέχεια, να καταγράψει την επιτυχία ή την αποτυχία της προσπάθειας σε έναν άλλο πίνακα, μαζί με άλλες πληροφορίες, συμπεριλαμβανομένου του ονόματος του υπολογιστή και μιας χρονικής σήμανσης. Θα μπορούσε ακόμη και να σταλεί μια ειδοποίηση στον χρήστη που θα τον ενημερώνει ότι ο κωδικός πρόσβασης έχει λήξει και πρέπει να αλλάξει.

Οι συναρτήσεις είναι απλούστερες από την αποθηκευμένη διαδικασία και μερικές φορές μπορούν να χρησιμοποιηθούν ακόμη και μέσα από ερωτήματα SQL. Οι συναρτήσεις χρησιμοποιούνται συνήθως σε μια βάση δεδομένων για την εκτέλεση ενός συνόλου ενεργειών που επιστρέφουν μία ή περισσότερες τιμές, όπως ο υπολογισμός του αθροίσματος μιας στήλης για γραμμές που ταιριάζουν με μια συγκεκριμένη συνθήκη. Ενώ αυτές οι ενέργειες μπορούν να εκτελεστούν χρησιμοποιώντας SQL, η ενσωμάτωσή τους σε μια συνάρτηση μπορεί να τις κάνει πιο εύχρηστες σε άλλους κώδικες. Τόσο οι λειτουργίες όσο και οι αποθηκευμένες διαδικασίες μπορούν να εκτελέσουν κοινές ενέργειες με βελτιωμένο και συνεπή τρόπο, διευκολύνοντας τον φόρτο εργασίας για τους διαχειριστές και τους προγραμματιστές βάσεων δεδομένων.

Ποια είναι η διαφορά μεταξύ των κύριων συστημάτων DBMS;

Το DBMS γενικά καθορίζεται από αυτό που χρειάζονται οι εφαρμογές χρήστη για να υποστηρίξουν. Τούτου λεχθέντος, εδώ είναι μια σύντομη σύγκριση των τριών πιο ευρέως χρησιμοποιούμενων πλατφορμών.

Ο Microsoft SQL Server χρησιμοποιείται ευρέως σε εταιρικές εφαρμογές και ενσωματώνεται εύκολα με άλλα εργαλεία της Microsoft. Ο Microsoft SQL Server 2019 Express είναι η τελευταία έκδοση της δωρεάν προσφοράς της Microsoft και συχνά συνοδεύεται από εφαρμογές που χρησιμοποιούν SQL Server.

Το MySQL ήταν το αγαπημένο για προγραμματιστές ανοιχτού κώδικα για το μεγαλύτερο μέρος δύο δεκαετιών. Συχνά χρησιμοποιείται ως back-end για blog ανοιχτού κώδικα ή συστήματα διαχείρισης περιεχομένου, η MySQL έχει μια τεράστια εγκατεστημένη βάση σε όλο τον κόσμο. Το 2008, η MySQL AB εξαγοράστηκε από την Sun Microsystems, η οποία εξαγοράστηκε η ίδια από την Oracle Corp. το 2009, φέρνοντας την MySQL υπό την ομπρέλα ενός από τους μεγαλύτερους ανταγωνιστές της. Ωστόσο, η MySQL Community Edition παραμένει δωρεάν και υποστηρίζεται καλά από την κοινότητα. Το MySQL είναι διαθέσιμο για πολλά λειτουργικά συστήματα, όπως Linux, UNIX, Mac OS X και Windows.

Η βάση δεδομένων Oracle θεωρείται από πολλούς ως το πρότυπο σε πλατφόρμες βάσεων δεδομένων σε επίπεδο επιχείρησης και υποστηρίζει πολυάριθμες εταιρικές εφαρμογές. Το Oracle Database Express Edition διατίθεται δωρεάν και διατίθεται επίσης δωρεάν (αν και δεν είναι τεχνικά δωρεάν λογισμικό), καθιστώντας το μια άλλη δημοφιλής επιλογή για προγραμματιστές ή χομπίστες σε Windows ή Linux.

Τώρα που μάθατε τους βασικούς όρους και έννοιες της βάσης δεδομένων, είστε πολύ πιο κοντά στο να μιλάτε την ίδια γλώσσα με τους προγραμματιστές βάσεων δεδομένων του οργανισμού σας.

Βάσεις δεδομένων στον επιστημονικό κόσμο

Αυτό το μέρος ασχολείται με τα βασικά των βάσεων δεδομένων που χρησιμοποιούνται στον επιστημονικό κόσμο.

Εισαγωγή σε υπάρχουσες βάσεις δεδομένων αφιερωμένες στην επιστήμη

Αυτή η ενότητα είναι αφιερωμένη στην επισκόπηση των πιο κοινών βάσεων δεδομένων ανοικτής πρόσβασης που χρησιμοποιούνται στην επιστήμη.

Οι συνεχείς εξελίξεις στους τομείς της βιοτεχνολογίας και της τεχνολογίας των πληροφοριών έχουν οδηγήσει στην εκθετική αύξηση των δεδομένων. Μελέτες που διεξήχθησαν από ερευνητές στο Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής (EMBL-EBI) έδειξαν ότι αυτή η αύξηση των πληροφοριών διπλασιάζεται περίπου κάθε χρόνο. Αυτές οι εκτεταμένες ποσότητες δεδομένων αποθηκεύονται, οργανώνονται και ενημερώνονται συνεχώς σε επιστημονικές βάσεις δεδομένων, όπου είναι άμεσα διαθέσιμες για επιστήμονες, συμπεριλαμβανομένων βιολόγων και βιοπληροφορικών, για ερευνητικούς σκοπούς. Οι πληροφορίες που είναι διαθέσιμες σε βιολογικές βάσεις δεδομένων λαμβάνονται από μια σειρά επιστημονικών πεδίων, συμπεριλαμβανομένων των μεταβολικών, της έκφρασης του γονιδίου της μικροσυστοιχίας και της πρωτεομικής. Εκτός από την αποθήκευση, την οργάνωση και την κοινή χρήση τεράστιου όγκου δεδομένων, ο κύριος στόχος των βιολογικών βάσεων δεδομένων είναι να προσφέρουν διεπαφές προγραμματισμού εφαρμογών Ιστού (API) για υπολογιστές για ανταλλαγή και ενσωμάτωση δεδομένων από πολλούς διαφορετικούς πόρους βάσεων δεδομένων μέσω αυτοματοποιημένης μεθόδου.

Εικόνα 12: Παραδείγματα ονομάτων βάσεων δεδομένων στην βιοτεχνολογία

Οι βιολογικές βάσεις δεδομένων μπορούν να οριστούν ως συλλογές δεδομένων, οι οποίες είναι δομημένες με τέτοιο τρόπο ώστε να είναι εύκολο να εξερευνήσετε, να χειριστείτε και να ενημερώσετε το περιεχόμενό τους. Παραδείγματα τέτοιων βάσεων δεδομένων παρουσιάζονται στην Εικόνα 12. Το 1972, δημιουργήθηκε η πρώτη βάση δεδομένων πρωτεϊνικής δομής, γνωστή ως Τράπεζα Δεδομένων Πρωτεϊνών (PDB). Αυτή η βάση δεδομένων περιείχε αρχικά μόνο 10 καταχωρήσεις, η οποία τώρα έχει επεκταθεί και περιέχει περισσότερες από 10.000 καταχωρήσεις, υποδηλώνοντας την ταχεία ανάπτυξη βιολογικών δεδομένων. Μια βιολογική βάση δεδομένων μπορεί να περιέχει διάφορους τύπους δεδομένων, συμπεριλαμβανομένων αλληλουχιών πρωτεϊνών, περιγραφών κειμένου, χαρακτηριστικών και δεδομένων πίνακα. Γενικά, μπορούν να χωριστούν σε πρωτογενείς, δευτερεύουσες και σύνθετες βάσεις δεδομένων. Οι πρωτογενείς βάσεις δεδομένων περιλαμβάνουν δεδομένα μόνο για την ακολουθία ή τη δομή, ενώ οι δευτερεύουσες βάσεις δεδομένων περιλαμβάνουν δεδομένα που προέρχονται από την κύρια βάση δεδομένων. Δεδομένα, όπως η διατηρημένη αλληλουχία και τα υπολείμματα ενεργών θέσεων των οικογενειών πρωτεϊνών, μπορούν να βρεθούν σε βάσεις δεδομένων δευτερεύουσας δομής. Επιπλέον, καταχωρήσεις του ΠΣΠ, που είναι μια κύρια βάση δεδομένων, μπορούν να βρεθούν σε βάσεις δεδομένων δευτερεύουσας δομής, αποθηκευμένες με οργανωμένο τρόπο.

Σε γενικές γραμμές, οι βιολογικές βάσεις δεδομένων μπορούν να κατηγοριοποιηθούν σε βάσεις δεδομένων ακολουθίας, δομής και διαδρομής:

  • Βάσεις δεδομένων ακολουθίας: Οι πιο συχνά χρησιμοποιούμενες βιολογικές βάσεις δεδομένων. Αυτές περιλαμβάνουν βάσεις δεδομένων πρωτεϊνών και νουκλεοτιδικών αλληλουχιών, οι οποίες περιέχουν αποτελέσματα υγρού εργαστηρίου και αποτελούν την κύρια πηγή πειραματικών αποτελεσμάτων. Τα GenBank και EMBL είναι παραδείγματα βάσεων δεδομένων ακολουθίας.
  • Βάσεις δεδομένων δομής: Αυτές οι βάσεις δεδομένων περιέχουν πληροφορίες σχετικά με τη δομή της πρωτεΐνης και τις μοριακές αλληλεπιδράσεις. Το PDB είναι ένα παράδειγμα δομής βάσης δεδομένων.
  • Βάσεις δεδομένων διαδρομής: Αυτές οι βάσεις δεδομένων βασίζονται σε δεδομένα που προέρχονται από τη συγκριτική μελέτη των μεταβολικών οδών. ΗKyoco Encyclopedia of Genes and Genomes (KEGG) και η Biocyc είναι δύο ενδεικτικές βάσεις δεδομένων.

Μια τυπική αναζήτηση σε μια βάση δεδομένων αλληλουχιών νουκλεοτιδίων μπορεί, για παράδειγμα, να δημιουργήσει δεδομένα σχετικά με την επιστημονική ονομασία του οργανισμού προέλευσης από τον οποίο απομονώθηκε, όνομα επαφής, αλληλουχία εισόδου με λεπτομέρειες τύπου μορίου και, συχνά, βιβλιογραφικές αναφορές που σχετίζονται με αλληλουχία.

Ορισμένα εργαλεία έχουν αναπτυχθεί για να διευκολύνουν τους επιστήμονες στην επεξεργασία και ανάκτηση δεδομένων από βιολογικές βάσεις δεδομένων. Αυτά τα εργαλεία, τα οποία ονομάζονται εργαλεία βιοπληροφορικής, είναι προγράμματα λογισμικού που δημιουργήθηκαν για την εξαγωγή σημαντικών δεδομένων από τον τεράστιο αριθμό βιολογικών βάσεων δεδομένων και για τη διεξαγωγή ακολουθίας ή δομικής ανάλυσης. Τα εργαλεία βιοπληροφορικής χρησιμοποιούνται για τη λήψη δεδομένων από βάσεις δεδομένων γονιδιωματικής αλληλουχίας και για την οπτικοποίηση, ανάλυση και ανάκτηση ημερομηνίας από πρωτεϊμικές βάσεις δεδομένων. Αυτά τα εργαλεία χωρίζονται σε μεγάλο βαθμό σε:

  • Εργαλεία ομολογίας και ομοιότητας: Αυτά τα εργαλεία χρησιμοποιούνται για τον εντοπισμό ομοιότητας μεταξύ των αλληλουχιών άγνωστων δομικών και λειτουργικών αλληλουχιών, των οποίων η λειτουργία και η δομή είναι ήδη γνωστές.
  • Εργαλεία ανάλυσης λειτουργίας πρωτεΐνης: Προγράμματα που εφαρμόζονται για τη σύγκριση μιας αλληλουχίας πρωτεΐνης με μια δευτερεύουσα (ή παράγωγη) πρωτεΐνη, τα οποία επιτρέπουν την εκτίμηση της βιοχημικής λειτουργίας μιας πρωτεΐνης ερωτήματος.
  • Εργαλεία δομικής ανάλυσης: Αυτά τα εργαλεία επιτρέπουν τη σύγκριση δομών με τις γνωστές βάσεις δεδομένων δομής και τη δημιουργία της δομής 2D/3D μιας πρωτεΐνης.
  • Εργαλεία ανάλυσης αλληλουχίας: Προγράμματα που χρησιμοποιούνται για την επιπρόσθετη, πιο ολοκληρωμένη αξιολόγηση μιας ακολουθίας ερωτήματος, που περιλαμβάνει εξελικτική ανάλυση και προσδιορισμό μεταλλάξεων.

Οι βιολογικές βάσεις δεδομένων μπορούν επίσης να κατηγοριοποιηθούν, με βάση το εύρος της κάλυψης δεδομένων, σε:

  • Ολοκληρωμένες βάσεις δεδομένων: Αυτές οι βάσεις δεδομένων περιλαμβάνουν διάφορους τύπους δεδομένων από διάφορα είδη. Παραδείγματα ολοκληρωμένων βάσεων δεδομένων είναι η GenBankκαι η EMBL.
  • Εξειδικευμένες βάσεις δεδομένων: Αυτές οι βάσεις δεδομένων περιλαμβάνουν συγκεκριμένους τύπους δεδομένων ή δεδομένα από συγκεκριμένους οργανισμούς. Ένα παράδειγμα εξειδικευμένων βάσεων δεδομένων είναι το WormBase, το οποίο περιέχει πληροφορίες σχετικά με τη βιολογία νηματωδών και τη γονιδιωματική.

Σε σχέση με το επίπεδο βιοαπόδοσης, το οποίο ορίζεται ως η δραστηριότητα οργάνωσης, επίδειξης και διάθεσης βιολογικών πληροφοριών άμεσα σε ανθρώπους και υπολογιστές, οι βιολογικές βάσεις δεδομένων ταξινομούνται ως πρωτογενείς και δευτερεύουσες ή παράγωγες βάσεις δεδομένων. Οι πρωτογενείς βάσεις δεδομένων αποτελούνται από ακατέργαστα δεδομένα ως αποθετήριο αρχείων, ενώ δευτερεύουσες ή παράγωγες βάσεις δεδομένων αποτελούν επιμελημένες πληροφορίες ως προστιθέμενη αξία. Όσον αφορά τη μέθοδο που χρησιμοποιείται για την επιμέλεια των δεδομένων, οι βιολογικές βάσεις δεδομένων μπορούν να ταξινομηθούν περαιτέρω ως βάσεις δεδομένων με επιμέλεια εμπειρογνωμόνων ή βάσεις δεδομένων με επιμέλεια της κοινότητας, οι οποίες επιμελούνται με συνεργατικό τρόπο από πολυάριθμους ερευνητές.

Επιπλέον κατηγοριοποίηση βιολογικών βάσεων δεδομένων μπορεί επίσης να γίνει με βάση τον τύπο δεδομένων. Οι τύποι δεδομένων που ταξινομούν ανάλογα τις βάσεις δεδομένων περιλαμβάνουν DNA, RNA, πρωτεΐνη, έκφραση, οδό, ασθένεια, ονοματολογία, βιβλιογραφία και πρότυπο και οντολογία. Μερικές από τις πιο σημαντικές και ευρέως χρησιμοποιούμενες βιολογικές βάσεις δεδομένων είναι οι ακόλουθες: GenBank, το UCSC Genome Browser και Ensembl, οι οποίες είναι βάσεις δεδομένων/πύλες ακολουθίας. WormBase και The Arabidopsis Information Resource (TAIR), οι οποίες είναι πρότυπα βάσεων δεδομένων οργανισμών. και το PDB, Online Mendelian Inheritance in Man (OMIM), MetaCyc και KEGG, τα οποία χαρακτηρίζονται ως βάσεις δεδομένων που δεν βασίζονται στην ακολουθία.

Η χειραγώγηση δεδομένων αποτελεί ουσιαστικό μέρος της πειραματικής διαδικασίας όλων των μελετών, ανεξάρτητα από την κλίμακα τους. Η διαδικτυακή διαθεσιμότητα βιολογικών δεδομένων σε συνδυασμό με το μειωμένο κόστος των αυτοματοποιημένων αλληλουχιών γονιδιώματος επέτρεψαν στα μικρά εργαστήρια βιολογίας να γίνουν γεννήτριες μεγάλων δεδομένων. Ακόμα κι αν ένα εργαστήριο δεν είναι εξοπλισμένο με τέτοια όργανα, μπορεί να γίνει χρήστης μεγάλων δεδομένων αποκτώντας πρόσβαση σε δημόσια αποθετήρια που περιέχουν βιολογικά δεδομένα, όπως το Εθνικό Κέντρο Πληροφοριών Βιοτεχνολογίας των ΗΠΑ στην Bethesda. Ένα μεγάλο μέρος της κατασκευής στη βιολογία των μεγάλων δεδομένων είναι εικονικό, βασισμένο σε υπολογιστικό νέφος, στο οποίο τα δεδομένα και το λογισμικό βρίσκονται σε τεράστια, εκτός κέντρου κέντρα στα οποία είναι προσβάσιμα κατόπιν αιτήματος. Επομένως, δεν είναι απαραίτητο οι χρήστες να αγοράζουν το δικό τους υλικό. Το σύστημα υπολογιστικού νέφους επιτρέπει στους πιθανούς χρήστες να δημιουργούν εικονικούς χώρους για δεδομένα, λογισμικό και αποτελέσματα που είναι ελεύθερα προσβάσιμα από όλους ή να διατηρούν τους χώρους κλειδωμένους πίσω από ένα τείχος προστασίας που επιτρέπει την πρόσβαση σε μια επιλεγμένη ομάδα συνεργατών.

Η χρήση βιολογικών βάσεων δεδομένων μπορεί να είναι επωφελής σε διάφορους τομείς έρευνας. Για παράδειγμα, οι βάσεις δεδομένων μπορούν να βοηθήσουν τον πειραματικό σχεδιασμό επιτρέποντας την αυτόματη ανάλυση και εύκολη επεξεργασία πειραματικών δεδομένων και καθιστώντας την εξέταση των πειραματικών αποτελεσμάτων απλή και γρήγορη. Η ανακάλυψη ναρκωτικών είναι ένας άλλος τομέας που μπορεί να απλοποιηθεί με τη χρήση βάσεων δεδομένων. Σε αυτόν τον συγκεκριμένο τομέα, οι βάσεις δεδομένων μπορούν να σαρωθούν προκειμένου να βρεθούν νέοι υποψήφιοι για φάρμακα εκπαιδεύοντας έναν ταξινομητή σε ένα σύνολο δεδομένων όπου έχουν εντοπιστεί λειτουργικά και μη λειτουργικά φάρμακα. Επιπλέον, τεχνικές μηχανικής μάθησης μπορούν να εφαρμοστούν για τον σχεδιασμό εικονικών αναλύσεων που είναι σε θέση να προσδιορίσουν πολλά υποσχόμενα νέα φάρμακα, τα οποία μπορούν στη συνέχεια να αναλυθούν σε εργαστηριακό περιβάλλον. Και το πιο σημαντικό, μπορούν να πραγματοποιηθούν νέα επιστημονικά πειράματα και να προκύψουν νέα αποτελέσματα αναλύοντας υπάρχοντα σύνολα δεδομένων.

Χωρίς την ύπαρξη βάσεων δεδομένων, η ανταλλαγή και η ενσωμάτωση μεγάλων ποσοτήτων δεδομένων θα ήταν ουσιαστικά αδύνατη. Αν και πολλοί επιστήμονες ζωής έχουν προηγμένες υπολογιστικές δεξιότητες, ένα μεγάλο ποσοστό δεν είναι εξοικειωμένοι με την ανάπτυξη ή την προσαρμογή του σχετικού λογισμικού. Παρ ‘όλα αυτά, η συμμετοχή των επιστημόνων της ζωής σε αυτή τη διαδικασία είναι ζωτικής σημασίας, καθώς μπορούν να παρέχουν ανατροφοδότηση στους ειδικούς της πληροφορικής με επίκεντρο τις διαφορετικές ανάγκες και προσεγγίσεις της επιστήμης. Η δυνατότητα πρόσβασης στα πραγματικά σύνολα δεδομένων που χρησιμοποιήθηκαν αρχικά σε μια συγκεκριμένη μελέτη παρέχει στους ερευνητές την ευκαιρία να αναπαράγουν και να επεκτείνουν τη μελέτη αυτή. Αυτός είναι ο λόγος για τον οποίο είναι σημαντικό τα δεδομένα να είναι ελεύθερα διαθέσιμα στους επιστήμονες ανά πάσα στιγμή χωρίς περιορισμούς, μια έννοια που υποστηρίζεται από την Open Science και πολλές σχετικές πρωτοβουλίες. Μία από αυτές τις πρωτοβουλίες είναι γνωστή ως ELIXIR, ένα έργο που σχεδιάστηκε για να βοηθήσει τους επιστήμονες σε όλη την Ευρώπη να διαφυλάξουν και να μοιραστούν τα δεδομένα τους και να ενισχύσουν τους τρέχοντες πόρους, συμπεριλαμβανομένων των βάσεων δεδομένων και των υπολογιστικών εγκαταστάσεων, σε μεμονωμένες χώρες.

Παρόλο που η δημιουργία βιολογικών βάσεων δεδομένων έχει επιφέρει πολλά οφέλη, όπως η προώθηση της επιστημονικής ποιότητας παραγωγής που ενεργοποιείται με τη δικτύωση, εξακολουθούν να απαιτούν βελτίωση όσον αφορά τη βελτιστοποίηση της γνώσης. Είναι ζωτικής σημασίας η διαχείριση της διεπιστημονικής γνώσης με τέτοιο τρόπο που θα οδηγήσει σε αύξηση της ποιότητας και της ποσότητας της. Η ετερογένεια των δεδομένων είναι ένα άλλο κοινό ζήτημα που αντιμετωπίζει η ενσωμάτωση βιολογικών δεδομένων. Στον τομέα της βιολογίας, υπάρχουν διάφορες διαφορετικές μέθοδοι για την αναπαράσταση παρόμοιων δεδομένων. Αυτό περιπλέκει την ενσωμάτωση και την επεξεργασία δεδομένων, γεγονός που με τη σειρά του καθιστά δυσκολότερη την απόκτηση ενοποιημένων απόψεων αυτών των δεδομένων. Ένα παράδειγμα αυτού του προβλήματος είναι η χρήση διαφόρων εναλλακτικών ονομάτων όταν γίνεται αναφορά σε γονίδια, ανεξάρτητα από την ύπαρξη πλήρων κατευθυντήριων γραμμών που εκδόθηκαν το 1979 και προτείνουν την υιοθέτηση του προτύπου ονοματολογίας γονιδίων, οδηγώντας σε δυσκολίες στην ανταλλαγή δεδομένων. Η εφαρμογή προτύπων επιτρέπει την επαναχρησιμοποίηση των δεδομένων, ωστόσο, η απουσία τους προκαλεί σημαντική απώλεια της παραγωγικότητας και συμβάλλει στη μείωση των δεδομένων που είναι προσβάσιμα από τους ερευνητές. Ως εκ τούτου, είναι επιτακτική ανάγκη να βρεθεί μια λύση σε αυτό το θέμα, προκειμένου να εξαλειφθούν οι προκλήσεις που αντιμετωπίζουν οι επιστήμονες όταν χρησιμοποιούν βιολογικές βάσεις δεδομένων για τη διεξαγωγή της έρευνάς τους.

Τελικές σκέψεις

Dealing with data implies a drastic discipline to keep access on a long term to the stored information. Technology evolves, which means that the hardware and software used today is not the standard of tomorrow. This means that to be able to read any data written today we will have to execute two different kinds of migrations. A logical migration and a technological migration. Logical migration is related to the kind of format in which the data is stored. Technological migration is related to the kind of hardware used. As an example, if you try to open a Word file written in 1993 with Word version 6 with the latest version Word 2019, it will not work. This example shows a lack of logical compatibility. To avoid this issue and keep an ascended compatibility, the file should have been migrated by the time to the latest version in order to keep it up to date and readable with the latest versions of software.

The same thing applies to hardware, i.e. servers, storage, networks, etc… Another example could be the kind of server and operating system used to run a database. In case you decide to change your hardware and to migrate from, let’s say, Windows to UNIX, a different kind of hardware will be needed to run UNIX and a different version of database to run on UNIX. Windows run on Intel based platforms (and Intel like) and Unix runs on SPARC based platforms, which means that you will have to migrate to a UNIX – SPARC compatible version of the database.

Keeping in mind this constant evolution of hardware, operating systems, software and formats, performing the appropriate logical and technological migrations on time could save you a lot of time and troubles.

Last but not least, it is important to keep backing up your data. Once every three to six months, perform a restore test to see if you are capable of retrieving your backups. This is crucial for two reasons:

  • It will keep you up to date on how to restore your data
  • It is the best testing method to see if your data was properly backed up

Η αντιμετώπιση δεδομένων συνεπάγεται μια δραστική πειθαρχία για να διατηρηθεί η μακροπρόθεσμη πρόσβαση στις αποθηκευμένες πληροφορίες. Η τεχνολογία εξελίσσεται, πράγμα που σημαίνει ότι το υλικό και το λογισμικό που χρησιμοποιούνται σήμερα δεν είναι το πρότυπο του αύριο. Αυτό σημαίνει ότι για να μπορέσουμε να διαβάσουμε όλα τα δεδομένα που γράφτηκαν σήμερα, θα πρέπει να εκτελέσουμε δύο διαφορετικά είδη μετακινήσεων. Μια λογική μετανάστευση και μια τεχνολογική μετανάστευση. Η λογική μετεγκατάσταση σχετίζεται με το είδος της μορφής στην οποία αποθηκεύονται τα δεδομένα. Η τεχνολογική μετάβαση σχετίζεται με το είδος του υλικού που χρησιμοποιείται. Για παράδειγμα, εάν προσπαθήσετε να ανοίξετε ένα αρχείο Word που γράφτηκε το 1993 με την έκδοση του Word 6 με την τελευταία έκδοση του Word 2019, δεν θα λειτουργήσει. Αυτό το παράδειγμα δείχνει έλλειψη λογικής συμβατότητας. Για να αποφύγετε αυτό το ζήτημα και να διατηρήσετε μια ανερχόμενη συμβατότητα, το αρχείο θα έπρεπε να έχει μεταφερθεί μέχρι τότε στην πιο πρόσφατη έκδοση, προκειμένου να διατηρείται ενημερωμένο και ευανάγνωστο με τις πιο πρόσφατες εκδόσεις λογισμικού.

Το ίδιο ισχύει για το υλικό, δηλαδή διακομιστές, χώρο αποθήκευσης, δίκτυα κλπ … Ένα άλλο παράδειγμα θα μπορούσε να είναι το είδος του διακομιστή και του λειτουργικού συστήματος που χρησιμοποιούνται για την εκτέλεση μιας βάσης δεδομένων. Σε περίπτωση που αποφασίσετε να αλλάξετε το υλικό σας και να μετακινηθείτε από, ας πούμε, τα Windows στο UNIX, θα χρειαστεί ένα διαφορετικό είδος υλικού για την εκτέλεση του UNIX και μια διαφορετική έκδοση της βάσης δεδομένων για εκτέλεση στο UNIX. Τα Windows εκτελούνται σε πλατφόρμες που βασίζονται στην Intel (και Intel όπως) και το Unix εκτελείται σε πλατφόρμες που βασίζονται σε SPARC, πράγμα που σημαίνει ότι θα πρέπει να μεταβείτε σε μια συμβατή έκδοση της βάσης δεδομένων με UNIX – SPARC.

Λαμβάνοντας υπόψη αυτή τη συνεχή εξέλιξη του υλικού, των λειτουργικών συστημάτων, του λογισμικού και των μορφών, η έγκαιρη εκτέλεση των κατάλληλων λογικών και τεχνολογικών μετακινήσεων θα μπορούσε να σας εξοικονομήσει πολύ χρόνο και προβλήματα.

Τέλος, είναι σημαντικό να συνεχίζετε να δημιουργείτε αντίγραφα ασφαλείας των δεδομένων σας. Μία φορά κάθε τρεις έως έξι μήνες, εκτελέστε μια δοκιμή επαναφοράς για να δείτε εάν είστε σε θέση να ανακτήσετε τα αντίγραφα ασφαλείας σας. Αυτό είναι κρίσιμο για δύο λόγους:

  • Θα σας κρατά ενήμερους για τον τρόπο επαναφοράς των δεδομένων σας
  • Είναι η καλύτερη μέθοδος δοκιμής για να διαπιστώσετε εάν δημιουργήθηκαν αντίγραφα ασφαλείας των δεδομένων σας

Test: LO5 Αρχάριο επίπεδο

Βιβλιογραφικές αναφορές

  • Baxevanis AD, Bateman A. 2015. The importance of biological databases in biological discovery. Curr Protoc Bioinformatics., 50(1):1.1.1-1.1.8.
  • Benson DA, Clark K, Karsch-Mizrachi I, Lipman DJ, Ostell J, Sayers EW. 2014. GenBank. Nucleic Acids Res., 42:D32–D37.
  • Brooksbank C, Bergman MT, Apweiler R, Birney E, Thornton J. 2014. The European Bioinformatics Institute’s data resources 2014. Nucleic Acids Res., 42:D18–D25.
  • Caspi R, Billington R, Ferrer L, Foerster H, Fulcher CA, Keseler IM, et al. 2016. The MetaCyc database of metabolic pathways and enzymes and the BioCyc collection of pathway/genome databases. Nucleic Acids Res., 44(D1):D471-80.
  • Figueiredo MSN, Pereira AM. 2017. Managing knowledge – the importance of databases in the scientific production. Procedia Manuf., 12:166–73.
  • Harris TW, Baran J, Bieri T, Cabunoc A, Chan J, Chen WJ. 2014. WormBase 2014: new views of curated biology. Nucleic Acids Res., 42:D789–D793.
  • Howe D, Costanzo M, Fey P, Gojobori T, Hannick L, Hide W, et al. 2008. Big data: The future of biocuration: Big data. Nature., 455(7209):47–50.
  • Kanehisa M, Furumichi M, Sato Y, Ishiguro-Watanabe M, Tanabe M. 2021. KEGG: integrating viruses and cellular organisms. Nucleic Acids Res., 49(D1): D545–51.
  • Karp PD, Billington R, Caspi R, Fulcher CA, Latendresse M, Kothari A, et al. 2019. The BioCyc collection of microbial genomes and metabolic pathways. Brief Bioinform., 20(4):1085–93.
  • Kent WJ, Sugnet CW, Furey TS, Roskin KM, Pringle TH, Zahler AM, Haussler D. 2002. The human genome browser at UCSC. Genome Res., 12(6):996-1006.
  • Lapatas V, Stefanidakis M, Jimenez RC, Via A, Schneider MV. Data integration in biological research: an overview. J Biol Res (Thessalon). 2015;22(1):9.
  • Marx V. 2013. Biology: The big challenges of big data: Biology. Nature., 498(7453):255–60.
  • Nature Structural Biology 10, 980. 2003; doi: 10.1038/nsb1203-980
  • Oliveira AL. 2019. Biotechnology, big data and artificial intelligence. Biotechnol J., 14(8):e1800613.
  • Razvi SRH, Rampogu S. 2016. Bioinformatics in the present day. MOJ proteom bioinform [Internet]., 3(1):11–2. Available from: http://dx.doi.org/10.15406/mojpb.2016.03.00073
  • Toomula N, Kumar A, Kumar D S, Bheemidi VS. 2012. Biological databases- integration of life science data. J Comput Sci Syst Biol., 04(05):087-092. Available from: http://dx.doi.org/10.4172/jcsb.1000081
  • Yates AD, Achuthan P, Akanni W, Allen J, Allen J, Alvarez-Jarreta J, et al. 2020. Ensembl 2020. Nucleic Acids Res., 48(D1): D682–8.
  • Zou D, Ma L, Yu J, Zhang Z. 2015. Biological databases for human research. Genomics Proteomics Bioinformatics., 13(1):55–63.
  • Baxevanis AD, Bateman A. 2015. The importance of biological databases in biological discovery. Curr Protoc Bioinformatics., 50(1):1.1.1-1.1.8.
  • Benson DA, Clark K, Karsch-Mizrachi I, Lipman DJ, Ostell J, Sayers EW. 2014. GenBank. Nucleic Acids Res., 42:D32–D37.
  • Brooksbank C, Bergman MT, Apweiler R, Birney E, Thornton J. 2014. The European Bioinformatics Institute’s data resources 2014. Nucleic Acids Res., 42:D18–D25.
  • Caspi R, Billington R, Ferrer L, Foerster H, Fulcher CA, Keseler IM, et al. 2016. The MetaCyc database of metabolic pathways and enzymes and the BioCyc collection of pathway/genome databases. Nucleic Acids Res., 44(D1):D471-80.
  • Figueiredo MSN, Pereira AM. 2017. Managing knowledge – the importance of databases in the scientific production. Procedia Manuf., 12:166–73.
  • Harris TW, Baran J, Bieri T, Cabunoc A, Chan J, Chen WJ. 2014. WormBase 2014: new views of curated biology. Nucleic Acids Res., 42:D789–D793.
  • Howe D, Costanzo M, Fey P, Gojobori T, Hannick L, Hide W, et al. 2008. Big data: The future of biocuration: Big data. Nature., 455(7209):47–50.
  • Kanehisa M, Furumichi M, Sato Y, Ishiguro-Watanabe M, Tanabe M. 2021. KEGG: integrating viruses and cellular organisms. Nucleic Acids Res., 49(D1): D545–51.
  • Karp PD, Billington R, Caspi R, Fulcher CA, Latendresse M, Kothari A, et al. 2019. The BioCyc collection of microbial genomes and metabolic pathways. Brief Bioinform., 20(4):1085–93.
  • Kent WJ, Sugnet CW, Furey TS, Roskin KM, Pringle TH, Zahler AM, Haussler D. 2002. The human genome browser at UCSC. Genome Res., 12(6):996-1006.
  • Lapatas V, Stefanidakis M, Jimenez RC, Via A, Schneider MV. Data integration in biological research: an overview. J Biol Res (Thessalon). 2015;22(1):9.
  • Marx V. 2013. Biology: The big challenges of big data: Biology. Nature., 498(7453):255–60.
  • Nature Structural Biology 10, 980. 2003; doi: 10.1038/nsb1203-980
  • Oliveira AL. 2019. Biotechnology, big data and artificial intelligence. Biotechnol J., 14(8):e1800613.
  • Razvi SRH, Rampogu S. 2016. Bioinformatics in the present day. MOJ proteom bioinform [Internet]., 3(1):11–2. Available from: http://dx.doi.org/10.15406/mojpb.2016.03.00073
  • Toomula N, Kumar A, Kumar D S, Bheemidi VS. 2012. Biological databases- integration of life science data. J Comput Sci Syst Biol., 04(05):087-092. Available from: http://dx.doi.org/10.4172/jcsb.1000081
  • Yates AD, Achuthan P, Akanni W, Allen J, Allen J, Alvarez-Jarreta J, et al. 2020. Ensembl 2020. Nucleic Acids Res., 48(D1): D682–8.
  • Zou D, Ma L, Yu J, Zhang Z. 2015. Biological databases for human research. Genomics Proteomics Bioinformatics., 13(1):55–63.