Informatie

Is er een formaat voor officiële fysiologische / medische antwoorden?


Stel je hebt een examen met 5 uitgebreide vragen en 60 minuten. Je hebt geen tijd om de meeste te behandelen als je alles in essay-formaat schrijft. Als je begint met het schrijven van essays, heb je niet echt tijd om alle mechanismen te behandelen enzovoort.

Ik heb net gehoord dat een student het examen heeft gedaan met bijvoorbeeld het formaat van een lijst

zitten -> veneuze terugkeer naar beneden & skeletspieren werken niet correct -> trombus.

en vervolgens relevante mechanismen op dezelfde manier te beschrijven en hun rollen binnenkort te combineren.

Een andere morfologie van H. pylori

Gebogen (spiraalvorm), Gram-negatief, 2-4 micrometer lang, coccoïde vormen in oudere culturen,

Is er een officiële standaard of onofficiële geaccepteerde manier om vragen in fysiologie/geneeskunde te beantwoorden?


Gezien de zeer variabele aard van dergelijke processen en systemen, is het onwaarschijnlijk dat een gemeenschappelijke standaard haalbaar of verstandig is. Bij medische vragen is een bottom-up volgorde zoals in uw voorbeeld meestal logisch, beginnend met de meest specifieke bekende oorzaak en van daaruit voortkomend tot u bij de symptomen komt. Behandelingen kunnen vertakken of in de volgorde vertakken op het punt waar ze logisch van toepassing zijn.

Als je exameninstructies om stroomtekst vragen, is je vraag al overbodig - maar als je denkt dat je de keuze hebt, gebruik dan een notitieformaat dat geschikt is voor gezond verstand. U maakt in wezen een diagram en zoals elk diagram moet u ervoor zorgen dat het op zichzelf staat en veelomvattend is.

U kunt de hoeveelheid tijd die nodig is om zinnen te schrijven verkorten door de literaire kwaliteit te verminderen. Natuurlijk is een goed geschreven tekst prettiger om te lezen en te beoordelen, maar de nadruk bij je beoordeling zal meestal op de inhoud liggen, wat betekent dat je het je kunt veroorloven om zinnen met zich herhalende structuren te vormen of een logische verbinding te missen als het moeilijk is om er snel achter te komen of er een is of hoe het uit te drukken enz.


Ik antwoord meestal uitgebreid en beschrijvend en probeer zoveel mogelijk informatie te geven. Als het een proces is, voeg ik meestal een klein diagram toe. Als er veel attributen zijn om toe te voegen, maak ik soms lijsten, maar meestal houden leraren er niet van en het is gemakkelijker om fouten of gebreken in lijsten te vinden.

Er is in ieder geval geen standaard antwoordmodel op mijn universiteit.


Is er een formaat voor officiële fysiologische / medische antwoorden? - Biologie

Onthoud dat homeostase het in stand houden van een relatief stabiele interne omgeving is. Wanneer een stimulus of verandering in de omgeving aanwezig is, reageren feedbackloops om systemen te laten functioneren in de buurt van een instelpunt of ideaal niveau.

Feedback

Feedback is een situatie waarin de output of respons van een lus de input of stimulus beïnvloedt of beïnvloedt.

Doorgaans verdelen we feedbackloops in twee hoofdtypen:

  1. positieve feedbackloops, waarbij een verandering in een bepaalde richting een extra verandering in dezelfde richting veroorzaakt. Een toename van de concentratie van een stof veroorzaakt bijvoorbeeld feedback die een voortdurende toename van de concentratie veroorzaakt.
  2. negatieve feedbackloops, waarbij een verandering in een bepaalde richting verandering in de tegenovergestelde richting veroorzaakt. Een verhoging van de concentratie van een stof veroorzaakt bijvoorbeeld feedback die uiteindelijk de concentratie van de stof doet afnemen.

Positieve feedbackloops zijn inherent onstabiele systemen. Omdat een verandering in een invoer reacties veroorzaakt die voortdurende veranderingen in dezelfde richting produceren, kunnen positieve feedbacklussen leiden tot op hol geslagen omstandigheden. De term positieve feedback wordt meestal gebruikt zolang een variabele zichzelf kan versterken, zelfs als de componenten van een lus (receptor, controlecentrum en effector) niet gemakkelijk te identificeren zijn. In de meeste gevallen is positieve feedback schadelijk, maar er zijn enkele gevallen waarin positieve feedback, indien beperkt gebruikt, bijdraagt ​​aan de normale functie. Tijdens de bloedstolling bijvoorbeeld activeert een cascade van enzymatische eiwitten elkaar, wat leidt tot de vorming van een fibrinestolsel dat bloedverlies voorkomt. Een van de enzymen in de route, trombine genaamd, werkt niet alleen in op het volgende eiwit in de route, maar heeft ook het vermogen om een ​​eiwit te activeren dat eraan voorafging in de cascade. Deze laatste stap leidt tot een positieve feedbackcyclus, waarbij een toename van trombine leidt tot een verdere toename van trombine. Opgemerkt moet worden dat er andere aspecten van bloedstolling zijn die het algehele proces onder controle houden, zodat de trombinespiegels niet onbeperkt stijgen. Maar als we alleen de effecten van trombine op zichzelf beschouwen, wordt het beschouwd als een positieve feedbackcyclus. Hoewel sommigen dit als een positieve feedbackloop beschouwen, is een dergelijke terminologie niet universeel geaccepteerd.

Negatieve feedbackloops zijn inherent stabiele systemen. Negatieve feedbacklussen, in combinatie met de verschillende stimuli die een variabele kunnen beïnvloeden, produceren typisch een toestand waarin de variabele rond het instelpunt oscilleert. Zo helpen negatieve feedbacklussen met insuline en glucagon om de bloedglucosespiegels binnen een nauw concentratiebereik te houden. Als de glucosespiegels te hoog worden, geeft het lichaam insuline af aan de bloedbaan. Insuline zorgt ervoor dat de lichaamscellen glucose opnemen en opslaan, waardoor de bloedglucoseconcentratie daalt. Als de bloedglucose te laag wordt, geeft het lichaam glucagon af, waardoor glucose vrijkomt uit sommige lichaamscellen.


Wat ga je leren?

Je onderzoekt de unieke interacties tussen verschillende levensvormen zoals cellen, parasieten, pathogenen, dieren, planten, insecten en mensen door verschillende elementen van de biologie te bestuderen, zoals genetica, celbiologie, fysiologie, ecologie, populatiebiologie, limnologie, toxicologie, conservering en parasitologie. Biologie is een uitstekende keuze voor studenten die geïnteresseerd zijn in toegang tot een gezondheidswetenschappelijk programma, waaronder geneeskunde, tandheelkunde, verpleegkunde en diergeneeskunde.


Invoering

De China Physiological Signal Challenge 2019 (CPSC 2019) heeft tot doel de ontwikkeling aan te moedigen van algoritmen voor uitdagende QRS-detectie en hartslag (HR) schatting van korte-termijn ECG-opnames met één afleiding, meestal met een lage signaalkwaliteit en/of abnormale ritmegolfvormen.

ECG-signaal speelt een belangrijke rol bij niet-invasieve monitoring en klinische diagnose van hart- en vaatziekten (CVD). Detectie van QRS-complex is een essentiële stap voor de verwerking van ECG-signalen en kan de volgende HR-berekening en analyse van abnormale situaties ten goede komen. Hoewel detectiemethoden van het QRS-complex de afgelopen decennia streng zijn gevolgd, zijn nauwkeurige QRS-locatie en HR-schatting nog steeds een uitdaging bij signaalepisodes met ruis of abnormale ritmegolfvormen, vooral wanneer de ECG-opnames afkomstig zijn van de draagbare dynamische ECG-acquisitie. Het is waar dat veel van de ontwikkelde QRS-detectiealgoritmen een hoge nauwkeurigheid kunnen bereiken (meer dan 99% in gevoeligheid en positieve voorspelbaarheid) wanneer ze worden getest via de standaard ECG-databases zoals MIT-BIH Arrhythmia Database of AHA Database [1]. Deze algoritmen kunnen echter mogelijk niet goed presteren bij gebruik in de dagelijkse omgeving, wat ernstige ruis zal veroorzaken en de signaalkwaliteit aanzienlijk zal verminderen. Een recente studie bevestigde dat geen van de gebruikelijke QRS-algoritmen een detectienauwkeurigheid van 80% kan bereiken wanneer ze worden getest in een gewone dynamische ECG-database met ruis [2]. In deze uitdaging bieden we dus een nieuwe ECG-database met ECG-episodes met ruis en/of signalen met verschillende aritmiepatronen, waardoor deelnemers worden aangemoedigd om efficiëntere en robuustere algoritmen QRS-detectie en HR-schatting te ontwikkelen. Daarnaast is het vermeldenswaard dat, hoewel HR kan worden berekend uit de detectieresultaten van QRS-complexen, HR nog steeds kan worden geschat zonder QRS-detectiestap [3,4].


ONDERZOEK UITDAGINGEN

De laatste sessie van de workshop was gericht op een brede kijk op het gebied van de puberteit en de ontwikkeling van adolescenten, rekening houdend met de implicaties van recente vooruitgang voor de toekomst van onderzoek, evenals de effecten ervan op het huidige beleid en de huidige praktijken. Als we de opmerkingen van de deelnemers aan de workshop samenvatten, schetsen we hieronder een aantal uitdagingen waarmee onderzoekers nu worden geconfronteerd bij het verplaatsen van dit onderzoeksgebied naar de volgende ontwikkelingsfase. Hiaten in de huidige kennisbasis van de ontwikkeling van adolescenten die verder onderzoek vereisen, zoals geïdentificeerd door de presentatoren, worden ook samengevat.

Adolescentie moet worden erkend als een geloofwaardig wetenschappelijk gebied Navraag. Talloze deelnemers aan de workshop benadrukten de noodzaak om de capaciteit van het onderzoeksveld van adolescenten op te bouwen met nieuwe financiering voor longitudinaal onderzoek en stimulansen voor het aanbieden van professionele training en het uitvoeren van interdisciplinair onderzoek.

De vele onderzoeken die aantonen dat de adolescentie niet noodzakelijkerwijs een tijd van storm en stress is (Elkind, 1992, Hamburg, 1992) vertegenwoordigen een significante verschuiving in perspectief. Er is echter relatief weinig onderzoek gedaan naar de affectieve en houdingskenmerken die vaak worden geassocieerd met de adolescentieperiode, spanning zoeken, opwinding, humeurigheid, verschuivingen in energie, prikkelbaarheid, rusteloosheid. Pas onlangs hebben studies negatieve emotionele verbanden gelegd

of affectieve toestanden voor de hormonale veranderingen van de puberteit, vooral bij normale kinderen (Buchanan et al., 1992).

Het bevorderen van het begrip van adolescentie in het veld vereist een focus op onderzoek en op het beleid dat idealiter door dit onderzoek wordt geïnformeerd. Bestaande theoretische modellen moeten worden uitgebreid om te profiteren van de vooruitgang in de biomedische wetenschappen. Elizabeth Susman, deelnemer aan de workshop, merkte op: "Verdere integratie van fysiologische processen in modellen voor de ontwikkeling van adolescenten zal wetenschappers in staat stellen meer holistische, integratieve modellen te construeren dan momenteel beschikbaar zijn" (Susman, 1997).

Onderzoek is nodig om de relatie tussen verschillende aspecten te onderzoeken van puberale groei door meer complexe modellering te creëren en toe te passen Procedures. Tot voor kort waren modellen voor de ontwikkeling van adolescenten meestal unidirectioneel, waardoor onderzoekers gedrag of hormonen konden volgen. Er is toen enige vooruitgang geboekt bij het ontwikkelen van bidirectionele analyses, die de interactie tussen gedrag en hormonen laten zien. Pas onlangs hebben onderzoekers serieus gekeken naar fysieke en sociale factoren die de ontwikkeling van adolescenten kunnen beïnvloeden. Bijgevolg bieden bestaande modellen niet de mogelijkheid om meer dan een momentopname van de adolescentie te maken of, op zijn best, longitudinale studies uit te voeren die het traject van een of andere variabele volgen. Vooruitgang in het begrip van de adolescentie hangt daarom af van de ontwikkeling van meer complexe, multidimensionale theoretische en statistische modellen & mdashi.e., een 'wereldwijde weerkaart' van de puberteit. Een interdisciplinaire inspanning is nodig om dergelijke modellen te ontwikkelen.

Onderzoek is nodig om het begin van de menarche verder te bestuderen en verschillen tussen meisjes van verschillende raciale en etnische groepen. Volgens sommige onderzoekers "lijkt het rijpingstijdstip voor alle etnische groepen hetzelfde te zijn, op voorwaarde dat de voeding adequaat is" (Brooks-Gunn en Reiter, 1990). Zoals ze echter erkennen, is deze bewering binnen het veld controversieel en blijven er veel vragen over.

In het licht van onderzoek dat suggereert dat zwarte meisjes eerder menarche bereiken dan blanke meisjes, welke factoren dragen bij aan het vroege begin van de puberteit voor zwarte meisjes? Kunnen we aannemen dat de redenen voor verschillen in de timing van de menarche vandaag dezelfde zijn als in de jaren zestig? Als, zoals eerder besproken, zwarte meisjes ongeveer 15 maanden voor hun blanke tegenhangers met de puberteit beginnen, maar pas 8 maanden eerder in de menarche komen, wat verklaart dan hun tragere tempo van puberale ontwikkeling? Wat is de relatie tussen lichaamsgewicht en puberteit voor zwart en wit?

meisjes? Hebben meisjes die zwaarder zijn een langzamer tempo van puberale ontwikkeling? Hoe belangrijk zijn verschillende culturele houdingen ten opzichte van het lichaamsbeeld? Welke inzichten kunnen interculturele studies opleveren?

Hoewel veel van het huidige onderzoek zich richt op het verschillende verloop van de puberteit bij zwarte en blanke meisjes, is er duidelijk behoefte aan aanvullend onderzoek om verschillen in de timing van de puberteit en menarche (en uitkomsten die verband houden met deze verschillen) te karakteriseren in een steeds raciaal en etnisch diverse adolescente populatie in de Verenigde Staten. Dit onderzoek moet verder gaan dan zwart-wit vergelijkingen met andere raciale en etnische groepen, zoals Iberiërs, Amerikaanse Indianen en Aziaten en Pacific Islanders. Bovendien zijn, gezien de heterogeniteit die binnen deze groepen bestaat, ook vergelijkingen binnen de groep nodig, bijvoorbeeld vergelijkingen van Afro-Amerikanen, Nigerianen en Caribische zwarten binnen zwarte populaties Cubanen, Puerto Ricanen, Midden-Amerikanen en Mexicanen binnen Latijns-Amerikaanse populaties en Chinezen , Japans en Vietnamees binnen Aziatische populaties. Hoe beïnvloeden genetische en culturele factoren de timing van de puberale ontwikkeling en de timing van de menarche? Een antropoloog die aan de workshop deelnam, merkte op dat de gemiddelde leeftijd van de menarche onder de Lumi-bevolking van Nieuw-Guinea aanzienlijk later is dan in de Verenigde Staten en andere ontwikkelde landen.

Onderzoek is nodig om de relatie tussen Adrenarche te onderzoeken en puberteit. De puberteit wordt nu beschouwd als één gebeurtenis langs een continuüm van ontwikkeling. Het wordt voorafgegaan door adrenarche (het opnieuw starten van de androgene secretie van de bijnieren), die ongeveer twee jaar voor wat traditioneel wordt beschouwd als het begin van de puberteit begint. Erfelijkheid lijkt een belangrijke rol te spelen bij het ontstaan ​​van adrenarche en de puberteit. Adrenarche wordt nog steeds slecht begrepen, de functie ervan is niet helemaal duidelijk. Onderzoekers dachten aanvankelijk dat adrenarche een prepuberale groeispurt veroorzaakt tussen de leeftijd van 5 en 7 jaar, maar het is moeilijk om deze "blip" toe te schrijven aan adrenarche, aangezien de adrenale androgeensecretie doorgaat terwijl de groei terugvalt naar het vroegere tempo. Zijn er cross-culturele en cross-nationale verschillen met betrekking tot het begin van adrenarche? Zo ja, waarom?

Onderzoek is nodig om de relatie tussen seks verder te onderzoeken Steroïden en gedrag. Algemeen wordt aangenomen dat veranderingen in de puberteit invloed hebben op stemmingen en gedrag, maar het bewijs is gemengd (Richards en Larson, 1993). Ondanks decennia van speculatie, blijven de effecten van geslachtssteroïden, met name op stemmingen en gedrag, tijdens de adolescentie onduidelijk. Wat

is de relatie tussen de bijnier- en gonadale systemen (of HPA- en HPG-systemen) en hun invloed op stemming en gedrag? Veel onderzoekers kijken naar deze relaties, maar er is meer onderzoek nodig. Betrouwbare en valide maatregelen die onderzoeken met een grotere specificiteit mogelijk maken, zijn nodig om te bepalen hoe de puberale stijging van de hormoonconcentraties de cognitie beïnvloedt, evenals het effect ervan op probleemgedrag, zoals agressie.

Onderzoek is nodig om kwetsbaarheid en veerkracht in de hele wereld te bestuderen Spectrum van de ontwikkeling van kinderen en adolescenten. Waarom zijn sommige preteens en adolescenten min of meer kwetsbaar of veerkrachtig gezien vergelijkbare levensgebeurtenissen en contexten waarin ze groeien en zich ontwikkelen? Zijn biologische systemen op bepaalde momenten meer of minder gevoelig voor levensgebeurtenissen en contexten? Zo ja, maken genetische invloeden sommige jongeren vatbaarder voor meer of minder kwetsbaarheid, of juist meer of minder veerkrachtig? Als een tienermeisje bijvoorbeeld een eetstoornis ontwikkelt, hangt haar levensloop in het algemeen en de biologische impact van de ziekte in het bijzonder af van het punt in haar ontwikkeling wanneer deze zich voordoet?

Er is onderzoek nodig om de factoren te bestuderen die cognitieve vaardigheden bevorderen of belemmeren Ontwikkeling in de adolescentie. Het veld zou baat hebben bij een complexer model van de cognitieve ontwikkeling van adolescenten. Waarom verloopt de cognitieve ontwikkeling volgens een ander tijdschema dan de lichamelijke en seksuele rijping? Onderzoekers die zich richten op de puberteit hebben de effecten van steroïden op het cognitief functioneren niet ontdekt, maar in de menopauze heeft oestrogeentherapie aantoonbaar invloed op het cognitief functioneren. Wat verklaart deze discrepantie? Hoe is de architectuur van de hersenen gerelateerd aan de cognitieve ontwikkeling van adolescenten? Zullen functionele MRI-onderzoeken de kennis op dit gebied vergroten? Bovendien moeten we de besluitvormingsprocessen van adolescenten en de factoren die hen motiveren om risicovol versus gezondheidsbevorderend gedrag te vertonen, beter begrijpen.

Onderzoek is nodig om het inzicht van het veld in de effecten te vergroten van stress & mdash zowel negatieve als positieve vormen van stress & mdashon adolescent Ontwikkeling. Onderzoekers zijn onlangs begonnen met het vaststellen van een verband tussen stress en de timing van puberale rijping. Nieuw onderzoek is nodig om ongunstige omgevingscondities (zoals die geassocieerd met armoede) te identificeren die de onderdrukking of stimulering op lange termijn kunnen beïnvloeden.

van endocriene processen die op hun beurt de normale groei en psychologische ontwikkeling kunnen beïnvloeden (Susman, 1997).

Onderzoek is nodig om ontwikkelingsverschillen verder te verduidelijken naar geslacht. Waarom bereiken meisjes de puberteit eerder dan jongens? Wat zijn de implicaties met betrekking tot gezondheidsbevordering en het voorkomen van risicovol gedrag? Wat zijn de implicaties van genderverschillen in de hersenontwikkeling?

Onderzoek is nodig om belangrijke problemen in de ontwikkeling van adolescenten aan te pakken in het licht van de vooruitgang in de genetica. Adolescentie is een tijd waarin een hele reeks genetische invloeden belangrijker worden, terwijl een andere reeks genetische factoren, die in het vroege leven duidelijk waren, minder belangrijk worden. Er is bijvoorbeeld duidelijk bewijs voor een genetische aanleg voor schizofrenie, en het begin van schizofrenie treedt meestal op tijdens de latere adolescentiejaren. Welke interactie tussen de gastheer en de omgeving signaleert het begin van schizofrenie tijdens de adolescentie? Kunnen we nauwkeuriger verklaren hoe en wanneer deze en andere genetische "signalen" zowel tijdens de kindertijd als tijdens de adolescentie worden in- of uitgeschakeld? Hoe worden nieuwe genetische mechanismen in het spel gebracht? Wat zijn de factoren, zowel genetische als niet-genetische, die de expressie van specifieke genen tijdens de adolescentie kunnen beïnvloeden? Het vergroten van kennis over de interactie van meerdere genen, de omgeving en gedrag zal op een dag helpen bij de ontwikkeling van nieuwe strategieën om de gezonde ontwikkeling van zowel kinderen als adolescenten te bevorderen.

Samenvattend, zoals besproken tijdens de workshop, zijn er een aantal uitdagingen voor het doen van onderzoek op dit gebied, evenals duidelijke kansen om de kennisbasis met betrekking tot de ontwikkeling, gezondheid, gedrag en welzijn van adolescenten te vergroten. De volgende generatie onderzoeksstudies moet interdisciplinair van aard zijn om transversale en longitudinale onderzoeksmethoden te integreren met meer geavanceerde modelleringstechnieken om de onderlinge relatie tussen genetische, biologische, sociale en omgevingsinvloeden en hun unieke en gedeelde bijdrage aan de ontwikkeling van adolescenten en in een breder ontwikkelingskader te plaatsen.


Cultuur De VS erkennen officieel Juneteenth, maar dat is nog maar de eerste stap. Door zwarte Amerikanen te centreren, kan Freedom Day onderstrepen wat er moet gebeuren. Cultuur De vierde juli is niet de enige belangrijke onafhankelijkheidsdag voor Amerikanen en anderen. Kom meer te weten over Juneteenth, een feest ter herdenking van het officiële einde van de slavernij in de VS.

Lab 11a Gedrag Ap

Ethologie is de studie van het gedrag van dieren. Het gedrag van een dier is zijn reactie op sensorische input. Er zijn drie soorten gedrag: oriëntatie, agonistisch en paring.

Oriëntatiegedrag brengt het dier naar zijn gunstigste omgeving. Taxi's is wanneer een dier naar of van een stimulus af beweegt. Taxi's worden vaak gekenmerkt door licht, warmte, vocht, geluid of chemicaliën. Kinesis is een ander type beweging waarbij oriëntatie betrokken is. Kinesis is een beweging die willekeurig is en geen stimulus met zich meebrengt. Dus een dier zou op licht reageren door overal in willekeurige richtingen heen te gaan.

Agonistisch gedrag is wanneer dieren op elkaar reageren in agressieve of onderdanige bewegingen. Zoals het haar op de rug van honden als ze zich klaarmaken om te vechten. Een ander uitstekend voorbeeld is de Betta-vis, die soms in laboratoria wordt bestudeerd.

Paringsgedrag is activiteiten waarbij een lid van dezelfde soort wordt gevonden, het hof wordt gemaakt en ermee gepaard gaat. Een voorbeeld is een pauw die zijn veren pluist om vrouwtjes aan te trekken.

Pill bugs geven de voorkeur aan de natte kant boven de droge kant van de petrischalen omdat ze gewend zijn om in donkere vochtige omstandigheden te leven, zoals onder rotsen of in rottende bomen.

De materialen die in dit experiment werden gebruikt, waren: een dubbele petrischaalcombinatie, 10 pillbugs, beddengoed, een schaar, potloden, 2 stukjes filterpapier, een stuk zwart constructiepapier en een horloge.

Plaats 10 pillbugs in de petrischalen samen met een beetje beddengoed in elke container. Observeer ze ongeveer 10 minuten en noteer eventuele observaties die kenmerkend zijn voor de insecten. Als dat is gebeurd, neem je een stuk filtreerpapier en laat je het in water weken, en leg je het natte stuk op de bodem van een van de containers. Leg het andere droge papier op de bodem van de andere container. Leg 5 pillbugs aan elke kant en tel hoeveel bugs er aan elke kant zijn elke 30 seconden gedurende 10 minuten.

Ons ontworpen experiment omvatte dezelfde methoden, behalve het vervangen van filterpapier door een stuk zwart constructiepapier. Knip het cirkelvormige papier uit een vel zwart papier en doe het samen met wat beddengoed in een van de containers. Plaats 5 pillbugs aan elke kant en tel hoeveel er aan elke kant zijn elke 30 seconden gedurende 10 minuten.

Tijd (minuten) Nummer in natte kamer Nummer in droge kamer
0 5 5
.5 9 1
1.0 6 4
1.5 7 3
2.0 5 5
2.5 6 4
3.0 5 5
3.5 7 3
4.0 6 4
4.5 8 2
5.0 3 7
5.5 2 8
6.0 6 4
6.5 0 10
7.0 2 8
7.5 5 5
8.0 0 10
8.5 2 8
9.0 1 9
9.5 5 5
10.0 7 3

1. Welke conclusie trekt u uit uw gegevens? Leg fysiologische redenen uit voor het gedrag dat bij deze activiteit wordt waargenomen.

– De insecten gaven er de voorkeur aan in de natte omstandigheden. Waarschijnlijk vinden ze het daar leuk omdat ze zo op hun plek leven, onder rotsen of in bomen of gewoon in de grond. Dat is waarschijnlijk de enige manier waarop ze koel kunnen blijven en vocht krijgen.

2. Verkrijg resultaten van alle labgroepen in uw klas. Met betrekking tot vochtigheid, lichttemperatuur en andere omgevingscondities, aan welke soorten omgeving geven isopoden de voorkeur? Hoe ondersteunen de gegevens deze conclusies? Geef concrete voorbeelden.

– Onze klas wisselde geen gegevens met elkaar uit.

3. Hoe vinden isopoden geschikte omgevingen?

– Ze gebruiken hun antennes voor veel van hun lokalisering. Een ding dat ik opmerkte, was dat ze hun antennes gebruikten als ze rondliepen. Ze hebben waarschijnlijk niet zo'n goed gezichtsvermogen.

4. Als je plotseling een rots omdraait en daaronder isopoden vindt, wat zou je dan verwachten dat ze zouden doen? Als je een paar minuten naar de isopoden zou kijken, hoe zou je dan verwachten dat hun gedrag zou veranderen?

– Ik zou verwachten dat ze rondscharrelen, waarschijnlijk zoeken en tunnelen en naar beneden gaan om uit het zonlicht te blijven. Als je er een zou vinden die nog niet ondergronds was, zou ik hem waarschijnlijk in het gras zien lopen, op zoek naar een ander object om onder te gaan.

5. Is de reactie van de isopod op vocht het best te classificeren als kinesis of taxi's? Licht je reactie toe.

'Ik denk dat het het beste kan worden geclassificeerd als kinesis omdat ze in willekeurige richtingen bewogen. Sommigen zaten daar maar terwijl de anderen rondliepen.

1. Selecteer een van de bovenstaande variabele factoren en ontwikkel een hypothese over de reactie van de pillbug op de factor.

– Achtergrondkleur- Ik veronderstel dat de pillbugs de voorkeur geven aan de donkere achtergrondkleur boven de lichte achtergrondkleur, omdat ze gewend zijn om het grootste deel van hun leven op donkere plaatsen te leven.

2. Gebruik het materiaal dat beschikbaar is in je klas om een ​​experiment te ontwerpen. Houd er rekening mee dat warmte wordt gegenereerd door lampen.

A) Geef het doel van je experiment aan.

– Om te zien of de achtergrondkleur iets te maken heeft met gedragsreacties van pillbugs op hun omgeving.

B) Maak een lijst van de materialen die u gaat gebruiken.

– Schaar, zwart bouwpapier, pillendozen, petrischaaltjes en beddengoed, evenals een horloge.

C) Geef een gedetailleerde beschrijving van uw procedure.

– Ons ontworpen experiment omvatte dezelfde methoden als het echte experiment, behalve het vervangen van filterpapier door een stuk zwart constructiepapier. Knip het cirkelvormige papier uit een vel zwart papier en doe het samen met wat beddengoed in een van de containers. Plaats 5 pillbugs aan elke kant en tel hoeveel er aan elke kant zijn elke 30 seconden gedurende 10 minuten.

Niet veel dingen hadden onze resultaten drastisch kunnen veranderen. We hoefden alleen maar naar ze te kijken en naar de tijd te kijken. Als de insecten in een van de kamers werden gedwongen, had dat onze resultaten kunnen veranderen. Ook als we geen goede tijdmethode hadden aangehouden, hadden we verloren kunnen gaan.

De beestjes houden ervan in de natte omgeving, want dat is wat ze gewend zijn. Het is een gemakkelijke manier om water te krijgen en koel te blijven in hun omgeving. Ze hielden ook van de donkere achtergrond, want dat is ook wat ze gewend zijn in hun omgeving, onder stenen of andere dingen.


Wat is het immuunsysteem?

Het doel van het immuunsysteem is om zichzelf te verdedigen en micro-organismen, zoals bepaalde bacteriën, virussen en schimmels, uit het lichaam te houden en alle infectieuze micro-organismen die het lichaam binnendringen te vernietigen. Het immuunsysteem bestaat uit een complex en vitaal netwerk van cellen en organen die het lichaam beschermen tegen infectie.

De organen die betrokken zijn bij het immuunsysteem worden de lymfoïde organen genoemd. Ze beïnvloeden de groei, ontwikkeling en het vrijkomen van lymfocyten (een soort witte bloedcel). De bloedvaten en lymfevaten zijn belangrijke onderdelen van de lymfoïde organen. Ze vervoeren de lymfocyten van en naar verschillende delen van het lichaam. Elk lymfoïde orgaan speelt een rol bij de productie en activering van lymfocyten.

Adenoïden (twee klieren aan de achterkant van de neusholtes)

Bijlage (een buisje dat is verbonden met de dikke darm)

Bloedvaten (de slagaders, aders en haarvaten waardoor het bloed stroomt)

Beenmerg (het zachte, vetweefsel dat wordt aangetroffen in botholten)

Lymfeklieren (kleine organen in de vorm van bonen, die zich door het hele lichaam bevinden en verbonden zijn via de lymfevaten)

Lymfevaten (een netwerk van kanalen door het hele lichaam die lymfocyten naar de lymfoïde organen en de bloedbaan transporteren)

Peyer's patches (lymfoïde weefsel in de dunne darm)

Milt (een vuistgroot orgaan in de buikholte)

Thymus (twee lobben die samenkomen voor de luchtpijp achter het borstbeen)

Amandelen (twee ovale massa's achter in de keel)


Hoe je je op een toets voorbereidt, kan het verschil zijn tussen een lage en een hoge score. Hoe bereid je je voor?

  1. Ruim van tevoren studeren, niet proppen
  2. Studeren om de stof te leren
  3. Volg een regelmatig studieschema
  4. Gebruik kwalitatief studiemateriaal: studieboeken, flashcards, studiegidsen, oefentoetsen, enz.
  5. Markeer belangrijke punten in uw notities
  6. Gebruik discussiegroepen

Materialen en methodes

Normalisatie van open TG-GATEs-dataset

Open TG-GATEs data-acquisitie

Alle gegevens behalve voedselconsumptie werden gedownload van de Open TG-GATEs-website (https://toxico.nibiohn.go.jp/open-tggates/english/search.html) met behulp van het RCurl-pakket en geparseerd met XML-pakket. Gegevens over voedselconsumptie zijn gedownload van een andere repository van Open TG-GATEs-dataset in Life Science Database Archive (https://dbarchive.biosciencedbc.jp/en/open-tggates/data-11.html). Een toediening van één verbinding, één dosis en één tijdstip wordt in de hele tekst aangeduid als "behandelingsaandoening" of "aandoening". Er werden in totaal 3.564 omstandigheden getest (160 chemicaliën, drie doses, acht tijdstippen). Elke aandoening werd getest in biologische vijfvoud om fysiologie (lichaams- en orgaangewichten, bloedceltellingen, bloedchemie) en histologie (diagnose op basis van H&E-kleuring van lever en nier gemaakt door toxicologische pathologen) te verzamelen. Drie van de vijf monsters werden verder getest op lever- en niermicroarraygegevens 3.528 en 975 omstandigheden werden getest op lever- en niertranscriptoom.

Informatie over medicamenteuze behandeling

In de Open TG-GATEs-dataset werden ratten getest met een van de 160 verbindingen (99 geneesmiddelen, 55 industriële toxines, zes endogene signaalmoleculen of metabolieten), in drie doses bepaald voor elke chemische stof (bijlage Fig. S1C). Na behandeling met een enkele dosis werden de dieren gedood 3, 6, 9 of 24 uur na de dagelijkse behandeling met herhaalde doses, de dieren werden gedood op 4, 8, 15 of 29 dagen. Sommige verbindingen werden alleen getest in behandelingen met een enkele of herhaalde dosis, maar 140 verbindingen werden getest voor alle acht tijdstippen. Zevenennegentig daarvan waren in dezelfde doses, maar 43 daarvan werden getest met hogere doses in een enkele dosis dan bij herhaalde doses. 365 omstandigheden (verbindingen in vaste doses) waren gepland voor alle acht tijdstippen testen, maar 14 doden dieren op latere tijdstippen, dus 351 omstandigheden werden getest op acht tijdstippen. Op het moment van opoffering werden fysiologie (hematologie, lichaams- en weefselgewichten) en histopathologie van lever en nier verzameld voor elk van de vijf dieren. Verder werden drie van de vijf dieren die elke aandoening vertegenwoordigen verzameld en onderworpen aan lever- en niermicroarray.

Fysiologische gegevens normalisatie

Fysiologische parameters (bloedceltellingen, bloedbiochemie en lichaams- en weefselgewichten) werden gemeten voor elke eerste persoon die normalisatie onderging voor elk van 3.564 behandelingscondities (verbindingen, doses, tijdstippen). We hebben eerst vijf biologische replica's van elke parameter voor elke aandoening gemiddeld. Omdat elke parameter in verschillende eenheden werd gemeten en ze niet direct vergelijkbaar waren, hebben we de waarde genormaliseerd zodat ze met elkaar vergelijkbaar waren. Wat normalisatie betreft, hebben we het gemiddelde en het interkwartielbereik van 3.564 waarden van elke parameter berekend, het gemiddelde van elke waarde afgetrokken en gedeeld door het interkwartielbereik.

Histopathologie curatie

Histopathologie van lever en nier van elk behandeld dier werd gediagnosticeerd door toxicologische pathologen. De informatie bestaat uit de namen van het fenotype (necrose, hypertrofie, etc.), topografie (periportal, centrilobular, etc.) en graad (minimaal, licht, matig, ernstig). Omdat sommige histopathologische fenotypen (zoals necrose) vaak zelfs onder vehikelbehandelingen werden waargenomen, werden ze onafhankelijk van de behandeling met verbindingen beschouwd. Daarom hebben we de histopathologische waarnemingen bijgesneden, zodat we alleen werken met waarnemingen die waarschijnlijk zijn veroorzaakt door samengestelde behandelingen. Om dit te doen, hebben we de waarnemingen gestratificeerd naar topografie en rang. Voor elke topografie en graad van elk fenotype telden we het aantal ratten dat het fenotype vertoonde, zowel geïnduceerd door vehikels als door verbindingen, en hielden we waarnemingen alleen bij wanneer de verhouding van de tellingen groter was dan de verhouding van ratten die in het project werden gebruikt (= 0,336 5.950 en 17.685 ratten die respectievelijk werden gebruikt voor vehikel- en toxinebehandelingen in TG-GATE's) en anderszins weggegooid omdat we geen stevig bewijs hebben dat het fenotype werd geïnduceerd door de toxines. After the trimming procedure, we claimed a phenotype was induced by a condition (compound, dose, time point) when at least one of the quintuplicated rats treated with the condition exhibited the phenotype.

Transcriptome normalization

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

Food consumption data normalization

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

Identification of disease states/physiology and histology overrepresentation

Computing physiology t-SNE

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

Filtering disease-associated conditions

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

Clustering for identifying disease states

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

Characterization of physiology and histology of nine DSs

Relative severity between liver and kidney

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

Deviation of physiological parameters in each DS

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

Relative enrichment of histopathological phenotypes among DSs

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

Elastic net classification of DS using microarray data

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

Pathway analysis

Compiling pathways

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

Computing activity scores

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

Transcriptome characterization of DSs

DSs similarity based on transcriptome

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

Transcriptional characterization of DSs

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

Disease transition network between DSs

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

Enzyme stratification by cofactors

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

Discovery of biomarkers to different cell death phenotypes

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

Correlation of pathways with ferroptosis sensitivity signatures

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

Pathway activity analysis in time course

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

Compiling blood plasma proteins

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

Correlation between gene expression and food consumption or body weight

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

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

Igf1 and body weight

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

Gdf15 and food consumption

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

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

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


Bekijk de video: Topik Hot Seksyen A Peperiksaan Latihan Separa Perubatan 2021 (December 2021).