Стол 1а по певзнеру: Медицинская диета № 1А — стол № 1А по Певзнеру

Содержание

Страница не найдена — Confetissimo — женский блог

Цвет в одежде

Мятный цвет захватывает все, начиная от маникюра, заканчивая цветом волос. Он нежный, свежий, а

Макияж

Первые фото в очках могут обескуражить: «А где, собственно, мои глаза?» Или, напротив: «Почему

Волосы и прически

Мода не стоит на месте, а постоянно развивается, добавляя все новые элементы, либо смешивая

Стиль в одежде

Известно, что лен считается одной из самых прочных и качественных тканей, которые представлены на

Маникюр и педикюр

Оливковый маникюр – это не просто обычный цвет, который смотрится бледно, незаметно и используется

Волосы и прически

Цвет волос «капучино» относится к натуральным. Этот цвет очень насыщенный, яркий, но в то

Диета 1 по Певзнеру | vpalamarchuk.ru

Диета №1 назначается при заболеваниях желудочно-кишечного тракта и после оперативных вмешательств.

Язвенная болезнь желудка и ДПК в стадии ремиссии или стихающего обострения (продолжительность диеты — 3-6 месяцев).

Хронический гастрит с секреторной недостаточностью при обострении, а также гастрит с нормальной и повышенной секрецией в стадии ремиссии (продолжительность диеты 3-6 месяцев).

После оперативных вмешательств на органах брюшной полости (начинают с более жесткой — 1а).

Энергетическая ценность: 2800 ккал в сутки
Состав:
— белок 100 г
— жиры 90 г (25-30 г — растительного происхождения)
— углеводы 400 г
— жидкости — 1,5 л
— соли до 6 г
Температура пищи — 57-62 град для горячих блюд, не ниже 15 град — для холодных

Частота приема пищи — 5-6 раз в сутки

Девиз диеты №1:
-пищу варим, готовим на пару, протираем
-некоторые виды блюд можно запекать без образования корочки
-рыбу и нежирное мясо можно запекать куском
-умеренное уптотребление соли
-убираем из меню сильно холодные и горячие блюда
-на ночь разрешено и даже рекомендовано пить молоко

-кушаем дробно: прием пищи 5-6 раз в сутки

Что можно есть при диете №1

Хлеб. Пшеничный вчерашней выпечки из муки высшего сорта), сухой бисквит и печенье, несдобные булочки, печеные пирожки ( начинка из яблок, отварного мяса, рыбы, яиц, джема) До двух раз в неделю — булочка с творогом.

Супы. Из разрешенных протертых овощей. На основе морковного или картофельного отвара. Можно молочные супы, с использованием хорошо проваренных круп (геркулес, манка, рис). Можно суп с вермишелью, с добавлением протертых овощей. Суп пюре с отварной курицей или мясом (мясо отваривают заранее).

Мясо и птица. Нежирные сорта мяса и птицы. Удаляем из мяса сухожилия и кожу. Мясо отвариваем или готовим на пару. Подойдет говядина, нежирная свинина, молодая нежирная баранина, курица, индейка. Отварное мясо можно запечь в духовке. Из мяса можно делать котлеты, суфле, пюре. Можно отварной язык, отварную печень.

Рыба. Все виды нежирных сортов рыбы. Можно куском, можно в виде котлет. Отвариваем или готовим в пароварке.

Молочные продукты. Пьем молоко. Пьем простоквашу, ацидофиллин. Разрешено кушать сливки, протертый некислый творог. Можно свежую сметану. Из творога можно приготовить сырники, вареники, суфле. Можно в пищу неострый сыр.

Яйца. Готовым всмятку, либо в виде омлета. Не больше трех штук в день.

Крупы. Манка, рис, гречка, овсянка. Готовим каши на воде или молоке. Разрешено употребление макарон и вермишели.

Овощи. Свекла, картофель, морковь, цветная капсута, тыква, молодые кабачки. Допускается небольшое количество помидоров и зеленого горошка. Овощи отвариваем или готовим на пару.

Закуски: готовим салаты из отварного мяса и рыбы, печеночный паштет. Можно немного докторской, молочной колбасы, нежирной ветчины. Можно немного красной икры. Небольшое количество сельди и несоленый сыр.

Фрукты и сладкое. Опять же варим и протираем: пюре, кисель, компоты. Из сладкого допускается немного сахара, меда, варенья, немного зефира.

Приправы. Можно укроп, петрушку, ванилин, корицу. Небольшое количество.

Напитки. Чай можно некрепкий, какао, некрепкий кофе с молоком. Пьем отвар шиповника, сладкие виду фруктовых соков.

Жиры. Масло сливочное несоленое. При приготовлении можно добавлять нерафинированное растительное масло.

Чего нельзя есть при диете №1

1. Все виды свежего хлеба, ржаной хлеб. Изделия из сдобного и слоеного теста.
2. Бульоны мясные, рыбные, грибные. Нельзя щи, борщ, окрошку.
3. Нельзя жирное мясо, жилистое мясо и птицу (утка, гусь).
4. Жирная и соленая рыба (можно чуть селедки), консервы.
5. Молочные продукты с высокой кислотностью. Нельзя острый и соленый сыр. Можно немного сметаны.

6. Яйца вкрутую, яичница.
7. Нельзя крупы: пшено, перловка, кукурузная каша, бобовые ( можно немного зеленого горошка).
8. Из овощей нельзя: белокочанная капуста, редька, щавель, шпинат, репчатый лук, огурцы, овощи соленые и квашеные, грибы.
9. Исключаем томатный соус, горчицу, перец, хрен.
10. Газированные напитки, черный крепкий кофе, квас.


Поделиться новостью в соцсетях  

. . Важно отметить, что топология малого мира определяется как критическое состояние, обладающее обоими качествами, а именно кластеризацией сети, аналогичной упорядоченной решетке C C упорядоченным , и разделением сети подобно неупорядоченному графу L L неупорядоченный ; таким образом, коэффициент малого мира стремится к ω ≈ 0 по мере того, как сеть стремится к критическому расположению малого мира.

Модель связанных осцилляторов Курамото

Каждый узел сети был смоделирован как связанный осциллятор типа Курамото (Yamamoto et al., 2018), описанный набором N -связанных дифференциальных уравнений (Breakspear et al., 2010):

θ∙n=εn+KN∑m=1NAmnsin(θm-θn), n=1, …, N,

где n th осциллятор с собственной частотой ε n регулирует свою фазовую скорость θ∙n на основе парных фазовых взаимодействий со своими связанными аналогами (предоставляется матрицей смежности A 6 mn 90 , см. Генерация сети).Межузловая связь была K = 3, а собственные частоты были распределены согласно плотности вероятности Гаусса со средним значением ε 0 = 0. Состояние узла ( n = 1, …, N ) было таким образом определяется его фазой θ, которая была рассчитана методом Ливерморского решателя обыкновенных дифференциальных уравнений (LSODA) с динамическим временным шагом.

Степень синхронности в сети определялась параметром порядка r , определяемым как:

r(θm)=reiψ=1N∑m=1Neiθm,

, где ψ — средняя фаза набора осцилляторов N , а скаляр r представляет порядок или фазовую однородность сети. Реализация колебательной системы Курамото с открытым исходным кодом на Python доступна в Интернете и использовалась для создания представленных здесь данных моделирования (Damicelli, 2021).

Анализ стабильности и привлекательности

Чтобы вычислить устойчивость различных состояний сети, мы устанавливаем начальный уровень синхронности сети через начальные узловые фазы θ m 0 . Так, при начальной синхронности r 0 = 0,5 в среднем 50% узлов сети имели в исходном состоянии равные фазы.Затем на заданном временном шаге Δ t = 250, не обязательно в стационарном состоянии, было вычислено отклонение сети от начального уровня синхронности, выявляющее устойчивость начального состояния. В частности, большие отклонения отражают более слабую стабильность. Повторение этого процесса для всех комбинаций начальных уровней синхронизации и параметров подключения дает тепловые карты стабильности, изображенные на рис. 4A .

Чтобы рассчитать привлекательность различных состояний сети, мы проверили, на какие уровни синхронизации перешли сети во время моделирования, и оценили конечный уровень синхронии на основе размера сдвига.Например, для начальной синхронизации r 0 = 0,5 и связи на большом расстоянии g = 0,001 одна сеть может оказаться на уровне конечной синхронизации r 1 = 0,0. Это добавляет s = |r 0 r 1 | = 0,5 до конечного состояния синхронизации r 1 . Синхронные состояния, имеющие самые высокие кумулятивные баллы, имели наибольшую привлекательность. Повторение этого процесса для всех комбинаций начальных уровней синхронизации и параметров связности дает тепловые карты привлекательности, приведенные в Рисунок 4B .

Результаты

Чтобы изучить влияние соединений дальнего и ближнего действия на топологические и динамические свойства сети малого мира, мы применили вариант модели маленького мира Уоттса и Строгаца (1998) и модель связанных осцилляторов Курамото ( Курамото, 1984). Конкретно, мы сгенерировали упорядоченную кольцевую решетку, состоящую из N = 1000 узлов, каждый узел соединен со своими h ближайшими соседями. К этой базе мы добавили в среднем 90 005 г уникальных 90 006 соединений дальнего действия на узел.Таким образом, по определению, соединения дальнего действия g топологически отличаются от своих коррелятов ближнего действия h , что справедливо для соединений ближнего действия значительно ниже насыщения сети, h < < N . Затем, чтобы количественно оценить степень сходства сети с сетью маленького мира, мы вычислили коэффициент маленького мира ω (Telesford et al., 2011). По сути, коэффициент маленького мира сравнивает сходство сети с идеально упорядоченной сетью.совершенно неупорядоченное расположение, основанное на степени, в которой узлы сети сгруппированы, и степени, в которой они разделены. Более конкретно, упорядоченные подкритических решеток стремятся к ω ≈ – 1 , обладая высокими параметрами кластеризации и высокого разделения; неупорядоченные, сверхкритические графы стремятся к ω ≈ + 1 , имеющие низкие параметры кластеризации и низкого разделения; и критических топологий малого мира стремятся к ω ≈ 0 , имея сбалансированные как упорядоченные, так и неупорядоченные тенденции (см. Методы).В рамках этого определения мы визуализировали топологическое поведение сети, построив коэффициент малого мира ω как функцию связности g и h соответственно (рис. 2). Наконец, мы использовали ту же топологическую структуру для создания сетей связанных осцилляторов типа Курамото (Курамото, 1984).

Рисунок 2 . Небольшой мир сетей с различными значениями связности дальнего и ближнего действия. (A) Коэффициенты маленького мира на графике N = 1000 со статической связью ближнего действия H = 10, 50, 100, усредненные по 100 выборкам, показаны на полулогарифмической оси x.Вставка, показанная по нелогарифмической оси x. Вертикальные пунктирные линии представляют границы критического режима для сетей H = 10 и H = 100. Обратите внимание, что критичность уменьшается по мере уменьшения статической связности ближнего действия. (B) Коэффициенты малого мира на графике N = 1000 со статической связностью на большом расстоянии G ( G ≈ 0,001, 0,03, 0,8, 10), усредненные по 100 выборкам. Обратите внимание, что кривые состояния ближнего действия сходятся к критическому состоянию, несмотря на базовую статическую связность дальнего действия G . (C) Первая производная кривых состояния, показанных на рисунках A и B, представляет собой подвижность состояния сети, т. е. насколько хорошо она переходит из одного топологического состояния в другое. Обратите внимание, что модуляция соединений ближнего действия ч обеспечивает близкую к нулю мобильность топологического состояния по сравнению с модуляцией соединений дальнего действия g . Мобильность топологического состояния в основном находится в докритических и критических пространствах, оставляя почти нулевую мобильность при высоких значениях связности. (D) Разница в мобильности состояний между сетями со статической связностью ближнего действия H = 10 и H = 100. На диаграмме видно, что топологическое состояние стабилизируется в докритическом пространстве (отрицательные значения) и дестабилизируется вблизи критичности (положительные значения). Обратите внимание, что все графики имеют логарифмическую ось X. Точки данных представляют собой среднее ± стандартная ошибка среднего.

Соединения дальнего действия доминируют в топологическом состоянии

Сначала мы рассмотрели роль соединений ближнего и дальнего действия в определении топологического состояния сети, в частности, сохраняя один параметр статическим (заглавные буквы H и G ) при модуляции другого (строчные буквы h и г ) (рис. 2).Мы обнаружили, что модуляции связи дальнего действия g предлагают почти полный топологический диапазон, несмотря на лежащую в основе статическую связь ближнего действия H (рис. 2А; ~ 70% ± 0,05; среднее значение ± стандартная ошибка среднего). Тем не менее, обратного не произошло: инвариант к базовой связности дальнего действия G , увеличение связности ближнего действия h сходилось к критическому состоянию (рис. 2A, B). В общем, менее половины топологического диапазона было достигнуто только модуляцией ближнего действия. Таким образом, короткодействующие связи, по-видимому, плохо подходят в качестве модулятора топологического состояния.

Для дальнейшего изучения мы вычислили первую производную топологического состояния, чтобы выявить мобильность состояния Δω сети, т. е. насколько легко сеть перешла из одного топологического состояния в другое через изменений параметров связности ч и г (рис. 2С). Мы обнаружили, что во всех базовых связях дальнего действия G модуляция связности ближнего действия h практически не влияла на топологическое состояние.Тем не менее, модуляция связи дальнего действия g сети предлагала мощную мобилизацию состояний в докритическом и критическом режимах, но почти нулевую мобильность, приближающуюся к сверхкритическому состоянию. Доминирующая роль дальних связей в топологическом состоянии была подтверждена анализом доминантности ( R 2 ~ 0,648 для дальних связей против R 2 ~ 0,003 для ближних связей).

Вместе эти результаты показывают, что топологическое состояние сети малого мира в основном определяется связью на большие расстояния (Watts and Strogatz, 1998) и что топологическая мобильность сети наиболее сильна намного ниже сверхкритического состояния (Carhart-Harris). и другие., 2014).

Соединения ближнего действия формируют топологическую динамику

Затем мы оценили, как базовая связь ближнего действия H влияет на топологическое поведение сети, что отражено в форме кривых топологического состояния (рис. 2). Мы обнаружили, что по мере уменьшения статической ближней связности H кривая состояния становится крутой около критической точки, таким образом, сжимая и « сдвигая вправо » критический режим к более высоким значениям дальней связности g (рис. 2А).Это указывает на то, что для поддержания критичности малого мира слабо кластеризованные сети (низкий уровень H ) должны интегрировать соединения дальнего действия в большей степени, но в более узких пределах.

Затем мы рассчитали разницу в мобильности состояний сетей с высокой статической связностью ближнего действия ( H = 100) и низкой статической связностью ближнего действия ( H = 10) (рис. 2C). На этом разностном графике отрицательные значения отражают снижение подвижности состояния сети, что по существу соответствует стабилизации топологического состояния (и, наоборот, для положительных значений).Интересно, что мы обнаружили, что по мере того, как статическая связь ближнего действия H уменьшалась, стабильность топологического состояния смещалась в подкритический режим, что сильно дестабилизировало критичность малого мира (рис. 2D). Это указывает на то, что ближняя связь сети оказывает фундаментальное влияние на стабильность сети в различных топологических режимах.

Синхронизация по сети

Чтобы расширить наши топологические выводы, мы изучили свойства синхронизации, предлагаемые сетями малого мира с различными параметрами связи ближнего и дальнего действия (рис. 3).С этой целью мы количественно оценили глобальную синхронность сети в устойчивом состоянии, используя параметр порядка Курамото r , который отражает глобальную фазовую однородность узлов сети (см. Методы).

Рисунок 3 . Моделирование связанных осцилляторов Курамото в сетях малого мира. (A) Верхняя панель показывает активность сети во времени. Цветовая карта представляет фазу узлов (слабый: гиперполяризованный — сильный: деполяризованный). г , подключение на большие расстояния.Нижняя панель показывает глобальную синхронность сети во времени. Сетевая активность, отобранная на верхней панели, была нанесена на карту r( θ m ) , чтобы выявить сетевую синхронность/порядок r при заданном наборе колебательных фаз θ

6 m

6. Линии представляют собой отдельные испытания, закрашенные цветом для улучшения визуальной различимости. Красный,

H = 10, низкая связь на ближнем расстоянии. Зеленый, H = 50, промежуточная связь ближнего действия.Синий, H = 100, высокая связь на ближнем расстоянии. (B) На этой диаграмме, усредненной по 15 испытаниям, показана стационарная синхронизируемость сети по мере того, как дальнее подключение g увеличивается. Точки данных представляют собой среднее значение ± стандартное отклонение от среднего значения. Заштрихованная область соответствует стандартному отклонению среднего значения, подогнанному к логистической функции. SD среднего эквивалентна метастабильности сети, определяя динамический режим, который способствует гибким узловым взаимодействиям без стагнации в фиксированных положениях (Hellyer et al., 2015). Параметры логистической кривой: и , минимальная синхронизируемость; b , критический уклон; d , максимальная синхронизируемость; H , подключение на короткие расстояния. Красный, H = 10, низкая связь на ближнем расстоянии. Зеленый, H = 50, промежуточная связь ближнего действия. Синий, H = 100, высокая связь на ближнем расстоянии.

Путем постепенной интеграции соединений дальнего действия в структуру сети наши симуляции показывают, что синхронизируемость резко достигает критической точки, в которой сеть переходит из состояния низкой синхронности в почти полную синхронность (рис. 3А).Такая «взрывная синхронизация», критический переход, характерна для связанных осцилляторов типа Курамото (Kuramoto, 1984; Gómez-Gardeñes et al., 2011; Boccaletti et al., 2016) и отражает топологическую критичность малых миров. сетей (рис. 1) (Watts and Strogatz, 1998).

Затем мы смоделировали синхронизируемость с помощью четырехпараметрической логистической регрессии (рис. 3B). Как и в наших топологических выводах, мы обнаружили, что наклон критического перехода b круче, поскольку статическая связь ближнего действия H была уменьшена, что указывает на дестабилизацию и сужение критического режима (рис. 3B, вставка).Минимальная синхронизируемость и сети, кроме того, пропорционально связана со статической связью ближнего действия, что указывает на то, что базовая синхронизация зависит отдельно от взаимодействия ближнего действия. Действительно, по мере того, как вводится больше соединений ближнего действия, сеть в конечном итоге достигает точки насыщения, когда глобальная синхронизация становится детерминированной, инвариантной к топологическим модуляциям (Barahona and Pecora, 2002).

Наконец, рассчитав отклонение сети от предопределенного начального уровня синхронизации (см. Методы), мы проверили стабильность и привлекательность различных состояний сети (рис. 4).Во-первых, эти данные подтверждают, что устойчивость критического режима сужается по мере уменьшения связности на малых расстояниях. Во-вторых, по мере удаления связей ближнего действия мы обнаруживаем, что сеть все больше притягивается к докритическим состояниям синхронии (рис. 4B), что согласуется с топологической дестабилизацией, способствующей подкритичности, представленной ранее ( cf . красные кривые на рисунках 2D, 4D). , и вставка).

Рисунок 4 . Стабильность сети. (A) Тепловая карта стабильности различных состояний сети. Обратите внимание на сужение устойчивости критического режима в разреженной сети H = 10, по сравнению с H = 50, 100, H , связность ближнего действия; г , дальняя связь; r , сетевая синхронизация; Синий, стабильный; Желтый, нестойкий. (B) Тепловая карта привлекательности различных состояний сети. Обратите внимание на повышенную привлекательность экстремальных режимов сети, особенно подкритичности, в сети с разреженной кластеризацией H = 10. H , возможность подключения на короткие расстояния; г , дальняя связь; r , сетевая синхронизация; Синий, очень привлекательный; Желтый, менее привлекательный; Белый, непривлекательный. (C) Разница в привлекательности состояний между сетями с малым радиусом действия с низкой ( H = 10) и средней ( H = 50) связностью. H , возможность подключения на короткие расстояния; г , дальняя связь; r , сетевая синхронизация; Красный, повышенная привлекательность; Зеленый, снижение привлекательности; Слабая, неизменная привлекательность. (D) Разница в привлекательности между по-разному сгруппированными сетями, имеющая в виду дальнюю связность g -оси. Обратите внимание на пик репеллентов на критической и докритической границе и докритическую впадину, которые вместе могут способствовать докритическому захвату. На вставке показаны данные основного участка в транспонированном виде A T , что делает его сходство с топологическим рисунком дестабилизации более ясным (рис. 2D). Красная пунктирная кривая показывает разницу в привлекательности разреженно сгруппированных H = 10 и плотно сгруппированных H = 100 сетей.Зеленая сплошная кривая показывает разницу в привлекательности сетей с разреженной кластеризацией H = 10 и промежуточной кластеризацией H = 100.

Метастабильность сети зависит от соединений ближнего действия

Наши данные показывают, что функциональные взаимодействия сети сходятся по мере того, как уменьшается статическая связь ближнего действия (рис. 3B, обратите внимание на сужение стандартного отклонения). Соответственно, мы обнаружили, что связность на большом расстоянии g в слабо кластеризованной сети (низкий H ) имеет очень высокую прогностическую силу (PPS) в отношении глобальной синхронности r сети, тогда как сильно кластеризованные сети (высокий H ) в целом плохо предсказуемы ( H = 10, PPS = 0.93; H = 100, PPS = 0,43) (Wetschoreck et al., 2020). Кроме того, по мере того, как ближняя связность сетей стремится к насыщению (от H до N = 1000), PPS падает до 0. Более конкретно, мы обнаруживаем, что PPS линейно пропорциональна ближней связности сетей. сеть (PPS = -0,010H + 0,985; R 2 = 0,99) (дополнительный рисунок 1).

PPS можно использовать для оценки метастабильности сети.Метастабильность, которая, как считается, присуща познанию (Alderson et al., 2020), определяет динамический режим, который обеспечивает гибкое взаимодействие узлов сети без застоя в фиксированных позициях (Hellyer et al. , 2015). Таким образом, наши результаты показывают, что метастабильность сети линейно зависит от базовой связности ближнего действия (согласно анализу доминирования, R 2 = 0,438 для ближнего действия по сравнению с R 2 = 0,136 для дальнего действия). диапазонные связи). Эти данные моделирования в целом отражают наши топологические выводы, предполагая, что соединения ближнего действия являются ключевыми для системной динамики сети (рис. 4).

Обсуждение

Мы исследовали влияние соединений ближнего и дальнего действия на топологические и динамические свойства сети малого мира. Сходя с предыдущей работой (Watts and Strogatz, 1998), мы демонстрируем, во-первых, что дальнодействующие связи определяют топологическое и функциональное состояние сети. Во-вторых, мы показываем, что короткодействующие связи формируют динамику системы, т. е. стабильность системы в различных топологических режимах (рис. 2, 4).Вместе наши результаты свидетельствуют о том, что связи ближнего и дальнего действия играют разные роли в формировании поведения сети маленького мира.

Топологические свойства сети оказывают фундаментальное влияние на происходящую в ней деятельность (Strogatz, 2001). В нескольких работах, например, проанализировано распространение инфекционных заболеваний в сетях малого мира, обнаружив колебания между спорадическими эндемическими и самоподдерживающимися эпидемическими инфекционными циклами, основанными на сетевом беспорядке (Kuperman and Abramson, 2001; Rüdiger et al., 2020). Другие исследовали синхронизацию связанных осцилляторов на графиках маленького мира (Barahona and Pecora, 2002; Nishikawa et al., 2003). Позже такое моделирование было расширено для изучения корковых колебаний и нейропластичности (Майстренко и др., 2007; Брейкспир и др., 2010).

Человеческий мозг представляет собой сложную систему, поддерживаемую взаимодействием миллиардов нейронов в локальных и глобальных пространственных масштабах. Предыдущая работа показала, что функциональная топология мозга имеет тенденцию к критичности, подобной маленькому миру, которая сочетает в себе как локальные (докритические), так и глобальные (сверхкритические) свойства системы (Bassett and Bullmore, 2017; Takagi, 2018). Гипотеза о том, что мозг сохраняет близость к критическому состоянию, исходит из предпосылки превосходной вычислительной способности приспосабливаться к быстро меняющимся операционным требованиям (Massobrio et al., 2015a). Однако существует мнение, что признаки критичности, например, степенные распределения, могут быть артефактами выборки (Touboul and Destexhe, 2010; Marsili et al., 2013), мультипликативным шумом (Sornette, 1998) или появляться из-за «скрытых переменных». ” не обязательно связано с топологией сети (Aitchison et al., 2016; Моррелл и др., 2021). Хотя исчерпывающий обзор выходит за рамки этого обсуждения (Beggs and Timme, 2012), мы отмечаем, что разнообразные данные подтверждают взаимосвязь между критической нейронной динамикой и топологиями маленького мира (Massobrio et al., 2015b; Tan and Cheong, 2017; Takagi, 2018) и наличие критических сигнатур в фМРТ человека (Kitzbichler et al., 2009), потенциалы локального поля (Petermann et al., 2009), данные спайков (Friedman et al. , 2012), колебания мозга человека (Poil et al., 2008) и искусственные нейронные сети (Shin and Kim, 2006).Действительно, в соответствии с режимом, близким к критическому (Priesemann, 2015), мозг работает в широком динамическом диапазоне, который обеспечивает когнитивные функции высокого уровня посредством глобальной нейронной координации (Taylor et al., 2015) и состояния низкой активности, такие как анестезия (Brown et al., 2010) и, в некоторой степени, сон (Priesemann et al., 2013; Tagliazucchi and van Someren, 2017), отмеченные более слабыми и фрагментарными взаимодействиями вне локальной среды.

Считается, что нейронные колебания, или «мозговые волны», опосредуют нейронные связи ближнего и дальнего действия через высокочастотные и низкочастотные диапазоны волн соответственно (Kopell et al., 2000; Бужаки, 2006 г.; Тисинга и Сейновски, 2009). По сути, волновая интерференция колеблющихся нейронных популяций способствует избирательной передаче информации (Singer, 1999; Buzsaki, 2006; Akam and Kullmann, 2010). Таким образом, была выдвинута гипотеза о том, что нарушение таких нейронных взаимодействий может иметь пагубные последствия для системной динамики мозга (Uhlhaas and Singer, 2006; Pevzner et al., 2016). В согласии с этой предпосылкой наши результаты показывают, что нарушения возможности подключения к сети на малых расстояниях дестабилизируют критичность малого мира в пользу экстремальных сетевых режимов, т.е.е., под- и сверхкритичность (рис. 2D, 4C). Такой отход от критичности был связан с крупномасштабными сигнатурами фМРТ бессознательного состояния (Tagliazucchi et al., 2016).

Подкритические сети, как правило, представляют собой состояния десинхронизации и кластеризации, которые нарушают глобальную сетевую обработку, например, познание (Roozenbeek et al., 2013). Соответственно, наши симуляции показывают, что сети с разреженной кластеризацией и плохой связью ближнего действия демонстрируют слабую метастабильность (дополнительный рисунок 1), что коррелирует с дефицитом когнитивной гибкости (Hellyer et al. , 2015).

Примечательно, что наш анализ стабильности показывает, что повреждение связи ближнего действия сети может привести к «отталкивающему пику», который эффективно блокирует критический режим, задерживая сетевую активность в подкритической впадине (рис. 4D). Такая «подкритическая ловушка» согласуется с поведенческой гетерогенностью стойких расстройств сознания (Giacino et al., 2014), например, с частичным сохранением когнитивной обработки, и теоретически поддерживает восстановление системной динамики, например.д., посредством короткодействующей нервной потенциации.

Сверхкритическая сеть, с другой стороны, имеет тенденцию к гиперсинхронии, в целом напоминающей состояние судорог (Szaflarski et al., 2014; Zimmern, 2020). Действительно, исследователи утверждают, что эпилептиформные припадки отражают критический-сверхкритический переход (Arviv et al., 2016; Bauer et al., 2017; Freestone et al., 2017), который недавно был подтвержден сильным электроэнцефалографическим признаком у пациентов-людей ( Scheffer et al. , 2009; Maturana et al., 2020). Точно так же Герстер и соавт. сообщают, что искусственные нейронные осцилляторы на сверхкритических графиках малого мира отражают электроэнцефалографические эпилептические паттерны (Gerster et al., 2020). Таким образом, рефрактерность некоторых типов эпилепсии может отражать лежащую в основе дестабилизацию критического режима за счет устранения связей ближнего действия, например, в результате корковой дисгенезии или травмы головного мозга (Semah et al., 1998). Интересно, что недавняя работа над моделью Курамото показала, что общие ограничения ресурсов приводят к тому, что в сети возникают самозавершающиеся сверхкритические эпизоды (Фролов и Храмов, 2021), что соответствует рецидивам эпилепсии.

Одним из потенциальных механизмов нарушения нейронных связей ближнего действия может быть повреждение ключевых узлов головного мозга, содержащих большой кумулятивный вес связей ближнего действия (Gratton et al., 2012; Zhou et al., 2012; Haimovici et al., 2012). и др., 2016; Юань и др., 2017). Действительно, было показано, что концентраторы, например поясная кора, играют важную роль в когнитивной деятельности (Fagerholm et al., 2015; Li et al., 2019) и оказывают глубокое влияние на функциональную связность смоделированных сетей (Aerts et al. ., 2016). Интересно отметить, что компенсация травмы может, таким образом, предсказуемо обеспечиваться рекрутированием или гиперактивностью плотных узловых областей, что широко предполагалось (Hillary et al., 2011, 2015; Tang et al., 2012; Iraji et al., 2012; Iraji et al., 2015; al., 2016), например, в компонентах сети режима по умолчанию (Zhou et al., 2012).

Наши результаты в целом поддерживают комбинаторные стратегии нейромодуляции, которые по-разному нацелены на нейронные связи ближнего и дальнего действия, чтобы нормализовать динамику системы и мобилизовать состояние системы, соответственно.Будущая работа будет нацелена на компоненты нейронной связи ближнего и дальнего действия, например, посредством фармакологической нейростимуляции через амантадин для преимущественного усиления низкочастотных колебаний мозга (Ott et al. , 2018; Ma and Zafonte, 2020), стимуляции постоянным током глубоких мозговых структур, например тета гиппокампа (Lee et al., 2013), или модуляция гамма-излучения коры головного мозга (Pink et al., 2019), например, с использованием оптогенетической или фармакогенетической модуляции, специфичной для типа клеток (Liu et al., 2020), или неинвазивной транскраниальной магнитной стимуляции на низких частотах (Farzan et al., 2012).

Ограничения исследования

Это исследование имеет несколько ограничений. Во-первых, хотя кольцевая модель Уоттса и Строгаца обеспечивает полезную концептуальную основу, она не отражает реальную связность мозга, которая, как известно, содержит неслучайные распределения границ, например, «богатые концентраторы» (van den Heuvel and Sporns, 2011) и немасштабируемую связь. распределение степеней (Eguíluz et al., 2005). Тем не менее, редуцированные топологии, т.е.г., генеративные малые миры (Netoff et al., 2004; Perc, 2007; Tekin and Tagluk, 2017) и рандомизированные графы (van Vreeswijk and Sompolinsky, 1996; Tsodyks et al. , 2000) остаются ценными для анализа нейронных сетей. предлагая контролируемую вычислительную среду с управляемыми параметрами и оптимизированными условиями сети.

Во-вторых, колебательная модель Курамото представляет собой сокращение сложных взаимодействий распределенных нейронных популяций (Singer, 1999; Buzsaki, 2006). Вполне вероятно, что более полные физиологические модели обеспечат более глубокое понимание точных механизмов таких нейронных взаимодействий.Однако в подтверждение применимости уравнений Курамото моделирование ранее применялось к макакам (Honey and Sporns, 2008) и к исследованиям человеческого мозга (Kitzbichler et al., 2009; Cabral et al., 2014), показывая высокую согласованность между данные моделирования и активность в состоянии покоя (Cabral et al., 2014; Vuksanovic and Hövel, 2014). В более широком смысле редуцированные модели (Siettos and Starke, 2016), такие как единицы с двумя состояниями (van Vreeswijk and Sompolinsky, 1996) и модель FitzHugh-Nagumo (Perc, 2007; Gerster et al. , 2020), широко использовались для изучения сложного сетевого поведения, такого как самоорганизующиеся сбалансированные состояния (van Vreeswijk and Sompolinsky, 1996). Точно так же абстракция, предлагаемая моделью Курамото, позволяет проводить удобное моделирование и анализ, что имеет большое значение для исследования более фундаментальных принципов колебательной динамики (Breakspear et al., 2010), таких как рассматриваемое здесь функциональное разделение сетевых подключений.

Несмотря на эти ограничения, это исследование дает важные сведения о взаимосвязи между сетевым подключением и критической системной динамикой, которые в целом согласуются с эмпирическими отчетами и предыдущими работами (Haimovici et al., 2016). Будущие исследования должны применить данные коннектомии мозга и более полное моделирование сети, чтобы расширить эти результаты.

Заявление о доступности данных

Наборы данных, представленные в этом исследовании, можно найти в онлайн-репозитории: https://github. com/simonarvin/connectivity_smallworld.

Вклад авторов

SA и AG разработали проект. SA разработал проект, выполнил расчеты и проанализировал данные. SA, AG и KY интерпретировали данные и написали рукопись.Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Мы признательны за следующие гранты: Фонд Лундбек (DANDRITE-R248-2016-2518; R344-2020-300; и R351-2020-1095), Фонд Ново Нордиск (NNF20OC0064395) и Европейский исследовательский совет Starting (638730) гранты KY .

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций или издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

Дополнительный материал

Дополнительный материал к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fncom.2021.783474/full#supplementary-material

Дополнительный рисунок 1. Прогностическая мощность подключения на большие расстояния g при сетевой синхронизации r . Предсказательная сила соединений дальнего действия для состояния синхронизации сети линейно пропорциональна связности сети ближнего действия. Фактически, поскольку связность ближнего действия H стремится к насыщению N = 1000, предсказательная сила стремится к 0. г , дальняя связь; r , сетевая синхронизация; H , возможность подключения на короткие расстояния; N , всего узлов; PPS , предсказательная сила.

Ссылки

Аэртс, Х., Фиас, В., Кайенбергс, К., и Маринаццо, Д. (2016). Мозговые сети под атакой: свойства устойчивости и влияние повреждений. Мозг 139, 3063–3083. дои: 10.1093/мозг/aww194

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Эйчисон, Л., Корради, Н., и Лэтэм, П.Е. (2016). Закон Ципфа возникает естественным образом, когда в основе лежат ненаблюдаемые переменные. PLoS вычисл. биол. 12, е1005110. doi: 10.1371/journal.pcbi.1005110

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Акам, Т., и Куллманн, Д.М. (2014). Осцилляторное мультиплексирование популяционных кодов для избирательной коммуникации в мозгу млекопитающих. Нац. Преподобный Нейроски. 111–122. doi: 10.1038/nrn3668

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Алдерсон, Т.Х., Бокде, А.Л.В., Келсо, Дж.А.С., Магуайр, Л., и Койл, Д. (2020). Метастабильная нейронная динамика лежит в основе когнитивных функций во многих поведенческих парадигмах. Гул. Карта мозга. 41, 3212–3234. doi: 10.1002/hbm.25009

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Арвив О. , Медведовский М., Шейнтух Л., Гольдштейн А. и Шрики О. (2016). Отклонения от критической динамики в межприступной эпилептиформной активности. J. Neurosci. 36, 12276–12292.doi: 10.1523/JNEUROSCI.0809-16.2016

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Бахада, С. Дж., Шрайбер, Дж., и Касперс, С. (2019). Профилирование длины волокна: новый подход к структурной организации мозга. Нейроизображение 186, 164–173. doi: 10.1016/j.neuroimage.2018.10.070

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Бауэр, П. Р., Тайс, Р. Д., Ламбертс, Р. Дж., Велис, Д. Н., Виссер, Г. Х., Толнер, Э. А., и другие. (2017). Динамика прекращения судорожного припадка и постиктальной генерализованной супрессии ЭЭГ. Мозг 140, 655–668. дои: 10.1093/мозг/aww322

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Боккалетти С., Альмендрал Дж. А., Гуан С., Лейва И., Лю З. , Сендинья-Надаль И. и другие. (2016). Взрывные переходы в структуре и динамике сложных сетей: перколяция и синхронизация. Физ. Респ. 660, 1–94. doi: 10.1016/j.physrep.2016.10.004

Полнотекстовая перекрестная ссылка | Академия Google

Брейкспир, М., Хайтманн, С., и Даффертсхофер, А. (2010). Генеративные модели корковых колебаний: нейробиологические последствия модели Курамото. Фронт. Гум. Неврологи. 4, 190. doi: 10.3389/fnhum.2010.00190

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Бужаки, Г. (2006). Ритмы мозга . Оксфорд, Великобритания; Нью-Йорк: Издательство Оксфордского университета.

Академия Google

Кабрал, Дж., Крингельбах, М.Л., и Деко, Г. (2014). Изучение сетевой динамики, лежащей в основе активности мозга во время отдыха. Прог. Нейробиол. 114, 102–131. doi: 10.1016/j.pneurobio.2013.12.005

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Кархарт-Харрис, Р. Л., Лич, Р., Хеллиер, П. Дж., Шанахан, М., Фейлдинг, А., Тальязукки, Э., и соавт. (2014). Энтропический мозг: теория состояний сознания, основанная на исследованиях нейровизуализации с психоделическими препаратами. Фронт.Гум. Неврологи. 8, 20. doi: 10.3389/fnhum.2014.00020

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Коломбо, М. А., Вей, Ю., Рамаутар, Дж. Р., Линкенкер-Хансен, К., Тальязукки, Э., и Ван Сомерен, Э. Дж. В. (2016). Более тяжелые жалобы на бессонницу у людей с более сильными дальними временными корреляциями на ЭЭГ в состоянии покоя после пробуждения. Фронт. Физиол. 7, 576. doi: 10.3389/fphys.2016.00576

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Эгилус, В.М., Чиалво Д.Р., Чекки Г.А., Балики М. и Апкарян А.В. (2005). Функциональные сети мозга без масштабов. Физ. Преподобный Летт. 94, 018102. doi: 10.1103/PhysRevLett.94.018102

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Fagerholm, E. D., Hellyer, P.J., Scott, G., Leech, R., and Sharp, D.J. (2015). Отключение сетевых узлов и когнитивные нарушения после черепно-мозговой травмы. Мозг 138, 1696–1709. дои: 10.1093/мозг/awv075

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Фарзан, Ф., Барр, М.С., Сан, Ю., Фицджеральд, П.Б., и Даскалакис, З.Дж. (2012). Транскраниальная магнитная стимуляция на модуляцию гамма-колебаний при шизофрении. Энн. Н. Я. акад. науч. 1265, 25–35. doi: 10.1111/j.1749-6632.2012.06543.x

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Friedman, N., Ito, S., Brinkman, B.A.W., Shimono, M., DeVille, R.E.L., Dahmen, K.A., et al. (2012). Универсальная критическая динамика в нейронных лавинных данных высокого разрешения. Физ. Преподобный Летт. 108, 208102. doi: 10.1103/PhysRevLett.108.208102

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Фролов Н. и Храмов А. (2021). Экстремальные события синхронизации в модели Курамото: взаимодействие между ограничениями ресурсов и взрывными переходами. Хаос 31, 063103. doi: 10.1063/5.0055156

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Герстер М., Бернер Р., Савицки Ю., Захарова А., Шкох А., Глинка Дж. и соавт. (2020). Осцилляторы ФитцХью-Нагумо в сложных сетях имитируют явления синхронизации, связанные с эпилептическими припадками. Хаос 30, 123130. doi: 10.1063/5.0021420

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Джачино, Дж. Т., Финс, Дж. Дж., Лорейс, С., и Шифф, Н. Д. (2014). Расстройства сознания после приобретенной черепно-мозговой травмы: состояние науки. Нац. Преподобный Нейрол. 10, 99–114. doi: 10.1038/nrneurol.2013.279

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Гомес-Гарденьес, Дж., Гомес, С., Аренас, А., и Морено, Ю. (2011). Взрывные переходы синхронизации в безмасштабных сетях. Физ. Преподобный Летт. 106, 128701. doi: 10.1103/PhysRevLett.106.128701

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Граттон, К., Номура, Э.М., Перес, Ф., и Д’Эспозито, М. (2012). Очаговые поражения головного мозга в критических местах вызывают обширные нарушения модульной организации мозга. Дж. Когн. Неврологи. 24, 1275–1285. дои: 10.1162/jocn_a_00222

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хаймовичи, А., Баленсуэла, П., и Тальязукки, Э. (2016). Динамические сигнатуры повреждения структурных связностей модели мозга при критическом состоянии. Мозговой контакт. 6, 759–771. doi: 10.1089/мозг.2016.0455

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хеллиер П.Дж., Скотт Г., Шанахан М., Шарп Д. Дж. и Лич Р. (2015). Когнитивная гибкость за счет метастабильной нейронной динамики нарушается из-за повреждения структурного коннектома. J. Neurosci. 35, 9050–9063. doi: 10.1523/JNEUROSCI.4648-14.2015

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хиллари Ф.Г., Роман К.А., Венкатесан У., Райтмайер С.М., Бахо Р. и Кастелланос Н.Д. (2015). Гиперконнективность является фундаментальной реакцией на неврологические нарушения. Нейропсихология 29, 59–75. doi: 10.1037/neu0000110

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Hillary, F.G., Slocomb, J., Hills, E.C., Fitzpatrick, N.M., Medaglia, J.D., Wang, J., et al. (2011). Изменения в связности покоя во время восстановления после тяжелой черепно-мозговой травмы. Междунар. Дж. Психофизиол. 82, 115–123. doi: 10.1016/j.ijpsycho.2011.03.011

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ираджи, А., Chen, H., Wiseman, N., Welch, R.D., O’Neil, B.J., Haacke, E.M., et al. (2016). Компенсация через функциональную гиперсвязность: продольная оценка коннектома легкой черепно-мозговой травмы. Нейропласт. 2016, 4072402. doi: 10.1155/2016/4072402

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ким, С.-Ю., и Лим, В. (2015). Влияние связи маленького мира на быстрые редко синхронизированные корковые ритмы. Физ. Стат. мех. заявл. 421, 109–123. doi: 10.1016/j.physa.2014.10.019

Полнотекстовая перекрестная ссылка | Академия Google

Китцбихлер, М. Г., Смит, М. Л., Кристенсен, С. Р., и Буллмор, Э. (2009). Широкополосная критичность синхронизации сети человеческого мозга. PLoS вычисл. биол. 5, е1000314. doi: 10.1371/journal.pcbi.1000314

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Копелл, Н., Эрментроут, Г.Б., Уиттингтон, М.А., и Трауб, Р.Д. (2000).Гамма-ритмы и бета-ритмы имеют разные свойства синхронизации. Проц. Нац. акад. науч. США 97, 1867. doi: 10.1073/pnas.97.4.1867

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Lee, D. J., Gurkoff, G.G., Izadi, A., Berman, R.F., Ekstrom, A.D., Muizelaar, J.P., et al. (2013). Глубокая стимуляция мозга тета-частотой ядра медиальной перегородки улучшает пространственную рабочую память после черепно-мозговой травмы. J. Neurotrauma 30, 131–139.doi: 10.1089/neu.2012.2646

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Li, F., Lu, L., Chen, H., Wang, P., Chen, Y.-C., Zhang, H., et al. (2019). Нарушение функционального узла головного мозга и причинно-следственной связи при острой легкой черепно-мозговой травме. Старение 11, 10684–10696. doi: 10.18632/aging.102484

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Лю, Л., Сюй, Х., Ван, Дж., Ли, Дж., Тянь, Ю., Чжэн, Дж., и др. (2020). Типодифференциальная модуляция ГАМКергических интернейронов префронтальной коры при низком гамма-ритме и социальном взаимодействии. науч. Доп. 6, eaay4073. doi: 10.1126/sciadv.aay4073

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Майстренко Ю. Л., Лысянский Б., Гауптман С., Бурилко О. и Тасс П.А. (2007). Мультистабильность в модели Курамото с синаптической пластичностью. Физ. Преп. E Стат. Нонлин. Физика мягких веществ. 75, 066207. doi: 10.1103/PhysRevE.75.066207

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Марсили, М., Мастроматтео, И.и Руди, Ю. (2013). О выборке и моделировании сложных систем. arXiv arXiv:1301.3622. дои: 10.1088/1742-5468/2013/09/P09003

Полнотекстовая перекрестная ссылка | Академия Google

Массобрио, П., де Арканджелис, Л., Паскуале, В., Дженсен, Х. Дж., и Пленц, Д. (2015a). Критичность как признак здоровых нервных систем. Фронт. Сист. Неврологи. 9, 22. doi: 10.3389/fnsys.2015.00022

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Массобрио, П., Паскуале, В., и Мартинойя, С. (2015b). Самоорганизованная критичность в корковых сборках возникает в параллельных безмасштабных сетях и сетях малого мира. науч. 5, 10578. doi: 10.1038/srep10578

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Матурана, М.И., Мейзел, К., Делл, К., Кароли, П.Дж., Д’Суза, В., Грейден, Д.Б., и соавт. (2020). Критическое замедление как биомаркер предрасположенности к судорогам. Нац. коммун. 11, 2172. doi: 10.1038/с41467-020-15908-3

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Моррелл, М. К., Седерберг, А. Дж., и Неменман, И. (2021). Скрытые динамические переменные создают признаки пространственно-временной критичности в больших биологических системах. Физ. Преподобный Летт. 126, 118302. doi: 10.1103/PhysRevLett.126.118302

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Мота, Б., Дос Сантос, С. Э., Вентура-Антунес, Л., Жардим-Месседер, Д., Neves, K., Kazu, R.S., et al. (2019). Объем белого вещества и соотношение белого и серого вещества у млекопитающих как следствие универсального масштабирования складок коры. Проц. Натл. акад. науч. США. 116, 15253–15261. doi: 10.1073/pnas.1716956116

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Нетофф Т.И., Клюли Р., Арно С., Кек Т. и Уайт Дж.А. (2004). Эпилепсия в сетях маленького мира. J. Neurosci. 24, 8075–8083. дои: 10.1523/JNEUROSCI.1509-04.2004

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Нишикава, Т., Моттер, А.Е., Лай, Ю.-К., и Хоппенстедт, Ф.К. (2003). Неоднородность в сетях осцилляторов: легче ли синхронизировать меньшие миры? Физ. Преподобный Летт. 91, 014101. doi: 10.1103/PhysRevLett.91.014101

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Отт, Т., Вестендорф, С., и Нидер, А. (2018). Рецепторы дофамина влияют на внутренние колебания во время обработки правил в префронтальной коре приматов. Дж. Когн. Неврологи. 30, 770–784. дои: 10.1162/jocn_a_01248

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Перк, М. (2007). Влияние связности маленького мира на вызванный шумом временной и пространственный порядок в нейронных медиа. Солит Хаоса. Фракт. 31, 280–291. doi: 10.1016/j.chaos.2005.10.018

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Петерманн Т., Тиагараджан Т. С., Лебедев М. А., Николелис М.А.Л., Чиалво Д.Р. и Пленц Д. (2009). Спонтанная корковая активность бодрствующих обезьян, состоящая из лавин нейронов. Проц. Натл. акад. науч. США 106, 15921–15926. doi: 10.1073/pnas.09106

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Певзнер А., Изади А., Ли Д. Дж., Шахлаи К. и Гуркофф Г. Г. (2016). Создание волн в мозгу: что такое колебания и почему их модуляция имеет смысл при черепно-мозговой травме. Фронт. Сист.Неврологи. 10, 30–30. doi: 10.3389/fnsys.2016.00030

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Пинк, А. Э., Уильямс, К., Олдерман, Н. , и Стоффельс, М. (2019). Использование повторяющейся транскраниальной магнитной стимуляции (rTMS) после черепно-мозговой травмы (TBI): предварительный обзор. Нейропсихология. Реабилитация . 31, 479–505. дои: 10.1080/09602011.2019.1706585

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Пойл, С.-С., Хардстоун Р., Мансвелдер Х.Д. и Линкенкер-Хансен К. (2012). Динамика критического состояния лавин и колебаний совместно возникает из сбалансированного возбуждения/торможения в нейронных сетях. J. Neurosci. 32, 9817–9823. doi: 10.1523/JNEUROSCI.5990-11.2012

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Poil, S.-S., van Ooyen, A., and Linkenkaer-Hansen, K. (2008). Лавинная динамика колебаний мозга человека: связь с критическими ветвящимися процессами и временными корреляциями. Гул. Карта мозга. 29, 770–777. doi: 10.1002/hbm.20590

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Приземанн, В. , Вальдеррама, М., Вибрал, М., и Ле Ван Куен, М. (2013). Нейрональные лавины различаются от бодрствования до глубокого сна — свидетельство внутричерепных глубинных записей у людей. PLoS вычисл. биол. 9, е1002985. doi: 10.1371/journal.pcbi.1002985

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Розенбек, Б., Маас, А.И.Р., и Менон, Д.К. (2013). Изменение закономерностей в эпидемиологии черепно-мозговой травмы. Нац. Преподобный Нейрол. 9, 231–236. doi: 10.1038/nrneurol.2013.22

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Рюдигер С., Плитч А., Сагес Ф., Соколов И. М. и Куртс Дж. (2020). Эпидемии с мутирующей заразностью в сетях малого мира. науч. Отчет 10, 5919. doi: 10.1038/s41598-020-62597-5

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Шеффер, М., Bascompte, J., Brock, W.A., Brovkin, V., Carpenter, S.R., Dakos, V., et al. (2009). Сигналы раннего предупреждения о критических переходах. Природа 461, 53–59. doi: 10.1038/nature08227

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Semah, F., Picot, M.C., Adam, C., Broglin, D., Arzimanoglou, A., Bazin, B., et al. (1998). Является ли основная причина эпилепсии основным прогностическим фактором рецидива? Неврология 51, 1256–1262. doi: 10.1212/WNL.51.5.1256

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Шин, К.-В., и Ким, С. (2006). Самоорганизованная критичность и безмасштабные свойства в возникающих функциональных нейронных сетях. Физ. Преп. E Стат. Нонлин. Физика мягких веществ. 74, 045101. doi: 10.1103/PhysRevE.74.045101

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Сиеттос, К., и Старке, Дж. (2016). Многомасштабное моделирование динамики мозга: от одиночных нейронов и сетей до математических инструментов. Wiley Interdiscip. преп. сист. биол. Мед. 8, 438–458. дои: 10.1002/wsbm.1348

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Шафлярски, Дж. П., Наззал, Ю., и Дреер, Л. Э. (2014). Посттравматическая эпилепсия: современные и перспективные методы лечения. Нейропсихиатр. Дис. Обращаться. 10, 1469–1477. DOI: 10.2147/NDT.S50421

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Тальязукки Э., Кьялво Д. Р., Синячкин М., Amico, E., Brichant, J.-F., Bonhomme, V., et al. (2016). Крупномасштабные признаки бессознательного состояния согласуются с отходом от критической динамики. JR Soc. Интерфейс 13, 20151027. doi: 10.1098/rsif.2015.1027

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Тальязукки, Э., и ван Сомерен, Э. Дж. В. (2017). Крупномасштабная функциональная связь коррелирует сознания и возбуждения во время здорового и патологического цикла сна человека. Нейроизображение 160, 55–72. doi: 10.1016/j. neuroimage.2017.06.026

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Такаги, К. (2018). Принцип, основанный на информации, порождает топологию маленького мира и самоорганизующуюся критичность в крупномасштабной сети мозга. Фронт. вычисл. Неврологи. 12, 65. doi: 10.3389/fncom.2018.00065

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Тан, С.Ю., Ивз, Э., Дамс-О’Коннор, К., Ho, L., Leung, E., Wong, E., et al. (2012). Диффузная дисконнектность при ЧМТ: исследование fMri и Dti в состоянии покоя. Перевод. Неврологи. 3, 9–14. doi: 10.2478/s13380-012-0003-3

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Тейлор, П., Хоббс, Дж. Н., Буррони, Дж., и Зигельманн, Х. Т. (2015). Глобальный ландшафт познания: иерархическая агрегация как принцип организации корковых сетей и функций человека. науч. Респ. 5, 18112.дои: 10.1038/srep18112

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Текин, Р. , и Таглук, М.Е. (2017). Влияние вероятности перемонтажа маленького мира и шумовой синаптической проводимости на медленные волны: корковая сеть. Нейронные вычисления. 29, 679–715. дои: 10.1162/NECO_a_00932

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Телесфорд, К.К., Джойс, К.Е., Хаясака, С., Бердетт, Дж.Х., и Лауриенти, П.Дж. (2011). Повсеместное распространение сетей малого мира. Мозговой контакт. 1, 367–375. doi: 10.1089/мозг.2011.0038

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Цодыкс, М., Узиэль, А., и Маркрам, Х. (2000). Генерация синхроний в рекуррентных сетях с частотно-зависимыми синапсами. J. Neurosci. 20, RC50. doi: 10.1523/JNEUROSCI.20-01-j0003.2000

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Улхаас, П.Дж., и Сингер, В. (2006). Нейронная синхрония при заболеваниях головного мозга: актуальность для когнитивных дисфункций и патофизиологии. Нейрон 52, 155–168. doi: 10.1016/j.neuron.2006.09.020

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

фон Бартельд, К.С., Бани, Дж., и Эркулано-Хоузель, С. (2016). Поиск истинного количества нейронов и глиальных клеток в мозге человека: обзор 150-летнего подсчета клеток. Дж. Комп. Нейрол. 524, 3865–3895. doi: 10.1002/cne.24040

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Вуксанович, В.и Хёвель, П. (2014). Функциональная связность отдаленных областей коры: роль удаленной синхронизации и симметрии во взаимодействиях. Нейроизображение 97, 1–8. doi: 10.1016/j.neuroimage.2014.04.039

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ван, К., Перк, М., Дуань, З., и Чен, Г. (2010). Влияние задержек и перемонтажа на динамику нейронных сетей малого мира с двумя типами связи. Физ. Стат. мех. заявл. 389, 3299–3306.doi: 10.1016/j.physa.2010. 03.031

Полнотекстовая перекрестная ссылка | Академия Google

Ветшорек Ф., Крабель Т. и Кришнамурти С. (2020). 8080labs/ppscore: выпуск zenodo . doi: 10.5281/zenodo.40

Полнотекстовая перекрестная ссылка

Вольфрам, С. (1984b). Универсальность и сложность клеточных автоматов. Physica D 10, 1–35. дои: 10.1016/0167-2789(84)-8

Полнотекстовая перекрестная ссылка | Академия Google

Ямамото, Х., Кубота С., Симидзу Ф. А., Хирано-Ивата А. и Нивано М. (2018). Эффективная топология подсети для синхронизации взаимосвязанных сетей связанных фазовых генераторов. Фронт. вычисл. Неврологи. 12, 17. doi: 10.3389/fncom.2018.00017

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Юань Б., Фанг Ю., Хань З., Сун Л., Хе Ю. и Би Ю. (2017). Мозговые центры в моделях поражения: прогнозирование топологии функциональной сети с характером поражения у пациентов. науч. 7, 17908. doi: 10.1038/s41598-017-17886-x

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Zhou, Y., Milham, M.P., Lui, Y.W., Miles, L., Reaume, J., Sodickson, D.K., et al. (2012). Нарушение работы сети по умолчанию при легкой черепно-мозговой травме. Радиология 265, 882–892. doi: 10.1148/radiol.12120748

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Противоречие правилу двух пептидов

Сравнение правила двух пептидов и правила одного пептида попадания в цель.Другими словами, удаление однократных чудес должно улучшить FDR идентификации пептидов и белков. показывает эту тенденцию для идентификации пептидов в наборе данных

Shewanella для функций оценки InsPecT и MS-GF. В самом деле, если мы отбросим все пептиды, представляющие чудеса с одним попаданием, мы увидим, что компромисс между количеством пептидов , идентифицированных в мишени, и базой данных приманок для различных пороговых значений смещается в пользу целевых попаданий по сравнению с ситуацией когда сохраняются чудеса с одним хитом.

Идентификация пептидов в наборе данных Shewanella с использованием различных подходов и функций оценки. Каждая точка на кривых генерируется путем изменения порога оценки и вычисления количества попаданий в цель и базу данных приманок, превышающих порог.

Здравый смысл подсказывает, что увеличение количества пептидов для данного FDR должно также увеличить количество идентификаций белков. Таким образом, кажется правдоподобным, что правило «двух пептидов» (отбрасывая однократное чудо) должно работать лучше, чем правило «одного пептида» (сохранение всех белков с одним или несколькими пептидами).Обратите внимание, что в обычной практике правило «двух пептидов» всегда используется в контексте идентификации белков, то есть после того, как пептиды были идентифицированы для выбранного FDR на уровне пептидов.

демонстрирует, что этот интуитивный вывод не подтверждается данными, поскольку более простое правило «одного пептида» имеет лучший FDR по сравнению с традиционным «двухпептидным» подходом, применяемым для идентификации белков. Например, для того же количества (21) белков, идентифицированных в базе данных-приманке, InsPecT 17 идентифицирует 546 белков в целевой базе данных человека с использованием стандартного «двухпептидного» подхода и 742 белка с использованием «однопептидного» подхода. , увеличение количества идентификаций белка на 36%.Точно так же количество идентификаций белков с X!Tandem 18 увеличивается с 350 до 414 (), а количество идентификаций белков с MS-GF 14 увеличивается с 607 до 826. Аналогичные тенденции наблюдаются для Shewanella . наборы данных ().

(a) Идентификация белков в наборе данных человека с использованием различных подходов и функций оценки. (b) График, аналогичный изображенному на панели (a), для набора данных Shewanella .

(a) Идентификация белков в наборе данных человека с использованием результатов поиска X!Tandem с различными подходами к оценке на уровне белков.(b) График, аналогичный изображенному на панели (a), для произвольно выбранного подмножества набора данных Shewanella , содержащего 1,25 миллиона спектров.

Помимо правила «двух пептидов», иногда используются более сложные подходы для объединения доказательств от нескольких пептидов в идентификации белков. 20–24 Мы сравниваем наши результаты с ProteinProphet, 21 , популярным инструментом, который можно использовать для постобработки результатов поиска в базе данных MS/MS таких программ, как Sequest и X!Tandem. Сравнительный анализ ProteinProphet (в сочетании с X!Tandem) по сравнению с подходом «один пептид» () показывает, что правило «один пептид» обеспечивает лучший компромисс между чувствительностью и специфичностью, чем ProteinProphet, как для людей, так и для наборов данных Shewanella .Этот неожиданный результат указывает на то, что простое правило «одного пептида» не следует отбрасывать, не сравнив его с более разумными («правило двух пептидов») и сложными (ProteinProphet) подходами.

Мы отмечаем, что вычисление FDR с использованием баз данных-приманок (на уровне белков) имеет некоторые ограничения, поскольку количество идентификаций белков в базе данных-ловушках может отличаться от количества неверных идентификаций белков в базе данных-мишенях, особенно в наборах данных с высоким протеомом. покрытие.Однако это явление не должно оказывать существенного влияния на относительное сравнение «однопептидного» и «двухпептидного» подходов. В следующем разделе описывается подход к вычислению частоты ошибок на уровне белка без использования базы данных-приманки.

Вывод белков из идентифицированных пептидов осложняется наличием пептидов, которые присутствуют в нескольких белках. Эта проблема более выражена у эукариот (поскольку в их протеомах много повторяющихся пептидов) по сравнению с бактериями, у которых очень мало повторяющихся пептидов.Анализ Shewanella в Gupta et al. 9 показали, что 98,5% идентифицированных пептидов были уникальными, но это число может снизиться до 40–50% в случае высших эукариот при использовании базы данных последовательностей, такой как база данных IPI человека, содержащая альтернативно сплайсированные варианты белков. Для решения этой проблемы был разработан ряд подходов, большинство из которых основаны на экономии. 21,25–27 Вычисление FDR в нашем методе может зависеть от точного метода, используемого для вывода белков. Ради простоты мы случайным образом назначаем неоднозначные пептиды (которые сопоставляются с несколькими белками) одному из совпадающих белков. Чтобы убедиться, что наши результаты устойчивы к этому шагу, мы попытались ограничить наше внимание только уникальными пептидами, которые были идентифицированы InsPecT в наборе данных человека. Мы по-прежнему находим, что подход «одного пептида» лучше всего подходит для идентификации белков. Это показывает, что наши выводы существенно не изменяются пептидами, соответствующими нескольким белкам.

Идентификация белков с использованием только уникальных пептидов (пептиды, которые не являются общими для нескольких белков) в наборе данных человека с использованием результатов поиска InsPecT с различными подходами.

Оценка статистической значимости идентификации белков с использованием спектральных словарей

Мы говорим, что белок соответствует спектру с результатом баллов , если один из его пептидов соответствует спектру (с тем же баллом ). Рассмотрим следующие две задачи:

Задача сопоставления пептидов и спектров

Учитывая спектр Спектр и пороговое значение Пороговое значение для функции подсчета спектр-пептид, найдите вероятность того, что случайный пептид соответствует Спектр с равным количеством баллов до или больше Порог .

Задача сопоставления белков и спектров

Имея набор спектральных данных 𝒮pectra и пороговое значение Пороговое значение для функции оценки спектр-пептид, найдите вероятность того, что случайный белок соответствует спектру в наборе 𝒮pectra с оценкой равно или больше Порог .

Недавно Kim et al. 14 предложил метод производящей функции (MS-GF) для решения проблемы сопоставления пептидов и спектров и, таким образом, для оценки FPR совпадений пептидов и спектров (PSM).В отличие от FDR, эмпирически рассчитанных с помощью подходов «цель-приманка» (в которых отсутствует возможность оценить статистическую значимость отдельных PSM), MS-GF строго оценивает отдельные PSM с использованием спектральных вероятностей . Однако Ким и соавт. 14 определяет спектральные вероятности для одного пептида и спектра, в то время как поиск МС/МС сравнивает несколько пептидов (например, все пептиды, присутствующие в базе данных белков) с несколькими спектрами .Следовательно, точная оценка FPR на уровне белка требует решения еще нерешенной проблемы соответствия белков и спектров. В этом разделе мы решаем эту проблему, расширяя структуру производящей функции с совпадений пептид-спектр до совпадений белок-спектр .

Мы начнем с обзора терминологии, связанной со спектральной вероятностью и спектральными словарями 14,15 (см. Ресурсы). Учитывая функцию оценки для PSM, словарь ( Spectrum, Threshold ) определяется как набор всех возможных пептидов с Score ( Peptide, Spectrum ) ≥ Threshold .Структура спектрального словаря преобразует (сложную) задачу оценки статистической значимости PSM со счетом Threshold в (простую) задачу оценки статистической значимости совпадений между набором строк ( Dictionary ) и случайным пептидом. . Предполагая, что вероятности всех аминокислот в случайном пептиде равны 1/20, вероятность того, что словарь содержит случайный пептид (точнее, префикс достаточно длинной случайной цепочки аминокислот), определяется как SpectralProbability — ( Словарь ) = Σ Пептид Словарь 20 −| Пептид | , где | Пептид | обозначает длину пептида .Словарь, соответствующий PSM ( Dictionary ( Peptide, Spectrum )) определяется как Dictionary ( Spectrum, Score ( Peptide, Spectrum )). Точно так же спектральная вероятность PSM определяется как SpectralProbability ( Peptide, Spectrum ) = SpectralProbability ( Dictionary ( Peptide, Spectrum )). Это позволяет преобразовать произвольную (аддитивную) оценочную функцию Score ( Peptide, Spectrum ) в новую оценочную функцию, представленную SpectralProbability ( Peptide, Spectrum ). Ким и др. 14 продемонстрировали, что эта новая оценочная функция (варьирующаяся от 0 до 1) приводит к лучшему компромиссу между чувствительностью и специфичностью, чем все другие оцениваемые ими оценочные функции. Обратите внимание, что в этой новой функции оценки более низкие оценки (спектральные вероятности) представляют «лучшие» PSM. Таким образом, для Spectrum можно определить Dictionary ( Spectrum, SPThreshold ) для порога спектральной вероятности 0 ≤ SPThreshold ≤ 1 как множество всех пептидов с SpectralProbability ( 91,097 Pide Spectrum ) ≤ SPThreshold , когда SpectralProbability используется в качестве функции оценки.Мы предупреждаем читателя, что термин «словарь» относится к обоим словарям, определенным исходной функцией оценки Score , и новой функцией оценки SpectralProbability . Далее мы определяем SpectralxProbability ( Spectrum, SPThreshold ) как SpectralProbability ( Dictionary ( Spectrum, SPThreshold )). Легко видеть, что показатель спектральной вероятности (в отличие от исходного показателя ) удовлетворяет важному свойству:

SpectralProbability(Spectrum, SPThreshold) = SPThreshold

В оставшейся части этой статьи мы предполагаем, что Spectral Probability является используемой функцией подсчета очков.

Таблица 1

Интуитивное описание некоторых часто используемых условий A

Срок Описание Словарь ( Spectrum , Treshold ) Пептиды, которые соответствуют спектру с оценками больше или равны SpectralProbibily ( словарь ) Вероятность того, что случайные пептид соответствует последовательности, содержащейся в словаре лексикон ( 𝒮pectra , порог ) Союз словарей всех спектров в комплекте 𝒮pectra (для данного порога ), снятие избыточных пептидов сжатие ( 𝒮pectra , Порог ) Коэффициент e спектральная вероятность Lexicon к сумме спектральных вероятностей каждого спектрального словаря Dictionary ( Spectrum , Threshold ) для всех спектров из набора 𝒮pectra Словарь содержит пептид из случайного белка длиной n можно вычислить как 1 − ( Dictionary, n ), где ( Dictionary, n ) — вероятность того, что ни один из пептидов в словаре содержатся в случайной строке длины n . Вычисление ( Dictionary, n ) — нетривиальная задача, которая была решена Гуибасом и Одлызко 28 с использованием метода производящей функции. Хотя этот подход позволяет точно вычислить ( Dictionary, n ), полученные выражения и повторения довольно трудно анализировать из-за корреляций между различными строками в Dictionary (подробности см. в ref 28 ). ). Поэтому мы предпочитаем использовать приближение (которое игнорирует корреляции), разумное предположение для довольно большого алфавита из 20 аминокислот (влияние корреляций уменьшается с увеличением размера алфавита 28 ).При таком предположении ( Dictionary, n ) аппроксимируется как (1 − SpectralProbability ( Dictionary )) n .

Таким образом, вероятность того, что словарь содержит пептид из случайного белка базы данных , может быть аппроксимирована как 1 − (1 − SpectralProbability ( Dictionary )) | База данных | Спектральная Вероятность ( Словарь ) • | База данных | (при условии, что SpectralProbability ( Dictionary ) • | Database | ≪1). 14 На практике это условие выполняется, поскольку в противном случае получаются спектральные идентификации с неприемлемо высоким FPR. Поскольку мы можем представить PSM словарем ( Peptide, Spectrum ), вероятность совпадения белка и спектра (со случайным белком) можно вычислить аналогичным образом как SpectralProbability ( Dictionary ) • | Белок |. Следовательно, если принять пептиды со значением спектральной вероятности SPThreshold и ниже (0 ≤ SPThreshold ≤ 1), то вероятность совпадения со случайным белком (спектральная вероятность совпадений белок-спектр) приблизительно равна SPThreshold • | Белок |.

Учет длины белка

Оценка идентификации белка ранее была рассчитана как оценка его лучшей оценки PSM без учета длины белка. Это упрощение, поскольку более длинные белки с большей вероятностью будут иметь ложные совпадения, чем более короткие. Спектральная вероятность совпадений белков и спектров ( SpectralProbability ( Dictionay ) • | Protein |) предполагает естественную нормализацию для вычисления FPR на уровне белков (обратите внимание, что хотя эта нормализация применима к показателю SpectralProbability , она не обязательно действителен для других функций оценки). сравнивает эту оценку белка-спектра (нормализованную по длине белка) с исходной оценкой пептида-спектра (спектральная вероятность до нормализации) и показывает, что предложенная нормализация имеет смысл (как для человека, так и для наборов данных Shewanella ). Хотя эта нормализация не приводит к значительному изменению компромисса между чувствительностью и специфичностью (поскольку большинство белков имеют одинаковую длину), нормализованная функция подсчета белков и спектров показывает умеренное увеличение количества идентификаций белков в базе данных-мишени.Например, для 20 белков, идентифицированных в базе данных-приманке (набор данных для человека), оценка пептида-спектра идентифицирует 838 белков в базе данных-мишени, а оценка белка-спектра (нормализованная по длине белка) идентифицирует 865 белков.

(a) Идентификация белков в наборе данных человека с использованием показателей MS-GF, без и с коррекцией длины. (b) График, аналогичный изображенному на панели (a), для набора данных Shewanella .

Учет размера набора спектральных данных

Теперь мы расширим подход спектрального словаря из ссылки 15, чтобы оценить статистическую значимость совпадений между полным набором спектральных данных Spectra и белком.Как и длина белка, размер набора спектральных данных также влияет на статистическую значимость идентификации белка. В то время как большие наборы спектральных данных с большей вероятностью будут давать ложные идентификации, некоторые инструменты идентификации белков не корректируют размер набора спектральных данных. При вычислении вероятности совпадения ниже порогового значения 0 ≤ SPThreshold ≤ 1 для одиночного спектра (напомним читателю, что меньшие значения SpectralProbability соответствуют лучшему совпадению пептид-спектр), можно сделать поправку на размер Белок как SPThreshold • | Белок |.Однако при оценке числа совпадений для кратных спектров аналогичная коррекция SPThreshold • | 𝒮пектра | не применяется из-за корреляции между спектрами в типичном наборе спектральных данных (например, несколько спектров одного и того же пептида). Чтобы решить эту проблему, мы вводим понятие спектрального словаря ниже. Начнем с определения словаря набора спектральных данных как

Словарь(𝒮pectra,Порог)=∪Spectrum∈𝒮pectraDictionary(Спектр,Порог)

Строка из Словаря называется избыточной , если ее правильная подстрока также принадлежит Словарю (т.g., PEPTIDE является избыточным, если PEPTID, или PTIDE, или любая из более коротких подстрок принадлежат словарю). Мы определяем Лексификацию ( Словарь ( 𝒮pectra, порог )), представлял более кратко как лексикон ( 𝒮pectra, порог ), как набор, полученный путем удаления всех избыточных строк из словарь ( 𝒮pectra , Порог ). Хотя Lexicon -( 𝒮pectra, Threshold ) объединяет словари всех спектров в наборе данных, для всех практических целей его можно рассматривать как словарь одного (виртуального) спектра.Кроме того, вероятность того, что Lexicon содержит случайный пептид (т. е. что спектр из 𝒮pectra совпадает со случайным пептидом с показателем, равным или лучше, чем Threshold ) снова определяется функцией SpectralProbability ( Lexicon ). Точно так же вероятность того, что Lexicon содержит пептид из случайного Protein (т. е. вероятность совпадения Protein– 𝒮pectra ), может быть аппроксимирована как 1 − (1 − SpectralProbability ( Lexicon )) | Белок | ≈ 1 − e Спектральная вероятность ( Лексикон ) • | Белок | .Опять же, если SpectralProbability -( Lexicon ) • | Белок | ≪1, эта вероятность может быть аппроксимирована как SpectralProbability ( Lexicon ) • | Белок |. Заметим, что хотя выражение 1 − (1 − SpectralProbability ( Lexicon )) | Белок | является аппроксимацией (точная формула приведена в 28 ), тем не менее, она приводит к разумной оценке Белок– 𝒮pectra FPR на практике (см. следующий раздел).Хотя эта упрощенная формула включает несколько уровней аппроксимации, она остается приемлемой для малых значений спектральной вероятности (таких как 10 -11 или ниже), для типичных размеров наборов спектральных данных (10 6 ) и длин белков (10 3 ). Для анализа больших наборов данных мы рекомендуем использовать более строгие (меньшие) пороги для спектральной вероятности.

Хотя SpectralProbability ( Lexicon ) оценивает статистическую значимость совпадений Protein– 𝒮pectra (FPR на уровне белка), остается неясным, как ее вычислить.Чтобы решить эту проблему, мы определяем понятие сжатия набора спектральных данных как способ анализа зависимостей между спектрами. Грубо говоря, Сжатие — это отношение спектральной вероятности словаря (спектрального набора данных) к сумме спектральных вероятностей отдельных словарей (каждого спектра). Отношение часто будет меньше 1 из-за удаления избыточных пептидов из лексикона и того факта, что многие отдельные словари используют одни и те же пептиды. Точнее,

Сжатие(𝒮pectra,SPThreshold)=SpectralProbability(Lexicon(𝒮pectra,SPThreshold))∑Spectrum∈𝒮pectraSpectralProbability(Dictionary(Spectrum,SPThreshold))

Поскольку мы используем SpectralProbability в качестве функции оценки,

SpectralProbability(Dictionary(Spectrum, SPThreshold)) = SPThreshold

и поэтому,

Сжатие(𝒮pectra,SPThreshold)=SpectralProbability(Lexicon(𝒮pectra,SPThreshold))|𝒮pectra|·SPThreshold

Два спектра называются независимыми , если их словари не перекрываются и объединение их словарей не содержит избыточных пептидов.Если бы все спектры в наборе спектральных данных были независимыми, то Compression = 1 и величина | 𝒮пектра | • SPThreshold обеспечит строгое решение проблемы статистической значимости совпадений Peptide–𝒮pectra . В действительности, однако, спектры одних и тех же и родственных пептидов (например, пептидов, которые представляют собой субпептиды других пептидов), которые обычно присутствуют в наборе спектральных данных, уменьшают Сжатие . Хотя его можно явно вычислить для небольших наборов спектральных данных, его эффективная оценка для больших наборов спектральных данных остается открытой проблемой.

Спектральное сжатие и спектральная кластеризация

Для оценки сжатия набора спектральных данных мы выбрали все высокоточные (FT) спектры Shewanella с родительской массой, варьирующейся от 1090 до 1100 Да, что привело к набору данных 𝒮8pectra 9109 с 12 617 спектрами. Для различных значений SPThreshold словарь ( Spectrum, SPThreshold ) был сгенерирован для каждого спектра в 𝒮pectra и объединен в Lexicon ( 𝒮pectra, SPThreshold ).Поскольку все пептиды в этих словарях имеют одинаковую родительскую массу (и, следовательно, не имеют избыточных пептидов), Lexicon может быть сгенерирован путем простого объединения спектральных словарей отдельных спектров. Мы находим, что значения Compression варьируются от 0,6 до 0,8 в зависимости от порога спектральной вероятности (). Этот эксперимент показывает, что, хотя выражение | 𝒮пектра | • SPThreshold завышает FPR, он все еще находится в пределах ≈ 60–80% от правильной оценки, разумное приближение.

Таблица 2

Таблица 2

Сжатие Для разных значений порогового значения спектральной вероятности ( Spthroshold ) на небольшом спектральном наборе данных ( 𝒮pectra ), состоящий из 12 617 спектров, с родительской массой от 1090 до 1100 да A

0,737 0 9782247 0,689

+

SPThreshold Σ S∈𝒮pectra |Словарь
(S, SPThreshold)|
|Лексикон(𝒮pectra,
SPThreshold)|
Сжатие
1 × 10 −12 444027 314347 0. 752
1 × 10 -11 2709887 1708317
1 × 10 -10 16
Ниже мы опишем альтернативный подход к оценке сжатия посредством спектральной кластеризации . Мы предполагаем, что спектральный образец 𝒮pectra представляет набор пептидов ℘пептидов . Хотя набор ℘eptides неизвестен, его размер | ℘пептиды | можно оценить с помощью инструмента MS-Clustering 29 как количество спектральных кластеров.При «идеальном» сценарии спектры одного и того же пептида (принадлежащего одному кластеру) имеют одинаковые спектральные словари, спектры разных пептидов не перекрываются и все спектры независимы. При этих предположениях

SpectralProbability(Lexicon( 𝒮 pectra, SPThreshold)) = | пептидов| · SPThreshold

Следовательно,

Компрессия=|℘пептиды|·SPThreshold|𝒮pectra|·SPThreshold=|℘eptides||𝒮pectra|

В действительности словари спектров одних и тех же пептидов не идентичны, словари спектров разных пептидов могут перекрываться, а спектры могут быть зависимы.В результате параметр | ℘пептиды |/| 𝒮пектра | обычно недооценивает Сжатие . Например, для набора данных 𝒮pectra , состоящего из спектров с исходной массой от 1090 до 1100 Да, MSClustering 29 обнаружил 3584 кластера из 8689 спектров, как показано на рисунке (3928 из 12 617 спектров были отброшены как спектры низкого качества). ). Оценка Compression = 3584/8689 ≈ 0,41 ниже значений, наблюдаемых в . показывает, что большие кластеры имеют Сжатие намного больше, чем 1/ Размер кластера , и иллюстрирует, что кластеризация недооценивает Сжатие .

Таблица 3

Сводка спектральных кластеров, произведенных MS-Clustering на наборе 12 617 спектров с родительской массой между 1090 и 1100 DA A


6 0,81 0,65
Средние Компрессия

размер кластера №. кластеры шт. Спектры 1 × 10 -10 1 × 10 -11 1 × -12 10
1 2875 2875 1 1 1
2 234 468 0. 96 0,97 0,98
3 115 345 0,88 0,90 0,92
4 71 284 0,87 0,88 0,90
5 47 275 235 0. 83 0.93 0.95
6 36 216 0,80 0,86 0.86 0.88
7 24 168 0,76 0,81 0,85
8 20 160 0,75 0,84 0,95
9 17 153 0,66 0,73 0,87
10 17 170 0,68 0,80 0,84
11-15 40 506 0. 71 0,83
16-20 27 475 0,60 0,65 0,75
21-30 23 584 0,47 0,55
31-40 11 380 0,48 0,65 0,77
41-50 8 370 0,28 0,41 0. 50
> 50 19 1300 0,23 0,47 0,45
Итого 3584 8689

Таблица 4

Сжатие компьютерной Для 10 крупнейших кластеров в таблице 3 , с помощью словарей, сгенерированные с порогом спектральной вероятности 1 × 10 -10

0,495 0,066 0,235
Rank (по размеру) Размер Сжатие
1 125 0. 246
2 82 0,211
3 77 0,128
4 75 0,126
5 74 0,080
6 72
7 72
8 71
9 70 0. 237
10 66 66 0.361 0.361

При вычислении FPR сопоставления белок- 𝒮pectra позволяет оценить статистическую значимость отдельных лидельных идентификаций белка , он также позволяет оценить ожидаемую количество ложных идентификаций среди всех идентификаций, не требующих базы данных ложных целей. Следующий вычислительный эксперимент показывает, что можно оценить количество идентификаций белков в базе данных-ловушке без фактического использования базы данных-ловушки.Спектры человека исследовали с помощью InsPecT⊕MS-GF по базе данных 10 000 случайно сгенерированных белков длиной 500 каждый с равной вероятностью каждой аминокислоты в каждом положении. В общей сложности 286 717 спектров ( 𝒮pectra ) получили некоторую оценку InsPecT/MS-GF по сравнению с этой базой данных и были включены в анализ. показывает наблюдаемых белков, у которых любой пептид превышает пороговое значение ( SPThreshold ). ожидаемое количество идентификаций белка для различных значений SPThreshold определяется выражением

10000 · (1 −  e −SpectralProbability(Lexicon)·|Белок| )

где SpectralProbability ( Lexicon ) оценивается как Compression • | 𝒮 пикселей| • SPThreshold .Для этого требуется оценка значения Compression для набора спектральных данных, который мы описываем ниже.

Таблица 5

Сравнение наблюдаемого и ожидаемого количества идентификаций белков для различных значений порога спектральной вероятности ( SPThreshold ) при поиске набора спектральных данных человека в случайно сгенерированной базе данных-приманке, состоящей из 10 000 белков определенного размера 500 Каждый a

SPThreshold Сжатие Ожидаемый №ID наблюдаемых нет. Идентификаторы
1 × 10 -10 0,88 125,36 80
1 × 10 -11 0,91 13,04 14
1 × 10 -12 0.92 0.32 1.32 1 1

Предположим, что спектральный набор данных 𝒮 puTra разделен на неперевесьте 𝒞lusters (I. е., 𝒮pectra = ∪ 𝒸luster 𝒸lusters Cluster ), где каждый Cluster представляет набор | Кластер | спектры, происходящие от одного и того же пептида. Если предположить, что Сжатие в каждом 𝒮люстре равно 1/| Кластер |, затем

SpectralProbability(Lexicon( 𝒮 pectra, SPThreshold)) = | 𝒞 люстры| · SPThreshold

Однако вскрывает ограничения этой оценки.Более точную оценку дает

SpectralProbability(Lexicon(𝒮pectra,SPThreshold))≈∑Clusters∈𝒞lustersSpectralProbability(Lexicon(Cluster,SPThreshold))≈∑Clusters∈𝒮lusters|Cluster|·Compression(Cluster,SPThreshold)·SPThreshold

Следовательно,

Сжатие(𝒮pectra,SPThreshold)≈∑Clusters∈𝒞lusters|Cluster|·Compression(Cluster,SPThreshold)|𝒮pectra|

Хотя параметр Compression ( Cluster, SPThreshold ) можно явно вычислить для каждого кластера, видно, что этот параметр в значительной степени зависит от размера кластера (и SPThreshold ). Следовательно, мы можем аппроксимировать Compression ( Cluster, SPThreshold ), используя среднее значение по ранее проанализированным кластерам того же размера. Используя кластерное разбиение набора данных человека, определенное с помощью MS-кластеризации, ожидаемое количество белков было оценено с использованием приведенной выше формулы путем подстановки средних значений Compression ( Cluster, SPThreshold ) из . сравнивает это ожидаемое количество идентификаций белков с количеством белков, фактически идентифицированных при поиске в базе данных ловушек, и демонстрирует, что этот подход позволяет получить достаточно точную оценку количества ложных идентификаций белков без поиска в базе данных ловушек.

Использование FPR идентификаций белков

В этом документе рекомендуется отказаться от широко используемого правила «двух пептидов» и вместо этого поддерживать отчеты об идентификации белков (включая однократные чудеса) в соответствии с их строгой статистической значимостью (FPR). Чтобы проиллюстрировать это, в дополнительной таблице 1 представлен ранжированный список идентификаций белков в наборе данных человека, отсортированный по возрастанию FPR. Обозначим FPR белка i -го ранга как FPR ( i ).Ниже мы оцениваем количество идентификаций белков в базе данных приманок (и, следовательно, FDR идентификаций белков), если сообщается только о белках с FPR, равным или превышающим FPR ( i ).

Если N является общим количеством белков в базе данных последовательностей ( N = 72 155 для используемой здесь базы данных IPI человека), можно оценить ожидаемое количество ложноположительных результатов среди первых i идентификаций белков как False ( i ) = N FPR ( i ), и, следовательно, оценка FDR на этом уровне жесткости составляет FDR ( i ) = (нет.белки в базе данных приманок)/(количество белков в базе данных-мишени) = ( N FPR ( i ))/( i ). Поскольку i увеличивается с 1 до ≈600 в этом наборе данных, False ( i ) увеличивается только с 0 до 0,2, что указывает на то, что эти 600 лучших идентификаций белков почти безошибочны. Стоит отметить, что 160 из этих чрезвычайно надежных идентификаций белков являются однократными чудесами, большая часть которых может быть упущена традиционными подходами, предпочитающими множественные пептиды.Когда i увеличивается с 600 до 800, False ( i ) увеличивается до 21, указывая на то, что 1/10 (≈21/200) белковых идентификаций в этом диапазоне могут быть неверными. Увеличение i за пределы 800 быстро увеличивает False ( i ), в конечном итоге со скоростью, превышающей скорость увеличения i (см. последние несколько строк в таблице), тем самым существенно уменьшая количество истинных идентификаций. . Таким образом, можно выбрать верхние ≈800 белков в этом списке (при FDR 21/800 ≈ 2.5%) в качестве разумного набора идентификаций белков. Этот анализ показывает, как знание FPR на уровне белка позволяет делать обоснованные суждения при выборе надежных идентификаций белков из множества совпадений, полученных при поиске в базе данных.

Идентификация повторяющихся доменов в больших геномах | Genome Biology

Обнаружение всех повторяющихся доменов является трудной задачей, поскольку консенсусные последовательности семейства повторов могут иметь общие подпоследовательности сами с собой (например, повторов Alu ) или с другими семействами повторов (например, семейства составных повторов, описанные выше).Таким образом, мы утверждаем, что идеальный метод сравнения семейств повторов и идентификации повторяющихся доменов должен учитывать как самоподобие, так и общее сходство, которое проявляется в разном порядке в разных последовательностях. Такое сходство трудно зафиксировать в традиционных множественных выравниваниях, которые либо пытаются выровнять последовательности по всей их длине (например, глобальное выравнивание), либо показывают небольшие консервативные области сходства (например, локальное выравнивание) без информации о расположении этих областей. в исходной последовательности.Недавно для устранения этих недостатков было разработано несколько программ, включая программу Partial Order Alignment (POA) [19], Threaded Blockset Aligner (TBA) [20] и A-Bruijn Aligner (ABA) [21]. ABA особенно хорошо подходит как для выравнивания консенсусных последовательностей семейства повторов, так и для разложения библиотеки таких консенсусных последовательностей на повторяющиеся домены, поскольку ABA был разработан для выравнивания последовательностей как с повторяющимися, так и с перетасованными сегментами. Однако мы обнаружили, что ABA не может автоматически генерировать граф доменов повторов из библиотеки повторов, потому что библиотеки повторов часто содержат большое количество расходящихся последовательностей, включая палиндромные последовательности.Ниже мы расскажем, как преодолеть эти трудности.

Кроме того, поскольку библиотека повторов обычно содержит от нескольких сотен до нескольких тысяч последовательностей, а аннотация повторов обычно неполная, анализ графа домена повторов является нетривиальной задачей. Ниже мы покажем несколько примеров, иллюстрирующих, как определенные запросы в графе доменов повторов могут обеспечить мощный систематический анализ семейств повторов в библиотеке повторов, как топология графа доменов повторов может помочь в прояснении истории эволюции и как бороться с загрязнениями, которые общий в de novo созданных библиотеках повторов.

Применение графика А-Брейна для повторного анализа библиотеки: методология и новые алгоритмы

Мы представляем выравнивание последовательностей в библиотеке повторов в виде ориентированного графа, называемого графом домена повторов. Граф повторяющихся доменов из n последовательностей содержит 2 n исходных вершин и 2 n приемных вершин. Направленный путь в графе от вершины-источника к вершине-приемнику представляет собой последовательность или обратное дополнение последовательности в библиотеке повторов. Граф повторяющихся доменов обычно содержит несколько связанных компонентов.Каждый компонент соответствует группам семейств повторов с общими доменами повторов и может быть проанализирован индивидуально. Ребра в графе повторяющихся доменов с кратностью больше единицы представляют повторяющиеся домены, которые являются общими для разных семейств повторов, а ребра с единичной кратностью соответствуют доменам, уникальным для одного семейства.

Мы строим графы доменов повторов, используя структуру графов А-Брюйна, которые впервые были введены и применены к задачам сборки фрагментов ДНК и классификации повторов de novo в [17], а затем распространены на выравнивание белковых последовательностей и последовательности геномной ДНК [21].Граф А-Брейна представляет собой общую основу для обработки последовательностей с повторяющимися или перетасованными доменами и строится из набора последовательностей и набора попарных выравниваний между этими последовательностями. На практике граф А-Брейна набора парных выравниваний часто содержит множество коротких циклов из-за несоответствий между входными выравниваниями. Эти короткие циклы запутывают идентификацию общих доменов среди этих последовательностей, и поэтому серия эвристик графа используется для удаления коротких циклов из-за несогласованных выравниваний при сохранении более длинных циклов из-за общих доменов. Мы обнаружили, что этих подходов недостаточно для решения двух проблем, возникающих при анализе библиотеки повторов: а именно, необходимости выравнивания большого количества расходящихся последовательностей и существования палиндромных последовательностей. Недостатки метода не были предвидены и не были устранены в более ранней работе, потому что эти проблемы не возникали в задачах, решаемых там: а именно сборка фрагментов [17], где на вход подается большое количество очень похожих (более 95%) последовательностей ДНК. (читает), а также проблемы множественного выравнивания относительно небольшого числа белковых последовательностей или последовательностей геномной ДНК [21].Мы разработали новые алгоритмы построения графа повторяющихся областей, которые являются модификациями методов, используемых для построения и упрощения графа А-Брейна. Наши новые алгоритмы показывают значительное улучшение по сравнению с существующими методами в обработке противоречивых парных выравниваний и палиндромных последовательностей, которые часто встречаются в библиотеках повторов, созданных de novo из геномных последовательностей. Эти новые алгоритмы описаны и сравнены с существующими методами в разделе «Материалы и методы».

Анализ повторяющихся доменов в репбазе человека

Сначала мы построили граф доменов повторов библиотеки Repbase [8, 9] последовательностей человеческих повторов — наиболее хорошо аннотированной доступной библиотеки повторов — чтобы проверить способность нашего метода выявлять общие домены повторов и структуру составных повторяется. Результирующий граф повторяющихся доменов из 620 последовательностей в обновлении Repbase содержит 9774 ребра и имеет сложную топологию с 410 связанными компонентами, 168 из которых содержат общие повторяющиеся домены (см. семейств, содержащихся в каждой компоненте связности).Самый большой связанный компонент содержит последовательности в библиотеке, соответствующие ретротранспозонам L1, включая консенсусные последовательности различных семейств, подсемейств и частичных копий L1, присутствующих в Repbase. Многие повторяющиеся домены, указанные на графике, являются доменами, общими для таких производных последовательностей одного типа повтора. Однако другие повторяющиеся домены представляют собой общие последовательности повторяющихся элементов различного биологического происхождения. Мы нашли 624 таких домена, выбрав в графе ребра, которые имеют минимальную длину 20, кратность больше 1 и содержат последовательности, чьи аннотации Repbase предполагают различное биологическое происхождение последовательностей.Поскольку онтологии повторяющихся семей не существует, мы идентифицируем «различное биологическое происхождение» с помощью очень расплывчатого определения: по первым двум символам повторяющейся фамилии. Мы также определяем для каждого семейства повторов длину общих доменов и долю его общей длины, содержащую повторяющиеся домены различного биологического происхождения. В таблице 1 перечислены семейства повторов с наибольшей длиной таких общих доменов (полный список содержится в файле дополнительных данных 2). В верхней части списка находятся два повторяющихся семейства Harlequin и PABL_AI, задокументированные в Repbase Update как продукты ретровирусных рекомбинаций. Кроме того, существует большое количество семейств повторов с префиксами MER- и HER-, что согласуется с наблюдением, что ретровирусная рекомбинация является доминирующей чертой среди семейств повторов в геномах крупных млекопитающих [12]. Мы отмечаем, что количество 624 повторяющихся доменов, общих для семейств повторов, намного выше, чем то, что задокументировано в Repbase, что позволяет предположить, что составные повторы являются довольно распространенным явлением. Однако этот вывод смягчается простым критерием, который мы использовали для определения биологического происхождения.

Таблица 1 Пятнадцать семейств повторов, содержащих домены, общие с семействами повторов различного биологического происхождения

В дополнение к повторяющимся доменам график повторяющихся доменов также показывает известные составные повторы в Repbase.

На рис. 3 показан один связанный компонент в графе доменов повторов, содержащем семейства RICKSHA, RICKSHA_0, ряд подсемейств MLT2 и последовательности, содержащие внутреннюю часть эндогенного ретровирусного элемента HERVL . Repbase аннотирует RICKSHA как составной повтор, который содержит 79 пар оснований (bp) терминальных инвертированных повторов и 3′-часть эндогенного ретровируса HERVL , включая MLT2B , его длинный терминальный повтор (рис. 3). Считается, что RICKSHA реплицировался до того, как получил ретровирусный компонент, а запись RICKSHA_0 в Repbase содержит терминальные инвертированные повторы и другую внутреннюю последовательность из RICKSHA. Граф повторяющихся доменов содержит два основных пути: путь посередине, содержащий ребро длиной 855, и путь слева (или справа, поскольку они обратно дополняют друг друга), содержащий последовательность красных ребер.Путь в середине соответствует элементу RICKSHA_0. Путь слева соответствует ретровирусным элементам, представленным MLT2 и ERVL . Интересно, что путь RICKSHA (порядковый номер 304) начинается и заканчивается на среднем пути (ребро длиной 72 соответствует перевернутым концевым повторам), но переходит на путь слева, пересекая ребра длиной 74 и 386. Это график наглядно иллюстрирует структуру последовательности и предполагаемую историю эволюции элемента RICKSHA.

Рисунок 3

Подключенный компонент в графе доменов повторов человеческой Repbase. Маркировка соответствует рисунку 2b. Ребра с кратностью более единицы выделены красным цветом. Метки источника/приемника: 1 = RICKSHA; 2 = РИКША_0; 3-12 = различные ретровирусные повторы, включая подсемейства MLT2 и последовательности, содержащие внутреннюю часть эндогенного ретровирусного элемента HERVL .

Мы отмечаем, что тонкая структура общих повторяющихся доменов в этом примере не раскрывается четко традиционными программами множественного выравнивания строк и столбцов, такими как CLUSTALW [22], которые выравнивают все последовательности по всей их длине.Граф доменов повторов снимает ограничение на выравнивание последовательностей по всей их длине и наглядно демонстрирует мозаичную структуру этих семейств повторов. Далее отметим, что соответствие между ребрами и повторяющимися областями является приблизительным. Определение точных границ повторяющихся доменов является сложной задачей, аналогичной трудности определения границ белковых доменов. Неоднозначность в определении границ проявляется в сложных структурах коротких ребер в графе повторяющихся доменов.Мы уменьшаем эту неоднозначность, сжимая очень короткие ребра (длина менее 20).

Открытие новых составных повторов: повторы в

C. elegans

Мы построили граф доменов повторов библиотеки семейства повторов C. elegans , созданной Stein et al . [23] с программой RECON [24]. Эта библиотека содержит 377 последовательностей общей длиной 251 168 п.н. Результирующий граф повторяющихся доменов содержит 2725 ребер, которые организованы в 464 связанных компонента.Из них 300 компонентов представляют 150 семейств повторов (и их обратных дополнений), которые не имеют ни самоподобия, ни сходства с другими семействами повторов. Еще 109 связанных компонентов представляют самоподобие среди 86 повторяющихся семейств, не имеющих сходства ни с какими другими семействами. Остальные 55 связанных компонентов обнаруживают сходство и сложные эволюционные отношения между оставшимися 142 семействами повторов.

Мы исследовали один из этих 55 связанных компонентов, который образован 7 семействами повторов (рис. 4).Делаем следующие наблюдения:

Рисунок 4

Связный компонент в графе повторяющихся доменов C. elegans . (a) Топология графа показывает сходство между семью различными семействами повторов. Ребра с высокой кратностью окрашены в красный цвет. Связные подграфы, состоящие из ребер длиной менее 10 (за исключением ребер, связанных с источником или стоком), стягиваем в блоки, чтобы упростить общую топологию графа. (б) Аннотация семи семейств, полученная из [23].

  1. 1.

    Сложная эволюционная история этих семейств повторов отражена в мозаичной структуре повторяющихся доменов. Например, семейство повторов E6 (путь от источника E6 к приемнику E6 на рисунке 4) разбивается на пять доменов повторов. Среди них домен повтора длиной 41 является общим с тремя другими семействами повторов: E1, E2 и E4.

  2. 2.

    Ребра с кратностью больше единицы образуют два пути плюс два отражения путей, возникающих из-за симметрии графа повторяющихся доменов (красный цвет на рисунке 4). Мы называем эти пути длинным путем (содержащим пять красных ребер) и коротким путем (содержащим три красных ребра). Эти пути очерчивают важные части повторов и могут соответствовать доменам, важным для распространения элементов повторов [23].

  3. 3.

    Эти семейства повторов содержат разные комбинации ребер на двух красных дорожках на рис. 4. Эти структуры иллюстрируют, как одно семейство повторов может заимствовать домены повторов из другого семейства повторов. Семейства повторов E6, E2 и E4 содержат только короткий путь; семейства повторов E5 и E7 содержат только длинный путь; семейство повторов E3 содержит две (частичные) копии длинного пути с противоположными конфигурациями нитей. Интересно, что семейство повторов E1 содержит оба пути: часть длинного пути, за которым следует короткий путь.

Эти наблюдения дают более подробное описание взаимоотношений между семействами повторов, чем простые аннотации, являющиеся частью библиотеки RECON (рис. 4b). В частности, график показывает сложную взаимосвязь между этими семействами повторов и предлагает предполагаемые аннотации еще не аннотированных семейств повторов в библиотеке RECON (например, на рисунке 4b).

Сравнительный анализ графа повторяющихся доменов

Сравнение повторов у разных видов — нетривиальная задача.Zhang и Wessler [25] сравнили мобильные элементы (TE) у Arabidopsis thaliana и Brassica oleracea с помощью поиска TBLASTN наиболее консервативных кодирующих областей для каждого типа TE. Они обнаружили, что почти все линии TE являются общими для двух растений. Без полных библиотек повторов они не могли сравнивать повторы на уровне семейства повторов. Штейн и др. . [23] провели аналогичное исследование, сравнивая библиотеки повторяющихся семейств из C. elegans и C.briggsae и сообщают, что «…несмотря на их общее сходство, мы не смогли систематически идентифицировать пары ортологов среди повторов C. briggsae и C. elegans … мы не нашли простых взаимно-однозначных отображение между ними».

Мы сравнили две библиотеки семейств повторов, построив сравнительный граф доменов повторов следующим образом. Имея две библиотеки X и Y, мы сначала объединяем последовательности из обеих библиотек в единую библиотеку объединения, затем строим граф повторяющихся доменов объединенной библиотеки и раскрашиваем ребра в графе повторяющихся доменов в зависимости от того, принадлежат ли они только X, только из Y или из X и Y.Мы называем полученный граф с раскрашенными ребрами сравнительным графом повторяющихся доменов. Обратите внимание, что в качестве альтернативы можно построить отдельные графы повторяющихся доменов для X и Y, а затем сравнить два графа, но этот подход внесет дополнительную сложность в сравнение графов и должен дать практически одинаковые результаты. Далее мы анализируем повторяющиеся домены, общие для обеих библиотек (древние домены), и повторяющиеся домены, присутствующие в одной последовательности (молодые домены), и изучаем эволюционные отношения между ними.

Мы построили сравнительный граф доменов повторов, используя библиотеки семейства повторов C. elegans и C. briggsae , созданные Stein et al . [23] с использованием алгоритма RECON [24]. Действительно, поскольку C. elegans и C. briggsae разошлись примерно 100 миллионов лет назад, неудивительно, что только определенные повторяющиеся домены, присутствующие у общего предка, все еще присутствуют у обоих видов. Мы особенно заинтересованы в открытии этих общих древних повторяющихся доменов, сохранение которых указывает на роль в воспроизведении повторов или, альтернативно, может быть связано с горизонтальным переносом.

Библиотека C. elegans содержит 377 последовательностей (со средней длиной 666 п.н.), а библиотека C. briggsae содержит 466 последовательностей (со средней длиной 520 п.н.). Мы сгенерировали попарные выравнивания между этими 843 последовательностями и построили сравнительный график доменов повторов. Мы аннотировали каждое ребро в графе как « C. briggsae (только)», « C. elegans (только)» или «оба». Наше сравнение показывает, что только 1810 п.н. являются общими для двух семейных библиотек повторов.Эти 1810 п.н. образуют девять ребер в сравнительном графе доменов повторов, состоящих из четырех связанных компонентов (таблица 2). Каждый компонент представляет собой простой путь. Эти ребра соответствуют семействам повторов Mariner , CEREP5 и PALTTAA2 / PiggyBac .

Таблица 2 Четыре соединенных компонента, образованных общими повторяющимися доменами (ребра, общие для C. briggsae и C. elegans )

Мы проанализировали каждый из этих четырех связанных компонентов.Два общих ребра с длинами 61 и 309 находятся в одном компоненте связности в сравнительном графе повторяющихся доменов. Поиск транслированных последовательностей показал, что они совпадают с основными частями кодирующей транспозазу последовательности элемента Mariner . Ребро длиной 309 соответствует набору гипотетических белков C. elegans по остаткам со 117 по 219. Все эти гипотетические белки очень похожи на транспозазы других организмов, включая Adineta vaga, человека и Stylochus zebra.Ребро длиной 61 (переведенное в последовательность из 20 аминокислот) само по себе не дает значительного результата BLAST. BLAST-поиск всей консенсусной последовательности семейства повторов Cb000007, которая содержит оба ребра, дал результат, аналогичный результату, полученному при поиске только ребра длиной 309.

На рисунке 5 показана часть компонента сравнительного графа повторяющихся доменов, содержащего ребро длины 34 в таблице 2. Синие ребра соответствуют компоненту связности в C.elegans график доменов повторов показан на рисунке 4. Красные края демонстрируют четыре семейства повторов C. briggsae с общими доменами. Зеленое ребро длиной 34 является общим для двух видов. Мы сделали консервативную оценку статистической значимости ребра в 34 п.н. Между пятью последовательностями из C. elegans и пятью последовательностями из C. briggsae (рис. 6b) самая близкая пара для двух видов (например, B1 и E5) имеет несовпадение всего в 1 п.н., для которого BLAST сообщает о несоответствии. E-значение (значение P ) 8E-16.Таким образом, с поправкой на размер базы данных (2,5E5 для C. elegans и 2,4E5 для C. briggsae ) соответствие между двумя последовательностями имеет E-значение 5E-6.

Рисунок 5

Часть сравнительного графа повторяющихся доменов C. elegans / C. briggsae . Маркировка соответствует легенде на рис. 2. Коды цветов кромки: синий, C. elegans ; красный, C. briggsae ; зеленый, оба. Толстые ребра имеют кратность больше единицы.Пунктирные прямоугольники заключают два подграфа с древовидной топологией (см. рис. 6 и текст).

Рисунок 6

Филогенетическое дерево последовательностей, образующих общее зеленое ребро на рис. 5. Обозначение соответствует изображенному на рис. 5, за исключением того, что последовательность B4 дважды проходит через общее зеленое ребро, давая две последовательности, обозначенные B41 и B42. Мы отмечаем, что десять последовательностей показывают мало замен; следовательно, топология этого дерева достаточно надежна, несмотря на то, что последовательности очень короткие.

Сравнительный график доменов повторов наглядно отображает сложную историю эволюции этих семейств повторов: поддеревья, разделенные зеленым краем (обозначенные на рис. 5 пунктирными прямоугольниками), отделяют семейства повторов от двух видов и позволяют предположить, что домен повторов, общий для обоих видов является древним повторяющимся доменом от общего предка, а не результатом горизонтального переноса. Каждое из этих двух поддеревьев индуцирует филогению включенных семейств повторов. Мы проверили, согласуются ли эти филогении с филогениями, полученными из нуклеотидных замен в сегменте длиной 34, общем для этих последовательностей (зеленый край на рисунке 5).Филогенетическое дерево (рисунок 6) из 10 последовательностей длиной 34, построенное CLUSTALW, дает филогенетическое дерево, которое замечательно согласуется с двумя поддеревьями в сравнительном графе доменов повторов. В частности, все три дерева объединяют семейств C. elegans и семейств C. briggsae . Кроме того, последовательности -B2 и -B3 имеют несколько общих доменов в деревьях из сравнительного графа повторов, что согласуется с их длительным разделением на дереве CLUSTALW, в то время как последовательности E5 и E7 близки на всех трех деревьях.Сходство трех деревьев подтверждает использование сравнительного графа повторяющихся доменов для вывода об истории эволюции.

Структура сравнительного графа повторяющихся доменов поднимает ряд интересных и до сих пор нерешенных эволюционных вопросов. Например, можем ли мы отличить общие повторяющиеся домены между двумя видами, происходящие от общего предка, от тех, которые возникают в результате горизонтального переноса? Как такие древние повторяющиеся домены развились в обоих геномах, и какие повторяющиеся домены, независимо приобретенные в этих геномах, способствовали эволюционному успеху некоторых повторов за последние 100 миллионов лет? Наконец, отметим, что граф повторных доменов, показанный на рисунке 5, был создан из выравниваний, показанных на рисунке 1.В то время как рисунок 1 содержит по существу ту же информацию о локальном сходстве между этими семействами повторов, график на рисунке 5 организует эту информацию в гораздо более интерпретируемую структуру.

Анализ

de novo повторных семейных библиотек

Теперь мы покажем, как граф доменов повторов преодолевает некоторые несовершенства, обнаруженные в автоматически созданных библиотеках семейств повторов, и напрямую выявляет составные повторы. Семейные библиотеки повторов исторически создавались вручную. В последнее время такие алгоритмы, как RepeatFinder [26], RECON [24], RepeatGluer [17], PILER [27] и RepeatScout [28], все больше автоматизируют процесс идентификации семейств повторов из геномной последовательности. Например, RECON помог создать библиотеку семейств куриных повторов [29], а RepeatScout использовался для создания библиотек семейств повторов человека, мыши и крысы, которые почти столь же полны, как и библиотеки, созданные вручную. Однако полученные библиотеки de novo (особенно для геномов млекопитающих) часто контаминированы последовательностями, полученными в результате сегментарных дупликаций [18].Мы проанализировали библиотеку семейств человеческих повторов, которая была автоматически создана RepeatScout, и показали, как граф доменов повторов помогает удалить эти загрязнения и выявить составные семейства повторов.

Мы сгенерировали граф доменов повторов человеческой библиотеки, сгенерированный RepeatScout, содержащий 1139 последовательностей общей длиной 0,68 млн п. н. Удивительно, но полученный граф содержит большую компоненту связности, содержащую более половины входных последовательностей. При внимательном рассмотрении мы обнаружили, что эта крупная компонента связана небольшим числом длинных ребер одинарной кратности.Анализ с использованием BLAT [30] показал, что экземпляры каждого из этих длинных ребер в геноме локализованы в небольшом количестве узких геномных регионов. Это говорит о том, что эти длинные ребра не представляют домены повторов, а скорее являются тандемными дупликациями, известным загрязнением программ идентификации повторов de novo , таких как RECON или RepeatScout.

Это открытие выявило дополнительные преимущества графа повторяющихся доменов для анализа повторяющихся доменов: он напрямую выявляет загрязнители в автоматически созданных библиотеках семейств повторов.Кроме того, график предлагает процедуру удаления этих загрязнений. Вкратце, мы выбираем самое длинное ребро на пути каждого семейства повторов, общая длина которых превышает 100 п. н. Мы сопоставляем эти реберные последовательности с последовательностью генома и выбираем совпадения BLAT, длина которых превышает 80% длины ребра. Мы объединяем хиты BLAT в кластеры, если они находятся на расстоянии менее 5 Мб друг от друга в геноме. Мы вычисляем отношение количества совпадений к количеству кластеров и классифицируем последовательности, отношение которых превышает 2, как тандемные дублирования.Используя этот подход, 107 семейств повторов в библиотеке RepeatScout были классифицированы как тандемные дупликации и исключены из дальнейшего анализа. Мы отмечаем, что этот метод может обнаруживать тандемные сегментарные дупликации, но не рассеянные сегментарные дупликации. Отличие повторов от рассеянных сегментарных дупликаций является сложной и нерешенной проблемой. Вполне возможно, что для решения этой задачи может быть полезен граф повторяющихся доменов; однако это выходит за рамки данной статьи.

После удаления этих загрязнений мы построили граф доменов повторов из оставшихся 992 последовательностей. Граф содержит 885 компонент связности; самый большой компонент содержит 184 последовательности. Поскольку у нас нет немедленных биологических аннотаций для каждой последовательности в библиотеке RepeatScout, мы хотели определить, выявит ли прямой анализ графа доменов повторов рекомбинации доменов или составные повторы. «Сигнатурой» на графике такого события является простое разветвление или Y-образная вилка, в которой две последовательности входят в узел и выходят на общем ребре. К сожалению, библиотеки повторов (включая библиотеку RepeatScout) содержат большое количество последовательностей, соответствующих частичным копиям одного и того же элемента повтора, которые также создают Y-образные ответвления.Чтобы уменьшить влияние этих частичных копий, мы применили дополнительное требование, чтобы все три ребра в Y-образной вилке были длиной не менее 100 п.н. и имели кратность не менее 2. Мы нашли шесть таких Y-вилок в графе доменов повторов . Кроме того, одна компонента связности содержит три таких вилки. При ближайшем рассмотрении выяснилось, что две из трех Y-вилок являются смежными (рис. 7) и содержат повторяющийся домен длиной 543. Мы сравнили последовательности вдоль этого края с репбазой человека и обнаружили, что они соответствуют семействам повторов HERVE, HERVI и Арлекин.Кроме того, Repbase Update аннотирует Арлекин как рекомбинацию между несколькими семействами повторов, включая HERVE и HERVI. Таким образом, мы смогли напрямую идентифицировать составной повтор в неаннотированной библиотеке непосредственно по сигнатуре в графе домена повторов. Третья Y-ветвь связана с некоторыми расходящимися подсемействами ретровируса MER41. Поскольку подсемейство MER41 имеет очень разные последовательности, точная аннотация подсемейства может оказаться невозможной. Таким образом, трудно судить, вызвано ли это Y-разветвление рекомбинацией ретровирусов или артефактами программ выравнивания.

Рисунок 7

Два Y-разветвления в подключенном компоненте графа повторяющихся доменов библиотеки RepeatScout человека. Полный график доступен в файле дополнительных данных 3.

Мы провели поиск описанного выше семейства составных повторов RICKSHA на графе доменов повторов из RepeatScout, но не смогли его найти. Мы определили, что причина в том, что сама библиотека RepeatScout не содержит RICKSHA, вероятно, из-за высокой расхождения последовательностей этого семейства повторов. Кроме того, мы провели сравнительный анализ графа доменов повторов (дополнительный файл данных 4) для библиотек повторов de novo мыши и крысы RepeatScout.Мы обнаружили, что граф доменов повторов помогает очищать артефакты в библиотеках повторов de novo , аннотировать библиотеку и предлагать возможные сценарии эволюции семейства повторов.

%PDF-1.3 % 84 0 объект > эндообъект внешняя ссылка 84 73 0000000016 00000 н 0000001860 00000 н 0000002645 00000 н 0000002754 00000 н 0000002800 00000 н 0000003224 00000 н 0000003389 00000 н 0000003476 00000 н 0000003677 00000 н 0000005601 00000 н 0000005817 00000 н 0000005982 00000 н 0000006182 00000 н 0000008819 00000 н 0000009060 00000 н 0000009197 00000 н 0000009386 00000 н 0000010492 00000 н 0000010610 00000 н 0000010751 00000 н 0000010947 00000 н 0000013173 00000 н 0000013349 00000 н 0000013490 00000 н 0000013677 00000 н 0000014171 00000 н 0000014194 00000 н 0000014352 00000 н 0000014544 00000 н 0000015175 00000 н 0000015492 00000 н 0000015615 00000 н 0000015786 00000 н 0000015992 00000 н 0000021278 00000 н 0000021564 00000 н 0000021722 00000 н 0000021912 00000 н 0000029782 00000 н 0000030207 00000 н 0000030640 00000 н 0000030781 00000 н 0000030978 00000 н 0000035213 00000 н 0000035502 00000 н 0000035672 00000 н 0000035877 00000 н 0000040941 00000 н 0000041288 00000 н 0000041463 00000 н 0000041677 00000 н 0000045731 00000 н 0000045978 00000 н 0000046137 00000 н 0000046330 00000 н 0000047563 00000 н 0000047915 00000 н 0000048165 00000 н 0000048306 00000 н 0000048503 00000 н 0000054107 00000 н 0000054412 00000 н 0000054553 00000 н 0000054750 00000 н 0000061604 00000 н 0000061908 00000 н 0000062965 00000 н 0000063996 00000 н 0000065019 00000 н 0000066157 00000 н 0000067196 00000 н 0000068070 00000 н 0000068843 00000 н трейлер ] /Размер 157 /Предыдущая 253358>> startxref 0 %%EOF 85 0 объект > поток

%PDF-1. 4 % 4 0 объект > /Тип /Аннот /Rect [256,129 192,815 310,596 204,771] /ПРИВЕТ >> эндообъект 5 0 объект > /Тип /Аннот /Rect [74,604 180,86 104,575 192,815] /ПРИВЕТ >> эндообъект 6 0 объект > /Тип /Аннот /Прямо [108,629 180,86 130,547 192,815] /ПРИВЕТ >> эндообъект 7 0 объект > /Тип /Аннот /Rect [77,371 144,995 166,361 156,95] /ПРИВЕТ >> эндообъект 8 0 объект > /Тип /Аннот /Прямо [171,102 144,995 193,02 156,95] /ПРИВЕТ >> эндообъект 9 0 объект > /Тип /Аннот /Rect [426,23 527,086 462,705 539.041] /ПРИВЕТ >> эндообъект 10 0 объект > /Тип /Аннот /Rect [466,801 527,086 488,718 539,041] /ПРИВЕТ >> эндообъект 11 0 объект > /Тип /Аннот /Rect [329,371 473,288 387,306 485,243] /ПРИВЕТ >> эндообъект 12 0 объект > /Тип /Аннот /Rect [390,73 473,288 412,648 485,243] /ПРИВЕТ >> эндообъект 13 0 объект > /Тип /Аннот /Rect [379,956 437,422 417,426 449,377] /ПРИВЕТ >> эндообъект 14 0 объект > /Тип /Аннот /Rect [421,428 437,422 443,346 449,377] /ПРИВЕТ >> эндообъект 15 0 объект > /Тип /Аннот /Rect [535.005 365. 691 562.596 377.646] /ПРИВЕТ >> эндообъект 16 0 объект > /Тип /Аннот /Rect [326,604 353,736 381,57 365,691] /ПРИВЕТ >> эндообъект 17 0 объект > /Тип /Аннот /Rect [384,786 353,736 406,704 365,691] /ПРИВЕТ >> эндообъект 18 0 объект > /Тип /Аннот /Rect [489,408 329,826 562,596 341,781] /ПРИВЕТ >> эндообъект 19 0 объект > /Тип /Аннот /Rect [326,604 317,871 363,078 329,826] /ПРИВЕТ >> эндообъект 20 0 объект > /Тип /Аннот /Rect [367,174 317,871 389,092 329,826] /ПРИВЕТ >> эндообъект 21 0 объект > /Тип /Аннот /Прямо [393.188 317,871 477,953 329,826] /ПРИВЕТ >> эндообъект 22 0 объект > /Тип /Аннот /Rect [482,049 317,871 503,967 329,826] /ПРИВЕТ >> эндообъект 23 0 объект > /Тип /Аннот /Rect [430,624 192,341 468,095 204,296] /ПРИВЕТ >> эндообъект 24 0 объект > /Тип /Аннот /Rect [472,815 192,341 494,733 204,296] /ПРИВЕТ >> эндообъект 25 0 объект > /Тип /Аннот /Rect [499,453 192,341 521,371 204,296] /ПРИВЕТ >> эндообъект 26 0 объект > /Тип /Аннот /Rect [433,918 168,431 532,471 180,386] /ПРИВЕТ >> эндообъект 27 0 объект > /Тип /Аннот /Rect [537. 911 168,431 559,829 180,386] /ПРИВЕТ >> эндообъект 28 0 объект > эндообъект 29 0 объект > эндообъект 32 0 объект > поток xڭUT\$hwwwww4ww’;8kWUoU9k$*D#`dc

Питание по доктору Певзнеру

Каждый день мы сталкиваемся с разными названиями диет, которые не всегда уместны. Во-первых, необходимо объяснить значение термина «диета». Хотя термин неоднозначен, в науке он означает режим и способ питания человека с фиксированным выбором блюд по качеству, количеству и разнообразию, адаптированный к потребностям организма, включая возраст, пол, состояние здоровья, образ жизни и род занятий.

Содержание статьи

  • Потребность в диетическом питании
  • При каких заболеваниях рекомендуется питание Певзнера?
  • Пищевая ценность диетического стола № 5
  • Помощь при терапии пониженной перистальтики кишечника
  • Необходимость введения диетического питания

    Рацион среднего здорового человека называется основным рационом. Он предназначен для обеспечения организма оптимальным набором питательных веществ, таких как белки, углеводы, жиры, витамины, минералы, клетчатка, подобранных в соответствии с индивидуальными потребностями организма и необходимым количеством энергии.

    При этом можно использовать различные кулинарные способы обработки продуктов, такие как варка, жарка, тушение и другие. В соответствии с рекомендациями врачей питание больных не должно сильно отличаться от основного.

    Просто есть его модификации, которые могут касаться, например, консистенции пищи, энергии и способа приготовления, содержания некоторых нутриентов в рационе.

    При каких заболеваниях рекомендуется питание Певзнера?

    Советский ученый Михаил Певзнер разработал специальную систему питания для людей с некоторыми заболеваниями, они включают несколько видов диет, среди них:

    • диета 1 по Певзнеру — для людей, страдающих гастритом с повышенной кислотностью и с заживающей язвой;
    • стол 2 — для больных гипоацидным гастритом;
    • стол 3 — для страдающих запорами;
    • Диета Певзнера 4 – для больных колитами;
    • таблица 5 — для лиц с заболеваниями печени, желчного пузыря и желчевыводящих путей в стадии обострения;
    • стол 6 — при подагре и камнях в почках;
    • таблица 7 — при заболеваниях почек;
    • диета Певзнера 8 – при ожирении;
    • и так далее до таблицы 15.

    Диета 5 по Певзнеру предназначена для людей, страдающих заболеваниями печени.

    Включает рекомендации при многих видах заболеваний, из которых наиболее распространенными являются острый и хронический гепатит, цирроз печени, жировая дистрофия органа, его токсическое поражение.

    Диета также показана при дискинезии желчевыводящих путей. При лечении этих заболеваний питание является неотъемлемой частью терапии.

    При заболеваниях печени нарушения обмена веществ возникают из-за специфических нутриентов, поэтому к каждому пациенту требуется индивидуальный подход.Люди часто сталкиваются с трудностями при приеме пищи, такими как отсутствие аппетита, чувство тяжести и вздутие живота, жажда и временное расстройство пищеварения. Таким образом, при составлении диеты для больных с заболеваниями печени следует учитывать индивидуальный подход к состоянию больного и стадии заболевания.

    Согласно Певзнеру, воспалительные заболевания печени требуют ограниченной диеты с легкоусвояемыми жирами.

    Общие рекомендации для пациентов с заболеваниями печени:

    • целесообразно принимать пищу в 5-6 небольших приемов пищи в течение дня, то есть по принципу есть меньше, но чаще;
    • Рекомендуется есть продукты, которые легко усваиваются;
    • необходимо исключить тяжелую пищу, содержащую много клетчатки и специй;
    • показано снижение потребления жиров до 45-50 г в день (рекомендуемые жиры: подсолнечное масло, соевое, оливковое)
    • пища должна быть приготовлена ​​вареной, запеченной или тушеной;
    • противопоказано употребление жареной пищи;
    • приемы пищи должны проходить в спокойной обстановке, без спешки;
    • Настоятельно рекомендуется избегать употребления алкоголя.

    Пищевая ценность диетического стола № 5

    Диета 5 от доктора Певзнера стала очень популярной и используется в больницах для питания людей с заболеваниями печени.

    Какие продукты разрешены:

    • супы, особенно молочные;
    • допускается выпечка вяленая или вчерашняя, без выпечки, без масла и маргарина, а также это могут быть печенье и сухари, подсушенные в домашних условиях в духовке и не содержащие усилителей вкуса и консервантов;
    • вареных или запеченных мясных продуктов, это может быть нежирное мясо, а также курица — 100 г в сутки;
    • молочные продукты с пониженной жирностью, например, обезжиренное молоко, а также кисломолочные продукты — до 200 мл в сутки;
    • нежирная вареная рыба;
    • свежих овощей и зелени;
    • ягод и фруктов — сладких сортов, вареных, свежих и запеченных;
    • каша – отлично подойдет овсяная, рекомендуются рисовая и гречневая;
    • макаронные изделия;
    • творожных пудингов;
    • вареных яиц — не более одного куриного яйца в сутки;
    • некоторые сладости, такие как мед, мармелад, зефир;
    • соки, чай, отвар шиповника.

    Диетический стол не должен содержать следующие продукты и блюда:

    • все жареные блюда строго запрещены;
    • блюд, содержащих тугоплавкие жиры;
    • жирных бульонов;
    • многие субпродукты: печень, почки, сало;
    • жирная рыба;
    • грибов;
    • консервы;
    • жирное мясо, в том числе птица;
    • колбасы и сардельки, копчености в любом виде;
    • хлебобулочные изделия, булочки, пышки и пончики, блины и оладьи;
    • шоколад;
    • блюд с использованием уксуса;
    • острых приправ, чеснока, хрена и других острых соусов;
    • очень горячие и очень холодные блюда и напитки.

    Помощь при слабой моторике кишечника

    Михаил Певзнер также разработал диету при запорах, которая предназначена для людей со слабой перистальтикой кишечника. Ее называют диетой Певзнера № 3. В рацион входят продукты, повышающие функциональность органа, а также стимулирующие работу желудка и выработку пищеварительных ферментов. При этом исключаются продукты, вызывающие вздутие живота, брожение, плохо влияющие на печень.

    При этом важно не слишком измельчать продукты, это поможет избавиться от запоров.Запрещены жареные блюда, слишком холодное и горячее, питание показано дробное.

    Разрешенное использование:

    • хлеб из непросеянной муки;
    • свежие, вареные и запеченные овощи и фрукты, а также зелень;
    • нежирных супов;
    • говядина, нежирная птица и рыба, 1-2 яйца;
    • докторская колбаса;
    • каша;
    • свежее и вареное молоко и кисломолочные продукты;
    • мед

    Следующие продукты исключены:

    • свежая выпечка из муки высшего сорта;
    • кисели, крепкий чай и кофе;
    • шоколад;
    • какао;
    • грибов;
    • пряные овощи, такие как репа и редис, лук, чеснок;
    • говяжий и свиной жир.

    Людям, страдающим заболеваниями печени и желудочно-кишечного тракта, очень важно соблюдать все рекомендации врачей, не заниматься самолечением, в том числе чайными тяньшами и другими препаратами.

    Добавить комментарий

    Ваш адрес email не будет опубликован.