Search

Traditional Chinese medicine (TCM) has obvious efficacy on disease treatments and is a valuable source for novel drug discovery. However, the underlying mechanism of the pharmacological effects of TCM remains unknown because TCM is a complex system with multiple herbs and ingredients coming together as a prescription. Therefore, it is urgent to apply computational tools to TCM to understand the underlying mechanism of TCM theories at the molecular level and use advanced network algorithms to explore potential effective ingredients and illustrate the principles of TCM in system biological aspects. In this thesis, we aim to understand the underlying mechanism of actions in complex TCM systems at the molecular level by bioinformatics and computational tools. In study Ⅰ, a machine learning framework was developed to predict the meridians of the herbs and ingredients. Finally, we achieved high accuracy of the meridians prediction for herbs and ingredients, suggesting an association between meridians and the molecular features of ingredients and herbs, especially the most important features for machine learning models. Secondly, we proposed a novel network approach to study the TCM formulae by quantifying the degree of interactions of pairwise herb pairs in study Ⅱ using five network distance methods, including the closest, shortest, central, kernel, as well as separation. We demonstrated that the distance of top herb pairs is shorter than that of random herb pairs, suggesting a strong interaction in the human interactome. In addition, center methods at the ingredient level outperformed the other methods. It hints to us that the central ingredients play an important role in the herbs. Thirdly, we explored the associations between herbs or ingredients and their important biological characteristics in study III, such as properties, meridians, structures, or targets via clusters from community analysis of the multipartite network. We found that herbal medicines among the same clusters tend to be more similar in the properties, meridians. Similarly, ingredients from the same cluster are more similar in structure and protein target. In summary, this thesis intends to build a bridge between the TCM system and modern medicinal systems using computational tools, including the machine learning model for meridian theory, network modelling for TCM formulae, as well as multipartite network analysis for herbal medicines and their ingredients. We demonstrated that applying novel computational approaches on the integrated high-throughput omics would provide insights for TCM and accelerate the novel drug discovery as well as repurposing from TCM. Perinteinen kiinalainen lääketiede (TCM) on ilmeinen tehokkuus taudin hoidoissa ja on arvokas lähde uuden lääkkeen löytämiseen. TCM: n farmakologisten vaikutusten taustalla oleva mekanismi pysyy kuitenkin tuntemattomassa, koska TCM on monimutkainen järjestelmä, jossa on useita yrttejä ja ainesosia, jotka tulevat yhteen reseptilääkkeeksi. Siksi on kiireellistä soveltaa Laskennallisia työkaluja TCM: lle ymmärtämään TCM-teorioiden taustalla oleva mekanismi molekyylitasolla ja käyttävät kehittyneitä verkkoalgoritmeja tutkimaan mahdollisia tehokkaita ainesosia ja havainnollistavat TCM: n periaatteita järjestelmän biologisissa näkökohdissa. Tässä opinnäytetyössä pyrimme ymmärtämään monimutkaisten TCM-järjestelmien toimintamekanismia molekyylitasolla bioinformaattilla ja laskennallisilla työkaluilla. Tutkimuksessa kehitettiin koneen oppimiskehystä yrttien ja ainesosien meridialaisista. Lopuksi saavutimme korkean tarkkuuden meridiaaneista yrtteistä ja ainesosista, mikä viittaa meridiaaneihin ja ainesosien ja yrtteihin liittyvien molekyylipiirin välillä, erityisesti koneen oppimismalleihin tärkeimmät ominaisuudet. Toiseksi ehdoimme uuden verkon lähestymistavan TCM-kaavojen tutkimiseksi kvantitoimisella vuorovaikutteisten yrttiparien vuorovaikutuksen tutkimuksessa ⅱ käyttämällä viisi verkkoetäisyyttä, mukaan lukien lähin, lyhyt, keskus, ydin sekä erottaminen. Osoitimme, että ylä-yrttiparien etäisyys on lyhyempi kuin satunnaisten yrttiparien, mikä viittaa voimakkaaseen vuorovaikutukseen ihmisellä vuorovaikutteisesti. Lisäksi Center-menetelmät ainesosan tasolla ylittivät muut menetelmät. Se vihjeitä meille, että keskeiset ainesosat ovat tärkeässä asemassa yrtteissä. Kolmanneksi tutkimme yrttien tai ainesosien välisiä yhdistyksiä ja niiden tärkeitä biologisia ominaisuuksia tutkimuksessa III, kuten ominaisuudet, meridiaanit, rakenteet tai tavoitteet klustereiden kautta moniparite-verkoston yhteisön analyysistä. Löysimme, että kasviperäiset lääkkeet samoilla klusterien keskuudessa ovat yleensä samankaltaisia ominaisuuksissa, meridiaaneissa. Samoin saman klusterin ainesosat ovat samankaltaisempia rakenteissa ja proteiinin tavoitteessa. Yhteenvetona tämä opinnäytetyö aikoo rakentaa silta TCM-järjestelmän ja nykyaikaisten lääkevalmisteiden välillä laskentatyökaluilla, mukaan lukien Meridian-teorian koneen oppimismalli, TCM-kaavojen verkkomallinnus sekä kasviperäiset lääkkeet ja niiden ainesosat Osoitimme, että uusien laskennallisten lähestymistapojen soveltaminen integroidulle korkean suorituskyvyttömiehille tarjosivat TCM: n näkemyksiä ja nopeuttaisivat romaanin huumeiden löytöä sekä toistuvat TCM: stä.

The speed of DNA and RNA sequencing has long ago surpassed the capacity of laboratories to assign function to these sequences by direct experiment. Fortunately, function and other information can be effectively transferred to novel data from previously accumulated knowledge by sequence homology. This has resulted in the development of hundreds of novel homology-based methods. However, the tendency of method developers to be overoptimistic about their own results, biases in the evaluation metrics used to rank methods, inconsistency between different rankings and evaluation metrics, misplaced popularity of methods relative to their performance all indicate that, in many cases, clear knowledge of the comparative performance of different methods is lacking. This has two main consequences. First, researchers use suboptimal tools. Second, method development may go astray because the merits used for guiding method optimization are biased or unclear. To avoid these difficulties, further research is needed into methodology of evaluation and comparative studies. One core approach for transferring function by sequence homology is to create a multiple sequence alignment (MSA) that represents a given group of similar sequences. The resulting alignment can be applied to annotate novel sequences using profile hidden Markov models (HMMs), to create phylogenetic trees or to compare structural features. The application of MSAs and profile HMMs for genome annotation was explored in publication (I). Creating MSA has been addressed by a vast field of research, however there is a lack of independent comparative studies and no comparative studies for alignment strategies. In publication (II) a novel modular MSA aligner was implemented to aid in comparative evaluation of different MSA strategies. Different MSA strategies were then compared to each other and to the state-of-the-art MSA software on three benchmark databases. Another core approach has been to combine homology searches with assignment of annotation terms from a controlled vocabulary such as the Gene Ontology (GO). Hundreds of methods that assign GO terms to novel sequences have been introduced. The research community has also invested into the objective evaluation of these methods via third party competitions. However, the evaluation metrics and merits used in these competitions are still under active debate and need further research and development. In publication (III) a novel framework was introduced for the development of unbiased high-quality evaluation metrics. By testing 37 variations of popular metrics, our approach revealed strong differences between metrics, a list of clearly biased metrics, and a list of high-quality metrics that are well suited for the evaluation of GO annotations. In summary, this thesis presents novel frameworks and implementation platforms for comparative evaluation of two important classes of homology-based methods: MSA aligners and GO sequence classifiers. These results will be instrumental for developing more accurate MSA aligners, for eliminating many forms of bias inherent in contemporary evaluation protocols, for producing informative method rankings for non-specialist users and for guiding method development towards merits that truly reflect the utility of the designed tools. Johtuen DNA ja RNA sekvensointiteknologian nopeasta kehityksestä suurin osa sekvenssien biologisista kuvauksista tuotetaan sekvenssihomologiaan perustuvilla automaattisilla menetelmillä. Homologiaan perustuvia menetelmiä on kehitetty satoja, mikä korostaa objektiivisen ja riippumattoman menetelmävertailun merkitystä. On monia virhelähteitä, jotka vääristävät ja hankaloittavat menetelmävertailua: oman menetelmän yliarviointi, ylisovittaminen, valikoitu raportointi, sekä harhaiset ja keskenään ristiriitaiset arviointimetriikat. Harhaisella menetelmävertailulla on kaksi merkittävää seurausta: (1) epäoptimaaliset menetelmät päätyvät tutkijayhteisön käyttöön, (2) menetelmäkehitys harhaantuu, koska kehitystä ohjaavat arviointikriteerit ovat harhaisia tai epäselviä. Edellä mainittuja vaikeuksia voidaan välttää kohdentamalla tutkimusta itse vertailevaan menetelmäarviointiin. Monisekvenssilinjaus (MSL) on sekvenssihomologiaan perustuva menetelmä, jolla on hyvin laaja sovelluskenttä molekyylibiologisessa tutkimustyössä. Julkaisussa (I) tutkittiin MSL-linjausten ja Markovin piilomallien soveltamista bakteerigenomien kuvaukseen. MSL-kentällä on edelleen puutetta riippumattomasta menetelmäarvioinnista, ja erityisesti eri MSL-algoritmiratkaisuja vertailevista tutkimuksista. Julkaisussa (II) esitettiin uusi modulaarinen MSL-ohjelma, jonka avulla useita MSL-algoritmiratkaisuja vertailtiin toisiinsa ja MSL-alan huippusovelluksiin kolmella vertailutietokannalla. Vertailun perusteella annettiin selkeitä suosituksia optimaalisista MSL-algoritmiratkaisuista ja parhaista MSL-ohjelmista. Sekvenssikuvauksia tuottavat automaattiset menetelmät useimmiten käyttävät geeniontologian (GO) termistöä. Koska vuosittain julkaistaan satoja GO-menetelmiä, tutkimusyhteisö on panostanut kyseisten menetelmien vertailevaan arviointiin. Kuitenkin GO-menetelmävertailun kentällä arviointikriteerit ovat vakiintumattomia ja monet käytössä olevat arviointimetriikat ovat joko harhaisia tai keskenään ristiriitaisia. Julkaisussa (III) ehdotetaan ratkaisuksi uutta menetelmää, jonka avulla on mahdollista testata ja kehittää korkealaatuisia ja harhattomia arviointimetriikoita. Julkaisussa (III) testattiin useita arviointimetriikoita ja osoitettiin, että monet tällä hetkellä käytössä olevat GO-arviointimetriikat ovat voimakkaasti harhaisia. Testauksen perusteella annettiin myös selkeitä suosituksia arviointimetriikoista, jotka takaavat harhattoman menetelmävertailun.

Since the annotation of the dog genome in 2005, dogs have emerged as excellent models of human disease. Many disease associations of variant alleles in homologous genes have been discovered in dogs, providing new therapeutic candidates to the corresponding human diseases as well as establishing preclinical large animal models. Significant progress in genetic studies has happened after moving from microarrays to next generation sequencing or combining the two approaches. This transition has required the development and application of novel bioinformatic approaches to facilitate genetics and genomics. This thesis established a variety of bioinformatic approaches and tools to facilitate canine genomics and disease gene discovery. In study I, the successful development and application of the bioinformatic pipelines resulted in the identification of causal variants of three new disease genes, SLC37A2, SCARF2 and FAM20C, of relevance to Caffey disease, van den Ende Gupta syndrome (VDEGS) and Raine syndrome in human, respectively. In study II, novel genomic content was discovered through de novo assembly of genomic reads of Border Collies, which didn’t map to the current canine genome reference. This study revealed sequences that filled the existing gaps in the reference genome and identified gene models that were missing from the reference. Overall, this study reveals novel genomic content to facilitate the improvement of upcoming canine genome reference for disease variant allele discovery in candidate genes. In study III, a novel bioinformatic tool, webGQT, was successfully developed and piloted to handle and filter large amounts of next generation sequencing (NGS) data. This tool is purported to non-bioinformatics users to mine genetic information from millions to billions of variants among thousands of genomes. This tool has been successfully utilized in various disease genetics projects. In summary, new bioinformatic approaches have been successfully developed and applied in this thesis to facilitate both the transition of the field to the NGS era and disease gene discovery and genomics in dogs. These findings in this thesis have implications to veterinary research, diagnostics and human medicine with novel candidate genes in three rare disorders.