Сила тока в сети. Сколько ампер в розетке 220В: характеристики и особенности подключения бытовых приборов

Какое максимальное значение силы тока может выдержать стандартная розетка на 220В. На какую мощность бытовых приборов рассчитаны современные розетки. Как правильно подобрать розетку под конкретный электроприбор. Чем отличаются однофазные и трехфазные розетки.

Основные характеристики бытовых розеток

Стандартные розетки в жилых помещениях рассчитаны на напряжение 220В переменного тока. Однако помимо напряжения важным параметром является максимально допустимая сила тока, которую способна выдержать розетка. От этого зависит, какие электроприборы можно к ней подключать.

Основные характеристики современных бытовых розеток:

• Напряжение: 220-230В
• Максимальная сила тока: 10-16А
• Максимальная мощность подключаемых приборов: 2200-3500 Вт

Таким образом, стандартная розетка на 16А способна обеспечить работу большинства бытовых электроприборов мощностью до 3,5 кВт. Для более мощной техники требуются специальные силовые розетки.

Как рассчитать допустимую мощность прибора для розетки?

Чтобы определить, можно ли подключить конкретный электроприбор к имеющейся розетке, необходимо рассчитать потребляемый им ток по формуле:

I = P / U

где:

• I — сила тока (А)
• P — мощность прибора (Вт)
• U — напряжение сети (В)

Например, для чайника мощностью 2000 Вт расчет будет следующим:

I = 2000 Вт / 220 В = 9,1 А

Полученное значение не должно превышать максимально допустимый ток розетки. Для стандартной розетки на 16А данный чайник подключать можно.

Типы розеток по максимальной силе тока

В зависимости от максимально допустимой силы тока выделяют следующие основные типы бытовых розеток:

• 6А — устаревший советский стандарт, рассчитан на приборы мощностью до 1,3 кВт
• 10А — подходит для большинства маломощных бытовых приборов до 2,2 кВт
• 16А — современный стандарт, обеспечивает работу техники до 3,5 кВт
• 25-32А — силовые розетки для мощных электроприборов 5-7 кВт

При выборе розетки важно учитывать не только ее характеристики, но и параметры проводки и автоматов защиты. Все элементы электросети должны быть согласованы между собой.

Особенности подключения мощных электроприборов

Для подключения электроплит, водонагревателей и другой мощной бытовой техники обычных розеток на 16А недостаточно. В таких случаях используются специальные силовые розетки, рассчитанные на ток 25-32А и мощность до 7 кВт.

Особенности подключения мощных бытовых приборов:

• Требуется отдельная силовая линия от электрощита
• Используется кабель большего сечения (4-6 мм2)
• Устанавливается отдельный автомат защиты на 25-32А
• Розетка монтируется рядом с местом установки прибора

Важно помнить, что самостоятельное подключение мощных электроприборов может быть опасно. Такие работы лучше доверить квалифицированному электрику.

Трехфазные розетки: особенности и применение

Для подключения особо мощного оборудования используются трехфазные розетки на напряжение 380В. Они способны обеспечить силу тока до 32А и мощность более 10 кВт.

Основные характеристики трехфазных розеток:

• Напряжение: 380В
• Максимальный ток: 16-32А
• Количество контактов: 4-5 (3 фазы + нейтраль + заземление)
• Максимальная мощность: 10-20 кВт

Трехфазные розетки применяются для подключения:

• Мощных электроплит и духовых шкафов
• Сварочных аппаратов
• Промышленных станков
• Зарядных устройств для электромобилей

Установка трехфазных розеток требует подведения трехфазной линии электропитания и должна выполняться только профессиональными электриками.

Как определить параметры имеющейся розетки?

Чтобы узнать характеристики уже установленной розетки, можно воспользоваться следующими способами:

1. Внимательно осмотреть корпус розетки — на нем часто указываются основные параметры
2. Проверить сечение подводящих проводов:
   • 1,5 мм2 — розетка на 10А
   • 2,5 мм2 — розетка на 16А
   • 4-6 мм2 — силовая розетка на 25-32А
3. Посмотреть номинал автомата защиты в электрощите
4. Измерить напряжение и силу тока с помощью мультиметра

Если определить параметры розетки не удается, лучше проконсультироваться со специалистом-электриком перед подключением мощных электроприборов.

Меры безопасности при работе с электрическими розетками

При эксплуатации и обслуживании электрических розеток необходимо соблюдать следующие правила безопасности:

• Не превышать максимально допустимую нагрузку на розетку
• Не использовать поврежденные розетки и вилки
• Не допускать попадания влаги на контакты
• Не вставлять в розетки посторонние предметы
• Отключать электропитание перед любыми работами с розетками
• Не выполнять самостоятельно работы, требующие квалификации электрика

Соблюдение этих простых правил поможет избежать поражения электрическим током и возникновения пожара из-за неправильной эксплуатации розеток.

Заключение

Правильный выбор и использование электрических розеток — важное условие безопасной эксплуатации бытовой техники. Необходимо учитывать как характеристики самих розеток, так и параметры подключаемых приборов. При возникновении сомнений или необходимости установки новых розеток лучше обратиться к квалифицированному электрику.

Ампераж в сети 220

Чтобы узнать сколько ампер в обычной домашней розетке 220В, в первую очередь вспомним, что в Амперах измеряется сила тока:

Сила тока «I» – это физическая величина, которая равна отношению заряда «q», проходящего через проводник, ко времени (t), в течении которого он протекал.

Главное, что нам в этом определении важно – это то, что сила тока возникает лишь когда электричество проходит через проводник , а пока к розетке ничего не подключено и электрическая цепь разорвана, движения электронов нет, соответственно и ампер в такой розетке тоже нет.

В розетке, к которой не подключена нагрузка, ампер нет, сила тока равно нулю.

Теперь рассмотрим случай, когда в розетку подключен какой-то электроприбор и мы можем посчитать величину силы тока.

Если бы нашу электропроводку не защищала автоматика, установленная в электрощите, и максимальная подключаемая мощность оборудования (как и сила тока), ничем бы не контролировались, то количество ампер в бытовой розетке 220В могло быть каким угодно. Сила тока росла бы до тех пор, пока бы от высокой температуры не разрушились механизм розетки или провода.

При протекании высокого тока, проводники или места соединений, не рассчитанные на него, начинают нагреваться и разрушаются. В качестве примера можно взять спираль обычной лампы накаливания, которая, при прохождении электрического тока, раскаляется, но т.к. вольфрам, из которого она сделана – тугоплавкий металл, он не разрушается, чего нельзя ждать от контактов механизма розетки.

Чтобы рассчитать сколько ампер будет в розетке, при подключении того или иного прибора или оборудования, если под рукой нет амперметра, можно воспользоваться следующей формулой:

Формула расчета силы тока в розетке

I=P/(U*cos ф) , где I – Сила тока (ампер), P – мощность подключенного оборудования (Вт), U – напряжение в сети (Вольт), cos ф – коэффициент мощности (если этого показателя нет в характеристиках оборудования, принимать 0,95)

Давайте рассчитаем по этой формуле сколько ампер сила тока в обычной домашней розетке с напряжением (U) 220В при подключении к ней утюга мощностью 2000 Вт (2кВт), cos ф у утюга близок к 1.

Значит, при включении и нагреве утюга мощностью 2кВт, в сила тока в розетке будет около 9,1 Ампер.

При одновременном включении нескольких устройств в одну розетку, ток в ней будет равен сумме токов этого оборудования.

Какая максимальная величина силы тока для розеток

Чаще всего, современные домашние розетки 220В рассчитаны на максимальный ток 10 или 16 Ампер. Некоторые производители заявляют, что их розетки выдерживают и 25 Ампер, но таких моделей крайне мало.

Старые, советские розетки, которые еще встречаются в наших квартирах, вообще рассчитаны всего на 6 Ампер.

Максимум, что вы сможете встретить в стандартной типовой квартире, это силовую розетку для электроплиты или варочной панели, которая способна выдерживать силу тока до 32 Ампер.

Это гарантированные производителем показатели силы тока, который выдержит розетка и не разрушится. Эти характеристики обязательно указаны или на корпусе розетки или на её механизме.

При выборе электроустановочных изделий имейте ввиду, что, например, розетка на 16 Ампер выдержит около 3,5 киловатт мощности, а на 10 Ампер уже всего 2,2 Киловатт.
Ниже представлена таблица, максимальной мощности подключаемого оборудования для розеток, в зависимости от количества ампер, на которые они рассчитаны.

ТАБЛИЦА МАКСИМАЛЬНОЙ МОЩНОСТИ ОБОРУДОВАНИЯ ДЛЯ РОЗЕТОК, РАССЧИТАННЫХ НА ТОК 6, 10, 16, 32 Ампер

Чаще всего, всё бытовое электрооборудование, которое включается в стандартные розетки 220В, не превышает по мощности 3,5кВт, более мощные приборы имеют уже иные разъемы для подключения или поставляются без электрической вилки, в расчете на подключение к клеммам или к электрическим вилкам для силовых розеток.

Я советую всегда выбирать розетки рассчитанные на силу тока 16 Ампер или больше – они надежнее. Ведь чаще всего электропроводку в квартирах прокладывают медным кабелем с сечением жил 2,5 мм.кв. и ставят автомат на розетки на 16 Ампер. Поэтому, если вы выберете розетку, рассчитанную на 10 Ампер и подключите к ней большую нагрузку, то защитная автоматика не сработает, и розетка начнет греться, плавится, это может стать причиной пожара.

Если же у вас остались вопросы о характеристиках розеток или их выборе, обязательно пишите, постараюсь помочь. Кроме того, приветствуется любая критика, дополнения, мнения – пишите.

Розетка – это электротехническое оснащение, без которого невозможно сегодня представить ни жилое, ни рабочее помещение. Поскольку техника используется разная, характеристики электрофурнитуры для нее тоже будут отличаться. Ни для кого не секрет, что мощность современных бытовых приборов несколько выше, чем 2-3 десятилетия назад. Именно поэтому были изменены и ГОСТы. Так, для советских разъемов стандартным было ограничение нагрузки 6А в сетях с напряжением 220в, сегодня же она увеличена до 16А. Для больших нагрузок подводятся трехфазные сети с напряжением 380в. Розетка 3 х фазная отличается по конструкции и способна выдерживать нагрузки до 32А.

Какая сила тока в розетке 220в и 380в, и для каких бытовых приборов необходимо 16, 25 и 32 ампера?

Сегодня каждый человек знает, сколько вольт в розетке. Стандартное напряжение в отечественных бытовых электросетях 220 вольт. В некоторых странах принят иной стандарт и там оно может быть 127 или 250 вольт. Большинство современной техники рассчитано именно на такие показатели. Однако помимо напряжения при монтаже проводки необходимо учитывать предполагаемую мощность подключаемых потребителей. Так на сегодняшний день в продаже представлены розетки 220 вольт с ограничением нагрузки 16А и 25А. Они используются для разных целей. Поскольку сила тока в розетке 220в прямо пропорциональна потребляемой мощности подключенного к ней оборудования.

К примеру, несколько десятилетий назад бытовой электротехники было не много, и особой мощностью она не отличалась, ограничение нагрузки на одну точку было 6А. В такой разъем можно подключить технику мощностью до 1,5кВт. Однако для современного дома этого уже слишком мало, так как даже стандартный электрочайник может потреблять до 2.5 кВт. Именно поэтому для современных разъемных соединений установлен стандарт ограничения нагрузки 16А, что позволяет безопасно подключать потребители мощностью до 3,5 кВт. В домах, где предполагается установка электроплит до 6кВт устанавливают так называемые силовые розетки 25А 220в. В целом это максимальные значения для бытовых электросетей.

Для более мощной техники используют трехфазные сети с напряжением 380в и соответствующие розетки 380 вольт (до 32А). Такие разъемы обычны для мастерских, объектов общественного питания, но могут быть установлены и в частном доме, если все нагревательные приборы (в том числе и отопительные) работают от электросети. Однако в таких случаях требуется не только установка специальной электрофурнитуры, но и усиленная проводка.

Как найти фазу в розетке, и зачем нужны трехфазные; как измерить напряжение и определить силу тока

Нередко при внесении каких-либо изменений в электропроводку возникает необходимость определить фазный провод.

Независимо от того, какое напряжение в розетке, по современным нормам они должны иметь цветную маркировку. Так желто-зеленый провод – это заземление, а синий или голубой – ноль. Соответственно остальные (один или три) – фаза, обычно фазовые провода бывают:

• по нормам до 2011г – желтый, зеленый, красный;
• после 2011г – коричневый, черный, серый.

Однако в некоторых сетях, монтировавшихся до 2011г, черный провод использовался для заземления. Кроме этого в однофазной проводке принято фазу подключать справа.

Если какая либо маркировка отсутствует, то пригодится пробник с неоновой лампой. При прикосновении к фазе индикатор загорится. Если используется пробник со светодиодом, при проверке нельзя касаться рукой металлической площадки на торце ручки. Чтобы определить, какой ток в розетке, необходим вольтметр. Он же пригодится и при определении фаз трехфазного подключения. Так между каждой из фаз и нолем будет 220в при линейном напряжении 380в и 127в — при линейном 220в (но последний разъем сегодня практически не встречается и не используется).

В бытовых сетях трехфазное подключение может использоваться для кухонных печей с электродуховкой большой мощности. Клеммные щитки в некоторых моделях позволяют, таким образом, равномерно распределить нагрузку.

Подробнее о выборе и монтаже розетки

Если необходимая сила тока в розетке — 1 ампер, сколько вольт в ней должно быть?

Ампер и вольт — разные физические величины. Вольт (В) — это напряжение, которое необходимо для того, чтобы протолкнуть 1 Кл (кулон) электричества через сеть. Ампер (А) — сила электротока в проводнике, показывающая, сколько кулонов проходит через проводник за 1 секунду. Если сила тока в проводнике составляет 1 Ампер, это означает, что за 1 секунду он пропускает заряд электричества, равный 1 Кл.

Если силу тока умножить на напряжение сети, то в итоге мы получим показатель ее мощности. Например:

Напряжение обычной бытовой сети — 220 В

Мощность электросети=220 В*1 А=220 Вт (Ватт)

Поэтому вопрос о том, сколько вольт в ампере, звучит не совсем корректно. Правильная формулировка: «Какую мощность (в ватах) развивает электроприбор, потребляющий ток 1А?»

Ответ на него будет звучать так: «Электрический прибор, потребляющий ток в 1А, при подключении к бытовой электросети с напряжением 220В, будет развивать мощность 220 Вт».

Формулы для вычисления значения тока и мощности электролинии представлены на рисунке ниже.

Как выбрать розетку для дома?

Розетка — устройство для подключения бытовых приборов к электросети. Состоит она из корпуса и колодки, к контактам и клеммам которой подсоединяются токоподводящие провода.

Различают розетки бытовые и промышленные. По нормам среднее напряжение — 220В в розетке бытового назначения. Допустимая сила тока для такой розетки — 10А-16А, что подходит для подключения прибора мощностью 3520 Вт. При установке техники большей мощности контакты сильно нагреваются, и возрастает возможность возгорания. Для электроплиты мощностью 8 кВт обычная розетка, выдерживающая силу тока в 16 А, не подойдет.

Как узнать, сколько ампер в 220-вольтной розетке? Если разделить 8 кВт (8000Вт) на напряжение в сети (220В), то получим, что сила тока при подключении такой плиты будет свыше 36А. Это значит, что в характеристиках розетки должно быть указано, что она рассчитана на ток до 40А. Аналогично можно подобрать розетки и для других бытовых приборов.

Как самостоятельно измерить силу тока в розетке?

Сила тока в розетке 220В не измеряется, поскольку ее там нет. Розетка может быть только рассчитана на определенную силу тока, которая необходима для работы того или иного прибора.

Проверяется сила тока в определенном участке цепи. Используется для этого прибор амперметр. Измеряется сила тока в такой последовательности:

1. Необходимо создать последовательную цепь, состоящую из бытового прибора, силу тока которого нужно измерить, и амперметра.
2. При подключении амперметра следует соблюдать полярность — «+» измерительного прибора подключается к «+» источника тока, а «-» — к «-» источника тока.

Амперметр на электрической схеме измерения постоянного тока обозначен символом:

Как известно, существует зависимость силы тока от напряжения в сети. Для ее измерения используется закон Ома: I (сила тока в участке цепи) =U (напряжение на этом участке)/R (постоянный показатель сопротивления участка).

Как и чем измерить напряжение в розетке?

Напряжение в домашней электросети должно находиться в пределе 220В ±10. Максимальное напряжение в сети должно составлять не более 220+10%= 242В. Если в квартире тускло, или слишком ярко горят лампочки, либо ни быстро перегорают, часто выходят из строя электроприборы, рекомендует проверить напряжение в розетке. Для этого используются специальные приборы:

Перед использованием прибора необходимо проверить его изоляцию.

Как проверить напряжение в розетке? Для этого следует установить переключатель пределов измерения в необходимое положение (до 250 В — для измерения переменного напряжения).

Щупы прибора вставляют в гнезда розетки, табло прибора покажет напряжение в розетке.

Внимание: не следует касаться руками проводов и контактов, находящихся под напряжением.

Как правильно подключить трехфазную розетку?

При установке розетки на 380 вольт необходимо правильно подключить 4 или 5 проводов. Если перепутать местами ноль и фазу, это грозит не только поломкой электроприбора, но и возгоранием проводки.

Силовая линия для электропитания устройства состоит из трехфазной розетки и соответствующей ей вилки. Розетка 380 вольт подключается в следующей последовательности:

1. На счетчике отключается напряжение, его отсутствие проверяется отверткой с индикатором.
2. К контактам L1, L2, и L3 подключают в любой последовательности фазы A, B и C.
3. Нулевая фаза подключается к контакту N.
4. На контакт РЕ, который может обозначаться значком , подключается защитный заземляющий проводник от заземляющего контура.
5. После подключения рекомендуется проверить индикатором отсутствие фазы на корпусе розетки, замерить напряжение на клеммнике (между фазами оно должно составлять 380 Вольт).

В каком случае устанавливается трехфазная розетка?

Большинство электрических приборов, используемых в доме, рассчитано на стандартное напряжение в сети (220В). Но есть приборы, электроплиты, производственное оборудование, мощные насосы, которые рассчитаны на большее напряжение в 380 В. Для такого оборудования устанавливаются трехфазные розетки.

Трехфазная розетка имеет четыре контакта — три из них (L1, L2 и L3) используются для подключения вилки, а четвертый (N) — нулевой, который применяется в качестве заземления.

Для подключения розетки 380В от щитка прокладывается четырехжильный кабель (3 фазы + ноль). Минимальная площадь среза токопроводящей жилы составляет 2,5 мм.кв. Оптимальным вариантом для подключения мощных машин является медный провод 3х4+2,5 (состоящий из трех жил сечением 4 мм. кв. и одной жилы, сечением 2,5 мм. кв.).

Трехфазная розетка должна иметь отдельный выключатель на электрощите, устанавливается она вблизи подключаемого прибора.

Раньше все было просто, у среднестатистического жителя были только телевизор, пылесос, холодильник и небольшая плита на 2–3 конфорки. А подключались они к сети через стандартные розетки, с ограничением нагрузки до 6 Ампер. В обычной городской квартире и речи не шло о высокомощных электроприборах (индукционных плитах, водонагревательных котлах, обогревателей и др.).

Но современные жилища просто напичканы энергоемкими устройствами, например, варочные панели с духовыми шкафами. Их потребляемая мощность порой доходит до 7 киловатт. Это значит, что плиту невозможно подключить к обычной розетке, с пропускной способностью 16 А.

Формула расчета силы тока в розетке

Для начала, давайте освежим в памяти некоторые термины:

• Ампер (А) – единица измерения силы тока, т.е. количество частиц, проходящих за промежуток времени через проводник.
• Напряжение (В) –физическая величина, означающая разность потенциалов противоположных концов проводника.
• Мощность (Вт) – величина, обозначающая скорость передачи электрической энергии.

I=P/(U*cos ф)

где I Сила тока (ампер), P мощность подключенного оборудования (Вт), U напряжение в сети (Вольт), cos ф коэффициент мощности (если этого показателя нет, принимать 0,95)

С помощью этих трех составляющих очень просто определить, какую нагрузку выдержит розетка и проводка. Например, в советское время, бытовые розетки были рассчитаны на максимальную мощность – 1,3 кВт. А высчитывалось это по физической формуле – сила тока в амперах (6 А) умножается на напряжение (220В). В результате получается наибольшая мощность подключаемых приборов в ваттах (1320 Вт), т.е. 1,3 киловатт.

Наши читатели рекомендуют! Для экономии на платежах за электроэнергию наши читатели советуют ‘Экономитель энергии Electricity Saving Box’. Ежемесячные платежи станут на 30-50% меньше, чем были до использования экономителя. Он убирает реактивную составляющую из сети, в результате чего снижается нагрузка и, как следствие, ток потребления.

Электроприборы потребляют меньше электроэнергии, снижаются затраты на ее оплату.

Многие задаются вопросом – 16 А, это сколько киловатт, то есть от какой максимально допустимой мощности бытового прибора не расплавится розетка? При современных 16 А розетках получается следующий пример – 16 А×220В = 3520 Вт. Это значит, что розетка выдержит нагрузку до 3,5 кВт, а это большинство простых электроприборов (компьютеры, холодильники, кондиционеры и т. п.).

Но что же делать, если вы купили энергоемкое устройство, мощностью 5–6 кВт? Ответ, казалось бы, очевиден, купить розетку на 25 или 32 А и все. Так-то оно верно, но нужно помнить еще о некоторых важных вещах.

Какая у вас электропроводка?

Этот вопрос должен волновать больше, чем – сколько Ампер в розетке. Потомучто новая розетка то выдержит, но как поведет себя старая проводка? При удачном стечении обстоятельств сработает автомат, но ведь может и пожар случиться. Поэтому перед покупкой новой техники следует позаботиться обо всей системе электроснабжения вашего жилища.

Особенно если вы проживаете в старых постройках, с алюминиевой проводкой. Конечно, лучше всего полностью заменить электропроводку на медную, но, если бюджет ограничен, то есть обходной вариант. Можно протянуть от щитка отдельный силовой кабель соответствующего сечения к оборудованию. Для подбора оптимального сечения кабеля можно воспользоваться, расположенной ниже таблицей.

Таблица выбора оптимального сечения кабеля

Не забудьте про автоматический выключатель

Еще одна важная составляющая системы электроснабжения – это автоматы (раньше они назывались пробками). Если вы посмотрите в свой распределительный щиток, то должны увидеть там такие устройства с маленькими цветными переключателями и указанием максимального рабочего тока. Это и есть выключатель. Городские квартиры чаще всего оснащаются 16, 25 или 32 А автоматами. Так вот, пользуясь формулой, вы можете рассчитать, какой прибор нужно поставить для безопасного использования мощной техники.

Вернемся к приобретенной плите, мощностью скажем 6 кВт (6000 Вт). Используя формулу, получаем – 6000 Вт/220В = 27 А. Соответственно для нормального функционирования вашей плиты нужно установить автомат на 32 А. И желательно все же на каждый мощный прибор устанавливать отдельный автомат. Потому что если на нем «висят» еще, скажем розетки, то при одновременном включении с техникой, автомат может выбить.

Если вы всерьез решили заняться самостоятельным монтажом оборудования или проводки у себя дома, то лучше будет пройти краткий онлайн-курс электрика. Потому что без базовых знаний нечего и делать в распределительном щитке.

Кажется, что нет ничего проще, чем подсоединить пару проводков, но стоит немного ошибиться и короткое замыкание вам обеспечено.Поэтому, чтобы избежать неприятных последствий, всегда перепроверяйте все соединения. А при затруднении не стесняйтесь обращаться за помощью к специалистам.

какая сила тока и напряжение; для чего используется розетка трехфазная и однофазная?

Главная » Электричество » Сколько ампер в розетке, и сколько вольт: какая сила тока и напряжение; для чего используется розетка трехфазная и однофазная?

Розетка – это электротехническое оснащение, без которого невозможно сегодня представить ни жилое, ни рабочее помещение. Поскольку техника используется разная, характеристики электрофурнитуры для нее тоже будут отличаться. Ни для кого не секрет, что мощность современных бытовых приборов несколько выше, чем 2-3 десятилетия назад. Именно поэтому были изменены и ГОСТы. Так, для советских разъемов стандартным было ограничение нагрузки 6А в сетях с напряжением 220в, сегодня же она увеличена до 16А. Для больших нагрузок подводятся трехфазные сети с напряжением 380в. Розетка 3 х фазная отличается по конструкции и способна выдерживать нагрузки до 32А.

Содержание

1. Какая сила тока в розетке 220в и 380в, и для каких бытовых приборов необходимо 16, 25 и 32 ампера?
2. Как найти фазу в розетке, и зачем нужны трехфазные; как измерить напряжение и определить силу тока
3. Подробнее о выборе и монтаже розетки

Какая сила тока в розетке 220в и 380в, и для каких бытовых приборов необходимо 16, 25 и 32 ампера?

Сегодня каждый человек знает, сколько вольт в розетке. Стандартное напряжение в отечественных бытовых электросетях 220 вольт. В некоторых странах принят иной стандарт и там оно может быть 127 или 250 вольт. Большинство современной техники рассчитано именно на такие показатели. Однако помимо напряжения при монтаже проводки необходимо учитывать предполагаемую мощность подключаемых потребителей. Так на сегодняшний день в продаже представлены розетки 220 вольт с ограничением нагрузки 16А и 25А. Они используются для разных целей. Поскольку сила тока в розетке 220в прямо пропорциональна потребляемой мощности подключенного к ней оборудования.

К примеру, несколько десятилетий назад бытовой электротехники было не много, и особой мощностью она не отличалась, ограничение нагрузки на одну точку было 6А.  В такой разъем можно подключить технику мощностью до 1,5кВт. Однако для современного дома этого уже слишком мало, так как даже стандартный электрочайник может потреблять до 2.5 кВт. Именно поэтому для современных разъемных соединений установлен стандарт ограничения нагрузки 16А, что позволяет безопасно подключать потребители мощностью до 3,5 кВт. В домах, где предполагается установка электроплит до 6кВт устанавливают так называемые силовые розетки 25А 220в. В целом это максимальные значения для бытовых электросетей.

Для более мощной техники используют трехфазные сети с напряжением 380в и соответствующие розетки 380 вольт (до 32А). Такие разъемы обычны для мастерских, объектов общественного питания, но могут быть установлены и в частном доме, если все нагревательные приборы (в том числе и отопительные) работают от электросети. Однако в таких случаях требуется не только установка специальной электрофурнитуры, но и усиленная проводка.

Как найти фазу в розетке, и зачем нужны трехфазные; как измерить напряжение и определить силу тока

Нередко при внесении каких-либо изменений в электропроводку возникает необходимость определить фазный провод. Независимо от того, какое напряжение в розетке, по современным нормам они должны иметь цветную маркировку. Так желто-зеленый провод – это заземление, а синий или голубой – ноль. Соответственно остальные (один или три) – фаза, обычно фазовые провода бывают:

• по нормам до 2011г – желтый, зеленый, красный;
• после 2011г – коричневый, черный, серый.

Однако в некоторых сетях, монтировавшихся до 2011г, черный провод использовался для заземления. Кроме этого в однофазной проводке принято фазу подключать справа.

Если какая либо маркировка отсутствует, то пригодится пробник с неоновой лампой. При прикосновении к фазе индикатор загорится. Если используется пробник со светодиодом, при проверке нельзя касаться рукой металлической площадки на торце ручки. Чтобы определить, какой ток в розетке, необходим вольтметр. Он же пригодится и при определении фаз трехфазного подключения. Так между каждой из фаз и нолем будет 220в при линейном напряжении 380в и 127в — при линейном 220в (но последний разъем сегодня практически не встречается и не используется). В бытовых сетях трехфазное подключение может использоваться для кухонных печей с электродуховкой большой мощности. Клеммные щитки в некоторых моделях позволяют, таким образом, равномерно распределить нагрузку.

Подробнее о выборе и монтаже розетки

[vc_row][vc_column width=»1/1″]

[vc_toggle title=»Если необходимая сила тока в розетке — 1 ампер, сколько вольт в ней должно быть?» open=»true»]

Ампер и вольт — разные физические величины. Вольт (В) — это напряжение, которое необходимо для того, чтобы протолкнуть 1 Кл (кулон) электричества через сеть. Ампер (А) — сила электротока в проводнике, показывающая, сколько кулонов проходит через проводник за 1 секунду. Если сила тока в проводнике составляет 1 Ампер, это означает, что за 1 секунду он пропускает заряд электричества, равный 1 Кл.

Если силу тока умножить на напряжение сети, то в итоге мы получим показатель ее мощности. Например:

Напряжение обычной бытовой сети — 220 В

Ток — 1 А

Мощность электросети=220 В*1 А=220 Вт (Ватт)

Поэтому вопрос о том, сколько вольт в ампере, звучит не совсем корректно. Правильная формулировка: «Какую мощность (в ватах) развивает электроприбор, потребляющий ток 1А?»

Ответ на него будет звучать так: «Электрический прибор, потребляющий ток в 1А, при подключении к бытовой электросети с напряжением 220В, будет развивать мощность 220 Вт».

Формулы для вычисления значения тока и мощности электролинии представлены на рисунке ниже.

[/vc_toggle]

[vc_toggle title=»Как выбрать розетку для дома?» open=»false»]

Розетка — устройство для подключения бытовых приборов к электросети. Состоит она из корпуса и колодки, к контактам и клеммам которой подсоединяются токоподводящие провода.

Различают розетки бытовые и промышленные. По нормам среднее напряжение — 220В в розетке бытового назначения. Допустимая сила тока для такой розетки — 10А-16А, что подходит для подключения прибора мощностью 3520 Вт. При установке техники большей мощности контакты сильно нагреваются, и возрастает возможность возгорания. Для электроплиты мощностью 8 кВт обычная розетка, выдерживающая силу тока в 16 А, не подойдет.

Как узнать, сколько ампер в 220-вольтной розетке? Если разделить 8 кВт (8000Вт) на напряжение в сети (220В), то получим, что сила тока при подключении такой плиты будет свыше 36А. Это значит, что в характеристиках розетки должно быть указано, что она рассчитана на ток до 40А. Аналогично можно подобрать розетки и для других бытовых приборов.

[/vc_toggle]

[vc_toggle title=»Как самостоятельно измерить силу тока в розетке?» open=»false»]

Сила тока в розетке 220В не измеряется, поскольку ее там нет. Розетка может быть только рассчитана на определенную силу тока, которая необходима для работы того или иного прибора.

Проверяется сила тока в определенном участке цепи. Используется для этого прибор амперметр. Измеряется сила тока в такой последовательности:

1. Необходимо создать последовательную цепь, состоящую из бытового прибора, силу тока которого нужно измерить, и амперметра.
2. При подключении амперметра следует соблюдать полярность — «+» измерительного прибора подключается к «+» источника тока, а «-» — к «-» источника тока.

Амперметр на электрической схеме измерения постоянного тока обозначен символом:

Как известно, существует зависимость силы тока от напряжения в сети. Для ее измерения используется закон Ома: I (сила тока в участке цепи) =U (напряжение на этом участке)/R (постоянный показатель сопротивления участка).

[/vc_toggle]

[vc_toggle title=»Как и чем измерить напряжение в розетке?» open=»false»]

Напряжение в домашней электросети должно находиться в пределе 220В ±10. Максимальное напряжение в сети должно составлять не более 220+10%= 242В. Если в квартире тускло, или слишком ярко горят лампочки, либо ни быстро перегорают, часто выходят из строя электроприборы, рекомендует проверить напряжение в розетке. Для этого используются специальные приборы:

• вольтметр;
• мультиметр;
• тестер.

Перед использованием прибора необходимо проверить его изоляцию.

Как проверить напряжение в розетке? Для этого следует установить переключатель пределов измерения в необходимое положение (до 250 В — для измерения переменного напряжения).

Щупы прибора вставляют в гнезда розетки, табло прибора покажет напряжение в розетке.

[su_label type=»warning»]Внимание:[/su_label] [su_highlight background=»#e8f8fa»]не следует касаться руками проводов и контактов, находящихся под напряжением. [/su_highlight]

[/vc_toggle]

[vc_toggle title=»Как правильно подключить трехфазную розетку?» open=»false»]

При установке розетки на 380 вольт необходимо правильно подключить 4 или 5 проводов. Если перепутать местами ноль и фазу, это грозит не только поломкой электроприбора, но и возгоранием проводки.

Силовая линия для электропитания устройства состоит из трехфазной розетки и соответствующей ей вилки. Розетка 380 вольт подключается в следующей последовательности:

1. На счетчике отключается напряжение, его отсутствие проверяется отверткой с индикатором.
2. К контактам L1, L2, и L3 подключают в любой последовательности фазы A, B и C.
3. Нулевая фаза подключается к контакту N.
4. На контакт РЕ, который может обозначаться значком , подключается защитный заземляющий проводник от заземляющего контура.
5. После подключения рекомендуется проверить индикатором отсутствие фазы на корпусе розетки, замерить напряжение на клеммнике (между фазами оно должно составлять 380 Вольт).

[/vc_toggle]

[vc_toggle title=»В каком случае устанавливается трехфазная розетка?» open=»false»]

Большинство электрических приборов, используемых в доме, рассчитано на стандартное напряжение в сети (220В). Но есть приборы, электроплиты, производственное оборудование, мощные насосы, которые рассчитаны на большее напряжение в 380 В. Для такого оборудования устанавливаются трехфазные розетки.

Трехфазная розетка имеет четыре контакта — три из них (L1, L2 и L3) используются для подключения вилки, а четвертый (N) — нулевой, который применяется в качестве заземления.

Для подключения розетки 380В от щитка прокладывается четырехжильный кабель (3 фазы + ноль). Минимальная площадь среза токопроводящей жилы составляет 2,5 мм.кв. Оптимальным вариантом для подключения мощных машин является медный провод 3х4+2,5 (состоящий из трех жил сечением 4 мм. кв. и одной жилы, сечением 2,5 мм. кв.).

Трехфазная розетка должна иметь отдельный выключатель на электрощите, устанавливается она вблизи подключаемого прибора.

[/vc_toggle]

[/vc_column][/vc_row]

Как узнать какой ток в сети 220 вольт, какова величина силы тока в бытовой электросети. « ЭлектроХобби

Многим людям известны такие электрические понятия как напряжение и ток. Хотя далеко не все чётко понимают, что именно это такое. Напряжение можно сравнить ещё с давлением (например давление воды в трубопроводе). А ток можно сравнить с движением воды (как бы получается ТОК воды). Когда к розетке ничего не подключено, то в ней всё равно присутствует напряжение 220 вольт (разность электрических потенциалов между двух разноименных проводов). Но вот тока никакого нет в этом случае. Он появляется тогда, когда в розетку подключена какая-нибудь нагрузка. У новичка может возникнуть вполне логичный вопрос, а какова величина электрического тока в обычной розетки с напряжением 220 вольт?  В этой статье мы и постараемся выяснить это.

Итак, прежде всего нужно уяснить такой момент — фиксированной величины силы тока в розетке нет, она зависит от подключаемой электрической нагрузки, и чем мощнее эта нагрузка, тем большая величина тока будет течь по цепи. Стоит учитывать, что провода электропроводки также являются частью общей электрической цепи, которые имеют свое собственное сопротивление, влияющее на силу тока, что появляется в сети.

Как раз кстати будет вспомнить один из основополагающих законов электрофизики, что называется законом Ома. Он гласит, что сила тока (в амперах) равна напряжение (в вольтах) деленное на сопротивление (в омах). Допустим, есть какой либо источник питания, имеющий на своих клеммах определенную величину напряжения. Все, что будет подключаться к этому источнику питания будет считаться электрической нагрузкой, включая и провода, которые соединяют его с конкретным электрическим устройством. Зная напряжение источника питания, общее сопротивление электрической цепи можно по формуле закона Ома легко вычислить силу тока, которая будет протекать по этой самой цепи.

Помимо этого нужно учитывать, что при протекании тока по электрическим цепям происходит выделение тепла. Если в электрической цепи содержаться элементы, участки, которые имеют размеры, сечения, диаметры, меньше чем нужно, то в этом случае именно на этих элементах и частях электрической цепи будет выделяться чрезмерное количество тепла, что может вызывать перегрев и последующую поломку или аварийную ситуацию

К примеру, у нас имеется электронагреватель мощностью 2,2 кВт. Мы его подсоединяем к сети 220 вольт. Сила тока, которая будет протекать по этой цепи равна 10 амперам. Для такого тока шнур, что соединяет нагреватель с сетью должен иметь сечение не менее 0.75 квадратных миллиметров. Если же мы поставим шнур с сечением, допустим 0.5, а то и вовсе еще меньше, то данный провод, что находится в этом шнуре будет нагреваться больше своей нормы, а это приведет к его плавлению и последующему короткому замыканию.

Еще пример, допустим у нас электрическая проводка в здании имеет сечение гораздо меньше, чем то электротехническое устройство, которое мы будем к ней подключать. А в добавок к этому это устройство подсоединяем в самой отдаленной точке этой электропроводки, находящийся в достаточно удаленном месте от распределительного щита (питающий эту самую проводку). В этом случае на проводах этой цепи будет оседать значительная часть напряжения, в то время как до самой нагрузки будет доходить не все электроэнергия, в которой нуждается устройство.

Большая длина проводки и малое ее сечение образуют значительное сопротивление, которое, естественно, снизят силу тока, что протекает по этой электрической цепи. В итоге данная проводка будет греться больше нормы, а подключенная к ней нагрузка не будет работать в полную мощность, если вовсе начнет работать из-за недостатка электроэнергии.

Кроме проводов электропроводки и самой нагрузки сопротивлением обладают и различные элементы, что могут находится на пути электрической цепи (от источника электричества к конечной нагрузки). Это могут быть различные устройства защиты, счетчики, переключатели, клеммники, электронные системы и т.д. Если, к примеру, контакт, к которому прикручен провод в электрическом распределительном щитке, находится в плохом состоянии (окислен, обгорел, плохо закручен), то на нем также скорей всего возникнет падение напряжение, и он будет причиной заниженного тока, который течет по этой цепи. Только когда вся сеть, электрическая цепь, все элементы находятся в порядке и работают в своем нормальном режиме (а также соответствуют номинальным требованиям), можно говорить от максимальной силе тока, которую можно получить (без проблем) от этой электросети.

Организациями, что отвечают за снабжение электроэнергией, выдвигаются определенные требования к различным видам и типам потребителей. Эти организации отводят определенные мощности для конкретных категорий потребителей электроэнергии. Этим мощностям соответствуют все элементы, которые входят в состав устройств электроснабжения. Допустим для жилых помещений отводится свои максимальные токи, которые потребитель может использовать. Под эти токи закладывается соответствующая проводка со всеми ее частями, которые исключают те или иные неисправности, аварийные ситуации, проблемы и т.д. И только в этом случае можно говорить от конкретной величине силы тока, которую можно получить из электрической сети при подключении к ней определенной нагрузки.

P.S. Ведь не зря в любых электросетях и электроустройствах стоят такие простейшие защиты как электрический предохранитель или автоматический выключатель. Именно он защищает Вас и Ваше устройство от различных несчастных случаев и аварийных ситуаций. Ведь когда происходит короткое замыкания в той или иной части электрической цепи, сила тока мгновенно увеличивается в разы, что приводит к резкому тепловыделению с последующим выгоранием различных элементов электросхемы устройства. Если предохранитель стоит, значит ту разрушающую и опасную величину силу тока Вы не получите, так как это защищающее устройство сработает и разорвет электрическую цепь и прекратит течение тока.

Какой ток в розетке — переменный или постоянный, и зачем это нужно знать: сколько ампер, какая его частота и как узнать самостоятельно

Человек, хоть частично знакомый с электричеством, знает какой ток протекает в розетке – переменный или постоянный. Но большинство граждан, которые пользуются благами электричества ежедневно, не задумываются об этом, и зря. Ответ на вопрос прост, ведь практически вся производимая электроэнергия относится к переменному току.

Содержание

1. Какой ток в розетках постоянный или переменный?
2. Для чего нужно знать сколько ампер в розетках в квартире
3. Сила тока в розетке
4. 220 В
5. Более 220 В
6. Сколько ампер в розетке 220В
7. Полезное видео

Какой ток в розетках постоянный или переменный?

98% вырабатываемой энергии – это переменный ток, и домашняя проводка не исключение. Переменный ток – это тот, который периодически изменяет величину и направление. Частота измеряется в Герцах (период изменения в секунду). Переменный ток производить намного легче чем постоянный, также не вызывает сложностей передача на большие расстояния. При передачи электроэнергии величина напряжения может как увеличиваться, так и уменьшаться неоднократно, поэтому розетки делаются для переменного значения. Но также существуют электронные приборы, которые питаются постоянным током, и их нужно приводить к одному типу.

Преимущества:

• легко передавать на большие расстояния;
• простое генераторное оборудование, упрощение устройства электродвигателей;
• отсутствие полярности.

Недостатки:

• расчеты проводятся на максимальное значение, по факту используется не более 70%;
• электромагнитная индукция, приводящая к неравномерному распределению электричества по сечению проводника;
• сложность проверки и измерения параметров;
• увеличивается сопротивление, так как используется не весь кабель.

Для чего нужно знать сколько ампер в розетках в квартире

Сила тока измеряется в Амперах (А). Знать этот показатель необходимо, так как розетки различаются по нему.

Стандартные современные розетки рассчитаны на 6, 10 и 16 А. У советских приборов максимальный номинал равен 6,3 А. Для потребителей с повышенной мощностью выбирают соответствующие розетки, у которых повышенная стойкость к большим значениям.

Знание основ электротехники пригодится при поездке в другую страну. У государств могут различаться стандарты частоты и напряжений, и невозможно будет подключить привезенные с собой приборы к местной сети. Каждая розетка имеет маркировку, на которой указана максимальная сила тока.

Если у прибора указана только мощность в паспорте, вычислить ток можно по простой формуле I=P/U, где U –напряжение сети в Вольтах (220 В для домашних розеток), P – мощность прибора, измеряемая в Ваттах и I – сила тока в Амперах.

Сила тока в розетке

Стандартами частоты в России  и европейских странах является 50 Гц, в Америке – 60 Гц. Сила тока в квартирах ограничивается 16 Амперами, в частных загородных домах это значение может достигать 25 А.

Токовые измерения проводят различными способами. Можно опытным путем – подключить прибор в розетку, и если он функционирует – электроэнергия есть. Существуют мультиметры, которые замеряют значения, контрольные лампы, тестеры и индикаторы напряжения.

220 В

Номинальным напряжением в домашней сети является 220В, но на практике это значение может варьироваться. Отклонения до 20-25 Вольт.

На этот показатель влияют:

• техническое состояние,
• нагрузки сети,
• загруженность электростанций.

Скачки напряжения выводят приборы из строя, поэтому подключение к сети лучше производить через специальные стабилизаторы.

Более 220 В

Для силовой электрической техники используются трехфазные сети, которые питаются напряжением 380 Вольт и выше. Чаще всего их можно встретить в электротранспорте – трамваях, троллейбусах, электричках. Для такого напряжения токовая нагрузка составляет до 32 А.

Сколько ампер в розетке 220В

Домашние розетки делаются на разную силу тока, которую она способна пропустить. Наибольшее значение – 16 А для напряжения в 220 Вольт. Каждая электророзетка промаркирована – если отмечено значение 6 А, то суммарная подключаемая нагрузка не более этого числа.

Нагрузка которую может выдержать соединение определяется по сумме  подключенных электроприборов. Например микроволновая печь, стиральная машина  подключаются через отдельные розетки не менее чем на 16 А, а для осветительных приборов, телефонов требуются устройства с меньшим номиналом.

Электроплита подключается через отдельное УЗО, так как для нее требуется 25 А и более.

Живя в ХХІ веке, используя блага научных открытий, человеку обязательно знать тип и величину тока, протекающего в домашней сети. Без этой информации невозможно купить электророзетку, правильно рассчитать нагрузку для электроприборов. Стандарты различаются для разных стран, и это стоит учитывать при поездке в другое государство.

Полезное видео

Какая сила тока в розетке 220в? – Tokzamer

Сила тока в сети: как узнать, сколько ампер в квартире, и какой ток в розетке – переменный или постоянный?

Человек, хоть частично знакомый с электричеством, знает какой ток протекает в розетке – переменный или постоянный. Но большинство граждан, которые пользуются благами электричества ежедневно, не задумываются об этом, и зря. Ответ на вопрос прост, ведь практически вся производимая электроэнергия относится к переменному току.

1. Какой ток в розетках постоянный или переменный?
2. Для чего нужно знать сколько ампер в розетках в квартире
3. Сила тока в розетке
4. 220 В
5. Более 220 В
6. Сколько ампер в розетке 220В
7. Полезное видео

Какой ток в розетках постоянный или переменный?

98% вырабатываемой энергии – это переменный ток, и домашняя проводка не исключение. Переменный ток – это тот, который периодически изменяет величину и направление. Частота измеряется в Герцах (период изменения в секунду). Переменный ток производить намного легче чем постоянный, также не вызывает сложностей передача на большие расстояния. При передачи электроэнергии величина напряжения может как увеличиваться, так и уменьшаться неоднократно, поэтому розетки делаются для переменного значения. Но также существуют электронные приборы, которые питаются постоянным током, и их нужно приводить к одному типу.

• легко передавать на большие расстояния;
• простое генераторное оборудование, упрощение устройства электродвигателей;
• отсутствие полярности.
• расчеты проводятся на максимальное значение, по факту используется не более 70%;
• электромагнитная индукция, приводящая к неравномерному распределению электричества по сечению проводника;
• сложность проверки и измерения параметров;
• увеличивается сопротивление, так как используется не весь кабель.

Для чего нужно знать сколько ампер в розетках в квартире

Сила тока измеряется в Амперах (А). Знать этот показатель необходимо, так как розетки различаются по нему.

Стандартные современные розетки рассчитаны на 6, 10 и 16 А. У советских приборов максимальный номинал равен 6,3 А. Для потребителей с повышенной мощностью выбирают соответствующие розетки, у которых повышенная стойкость к большим значениям.

Знание основ электротехники пригодится при поездке в другую страну. У государств могут различаться стандарты частоты и напряжений, и невозможно будет подключить привезенные с собой приборы к местной сети. Каждая розетка имеет маркировку, на которой указана максимальная сила тока.

Сила тока в розетке

Стандартами частоты в России и европейских странах является 50 Гц, в Америке – 60 Гц. Сила тока в квартирах ограничивается 16 Амперами, в частных загородных домах это значение может достигать 25 А.

Токовые измерения проводят различными способами. Можно опытным путем – подключить прибор в розетку, и если он функционирует – электроэнергия есть. Существуют мультиметры, которые замеряют значения, контрольные лампы, тестеры и индикаторы напряжения.

220 В

Номинальным напряжением в домашней сети является 220В, но на практике это значение может варьироваться. Отклонения до 20-25 Вольт.

На этот показатель влияют:

• техническое состояние,
• нагрузки сети,
• загруженность электростанций.

Более 220 В

Для силовой электрической техники используются трехфазные сети, которые питаются напряжением 380 Вольт и выше. Чаще всего их можно встретить в электротранспорте – трамваях, троллейбусах, электричках. Для такого напряжения токовая нагрузка составляет до 32 А.

Сколько ампер в розетке 220В

Домашние розетки делаются на разную силу тока, которую она способна пропустить. Наибольшее значение – 16 А для напряжения в 220 Вольт. Каждая электророзетка промаркирована – если отмечено значение 6 А, то суммарная подключаемая нагрузка не более этого числа.

Нагрузка которую может выдержать соединение определяется по сумме подключенных электроприборов. Например микроволновая печь, стиральная машина подключаются через отдельные розетки не менее чем на 16 А, а для осветительных приборов, телефонов требуются устройства с меньшим номиналом.

Живя в ХХІ веке, используя блага научных открытий, человеку обязательно знать тип и величину тока, протекающего в домашней сети. Без этой информации невозможно купить электророзетку, правильно рассчитать нагрузку для электроприборов. Стандарты различаются для разных стран, и это стоит учитывать при поездке в другое государство.

Полезное видео

Сколько ампер в розетке, и сколько вольт: какая сила тока и напряжение; для чего используется розетка трехфазная и однофазная?

Розетка – это электротехническое оснащение, без которого невозможно сегодня представить ни жилое, ни рабочее помещение. Поскольку техника используется разная, характеристики электрофурнитуры для нее тоже будут отличаться. Ни для кого не секрет, что мощность современных бытовых приборов несколько выше, чем 2-3 десятилетия назад. Именно поэтому были изменены и ГОСТы. Так, для советских разъемов стандартным было ограничение нагрузки 6А в сетях с напряжением 220в, сегодня же она увеличена до 16А. Для больших нагрузок подводятся трехфазные сети с напряжением 380в. Розетка 3 х фазная отличается по конструкции и способна выдерживать нагрузки до 32А.

1. Какая сила тока в розетке 220в и 380в, и для каких бытовых приборов необходимо 16, 25 и 32 ампера?
2. Как найти фазу в розетке, и зачем нужны трехфазные; как измерить напряжение и определить силу тока
3. Подробнее о выборе и монтаже розетки

Какая сила тока в розетке 220в и 380в, и для каких бытовых приборов необходимо 16, 25 и 32 ампера?

Сегодня каждый человек знает, сколько вольт в розетке. Стандартное напряжение в отечественных бытовых электросетях 220 вольт. В некоторых странах принят иной стандарт и там оно может быть 127 или 250 вольт. Большинство современной техники рассчитано именно на такие показатели. Однако помимо напряжения при монтаже проводки необходимо учитывать предполагаемую мощность подключаемых потребителей. Так на сегодняшний день в продаже представлены розетки 220 вольт с ограничением нагрузки 16А и 25А. Они используются для разных целей. Поскольку сила тока в розетке 220в прямо пропорциональна потребляемой мощности подключенного к ней оборудования.

К примеру, несколько десятилетий назад бытовой электротехники было не много, и особой мощностью она не отличалась, ограничение нагрузки на одну точку было 6А. В такой разъем можно подключить технику мощностью до 1,5кВт. Однако для современного дома этого уже слишком мало, так как даже стандартный электрочайник может потреблять до 2.5 кВт. Именно поэтому для современных разъемных соединений установлен стандарт ограничения нагрузки 16А, что позволяет безопасно подключать потребители мощностью до 3,5 кВт. В домах, где предполагается установка электроплит до 6кВт устанавливают так называемые силовые розетки 25А 220в. В целом это максимальные значения для бытовых электросетей.

Для более мощной техники используют трехфазные сети с напряжением 380в и соответствующие розетки 380 вольт (до 32А). Такие разъемы обычны для мастерских, объектов общественного питания, но могут быть установлены и в частном доме, если все нагревательные приборы (в том числе и отопительные) работают от электросети. Однако в таких случаях требуется не только установка специальной электрофурнитуры, но и усиленная проводка.

Как найти фазу в розетке, и зачем нужны трехфазные; как измерить напряжение и определить силу тока

Нередко при внесении каких-либо изменений в электропроводку возникает необходимость определить фазный провод. Независимо от того, какое напряжение в розетке, по современным нормам они должны иметь цветную маркировку. Так желто-зеленый провод – это заземление, а синий или голубой – ноль. Соответственно остальные (один или три) – фаза, обычно фазовые провода бывают:

• по нормам до 2011г – желтый, зеленый, красный;
• после 2011г – коричневый, черный, серый.

Однако в некоторых сетях, монтировавшихся до 2011г, черный провод использовался для заземления. Кроме этого в однофазной проводке принято фазу подключать справа.

Если какая либо маркировка отсутствует, то пригодится пробник с неоновой лампой. При прикосновении к фазе индикатор загорится. Если используется пробник со светодиодом, при проверке нельзя касаться рукой металлической площадки на торце ручки. Чтобы определить, какой ток в розетке, необходим вольтметр. Он же пригодится и при определении фаз трехфазного подключения. Так между каждой из фаз и нолем будет 220в при линейном напряжении 380в и 127в – при линейном 220в (но последний разъем сегодня практически не встречается и не используется). В бытовых сетях трехфазное подключение может использоваться для кухонных печей с электродуховкой большой мощности. Клеммные щитки в некоторых моделях позволяют, таким образом, равномерно распределить нагрузку.

Подробнее о выборе и монтаже розетки

Ампер и вольт — разные физические величины. Вольт (В) — это напряжение, которое необходимо для того, чтобы протолкнуть 1 Кл (кулон) электричества через сеть. Ампер (А) — сила электротока в проводнике, показывающая, сколько кулонов проходит через проводник за 1 секунду. Если сила тока в проводнике составляет 1 Ампер, это означает, что за 1 секунду он пропускает заряд электричества, равный 1 Кл.

Если силу тока умножить на напряжение сети, то в итоге мы получим показатель ее мощности. Например:

Напряжение обычной бытовой сети — 220 В

Мощность электросети=220 В*1 А=220 Вт (Ватт)

Поэтому вопрос о том, сколько вольт в ампере, звучит не совсем корректно. Правильная формулировка: «Какую мощность (в ватах) развивает электроприбор, потребляющий ток 1А?»

Ответ на него будет звучать так: «Электрический прибор, потребляющий ток в 1А, при подключении к бытовой электросети с напряжением 220В, будет развивать мощность 220 Вт».

Формулы для вычисления значения тока и мощности электролинии представлены на рисунке ниже.

[/vc_toggle] [vc_toggle title=”Как выбрать розетку для дома?” open=”false”]

Розетка — устройство для подключения бытовых приборов к электросети. Состоит она из корпуса и колодки, к контактам и клеммам которой подсоединяются токоподводящие провода.

Различают розетки бытовые и промышленные. По нормам среднее напряжение — 220В в розетке бытового назначения. Допустимая сила тока для такой розетки — 10А-16А, что подходит для подключения прибора мощностью 3520 Вт. При установке техники большей мощности контакты сильно нагреваются, и возрастает возможность возгорания. Для электроплиты мощностью 8 кВт обычная розетка, выдерживающая силу тока в 16 А, не подойдет.

Как узнать, сколько ампер в 220-вольтной розетке? Если разделить 8 кВт (8000Вт) на напряжение в сети (220В), то получим, что сила тока при подключении такой плиты будет свыше 36А. Это значит, что в характеристиках розетки должно быть указано, что она рассчитана на ток до 40А. Аналогично можно подобрать розетки и для других бытовых приборов.

[/vc_toggle] [vc_toggle title=”Как самостоятельно измерить силу тока в розетке?” open=”false”]

Сила тока в розетке 220В не измеряется, поскольку ее там нет. Розетка может быть только рассчитана на определенную силу тока, которая необходима для работы того или иного прибора.

Проверяется сила тока в определенном участке цепи. Используется для этого прибор амперметр. Измеряется сила тока в такой последовательности:

1. Необходимо создать последовательную цепь, состоящую из бытового прибора, силу тока которого нужно измерить, и амперметра.
2. При подключении амперметра следует соблюдать полярность — “+” измерительного прибора подключается к “+” источника тока, а “-” — к “-” источника тока.

Амперметр на электрической схеме измерения постоянного тока обозначен символом:

Как известно, существует зависимость силы тока от напряжения в сети. Для ее измерения используется закон Ома: I (сила тока в участке цепи) =U (напряжение на этом участке)/R (постоянный показатель сопротивления участка).

[/vc_toggle] [vc_toggle title=”Как и чем измерить напряжение в розетке?” open=”false”]

Напряжение в домашней электросети должно находиться в пределе 220В ±10. Максимальное напряжение в сети должно составлять не более 220+10%= 242В. Если в квартире тускло, или слишком ярко горят лампочки, либо ни быстро перегорают, часто выходят из строя электроприборы, рекомендует проверить напряжение в розетке. Для этого используются специальные приборы:

• вольтметр;
• мультиметр;
• тестер.

Перед использованием прибора необходимо проверить его изоляцию.

Как проверить напряжение в розетке? Для этого следует установить переключатель пределов измерения в необходимое положение (до 250 В — для измерения переменного напряжения).

Щупы прибора вставляют в гнезда розетки, табло прибора покажет напряжение в розетке.

Внимание: не следует касаться руками проводов и контактов, находящихся под напряжением. [/vc_toggle] [vc_toggle title=”Как правильно подключить трехфазную розетку?” open=”false”]

При установке розетки на 380 вольт необходимо правильно подключить 4 или 5 проводов. Если перепутать местами ноль и фазу, это грозит не только поломкой электроприбора, но и возгоранием проводки.

Силовая линия для электропитания устройства состоит из трехфазной розетки и соответствующей ей вилки. Розетка 380 вольт подключается в следующей последовательности:

1. На счетчике отключается напряжение, его отсутствие проверяется отверткой с индикатором.
2. К контактам L1, L2, и L3 подключают в любой последовательности фазы A, B и C.
3. Нулевая фаза подключается к контакту N.
4. На контакт РЕ, который может обозначаться значком , подключается защитный заземляющий проводник от заземляющего контура.
5. После подключения рекомендуется проверить индикатором отсутствие фазы на корпусе розетки, замерить напряжение на клеммнике (между фазами оно должно составлять 380 Вольт).

[/vc_toggle] [vc_toggle title=”В каком случае устанавливается трехфазная розетка?” open=”false”]

Большинство электрических приборов, используемых в доме, рассчитано на стандартное напряжение в сети (220В). Но есть приборы, электроплиты, производственное оборудование, мощные насосы, которые рассчитаны на большее напряжение в 380 В. Для такого оборудования устанавливаются трехфазные розетки.

Трехфазная розетка имеет четыре контакта — три из них (L1, L2 и L3) используются для подключения вилки, а четвертый (N) — нулевой, который применяется в качестве заземления.

Для подключения розетки 380В от щитка прокладывается четырехжильный кабель (3 фазы + ноль). Минимальная площадь среза токопроводящей жилы составляет 2,5 мм.кв. Оптимальным вариантом для подключения мощных машин является медный провод 3х4+2,5 (состоящий из трех жил сечением 4 мм. кв. и одной жилы, сечением 2,5 мм. кв.).

Трехфазная розетка должна иметь отдельный выключатель на электрощите, устанавливается она вблизи подключаемого прибора.

Сила тока в розетке

Для того, чтобы разобраться в данном вопросе, необходимо для начала отыскать в книгах или чертогах разума следующую информацию:

• закон Ома
• сопротивление амперметра, вольтметра, мультиметра
• подключение амперметра, мультиметра в цепь для измерения силы тока

Хоть электрика опасная и строгая наука, но опытные, умудренные опытом спецы любят шутить на профессиональные темы. Например, в кабинетах или мастерских можно встретить различные смешные и не очень плакаты, относящиеся к теме электрики:

• “не чапай — лясне”
• “электрик! не трогай оголенные провода мокрыми руками, от этого они ржавеют и портятся”

Пару слов о физике процесса и законе Ома

Так вот, закон Ома. Закон Ома — сиди дома. Основополагающий закон, зная который, можно уже что-то сообразить. ПрименИм для цепей постоянного и переменного тока. Разница лишь в сопротивлении: для переменного тока это будет полное сопротивление Z, в которое входит активная, индуктивная и емкостная составляющие. Для постоянного тока сопротивление только активное. Сама формула следующая: I=U/R для постоянки, и I=U/Z для переменки. Хотя переменки это в школе, а у нас переменный ток. Более подробно про закон Ома в другом материале. У нас все же тема про розетки.

Значит розетка — это источник переменного напряжения в домашней сети, к которому мы подключаем нагрузку (чайник, стиралка, утюг, фен или удлинитель, к которому подключено несколько приборов разом). Ток появляется, когда есть напряжение и есть нагрузка. Если выключить в квартире освещение и все приборы, то счетчик не будет вращаться, так как отсутствует ток и мощность равна нулю. Если мы включаем бытовой прибор, то “деньги начинают кАпать”. Напряжение же в розетке есть всегда, если оно приходит от щитка и включен питающий автомат.

Вводная про подключение амперметра, вольтметра и измерения мультиметром

Следующим пунктом разберемся с нашими измерительными приборами, которыми мы измеряем ток или напряжение.

Для измерения тока используется амперметр. Амперметр включается последовательно с нагрузкой. И это не пустые слова. Сопротивление амперметра ничтожно мало — это необходимо, чтобы не вносить погрешности в измерения тока, потребляемого нашими приборами. Чтобы использовать амперметр для измерения большего тока, можно произвести его шунтирование.

Для измерения напряжения в цепи уже используется вольтметр. Вольтметр подключается параллельно цепи и имеет большое внутреннее сопротивление. Это сопротивление необходимо для того, чтобы уменьшить ток, протекающий через прибор. Ведь по закону Ома мы уже понимаем, что при постоянстве величины напряжения, чем больше сопротивление, тем меньше ток.

Мультиметр — это прибор, которым можно производить различные измерения электрических и не только величин. Так вот, мультиметром можно замерять и ток и напряжение. Важно при этом вставить измерительные концы в нужные гнезда и выставить нужный предел. А далее уже пользоваться им как вольтметром или амперметром.

Еще важным пунктом является предел измеряемых величин на приборах. То есть до измерения, желательно знать порядок величины, которая будет замерена.

Как измерить напряжение в розетке

Что мы будем делать дальше? Берем вольтметр или мультиметр, собранный для измерения переменного или постоянного напряжения. Одним концом тыкаем в одну дырку розетки, а вторым в другую дырку розетки. Что у нас получится?

• прибор сгорит, если у вас выставлен предел меньше 220 вольт, или шкала прибора рассчитана вольт на 50. Это произойдет из-за того, что внутреннее сопротивление прибора окажется мало, и большАя величина тока вызовет порчу прибора (это может быть перегрев, оплавление, перегорание предохранителя и прочие неприятности)
• прибор покажет примерно 220 В, и тем самым вы произведете нормальное такое измерение электрической величины

Какой величины ток в розетке и как его измерить

Теперь то, что делать нельзя. А то вдруг, вы сразу читаете и делаете. Потом претензии. Поэтому чисто теоретически. Берем мультиметр, подготовленный для измерения силы тока, или амперметр и один конец тыкаем в одну дырку розетки, второй во вторую. Что у нас произойдет?

• Прибор сгорит. Так как его сопротивление мало, нагрузки нет, и ток будет настолько велик, что и прибор спалится и Вам может достаться, вплоть до больничной койки. Не стоит так делать, ей богу. По братски прошу, не стОит.
• Прибор не сгорит, но только при условии, что у вас обесточена сеть. поэтому скорее достаем концы из розетки, чтобы сохранить материальную ценность от порчи.

Далее берем нагрузку. Нагрузка это любая штука, которая имеет сопротивление (активное, индуктивное, емкостное). Или же это прибор, который имеет свою электрическую схему (которая и есть сопротивление) и для работы ему необходимо подать питание на выходы ноль и фаза или плюс и минус. Схем огромное количество, как и приборов, где они применяются.

Суть вот в чем, у нас есть провод фазы и провод земли. Амперметр нам надо подключить в разрыв провода фазы. То есть либо перекусить его, либо через клеммник. Делать подключение надо при отсутствии напряжения, а то “лясне”. Сначала собираем измерительную схему — потом подаем на неё напряжение. Фаза пойдет через амперметр и прибор. Что получится:

• Нагрузка у нас складывается последовательно. Сопротивление амперметра ничтожно мало, и ток, протекающий через прибор, пропорционален суммарному сопротивлению приборов. Стрелка на амперметре отклониться до величины потребляемого тока, или же на экране загориться значение, если измерительный прибор цифровой.
• Прибор сгорит, если он предназначен для измерения постоянного тока, а мы включаем в цепь переменного тока, где нагрузка имеет активную и реактивную составляющие. Реактивная допустим большАя, активная — малипусенькая. Прибор постоянного тока видит только активную составляющую. Сопротивление суммарное будет ничтожным, а значит ток будет гигантским и прибор сгорит, да и измерителю может достаться
• Прибор сгорит, если у нас выставлен предел на значение допустим 5А, а мы замеряем 20 ампер. Поэтому важно следить за величинами тока, которые мы измеряем.

Самый простой способ измерения силы тока — подключаем нагрузку в цепь, берем токоизмерительные клещи. Цепляем на провод по которому течет ток и замеряем его величину. Саааамый простой способ.

В общем измерение тока и напряжения это занятие, которое требует практической и теоретической подготовки от человека. Всегда лучше перестраховаться и вызвать специалиста, который разбирается в данных вопросах. Или хотя бы проконсультироваться.

За какой провод можно браться в розетке под напряжением? Фазный или нулевой?

Раз уж мы в разделе электробезопасность, то обсудим и вопрос касания нулевого и фазного провода в розетке. Случайно или специально электричество разбираться не будет, результат будет одинаков.

Коснулись сразу фазного и нулевого

Ток протек через Вас такой величины, как U/R. Где R — Ваше внутреннее сопротивление, которое зависит от различных факторов. То есть ток потечет и Вам будет печально или посмертно. Путей протекания тока через человека несколько.

Коснулись фазного проводника:

Если Вы парите в воздухе как птичка или стоите на сухой деревянной подставке плюс не касаетесь другими частями тела заземленных предметов, плюс еще куча факторов, которые вы “учли” (хотя скорее всего не учли, а просто так сложились обстоятельства) => Тогда Вас не ударит током.

Замечание: Допусти, ситуация сложилась так, что Вы выжили. И вы всем говорите, что вот так можно делать. Кто-то Вас послушает и повторит, но с более печальным исходом. То ли из-за влажного пола или рук, то ли из-за случайного касания заземленного корпуса оборудования. Значит, Вы обрекли человека на беду, только лишь, потому, что использовали “эффект выжившего”. Это не круто.

Коснулись рабочего нуля:

С вами ничего не случится, только если нагрузка в сети симметричная по всем трем фазам, и ток в нулевом проводе не течет (подробнее про смещение нейтрали), а это редкий случай, который иногда может встретиться на производстве.

Всегда проще обесточить сеть и произвести необходимые работы, чем подвергать свою жизнь риску. Как говорится, правила техники безопасности пишутся кровью. Но я не отрицаю, что находились люди, которые брались за фазный, нулевой провода и ничего им не было. Просто игры с электричеством не приведут ни к чему хорошему. Это как идти с закрытыми глазами через автобан ночью без опознавательных знаков.

Лично я всегда использую следующее правило: хочешь ковыряться в розетках или выключателях в квартире — отключи вводной автомат и следи, чтобы его никто не включил.

Как узнать, сколько ампер в розетке 220в

Какая сила тока в розетке 220в и 380в, и для каких бытовых приборов необходимо 16, 25 и 32 ампера?

Сегодня каждый человек знает, сколько вольт в розетке. Стандартное напряжение в отечественных бытовых электросетях 220 вольт. В некоторых странах принят иной стандарт и там оно может быть 127 или 250 вольт. Большинство современной техники рассчитано именно на такие показатели. Однако помимо напряжения при монтаже проводки необходимо учитывать предполагаемую мощность подключаемых потребителей. Так на сегодняшний день в продаже представлены розетки 220 вольт с ограничением нагрузки 16А и 25А. Они используются для разных целей. Поскольку сила тока в розетке 220в прямо пропорциональна потребляемой мощности подключенного к ней оборудования.

К примеру, несколько десятилетий назад бытовой электротехники было не много, и особой мощностью она не отличалась, ограничение нагрузки на одну точку было 6А. В такой разъем можно подключить технику мощностью до 1,5кВт. Однако для современного дома этого уже слишком мало, так как даже стандартный электрочайник может потреблять до 2.5 кВт. Именно поэтому для современных разъемных соединений установлен стандарт ограничения нагрузки 16А, что позволяет безопасно подключать потребители мощностью до 3,5 кВт. В домах, где предполагается установка электроплит до 6кВт устанавливают так называемые силовые розетки 25А 220в. В целом это максимальные значения для бытовых электросетей.

Для более мощной техники используют трехфазные сети с напряжением 380в и соответствующие розетки 380 вольт (до 32А). Такие разъемы обычны для мастерских, объектов общественного питания, но могут быть установлены и в частном доме, если все нагревательные приборы (в том числе и отопительные) работают от электросети. Однако в таких случаях требуется не только установка специальной электрофурнитуры, но и усиленная проводка.

Номинальный ток потребителя

Любое устройство, используемое в электрических сетях постоянного или переменного напряжения, имеет определенные параметры. Одним из них является номинальный ток.

Эта характеристика показывает, сколько ампер может быть пропущено через основную электрическую цепь устройства в течение длительного времени.

В этом плане электрические розетки не составляют исключения из правил. Их также можно разделить в зависимости от номинального тока. Стандартными значениями для однофазных устройств бытового назначения являются 6, 10, 16, 25 и 32 ампер.

ПОЛЕЗНАЯ ИНФОРМАЦИЯ: Подключение HDMI розетки

Розетки на 6 – 16 ампер используются наиболее часто и могут быть объединены в группы, получающие питание по выделенной линии от квартирного электрощитка. Устройства с номинальным током 25 ампер предназначены для питания более мощных потребителей.

Что же касается розеток на 32 ампера, то они выпускаются в большинстве случаев в трехфазном исполнении и предназначены для подключения особенно мощных потребителей, таких как электрические плиты или варочные поверхности.

Как найти фазу в розетке, и зачем нужны трехфазные; как измерить напряжение и определить силу тока

Нередко при внесении каких-либо изменений в электропроводку возникает необходимость определить фазный провод. Независимо от того, какое напряжение в розетке, по современным нормам они должны иметь цветную маркировку. Так желто-зеленый провод – это заземление, а синий или голубой – ноль. Соответственно остальные (один или три) – фаза, обычно фазовые провода бывают:

• по нормам до 2011г – желтый, зеленый, красный;
• после 2011г – коричневый, черный, серый.

Однако в некоторых сетях, монтировавшихся до 2011г, черный провод использовался для заземления. Кроме этого в однофазной проводке принято фазу подключать справа.

Если какая либо маркировка отсутствует, то пригодится пробник с неоновой лампой. При прикосновении к фазе индикатор загорится. Если используется пробник со светодиодом, при проверке нельзя касаться рукой металлической площадки на торце ручки. Чтобы определить, какой ток в розетке, необходим вольтметр. Он же пригодится и при определении фаз трехфазного подключения. Так между каждой из фаз и нолем будет 220в при линейном напряжении 380в и 127в — при линейном 220в (но последний разъем сегодня практически не встречается и не используется). В бытовых сетях трехфазное подключение может использоваться для кухонных печей с электродуховкой большой мощности. Клеммные щитки в некоторых моделях позволяют, таким образом, равномерно распределить нагрузку.

Особенности электропроводки

Очень важно знать, что при использовании современных бытовых приборов и техники старая электропроводка может не выдержать их мощности. В конечном итоге это может привести к короткому замыканию или воспламенению в самом слабом месте на кабеле, где сопротивление самое слабое. По этой причине нужно позаботиться о том, чтобы проводка в помещении соответствовала всем требованиям. Если в доме силовая линия старая или сделана из алюминия, тогда ее следует заменить. Сейчас проводка в домах делается только из проводов с медным сечением.

Также очень важной особенностью при прокладывании электропроводки является предварительное определение нагрузки, которую будет держать кабель. Это повлияет на выбор типа провода, его толщину и длину. Для этого нужно сделать расчеты или использовать специальные таблицы с оптимальными значениями каждого показателя. В жилых помещениях проводка делается закрытой, поэтому обязательно следует позаботиться о защите кабеля.

Подробнее о выборе и монтаже розетки

Если необходимая сила тока в розетке — 1 ампер, сколько вольт в ней должно быть?

Ампер и вольт — разные физические величины. Вольт (В) — это напряжение, которое необходимо для того, чтобы протолкнуть 1 Кл (кулон) электричества через сеть. Ампер (А) — сила электротока в проводнике, показывающая, сколько кулонов проходит через проводник за 1 секунду. Если сила тока в проводнике составляет 1 Ампер, это означает, что за 1 секунду он пропускает заряд электричества, равный 1 Кл.

Если силу тока умножить на напряжение сети, то в итоге мы получим показатель ее мощности. Например:

Сколько ампер в розетке 220В: определяем силу тока

Базовым элементом инженерных электрических коммуникаций является розетка. Поэтому встречаются они повсеместно в любых помещениях. Однако часто их характеристики могут отличаться. В современных условиях, когда мощности приборов постоянно растут, многие старые советские коммуникации не выдерживают нагрузку.

Бытовое оборудование

Несколько десятков лет назад документами и отраслевыми стандартами жёстко регламентировалось, сколько ампер в розетке 220В, типичным было ограничение в 6 А. В наше время при сдаче объектов сила тока в розетке увеличена до 16 или 25 А. Современные параметры подходят для любого бытового оборудования, устанавливаемого в квартире или доме. Осуществляя разводку сетей необходимо на этапе проектировки и расчёта вычислить, какую мощность (кВт в час) будет расходовать совокупность приборов.

Именно в связи с увеличением количества устройств встал вопрос об увеличении мощности, и, как следствие, увеличилась предельная сила тока в розетке 220В. Ранее в порядке вещей считалось, что одна точка с номинальным током 6 ампер удовлетворит все запросы пользователей. Для таких розеток мощность подключенного оборудования могла достигать 1,5 кВт. В современных нормативах этот показатель вырос до 2,5 кВт, что и вызвало потребность в увеличении предела силы тока в розетке до 16 А. Возможно даже безопасное превышение потребляемой энергии до 3,5 кВт.

Источники тока большей мощности

В производственных зданиях и помещениях применяются трёхфазные сети 380 В. Вызвано это использованием мощной производственной техники, выполняющей энергозатратные операции. Например, в школьном кабинете труда у станков будут устанавливаться именно такие розетки.

Сколько ампер в розетке 380 В? Предельная сила тока в таком случае может достигать внушительных 32 А. Такие характеристики обеспечиваются комплексно – не только установкой базового оборудования в стену, но и усиление проводки с целью избежать пробоя и возгорания последней.

Контроль показателей домашней электросети

Рано или поздно все сталкиваются с необходимостью замены или проверки проводки и всего энергетического комплекса квартиры или частного дома. Все контрольные замеры можно провести самостоятельно, не вызывая специалистов. Для этого достаточно приобрести или одолжить у кого-то один из таких приборов:

1. Тестер.
2. Мультиметр.
3. Вольтметр.

Перед использованием тщательно проверьте целостность изоляции щупов, корпусных элементов используемого измерителя. Далее всё достаточно просто – необходимо установить показатель предела измеряемой величины (напряжения) в положение до 250 В. После же аккуратно вставить щупы в отверстия для вставки штекера, дотронувшись ими до контактов сети. Разумеется, в процессе измерения нельзя прикасаться к местам щупов, не изолированных резиной или пластиком.

Если всё сделано правильно и прибор исправен – вы получите значения несколько больше, чем 220 В для исправной розетки и, соответственно, сети.

Замена электропроводки

Проводником бегущих электронов является проводка, расположенная в стенах и соединяющая базовые единицы сети. Часто именно с утратой свойств проводника или его изоляции в домашней сети возникают перебои с подачей электричества. Такие неполадки могут быть безопасны, но способны и вызвать серьёзные последствия, например, короткое замыкание или возгорание вследствие пересыхания и повреждения изоляции, которая находилась в стенах не один десяток лет.

При осуществлении ремонта в старом доме не лишним будет проверка проводки и её замена в случае плохих показателей. Вот косвенные признаки, на которые стоит обратить внимание:

• Наличие самодельных врезок в сеть.
• Нагрев отдельных участков, видимый на тепловизоре.
• Почернение или потрескивание изоляции.
• Выбиваются электрощитовые пробки после подключения нескольких приборов (холодильник и микроволновая печь).

Процесс замены состоит из следующих операций:

1. Замена и установка нового щитового оборудования и автомата.
2. Монтаж распределительной коробки.
3. Замена всех розеток и выключателей вместе с фурнитурой на современные, укрепление новых стаканов.
4. Штробление или укрепление каналов для последующей прокладки проводов в стенах.

Подведем итоги

Отметим, что, покупая розетку, в первую очередь стоит обратить внимание на 16-амперные. Главная причина – их работа с автоматикой защиты. При установке оборудования с меньшим предельным током, например 10 А, автоматика может не сработать, и случится перегрев проводки. Дабы обезопасить себя и окружающих от возгорания, лучше перестраховаться в выборе.

Какая сила тока в розетке 220в

Поделиться на Facebook

Поделиться в ВК

Поделиться в ОК

Поделиться в Twitter

Поделиться в Google Plus

Содержание:

• 1 Бытовое оборудование
• 2 Источники тока большей мощности
• 3 Контроль показателей домашней электросети
• 4 Замена электропроводки
• 5 Подведем итоги

Базовым элементом инженерных электрических коммуникаций является розетка. Поэтому встречаются они повсеместно в любых помещениях. Однако часто их характеристики могут отличаться. В современных условиях, когда мощности приборов постоянно растут, многие старые советские коммуникации не выдерживают нагрузку.

Бытовое оборудование

Несколько десятков лет назад документами и отраслевыми стандартами жёстко регламентировалось, сколько ампер в розетке 220В, типичным было ограничение в 6 А. В наше время при сдаче объектов сила тока в розетке увеличена до 16 или 25 А. Современные параметры подходят для любого бытового оборудования, устанавливаемого в квартире или доме. Осуществляя разводку сетей необходимо на этапе проектировки и расчёта вычислить, какую мощность (кВт в час) будет расходовать совокупность приборов.

Именно в связи с увеличением количества устройств встал вопрос об увеличении мощности, и, как следствие, увеличилась предельная сила тока в розетке 220В. Ранее в порядке вещей считалось, что одна точка с номинальным током 6 ампер удовлетворит все запросы пользователей. Для таких розеток мощность подключенного оборудования могла достигать 1,5 кВт. В современных нормативах этот показатель вырос до 2,5 кВт, что и вызвало потребность в увеличении предела силы тока в розетке до 16 А. Возможно даже безопасное превышение потребляемой энергии до 3,5 кВт.

Источники тока большей мощности

В производственных зданиях и помещениях применяются трёхфазные сети 380 В. Вызвано это использованием мощной производственной техники, выполняющей энергозатратные операции. Например, в школьном кабинете труда у станков будут устанавливаться именно такие розетки.

Сколько ампер в розетке 380 В? Предельная сила тока в таком случае может достигать внушительных 32 А. Такие характеристики обеспечиваются комплексно – не только установкой базового оборудования в стену, но и усиление проводки с целью избежать пробоя и возгорания последней.

Контроль показателей домашней электросети

Рано или поздно все сталкиваются с необходимостью замены или проверки проводки и всего энергетического комплекса квартиры или частного дома. Все контрольные замеры можно провести самостоятельно, не вызывая специалистов. Для этого достаточно приобрести или одолжить у кого-то один из таких приборов:

1. Тестер.
2. Мультиметр.
3. Вольтметр.

Перед использованием тщательно проверьте целостность изоляции щупов, корпусных элементов используемого измерителя. Далее всё достаточно просто – необходимо установить показатель предела измеряемой величины (напряжения) в положение до 250 В. После же аккуратно вставить щупы в отверстия для вставки штекера, дотронувшись ими до контактов сети. Разумеется, в процессе измерения нельзя прикасаться к местам щупов, не изолированных резиной или пластиком.

Если всё сделано правильно и прибор исправен – вы получите значения несколько больше, чем 220 В для исправной розетки и, соответственно, сети.

Замена электропроводки

Проводником бегущих электронов является проводка, расположенная в стенах и соединяющая базовые единицы сети. Часто именно с утратой свойств проводника или его изоляции в домашней сети возникают перебои с подачей электричества. Такие неполадки могут быть безопасны, но способны и вызвать серьёзные последствия, например, короткое замыкание или возгорание вследствие пересыхания и повреждения изоляции, которая находилась в стенах не один десяток лет.

При осуществлении ремонта в старом доме не лишним будет проверка проводки и её замена в случае плохих показателей. Вот косвенные признаки, на которые стоит обратить внимание:

• Наличие самодельных врезок в сеть.
• Нагрев отдельных участков, видимый на тепловизоре.
• Почернение или потрескивание изоляции.
• Выбиваются электрощитовые пробки после подключения нескольких приборов (холодильник и микроволновая печь).

Процесс замены состоит из следующих операций:

1. Замена и установка нового щитового оборудования и автомата.
2. Монтаж распределительной коробки.
3. Замена всех розеток и выключателей вместе с фурнитурой на современные, укрепление новых стаканов.
4. Штробление или укрепление каналов для последующей прокладки проводов в стенах.

Подведем итоги

Отметим, что, покупая розетку, в первую очередь стоит обратить внимание на 16-амперные. Главная причина – их работа с автоматикой защиты. При установке оборудования с меньшим предельным током, например 10 А, автоматика может не сработать, и случится перегрев проводки. Дабы обезопасить себя и окружающих от возгорания, лучше перестраховаться в выборе.

Жми «Нравится» и получай только лучшие посты в Facebook ↓

Поделиться на Facebook

Поделиться в ВК

Поделиться в ОК

Поделиться в Twitter

Поделиться в Google Plus

Проверьте текущую конфигурацию сети

Дом	Загрузить | Обмен Сервер | Обратная связь | Индекс | ISA-сервер | Шутки | Условия обслуживания/использования Политика | Безопасность Windows | Что Новый | Белые книги
Сетевые темы Windows XP Prof Windows XP домашняя Windows 2000 Сервер Windows 2000 проф окна Сервер NT4 Windows НТ4 Работа. Окна ME Окна 98 Окна 95 Окна 3.x MS-DOSStep-By-Step Сеть Основы Проблема СтрельбаОбмен Сервер Электронная почта Безопасность электронная почта Спам ISA-сервер сервер Программное обеспечение Windows Безопасность   Рекомендуемый продукт    Сетевые дополнения Прямой кабель — серийный номер / Параллельный — Инфракрасный — USB — Высокий Кабели скорости — WLAN — Wireless — Шутки ( компьютер ) — Скачать Сайт	Перед открытием ПК и установкой сетевой карты, вам следует проверить текущую сетевую конфигурацию , потому что, если у вас есть модем и вы подключаетесь к Интернет, то у вас будет установлен удаленный доступ к сети, который является частью конфигурация сети. Для отображения Конфигурация сети: Через панель управления : двойной щелчок по значку «Сеть» Через ваш Рабочий стол: Щелкните правой кнопкой мыши на рабочем столе » Сетевое окружение » и выберите в появившемся меню: » Свойства «. Примечание: этот значок «Сеть Соседство» отображается только на вашем рабочем столе, после того как установлены некоторые сетевые компоненты. Если у вас нет модема / подключение к Интернету , тогда конфигурация вашей сети должна быть пустой. , если вы подключаетесь через модем в интернет, у вас должны быть установлены следующие компоненты: a Клиент Хотя это и не обязательно для подключения к Интернету , у вас должен быть установлен «Клиент для сетей Microsoft», потому что он требует запоминания пароля, включая пароль для подключения через коммутируемую сеть к Интернет. адаптер Адаптер удаленного доступа позволяет рассматривать модем как сетевую карту, а коммутируемое подключение к сети будет работать только после того, как адаптер удаленного доступа определен как часть конфигурации сети. протокол для подключения к Интернету, вам необходимо установить протокол TCP/IP. Это из блокнота с использованием AOL в качестве интернет-провайдера, с использованием специального «адаптера AOL». Обратите внимание на установленные компоненты, т.к. установите сетевую карту, Windows добавит в эту конфигурацию дополнительные строки и вы придется сделать работать над его корректировкой/тонкой настройкой. Зарегистрироваться Панель управления в » Сетевые и коммутируемые соединения » Windows 2000/XP будет иметь отдельный значок для подключений удаленного доступа (например, подключение через модем к Интернету) и для локальной сети через Ethernet (после установки): Следующий шаг: Установка сетевая карта
	WindowsNetworking. com никоим образом не связан с Microsoft Corp. Copyright © 2014, TechGenix Ltd. Все права защищены. Пожалуйста, ознакомьтесь с нашей Политикой конфиденциальности и Условиями использования.

Модельные организмы способствуют диагностике и открытию сети недиагностированных заболеваний: текущее состояние и видение будущего | Orphanet Journal of Rare Diseases

• Заявление о позиции
• Открытый доступ
• Опубликовано: 07 мая 2021
• Дастин Болдридж Orcid: orcid.org/0000-0002-6027-6020 ^{1 NA1} ,
• Майкл Ф. Ванглер ^{2,3,4,5,5 NA1} ,
• 4444444 ^NA1 ,
• 444444444444. N. 70253 9025. N. N. 7025. N. 7025. N. 7025. N. 7025. N. 7025. N. 7025. N. 7025. N. 7025. N. 7025. N. 7025. N. 70253 ^{NA1 . ,}
• Шинья Ямамото ORCID: orcid.org/0000-0003-2172-8036 ^2,4,5,8 ,
• Undiagnosed Diseases Network,
• Tim Schedl ^7,9 ,
• Stephen C. Pak ¹ ,
• John H. Postlethwait ¹⁰ ,
• Jimann Shin ⁶ ,
• Lilianna Solnica-Krezel ^6,7 ,
• Hugo J. Bellen ^2,4,5,8,8,11 и
• …
• 444444444444444444444444302023502023.702350202020202020233.70235020202020202023502023.702350202020202350 и
• …
• 444, Orphanet Journal of Rare Diseases том 16 , Номер статьи: 206 (2021) Процитировать эту статью

  • 4277 доступов

  • 18 цитирований

  • 17 Альтметрический

  • Сведения о показателях

  Abstract

  Снижение затрат на секвенирование привело к резкому увеличению объема генетических и геномных данных. Эти данные выявили тысячи возможных вариантов заболеваний человека. Однако установить, какие варианты вызывают фенотипы и заболевания, по-прежнему сложно. Был достигнут значительный прогресс, в том числе успехи Сети недиагностированных заболеваний (UDN), финансируемой Национальными институтами здравоохранения (NIH). Однако еще предстоит идентифицировать 6000–13 000 дополнительных генов болезней. Продолжающееся открытие редких заболеваний и их генетических основ приносит пользу больным пациентам, которых во всем мире насчитывается более 400 миллионов, а также способствует пониманию механизмов более распространенных заболеваний. Платформы, использующие модельные организмы, позволяют обнаруживать новые взаимосвязи между геном и болезнью, помогают установить вариантную патогенность и часто приводят к исследованию основных механизмов патофизиологии, которые предлагают новые методы лечения. Центр скрининга модельных организмов (MOSC) UDN — это уникальный ресурс, предназначенный для использования информатики и функциональных исследований модельных организмов, включая червей (9). 0332 Caenorhabditis elegans ), мух ( Drosophila melanogaster ) и рыбок данио ( Danio rerio ), чтобы помочь в диагностике. MOSC внес непосредственный вклад в диагностику сложных случаев, в том числе множественных пациентов со сложными полиорганными фенотипами. Кроме того, MOSC обеспечивает основу для совместной работы ученых и клиницистов для постановки диагнозов. Индивидуальные экспериментальные планы учитывают состояние пациента, конкретные гены и вариант(ы), а также пригодность каждого модельного организма для анализа. MOSC также создает биоинформационные и экспериментальные инструменты и реагенты для более широкого научного сообщества. Двумя элементами MOSC, которые сыграли важную роль в его успехе, являются (1) междисциплинарные группы, обладающие опытом в области биоинформатики вариантов, а также в генетике человека и модельных организмов, и (2) механизмы для постоянной связи с клиническими командами. Здесь мы приводим заявление о центральной роли модельных организмов в дальнейшем открытии генов болезней, и мы выступаем за продолжение и расширение исследовательских организаций типа MOSC в качестве Сети модельных организмов (MON), которые будут финансироваться за счет заявок на гранты, поданных в NIH, семейные группы, занимающиеся конкретными редкими заболеваниями, другие благотворительные организации, отраслевые партнерства и другие источники поддержки.

  Будущее генетики человека

  Хотя геном человека был секвенирован в 2003 году, эра функциональной геномики только начинается. Внедрение секвенирования следующего поколения выявило ошеломляющее количество вариантов у разных людей, при этом каждый человеческий геном содержит в среднем более 3 миллионов однонуклеотидных вариантов по сравнению с эталонной последовательностью [1, 2]. Из примерно 20 000 человеческих генов только  ~ 4000 в настоящее время связаны с моногенными заболеваниями и/или редкими заболеваниями в онлайн-менделевском наследовании у человека (OMIM) [3, 4] и Orphanet [5].

  Важно отметить, что, хотя одно редкое заболевание может поражать лишь нескольких человек, в целом только в США редкими заболеваниями страдают до 25 миллионов человек, согласно данным Центров по контролю и профилактике заболеваний (CDC) [6]. Бамшад и др. предположил, что существует 6000–13000 дополнительных генов болезней, которые еще предстоит идентифицировать для менделевских признаков и редких заболеваний [7]. Таким образом, открытие генов болезней будет продолжаться в течение многих лет.

  Пациенты с редкими заболеваниями, как правило, проходят долгие, дорогие и разочаровывающие диагностические одиссеи, а исследования с модельными организмами могут значительно сократить их пути за счет выявления причинных генетических вариантов и механизмов заболевания. Основная цель финансируемого NIH MOSC, как важного компонента UDN, состоит в том, чтобы предоставить экспериментальные результаты, которые помогут оценить диагноз, тем самым завершив диагностическую одиссею. Такие попытки генетических открытий обычно приводят к идентификации новых генов болезней. Хотя выявление генетических основ редких заболеваний для диагностики имеет неотъемлемую ценность (например, для репродуктивного планирования), оно также предоставляет широкие возможности для изучения биологии редких заболеваний. Такие результаты могут способствовать лучшему пониманию основных биологических систем и путей, что приведет к разработке методов лечения и лечения и связыванию редких состояний с более распространенными механизмами заболевания [8, 9]. ].

  Значение центров скрининга модельных организмов

  Целью MOSC является использование генетических подходов на модельных организмах, не относящихся к млекопитающим, для оценки гипотезы о том, что определенные гены и варианты, идентифицированные у пациентов, включенных в UDN, могут вызывать клинические фенотипы пациентов . UDN является программой Общего фонда NIH, возникшей из более ранней внутренней Программы NIH по недиагностированным заболеваниям (UDP), и теперь состоит из сети академических медицинских центров, посвященных разгадке медицинских тайн [10]. Благодаря использованию углубленных клинических оценок, а также секвенированию и анализу экзома или генома многие пациенты со сложными и медицинскими состояниями могут получить молекулярный диагноз посредством участия в UDN [11]. Во многих случаях идентификация «n = 1» потенциально патогенного варианта только путем секвенирования не дает достаточных доказательств того, что вариант действительно является причинным. Подмножество этих случаев может быть решено путем выявления нескольких пациентов с аналогичным заболеванием, у которых есть предполагаемые патогенные варианты в одном и том же гене, процесс, которому способствуют такие платформы, как Matchmaker Exchange [12]. К сожалению, этот процесс является дорогостоящим, медленным и часто безуспешным. Поэтому из-за повторяющейся потребности в функциональной оценке предполагаемых патогенных вариантов UDN установил MOSC на этапе I программы (с сентября 2015 г. по август 2018 г.) и расширил MOSC на этапе II (сентябрь 2018 г. – июль 2022 г.) [13]. ].

  Первоначальная структура MOSC включала компонент биоинформатики, ядро ​​ Drosophila melanogaster ( Drosophila ; Fly) и ядро ​​рыбок данио. Мы отмечаем, что термин «Центр» используется для общей структуры MOSC, а термин «Ядро» используется для отдельных групп модельных организмов из-за административной структуры, указанной в объявлении о возможности финансирования NIH. Однако деятельность, проводимая ядрами MOSC, значительно более продвинута, чем деятельность, обычно проводимая традиционными исследовательскими центрами. Компонент биоинформатики анализирует представленные конкретные гены и варианты, в том числе с использованием общедоступных баз данных «контрольных» лиц в отношении моногенных заболеваний, таких как ExAC и gnomAD [14, 15], и баз данных менделевских болезней, таких как Центры менделевской геномики. (CMG) для поиска совпадающих случаев и вариантов [4, 12, 16]. Эти поиски интегрированы со специальными поисками в литературе и в базах данных модельных организмов, генов, белков и белковых структур для определения инструментов и реагентов, доступных для потенциальных исследований в данном организме. Основываясь на огромном количестве времени, затраченном на биоинформационные поиски, и на потребности в вычислительных инструментах для определения приоритетности исследований модельных организмов, MOSC фазы I разработала надежную интегрированную платформу под названием MARRVEL (Агрегированные ресурсы модельных организмов для исследования редких вариантов; http://marrvel). .org/), который находится в свободном доступе в Интернете и в настоящее время широко используется [17]. MARRVEL поддерживает интеграцию более 20 поисковых запросов в онлайн-базах данных в один поиск [18, 19].].

  Благодаря обширным модельным исследованиям организмов и использованию MARRVEL, MOSC предоставил ключевой вклад и новые научные идеи во время Фазы I UDN. За этот период в MOSC было представлено 239 вариантов 183 генов от 122 пробандов УДН (рис. 1). Из них 59 генов были изучены в ядре мух и 16 в ядре рыбок данио, в том числе два гена изучены в обоих ядрах. MOSC фазы I предоставил подробные биологические данные для 19 генов, которые привели непосредственно к диагнозу (таблица 1), при этом продолжаются исследования дополнительных генов. Эти открытия включали открытие новых генов, фенотипическую экспансию, новые биологические идеи, новые терапевтические мишени, способность решать случаи только с 1 или 2 пациентами и экстраполяцию механизмов редких недиагностированных заболеваний на распространенные заболевания [20].

  Рис. 1

  Обзор деятельности Фазы I Центра скрининга модельных организмов (MOSC) Сети недиагностированных заболеваний (UDN). Всего на рассмотрение было представлено 239 вариантов из 907 случаев, оцененных в клинических центрах фазы I UDN. Состояния с клиническими очагами фазы I отмечены красным. После биоинформатического анализа всех представленных материалов 59 генов были отобраны для изучения с помощью Fly Core и 16 генов с помощью Zebrafish Core. Названия генов, выделенные красным цветом, обозначают кандидатов в гены новых болезней, тогда как имена генов, выделенные черным цветом, представляют предполагаемые фенотипические расширения, согласно оценке клинических центров на момент подачи заявки в MOSC. Названия генов, выделенные жирным шрифтом и подчеркнутые, указывают на случаи, когда данные из MOSC напрямую привели к диагнозу (подробности см. в Таблице 1)

  Полноразмерное изображение

  Таблица 1. Диагнозы UDN MOSC и открытие генов

  Полноразмерная таблица

  Успех фазы I MOSC привел к расширению фазы II с выделением дополнительных ресурсов UDN для функциональных исследований. Текущий MOSC включает ядро ​​червя ( C. elegans ), ядро ​​мухи ( Drosophila ) и два ядра рыбок данио. Текущий MOSC использует двухэтапную систему оценки: первоначальный процесс проверки для скрининга вариантов, в первую очередь основанный на информации о генетике человека, за которым следуют обзоры основного уровня для оценки их пригодности для конкретных исследований модельных организмов. По состоянию на декабрь 2020 года MOSC фазы II обработал 143 варианта в 109генов для 108 случаев УДН и назначили 60 генов для моделирования в одном из трех модельных организмов.

  Открытие MOSC — исторические результаты и затраты

  В таблице 1 перечислены открытия генов из UDN MOSC в хронологическом порядке публикации и иллюстрируется широта исследованных фенотипов заболеваний. Каждое открытие может изменить лекарство для конкретного гена, болезни и пациента и дает прямые преимущества, описанные ниже. Оценка затрат на каждое открытие затруднена из-за большой изменчивости от случая к случаю, но, основываясь на данных фазы I, можно ожидать, что такие усилия, как MOSC, будут обеспечивать примерно шесть высокоэффективных открытий генов в год за 9 долларов.00 000 всего, или 150 000 долларов США за открытие гена. Эта оценка учитывает стоимость, связанную с самим открытием, а также с исследованиями других генов-кандидатов болезней у пациентов. Обратите внимание, что некоторые усилия не приводят к диагностике и открытию; например, поскольку каждый случай обычно имеет несколько генов-кандидатов, но обычно изучается только один, невозможность выявить фенотип в модельном организме может быть связана с изучением кандидата, который не был причинным геном. Мы отмечаем, что командный подход повышает эффективность и снижает стоимость открытия генов за счет оптимизации распределения ресурсов и предотвращения дублирования усилий.

  Помимо предоставления доказательств, подтверждающих диагноз, MOSC также создает инструменты, представляющие значительную ценность для дальнейших исследований, такие как биоинформатическая платформа MARRVEL [17] и ценные реагенты in vivo для научного сообщества. Сюда входят мутанты модельных организмов с утраченными аллелями функции, линии с вариантом(ами) пациента, вставленными в эндогенный ген, и инструменты для экзогенной экспрессии кДНК человека. MOSC делает реагенты для исследовательских организмов доступными для международного научного сообщества через общественные складские центры, поддерживаемые NIH (9).0332 Caenorhabditis Генетический центр, https://cgc.umn.edu; Bloomington Drosophila Stock Center, https://bdsc.indiana.edu; Исследовательский центр геномики дрозофилы, dgrc.bio.indiana.edu; Zebrafish International Resource Center, https://zebrafish. org), чтобы их можно было использовать для дальнейшей диагностики, углубленных механистических исследований и экспериментальных и доклинических пробных экспериментов для подтверждения концепции.

  Общие преимущества открытия генов невыявленных заболеваний

  Хотя основной целью UDN является постановка диагноза, обнаружение генов заболеваний также вносит значительный вклад в жизнь пациентов и их семей. Открытие генов помогает: (1) прекратить «диагностическую одиссею» отдельных пациентов, сократить количество ненужных диагностических тестов, предложить варианты пренатальной диагностики для некоторых семей и улучшить медицинское обслуживание отдельных пациентов; (2) ведение диагнозов для пациентов за пределами UDN, поскольку диагностические лаборатории включают опубликованные новые открытия генов болезней, в том числе из UDN, в свои процессы интерпретации и повторного анализа последовательности; (3) содействие формированию групп в социальных сетях, в том числе семейных организаций защиты и поддержки, возникающих в результате более точных молекулярных диагнозов; (4) создание условий для будущей разработки прецизионных методов лечения, нацеленных на основную молекулярную основу редких генетических нарушений и более распространенных заболеваний, и (5) стимулирование интереса и положительное общественное восприятие геномных исследований в области здоровья человека, что ведет к повышению общественного интереса и понимание геномики и редких и невыявленных заболеваний. Несмотря на очевидную экономическую ценность пациента и членов его семьи, получивших диагноз на основе функциональных исследований, проведенных MOSC, чрезвычайно сложно, если вообще возможно, рассчитать точную стоимость этих преимуществ. Достижение диагноза предотвращает дополнительные расходы для пациентов, которые обратились бы за обследованием к другим специалистам, пока они не получат ответ, и такие ответы могут быть не найдены в течение многих лет в будущем, если состояние пациента является новым. Кроме того, работа MOSC имеет значение не только для отдельных пациентов с НДН или их семей, поскольку открытие новых генов болезней и фенотипических экспансий, обнаруженных MOSC (таблица 1), ускоряет диагностику пациентов, которые не являются частью НДН, но имеют такие же генетическое состояние, тем самым снижая расходы для многих семей и сторонних плательщиков.

  Преимущества существующей структуры MOSC

  MOSC был продуктивным центром, а его существующая структура обеспечивает эффективный механизм проверки и дальнейшей характеристики генов и вариантов болезней с использованием модельных организмов. Напротив, частные компании, даже те немногие, которые производят реагенты модельных организмов, не предлагают фенотипирование модельных организмов. Они также обычно не сотрудничают напрямую с клиницистами, как правило, потому, что у этих коммерческих лабораторий нет необходимого коллективного опыта. Распределение работы между лабораториями модельных организмов требует центральных усилий по организации и координации деятельности, а также частого и открытого общения между ядрами модельных организмов. Например, обзор клинического фенотипа может повлиять на то, какая лаборатория модельного организма лучше всего подходит для изучения конкретных фенотипов или генетических путей. Два ключевых аспекта (1) 9Многопрофильные команды 0104 (рис. 2 и таблица 2) и (2) совместная коммуникация способствуют высокой скорости открытия генов MOSC.

  Рис. 2

  Схема взаимоотношений между командами, составляющими Центр скрининга модельного организма (MOSC). Функции MOSC и клинических центров отмечены синим цветом. Стрелки символизируют совместную коммуникацию между командами

  Изображение в полный размер

  Таблица 2 Описание групп Модельного центра скрининга организмов (MOSC)

  Полноразмерный стол

  Работа междисциплинарной команды является первым и наиболее важным фактором успеха, поскольку это сотрудничество объединяет множество групп, занимающихся различными областями биологической науки. Эти преимущества включают: (1) объединение клинических/медицинских терминов и жаргона модельных организмов, (2) достижение консенсуса в отношении текущего понимания представляющих интерес генов в контексте медицинской генетики и генетики модельных организмов, (3) понимание последовательности генома анализ и возможные ловушки, связанные с тестированием ДНК, и (4) наличие уникального опыта, необходимого для разработки и характеристики реагентов модельных организмов, которые являются надежными и надежными для получения данных, относящихся к пациенту.

  Совместная работа и частая двусторонняя связь (обозначены стрелками на рис. 2) — вторая ключевая особенность MOSC. MOSC использует централизованную систему для некоторых аспектов связи, называемую UDN Gateway, которая представляет собой онлайн-систему, разработанную Координационным центром UDN для облегчения обмена данными и связи. Текущий MOSC опирается на сеть экспертных клинических центров, которые активно занимаются исследованиями редких и невыявленных заболеваний, и чье участие необходимо для процесса открытия MOSC. Клиницисты в клинических центрах UDN предоставляют клиническую информацию об участнике, объясняют обоснование приоритетности генов-кандидатов и вариантов, которые могут способствовать фенотипам заболевания, и представляют от одного до пяти генов/вариантов в каждом случае для дальнейшего рассмотрения. Клинические центры отправляют варианты в MOSC через встроенную функцию шлюза. Клинические центры и команды MOSC участвуют в ежемесячном совещании Рабочей группы по модельным организмам (MOWG), что способствует обмену информацией о заявках, ожидаемых фенотипах и назначениях модельных организмов. MOSC также возвращает решения через шлюз в клинические центры, в том числе о том, какой модельный организм подходит для изучения конкретного варианта, и, в конечном итоге, результаты исследований модельных организмов.

  Одним из ключевых двунаправленных коммуникаций является взаимодействие между клиническими центрами и группой биоинформатики MOSC. Когда клинические центры представляют варианты-кандидаты в группу биоинформатики, последняя запрашивает у клинического центра любую дополнительную необходимую информацию для оценки того, могут ли гены/варианты-кандидаты быть причиной заболевания, прежде чем представленные материалы будут переданы группам информатики каждого из них. Модель ядра организма. Группа биоинформатики сообщает результаты оценок вариантов и возвращает варианты, которые не подходят для работы с моделью организма MOSC, в клиническую лабораторию. MOSC имеет широкий спектр генетических инструментов, но, тем не менее, существуют специфические типы вариантов, с которыми трудно работать, используя модельные организмы (таблица 3). В настоящее время сложные мультигенные взаимодействия и триггеры окружающей среды считаются менее приоритетными из-за масштаба экспериментального подхода, который потребуется для проверки этих гипотез. Однако возможно, что новые инструменты и ресурсы, созданные в будущем, могут быть включены для оценки этих предполагаемых механизмов заболевания у модельных организмов.

  Таблица 3 Оценка приоритетов для случаев и ситуаций, которые имеют относительно более высокий или более низкий приоритет для рассмотрения текущим UDN MOSC

  Полная таблица

  Другой важный набор взаимодействий происходит между группой биоинформатики MOSC, ядрами модельного организма и Клинические сайты. Информация с клинических центров и результаты биоинформатического анализа передаются ядрам, а на следующем этапе эксперты по модельным организмам оценивают каждый вариант в контексте своей конкретной модели, что приводит к предложениям по экспериментальной работе. Группа биоинформатики и группа моделирования организма обмениваются информацией о конкретных генах, включая гомологию, данные о генетике человека и предполагаемых генетических механизмах, в рамках подготовки к регулярным совещаниям MOWG с клиническими центрами. Кроме того, каждое ядро ​​модельного организма взаимодействует напрямую с другими ядрами модельного организма на регулярной основе и во время вызовов MOWG, что позволяет более крупной группе MOSC в целом понять, как каждая модель потенциально может способствовать диагностике конкретного невыявленного пациента. . Важно выбирать наилучшую модель в каждом конкретном случае, что позволяет оптимизировать ресурсы для каждого случая. Определение ядра модельного организма, которое лучше всего подходит для получения диагностической или биологической информации, также является частью двустороннего диалога с участием клинических центров и группы биоинформатики MOSC, как и обсуждения внутри и между ядрами модельного организма во время телеконференций MOWG. Кроме того, ядра, которые в конечном итоге начинают эксперименты с геном, связываются напрямую с клиническим центром, который представил случай, так что информация из модели может быть передана клиницистам по мере поступления новых данных, чтобы можно было разработать планы действий.

  Таким образом, некоторыми уникальными отличительными чертами MOSC являются надежное, двунаправленное и открытое общение, а также междисциплинарное сотрудничество между фундаментальными учеными, генетиками человека и клиницистами посредством регулярных индивидуальных встреч и ежемесячных совещаний рабочих групп. Это сообщение является важным компонентом MOSC и ключевым научным обоснованием структуры MOSC. Эти многочисленные уровни и механизмы связи между людьми в разных научных областях и с дополнительным опытом гарантируют, что каждый понимает ожидания и прогресс в создании данных, уменьшая неэффективность и потенциальную работу в разных целях. Помимо UDN, MOSC также привлекает членов других сообществ по исследованию модельных организмов для применения преимуществ различных моделей, объединения усилий и обмена передовым опытом. Эти функции не могли бы быть реализованы, если бы не существовало вышеописанных команд и линий связи. В заключение, эти усилия воплощают в себе дух подлинного сотрудничества.

  Преимущества биоинформационных усилий MOSC

  Надежная система информатики для контроля качества потенциальных вариантов является неотъемлемой частью операций и открытий MOSC. На текущем этапе UDN мы выявили проблемы номенклатуры Общества вариаций генома человека (HGVS) более чем в 20% вариантов, представленных в MOSC. Примеры включают несоответствие между кДНК и геномными координатами, неправильное представление коротких вставок или делеций и ошибки при ручной расшифровке информации из клинических генетических отчетов. Несмотря на то, что эти материалы поступили из ведущих центров медицинской генетики, наличие такого высокого уровня ошибок означает, что MOSC нуждается в надежной системе для проведения анализа вариантов и контроля качества. Эту работу помогает команда специалистов по биоинформатике, состоящая из врачей-ученых, клиницистов, биоинформатиков, исследователей редких и недиагностированных заболеваний, генетиков и экспертов по клиническому тестированию ДНК. Предоставление этого междисциплинарного ресурса клиницистам, которые обычно не имеют опыта работы с моделями организмов, является экономичным и быстрым механизмом для оценки пригодности вариантов-кандидатов для экспериментального анализа в каждой из доступных модельных систем, подробно обсуждаемых ниже. В действующей системе участвуют исследователи из Медицинского колледжа Бэйлора, Вашингтонского университета в Сент-Луисе и Орегонского университета, которые анализируют варианты на предмет (1) номенклатуры вариантов, (2) частот минорных аллелей в общедоступных базах данных и базах данных CMG, (3) генотипов. основанные на метриках и оценках прогнозирования из общедоступных геномных ресурсов, таких как gnomAD, и (4) оценки прогнозирования in silico на основе вариантов. Группа биоинформатики также изучает клинический сценарий, представленный клиническим центром, изучает информацию о генах с использованием OMIM и других баз данных и подтверждает общее понимание клинического вопроса, мотивирующего предложение об исследованиях модельных организмов. Затем эта команда передает эти данные в Ядра Модельного Организма для дальнейшего анализа, а также облегчает связь между Ядрами и Клиническими центрами. Ресурс MARRVEL, рассмотренный выше, представляет собой важнейший инструмент, предназначенный для обеспечения быстрого доступа к данным, необходимым для оценки гена-кандидата и варианта для исследований модельных организмов, и сэкономил много часов исследовательского времени, проводя поиск с использованием этого интегративного инструмента по сравнению с отдельными поисками. по нескольким базам данных. Биоинформатический анализ также использует Альянс ресурсов генома (AGR) [37], целью которого является каталогизация данных человека и модельного организма при анализе экспрессии генов модельного организма и функциональной информации.

  Преимущества каждого модельного организма в MOSC

  В MOSC используются экспериментальные и генетические инструменты трех ведущих генетических модельных организмов: червей ( Caenorhabditis elegans ), мух ( Drosophila melanogaster ) и рыбок данио ( Danio rerio

• 7). ). Действительно, многочисленные Нобелевские премии по физиологии и медицине были присуждены исследователям модельных организмов, не являющихся млекопитающими, за их понимание биологии человека [13, 38]. Недавние примеры включают Нобелевские премии по физиологии и медицине за циркадные ритмы с использованием плодовых мушек (2017 г.), врожденный иммунитет с использованием мух (2011 г.), РНК-интерференцию у червей (2006 г.), апоптоз у червей (2002 г. ) и эмбриональное развитие у мух (19).95). Важно отметить, что это награды за вклад в медицину, полученный непосредственно в результате исследований модельных организмов, включая те организмы, которые используются MOSC.

  Caenorhabditis elegans ( C. elegans , ​​червь-нематода длиной 1 мм) является основным исследовательским организмом для изучения клеток животных и биологии развития [39]. Исследования червя позволили получить ключевое представление о биологии человека в таких областях, как апоптоз, миграция клеток, проводка нервной системы, старение, микроРНК и инсулиноподобная передача сигналов благодаря сохранению молекулярных машин (например, сплайсосомы), внутриклеточных путей (например, аутофагия), межклеточные сигнальные пути (например, передача сигналов Notch) и многоклеточные процессы (например, биология базальной мембраны) в биологии животных [40]. Использование C. elegans в исследованиях болезней человека определил новые менделевские состояния [41], раскрыл фенотипическую экспансию [42] и обеспечил первое ключевое механистическое понимание некоторых заболеваний (например, спинальной мышечной атрофии [43]). Высокая эффективность встраивания миссенс-вариантов пациентов в ортологичный ген C. elegans (что единообразно делается для случаев UDN MOSC), короткое четырехдневное время генерации, большой объем полученных знаний и общедоступный биологический реагенты (WormBase, https://www.wormbase.org/) облегчают быстрые функциональные исследования вариантов генов-кандидатов болезней. Такие исследования могут предоставить информацию о патогенности варианта пациента, доказательства в поддержку способа наследования, включая характер доминирования (например, антиморф против гиперморфа), понимание механизмов заболевания и возможные пути лечения.

  Drosophila melanogaster (плодовая муха) в прошлом столетии использовалась в качестве модельного организма для понимания фундаментальных принципов генетики, биологии развития, иммунитета и неврологии [44, 45]. За последние два десятилетия Drosophila стала важной модельной системой для анализа и понимания молекулярных механизмов, лежащих в основе болезней человека. Частично это связано с тем, что  ~ 75% человеческих генов, вызывающих заболевания, оказались законсервированными в Drosophila , ​​когда было проведено первое полногеномное исследование  ~ 1000 генов, зарегистрированных в OMIM [46]. Из  ~ 4000 генов, связанных с заболеваниями человека, в настоящее время отображаемых в OMIM,  ~ 85% имеют гомологи у мух. Учитывая, что  ~ 65% генов, кодирующих белок, консервативны между мухой и человеком [17, 47], данные свидетельствуют о том, что гены, консервативные у этих видов, с большей вероятностью вызывают генетические заболевания у человека. Помимо использования в качестве инструмента для анализа механизмов как распространенных, так и редких заболеваний, а также для изучения потенциальных терапевтических возможностей, муха стала важным инструментом для интерпретации вариантов неопределенной значимости, обнаруженных у пациентов [20]. Это связано с тем, что самые современные методы манипулирования Геном дрозофилы позволяет исследователям создавать мух разными способами [48,49,50]. Интегрируя методы нокаута, нокаута, нокаута или сверхэкспрессии эндогенных и экзогенных белков с пространственно-временным контролем, биологи мух могут быстро раскрыть биологическую функцию интересующего гена in vivo. Можно дополнительно проверить, сохраняется ли функция гена между мухами и человеком, с помощью экспериментов по замене генов, в которых кДНК человека используется для функционального восстановления утративших функцию аллелей гена мухи. В этой парадигме способность эталонной кДНК человека восстанавливать мутации мух позволяет тестировать варианты у недиагностированных пациентов в относительно короткие сроки (~   6 месяцев) [44]. Подробное описание и обсуждение этих стратегий, используемых ядром мух UDN MOSC, можно найти у Bellen et al. [20]. Вся эта работа стала возможной благодаря обширным общедоступным ресурсам, поддерживающим исследования мух, в том числе централизованной базе данных, которая активно собирает и курирует литературу (FlyBase, http://flybase.org/), публичным фондовым центрам, которые распространяют  > 80 000 различных штаммов. мух (Блумингтон Drosophila Stock Center, https://bdsc.indiana.edu) и  > 1 000 000 клонов ДНК ( Drosophila Genomics Resource Center, https://dgrc.bio.indiana.edu/) при поддержке NIH. Гены и варианты, обнаруженные у недиагностированного пациента, которые, как подтверждено, являются вредными, могут быть дополнительно изучены на мухах для выявления механизмов заболевания или тестирования одобренных FDA лекарств, которые могут быть полезны для пациента с помощью высокопроизводительных скринингов. Этот подход уже оказался эффективным при определении нескольких персонализированных методов лечения, которые можно вернуть к постели в короткие сроки [9]., 32, 51].

  Рыбка данио ( Danio rerio ) стала основным организмом для изучения биологии человека [52]. Будучи позвоночными, рыбки данио имеют почти все те же органы и системы, что и люди, но они намного меньше и развиваются намного быстрее, что поддерживает быстрые исследования организменного, клеточного и субклеточного разрешения. Мощные методы позволяют эффективно генерировать, восстанавливать и анализировать мутации, влияющие на гены, которые регулируют формирование паттернов развития, органогенез, физиологию и поведение. Функцию генов легко изучить, вводя синтетические РНК в ранние эмбрионы рыбок данио, создавая трансгенных рыбок данио или изменяя функцию генов с помощью технологий редактирования генома, таких как CRISPR/Cas9.системы [53, 54]. Геном был секвенирован, и 71% всех генов человека и 82% генов, связанных с болезнями человека, имеют ортологов у рыбок данио [55]. Технология нокаута целевого гена является надежной и является наиболее частым подходом, используемым в рыбном керне UDN MOSC, хотя также были созданы некоторые модели нокаута для конкретных пациентов. Кроме того, изучение дубликатов генов человека у рыбок данио облегчает выделение многофункциональных генов благодаря эволюционному процессу субфункционализации, который произошел после дупликации генома костистых рыб [56, 57]. Эти все более изощренные экспериментальные подходы к рыбкам данио облегчаются передовыми общественными ресурсами, включая централизованную базу данных, которая активно собирает и курирует литературу (Информационная сеть данио, http://zfin. org), а также центры государственных фондов, которые распространяют мутантные и трансгенные штаммы рыбок данио и молекулярные реагенты (Международный ресурсный центр Zebrafish, https://zebrafish.org), оба из которых поддерживаются NIH. Поскольку органы, типы клеток и функции генов хорошо сохраняются у позвоночных, анализ мутантов рыбок данио дает представление о функциях генов у других позвоночных, включая человека [58, 59].]. Рыбки данио широко используются для проверки генов-кандидатов болезней человека и выяснения молекулярных механизмов и патофизиологии заболевания [27, 28, 33, 60, 61, 62], а также для открытия лекарств [63].

  Часто фенотип ткани или организма, изучаемый у червей или мух, а иногда и у рыбок данио, не похож на фенотип нарушения ортологичного гена человека. Тем не менее дисфункция, вызванная вариантами, и генетические механизмы могут быть оценены в модельных организмах, поскольку основные молекулярные, клеточные биологические и генетические пути сохраняются. Термин «фенолог» означает ортологичные фенотипы и используется, когда разные фенотипы наблюдаются в результате нарушения ортологичных генов [64], что происходит из-за различий в биологии организма разных видов. Двумя примерами использования фенологов для оценки генных вариантов являются дефекты крыльев у мух и аномалии аорты у людей, которые связаны с нарушением передачи сигналов Notch [65] и дефекты яйцекладки у червей по сравнению с краниосиностозом у людей, вызванные миссенс-вариантами в Twist генов семейства [41]. Быстрая оценка соответствующего фенолога миссенс-варианта у червей или мух дает функциональную информацию, поддерживающую своевременный диагноз. Он также обеспечивает простое фенотипическое считывание для анализа основного патогенного генетического механизма и поддерживает полезность более сложных исследований клеточных и молекулярных механизмов.

  MOSC учитывает множество факторов при определении того, какой модельный организм наиболее подходит для случая UDN, включая эволюционную консервацию генов и вариантов и доступность реагентов. Если для одного случая подходят несколько организмов, то MOSC обычно рекомендует только самый простой и быстрый модельный организм, чтобы максимально использовать ограниченные ресурсы и как можно быстрее предоставить информацию, помогающую в диагностике. Линия червей и мух отделилась от линии человека до того, как линии рыб и человека разошлись, но эти беспозвоночные позволяют быстро охарактеризовать интересующие варианты и дополнительно исследовать молекулярные механизмы болезней. В некоторых ситуациях, когда клинические фенотипы связаны со специфическими для позвоночных органами или типами клеток, можно отдать предпочтение и рекомендовать рыбок данио. Еще одно соображение заключается в том, является ли предлагаемый вариант вариантом миссенс или укороченным белком, который прямолинейен для всех моделей, или же необходим нокаут для конкретного пациента, который намного быстрее происходит у червей и мух. Эти решения могут быть довольно сложными и требовать обширного взаимодействия между конкретными ядрами модельных организмов и клиническими центрами для взвешивания конкурирующих вопросов, чтобы все стороны могли иметь общее понимание преимуществ и ограничений предлагаемой экспериментальной работы для конкретных организмов, а также намеченная цель занятий. Таким образом, общие усилия по открытию генов недиагностированных заболеваний, структура и междисциплинарный характер MOSC, а также каждое из ядер модели организма способствуют успешной диагностике недиагностированных пациентов.

  Видение будущего: предложение по сети модельных организмов (MON, ранее MOSC)

  Мы предлагаем поддерживать и обновлять MOSC путем создания сети модельных организмов (MON), которая будет включать: (1) центральный MOSC -подобная структура, ориентированная на предоставление функциональной информации для своевременной диагностики, и (2) глубокие механистические исследования, которые распространяются на более широкую сеть исследователей.

  Для (1) структуры, подобной MOSC, мы предполагаем продолжение многопрофильной центральной команды MON, включая элементы связи, описанные выше. Мы отмечаем, что такие усилия могут выходить за рамки потребностей или приоритетов любого отдельного института или центра NIH, в соответствии с наблюдением, что большинство невыявленных пациентов являются сложными с медицинской точки зрения и имеют поражение нескольких систем органов, и что недиагностированные заболевания поражают как детей, так и взрослых. Эта модель финансирования будет поддерживать и расширять команду и систему с аналогичными концепциями, структурами и компонентами, что и нынешний MOSC, но также будет включать дополнительных специалистов в области исследования модельных организмов, которые обладают опытом проведения механистических и трансляционных исследований, связанных с недавно обнаруженными. гены болезни или специфические клинические фенотипы. Кроме того, мы предполагаем, что центральный MON может получить дополнительную поддержку от благотворительных и семейных групп с редкими заболеваниями для финансирования механистических исследований, которые не только расширяют и углубляют открытия в рамках программ открытия генов, финансируемых в настоящее время NIH, таких как UDN и Центры менделевской геномики (CMG). но также включают многие другие исторически идентифицированные гены болезней, для которых в настоящее время неизвестен основной механизм болезни. Эти механистические исследования могут быть сосредоточены на генах, изучаемых в MON, и на решении недиагностированных заболеваний.

  Для (2), механистических исследований, мы предполагаем, что исследования MON будут распространяться на изучение путей и терапевтических средств и представлять собой «глубокие погружения» в отдельные гены и варианты. Такие исследования традиционно финансировались через разрозненные механизмы грантов «R», инициированные исследователями. Хотя эти механистические исследования до сих пор не были формальной частью MOSC, они проводились для некоторых заболеваний параллельно с текущими усилиями по диагностике с использованием альтернативных источников финансирования, включая административные дополнения, гранты, не связанные с NIH, и институциональные, а также благотворительные фонды. поддержку [26, 30, 34]. Мы утверждаем, что будущая сеть должна сбалансировать продолжающееся открытие генов болезней с глубокими механистическими исследованиями. Эти механистические исследования могут использовать модели болезней животных и другие инструменты, созданные MON, и могут быть предприняты любым внешним исследователем с надежным подходом, опытом и реагентами для изучения гена, пути и болезни, обнаруженных MON. Мы предполагаем, что эти принципы могли бы создать структуру, которая могла бы информировать усилия, выходящие за рамки текущего MOSC, и могла бы, в принципе, включать другие организмы, другие механизмы финансирования и другие функциональные подходы.

  Мы предполагаем, что генетические варианты будут по-прежнему представляться клиницистами в рамках различных исследовательских инициатив в будущем MON и будут проходить по следующему конвейеру: (1) секвенирование и биоинформатика, (2) исследования патогенности в одном из ядер модели организма, который включает в себя три ядра организма, описанные и обоснованные выше (диагноз), и (3) механистические исследования в отдельных случаях (рис. 3). Основные изменения, которые мы предлагаем по сравнению с текущим рабочим процессом MOSC и которые мы более подробно опишем ниже, включают потенциал для расширенных источников отправки вариантов и интерфейс с более глубокими механистическими исследованиями.

  Рис. 3

  Обзор потока информации и действий, включая первоначальную оценку пациента и идентификацию варианта-кандидата для исследований модельного организма (МО). Результаты включают оценку патогенности и, в некоторых случаях, «более глубокое погружение» в лежащий в основе механизм. Предлагаемая деятельность Сети модельных организмов (MON) включает выявление механизмов заболеваний для дополнительных генов посредством сотрудничества с другими экспертами по модельным организмам. Красная рамка указывает на потенциальное взаимодействие с текущими программами открытия генов, такими как Центры менделевской геномики (CMG) или их будущие эквиваленты

  Полноразмерное изображение

  Конкретные компоненты предлагаемого MON

  Надежные команды и связь

  Будущие усилия MON потребуют междисциплинарной команды, а также регулярного общения, примером чего являются текущие звонки MOWG и личные встречи UDN. Этот процесс включает в себя потребность в ряде академических клинических центров, ориентированных на невыявленные заболевания, которые продолжают изучать наиболее сложные случаи и применяют современные технологии геномного секвенирования для выявления вариантов-кандидатов для подачи в MON. Другие потребности — это группа биоинформатики MON, знакомая с тестированием ДНК человека и анализом данных секвенирования для обеспечения контроля качества, и, конечно же, ядра моделей организмов с широким биологическим опытом в новейших генетических технологиях в каждом организме. Усилия в области информатики станут еще более важными, поскольку будущая MON потенциально может включать более широкий набор вариантов источников, что приведет к большей необходимости согласования данных и оценки каждого варианта с последовательными мерами контроля качества.

  Вариантные источники из академических центров, специализирующихся на недиагностированных заболеваниях

  В нашем видении будущего MON мы предвидим расширение вариантов источников за пределами текущих клинических центров UDN. Тем не менее, мы подчеркиваем, что специализированные академические центры, такие как нынешние сайты UDN, необходимы для обеспечения успешных высококачественных клинических оценок и секвенирования, которые являются отправной точкой для идентификации генов-кандидатов и вариантов заболеваний. Мы предполагаем постоянную потребность в своевременных функциональных исследованиях; Учитывая предполагаемые 6000-13000 дополнительных генов менделевской болезни, которые еще предстоит идентифицировать [7] и постоянно падающие затраты на секвенирование, пациенты с вариантами в генах-кандидатах будут продолжать регулярно выявляться в ближайшем будущем. Исходя из нашего опыта, необходимо иметь процесс сертификации для определения сайтов, которые следуют общепринятым методам обеспечения высокого качества материалов, включая как клиническую информацию, так и последовательности ДНК. Мы также предполагаем, что со временем сайты можно будет обучать с помощью учебных модулей, и что этот процесс может привести к сертификации новых сайтов. Кроме того, как отмечалось выше, для успеха МОН необходимо участие опытных клинических групп, активно занимающихся выявлением пациентов с вариантами в потенциально новых генах заболевания. В дополнение к включению существующих сайтов UDN мы также предлагаем расширить источники представленных вариантов для анализа MON, включив в них варианты, предложенные выбранными организациями, которые в настоящее время не являются частью UDN. Логичным выбором для MON было бы потенциальное сотрудничество с очень успешным CMG, финансируемым NIH [66], и/или будущими менделевскими центрами геномных исследований. За последние восемь лет CMG открыла более 600 новых генов болезней [66], а нынешний MOSC уже сотрудничает и публикует публикации с исследователями CMG [23, 67, 68, 69].,70]. Тем не менее, дополнительные  ~ 1200 генов «уровня 2» еще не являются окончательными генами заболевания, и в этих случаях функциональная оценка с помощью MON может принести непосредственную пользу [66]. Кроме того, для MON может быть целесообразным партнерство с другими группами, занимающимися поиском генов для редких и невыявленных заболеваний, включая Сеть клинических исследований редких заболеваний (RDCRN), финансируемую NIH [71], как указано ниже.

  MARRVEL и платформы искусственного интеллекта

  Информационные инструменты обеспечивают быстрый доступ к данным, необходимым для оценки генов-кандидатов и вариантов или модельных исследований организма. Способность компьютерных методов, включая искусственный интеллект и глубокое обучение, прогнозировать патогенность вариантов с неопределенной значимостью, вероятно, улучшится в ближайшие годы. Ресурс MARRVEL будет продолжать расширяться и добавлять на свою платформу дополнительные базы данных, программы прогнозирования патогенности и виджеты. Этот тип усилий имеет важное значение для будущего MON. Мы предполагаем, что MON будет поддерживать разработку этих инструментов и интегрировать их в свои рабочие процессы по мере того, как они становятся надежными, чтобы эффективно идентифицировать подходящие варианты-кандидаты и выбирать наиболее эффективный модельный организм для проверки вариантов.

  Основные группы моделей организмов и дополнительные подходы

  На основании приведенного выше обоснования и нашего прошлого опыта мы предполагаем, что, как минимум, MON будет включать ядра червей, мух и рыб в соответствии с текущей структурой MOSC. Эти модели оказались наиболее успешными, быстрыми и экономически эффективными для изучения невыявленных заболеваний и обеспечат наиболее механистическое понимание, учитывая опыт и все более сложные экспериментальные инструменты, которые разрабатывались и разрабатываются в каждой системе в рамках разумного бюджета. Хотя три предложенных организма обладают выдающейся способностью быстро и недорого моделировать большую часть человеческих вариантов, могут существовать случаи, когда ни один из организмов не подходит, или добавление исследований культур клеток человека даст уникальную информацию, недоступную для червей, мух, или рыба. На основании материалов, представленных в текущий MOSC, до 10% предложенных вариантов в генах-кандидатах болезней человека не имеют достаточной эволюционной консервативности для изучения в любом из трех модельных организмов MOSC (особенно при включении синонимичных, интронных или сплайсинговых, и вариантов UTR). ). Кроме того, некоторые вопросы, связанные с конкретными типами клеток, затронутыми у пациента, могут получить пользу от использования биопсии пациента или полученных клеток. У MON должны быть способы включения или создания сотрудничества, которое предоставляет мышиные модели, модели клеточной трансфекции, клетки, полученные от пациентов (например, фибробласты), и модели соответствующих типов клеток или органов, полученные из плюрипотентных стволовых клеток человека, когда это необходимо.

  Текущий MOSC не использует прямые преимущества мыши ( Mus musculus ), потому что крупномасштабные функциональные исследования с использованием мышей были непомерно дорогими в то время, когда NIH задумал идею MOSC (~   2015 г.). Принимая во внимание ценность исследований на мышах в контексте редких заболеваний [72, 73], MOSC тесно сотрудничает с Программой фенотипирования мышей Knockout (KOMP2, https://commonfund.nih.gov/komp2) и Международной организацией по фенотипированию мышей. консорциум (IMPC, https://www.mousephenotype.org) для использования фенотипических данных нуль-мутантных животных в информационном конвейере для приоритизации вариантов. Из-за быстрого прогресса в технологиях нокаута и нокаута генов на основе CRISPR у мышей и других видов [74, 75] нет причин для MON исключать любой организм, который может быть подвергнут генетическим манипуляциям и фенотипирован в разумные сроки. и стоимость.

  Другим дополнительным подходом, но также выходящим за рамки текущей области MOSC, является использование полученных от пациента индуцированных плюрипотентных стволовых клеток (ИПСК), которые можно дифференцировать в значимые для заболевания типы клеток и органоиды, чтобы попытаться резюмировать состояние пациента. [76, 77]. Некоторые текущие проблемы, связанные с использованием иПСК, включают постоянную потребность в разработке и распространении стандартизированных протоколов дифференцировки, значительные затраты и время, необходимые для создания представляющих интерес типов клеток, и высокую степень изменчивости, которую можно наблюдать от клеточной линии к клетке. линия. Если высоконадежные и воспроизводимые протоколы и функциональные анализы, относящиеся к состоянию пациента, могут быть установлены с разумными затратами и сроками, такие подходы будут в высшей степени синергичными с исследованиями, проводимыми на интактных организмах, особенно для тестирования генетических вариантов, в которых отсутствуют ортологи модельных организмов и которые являются в специфических для человека некодирующих элементах.

  Проблемы масштабируемости

  Как мы описали выше, был достигнут значительный прогресс в развитии исследований модельных организмов в качестве инструмента для открытия генов редких заболеваний. Однако предстоит решить несколько задач, прежде чем эти процессы станут масштабируемыми и такими же простыми в выполнении, как некоторые существующие платные тесты, такие как секвенирование экзома или генома. Во-первых, моделирование заболевания требует значительного понимания биологии и генетики модельного организма, чтобы адаптировать план эксперимента и анализ к конкретному гену, конкретному варианту (вариантам) и клинической информации о конкретном пациенте в контексте конкретного основного исследуемого организма. Например, для раскрытия механизма заболевания, специфичного для варианта, даже когда известен нулевой фенотип в модельном организме, план эксперимента с исследовательским организмом часто необходимо модифицировать на основе генетики пациента, информации о человеческой популяции, возможности неполной пенетрантности/экспрессивности и возможность усиления функции или доминирующего отрицательного эффекта. Во-вторых, из-за этих сложностей для большей части этого исследования требуется персонал с докторской степенью, обладающий достаточными знаниями и опытом, чтобы ориентироваться в существующей информации, определять возможности модельного организма, разрабатывать экспериментальную стратегию для подтверждения патогенности, проводить эксперименты, а затем приносить результаты. открытие к публикации. Может быть сложно найти квалифицированных ученых-исследователей для выполнения этой работы на устойчивой основе.

  Двойные цели диагностики и механизма

  Мы предполагаем поддержку NIH для глубокого изучения механизмов, которые будут выходить за рамки программы MON и которые будут поддерживаться несколькими институтами NIH, возможно, посредством конкурсных грантов «R». Важно отметить, что такая поддержка также позволит внешним экспертам по моделированию организмов присоединиться к MON. Мы выступаем за поддержку двух различных и важных видов деятельности, которые будет выполнять будущая MON: (1) обеспечение быстрой диагностики и (2) раскрытие механизмов заболевания. Чтобы расширить дальше, Действие (1), диагностика пациентов с недиагностированными заболеваниями, включает использование модельных экспериментов с организмом для предоставления данных, которые своевременно разрешают медицинскую загадку для пациента; и Деятельность (2) механистическое понимание ранее не диагностированных заболеваний, включает понимание лежащей в основе биологии заболевания, использование редких заболеваний для понимания распространенных заболеваний, а также доклиническую идентификацию и тестирование терапевтических средств, что представляет собой более углубленную работу.

  Ключевой особенностью компонентов и действий текущей программы MOSC, которая отличает ее от других программ, является то, что они нацелены на конкретного недиагностированного пациента, чтобы предоставить своевременную информацию для постановки диагноза. В дополнение к определяющему вкладу MOSC в диагностику (т. Е. Предоставляя доказательства за или против патогенности определенного варианта), будущая MON также должна внести значительный вклад в понимание механистической основы того, как вариант способствует патофизиологии заболевания. Хотя механистические исследования не оправданы во всех случаях, мы твердо верим, что они являются мощным продолжением диагностической работы MOSC над новыми и неизученными генами болезней. Более того, исследователи MOSC создают модели животных, приобретают соответствующий опыт и, таким образом, имеют хорошие возможности для проведения таких механистических исследований. Кроме того, поскольку механистические исследования требуют времени, опыта и ресурсов, исследователи, не входящие в центральную команду MON, должны иметь возможность проводить эти механистические исследования. Учитывая большое количество известных генов болезней с неизвестными механизмами и опытом, существующим в лабораториях за пределами MON, мы предполагаем, что это будущее сотрудничество со специалистами по конкретным генам и путям станет частью более широких усилий NIH по раскрытию механизмов генетических заболеваний, в которых будущая ПН может быть только одним из участников. Эти механистические исследования, управляемые исследователями, могут быть предложены с использованием любого модельного организма, клеточной или биохимической системы и их комбинаций. Мы предполагаем, что эти исследования могут быть поддержаны специально нацеленными механизмами R01, R03 или R21. Координационный центр UDN изучает преимущества предоставления финансирования (150 000 долларов США за предложение) для привлечения внешних исследователей, обладающих опытом в области конкретных генов и путей, и эти усилия действительно способствовали механистическому пониманию механизмов заболевания (https://undiagnosed. hms. harvard.edu/research/funding-opportunities/). Научное обоснование этого двойного набора целей (диагностика и механизм) состоит в том, что работа по диагностике должна продвигаться своевременно, чтобы дать ответы пациентам и их семьям. Однако в то же время необходимо поддерживать более глубокие биологические исследования, хотя и более медленные, для применения этих открытий в терапии и биологии общих болезней. Кроме того, даже когда первоначальные исследования не подтверждают вывод о том, что номинированные варианты вызывают заболевания конкретных пациентов, такие отрицательные результаты ценны для диагностической миссии, поскольку они побуждают клиническую группу рассматривать другие гены-кандидаты и варианты. Кроме того, в этой работе определяются функции исследуемых генов и вариантов, которые могут соответствовать другому недиагностированному заболеванию, особенно для ранее не изученных генов.

  Связь MON с другими усилиями по моделированию вариантов, поддерживаемыми NIH

  Хотя MOSC и будущая MON являются уникальными структурами для моделирования человеческих вариантов, мы признаем ряд других текущих усилий, как на национальном, так и на международном уровне. Некоторые усилия, финансируемые NIH, включают Центры исследований интеллектуальных нарушений и нарушений развития Юнис Кеннеди Шрайвер (EKS-IDDRCs, NICHD), Сеть редкого и атипичного диабета (RADIANT, NIDDK), Консорциум Партнерства по ускорению лечения диабета 2 типа (AMP TD2, NIDDK) и Сеть клинических исследований редких заболеваний (RDCRN, NCATS). Мы считаем, что этим группам будет полезно постоянное и открытое общение с будущими MON и UDN, чтобы обеспечить рассмотрение пациентов наиболее подходящей группой и избежать дублирования усилий.

  Рассмотрение канадских и других международных подходов к моделированию организмов при редких заболеваниях

  UDN MOSC представляет собой централизованную систему из нескольких лабораторий с обширным опытом, знаниями и методами, которые совместно работают над решением многих случаев. Альтернативная модель заключается в том, что многие отдельные лаборатории, обладающие специальными знаниями в области генов, работают над конкретными случаями, в которых интересующие их гены являются главными кандидатами на недиагностированное состояние. The Rare Diseases: Models & Mechanisms Network (RDMM) в Канаде — это национальная сеть исследователей модельных организмов и клиницистов, которые используют эту «распределительную модель» функциональных исследований в течение последних четырех лет [78]. UDN MOSC подписал Меморандум о взаимопонимании с RDMM в 2016 году для обмена данными, знаниями и опытом для поддержки миссии друг друга.

  В подходе RDMM врачи со всей страны представляют интересующие гены и варианты вместе с клиническим описанием пациента. Группа клиницистов, образующих Клинический консультативный комитет (CAC), рассматривает эти материалы и оценивает качество вариантов-кандидатов. CAC передает информацию о соответствующих вариантах генов группе биологов и биоинформатиков, которые образуют Научный консультативный комитет (SAC). Затем SAC выполняет поиск во внутренней базе данных, содержащей информацию об исследователях модельных организмов в Канаде и их опыте, чтобы сопоставить клиницистов и исследователей модельных организмов и поощрять сотрудничество. Затем клиницист и исследователь модельного организма могут составить конкретные планы исследований и совместно отправить краткое исследовательское предложение обратно в SAC. SAC рассматривает эти заявки и решает, финансировать проект или нет. Успешные кандидаты получают грант в размере 25 000 канадских долларов сроком на один год для реализации проекта. Интерес к проекту чрезвычайно высок: по состоянию на начало 2020 года 88% (543) лабораторий модельных организмов по всей Канаде зарегистрировались в базе данных, а RDMM профинансировал 105 проектов, связанных с 87 генами. Сеть опубликовала 20 рецензируемых научных статей, включая открытия новых генов болезней, фенотипические расширения известных генов болезней или механистические исследования известных редких болезней. Благодаря успеху в Канаде, финансирующие агентства в Японии (IRUD/J-RDMM) (https://j-rdmm.org/indexEn.html), Австралии (AFGN) (https://www.functionalgenomics.org.au /) и Европа (Solve-RD) (http://solve-rd.eu/rdmm-europe/) за последние два года разработали сети, подобные RDMM.

  Хотя RDMM был успешным, у этой модели есть некоторые ограничения, в том числе потенциальные трудности в создании нового сотрудничества для каждого изучаемого гена болезни, а также относительно ограниченные средства и период проекта, выделенные для каждого гена. Кроме того, хотя система RDMM очень эффективна при изучении вариантов и генов, для которых доступны некоторые знания об их биологических функциях, гены, для которых не проводились какие-либо исследования in vivo в каком-либо ранее существовавшем модельном организме, как правило, остаются неизученными из-за отсутствия специфического исследования. исследователь со специализацией. Централизованная система MOSC предоставляет исследователям гибкость и ресурсы для работы с этими «генами неизвестного значения» путем создания первых линий с нокаутом гена и других реагентов. Мы считаем, что централизованное средство, подобное UDN MOSC, которое позволяет быстро исследовать варианты в неизученных генах, и программы подбора партнеров, подобные RDMM, в которых участвует ряд ученых и экспертов по хорошо изученным генам, являются взаимодополняющими подходами. Двойная система финансирования, такая как предлагаемая MON, которая поддерживает оба типа деятельности, вероятно, максимизирует пользу клиницистов, фундаментальных ученых, а также пациентов и членов их семей, страдающих редкими и невыявленными состояниями.

  Резюме и призыв к действию

  Поскольку период финансирования UDN из Общего фонда NIH подходит к концу, мы предлагаем нескольким институтам NIH (таким как NCATS, NEI, NHLBI, NHGRI, NICHD, NIDCD, NIDDK, NIGMS, NINDS, ORIP и другие) работают вместе, чтобы поддерживать и расширять конкурентную программу для текущего UDN MOSC в форме MON, потому что у большинства недиагностированных пациентов поражены несколько систем органов. Возможно, что грантовое финансирование для создания MON или структуры, подобной MON, также может быть приоритетным либо с помощью таких механизмов, как совершенно новая инициатива Общего фонда, которая больше ориентирована на функциональные исследования in vivo и механистические исследования, либо посредством конкретных усилий различных NIH. институты. Мы утверждаем, что работа по поддержанию MOSC и его преобразованию в более крупную MON в высшей степени оправдана и что усилия по поддержанию устойчивых темпов открытия высокоэффективных генов окупятся в отношении редких и недиагностированных заболеваний, а также повлияют на наше понимание распространенных заболеваний. .

  Наличие данных и материалов

  Неприменимо.

  Сокращения

  AMP TD2:

  Консорциум Партнерства по ускорению производства лекарственных средств по диабету 2 типа

  КБМ:

  Медицинский колледж Бейлора

  CAC:

  Клинический консультативный комитет

  CDC:

  Центры по контролю и профилактике заболеваний

  СМГ:

  Центры менделевской геномики

  FFB:

  Фонд борьбы со слепотой

  Грузовой автомобиль:

  Общество вариаций генома человека

  NCATS:

  Национальный центр развития трансляционных наук

  NEI:

  Национальный глазной институт

  НХЛБИ:

  Национальный институт сердца, легких и крови

  NHGRI:

  Национальный исследовательский институт генома человека

  NICHD:

  Юнис Кеннеди Шрайвер Национальный институт детского здоровья и развития человека

  NIDCD:

  Национальный институт глухоты и других коммуникативных расстройств

  НИДДК:

  Национальный институт диабета, болезней органов пищеварения и почек

  НИГМС:

  Национальный институт общих медицинских наук

  Национальный институт здравоохранения:

  Национальные институты здравоохранения

  NINDS:

  Национальный институт неврологических расстройств и инсульта

  МАРРВЕЛ:

  Совокупные ресурсы модельного организма для исследования редких вариантов

  МБ:

  Модельные организмы

  ПН:

  Сеть моделей организмов

  МЦО:

  Центр скрининга модельных организмов

  ОМИМ:

  Онлайн менделевское наследование у человека

  ОРИП:

  Управление программ исследовательской инфраструктуры

  РАДИАНТ:

  Сеть по изучению редкого и атипичного диабета

  РДКРН:

  Сеть клинических исследований редких заболеваний

  РДММ:

  Модели и механизмы редких заболеваний

  RFA:

  Запрос приложений

  САК:

  Научно-консультативный комитет

  УДН:

  Сеть недиагностированных заболеваний

  UDP:

  Программа недиагностированных заболеваний

  Ссылки

  1. «>

     Lupski JR, Belmont JW, Boerwinkle E, Gibbs RA. Клановая геномика и сложная архитектура болезней человека. Клетка. 2011;147(1):32–43.

     КАС пабмед ПабМед Центральный Статья Google ученый

  2. Ng SB, Nickerson DA, Bamshad MJ, Shendure J. Массивное параллельное секвенирование и редкое заболевание. Хум Мол Жене. 2010;19(R2):R119–24.

     КАС пабмед ПабМед Центральный Статья Google ученый

  3. Bamshad MJ, Shendure JA, Valle D, Hamosh A, Lupski JR, Gibbs RA, et al. Центры менделевской геномики: новая крупномасштабная инициатива по выявлению генов, лежащих в основе редких менделевских состояний. Am J Med Genet A. 2012;158A(7):1523–5.

     ПабМед Статья Google ученый

  4. Chong JX, Buckingham KJ, Jhangiani SN, Boehm C, Sobreira N, Smith JD, et al. Генетическая основа менделевских фенотипов: открытия, проблемы и возможности. Am J Hum Genet. 2015;97(2):199–215.

     КАС пабмед ПабМед Центральный Статья Google ученый

  5. Rath A, Olry A, Dhombres F, Brandt MM, Urbero B, Ayme S. Представление редких заболеваний в информационных системах здравоохранения: сиротский подход для обслуживания широкого круга конечных пользователей. Хум Мутат. 2012;33(5):803–8.

     ПабМед Статья Google ученый

  6. Вальдес Р., Оуян Л., Болен Дж. Общественное здравоохранение и редкие заболевания: больше не оксюморон. Предыдущий хронический дис. 2016;13:E05.

     ПабМед ПабМед Центральный Google ученый

  7. Бамшад М.Дж., Никерсон Д.А., Чонг Дж.С. Открытие менделевского гена: быстро и яростно, и конца этому не видно. Am J Hum Genet. 2019;105(3):448–55.

     КАС пабмед ПабМед Центральный Статья Google ученый

  8. Лю Л., Маккензи К.Р., Путлури Н., Малетик-Саватик М., Беллен Х.Дж. Перенос лактата глии-нейронов и повышенный уровень АФК способствуют синтезу липидов в нейронах и накоплению капель липидов в глии через APOE/D. Клеточный метаб. 2017;26(5):719–37.

     КАС пабмед ПабМед Центральный Статья Google ученый

  9. Линь Г., Ван Л., Маркоглиз П.С., Беллен Х.Дж. Сфинголипиды в патогенезе болезни Паркинсона и паркинсонизма. Тенденции Эндокринол Метаб. 2019;30(2):106–17.

     КАС пабмед Статья Google ученый

  10. Ramoni RB, Mulvihill JJ, Adams DR, Allard P, Ashley EA, Bernstein JA, et al. Сеть недиагностированных заболеваний: ускорение открытий о здоровье и болезнях. Am J Hum Genet. 2017;100(2):185–92.

      КАС пабмед ПабМед Центральный Статья Google ученый

  11. Сплинтер К., Адамс Д.Р., Бачино К.А., Беллен Х.Дж., Бернштейн Дж.А., Читл-Ярвела А.М. и др. Влияние генетической диагностики на пациентов с ранее не диагностированным заболеванием. N Engl J Med. 2018;379(22):2131–9.

      КАС пабмед ПабМед Центральный Статья Google ученый

  12. Sobreira NLM, Arachchi H, Buske OJ, Chong JX, Hutton B, Foreman J, et al. Обмен сватами. Curr Protoc Hum Genet. 2017;95:9.

      ПабМед ПабМед Центральный Google ученый

  13. Wangler MF, Yamamoto S, Chao HT, Posey JE, Westerfield M, Postlethwait J, et al. Модельные организмы облегчают диагностику редких заболеваний и терапевтические исследования. Генетика. 2017;207(1):9–27.

      КАС пабмед ПабМед Центральный Статья Google ученый

  14. Karczewski KJ, Weisburd B, Thomas B, Solomonson M, Ruderfer DM, Kavanagh D, et al. Браузер ExAC: отображение справочной информации из более чем 60 000 экзомов. Нуклеиновые Кислоты Res. 2017;45(D1):D840–5.

      КАС пабмед Статья Google ученый

  15. Лек М., Карчевский К.Дж., Миникель Э.В., Самоча К.Е., Бэнкс Э., Феннелл Т. и другие. Анализ генетической изменчивости, кодирующей белок, у 60 706 человек. Природа. 2016;536(7616):285–91.

      КАС пабмед ПабМед Центральный Статья Google ученый

  16. Бойкот KM, Rath A, Chong JX, Hartley T, Alkuraya FS, Baynam G, et al. Международное сотрудничество для диагностики всех редких генетических заболеваний. Am J Hum Genet. 2017;100(5):695–705.

      КАС пабмед ПабМед Центральный Статья Google ученый

  17. Ван Дж., Аль-Оуран Р., Ху Й., Ким С.И., Ван Ю.В., Ванглер М.Ф. и др. MARRVEL: интеграция генетических ресурсов человека и модельного организма для облегчения функциональной аннотации генома человека. Am J Hum Genet. 2017;100(6):843–53.

      КАС пабмед ПабМед Центральный Статья Google ученый

  18. Wang J, Liu Z, Bellen HJ, Yamamoto S. Навигация по MARRVEL, сетевому инструменту, который объединяет геномику человека и информацию о генетике модельного организма. J Vis Exp. 2019;(150).

  19. Ван Дж., Мао Д., Фазал Ф., Ким С.Ю., Ямамото С., Беллен Х. и др. Использование MARRVEL v1.2 для биоинформатического анализа генов человека и вариантов патогенности. Текущие протоколы Биоинформ. 2019;67(1):e85.

      Google ученый

  20. «>

      Беллен Х.Дж., Ванглер М.Ф., Ямамото С. Плодовая мушка на стыке диагностики и патогенетических механизмов редких и распространенных заболеваний человека. Хум Мол Жене. 2019; 28(R2):R207–14.

      КАС пабмед ПабМед Центральный Статья Google ученый

  21. Чао Х.Т., Дэвидс М., Берк Э., Паппас Дж.Г., Розенфельд Дж.А., Маккарти А.Дж. и др. Синдромное нарушение развития нервной системы, вызванное вариантами De Novo в EBF3. Am J Hum Genet. 2017;100(1):128–37.

      КАС пабмед Статья Google ученый

  22. Schoch K, Meng L, Szelinger S, Bearden DR, Stray-Pedersen A, Busk OL, et al. Рецидивирующий вариант De Novo в NACC1 вызывает синдром, характеризующийся детской эпилепсией, катарактой и глубокой задержкой развития. Am J Hum Genet. 2017;100(2):343–51.

      КАС пабмед ПабМед Центральный Статья Google ученый

  23. «>

      Луо X, Розенфельд Дж. А., Ямамото С., Харел Т., Цзо З., Холл М. и др. Клинически тяжелые аллели CACNA1A по-разному влияют на синаптическую функцию и нейродегенерацию. Генетика PLoS. 2017;13(7):e1006905.

      ПабМед ПабМед Центральный Статья КАС Google ученый

  24. Олахова М., Юн В.Х., Томпсон К., Джангам С., Фернандес Л., Дэвидсон Дж.М. и др. Биаллельные мутации в ATP5F1D, кодирующем субъединицу АТФ-синтазы, вызывают нарушение обмена веществ. Am J Hum Genet. 2018;102(3):494–504.

      КАС пабмед ПабМед Центральный Статья Google ученый

  25. Liu N, Schoch K, Luo X, Pena LDM, Bhavana VH, Kukolich MK, et al. Функциональные варианты TBX2 связаны с синдромальным нарушением развития сердечно-сосудистой системы и скелета. Хум Мол Жене. 2018;27(14):2454–65.

      КАС пабмед ПабМед Центральный Статья Google ученый

  26. «>

      Marcogliese PC, Shashi V, Spillmann RC, Stong N, Rosenfeld JA, Koenig MK, et al. IRF2BPL связан с неврологическими фенотипами. Am J Hum Genet. 2018;103(2):245–60.

      КАС пабмед ПабМед Центральный Статья Google ученый

  27. Ferreira CR, Xia ZJ, Clement A, Parry DA, Davids M, Taylan F, et al. Рецидивирующая гетерозиготная замена COG4 De Novo приводит к синдрому Сола-Уилсона, нарушению везикулярного транспорта и изменению гликозилирования протеогликанов. Am J Hum Genet. 2018;103(4):553–67.

      КАС пабмед ПабМед Центральный Статья Google ученый

  28. Burrage LC, Reynolds JJ, Baratang NV, Phillips JB, Wegner J, McFarquhar A, et al. Биаллельные варианты в TONSL вызывают дисплазию SPONASTRIME и спектр фенотипов скелетной дисплазии. Am J Hum Genet. 2019;104(3):422–38.

      КАС пабмед ПабМед Центральный Статья Google ученый

  29. «>

      Канца О., Эндрюс Дж. К., Ли П. Т., Патель С., Брэддок С. Р., Славотинек А. М. и др. Варианты De Novo в WDR37 связаны с эпилепсией, колобомами, дисморфизмом, задержкой развития, умственной отсталостью и гипоплазией мозжечка. Am J Hum Genet. 2019;105(2):413–24.

      КАС пабмед ПабМед Центральный Статья Google ученый

  30. Chung HL, Wangler MF, Marcogliese PC, Jo J, Ravenscroft TA, Zuo Z, et al. Мутации потери или приобретения функции в ACOX1 вызывают потерю аксонов с помощью различных механизмов. Нейрон. 2020;106(4):589–606.

      КАС пабмед Статья ПабМед Центральный Google ученый

  31. Dutta D, Briere LC, Kanca O, Marcogliese PC, Walker MA, High FA, et al. Мутации de novo в TOMM70, рецепторе митохондриальной импортной транслоказы, вызывают неврологические нарушения. Хум Мол Жене. 2020; 29(9):1568–79.

      КАС пабмед Статья ПабМед Центральный Google ученый

  32. «>

      Chung HL, Mao X, Wang H, Park YJ, Marcogliese PC, Rosenfeld JA и др. Варианты De Novo в CDK19 связаны с синдромом умственной отсталости и эпилептической энцефалопатией. Am J Hum Genet. 2020;106(5):717–25.

      КАС пабмед ПабМед Центральный Статья Google ученый

  33. Бланко-Санчес Б., Клемент А., Стедниц С.Дж., Кайл Дж., Пирс Дж.Л., Макфадден М. и др. Yippee like 3 (ypel3) — новый ген, необходимый для развития миелинизирующей и периневральной глии. Генетика PLoS. 2020;16(6):e1008841.

      КАС пабмед ПабМед Центральный Статья Google ученый

  34. Бариш С., Баракат Т.С., Мишель Б.С., Машталир Н., Филлипс Д.Б., Валенсия А.М. и др. BICRA, член комплекса SWI/SNF, связан с фенотипами, связанными с нарушением BAF, у людей и модельных организмов. Am J Hum Genet. 2020;107(6):1096–112.

      КАС пабмед Статья ПабМед Центральный Google ученый

  35. «>

      Маром Р., Берраж Л.С., Клемент А., Бланко-Санчес Б., Вендитти Р., Джейн М. и др. Гаплонедостаточность COPB2 вызывает коатопатию с остеопорозом и задержкой развития. bioRxiv. 2020:2020.09.14.2

      .

  36. Luo X, Schoch K, Jangam SV, Bhavana VH, Graves HK, Kansagra S, et al. Редкие вредные варианты de novo missense в RNF2/RING2 связаны с нарушением развития нервной системы с уникальными клиническими особенностями. Хум Мол Жене. 2021 (в печати) .

  37. Альянс ресурсов генома C. Портал ресурсов Альянса генома: единая платформа для исследования модельных организмов. Nucleic Acids Res 2020;48(D1):D650-D8.

  38. Беллен Х.Дж., Тонг С., Цуда Х. 100 лет исследований дрозофилы и их влияние на нейробиологию позвоночных: урок истории на будущее. Нат Рев Нейроски. 2010;11(7):514–22.

      КАС пабмед ПабМед Центральный Статья Google ученый

  39. «>

      Корси А.К., Вайтман Б., Чалфи М. Прозрачное окно в биологию: учебник по Caenorhabditis elegans. Генетика. 2015; 200(2):387–407.

      КАС пабмед ПабМед Центральный Статья Google ученый

  40. Альбертс Б. Молекулярная биология клетки. 6-е изд. Нью-Йорк: Garland Science, Taylor and Francis Group; 2015.

      Google ученый

  41. Kim S, Twigg SRF, Scanlon VA, Chandra A, Hansen TJ, Alsubait A, et al. Локализованные замены основных доменов TWIST1 и TWIST2 вызывают четыре различных заболевания человека, которые можно смоделировать у Caenorhabditis elegans. Хум Мол Жене. 2017;26(11):2118–32.

      КАС пабмед ПабМед Центральный Статья Google ученый

  42. Аояги К., Россиньол Э., Хамдан Ф.Ф., Малкахи Б., Се Л., Нагамацу С. и др. Мутация с усилением функции в NALCN у ребенка с умственной отсталостью, атаксией и артрогрипозом. Хум Мутат. 2015;36(8):753–7.

      КАС пабмед Статья Google ученый

  43. Димитриади М., Дердовски А., Каллу Г., Магиннис М.С., О’Херн П., Блиска Б. и др. Снижение функции белка выживаемости двигательных нейронов нарушает эндоцитарные пути. Proc Natl Acad Sci USA. 2016;113(30):E4377–86.

      КАС пабмед Статья ПабМед Центральный Google ученый

  44. Беллен Х.Дж., Ямамото С. Наследие Моргана: плодовые мушки и функциональная аннотация законсервированных генов. Клетка. 2015;163(1):12–4.

      КАС пабмед ПабМед Центральный Статья Google ученый

  45. Ванглер М.Ф., Ямамото С., Беллен Х.Дж. Плодовые мушки в биомедицинских исследованиях. Генетика. 2015;199(3):639–53.

      КАС пабмед ПабМед Центральный Статья Google ученый

  46. «>

      Reiter LT, Potocki L, Chien S, Gribskov M, Bier E. Систематический анализ последовательностей генов, связанных с заболеваниями человека, у Drosophila melanogaster. Геном Res. 2001;11(6):1114–25.

      КАС пабмед ПабМед Центральный Статья Google ученый

  47. Hu Y, Flockhart I, Vinayagam A, Bergwitz C, Berger B, Perrimon N, et al. Интегративный подход к предсказанию ортологов для исследований, ориентированных на болезни, и других функциональных исследований. БМК Биоинформ. 2011;12:357.

      Артикул Google ученый

  48. Harnish JM, Deal SL, Chao HT, Wangler MF, Yamamoto S. Функциональное исследование in vivo связанных с заболеванием редких вариантов человека с использованием дрозофилы. J Vis Exp. 2019;(150).

  49. Kanca O, Bellen HJ, Schnorrer F. Стратегии генной маркировки для оценки экспрессии, локализации и функции белка у дрозофилы. Генетика. 2017;207(2):389–412.

      КАС пабмед ПабМед Центральный Google ученый

  50. Канца О., Зирин Дж., Гарсия-Маркес Дж., Найт С.М., Ян-Чжоу Д., Амадор Г. и др. Эффективная стратегия на основе CRISPR для вставки малых и больших фрагментов ДНК с использованием коротких плеч гомологии. электронная жизнь 2019;8:e51539.

  51. Bangi E, Ang C, Smibert P, Uzilov AV, Teague AG, Antipin Y, et al. Персонализированная платформа идентифицирует траметиниб в сочетании с золедронат для пациента с метастатическим колоректальным раком с мутацией KRAS. Sci Adv 2019; 5 (5): eaav6528.

  52. Эйзен Дж.С. Глава 1: История исследований рыбок данио. In: Cartner SC, Eisen JS, Farmer SC, Guillemin KJ, Kent ML, Sanders GE, editors. Рыбки данио в биомедицинских исследованиях. Академическая пресса; 2020. с. 3–14.

      Глава Google ученый

  53. «>

      Carney TJ, Mosimann C. Switch and trace: генетика рекомбиназы у рыбок данио. Тенденции Genet TIG. 2018;34(5):362–78.

      КАС пабмед Статья Google ученый

  54. Адамсон К.И., Шеридан Э., Грирсон А.Дж. Использование моделей рыбок данио для исследования редкого заболевания человека. J Med Genet. 2018;55(10):641–9.

      КАС пабмед Статья Google ученый

  55. Howe K, Clark MD, Torroja CF, Torrance J, Berthelot C, Muffato M, et al. Последовательность эталонного генома рыбок данио и его связь с геномом человека. Природа. 2013;496(7446):498–503.

      КАС пабмед ПабМед Центральный Статья Google ученый

  56. Force A, Lynch M, Pickett FB, Amores A, Yan YL, Postlethwait J. Сохранение дубликатов генов с помощью комплементарных дегенеративных мутаций. Генетика. 1999;151(4):1531–45.

      КАС пабмед ПабМед Центральный Статья Google ученый

  57. Постлетвейт Дж., Аморес А., Форс А., Ян Ю.Л. Геном рыбки данио. Методы клеточной биологии. 1999; 60: 149–63.

      КАС пабмед Статья Google ученый

  58. Бланко-Санчес Б., Клемент А., Филлипс Дж. Б., Вестерфилд М. Модели заболеваний человеческого глаза и внутреннего уха у рыбок данио. Методы клеточной биологии. 2017; 138:415–67.

      КАС пабмед Статья Google ученый

  59. Phillips JB, Westerfield M. Модели рыбок данио в трансляционных исследованиях: склонение чаши весов к прогрессу в области здоровья человека. Dis Модели Мех. 2014;7(7):739–43.

      Артикул КАС Google ученый

  60. «>

      Гэн Х, Спирс С, Лагутин О, Инбал А, Лю В, Солница-Крезел Л и др. Гаплонедостаточность Six3 не может активировать экспрессию Sonic hedgehog в вентральной части переднего мозга и вызывает голопрозэнцефалию. Ячейка Дев. 2008;15(2):236–47.

      КАС пабмед ПабМед Центральный Статья Google ученый

  61. Бек Б.Б., Филлипс Дж.Б., Бартрам М.П., ​​Вегнер Дж., Тонес М., Паннес А. и др. Мутация POC1B при тяжелой синдромальной цилиопатии сетчатки. Хум Мутат. 2014;35(10):1153–62.

      КАС пабмед ПабМед Центральный Статья Google ученый

  62. Ebermann I, Phillips JB, Liebau MC, Koenekoop RK, Schermer B, Lopez I, et al. PDZD7 является модификатором заболевания сетчатки и фактором дигенного синдрома Ушера. Дж. Клин Инвестиг. 2010; 120(6):1812–23.

      КАС пабмед Статья ПабМед Центральный Google ученый

  63. «>

      Калли М. Рыбки данио зарабатывают свои нашивки за открытие наркотиков. Nat Rev Drug Discov. 2019;18(11):811–3.

      КАС пабмед Статья Google ученый

  64. МакГэри К.Л., Парк Т.Дж., Вудс Д.О., Ча Х.Дж., Уоллингфорд Д.Б., Маркотт Э.М. Систематическое открытие неочевидных моделей болезней человека с помощью ортологических фенотипов. Proc Natl Acad Sci U S A. 2010;107(14):6544–9..

      КАС пабмед ПабМед Центральный Статья Google ученый

  65. Салазар Дж. Л., Ямамото С. Интеграция генетики дрозофилы и человека для понимания заболеваний, связанных с передачей сигналов надреза. Adv Exp Med Biol. 2018;1066:141–85.

      КАС пабмед ПабМед Центральный Статья Google ученый

  66. Posey JE, O’Donnell-Luria AH, Chong JX, Harel T, Jhangiani SN, Coban Akdemir ZH, et al. Информация о генетике, биологии человека и болезнях, полученная в результате семейных геномных исследований. Genet Med Off J Am Coll Med Genet. 2019;21(4):798–812.

      Google ученый

  67. Ямамото С., Джайсвал М., Чанг В.Л., Гамбин Т., Карака Э., Мирзаа Г. и др. Генетический ресурс мутантов дрозофилы для изучения механизмов, лежащих в основе генетических заболеваний человека. Клетка. 2014;159(1):200–14.

      КАС пабмед ПабМед Центральный Статья Google ученый

  68. Harel T, Yoon WH, Garone C, Gu S, Coban-Akdemir Z, Eldomery MK, et al. Рецидивирующие De Novo и биаллельные варианты ATAD3A, кодирующие белок митохондриальной мембраны, приводят к различным неврологическим синдромам. Am J Hum Genet. 2016;99(4):831–45.

      КАС пабмед ПабМед Центральный Статья Google ученый

  69. «>

      Yoon WH, Sandoval H, Nagarkar-Jaiswal S, Jaiswal M, Yamamoto S, Haelterman NA, et al. Потеря нардилизина, митохондриального кошаперона для альфа-кетоглутаратдегидрогеназы, способствует активации mTORC1 и нейродегенерации. Нейрон. 2017;93(1):115–31.

      КАС пабмед Статья Google ученый

  70. Link N, Chung H, Jolly A, Withers M, Tepe B, Arenkiel BR, et al. Мутации в ANKLE2, мишени вируса ZIKA, нарушают путь асимметричного деления клеток в нейробластах дрозофилы, вызывая микроцефалию. Ячейка Дев. 2019;51(6):713–29.

      КАС пабмед ПабМед Центральный Статья Google ученый

  71. Krischer JP, Gopal-Srivastava R, Groft SC, Eckstein DJ, Сеть клинических исследований редких заболеваний. Организация и подход Сети клинических исследований редких заболеваний к обсервационным исследованиям и исследованиям последствий для здоровья. J Gen Intern Med. 2014;29(Приложение 3): S739–44.

      ПабМед Статья Google ученый

  72. Dickinson ME, Flenniken AM, Ji X, Teboul L, Wong MD, White JK, et al. Высокопроизводительное открытие новых фенотипов развития. Природа. 2016;537(7621):508–14.

      КАС пабмед ПабМед Центральный Статья Google ученый

  73. Качейро П., Гендель М.А., Смедли Д., International Mouse Phenotyping C, The Monarch I. Новые модели болезней человека от Международного консорциума по фенотипированию мышей. Mamm Genome Off J Int Mamm Genome Soc. 2019;30(5–6):143–50.

  74. Кларк Дж. Ф., Динсмор С. Дж., Сориано П. Самый внушительный арсенал: генетические технологии для создания лучшей мыши. Гены Дев. 2020; 34 (19–20): 1256–86.

      КАС пабмед ПабМед Центральный Статья Google ученый

  75. «>

      Russell JJ, Theriot JA, Sood P, Marshall WF, Landweber LF, Fritz-Laylin L, et al. Немодельные модельные организмы. БМС Биол. 2017;15(1):55.

      ПабМед ПабМед Центральный Статья КАС Google ученый

  76. Вольпато В., Уэббер С. Устранение изменчивости в моделях заболеваний человека, полученных с помощью иПСК: рекомендации по повышению воспроизводимости. Dis Model Mech. 2020;13(1).

  77. Шутгенс Ф., Клеверс Х. Органоиды человека: инструменты для понимания биологии и лечения болезней. Анну Рев Патол. 2020;15:211–34.

      КАС пабмед Статья Google ученый

  78. Бойкот К.М., Кампо П.М., Хоули Х.Е., Павлидис П., Рогич С., Ориэл С. и др. Канадская сеть моделей и механизмов редких заболеваний (RDMM): подключение недостаточно изученных генов к модельным организмам. Am J Hum Genet. 2020;106(2):143–52.

      КАС пабмед ПабМед Центральный Статья Google ученый

  Ссылки на скачивание

  Благодарности

  Мы благодарны Стефани Моррисон за ее помощь в составлении и улучшении рисунков в этой рукописи. Мы особенно благодарим Антонеллу Пигнату, Даниэля Вегнера, Мэй Маликдан и членов рабочей группы UDN Model Organisms, а также клиницистов UDN, исследователей и сотрудников NIH, которые являются частью UDN, за весь их вклад в эту командную работу. .

  Финансирование

  Исследование, описанное в этой рукописи, было поддержано Общим фондом NIH через Управление стратегической координации/Управление директора NIH под номерами наград U54NS108251 (D.B., A.N.B., TS, S.C.P. и L.S.-K.), U54NS0

  (MFW, SY, JHP, HJB и MW) и R01OD011116 (JHP), Управлением директора NIH под номером R24OD022005 (HJB), Национальным институтом общих медицинских наук под номером R01GM067858 (HJB) и Национальным институтом исследования генома человека под номером награды K08HG010154 (DB). Содержание является исключительной ответственностью авторов и не обязательно отражает официальную точку зрения Национальных институтов здравоохранения. Х.Дж.Б. является исследователем Медицинского института Говарда Хьюза (HHMI).

  Информация об авторе

  Примечания об авторе

  1. Дастин Болдридж и Майкл Ф. Ванглер: соавторы и соавторы-корреспонденты

  Авторы и организации

  9125 Медицинский факультет Вашингтонского университета
  Луи, Миссури, 63110, США

  Дастин Болдридж и Стивен С. Пак

• Кафедра молекулярной генетики и генетики человека, Медицинский колледж Бейлора (BCM), Хьюстон, Техас, 77030, США

  Michael F. Wangler, Shinya Yamamoto и Hugo J. Bellen

• Департамент педиатрии, BCM, Houston, TX, 77030, USA

  Michael F. Wangler

• Неврологический исследовательский институт Данкана Children’s Hospital, Houston, TX, 77030, USA

  Michael F. Wangler, Shinya Yamamoto и Hugo J. Bellen

• Development, Disease Models & Therapeutics Graduate Program, BCM, Houston, TX, 77030, USA

  Майкл Ф. Ванглер, Шинья Ямамото и Хьюго Дж. Беллен

• Факультет биологии развития, Медицинский факультет Вашингтонского университета, Сент-Луис, Миссури, 63110, США

  Анджела Н. Боуман, Джиманн Шин и Лилианна Солника -Krezel

• Центр регенеративной медицины Вашингтонского университета в Сент-Луисе, Сент-Луис, Миссури, 63110, США

  Анджела Н. Боуман, Тим Шедл и Лилианна Солника-Крезел

• Департамент неврологии, BCM , Хьюстон, Техас, 77030, США

  Шинья Ямамото и Хьюго Дж. Беллен

• Факультет генетики, Медицинский факультет Вашингтонского университета, Сент-Луис, Миссури, 63110, США

  Тим Шедл

• Институт неврологии, Юджин, Орегонский университет OR, 97403, USA

  John H. Postlethwait & Monte Westerfield

• Howard Hughes Medical Institute, Houston, TX, 77030, USA

  Hugo J. Bellen Author

6

255
• Дастин Болдридж

  Просмотр публикаций автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Michael F. Wangler

  Просмотр публикаций автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Angela N. Bowman

  Посмотреть публикации автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Shinya Yamamoto

  Просмотр публикаций автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Tim Schedl

  Просмотр публикаций автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Stephen C. Pak

  Просмотр публикаций автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Джон Х. Постлетвейт

  Посмотреть публикации автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Jimann Shin

  Посмотреть публикации автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Lilianna Solnica-Krezel

  Посмотреть публикации автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Хьюго Дж. Беллен

  Просмотр публикаций автора

  Вы также можете искать этого автора в PubMed Google Scholar

• Monte Westerfield

  Просмотр публикаций автора

  Вы также можете искать этого автора в PubMed Google Scholar

Consortia

Недягененные заболевания сеть

• Maria T. Acosta
• , Margaret Adam
• , David R. Adams
• 44444444, PAALAL0244 , Mercedes E. Alejandro
• , Justin Alvey
• , Laura Amendola
• , Ashley Andrews
• , Euan A. Ashley
• , Mahshid S. Azamian
• , Carlos A. Bacino
• , Guney Bademci
• , Ева Бейкер
• , Ашок Баласубраманям
• , Дастин Балдридж
• , Джим Бэйл
• , Майкл Бамшад
• , Деверах Барбту
• , Pinar Bayrak-tok-tokdemiR,
• , Pinar Bayrak-to-tokdemiR,
• , Pinar Bayrak-tok-to-tokmiRah.0243
• , Edward Behrens
• , Gill Bejerano
• , Jimmy Bennet
• , Beverly Berg-Rood
• , Jonathan A. Bernstein
• , Gerard T. Berry
• , Anna Bican
• , Stephanie Bivona
• , Elizabeth Blue
• , John Bohnsack
• , Carsten Bonnenmann
• , Devon Bonner
• , Lorenzo Botto
• , Brenna Boyd
• , Lauren C. Briere
• , Elly Brokamp
• , Gabrielle Brown
• , Элизабет А. Берк
• , Линдсей С. Берраж
• , Маниш Дж. Батт
• , Питер Байерс
• , William E. Byrd
• , John Carey
• 44444444444444444444444444444.
• , Sirisak Chanprasert
• , Hsiao-Tuan Chao
• , Gary D. Clark
• , Terra R. Coakley
• , Laurel A. Cobban
• , Joy D. Cogan
• , Matthew Coggins
• , F. Сессии Коул
• , Хизер А. Колли
• , Синтия М. Купер
• , Хайди Коуп
• , Уильям Дж. Крейген
• , Andrew B. Crouse
• , Michael Cunningham
• 44444444444444444444444444444444444444.
• , Surendra Dasari
• , Joie Davis
• , Jyoti G. Dayal
• , Matthew Deardorff
• , Esteban C. Dell’Angelica
• , Shweta U. Dhar
• , Katrina Dipple
• , Daniel Doherty
• , Naghmeh Dorrani
• , Argenia L. Doss
• , Эмили Д. Дуин
• , Дэвид Д. Дрейпер
• , Лаура Дункан
• , Dawn
• , Laura Duncan
• , Dawn
• .
• , Christine M. Eng
• , Cecilia Esteves
• , Marni Falk
• , Liliana Fernandez
• , Carlos Ferreira
• , Elizabeth L. Fieg
• , Laurie C. Findley
• , Paul G. Fisher
• , Брент Л. Фогель
• , Irman Forghani
• , Laure Fresard
• , William A. Gahl
• , Ian Glass
• , Bernadette Gochuico
• , Rena A. Godfrey
• , Katie Golden-Grant
• , Alica M. Goldman
• , Madison P. Goldrich
• , David B. Goldstein
• , Alana Grajewski
• , Catherine A. Groden
• , Irma Gutierrez
• , Sihoun Hahn
• , Rizwan Hamid
• , Neil A. Hanchard
• , Kelly Hassey
• , Николе Хейс
• , Фрэнсис Хай
• , Энн Хинг
• , Фуки М. Хисама
• , Ингрид А. Холм
• 444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444443444434444443444444343444444444444434343444.
• , Yong Huang
• , Laryssa Huryn
• , Rosario Isasi
• , Fariha Jamal
• , Gail P. Jarvik
• , Jeffrey Jarvik
• , Suman Jayadev
• , Lefkothea Karaviti
• , Jennifer Kennedy
• , Dana Kiley
• , Shilpa N. Kobren
• , Isaac S. Kohane
• , Jennefer N. Kohler
• , Deborah Krakow
• , Donna M. Krasnewich
• , Elijah Kravets
• , Susan Korrick
• , Мэри Козюра
• , Джоэл Б. Криер
• , Сима Р. Лалани
• , Байрон Лам
• , Кристина Лам
• , Грейс Л. Ламур
• , Брендан С. Ланф
• 4444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444443. , Леа Лэтэм
• , Kimberly Leblanc
• , Брендан Х. Ли
• , Хейн Ли
• , Рой Левитт
• , Ричард А. Льюис
• , Шарин А. Линк
• , 9043
• , Sharyn A. Lincoln
444344,
• , Sharyn A. Lincoln,
• ,
• ,
• . Никола Лонго
• , Сандра К. Лу
• , Джозеф Лоскальзо
• , Ричард Л. Маас
• , Джон МакДоуалл
• , Эллен Ф. Маконамара
• ,
• , Эллен Ф. Маконамара
• 44444444444, Эллен Ф. Маконамара
,
• ,
• . Марта Михайловна Майчерская
• , Брайан С. Мак
• , Мэй Кристин В. Малчдан
• , Лаура А. Мамунас
• , Тери А. Манолио
• , Ронг Мао
• , Kenneth Maravill Marom
• , Gabor Marth
• , Beth A. Martin
• , Martin G. Martin
• , Julian A. Martínez-Agosto
• , Shruti Marwaha
• , Jacob McCauley
• , Allyn McConkie-Rosell
• , Colleen Э. Маккормак
• , Alexa T. McCray
• , Elisabeth McGee
• , Heather Mefford
• , J. Lawrence Merritt
• , Matthew Might
• , Ghayda Mirzaa
• , Eva Morava
• , Paolo M. Moretti
• , Deborah Mosbrook-Davis
• , John J. Mulvihill
• , David R. Murdock
• , Anna Nagy
• , Mariko Nakano-Okuno
• , Avi Nath
• , Stan F. Nelson
• , John H. Newman
• , Сара К. Николас
• , Deborah Nickerson
• , Shirley Nieves-Rodriguez
• , Donna Novacic
• , Devin Oglesbee
• , James P. Orengo
• , Laura Pace
• , Stephen Pak
• , J. Carl Pallais
• , Christina ГС. Palmer
• , Jeanette C. Papp
• , Neil H. Parker
• , Джон А. Филлипс III
• , Дженнифер Э. Позей
• , Lorraine Potocki
• , Bradley.0243
• , Aaron Quinlan
• , Wendy Raskind
• , Archana N. Raja
• , Deepak A. Rao
• , Genecee Renteria
• , Chloe M. Reuter
• , Lynette Rives
• , Amy K. Robertson
• , Лэнс Х. Родан
• , Джилл А. Розенфельд
• , Натали Розенвассер
• , Фрэнсис Россиньол
• , Маура Ружников
• , RALPH
• 44444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444.0244 , Mario Saporta
• , C. Ron Scott
• , Judy Schaechter
• , Timothy Schedl
• , Kelly Schoch
• , Daryl A. Scott
• , Vandana Shashi
• , Jimann Shin
• , Rebecca Signer
• , Эдвин К. Сильверман
• , Джанет С. Синшаймер
• , Кэти Сиско
• , Эдвард С. Смит
• , Кевин С. Смит
• , Эмили Солек.0243
• , Rebecca C. Spillmann
• , Joan M. Stoler
• , Jennifer A. Sullivan
• , Kathleen Sullivan
• , Angela Sun
• , Shirley Sutton
• , David A. Sweetser
• , Virginia Sybert
• , Холли К. Табор
• , Амелия Л. М. Тан
• , Куини К.-Г. Тан
• , Мустафа Текин
• , Фред Телиски
• , Уилла Торсон
• , Одри Терм
• , Синтия Дж. Тиффт
• , Camilo Toro
• , Алисса А. Тран
• , Брианна М. Такер
• , Tiina K. URV
• , Adeline Vanderver
• , Matt Velind
• 44444444444, DAVER, 9024, 9024,
• ,
• ,
• ,
• ,
• ,
• ,
• ,
• ,
• ,
,
• ,
• ,
• ,
• ,
• ,
• . Коллин Э. Вахл
• , Стефани Уоллес
• , Николь М. Уолли
• , Крис А. Уолш
• , Мелисса Уокер
• , Jennifer Wambach
• , JIJUN
  4444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444344444444444444344434443,
• . , Уэнглер
• , Patricia A. Ward
• , Daniel Wegner
• , Mark Wener
• , Tara Wenger
• , Katherine Wesseling Perry
• , Monte Westerfield
• , Matthew T. Wheeler
• , Jordan Whitlock
• , Lynne A . Wolfe
• , Джереми Д. Вудс
• , Shinya Yamamoto
• , Джон Ян
• , Мухаммед Юсеф
• , Diane B. Zastrow
• , WADIH ZEINIIN
.0243

Вклады

DB, MFW, ANB и SY разработали разделы рукописи, которая была отредактирована TS, SCP, JHP, LS-K, HJB и MW. Все авторы прочитали и одобрили окончательный вариант рукописи.

Консорциумы

Члены Сети недиагностированных заболеваний: Мария Т. Акоста, Маргарет Адам, Дэвид Р. Адамс, Панкадж Б. Агравал, Мерседес Э. Алехандро, Джастин Алви, Лаура Амендола, Эшли Эндрюс, Юан А. Эшли, Махшид С. Азамян, Карлос А. Бачино, Гуней Бадемчи, Ева Бейкер, Ашок Баласубраманьям, Дастин Болдридж, Джим Бэйл, Майкл Бэмшад, Дебора Барбут, Пинар Байрак-Тойдемир, Анита Бек, Алан Х. Беггс, Эдвард Беренс, Джилл Беджерано, Джимми Беннет, Беверли Берг-Руд, Джонатан А. Бернштейн, Джерард Т. Берри, Анна Бикан, Стефани Бивона, Элизабет Блю, Джон Бонсак, Карстен Бонненманн, Девон Боннер, Лоренцо Ботто, Бренна Бойд, Лорен С. Бриер, Элли Брокамп, Габриэль Браун, Элизабет А. Берк, Линдси С. Беррэдж, Маниш Дж. Бьютт, Питер Байерс, Уильям Э. Берд, Джон Кэри, Олвин Карраскильо, Та Чен Питер Чанг, Сирисак Чанпрасерт, Сяо-Туан Чао, Гэри Д. Кларк, Терра Р. Кокли, Лорел А. Коббан, Джой Д. Коган, Мэтью Коггинс, Ф. Сешнс Коул, Хизер А.С. Олли, Синтия М. Купер, Хайди Коуп, Уильям Дж. Крэйген, Эндрю Б. Крауз, Майкл Каннингэм, Пресилла Д’Суза, Хунчжэн Дай, Сурендра Дасари, Джои Дэвис, Джиоти Г. Дайал, Мэтью Дирдорф, Эстебан С. Делл Анжелика, Светлана У. Дхар, Катрина Диппл, Дэниел Доэрти, Нагмех Доррани, Ардения Л. Досс, Эмили Д. Доуин, Дэвид Д. Дрейпер, Лаура Дункан, Дон Эрл, Дэвид Дж. Экштейн, Лиза Т. Эмрик, Кристин М. Инженер, Сесилия Эстевес, Марни Фальк, Лилиана Фернандес, Карлос Феррейра, Элизабет Л. Фиг, Лори С. Финдли, Пол Г. Фишер, Брент Л. Фогель, Ирман Форгани, Лаура Фресар, Уильям А. Гал, Ян Гласс, Бернадетт Гошуйко , Рена А. Годфри, Кэти Голден-Грант, Алика М. Голдман, Мэдисон П. Голдрич, Дэвид Б. Гольдштейн, Алана Граевски, Кэтрин А. Гроден, Ирма Гутьеррес, Сихун Хан, Ризван Хамид, Нил А. Ханчард, Келли Хэсси , Николь Хейс, Фрэнсис Хай, Энн Хинг, Фуки М. Хисама, Ингрид А. Холм, Джейсон Хом, Марта Хорике-Пайн, Алден Хуан, Йонг Хуанг, Лариса Хурин, Росарио Исаси, Фари Ха Джамал, Гейл П. Джарвик, Джеффри Джарвик, Суман Джаядев, Лефкотеа Каравити, Дженнифер Кеннеди, Дана Кили, Шилпа Н. Кобрен, Исаак С. Кохейн, Дженнифер Н. Колер, Дебора Краков, Донна М. Красневич, Элайджа Кравец, Сьюзен Коррик, Мэри Козиура, Джоэл Б. Криер, Сима Р. Лалани, Байрон Лам, Кристина Лам, Грейс Л. ЛаМур, Брендан С. Ланфер, Ян Р. Ланца, Леа Лэтэм, Кимберли ЛеБланк, Брендан Х. Ли, Хейн Ли, Рой Левитт, Ричард А. Льюис, Шарин А. Линкольн, Пэнфей Лю, Сюэ Чжун Лю, Никола Лонго, Сандра К. Лу, Джозеф Лоскальцо, Ричард Л. Маас, Джон МакДауэлл, Эллен Ф. Макнамара, Калум А. МакРэй, Валери В. Мадуро, Марта М. Майчерска, Брайан С. Мак, Мэй Кристин В. Маликдан, Лаура А. Мамунас, Тери А. Манолио, Ронг Мао, Кеннет Маравилья, Томас С. Маркелло, Ронит Маром, Габор Март, Бет А. Мартин, Мартин Дж. Мартин, Джулиан А. Мартинес-Агосто, Шрути Марваха, Джейкоб МакКоли, Аллин МакКонки-Розелл, Коллин Э. МакКормак, Алекса Т. МакКрей, Элизабет МакГи, Хизер Меффорд, Дж. Лоуренс Мерр Итт, Мэтью Майт, Гайда Мирзаа, Ева Морава, Паоло М. Моретти, Дебора Мосбрук-Дэвис, Джон Дж. Малвихилл, Дэвид Р. Мердок, Анна Нэги, Марико Накано-Окуно, Ави Нэт, Стэн Ф. Нельсон, Джон Х. Ньюман, Сара К. Николас, Дебора Никерсон, Ширли Нивес-Родригес, Донна Новакич, Девин Оглсби, Джеймс П. Оренго, Лаура Пейс, Стивен Пак, Дж. Карл Палле, Кристина Г.С. Палмер, Жанетт С. Папп, Нил Х. Паркер, Джон А. Филлипс III, Дженнифер Э. Поузи, Лорейн Потоки, Брэдли Пауэр, Барбара Н. Пьюзи, Аарон Куинлан, Венди Раскинд, Арчана Н. Раджа, Дипак А. Рао, Джинеси Рентерия, Хлоя М. Рейтер, Линетт Ривз, Эми К. Робертсон, Лэнс Х. Родан, Джилл А. Розенфельд, Натали Розенвассер, Фрэнсис Россиньол, Маура Ружников, Ральф Сакко, Джасинда Б. Сэмпсон, Сьюзан Л. Самсон, Марио Сапорта , К. Рон Скотт, Джуди Шехтер, Тимоти Шедл, Келли Шох, Дэрил А. Скотт, Вандана Шаши, Джиманн Шин, Ребекка Сигнер, Эдвин К. Силверман, Джанет С. Синшаймер, Кэти Сиско, Эдвард С. Смит, Кевин С. Смит, Эмили Солем, Лилианна Солника-Крезель, Бен Соломон, Ребекка С. Спиллманн, Джоан М. Столер, Дженнифер А. Салливан, Кэтлин Салливан, Анджела Сан, Ширли Саттон, Дэвид А. Свитсер, Вирджиния Сайберт, Холли К. Табор, Амелия Л.М. Тан, Куини К.-Г. Тан, Мустафа Текин, Фред Телиски, Уилла Торсон, Одри Терм, Синтия Дж. Тиффт, Камило Торо, Алисса А. Тран, Брианна М. Такер, Тиина К. Урв, Аделина Вандервер, Мэтт Велиндер, Дэйв Вискочил, Тифани П. Фогель , Коллин Э. Уол, Стефани Уоллес, Николь М. Уолли, Крис А. Уолш, Мелисса Уокер, Дженнифер Вамбах, Джиджун Ван, Ли-Кай Ван, Майкл Ф. Ванглер, Патриция А. Уорд, Дэниел Вегнер, Марк Венер, Тара Венгер, Кэтрин Весселинг Перри, Монте Вестерфилд, Мэтью Т. Уиллер, Джордан Уитлок, Линн А. Вулф, Джереми Д. Вудс, Шинья Ямамото, Джон Ян, Мухаммад Юсеф, Дайан Б. Застроу, Вадих Зейн, Чунли Чжао, Стефан Зухнер.

Авторы переписки

Переписка с Дастин Болдридж или Майкл Ф. Ванглер.

Декларация этики

Одобрение этики и согласие на участие

Неприменимо.

Согласие на публикацию

Неприменимо.

Конкурирующие интересы

Отделение молекулярной генетики и генетики человека Медицинского колледжа Бейлора получает доход от клинических генетических испытаний, проведенных в генетических лабораториях Бейлора.

Дополнительная информация

Примечание издателя

Springer Nature остается нейтральной в отношении юрисдикционных претензий в опубликованных картах и ​​институциональной принадлежности.

Права и разрешения

Открытый доступ Эта статья находится под лицензией Creative Commons Attribution 4.0 International License, которая разрешает использование, совместное использование, адаптацию, распространение и воспроизведение на любом носителе или в любом формате при условии, что вы укажете соответствующую ссылку на оригинальный автор(ы) и источник, предоставьте ссылку на лицензию Creative Commons и укажите, были ли внесены изменения. Изображения или другие сторонние материалы в этой статье включены в лицензию Creative Commons на статью, если иное не указано в кредитной строке материала. Если материал не включен в лицензию Creative Commons статьи, а ваше предполагаемое использование не разрешено законом или выходит за рамки разрешенного использования, вам необходимо получить разрешение непосредственно от правообладателя. Чтобы просмотреть копию этой лицензии, посетите http://creativecommons.org/licenses/by/4.0/. Отказ Creative Commons от права на общественное достояние (http://creativecommons.org/publicdomain/zero/1.0/) применяется к данным, представленным в этой статье, если иное не указано в кредитной линии данных.

Перепечатки и разрешения

Об этой статье

Коэффициент тока сети DISH 2010-2022 | БЛЮДО

Текущий и исторический коэффициент текущей ликвидности для DISH Network (DISH) с 2010 по 2022 год. Коэффициент текущей ликвидности можно определить как коэффициент ликвидности, который измеряет способность компании оплачивать краткосрочные обязательства. Коэффициент текущей ликвидности сети DISH за три месяца, закончившихся 30 июня 2022 г., составил 0,64 .

DISH Network Current Ratio Исторические данные
Дата	Текущие активы	Текущие обязательства	Коэффициент тока
30.06.2022	4,84 млрд долларов	7,62 млрд долларов	0,64
31.03.2022	5,30 млрд долларов	8,05 млрд долларов	0,66
31.12.2021	7,52 млрд долларов	6,52 млрд долларов	1,16
30.09.2021	7,28 млрд долларов	6,31 млрд долларов	1,15
30.06.2021	6,61 млрд долларов	4,04 млрд долларов	1,64
31.03.2021	6,52 млрд долларов	5,81 млрд долларов	1. 12
2020-12-31	7,02 млрд долларов	6,09 млрд долларов	1,15
30.09.2020	5,01 млрд долларов	6,53 млрд долларов	0,77
30.06.2020	4,11 млрд долларов	5,78 млрд долларов	0,71
31.03.2020	4,64 млрд долларов	4,63 млрд долларов	1,00
31.12.2019	4,02 миллиарда долларов	4,50 млрд долларов	0,89
30.09.2019	2,73 миллиарда долларов	4,57 млрд долларов	0,60
30.06.2019	$3,92Б	6,20 млрд долларов	0,63
31.03.2019	3,59 млрд долларов	4,96 млрд долларов	0,73
31.12.2018	3,29 млрд долларов	4,78 млрд долларов	0,69
30. 09.2018	3,04 млрд долларов	4,88 млрд долларов	0,62
30.06.2018	2,74 миллиарда долларов	3,63 млрд долларов	0,76
31.03.2018	3,47 млрд долларов	4,69 млрд долларов	0,74
2017-12-31	3,29 млрд долларов	4,83 миллиарда долларов	0,68
30.09.2017	3,12 млрд долларов	4,95 млрд долларов	0,63
30.06.2017	3,71 млрд долларов	5,90 млрд долларов	0,63
31.03.2017	9,60 млрд долларов	4,57 млрд долларов	2.10
31.12.2016	8,28 млрд долларов	4,59 млрд долларов	1,80
2016-09-30	7,90 млрд долларов	4,59 млрд долларов	1,72
30. 06.2016	4,91 млрд долларов	3,76 млрд долларов	1,31
31.03.2016	2,56 миллиарда долларов	3,85 млрд долларов	0,67
2015-12-31	3,54 миллиарда долларов	5,16 млрд долларов	0,69
30.09.2015	13,63 млрд долларов	5,27 млрд долларов	2,59
30.06.2015	13,28 млрд долларов	5,31 млрд долларов	2,50
31.03.2015	13,41 млрд долларов	5,93 млрд долларов	2,26
31.12.2014	12,55 млрд долларов	4,11 млрд долларов	3,05
30.09.2014	11,41 млрд долларов	5,47 млрд долларов	2,09
30.06.2014	11,09 млрд долларов	5,31 млрд долларов	2,09
31 марта 2014 г.	12,59 млрд долларов	4,64 млрд долларов	2,72
31.12.2013	12,31 млрд долларов	4,55 млрд долларов	2,71
30.09.2013	12,34 млрд долларов	3,92 миллиарда долларов	3,15
30.06.2013	12,16 млрд долларов	4,01 млрд долларов	3.03
31.03.2013	9,34 млрд долларов	3,87 млрд долларов	2,41
31.12.2012	9,06 млрд долларов	3,92 миллиарда долларов	2,31
30.09.2012	8,34 млрд долларов	4,14 млрд долларов	2.01
30.06.2012	6,50 млрд долларов	3,52 миллиарда долларов	1,85
31.03.2012	4,35 млрд долларов	3,57 млрд долларов	1,22
31. 12.2011	3,75 млрд долларов	3,22 миллиарда долларов	1,16
30.09.2011	5,42 млрд долларов	4,07 млрд долларов	1,33
30.06.2011	6,41 млрд долларов	4,25 миллиарда долларов	1,51
31.03.2011	5 миллиардов долларов	4,29 млрд долларов	1,16
2010-12-31	4,57 млрд долларов	4,50 млрд долларов	1,02
30.09.2010	4,32 миллиарда долларов	3,59 млрд долларов	1,20
30.06.2010	4,10 млрд долларов	3,49 млрд долларов	1,17
31.03.2010	3,78 млрд долларов	3,47 млрд долларов	1,09
31 декабря 2009 г.	3,48 млрд долларов	3,29 млрд долларов	1,06
30 сентября 2009 г.	4,01 млрд долларов	3,30 млрд долларов	1,22
30.06.2009	2,78 млрд долларов	3,03 млрд долларов	0,92
31 марта 2009 г.	2,59 млрд долларов	3,01 млрд долларов	0,86

Сектор	Промышленность	Рыночная капитализация	Доход
Потребительский дискреционный номер	Провайдеры кабельного телевидения	7,499 млрд долларов	17,881 млрд долларов
DISH Network Corporation предлагает услуги платного телевидения под брендами DISH и SLING. Компания сообщает об операциях в двух отчетных сегментах: платное телевидение и беспроводная связь. DISH предлагает широкий выбор местных, региональных и национальных программ HD. Он также предоставляет видеорегистраторы (в том числе HD-видеорегистратор для всего дома Hopper), несколько приемников-тюнеров, видео 1080p и 4K по запросу и внешние жесткие диски. Платформа DISH Hopper объединяет голосовое управление с помощью Google Assistant и предлагает пользователям доступ к приложениям, включая Netflix, Amazon Prime Video и YouTube, а также возможность смотреть контент в прямом эфире, в записи и по запросу в любом месте с помощью мобильного приложения DISH Anywhere. DISH предлагает своим подписчикам потоковый доступ через DISH On Demand. Услуги SLING TV требуют подключения к Интернету и доступны на нескольких устройствах с поддержкой потоковой передачи. DISH также предлагает дополнительные услуги, мероприятия с оплатой за просмотр и облачный сервис DVR.

Складское наименование	Страна	Рыночная капитализация	Коэффициент полиэтилена
Коммуникации Роджерс (RCI)	Канада	19,581 млрд долларов	13.06
Shaw Communications (SJR)	Канада	11,743 млрд долларов	18,37
Первый кабель (CABO)	США	5,276 млрд долларов	15,51
Широкий OpenWest (WOW)	США	1,090 млрд долларов	0,00

Текущий выпуск JAMA Network Open

ОТ РЕДАКЦИИ 27 СЕНТЯБРЯ 2022 ГОДА

Скрининг на сифилис у небеременных взрослых и подростков

Ронни М. Граветт, доктор медицины; Жанна Марраццо, врач, магистр здравоохранения

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232168. doi: 10.1001 / jamanetworkopen.2022.32168

Абстрактный Полный текст ссылка на пдф пдф

• Редакция

  Острая необходимость модернизации скрининга на сифилис

  Сьюзан Тадденхэм, доктор медицины, магистр здравоохранения; Халил Г. Ганем, доктор медицины, доктор философии

  ЯМА. 2022;328(12):1209-1211. дои: 10.1001/jama.2022.15227

  Абстрактный Полный текст ссылка на пдф пдф

ЗДРАВООХРАНЕНИЕ 27 СЕНТЯБРЯ 2022 ГОДА

Социальная уязвимость на уровне округов и показатели скрининга рака молочной железы, шейки матки и колоректального рака в США, 2018 г.



Чичи Бауэр, доктор философии, магистр наук; Кехе Чжан, MS; Цянь Сяо, доктор философии, магистр наук; и другие.

В этом перекрестном исследовании изучается связь между социальной уязвимостью на уровне округов и показателями скрининга на рак груди, шейки матки и колоректальный рак в США.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233429. doi: 10.1001 / jamanetworkopen.2022.33429

Абстрактный Полный текст ссылка на пдф пдф

ПЕДИАТРИЯ 27 СЕНТЯБРЯ 2022 ГОДА

Отношение акушеров к лечению крайне недоношенных детей в Китае

Тао Хан, доктор медицины; Дэн Ван, доктор медицины; Вэньюй Се, мм; и другие.

В этом перекрестном исследовании изучается отношение акушеров к лечению крайне недоношенных детей в Китае.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233511. doi: 10.1001 / jamanetworkopen.2022.33511

Абстрактный Полный текст ссылка на пдф пдф

ОТОЛАРИНГОЛОГИЯ 27 СЕНТЯБРЯ 2022 ГОДА

Результаты панельного тестирования генов нейросенсорной тугоухости в разной когорте пациентов

Элизабет Н. Ляо, бакалавр искусств; Эмили Такета, бакалавр наук; Нура И. Мохамад, бакалавр искусств; и другие.

В этом ретроспективном исследовании детей с сенсоневральной тугоухостью изучается, связаны ли диагнозы генетического тестирования с социально-демографическими характеристиками и клиническим ведением.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233441. doi: 10.1001 / jamanetworkopen.2022.33441

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 27 СЕНТЯБРЯ 2022 ГОДА

Оценка потребителей поставщиков медицинских услуг и систем среди расовых и этнических меньшинств пациентов с болезнью Альцгеймера и связанной деменцией

Асмаа Альбаруди, MSG; Джи Чен, доктор философии

В этом кросс-секционном исследовании оцениваются расовые и этнические различия в показателях потребительской оценки поставщиков медицинских услуг и систем среди пациентов с болезнью Альцгеймера и связанными с ней деменциями.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233436. doi: 10. 1001 / jamanetworkopen.2022.33436

Абстрактный Полный текст ссылка на пдф пдф

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 27 СЕНТЯБРЯ 2022 ГОДА

Ассоциация серопозитивности SARS-CoV-2 с миалгическим энцефаломиелитом и/или синдромом хронической усталости среди детей и подростков в Германии

Анна-Лиза Зорг, магистр наук; Селина Бехт, магистр наук; Мариетта Янк, доктор медицины; и другие.

В этом перекрестном исследовании оценивается связь между инфекцией SARS-CoV-2 и симптомами, связанными с миалгическим энцефаломиелитом и/или синдромом хронической усталости (ME/CFS) у детей и подростков в Германии.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233454. doi: 10. 1001 / jamanetworkopen.2022.33454

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 27 СЕНТЯБРЯ 2022 ГОДА

Сравнение политики благотворительной помощи в больницах США до и после появления COVID-19Пандемия

Кристофер Гудман, доктор медицины; Эмбер Фланиган, LISW-CP, MPH, CHES; Дженис С. Пробст, доктор философии; и другие.

В этом когортном исследовании сравниваются политики благотворительной помощи в репрезентативной выборке крупных больниц США в период с декабря 2019 года по декабрь 2021 года.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233629. doi: 10.1001 / jamanetworkopen.2022.33629

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 26 СЕНТЯБРЯ 2022 ГОДА

Ассоциация инвестиций в исследования и разработки с расходами на лечение новых лекарств, утвержденных с 2009 по 2018 год.



Оливье Дж. Воутерс, доктор философии; Лукас А. Беренброк, PharmD, MS; Мэйци Хэ, MS; и другие.

В этом поперечном исследовании оценивается связь инвестиций в исследования и разработки на основе данных, опубликованных фармацевтическими компаниями, со списком и чистыми ценами на рецептурные препараты, утвержденными Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США с 2009 по 2018 год.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2218623. doi: 10.1001/jamanetworkopen.2022.18623

Абстрактный Полный текст ссылка на пдф пдф

АКУШЕРСТВО И ГИНЕКОЛОГИЯ 26 СЕНТЯБРЯ 2022 ГОДА

Оценка эффективности мРНК-вакцины против COVID-19 против COVID-19, находящегося под медицинским наблюдением, у беременных в периоды преобладания дельта- и омикронных вариантов в США

Стефани Дж. Шраг, доктор философии; Дженнифер Р. Верани, доктор медицины; Брайан Э. Диксон, доктор философии; и другие.

В этом исследовании методом случай-контроль оценивается предполагаемая эффективность вакцинации мРНК против COVID-19, проводимой с медицинским обслуживанием, среди беременных женщин во время преобладания Delta и Omicron в Соединенных Штатах.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233273. doi: 10.1001 / jamanetworkopen.2022.33273

Абстрактный Полный текст ссылка на пдф пдф

ИНФОРМАТИКА ЗДОРОВЬЯ 26 СЕНТЯБРЯ 2022 ГОДА

Распространенность и источники дублирования информации в электронной медицинской карте

Джексон Стейнкамп, доктор медицины; Джейкоб Дж. Кантровиц, доктор медицинских наук; Субха Айран-Джавиа, доктор медицины

В этом кросс-секционном исследовании изучается распространенность и масштабы дублирующего поведения в клинических записях из крупной академической системы здравоохранения, а также факторы, связанные с дублированием.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233348. doi: 10.1001 / jamanetworkopen.2022.33348

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 26 СЕНТЯБРЯ 2022 ГОДА

Сравнение показателей качества для пациентов, получающих очную и телемедицинскую первичную помощь в крупной интегрированной системе здравоохранения

Дерек Дж. Боуман, доктор медицины; Ялда Джаббарпур, доктор медицины; Джон М. Вестфолл, доктор медицины, магистр здравоохранения; и другие.

В этом когортном исследовании изучается, отличается ли качество медицинской помощи среди пациентов первичного звена, получивших доступ к телемедицине, от тех, кто получает только амбулаторное лечение.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233267. doi: 10.1001 / jamanetworkopen.2022.33267

Абстрактный Полный текст ссылка на пдф пдф

ПЕДИАТРИЯ 26 СЕНТЯБРЯ 2022 ГОДА

Связь антенатального воздействия стероидов на сроке от 21 до 22 недель беременности с выживаемостью новорожденных и выживаемостью без осложнений

Санджай Чавла, доктор медицины; Майра Х. Вайкофф, доктор медицины; Мэтью А. Рысави, доктор медицинских наук; и другие.

В этом когортном исследовании оцениваются показатели выживаемости и выживаемости без серьезных заболеваний среди детей, рожденных в гестационном возрасте от 22 0/7 до 23 6/7 недель после антенатального применения кортикостероидов на сроке 22 6/7 недель гестации или менее, по сравнению с отсутствием антенатального воздействия кортикостероидами. стероиды.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233331. doi: 10.1001 / jamanetworkopen.2022.33331

Абстрактный Полный текст ссылка на пдф пдф

МЕДИЦИНСКОЕ ОБРАЗОВАНИЕ 26 СЕНТЯБРЯ 2022 ГОДА

Сравнение результатов пилотного проекта основной доверенной профессиональной деятельности, 2019–2020 гг.

, при принятии решений о доверии

Дэвид Р. Браун, доктор медицины; Джереми Дж. Меллер, доктор медицины, магистр наук; Дуглас Грбич, доктор философии; и другие.

В этом исследовании по повышению качества оценивается прогресс с 2019 по 2020 год в программе принятия решений о доверительном управлении основной доверенной профессиональной деятельностью для выпускников-медиков, поступающих в ординатуру.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233342. doi: 10.1001 / jamanetworkopen.2022.33342

Абстрактный Полный текст ссылка на пдф пдф

ОНКОЛОГИЯ 23 СЕНТЯБРЯ 2022 ГОДА

Использование контрацептивов у женщин в пременопаузе с ранним раком молочной железы

Маттео Ламбертини, доктор медицинских наук; Клаудия Массаротти, доктор медицины; Джули Хавас, магистр наук; и другие.

В этом когортном исследовании описывается использование и методы контрацепции, а также оцениваются факторы, связанные с использованием противозачаточных средств с течением времени среди женщин в пременопаузе с ранним раком молочной железы.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233137. doi: 10.1001 / jamanetworkopen.2022.33137

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Поддержка выбора женского здоровья — проблемы, с которыми сегодня сталкиваются выжившие после рака молочной железы

  Марьям Б. Ластберг, MD, MPH

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2233147. doi: 10.1001 / jamanetworkopen.2022.33147

  Абстрактный Полный текст ссылка на пдф пдф

ПИТАНИЕ, ОЖИРЕНИЕ И УПРАЖНЕНИЯ 23 СЕНТЯБРЯ 2022 ГОДА

Анализ и сравнение результатов питания в раннем детстве среди потомства китайских женщин в соответствии с рекомендациями Китая по увеличению гестационного веса от 2021 г. и США от 2009 г.

Фанфан Чен, MPH; Пэн Ван, MPH; Цзин Ван, MPH; и другие.

В этом когортном исследовании изучаются различия между рекомендациями Китайского общества питания 2021 г. и Национальной медицинской академии США 2009 г. в отношении прибавки массы тела во время беременности в связи с последствиями для здоровья потомства китайских женщин.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233250. doi: 10.1001 / jamanetworkopen.2022.33250

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Сравнение китайских и американских рекомендаций по набору гестационного веса для китайских женщин

  Хелена Дж. Тиде, доктор философии; Ребекка Гольдштейн, доктор философии; Черис Харрисон, доктор философии

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2233256. doi: 10.1001 / jamanetworkopen.2022.33256

  Абстрактный Полный текст ссылка на пдф пдф

ЗДРАВООХРАНЕНИЕ 23 СЕНТЯБРЯ 2022 ГОДА

Разработка, реализация и результаты инициативы по расследованию случаев и отслеживанию контактов с участием добровольцев в Городском академическом медицинском центре

Рэйчел Фойерштейн-Саймон, магистр искусств, магистр здравоохранения; Кэтрин М. Стрелау, бакалавр наук; Навар Насир, доктор философии; и другие.

В этой серии случаев оцениваются разработка, реализация и результаты программы отслеживания контрактов с участием добровольцев в крупном академическом медицинском центре.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2232110. doi: 10.1001 / jamanetworkopen.2022.32110

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 23 СЕНТЯБРЯ 2022 ГОДА

Оценка временных закономерностей и факторов пациента, связанных с введением осельтамивира у детей, госпитализированных с гриппом, 2007–2020 гг.

Патрик С. Уолш, доктор медицины, магистр медицины; Дэвид Шнадоуэр, доктор медицины, магистр здравоохранения; Инь Чжан, MS; и другие.

В этом кросс-секционном исследовании используются данные Информационной системы о здоровье детей для описания временных моделей и факторов пациента, связанных с использованием терапии осельтамивиром, а также для изучения моделей использования ресурсов и результатов лечения детей, госпитализированных с гриппом с 2007 по 2020 год.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233027. doi: 10.1001 / jamanetworkopen.2022.33027

Абстрактный Полный текст ссылка на пдф пдф

РАЗНООБРАЗИЕ, СПРАВЕДЛИВОСТЬ И ВКЛЮЧЕНИЕ 23 СЕНТЯБРЯ 2022 ГОДА

Представительство азиатско-американского населения в учебных программах медицинских школ

Питер Санг Ук Парк, бакалавр искусств; Эда Алгур, бакалавр искусств; Света Нараян, бакалавр наук; и другие.

В этом качественном исследовании анализируется содержание 632 лекций всех 19 доклинических курсов в одной медицинской школе США, чтобы оценить, как американцы азиатского происхождения и их подгруппы представлены в учебных программах медицинских школ.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233080. doi: 10.1001 / jamanetworkopen.2022.33080

Абстрактный Полный текст ссылка на пдф пдф

СОСТОЯНИЕ ОКРУЖАЮЩЕЙ СРЕДЫ 23 СЕНТЯБРЯ 2022 ГОДА

Связь воздействия метаболитов фталата с половыми гормонами, ожирением и метаболическим синдромом у женщин в США

Паллави Дубей, доктор философии; Сириша Ю. Редди, доктор медицины; Вишваджит Сингх, доктор философии; и другие.

В этом перекрестном исследовании используются данные Национального обследования здоровья и экспертизы для оценки связи между воздействием распространенных метаболитов фталата и общим уровнем тестостерона, уровнем глобулина, связывающего половые гормоны, ожирением и метаболическим синдромом у женщин.

открытый доступ

Открыта сеть JAMA. 2022;5(9):e2233088. doi: 10.1001 / jamanetworkopen.2022.33088

Абстрактный Полный текст ссылка на пдф пдф

ФИЗИЧЕСКАЯ МЕДИЦИНА И РЕАБИЛИТАЦИЯ 23 СЕНТЯБРЯ 2022 ГОДА

Многосторонняя оценка функциональных исходов у лиц, перенесших первый инсульт

Сеён Шин, доктор медицины; Ясуэль Ли; Вон Хёк Чанг, доктор медицинских наук; и другие.

В этом когортном исследовании изучаются изменения функционального состояния в период до 60 месяцев после инсульта у пациентов, впервые перенесших инсульт в Корее.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233094. doi:10.1001/jamanetworkopen.2022.33094

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 23 СЕНТЯБРЯ 2022 ГОДА

Ассоциация инфекции SARS-CoV-2 с впервые возникшим диабетом 1 типа среди пациентов детского возраста с 2020 по 2021 год

Эллен К. Кендалл, бакалавр искусств; Вероника Р. Олакер, бакалавр наук; Дэвид К. Кельбер, доктор медицинских наук; и другие.

Это когортное исследование оценивает связь COVID-19с впервые выявленным сахарным диабетом 1 типа среди детей.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2233014. doi: 10.1001 / jamanetworkopen.2022.33014

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 23 СЕНТЯБРЯ 2022 ГОДА

Оценка дополнительных льгот в рамках планов Medicare Advantage и демографических характеристик получателей, с 2019 по 2022 год

Нил П. Роуэн, BSPH; Лукас Стюарт, член парламента; Роберт С. Сондерс, доктор философии

В этом перекрестном исследовании оценивается, как изменения политики для планов Medicare Advantage повлияли на доступность дополнительных льгот в зависимости от географической социальной уязвимости, разнообразия членства и скидок с 2019 года.до 2022 г.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233020. doi: 10.1001 / jamanetworkopen.2022.33020

Абстрактный Полный текст ссылка на пдф пдф

ПОПРАВКА 23 СЕНТЯБРЯ 2022 ГОДА

Ошибка на рисунке

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2236239. doi: 10.1001 / jamanetworkopen.2022.36239

Абстрактный Полный текст ссылка на пдф пдф

ОНКОЛОГИЯ 22 СЕНТЯБРЯ 2022 ГОДА

Клиническая ценность универсального генетического тестирования зародышевой линии для пациентов с раком молочной железы

Пэт В. Уитворт, доктор медицины; Питер Д. Бейч, доктор медицины; Ракеш Патель, доктор медицины; и другие.

В этом когортном исследовании оценивается клиническая полезность универсального генетического тестирования зародышевой линии для пациентов с раком молочной железы.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232787. doi: 10.1001 / jamanetworkopen.2022.32787

Абстрактный Полный текст ссылка на пдф пдф

ОНКОЛОГИЯ 22 СЕНТЯБРЯ 2022 ГОДА

Использование и отчетность о результатах, о которых сообщают пациенты, в испытаниях паллиативной лучевой терапии: систематический обзор

Александр Фабиан, доктор медицины, магистр делового администрирования; Юстус Домщиковски, доктор медицины; Энн Летч, доктор медицины; и другие.

В этом систематическом обзоре исследуется использование и отчетность о результатах, о которых сообщают пациенты, в клинических испытаниях паллиативной лучевой терапии.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231930. doi: 10.1001 / jamanetworkopen.2022.31930

Абстрактный Полный текст ссылка на пдф пдф

ФАРМАЦИЯ И КЛИНИЧЕСКАЯ ФАРМАКОЛОГИЯ 22 СЕНТЯБРЯ 2022 ГОДА

Сравнение ингибиторов натрий-глюкозного котранспортера 2 и агонистов рецепторов глюкагоноподобного пептида-1 и заболеваемости синдромом сухого глаза у пациентов с диабетом 2 типа на Тайване

Ю-Чен Су, доктор медицины; Джиа-Хорунг Хунг, доктор медицины; Кай-Ченг Чанг, RPh, MClinPharm; и другие.

В этом когортном исследовании сравниваются ингибиторы натрий-глюкозного котранспортера 2 (SGLT2) и агонисты рецептора глюкагоноподобного пептида-1 при синдроме сухого глаза у пациентов с диабетом 2 типа на Тайване.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232584. doi: 10.1001 / jamanetworkopen.2022.32584

Абстрактный Полный текст ссылка на пдф пдф

ЗДРАВООХРАНЕНИЕ 22 СЕНТЯБРЯ 2022 ГОДА

Расчетная эффективность COVID-19Вакцины против Омикрон или Дельта Симптоматическая инфекция и тяжелые исходы

Сара А. Бьюкен, доктор философии; Ханна Чанг, MPH; Кевин А. Браун, доктор философии; и другие.

В этом исследовании методом случай-контроль оценивается эффективность вакцин против COVID-19 против симптоматических инфекций, вызванных вариантами Delta и Omicron, и тяжелых исходов, связанных с этими инфекциями, среди взрослых в Онтарио, Канада.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2232760. doi: 10.1001 / jamanetworkopen.2022.32760

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ЗДРАВООХРАНЕНИЕ 22 СЕНТЯБРЯ 2022 ГОДА

Ассоциация приверженности рекомендациям по здоровому образу жизни со смертностью от всех причин и от конкретных причин среди бывших курильщиков

Маки Иноуэ-Чой, доктор философии; Есения Рамирес, MPH; Ами Фукунага, MPH; и другие.

В этом когортном исследовании бывших курильщиков оценивается, связано ли соблюдение рекомендаций по здоровому образу жизни со снижением смертности.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232778. doi: 10.1001 / jamanetworkopen.2022.32778

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Дополнительные преимущества ведения здорового образа жизни после отказа от курения

  Бабалола Фасеру, доктор медицины, магистр здравоохранения; Галька Фаган, доктор философии, магистр здравоохранения; Колаволе С. Окуйеми, доктор медицины, магистр здравоохранения

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2232784. doi: 10.1001/jamanetworkopen.2022.32784

  Абстрактный Полный текст ссылка на пдф пдф

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 22 СЕНТЯБРЯ 2022 ГОДА

Ассоциация последующих культур крови со смертностью у пациентов с грамотрицательными инфекциями кровотока: систематический обзор и метаанализ

Джошуа Т. Таден, доктор медицинских наук; Сара Кантрелл, MLIS, AHIP; Майкл Дагер, доктор медицины; и другие.

В этом систематическом обзоре и метаанализе изучается частота смертности у пациентов с грамотрицательными бактериальными инфекциями кровотока, которым в последующем делают посев крови.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232576. doi: 10.1001 / jamanetworkopen.2022.32576

Абстрактный Полный текст ссылка на пдф пдф

КАРДИОЛОГИЯ 22 СЕНТЯБРЯ 2022 ГОДА

Прогностические последствия частичного резерва кровотока после коронарного стентирования: систематический обзор и метаанализ

Доён Хван, доктор медицины; Бон-Квон Ку, доктор медицинских наук; Цзиньлун Чжан, доктор медицинских наук; и другие.

В этом систематическом обзоре и метаанализе рассматриваются клинические исходы, связанные с показателями низкого фракционного резерва кровотока после чрескожных коронарных вмешательств со стентами с лекарственным покрытием.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232842. doi: 10.1001 / jamanetworkopen.2022.32842

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО Употребление психоактивных веществ и зависимость 22 СЕНТЯБРЯ 2022 ГОДА

Анализ госпитализации для лечения расстройств, связанных с употреблением психоактивных веществ, в США по полу, расе и этнической принадлежности до и во время пандемии COVID-19

Джонатан Х. Кантор, доктор философии; Кристофер М. Уэйли, доктор философии; Брэдли Д. Стейн, доктор медицинских наук; и другие.

В этом перекрестном исследовании изучаются изменения в госпитализации по поводу расстройств, связанных с употреблением психоактивных веществ, во время пандемии COVID-19 в зависимости от пола, расы и этнической принадлежности.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2232795. doi: 10.1001 / jamanetworkopen.2022.32795

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ПОПРАВКА 22 СЕНТЯБРЯ 2022 ГОДА

Ошибка на рисунке

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2236321. doi: 10.1001 / jamanetworkopen.2022.36321

Абстрактный Полный текст ссылка на пдф пдф

ЗДРАВООХРАНЕНИЕ 21 СЕНТЯБРЯ 2022 ГОДА

Эффективность вмешательства с помощью текстовых сообщений, пропагандирующего использование ремней безопасности среди молодых людей: рандомизированное клиническое исследование

Брайан Суффолетто, доктор медицины, магистр медицины; Мария Л. Пачелла-ЛаБарбара, доктор философии; Джеймс Хьюбер, магистр здравоохранения; и другие.

В этом рандомизированном клиническом исследовании оценивается эффективность автоматизированной поведенческой программы текстовых сообщений, пропагандирующей использование ремней безопасности среди молодых людей, по сравнению с контролем внимания.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231616. doi: 10.1001 / jamanetworkopen.2022.31616

Абстрактный Полный текст ссылка на пдф пдф

ЗДРАВООХРАНЕНИЕ 21 СЕНТЯБРЯ 2022 ГОДА

Эффективность MyPEEPS Mobile, вмешательства по профилактике ВИЧ с использованием мобильных технологий, в снижении сексуального риска среди подростков мужского пола, влекущихся к своему полу: рандомизированное клиническое исследование

Ребекка Шналл, доктор философии, магистр здравоохранения, RN-BC; Лиза М. Кунс, доктор философии, магистр здравоохранения; Синтия Пирсон, доктор философии; и другие.

В этом рандомизированном клиническом исследовании оценивается эффективность MyPEEPS Mobile, мобильного вмешательства по профилактике ВИЧ, в снижении рискованного сексуального поведения подростков мужского пола, привлеченных к тому же полу.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231853. doi: 10.1001 / jamanetworkopen.2022.31853

Абстрактный Полный текст ссылка на пдф пдф

НЕВРОЛОГИЯ 21 СЕНТЯБРЯ 2022 ГОДА

Эффективность иглоукалывания при тревоге у пациентов с болезнью Паркинсона: рандомизированное клиническое исследование

Цзин-ци Фань, доктор философии; Вэй-цзин Лу, мм; Вэй-Цян Тань, ММ; и другие.

В этом рандомизированном клиническом исследовании изучается эффективность акупунктуры по сравнению с имитацией акупунктуры для лечения тревоги у пациентов с болезнью Паркинсона.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232133. doi: 10.1001 / jamanetworkopen.2022.32133

Абстрактный Полный текст ссылка на пдф пдф

ПЕДИАТРИЯ 21 СЕНТЯБРЯ 2022 ГОДА

Ассоциация послеродового материнского настроения с восприятием речи младенцев в возрасте 2 и 6,5 месяцев

Геза Шаадт, доктор философии; Рэйчел Г. Зсидо, бакалавр искусств; Арно Вилрингер, доктор медицины; и другие.

В этом когортном исследовании изучается, связано ли депрессивное материнское настроение на субклиническом уровне через 2 месяца после рождения с траекториями восприятия речи младенцами в возрасте от 2 до 6,5 месяцев.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232672. doi:10.1001/jamanetworkopen.2022.32672

Абстрактный Полный текст ссылка на пдф пдф

ПСИХИАТРИЯ 21 СЕНТЯБРЯ 2022 ГОДА

Эмоциональное истощение среди медицинских работников США до и во время COVID-19Пандемия, 2019-2021 гг.

Дж. Брайан Секстон, доктор философии; Кэтрин С. Адэр, доктор философии; Джошуа Пру, BSEE; и другие.

В этом обзорном исследовании изучаются изменения в сообщениях медицинских работников об эмоциональном истощении до и во время пандемии COVID-19.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2232748. doi: 10.1001/jamanetworkopen.2022.32748

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

• Приглашенный комментарий

  Перипандемическое исследование выгорания медицинских работников и его последствия для клинической практики, образования и исследований

  Ари Шехтер, доктор философии; Эллисон А. Норфул, доктор философии, RN, ANP-BC

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2232757. doi: 10.1001/jamanetworkopen.2022.32757

  Абстрактный Полный текст ссылка на пдф пдф

АКУШЕРСТВО И ГИНЕКОЛОГИЯ 21 СЕНТЯБРЯ 2022 ГОДА

Сравнение тяжести симптомов мочеполового синдрома менопаузы после лазера на углекислом газе и вагинальной терапии эстрогенами: систематический обзор и метаанализ

Ю-Чай Джанг, доктор медицины; Чи Ян Люн, доктор медицинских наук, доктор медицинских наук; Си-Лан Хуан, доктор медицинских наук, MHS, PhD

В этом систематическом обзоре женщин с симптомами мочеполового синдрома при менопаузе сравнивается тяжесть симптомов после вагинального лазера и терапии эстрогенами.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232563. doi: 10.1001 / jamanetworkopen.2022.32563

Абстрактный Полный текст ссылка на пдф пдф

ЗДРАВООХРАНЕНИЕ 21 СЕНТЯБРЯ 2022 ГОДА

Риск синдрома Гийена-Барре среди пожилых людей, получающих вакцину против гриппа на Тайване

Ченг-Чанг Йен, доктор медицины; Кай-Че Вей, доктор медицины; Вен-Хва Ван, доктор медицины; и другие.

В этом перекрестном исследовании изучается связь между вакцинацией против сезонного гриппа и заболеваемостью синдромом Гийена-Барре среди взрослых в возрасте 65 лет и старше на Тайване.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232571. doi: 10.1001 / jamanetworkopen.2022.32571

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 21 СЕНТЯБРЯ 2022 ГОДА

Оценка немедикаментозных вмешательств и исходов сна у госпитализированных терапевтических и хирургических пациентов: нерандомизированное контролируемое исследование

Ева С. ван ден Энде, доктор медицины; Ханнеке Мертен, доктор философии; Лисанн Ван дер Рост; и другие.

В этом нерандомизированном контролируемом исследовании изучается использование немедикаментозных вмешательств для улучшения продолжительности и качества сна у госпитализированных пациентов

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232623. doi:10.1001/jamanetworkopen.2022.32623

Абстрактный Полный текст ссылка на пдф пдф

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 21 СЕНТЯБРЯ 2022 ГОДА

Оценка факторов, связанных с внебольничными инфекциями мочевыводящих путей, продуцирующими β-лактамазы расширенного спектра действия

Escherichia coli , ​​во Франции

Аделина Помье, магистр наук; Антуан Аскье-Хати, доктор медицины; Соня Тибо, доктор философии; и другие.

В этом перекрестном исследовании изучаются экологические факторы, связанные с внебольничной продукцией бета-лактамаз расширенного спектра действия Escherichia coli инфекции мочевыводящих путей во Франции.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232679. doi:10.1001/jamanetworkopen.2022.32679

Абстрактный Полный текст ссылка на пдф пдф

ПСИХИАТРИЯ 20 СЕНТЯБРЯ 2022 ГОДА

Распространенность депрессии и посттравматического стрессового расстройства во Флинте, штат Мичиган, через 5 лет после начала водного кризиса

Аарон Рубен, доктор философии, MEM; Анджела Морленд, доктор философии; Сальма М. Абдалла, MBBS, MPH; и другие.

В этом перекрестном исследовании изучается распространенность и факторы, связанные с текущим предполагаемым диагностическим уровнем большой депрессии и посттравматического стрессового расстройства (ПТСР) среди жителей Флинта, штат Мичиган, через 5 лет после начала водного кризиса.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232556. doi: 10.1001/jamanetworkopen.2022.32556

Абстрактный Полный текст ссылка на пдф пдф

КАРДИОЛОГИЯ 20 СЕНТЯБРЯ 2022 ГОДА

Оптимальное фармакологическое лечение сердечной недостаточности с сохраненной и умеренно сниженной фракцией выброса: метаанализ

Боян Сян, БМ; Жуйци Чжан, BM; Сяогуан Ву, БМ; и другие.

В этом сетевом метаанализе сравнивается эффективность различных комбинаций препаратов для лечения сердечной недостаточности с сохраненной фракцией выброса и сердечной недостаточности с умеренно сниженной фракцией выброса.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231963. doi: 10.1001 / jamanetworkopen.2022.31963

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 20 СЕНТЯБРЯ 2022 ГОДА

Показатели регистрации в программе Medicare среди диализных пациентов после внедрения реформы оплаты Medicare и рынка Закона о доступном медицинском обслуживании

Вирджиния Ван, доктор философии; Линдси Цепель, MS; Брэдли Г. Хэммилл, доктор медицинских наук; и другие.

В этом когортном исследовании описываются тенденции регистрации в программе Medicare пациентов с терминальной стадией заболевания почек в период с 2006 по 2016 год.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232118. doi: 10.1001 / jamanetworkopen.2022.32118

Абстрактный Полный текст ссылка на пдф пдф

НЕВРОЛОГИЯ 20 СЕНТЯБРЯ 2022 ГОДА

Ассоциация полиморбидности, кластеров заболеваний и модификации генетическими факторами с риском деменции

Кэтрин М. Кальвин, доктор философии; Меган С. Конрой, магистр наук; Сара Ф. Мур, MB BCChir; и другие.

В этом когортном исследовании изучается, связана ли мультиморбидность с возникновением деменции и различаются ли ассоциации в зависимости от различных групп заболеваний и генетического риска деменции.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232124. doi:10.1001/jamanetworkopen.2022.32124

Абстрактный Полный текст ссылка на пдф пдф

ОПЕРАЦИЯ 20 СЕНТЯБРЯ 2022 ГОДА

Оценка результатов учебника как комбинированная мера качества плановой лапароскопической холецистэктомии

Джеймс Лукок, МБЧБ; Джон Сколлей, MPhil; Прадип Патил, доктор медицины

В этом когортном исследовании предлагаются стандартные критерии исхода после плановой холецистэктомии и определяются причины неудачи и индивидуальные факторы, предрасполагающие к неудаче.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232171. doi: 10.1001 / jamanetworkopen.2022.32171

Абстрактный Полный текст ссылка на пдф пдф

ДИАБЕТ И ЭНДОКРИНОЛОГИЯ 20 СЕНТЯБРЯ 2022 ГОДА

Оценка различий в смертности от диабета среди взрослых в сельских и несельских округах США, 1999–2018 гг.

Сагар Б. Дугани, доктор медицинских наук, магистр здравоохранения; Кристина М. Вуд-Венц, магистр медицины; Мишель М. Мильке, доктор философии; и другие.

В этом перекрестном исследовании жителей США изучаются субнациональные тенденции смертности от диабета на основе урбанизации округов.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232318. doi: 10.1001 / jamanetworkopen.2022.32318

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ЗДРАВООХРАНЕНИЕ 20 СЕНТЯБРЯ 2022 ГОДА

Расовые и этнические различия в смертности от передозировки наркотиков в США во время пандемии COVID-19

Бет Хан, доктор медицинских наук, магистр здравоохранения; Эмили Б. Эйнштейн, доктор философии; Кристофер М. Джонс, PharmD, DrPH; и другие.

В этом перекрестном исследовании описываются общенациональные тенденции смертности от передозировки наркотиков во время пандемии COVID-19 в разбивке по возрасту, полу, расе и этнической принадлежности.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2232314. doi: 10.1001/jamanetworkopen.2022.32314

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 20 СЕНТЯБРЯ 2022 ГОДА

Изменения в доступе ветеранов США к специализированной помощи во время пандемии COVID-19

Кевин Н. Гриффит, доктор философии; Дэниел А. Асфау, доктор философии; Рэйчел Г. Чайлдерс, доктор философии; и другие.

Это кросс-секционное исследование определяет изменения в количестве направлений и времени ожидания для ветеранов, обращающихся за помощью к специалистам Управления здравоохранения ветеранов или сообщества.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2232515. doi: 10.1001 / jamanetworkopen.2022.32515

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ПОПРАВКА 20 СЕНТЯБРЯ 2022 ГОДА

пропуск в заголовке

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2235554. doi: 10.1001 / jamanetworkopen.2022.35554

Абстрактный Полный текст ссылка на пдф пдф

ПИТАНИЕ, ОЖИРЕНИЕ И УПРАЖНЕНИЯ 19 СЕНТЯБРЯ 2022 ГОДА

Влияние изменения образа жизни на кардиометаболическое здоровье среди молодых людей: рандомизированное клиническое исследование

Джессика Гоки ЛаРоуз, доктор философии; Триша М. Лихи, доктор философии; Отэм Ланойе, доктор философии; и другие.

В этом рандомизированном клиническом испытании проверяется влияние двух теоретически основанных мотивационных улучшений на снижение веса в рамках преимущественно цифрового вмешательства в образ жизни, разработанного для развивающихся взрослых.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231903. doi: 10.1001 / jamanetworkopen.2022.31903

Абстрактный Полный текст ссылка на пдф пдф

ГИГИЕНА ТРУДА 19 СЕНТЯБРЯ 2022 ГОДА

Эффективность трансцендентальной медитации для снижения стресса среди медицинских работников: рандомизированное клиническое исследование

Сангита П. Джоши, доктор медицины; Ан-Квок Ян Вонг, доктор медицинских наук; Аманда Брукер, доктор философии; и другие.

В этом рандомизированном клиническом исследовании оценивается эффективность практики Трансцендентальной Медитации в течение 3 месяцев для снижения стресса среди медицинских работников.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231917. doi: 10.1001 / jamanetworkopen.2022.31917

Абстрактный Полный текст ссылка на пдф пдф

ОПЕРАЦИЯ 19 СЕНТЯБРЯ 2022 ГОДА

Связь одновременной и отсроченной резекции метастазов в печени с осложнениями и выживаемостью у взрослых с колоректальным раком

Ибинь Ву, доктор медицины; Анронг Мао, доктор медицинских наук; Хуйпэн Ван, доктор медицины; и другие.

В этом сравнительном исследовании эффективности изучается общая выживаемость и выживаемость, специфичная для рака, у пациентов с вариацией последовательности KRAS или без нее, получавших лечение по поводу синхронных метастазов в печень.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231956. doi: 10.1001 / jamanetworkopen.2022.31956

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 19 СЕНТЯБРЯ 2022 ГОДА

Оценка вмешательства по снижению назначения аспирина пациентам, получающим варфарин в качестве антикоагулянта

Джордан К. Шефер, доктор медицины; Джош Эрриксон, доктор философии; Сяокуй Гу, доктор медицины, магистр искусств; и другие.

В этом исследовании повышения качества оцениваются изменения в частоте применения аспирина, кровотечений и тромбозов среди пациентов, получавших варфарин по поводу мерцательной аритмии и/или венозной тромбоэмболии без явных показаний к сопутствующему приему аспирина.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231973. doi: 10.1001 / jamanetworkopen.2022.31973

Абстрактный Полный текст ссылка на пдф пдф

ПИТАНИЕ, ОЖИРЕНИЕ И УПРАЖНЕНИЯ 19 СЕНТЯБРЯ 2022 ГОДА

Результаты потери веса, связанные с лечением семаглутидом у пациентов с избыточным весом или ожирением

Виссам Гусн, доктор медицины; Алан Де ла Роса, доктор медицины; Даниэль Сакото, доктор медицины; и другие.

В этом когортном исследовании оцениваются результаты снижения веса семаглутида в дозах, используемых в рандомизированных клинических исследованиях для пациентов с избыточным весом или ожирением.

открытый доступ

Открыта сеть JAMA. 2022;5(9):e2231982. doi: 10.1001 / jamanetworkopen. 2022.31982

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО АЛЛЕРГИЯ 19 СЕНТЯБРЯ 2022 ГОДА

Валидация шкалы PEN-FAST в педиатрической популяции

Ана Мария Копаеску, доктор медицины; Сара Вогрин, MBBS, MBiostat; Грег Шанд, магистр наук; и другие.

В этом когортном исследовании изучается модель принятия клинических решений в отношении аллергии на пенициллин среди педиатрических пациентов; модель учитывает, когда произошли реакции; испытывали ли пациенты ангионевротический отек, анафилаксию или тяжелую кожную побочную реакцию; и требовалось ли лечение.

открытый доступ

Открыта сеть JAMA. 2022;5(9):e2233703. doi: 10. 1001 / jamanetworkopen.2022.33703

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ПЕДИАТРИЯ 19 СЕНТЯБРЯ 2022 ГОДА

Вакцинация против вируса папилломы человека до и во время COVID-19Пандемия

Дженни К. Р. Фрэнсис, доктор медицины, магистр здравоохранения; Ситара М. Виракун, доктор философии, магистр здравоохранения; Серена Л. Лукас, RN, BSN, MBA; и другие.

В этом перекрестном исследовании сравниваются вакцинации против вируса папилломы человека по возрасту и сезону до и во время пандемии COVID-19.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2234000. doi: 10.1001 / jamanetworkopen.2022.34000

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ОПЕРАЦИЯ 16 СЕНТЯБРЯ 2022 ГОДА

Эффективность однократного и многократного введения профилактических внутривенных антибиотиков при реконструкции молочной железы с помощью имплантатов: рандомизированное клиническое исследование

Джессика Гам, доктор медицинских наук; Анна Люнг Константиниду, доктор медицины; Якоб Лагергрен, доктор медицинских наук; и другие.

В этом рандомизированном клиническом исследовании рассматривается вопрос о том, превосходит ли профилактика многократными дозами антибиотиков по сравнению с профилактикой однократными дозами антибиотиков в предотвращении инфекций в области хирургического вмешательства после реконструкции молочной железы с помощью имплантатов.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231583. doi: 10.1001 / jamanetworkopen.2022.31583

Абстрактный Полный текст ссылка на пдф пдф

АКУШЕРСТВО И ГИНЕКОЛОГИЯ 16 СЕНТЯБРЯ 2022 ГОДА

Эффективность Self-cut и Mesh-Kit Полипропиленовая сетка с титановым покрытием для трансвагинального лечения тяжелого пролапса тазовых органов: многоцентровое рандомизированное клиническое исследование не меньшей эффективности

Хуан Чен, доктор медицинских наук; Цзяцзе Ю, доктор философии; Авраам Морс, доктор медицины; и другие.

В этом рандомизированном клиническом исследовании в течение 1 года оценивается эффективность и безопасность полипропиленовой сетки с титановым покрытием, предназначенной для самостоятельного вырезания, и набора сеток для трансвагинального хирургического лечения женщин с тяжелым пролапсом тазовых органов.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231869. doi: 10.1001 / jamanetworkopen.2022.31869

Абстрактный Полный текст ссылка на пдф пдф

Употребление психоактивных веществ и зависимость 16 СЕНТЯБРЯ 2022 ГОДА

Изменения в посещении отделений неотложной помощи по поводу синдрома гиперемезиса каннабиса после легализации каннабиса в рекреационных целях и последующей коммерциализации в Онтарио, Канада

Дэниел Томас Майран, доктор медицины, магистр здравоохранения; Рианнон Робертс, магистр наук; Майкл Пульезе, магистр наук; и другие.

В этом перекрестном исследовании изучаются изменения в количестве и характеристиках посещений отделений неотложной помощи (ED) по поводу синдрома гиперемезиса каннабиса до и после легализации и коммерциализации каннабиса в Онтарио, Канада.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231937. doi: 10.1001 / jamanetworkopen.2022.31937

Абстрактный Полный текст ссылка на пдф пдф

УРОЛОГИЯ 16 СЕНТЯБРЯ 2022 ГОДА

Сравнение расходов на здравоохранение в течение 1 года и использования после минимально инвазивной и открытой нефрэктомии

Кеннеди Э. Охавере, доктор медицины, магистр здравоохранения; Гедивон Милки, доктор философии; И-Фан Ши, доктор философии; и другие.

В этом когортном исследовании изучается использование и расходы на здравоохранение в течение 1 года после частичной или радикальной нефрэктомии, выполненной с использованием минимально инвазивных и открытых подходов.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231885. doi: 10.1001 / jamanetworkopen.2022.31885

Абстрактный Полный текст ссылка на пдф пдф

ПСИХИАТРИЯ 16 СЕНТЯБРЯ 2022 ГОДА

Ассоциация стресса, связанного с зоной боевых действий, с изменениями микроструктуры лимбического серого вещества

Элизабет Кауфманн, доктор медицины; Филина Ройчик, магистр наук; Валери Дж. Сиднор, бакалавр искусств; и другие.

В этом когортном исследовании оценивается связь между стрессом, связанным с зоной боевых действий, и изменениями лимбической микроструктуры серого вещества в группе ветеранов из США.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231891. doi: 10.1001 / jamanetworkopen.2022. 31891

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 16 СЕНТЯБРЯ 2022 ГОДА

Распространенность и факторы риска медицинского долга и последующие изменения социальных детерминант здоровья в США

Дэвид У. Химмельштейн, доктор медицины; Сэмюэл Л. Дикман, доктор медицины; Дэнни Маккормик, доктор медицины, магистр здравоохранения; и другие.

Это кросс-секционное и когортное исследование оценивает распространенность и характеристики, связанные с медицинской задолженностью, среди взрослого населения США, а также оценивает изменения в продовольственной и жилищной безопасности среди лиц, имеющих медицинскую задолженность.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231898. doi: 10.1001 / jamanetworkopen.2022.31898

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 16 СЕНТЯБРЯ 2022 ГОДА

Оценка общесистемных программ улучшения для оптимизации времени до операции у пациентов с переломами шейки бедра: систематический обзор

Парисви Тевари, бакалавр искусств; Брайан Ф. Суини-младший, MBA; Джейси Л. Лемос, магистр медицины; и другие.

В этом систематическом обзоре перечислены программы усовершенствования, разработанные для сокращения времени до операции по поводу переломов шейки бедра, указаны их результаты и классифицированы программные стратегии в соответствии с рекомендациями экспертов по внедрению изменений.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231911. doi:10.1001/jamanetworkopen.2022.31911

Абстрактный Полный текст ссылка на пдф пдф

ОПЕРАЦИЯ 16 СЕНТЯБРЯ 2022 ГОДА

Использование транскаротидной реваскуляризации, трансфеморального стентирования сонной артерии и каротидной эндартерэктомии в США с 2015 по 2019 год

Дэвид П. Стонко, доктор медицины, магистр медицины; граф Голдсборо III, бакалавр наук; Павел Кибрик, DO; и другие.

В этом когортном исследовании изучаются характер применения, исходы, а также факторы пациента и заболевания, связанные с транскаротидной реваскуляризацией (TCAR), трансфеморальным стентированием сонной артерии (TFCS) и каротидной эндартерэктомией (CEA) в США с 2015 по 2019 год.

открытый доступ

Открыта сеть JAMA. 2022;5(9):e2231944. doi: 10.1001 / jamanetworkopen.2022.31944

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО РАЗНООБРАЗИЕ, СПРАВЕДЛИВОСТЬ И ВКЛЮЧЕНИЕ 16 СЕНТЯБРЯ 2022 ГОДА

Связь социальных факторов риска со смертностью среди взрослых в США с новым диагнозом рака

Мэтью П. Банегас, доктор философии; Джон Ф. Дикерсон, доктор философии; Чжиюань Чжэн, доктор философии; и другие.

В этом когортном исследовании изучается связь множественных социальных факторов риска с риском смертности среди пациентов с впервые диагностированным раком в США.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233009. doi: 10. 1001 / jamanetworkopen.2022.33009

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 16 СЕНТЯБРЯ 2022 ГОДА

Факторы, связанные с вакцинацией против COVID-19 среди лиц с недоверием к вакцине во франкоязычной Бельгии

Глория Явави Гбенонси, магистр здравоохранения; Алин Лабат, MPH; Амандин Олеффе, магистр здравоохранения; и другие.

В этом перекрестном исследовании изучается, почему люди во франкоязычных регионах Бельгии, которые изначально сопротивлялись заражению COVID-19вакцина в конце концов решила сделать прививку.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2234433. doi: 10.1001 / jamanetworkopen.2022.34433

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ПОПРАВКА 16 СЕНТЯБРЯ 2022 ГОДА

Ошибка терминологии

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2235374. doi: 10.1001 / jamanetworkopen.2022.35374

Абстрактный Полный текст ссылка на пдф пдф

ПОПРАВКА 16 СЕНТЯБРЯ 2022 ГОДА

Ошибка в обсуждении

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2235424. doi: 10.1001 / jamanetworkopen.2022.35424

Абстрактный Полный текст ссылка на пдф пдф

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 15 СЕНТЯБРЯ 2022 ГОДА

Влияние цифрового напоминания о приеме лекарств и терапии под наблюдением монитора по сравнению со стандартной терапией под непосредственным наблюдением на качество жизни, связанное со здоровьем, и катастрофические затраты у пациентов с туберкулезом: вторичный анализ рандомизированного клинического исследования

Цегахун Маньязевал, доктор философии; Йимтурезинаш Вольдемануэль, доктор медицинских наук; Абебау Фекаду, доктор медицинских наук; и другие.

В этом рандомизированном клиническом исследовании сравниваются показатели качества жизни, связанные со здоровьем, у пациентов с туберкулезом, которые проходили лечение и отслеживались с помощью электронного устройства, с ежедневными посещениями пациентов для получения лекарств.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230509. doi: 10.1001 / jamanetworkopen.2022.30509

Абстрактный Полный текст ссылка на пдф пдф

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 15 СЕНТЯБРЯ 2022 ГОДА

Принятие различных методов самостоятельного взятия проб для тестирования на SARS-CoV-2 раз в две недели у бессимптомных детей и воспитателей в детских садах Германии: нерандомизированное контролируемое исследование

Джеральдин Энгельс, доктор медицинских наук; Йоханнес Форстер, доктор медицины; Андреа Стренг, доктор философии; и другие.

В этом нерандомизированном контролируемом исследовании изучается приемлемость методов самостоятельного взятия проб для непрерывного эпиднадзора за SARS-CoV-2 среди бессимптомных детей и воспитателей детских садов в Германии.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2231798. doi: 10.1001 / jamanetworkopen.2022.31798

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ОНКОЛОГИЯ 15 СЕНТЯБРЯ 2022 ГОДА

Сравнение лечения и исходов в исследовании

ERBB2 -Low и ERBB2 -Zero Metastatic Cancer молочной железы во Франции

Омблин де Кальбиак, доктор медицины; Амели Луск, MS; Одри Майелье, доктор медицины; и другие.

В этом когортном исследовании изучаются исходы у пациентов с ERBB2 — низкий метастатический рак молочной железы по сравнению с таковыми у пациентов с ERBB2 — нулевой рак.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231170. doi: 10.1001 / jamanetworkopen.2022.31170

Абстрактный Полный текст ссылка на пдф пдф

НЕВРОЛОГИЯ 15 СЕНТЯБРЯ 2022 ГОДА

Реканализация при остром ишемическом инсульте у детей во Франции

Маноэль Коссоротофф, доктор медицинских наук; Базиль Керлеру, доктор медицины, магистр наук; Грегуар Булуи, доктор медицинских наук, магистр наук; и другие.

В этом когортном исследовании сравнивается использование внутривенного тромболизиса с эндоваскулярным лечением у детей с острым ишемическим инсультом.

открытый доступ

Открыта сеть JAMA. 2022;5(9):e2231343. doi: 10.1001 / jamanetworkopen.2022.31343

Абстрактный Полный текст ссылка на пдф пдф

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 15 СЕНТЯБРЯ 2022 ГОДА

Долговечность иммунного ответа после бустерной вакцинации против COVID-19 и связь с COVID-19Омикрон Инфекция

Майя Гилбоа, доктор медицины; Гили Регев-Йохай, доктор медицины; Михал Мандельбойм, доктор философии; и другие.

В этом когортном исследовании изучается уменьшение количества антител после введения второй и третьей доз вакцины против COVID-19 BNT162b2 (BioNTech/Pfizer).

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2231778. doi: 10.1001 / jamanetworkopen.2022.31778

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ГЛОБАЛЬНОЕ ЗДОРОВЬЕ 15 СЕНТЯБРЯ 2022 ГОДА

Результаты двухлетнего лечения у госпитализированных выживших после COVID-19 в Китае

Синьюэ Ян, бакалавр наук; Чао Хоу, бакалавр наук; Е Шен, MS; и другие.

В этом когортном исследовании оценивается состояние здоровья госпитализированных пациентов, перенесших COVID-19 в течение 2 лет, для выявления факторов, связанных с повышенным риском стойких симптомов.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2231790. doi: 10.1001 / jamanetworkopen.2022.31790

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

СТАТИСТИКА И МЕТОДЫ ИССЛЕДОВАНИЯ 15 СЕНТЯБРЯ 2022 ГОДА

Геопространственный анализ регионов пересадки органов

Тайлер Шаппе, магистр медицины; Сара Песко, доктор философии; Нрупен Бхавсар, доктор философии; и другие.

В этом когортном исследовании взрослых жителей США, находящихся в списках ожидания на трансплантацию почки, сравниваются 2 модели описания регионов, где проводится трансплантация, с использованием данных переписи населения США.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231863. doi: 10.1001 / jamanetworkopen. 2022.31863

Абстрактный Полный текст ссылка на пдф пдф

КАРДИОЛОГИЯ 15 СЕНТЯБРЯ 2022 ГОДА

Субклинические факторы риска сердечной недостаточности с сохраненной и сниженной фракцией выброса у взрослых чернокожих

Ли Чжао, доктор медицины; Рани Зират, бакалавр наук; Дженин Э. Джон, доктор медицины; и другие.

В этом когортном исследовании оцениваются субклинические сердечно-сосудистые и несердечно-сосудистые факторы риска, связанные с сердечной недостаточностью со сниженной и сохраненной фракцией выброса среди чернокожих жителей США в рамках исследования сердца Джексона.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231878. doi: 10.1001 / jamanetworkopen. 2022.31878

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ЗДРАВООХРАНЕНИЕ 15 СЕНТЯБРЯ 2022 ГОДА

Анализ показателей вакцинации школьников по расе, этнической принадлежности и географическому положению в г. Нью-Йорке

Брайан Элбель, доктор философии, магистр здравоохранения; Гэн Эрик Чжоу, Массачусетс; Дэвид С. Ли, доктор медицины, магистр медицины; и другие.

В этом перекрестном исследовании школьных данных Нью-Йорка изучаются различия в показателях вакцинации против COVID-19 в зависимости от расы, этнической принадлежности и района.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2231849. doi: 10.1001 / jamanetworkopen.2022.31849

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО Употребление психоактивных веществ и зависимость 15 СЕНТЯБРЯ 2022 ГОДА

Пространственный анализ изменений в продажах сигарет в Массачусетсе и граничащих штатах после запрета Массачусетса на ароматизаторы с ментолом

Самуэль Асаре, доктор философии; Ануджа Маймундар, доктор философии; Дж. Ли Вестмаас, доктор философии; и другие.

В этом когортном исследовании изучаются изменения в продажах сигарет в Массачусетсе и граничащих с ним штатах после полного запрета ментоловых ароматизаторов в Массачусетсе в 2020 году9.0096

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2232103. doi: 10.1001 / jamanetworkopen.2022.32103

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 15 СЕНТЯБРЯ 2022 ГОДА

Ежемесячные лимиты участия в расходах и наличные расходы для пациентов с коммерческой страховкой в ​​США

Пол Р. Шафер, доктор философии; Михал Хорни, доктор философии; Стейси Б. Дусетцина, доктор философии

В этом кросс-секционном исследовании оценивается, насколько ежемесячные лимиты на участие в расходах по сравнению с годовыми лимитами могут снизить личные расходы для пациентов, застрахованных на коммерческой основе, в США.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233006. doi: 10.1001 / jamanetworkopen.2022.33006

Абстрактный Полный текст ссылка на пдф пдф

ПОПРАВКА 15 СЕНТЯБРЯ 2022 ГОДА

Ошибка в результатах

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2235316. doi: 10.1001 / jamanetworkopen.2022.35316

Абстрактный Полный текст ссылка на пдф пдф

ПОПРАВКА 15 СЕНТЯБРЯ 2022 ГОДА

Ошибка в обсуждении

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2235523. doi: 10.1001 / jamanetworkopen.2022.35523

Абстрактный Полный текст ссылка на пдф пдф

ПОПРАВКА 15 СЕНТЯБРЯ 2022 ГОДА

Ошибки на рисунке

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2235575. doi: 10.1001 / jamanetworkopen.2022.35575

Абстрактный Полный текст ссылка на пдф пдф

ПИТАНИЕ, ОЖИРЕНИЕ И УПРАЖНЕНИЯ 14 СЕНТЯБРЯ 2022 ГОДА

7-летнее исследование стойкости улучшения боли, физической функции и производительности труда после обходного желудочного анастомоза по Ру и рукавной резекции желудка

Венди К. Кинг, доктор философии; Аманда С. Хинерман, доктор философии; Гретхен Э. Уайт, доктор философии

В этом когортном исследовании оценивается устойчивость улучшения боли и физической функции в течение 7 лет после желудочного анастомоза по Ру (RYGB) или рукавной гастрономии (SG).

открытый доступ есть аудио

Сеть JAMA открыта. 2022;5(9):e2231593. doi: 10.1001 / jamanetworkopen.2022.31593

Абстрактный Полный текст ссылка на пдф пдф

• Аудио: Долгосрочные изменения боли, физической функции и производительности труда после бариатрической хирургии

ПСИХИАТРИЯ 14 СЕНТЯБРЯ 2022 ГОДА

Влияние миноциклина на симптомы депрессии у пациентов с резистентной к лечению депрессией: рандомизированное клиническое исследование

Джулиан Хеллманн-Реген, доктор медицины; Вера Клеменс, доктор медицины; Майкл Грёзингер, доктор медицины; и другие.

В этом рандомизированном клиническом исследовании изучается, может ли 6-недельный прием миноциклина в качестве дополнения к обычному лечению антидепрессантами значительно уменьшить депрессивные симптомы у пациентов с резистентной к терапии депрессией.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230367. doi: 10.1001 / jamanetworkopen.2022.30367

Абстрактный Полный текст ссылка на пдф пдф

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 14 СЕНТЯБРЯ 2022 ГОДА

Самооценка опыта болезни и психосоциальные последствия для молодежи американских индейцев в резервации во время COVID-19

Линда Р. Стэнли, доктор философии; Меган А. Крэбтри, доктор философии; Рэндалл С. Суэйм, доктор философии; и другие.

В этом перекрестном исследовании оцениваются случаи заболевания, о которых сообщают сами, и изменения психосоциальных факторов во время пандемии COVID-19 среди молодежи американских индейцев из резерваций.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2231764. doi: 10.1001 / jamanetworkopen.2022.31764

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ОНКОЛОГИЯ 14 СЕНТЯБРЯ 2022 ГОДА

Долгосрочные результаты среди мужчин, находящихся под активным наблюдением за раком простаты в Швеции

Эудженио Вентимилья, доктор медицины; Анна Билл-Аксельсон, доктор медицинских наук; Ола Братт, доктор медицинских наук; и другие.

В этом когортном исследовании применяется модель перехода состояния для оценки 30-летней траектории рака предстательной железы (РПЖ) среди мужчин в Швеции с РПЖ низкого или промежуточного риска, управляемых активным наблюдением.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231015. doi: 10.1001 / jamanetworkopen.2022.31015

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Изучение долгосрочных результатов активного эпиднадзора за мужчинами с раком простаты — для кого лучше?

  Ахмед О. Эльмерат

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2231024. doi: 10.1001 / jamanetworkopen.2022.31024

  Абстрактный Полный текст ссылка на пдф пдф

НЕФРОЛОГИЯ 14 СЕНТЯБРЯ 2022 ГОДА

Распространенность и клиническое значение врожденных аномалий почек и мочевыводящих путей у недоношенных детей

Томас Хейс, доктор медицины, доктор философии; Микаэла В. Томпсон, доктор медицины; Дэвид А. Бейтман, доктор медицины; и другие.

В этом когортном исследовании большой базы данных младенцев в США, находящихся в отделениях интенсивной терапии новорожденных, изучается распространенность и клинические исходы врожденных аномалий почек и мочевыводящих путей.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231626. doi: 10.1001 / jamanetworkopen.2022.31626

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Врожденные аномалии почек и мочевыводящих путей у недоношенных детей — активные факторы роста заболеваемости или сопутствующие наблюдатели?

  Тахагод Х. Мохамед, доктор медицины; Джонатан Л. Слотер, доктор медицины, магистр здравоохранения

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2234474. doi: 10.1001/jamanetworkopen.2022.34474

  Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 14 СЕНТЯБРЯ 2022 ГОДА

Ориентировочная стоимость разработки терапевтического комплексного медицинского изделия в США

Айлин Серткая, кандидат наук; Ребекка ДеВриз, доктор медицинских наук; Эмбер Джессап, доктор философии; и другие.

В этом исследовании экономической оценки используется аналитическая модель для оценки общей стоимости вывода на рынок США нового терапевтического комплексного медицинского устройства.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231609. doi: 10.1001 / jamanetworkopen.2022.31609

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО КАРДИОЛОГИЯ 14 СЕНТЯБРЯ 2022 ГОДА

Распространенность и частота самостоятельного измерения артериального давления у взрослых в США в возрасте 50-80 лет

Меллани В. Спрингер, доктор медицины, магистр медицины; Прити Малани, MD, MSJ; Эрика Солвей, доктор философии, MSW, MPH; и другие.

В этом обзорном исследовании исследуются распространенность, частота и факторы, связанные с самостоятельным мониторингом артериального давления среди взрослых в возрасте от 50 до 80 лет.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231772. doi: 10.1001 / jamanetworkopen.2022.31772

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО НЕОТЛОЖНАЯ МЕДИЦИНСКАЯ ПОМОЩЬ 14 СЕНТЯБРЯ 2022 ГОДА

Связь расы и этнической принадлежности с показателями индекса тяжести неотложной помощи при сортировке и общими единицами относительной стоимости посещения работы для пациентов отделения неотложной помощи

Джошуа В. Джозеф, MD, MS, MBE; Олден М. Лэндри, доктор медицины, магистр здравоохранения; Маура Кеннеди, доктор медицины, магистр здравоохранения; и другие.

В этом кросс-секционном исследовании оценивается связь расы и этнической принадлежности с показателями индекса тяжести неотложной помощи при сортировке и общими единицами относительной стоимости работы для пациентов отделения неотложной помощи (ED).

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231769. doi: 10.1001 / jamanetworkopen.2022.31769

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 14 СЕНТЯБРЯ 2022 ГОДА

Оценка факторов риска перехода от бытового контакта с COVID-19 к заболевшему в Нью-Йорке, с 1 августа 2020 г. по 31 июля 2021 г.

Кэтрин Уиттемор, магистр здравоохранения; Штеффен Ферстер, доктор философии; Кэтлин Блейни, MPH, RN; и другие.

В этом кросс-секционном исследовании изучается более 600 000 домашних контактов в Нью-Йорке, чтобы охарактеризовать риски заражения SARS-CoV-2 после контакта с домохозяйством.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2233001. doi: 10.1001 / jamanetworkopen.2022.33001

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ОТ РЕДАКЦИИ 13 СЕНТЯБРЯ 2022 ГОДА

Более широкий скрининг диабета 2 типа у молодежи — мы просто еще не достигли этого

Эми С. Шах, доктор медицины, магистр медицины; Кристен Дж. Надо, доктор медицины, магистр медицины; Меган М. Келси, доктор медицины, магистр медицины

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2220540. doi: 10.1001 / jamanetworkopen.2022.20540

Абстрактный Полный текст ссылка на пдф пдф

ГЕРИАТРИЯ 13 СЕНТЯБРЯ 2022 ГОДА

Влияние добавок витамина D

₃ и омега-3 жирных кислот на риск слабости: вспомогательное исследование рандомизированного клинического испытания

Ариэла Р. Оркаби, доктор медицины, магистр здравоохранения; Римма Душкес, кандидат наук; Рэйчел Уорд, доктор философии; и другие.

В этом дополнительном исследовании рандомизированного клинического испытания изучается влияние витамина D3 с добавками омега-3 жирных кислот на слабость у пожилых людей.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231206. doi: 10.1001 / jamanetworkopen.2022.31206

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Не существует волшебной таблетки от слабости — вам все равно придется есть овощи

  Элизабет Экстром, доктор медицины, магистр здравоохранения; Брайанна Де Лима, MPH

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2231147. doi: 10.1001 / jamanetworkopen.2022.31147

  Абстрактный Полный текст ссылка на пдф пдф

ИНФОРМАТИКА ЗДОРОВЬЯ 13 СЕНТЯБРЯ 2022 ГОДА

Влияние личного обучения по сравнению с видеообучением и доступом ко всем функциям по сравнению с ограниченным подмножеством функций на использование портала среди стационарных пациентов: рандомизированное клиническое исследование

Энн Шек Макэлирни, доктор наук, магистр наук; Дэниел М. Уокер, доктор философии, магистр здравоохранения; Синтия Дж. Сик, доктор философии, магистр здравоохранения; и другие.

В этом рандомизированном клиническом исследовании оценивается влияние обучения и доступности функций портала на использование портала в стационаре, а также на удовлетворенность пациентов и их участие в лечении.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231321. doi: 10.1001 / jamanetworkopen.2022.31321

Абстрактный Полный текст ссылка на пдф пдф

ГАСТРОЭНТЕРОЛОГИЯ И ГЕПАТОЛОГИЯ 13 СЕНТЯБРЯ 2022 ГОДА

Анализ имитационной модели для оценки отдаленных результатов у пациентов с неалкогольной жировой болезнью печени

Джагприт Чхатвал, доктор философии; Озден О. Далгич, доктор философии; Ваньи Чен, доктор философии; и другие.

В этом исследовании, посвященном аналитическому моделированию принятия решений, оцениваются долгосрочные исходы смертности, связанные с печенью, не связанные с печенью, и общая смертность в смоделированной популяции пациентов с неалкогольной жировой болезнью печени по стадиям фиброза.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230426. doi:10.1001/jamanetworkopen.2022.30426

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Моделирование отдаленных исходов у пациентов с неалкогольной жировой болезнью печени

  Джи-Фу Хуанг, доктор медицинских наук; Минг-Лунг Ю, доктор медицинских наук; Ван-Лонг Чуанг, доктор медицинских наук

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2230436. doi: 10. 1001 / jamanetworkopen.2022.30436

  Абстрактный Полный текст ссылка на пдф пдф

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 13 СЕНТЯБРЯ 2022 ГОДА

Стойкость и защитный потенциал уровней антител к SARS-CoV-2 после вакцинации против COVID-19 в когорте домов престарелых в Западной Вирджинии

Кэти Смут, доктор философии; Цзяньбо Ян, доктор философии; Дэниел Гермес Такер, доктор философии; и другие.

В этом поперечном исследовании жителей и сотрудников домов престарелых в Западной Вирджинии, вакцинированных против COVID-19, исследуются уровни пиковых антител к SARS-CoV-2 и связь с последующим инфицированием.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2231334. doi: 10.1001/jamanetworkopen.2022.31334

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ГАСТРОЭНТЕРОЛОГИЯ И ГЕПАТОЛОГИЯ 13 СЕНТЯБРЯ 2022 ГОДА

Моделирование оптимальных клинических порогов для плановой пластики грыжи живота у пациентов с циррозом печени

Надим Махмуд, MD, MS, MPH, MSCE; Дэвид С. Голдберг, доктор медицинских наук, MSCE; Самир Абу-Газала, доктор медицины; и другие.

В этом исследовании аналитической модели принятия решений используется марковское моделирование для определения оптимальных клинических порогов для оперативного и консервативного лечения симптоматической грыжи живота у пациентов с циррозом печени.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231601. doi: 10.1001 / jamanetworkopen.2022.31601

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ГЕРИАТРИЯ 13 СЕНТЯБРЯ 2022 ГОДА

Управление финансовыми активами пожилых людей с деменцией или другими когнитивными нарушениями и без них

Цзин Ли, доктор философии, магистр искусств; Шуци Ван, MS; Лорен Херш Николас, доктор философии, MPP

В этом перекрестном исследовании изучается, в какой степени пожилые люди США с деменцией или когнитивными нарушениями управляют своими финансами, сообщают о трудностях при этом и владеют рискованными финансовыми активами, такими как акции и кредиты.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231436. doi: 10.1001 / jamanetworkopen.2022.31436

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Важно спрашивать пожилых людей, испытывают ли они трудности с управлением финансами

  Джейсон Карлавиш, доктор медицины

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2231442. doi: 10.1001 / jamanetworkopen.2022.31442

  Абстрактный Полный текст ссылка на пдф пдф

ПЕДИАТРИЯ 12 СЕНТЯБРЯ 2022 ГОДА

Влияние программы профилактики диабета на факторы риска диабета 2 типа и качество жизни среди латиноамериканской молодежи с предиабетом: рандомизированное клиническое исследование

Армандо Пенья, доктор философии; Мика Л. Олсон, доктор медицины; Эльва Хукер, RD, CDE; и другие.

Это рандомизированное клиническое исследование оценивает эффективность программы профилактики диабета для улучшения чувствительности к инсулину, толерантности к глюкозе и качества жизни среди молодых латиноамериканцев с преддиабетом.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231196. doi: 10.1001 / jamanetworkopen.2022.31196

Абстрактный Полный текст ссылка на пдф пдф

ОНКОЛОГИЯ 12 СЕНТЯБРЯ 2022 ГОДА

Связь этнической принадлежности, пола и возраста с диагнозами рака и использованием медицинских услуг среди детей во Внутренней Монголии, Китай

Ху-Цзи-Вэй Чжоу, MPH; Ли-Ин Цяо, MPH; Юнь-Цзин Чжан, MPH; и другие.

В этом когортном исследовании используются данные из национальной базы данных медицинского страхования для оценки связи этнической принадлежности, пола и возраста с детским раком во Внутренней Монголии.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231182. doi: 10.1001 / jamanetworkopen.2022.31182

Абстрактный Полный текст ссылка на пдф пдф

НЕВРОЛОГИЯ 12 СЕНТЯБРЯ 2022 ГОДА

Ассоциация мозгового кровотока с продольными изменениями микроструктурной целостности головного мозга в исследовании развития риска коронарных артерий у молодых взрослых (CARDIA)

Мустафа Бухрара, доктор философии; Кертис Трибсветтер, бакалавр наук; Мэтью Кили, бакалавр наук; и другие.

В этом когортном исследовании изучается связь между мозговым кровотоком и снижением целостности мозговой ткани у здоровых взрослых при 5-летнем наблюдении.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231189. doi: 10.1001 / jamanetworkopen.2022.31189

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО УРОЛОГИЯ 12 СЕНТЯБРЯ 2022 ГОДА

Риск повышения стадии опухоли с помощью позитронно-эмиссионной томографии с простат-специфическим мембранным антигеном у пациентов с раком предстательной железы высокого риска

Аарон Брант, доктор медицины; Патрик Левицки, доктор медицины; Майкл Сян, доктор медицины, доктор философии; и другие.

Это поперечное исследование данных Национальной комплексной онкологической сети оценивает связь позитронно-эмиссионной томографии простатспецифического мембранного антигена с риском увеличения опухоли у пациентов с раком простаты высокого риска.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231101. doi: 10.1001 / jamanetworkopen.2022.31101

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ПЕДИАТРИЯ 12 СЕНТЯБРЯ 2022 ГОДА

Анализ инсулинорезистентности среди детей и подростков в Словении с гиперхолестеринемией после лечения статинами

Урх Гросель, доктор медицинских наук; Яка Сиконья, доктор медицины; Матей Млинарич, доктор медицинских наук; и другие.

В этом когортном исследовании оценивается связь между краткосрочным лечением розувастатином и изменениями маркеров инсулинорезистентности у детей и подростков в Словении, страдающих гиперхолестеринемией.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231097. doi: 10.1001 / jamanetworkopen.2022.31097

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО АКУШЕРСТВО И ГИНЕКОЛОГИЯ 12 СЕНТЯБРЯ 2022 ГОДА

Связь ощущаемого отсутствия поддержки со стороны отца после мертворождения с послеродовой депрессией или тревогой матери

Адам К. Левковиц, MD, MPHS; Тесс Э. К. Черсонски, бакалавр наук; Ума М. Редди, доктор медицины, магистр здравоохранения; и другие.

В этом кросс-секционном исследовании изучается частота послеродовой депрессии и тревожности у женщин, которые ощущают отсутствие отцовской поддержки после мертворождения.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2231111. doi: 10.1001 / jamanetworkopen.2022.31111

Абстрактный Полный текст ссылка на пдф пдф

ИНФОРМАТИКА ЗДОРОВЬЯ 9 СЕНТЯБРЯ 2022 ГОДА

Изменения и факторы, связанные со смертностью от рака на уровне округов США, 2008–2019 гг.

Вейчуань Дун, доктор философии; Вятт П. Бенскен, доктор философии; Уриэль Ким, доктор философии; и другие.

В этом перекрестном исследовании рассматриваются географические различия в связи между факторами риска и смертностью от рака.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230925. doi: 10.1001 / jamanetworkopen.2022.30925

Абстрактный Полный текст ссылка на пдф пдф

ОПЕРАЦИЯ 9 СЕНТЯБРЯ 2022 ГОДА

Сравнение инструментов многомерной оценки старческого состояния для оценки долгосрочных, ориентированных на пациента исходов после кардиохирургических вмешательств

Луиза Ю. Сун, врач, СМ; Хабиб Джабаги, доктор медицинских наук, магистр наук; Джиминг Фанг, доктор философии; и другие.

В этом когортном исследовании изучается показатель слабости скорректированных клинических групп Джона Хопкинса (ACG), шкала риска госпитальной слабости и индекс предоперационной слабости.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230959. doi: 10.1001 / jamanetworkopen.2022.30959

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Выявление слабости как фактора, связанного с неблагоприятными исходами сердечно-сосудистой хирургии — несовершенная, но многообещающая наука

  Джеффри Л. Джексон, доктор медицины, магистр здравоохранения; Кори Ганшерт, DO

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2230970. doi: 10.1001 / jamanetworkopen.2022.30970

  Абстрактный Полный текст ссылка на пдф пдф

ФАРМАЦИЯ И КЛИНИЧЕСКАЯ ФАРМАКОЛОГИЯ 9 СЕНТЯБРЯ 2022 ГОДА

Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США ускорило программу утверждения неонкологических лекарственных средств, показанных между 1992 и 2018

Кенджи Омаэ, доктор медицинских наук, доктор медицинских наук; Акира Ониши, доктор медицинских наук, магистр здравоохранения; Итан Сахкер, доктор философии; и другие.

В этом когортном исследовании оценивается использование программы ускоренного утверждения Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) в отношении неонкологических препаратов в течение 26 лет.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230973. doi: 10.1001 / jamanetworkopen.2022.30973

Абстрактный Полный текст ссылка на пдф пдф

КАРДИОЛОГИЯ 9 СЕНТЯБРЯ 2022 ГОДА

Ассоциация доменов социального риска с плохим контролем сердечно-сосудистых факторов риска у взрослых с диабетом в США, с 2006 по 2016 гг.

Тимоти Корвин, бакалавр наук; Мукосо Н. Озие, доктор медицинских наук, MSCR; Эмма Гараччи, MS; и другие.

В этом когортном исследовании оценивается контроль уровня глюкозы, артериального давления и уровня холестерина в контексте социальных детерминант здоровья среди пожилых людей с диабетом в США.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230853. doi: 10.1001 / jamanetworkopen.2022.30853

Абстрактный Полный текст ссылка на пдф пдф

МЕДИЦИНСКИЕ ЖУРНАЛЫ И ИЗДАТЕЛЬСТВА 9 СЕНТЯБРЯ 2022 ГОДА

Представление пациентов и их семей в рандомизированных клинических испытаниях, опубликованных в 3 медицинских и хирургических журналах: систематический обзор

Ниссим Бенизри, доктор медицины; Софи Халлот, бакалавр наук; Карен Бернс, доктор медицины, магистр наук; и другие.

В этом систематическом обзоре оценивается участие и роль представителей пациентов и их семей в разработке и проведении рандомизированных клинических испытаний, опубликованных в рецензируемых медицинских и хирургических журналах с высоким импакт-фактором.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230858. doi: 10.1001 / jamanetworkopen.2022.30858

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 9 СЕНТЯБРЯ 2022 ГОДА

Анализ гестационного набора веса во время пандемии COVID-19 в США

Ваннан Цао, доктор философии; Шэнчжи Сунь, доктор философии; Валерий Александрович Данилак, MPH, PhD

В этом перекрестном исследовании оцениваются изменения в прибавке массы тела во время беременности у лиц, родивших живых младенцев во время пандемии COVID-19.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2230954. doi: 10.1001 / jamanetworkopen.2022.30954

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ГЛОБАЛЬНОЕ ЗДОРОВЬЕ 8 СЕНТЯБРЯ 2022 ГОДА

Анализ проливных дождей в странах Африки к югу от Сахары и риска передачи ВИЧ, распространенности ВИЧ и инфекций, передающихся половым путем, 2005–2017 гг.

Джейсон М. Нагата, доктор медицины, магистр наук; Карли Хэмпшир, бакалавр наук; Эдриенн Эпштейн, доктор философии; и другие.

В этом популяционном перекрестном исследовании оценивается связь проливных дождей с распространенностью ВИЧ и инфекций, передающихся половым путем, и количеством сексуальных партнеров в странах Африки к югу от Сахары.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230282. doi: 10.1001 / jamanetworkopen.2022.30282

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Проливные дожди и ВИЧ и инфекции, передающиеся половым путем, в странах Африки к югу от Сахары — потенциальный новый риск

  Кристи Л. Эби, доктор философии, магистр здравоохранения; Юфимия Сибанда, доктор философии

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2230290. doi: 10.1001 / jamanetworkopen.2022.30290

  Абстрактный Полный текст ссылка на пдф пдф

ПЕДИАТРИЯ 8 СЕНТЯБРЯ 2022 ГОДА

Изменение взаимоотношений родитель-клиницист на протяжении первого года лечения в детской онкологии

Дженнифер В. Мак, доктор медицины, магистр здравоохранения; Тим Джаунг, магистр медицины; Хадзиме Уно, доктор философии; и другие.

В этом обзорном исследовании оцениваются изменения в терапевтических отношениях между клиницистами и родителями детей, больных раком, в течение первого года лечения.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230503. doi: 10.1001 / jamanetworkopen.2022.30503

Абстрактный Полный текст ссылка на пдф пдф

ПЕДИАТРИЯ 8 СЕНТЯБРЯ 2022 ГОДА

Связь концентраций биомаркеров черепно-мозговой травмы с исходами после остановки сердца у детей

Эрика Л. Финк, доктор медицины, магистр медицины; Патрик М. Кочанек, доктор медицины; Ашок Паниграхи, доктор медицины; и другие.

В этом когортном исследовании оценивается связь между концентрациями биомаркеров повреждения головного мозга в крови и исходами в течение 1 года среди детей, которые были реанимированы после остановки сердца.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230518. doi: 10.1001 / jamanetworkopen. 2022.30518

Абстрактный Полный текст ссылка на пдф пдф

ЗДРАВООХРАНЕНИЕ 8 СЕНТЯБРЯ 2022 ГОДА

Анализ реакций на вакцину после бустерных доз вакцины против COVID-19 среди беременных и кормящих женщин

Алиса Качикис, MD, MS; Джанет А. Инглунд, доктор медицины; Изабела Ковелли, доктор медицины; и другие.

В этом когортном исследовании описываются реакции на ревакцинацию или третьи дозы вакцины против COVID-19, а также опыт вакцинации среди беременных и кормящих женщин.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2230495. doi: 10.1001 / jamanetworkopen.2022.30495

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 8 СЕНТЯБРЯ 2022 ГОДА

Социально-демографические характеристики и сопутствующие заболевания у пациентов с длительным течением COVID и стойкой обонятельной дисфункцией

Ална Каролина Мендес Параньос, магистр наук; Апио Рикардо Назарет Диас, доктор философии; Ливия Каролина Мачадо да Силва; и другие.

В этом перекрестном исследовании описываются социально-демографические и клинические особенности пациентов с длительным течением COVID, у которых развивается стойкая обонятельная дисфункция.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2230637. doi: 10.1001 / jamanetworkopen.2022.30637

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ЗДРАВООХРАНЕНИЕ 8 СЕНТЯБРЯ 2022 ГОДА

Ассоциация экономических траекторий соседства с изменениями веса среди чернокожих и белых взрослых на юго-востоке США

Цянь Сяо, доктор философии; Эрик Майотт, MS; Дэвид Г. Шлундт, доктор философии; и другие.

В этом когортном исследовании оценивается связь между долгосрочными экономическими траекториями соседства и изменениями веса среди чернокожих и белых участников когортного исследования южного сообщества, проживающих в преимущественно малообеспеченных сообществах на юго-востоке США.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230697. doi: 10.1001 / jamanetworkopen.2022.30697

Абстрактный Полный текст ссылка на пдф пдф

ОНКОЛОГИЯ 8 СЕНТЯБРЯ 2022 ГОДА

Тенденции использования послеоперационной лучевой терапии с модулированной интенсивностью и ее связь с выживаемостью у пациентов с немелкоклеточным раком легкого с неполной резекцией

Брайан Ю, бакалавр наук; Сунг Джун Ма, доктор медицины; Оливия Уолдман, бакалавр наук; и другие.

В этом когортном исследовании оцениваются тенденции использования послеоперационной лучевой терапии с модулированной интенсивностью (IMRT) в США и связь IMRT с выживаемостью пациентов с немелкоклеточным раком легкого с неполной резекцией (NSCLC).

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230704. doi: 10.1001 / jamanetworkopen.2022.30704

Абстрактный Полный текст ссылка на пдф пдф

ДИАБЕТ И ЭНДОКРИНОЛОГИЯ 8 СЕНТЯБРЯ 2022 ГОДА

Кардиометаболические факторы риска и сердечно-сосудистые заболевания у женщин по сравнению с мужчинами с диабетом 1 типа

Барбара Х. Браффет, доктор философии; Ионут Бебу, доктор философии; Лор Эль Гормли, MS; и другие.

В этом когортном исследовании оцениваются половые различия кардиометаболических факторов риска и их лечение в связи с сердечно-сосудистыми заболеваниями (ССЗ) у мужчин и женщин с диабетом 1 типа.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230710. doi: 10.1001 / jamanetworkopen.2022.30710

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 8 СЕНТЯБРЯ 2022 ГОДА

Сравнение качества спермы до и после инактивированной вакцинации против SARS-CoV-2 среди мужчин в Китае

Цзялю Хуан, доктор медицины; Лейчжэнь Ся, MS; Лифэн Тянь, доктор медицины; и другие.

В этом когортном исследовании изучаются изменения качества спермы, включая объем спермы, концентрацию сперматозоидов, общее количество сперматозоидов, а также общую и прогрессирующую подвижность сперматозоидов, до и после инактивированной вакцины против SARS-CoV-2 среди мужчин в Китае.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2230631. doi: 10.1001 / jamanetworkopen.2022.30631

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 8 СЕНТЯБРЯ 2022 ГОДА

Оценка факторов риска смерти от COVID-19 после ревакцинации Омикрон в Англии

Ваге Нафилян, кандидат медицинских наук; Изобель Л. Уорд, доктор философии; Крис Робертсон, доктор философии; и другие.

В этом когортном исследовании взрослых в Англии оценивается связь социально-демографических и клинических факторов риска со смертью от COVID-19 среди лиц, завершивших первичную вакцинацию и получивших бустерную дозу матричной РНК (мРНК).

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2233446. doi: 10.1001 / jamanetworkopen.2022.33446

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

РАЗНООБРАЗИЕ, СПРАВЕДЛИВОСТЬ И ВКЛЮЧЕНИЕ 7 СЕНТЯБРЯ 2022 ГОДА

Ассоциация маргинализированных идентичностей с членством в Обществе чести Альфа-Омега Альфа и Обществе чести Золотого гуманизма среди студентов-медиков

Кэтрин А. Хилл, BA, BS; Маюр М. Десаи, доктор философии, магистр здравоохранения; Сарват И. Чаудри, доктор медицины; и другие.

В этом поперечном исследовании рассматриваются характеристики студентов обществ чести медицинских вузов.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229062. doi: 10.1001 / jamanetworkopen.2022.29062

Абстрактный Полный текст ссылка на пдф пдф

ИНФЕКЦИОННЫЕ ЗАБОЛЕВАНИЯ 7 СЕНТЯБРЯ 2022 ГОДА

Применение статистического обучения для выявления мутаций Omicron в данных о последовательности вирусного генома SARS-CoV-2 от населения в Африке и США

Лю Пин Чжао, доктор философии; Терри П. Лайбранд, доктор философии; Питер Гилберт, доктор философии; и другие.

В этой серии случаев оценивается применение стратегии статистического обучения к существующим данным эпиднадзора для улучшения раннего выявления новых вариантов SARS-CoV-2.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2230293. doi:10.1001/jamanetworkopen.2022.30293

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

УРОЛОГИЯ 7 СЕНТЯБРЯ 2022 ГОДА

Качество спермы после длительного профессионального воздействия формальдегида в Китае

Мо-ци Лв, доктор философии; Хай-сюй Ван, доктор философии; Ян-ци Ян, бакалавр наук; и другие.

В этом когортном исследовании оценивается, связано ли долгосрочное воздействие формальдегида на рабочем месте с качеством спермы.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230359. doi: 10.1001 / jamanetworkopen.2022.30359

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ЗДРАВООХРАНЕНИЕ 7 СЕНТЯБРЯ 2022 ГОДА

Сравнение показателей COVID-19 среди очных и виртуальных посетителей собрания Национального хирургического общества в США

Кейси М. Сильвер, доктор медицины; Рэйчел Х. Юнг, доктор медицины; Мелани С. Моррис, доктор медицины; и другие.

В этом обзорном исследовании сравниваютсяпоказатели заболеваемости среди личных и виртуальных участников крупного собрания хирургического общества, проходившего в США во время всплеска варианта Omicron.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2230300. doi: 10.1001 / jamanetworkopen.2022.30300

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

• Приглашенный комментарий

  Очные медицинские конференции во время пандемии COVID-19

  Винфрид В. Керн, доктор медицинских наук; Дэниел Дж. Морган, доктор медицины, магистр медицины

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2230305. doi: 10.1001 / jamanetworkopen.2022.30305

  Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО НЕВРОЛОГИЯ 7 СЕНТЯБРЯ 2022 ГОДА

Использование оценок клинических исходов при одобрении новых лекарств Отделами неврологии I и II Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США

Иветт Шейн, доктор медицинских наук, магистр медицины; Холли Фернандес Линч, JD, MBE

В этом кросс-секционном исследовании изучается одобрение лекарств Отделами неврологии I и II Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA), чтобы понять роль оценок клинических исходов в решениях регулирующих органов, в том числе о том, следует ли и как устранять потенциальные недостатки.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230530. doi: 10.1001 / jamanetworkopen.2022.30530

Абстрактный Полный текст ссылка на пдф пдф

РАЗНООБРАЗИЕ, СПРАВЕДЛИВОСТЬ И ВКЛЮЧЕНИЕ 6 СЕНТЯБРЯ 2022 ГОДА

Характеристика доступных ресурсов национальных медицинских обществ для поддержки недостаточно представленных меньшинств и женщин-стажеров

Линдсей А. Канди, бакалавр наук; Тайлер Л. Джарвис, бакалавр наук; Нелли В. Мовчан, врач; и другие.

В этом поперечном исследовании рассматриваются ресурсы для недостаточно представленных меньшинств и женщин-стажеров, предоставляемые признанными на национальном уровне медицинскими и хирургическими обществами.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230243. doi:10.1001/jamanetworkopen.2022.30243

Абстрактный Полный текст ссылка на пдф пдф

ГЛОБАЛЬНОЕ ЗДОРОВЬЕ 6 СЕНТЯБРЯ 2022 ГОДА

Характеристики и модели удержания в лечении гипертонии в учреждениях первичной медико-санитарной помощи из программы лечения гипертонии в Нигерии

Цзяньчэн Е, MS; Икечукву А. Орджи, MBBS, MPH, MBA, PhD; Эбигейл С. Болдридж, магистр медицины; и другие.

В этом когортном исследовании изучаются краткосрочные показатели удержания в системе лечения гипертонии и факторы, связанные с удержанием взрослых пациентов с гипертонией в государственных центрах первичной медико-санитарной помощи в Нигерии.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230025. doi:10.1001/jamanetworkopen.2022.30025

Абстрактный Полный текст ссылка на пдф пдф

ГЕРИАТРИЯ 6 СЕНТЯБРЯ 2022 ГОДА

Фрагментация амбулаторной помощи и использование неотложной помощи в делах ветеранов Первичная помощь на дому

Сэмюэл Т. Эдвардс, доктор медицины, магистр здравоохранения; Либерти Грин, MS, MEd; Камила Чаудхари, магистр медицины; и другие.

В этом когортном исследовании изучаются модели фрагментации амбулаторной помощи и последующая неотложная помощь среди пациентов, получающих первичную помощь на дому по делам ветеранов, с высоким риском госпитализации или смерти.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230036. doi:10.1001/jamanetworkopen.2022.30036

Абстрактный Полный текст ссылка на пдф пдф

ПЕДИАТРИЯ 6 СЕНТЯБРЯ 2022 ГОДА

Расчетная экономическая эффективность подкожного введения инсулина аспарта при лечении легкого диабетического кетоацидоза у детей

Ибрагим Абдулазиз Бали, MBBS; Мунира Рашид Аль-Джелаифи, магистр наук; Язед Аль-Рутия, фармацевт, доктор философии; и другие.

В этой экономической оценке сравнивается экономическая эффективность, связанная с использованием подкожного инсулина аспарт и внутривенной инфузией инсулина для лечения легкого диабетического кетоацидоза у детей.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230043. doi:10.1001/jamanetworkopen.2022.30043

Абстрактный Полный текст ссылка на пдф пдф

ОНКОЛОГИЯ 6 СЕНТЯБРЯ 2022 ГОДА

Скрининг рака легких у лиц с сопутствующими заболеваниями легких и без них

Эман М. Метуолли, доктор медицины; М. Патрисия Ривера, доктор медицины; Даниэль Д. Дарем, доктор философии; и другие.

В этом когортном исследовании сравниваются показатели выявления рака и частоты ложноположительных результатов после скрининга рака легких у лиц с сопутствующими заболеваниями легких и без сопутствующих заболеваний, о которых сообщали сами пациенты.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230146. doi: 10.1001 / jamanetworkopen.2022. 30146

Абстрактный Полный текст ссылка на пдф пдф

ЗДРАВООХРАНЕНИЕ 6 СЕНТЯБРЯ 2022 ГОДА

Упрощение процессов повторной сертификации программы дополнительной продовольственной помощи и связь с непрерывным доступом к льготам для участников с маленькими детьми

Эрика Л. Кенни, доктор медицинских наук, магистр здравоохранения; Марк Дж. Сото, Массачусетс; Майкл Фубини, MPA; и другие.

В этом когортном исследовании домохозяйств, участвующих в Программе дополнительной продовольственной помощи (SNAP), изучается распространенность административного оттока среди домохозяйств с детьми младше 6 лет и изучается связь изменений административной политики с риском оттока.

открытый доступ

Открыта сеть JAMA. 2022;5(9):e2230150. doi: 10.1001 / jamanetworkopen.2022.30150

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 6 СЕНТЯБРЯ 2022 ГОДА

Прогнозируемая окупаемость инвестиций в результате изменения образа жизни для уменьшения неблагоприятных исходов беременности

Мелани Ллойд, доктор философии; Хелена Тиде, доктор философии; Кейт Бейли, доктор философии; и другие.

Эта экономическая оценка оценивает влияние на бюджет, связанное с интеграцией структурированного питания и физической активности в рутинную дородовую помощь в Австралии.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230683. doi: 10.1001 / jamanetworkopen.2022. 30683

Абстрактный Полный текст ссылка на пдф пдф

ЗДРАВООХРАНЕНИЕ 6 СЕНТЯБРЯ 2022 ГОДА

Ассоциация нездорового образа жизни и детских невзгод с ускорением старения среди участников британского биобанка

Ган Ян, бакалавр наук; Синци Цао, MS; Сюэцинь Ли, бакалавр наук; и другие.

В этом когортном исследовании изучается связь детских невзгод с фенотипическим показателем старения и роль нездорового образа жизни в опосредовании этих ассоциаций.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2230690. doi: 10.1001 / jamanetworkopen.2022.30690

Абстрактный Полный текст ссылка на пдф пдф

ДИАБЕТ И ЭНДОКРИНОЛОГИЯ 2 СЕНТЯБРЯ 2022 ГОДА

Ассоциация мужского гипогонадизма с риском госпитализации по поводу COVID-19

Сандип Дхиндса, доктор медицины; Козетта Чемпион, доктор медицины; Экамджит Деол, бакалавр наук; и другие.

В этом когортном исследовании сравниваются показатели госпитализации в связи с COVID-19 среди мужчин с гипогонадизмом, которые не получали терапию тестостероном, мужчин с эугонадизмом и мужчин, получающих терапию тестостероном.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2229747. doi:10.1001/jamanetworkopen.2022.29747

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

КАРДИОЛОГИЯ 2 СЕНТЯБРЯ 2022 ГОДА

Привычное потребление алкоголя и риск фибрилляции предсердий у молодых людей в Корее

Минджу Хан, доктор медицины; Со-Рён Ли, доктор медицинских наук; Эуэ-Кеун Чой, доктор медицинских наук; и другие.

В этом когортном исследовании оценивается риск фибрилляции предсердий, связанный с привычным употреблением алкоголя, у молодых людей в Корее.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229799. doi:10.1001/jamanetworkopen.2022.29799

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Самооценка потребления алкоголя и риск фибрилляции предсердий

  Ларс Фрост, доктор медицинских наук, доктор медицинских наук; Ренате Б. Шнабель, доктор медицины, магистр наук

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2229808. doi: 10.1001 / jamanetworkopen.2022.29808

  Абстрактный Полный текст ссылка на пдф пдф

ОНКОЛОГИЯ 2 СЕНТЯБРЯ 2022 ГОДА

Анализ права на скрининг рака легких в зависимости от расы после 2021 г. Изменения в Руководстве по скринингу Целевой группы профилактических служб США

Лаура С. Пинейро, доктор философии, магистр здравоохранения; Лорен Гронер, DO; Орыся Сорока, М.А.; и другие.

В этом когортном исследовании используются данные исследования «Причины географических и расовых различий в заболеваемости инсультом» для оценки последствий внесенных в 2021 г. изменений в критерии приемлемости Целевой группы профилактических служб США для скрининга рака легких среди чернокожих и белых взрослых.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229741. doi:10.1001/jamanetworkopen.2022.29741

Абстрактный Полный текст ссылка на пдф пдф

АКУШЕРСТВО И ГИНЕКОЛОГИЯ 2 СЕНТЯБРЯ 2022 ГОДА

Использование отделения неотложной помощи до беременности и риски тяжелой материнской и неонатальной заболеваемости в Канаде

Кэтрин Э. Варнер, доктор медицинских наук, магистр наук; Элисон Л. Парк, магистр наук; Джоэл Г. Рэй, доктор медицины, магистр наук

В этом когортном исследовании изучается связь между обращением в отделение неотложной помощи до беременности и неблагоприятными материнскими и перинатальными исходами.

открытый доступ

Открыта сеть JAMA. 2022;5(9):e2229532. doi: 10.1001 / jamanetworkopen.2022.29532

Абстрактный Полный текст ссылка на пдф пдф

ОПЕРАЦИЯ 2 СЕНТЯБРЯ 2022 ГОДА

Оценка хирургической эффективности продвинутых открытых хирургических навыков с использованием новой учебной программы, основанной на микронавыках

Аня Л. Гринберг, MBA; Мохаммад М. Каримзада, доктор медицины; Райли Брайан, доктор медицины; и другие.

В этом когортном исследовании оценивается, как младшие ординаторы общей хирургии и хирурги после ординатуры выполняют определенные микронавыки в симуляции продвинутых открытых хирургических навыков, и сравниваются результаты между группами.

открытый доступ есть мультимедиа

Сеть JAMA открыта. 2022;5(9):e2229787. doi: 10.1001 / jamanetworkopen.2022.29787

Абстрактный Полный текст ссылка на пдф пдф

ИНФОРМАТИКА ЗДОРОВЬЯ 2 СЕНТЯБРЯ 2022 ГОДА

Оценка клинико-диагностического соответствия видеотелемедицине в интегрированной многопрофильной практике клиники Майо в начале пандемии COVID-19Пандемия с марта по июнь 2020 г.

Барт М. Демершалк, доктор медицины, магистр наук; Эндрю Пайнс, доктор медицины; Ричард Баттерфилд, бакалавр наук, Массачусетс; и другие.

В этом диагностическом исследовании проверяется соответствие предварительных диагнозов, установленных во время видеотелемедицинского посещения, с диагнозами, установленными при личном посещении пациентов с новой клинической проблемой.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2229958. doi: 10.1001 / jamanetworkopen.2022.29958

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ПЕДИАТРИЯ 2 СЕНТЯБРЯ 2022 ГОДА

Оценка распространенности врожденного цитомегаловируса среди новорожденных в Миннесоте во время пандемии COVID-19

Марк Р. Шлейс, доктор медицины; Сондра Розендаль, MS; Марк Макканн, бакалавр искусств; и другие.

В этом перекрестном исследовании оценивается распространенность врожденной цитомегаловирусной инфекции среди новорожденных, обследованных в Миннесоте до и во время пандемии COVID-19.

открытый доступ имеет активную викторину

Сеть JAMA открыта. 2022;5(9):e2230020. doi:10.1001/jamanetworkopen.2022.30020

Абстрактный Полный текст ссылка на пдф пдф НМО и МОС

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ЭТИКА 2 СЕНТЯБРЯ 2022 ГОДА

Точность аттестации дипломированных специалистов в области микрографической дерматологической хирургии

Клиффорд С. Перлис, доктор медицины, магистр биоэтики; Рой Х. Перлис, доктор медицины, магистр наук

В этом исследовании по повышению качества рассматриваются стандарты сертификации Американского совета дерматологов для проведения микрографических дерматологических операций.

открытый доступ

Открыта сеть JAMA. 2022;5(9):e2229795. doi: 10.1001 / jamanetworkopen.2022.29795

Абстрактный Полный текст ссылка на пдф пдф

ИССЛЕДОВАТЕЛЬСКОЕ ПИСЬМО ОНКОЛОГИЯ 2 СЕНТЯБРЯ 2022 ГОДА

Связь расстояния, региона и страховки с прогрессирующим раком толстой кишки при первоначальном диагнозе

Натан Р. Бранд, доктор медицины, магистр наук; Аня Л. Гринберг, MBA; Си Х. Чиу, доктор философии; и другие.

В этом перекрестном исследовании изучаются факторы, связанные со стадией, на которой диагностируется рак толстой кишки.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229954. doi: 10.1001 / jamanetworkopen.2022.29954

Абстрактный Полный текст ссылка на пдф пдф

ПОПРАВКА 2 СЕНТЯБРЯ 2022 ГОДА

Ошибки в аннотации, результатах и ​​рисунке

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2233824. doi:10.1001/jamanetworkopen.2022.33824

Абстрактный Полный текст ссылка на пдф пдф

ПОЛИТИКА ЗДРАВООХРАНЕНИЯ 1 СЕНТЯБРЯ 2022 ГОДА

Ассоциация толерантности врачей первичного звена к неопределенности, о которой сообщают сами пациенты, с различиями в использовании ресурсов и опыте пациентов

Арабелла С. Бегин, доктор медицины, доктор философии; Майкл К. Хидру, доктор философии; Сара Лерхофф, Массачусетс; и другие.

В этом обзорном исследовании изучается связь терпимости врачей к неопределенности с различиями в использовании ресурсов и опыте пациентов.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229521. doi: 10.1001 / jamanetworkopen.2022.29521

Абстрактный Полный текст ссылка на пдф пдф

КАРДИОЛОГИЯ 1 СЕНТЯБРЯ 2022 ГОДА

Ассоциация терапии статинами с серьезными неблагоприятными исходами со стороны сердечно-сосудистой системы и конечностей у пациентов с терминальной стадией заболевания почек и периферических артерий, получающих поддерживающий диализ

Хао-Юн Ло, доктор медицины; Ю-Шенг Линь, доктор медицинских наук; Донна Шу-Хан Лин, доктор медицины; и другие.

В этом когортном исследовании оценивается связь терапии статинами с сердечно-сосудистыми исходами и поражением конечностей у пациентов с почечной недостаточностью и сопутствующим заболеванием периферических артерий и дислипидемией, которые находились на длительном поддерживающем диализе.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229706. doi:10.1001/jamanetworkopen.2022.29706

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Терапия статинами у лиц, получающих диализ — меняет ли заболевание периферических артерий уравнение?

  Пранав С. Гаримелла, MBBS, MPH; Сью Дюваль, доктор философии

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2229713. doi:10.1001/jamanetworkopen.2022.29713

  Абстрактный Полный текст ссылка на пдф пдф

КАРДИОЛОГИЯ 1 СЕНТЯБРЯ 2022 ГОДА

Связь между специфическими для пола факторами риска и риском впервые возникшей фибрилляции предсердий у женщин

Цзуолинь Лу, магистр наук; Элиф Арибас, доктор медицины, магистр наук; Свен Гертс, доктор медицины, магистр наук; и другие.

Это когортное исследование определяет репродуктивные параметры, связанные с развитием фибрилляции предсердий среди женщин в возрасте от 40 до 69 лет. годы.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229716. doi: 10.1001/jamanetworkopen.2022.29716

Абстрактный Полный текст ссылка на пдф пдф

• Приглашенный комментарий

  Половые факторы, связанные с мерцательной аритмией у женщин — ритм репродуктивного здоровья

  Эрин Д. Мичос, доктор медицинских наук, MHS; Майкл С. Хонигберг, MD, MPP

  открытый доступ

  Сеть JAMA открыта. 2022;5(9):e2229723. doi:10.1001/jamanetworkopen.2022.29723

  Абстрактный Полный текст ссылка на пдф пдф

ПСИХИАТРИЯ 1 СЕНТЯБРЯ 2022 ГОДА

Использование тайм-аута для проблем с поведением ребенка в контексте травмы и невзгод: нерандомизированное контролируемое исследование

Алекс С. Роуч, MClin; Мерин Лехович, DPsych; Ю Ю, бакалавр наук; и другие.

В этом нерандомизированном контролируемом исследовании исследуются сравнительные преимущества и потенциальный ятрогенный вред для детей, подвергающихся невзгодам, которые связаны с родительскими программами, включающими тайм-аут.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229726. doi: 10.1001 / jamanetworkopen.2022.29726

Абстрактный Полный текст ссылка на пдф пдф

ГЛОБАЛЬНОЕ ЗДОРОВЬЕ 1 СЕНТЯБРЯ 2022 ГОДА

Глобальная частота и клинические особенности инсульта у пациентов с туберкулезным менингитом: систематический обзор

Мари Шармейн С. Си, доктор медицинских наук, магистр делового администрирования; Адриан И. Эспириту, доктор медицины; Хосе Леонард Р. Паскуаль В., доктор медицины

В этом систематическом обзоре рассматривается распространенность инсульта у пациентов с туберкулезным менингитом в отдельных странах, регионах и в целом.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229282. doi: 10.1001 / jamanetworkopen.2022.29282

Абстрактный Полный текст ссылка на пдф пдф

ОПЕРАЦИЯ 1 СЕНТЯБРЯ 2022 ГОДА

Связь между дневной и ночной реплантацией пальцев и хирургическими результатами

И-Чун Ф. Лин, бакалавр искусств; Альфред П. Юн, доктор медицины; Линсюань Конг, MS; и другие.

В этом исследовании серии случаев, проведенном в академическом центре третичной медицинской помощи, оценивается, связано ли время хирургического вмешательства, классифицируемое как дневное или ночное, с результатами реплантации пальцев.

открытый доступ

Сеть JAMA открыта. 2022;5(9):e2229526. doi: 10.1001/jamanetworkopen.2022.29526

Абстрактный Полный текст ссылка на пдф пдф

Графовые нейронные сети и их современные приложения в биоинформатике

Введение

В последние годы глубокое обучение достигло больших успехов в задачах машинного обучения, таких как распознавание речи и классификация изображений. Тем не менее, большинство теорий глубокого обучения сосредоточены на объяснении обычных евклидовых данных (рис. 1А). С быстрым накоплением неевклидовых данных, представленных данными структуры графа (рис. 1В), все больше и больше исследователей начинают обращать внимание на обработку данных структуры графа, которые могут представлять сложные отношения между объектами. Например, алгоритмы встраивания графов используются для преобразования данных структуры графа в более простые представления (Scarselli et al. , 2008). Однако этот метод может потерять топологическую информацию о структуре графа на этапе предварительной обработки, что повлияет на окончательный результат прогнозирования. Гори и др. (2005) предложили концепцию графовых нейронных сетей (GNN) и разработали модель, которая может напрямую обрабатывать данные о структуре графа на основе результатов исследований в области нейронных сетей. Скарселли и др. (2008) разработали эту модель, которая показала, что GNN могут давать значительно лучшие результаты, чем традиционные методы, благодаря использованию топологической информации графов в итеративном процессе. Впоследствии были предложены новые модели и прикладные исследования GNN. С ростом интереса к интеллектуальному анализу данных структуры графов направление исследований и области применения GNN значительно расширились.

Рис. 1. Примеры евклидовых и неевклидовых данных. (A) Евклидовы данные: обычные данные, такие как изображения, текст, видео, голос и т. д. Эти данные характеризуются отличной трансляционной инвариантностью, то есть число соседних узлов каждого узла фиксировано. (B) Неевклидовы данные: социальные сети, химические молекулярные структуры, графы знаний и т.д.; каждый узел имеет нефиксированное количество соседей.

В общем, GNN на самом деле являются коннекционистской моделью, которая фиксирует зависимость графов через передачу сообщений между узлами, которые одновременно учитывают масштаб, неоднородность и глубокую топологическую информацию входных данных. В настоящее время GNN демонстрируют надежную работу при добыче топологической информации на глубоком уровне, извлечении ключевых характеристик данных и реализации быстрой обработки больших объемов данных, таких как предсказание свойств химических молекул (Duvenaud et al., 2015), извлечение текста отношений (Peng et al., 2017), обоснование структуры графики и изображений (Wang et al., 2018), предсказание ссылок и кластеризация узлов социальных сетей (Zhang and Chen, 2018), сетевое заполнение недостающей информации (Bojchevski and Günnemann, 2017), предсказание лекарственного взаимодействия (Zitnik et al. , 2018) и др.

В эпоху биомедицинских «больших данных» агрегирование и рост больших объемов разнообразных данных создало огромные проблемы для исследований в области биоинформатики. В ответ на характеристики и потребности этих данных многие алгоритмы в области машинного обучения, особенно в области глубокого обучения, широко используются в биоинформатике и стимулируют развитие биоинформатики. Во многих случаях биологические данные строятся в виде биологической сети в неевклидовых областях, таких как молекулярная структура белков и РНК, сети ассоциации генетических заболеваний и сети взаимодействия белков. Эти биологические сети вносят большой вклад в исследования биоинформатики, особенно для выявления сложных механизмов болезней. В 2011 году были предложены сетевые методы прогнозирования заболеваний (Barabasi et al., 2011), которые основывались на предположении, что «если идентифицировано несколько компонентов заболевания, другие компоненты, связанные с заболеванием, вероятно, будут обнаружены в их сети». окрестности». Го и др. (2007) указали, что количество взаимодействий между белками в одном и том же пути развития болезни было в 10 раз выше, чем в случайных экспериментах. Навлаха и Кингсфорд (2010) доказали, что метод сетевой топологии эффективен для прогнозирования ассоциации заболеваний и даже взаимодействия биомолекул. По сравнению с другими моделями глубокого обучения естественное преимущество GNN в захвате скрытой информации в биологических сетях открывает новые возможности для разработки вычислительных моделей в области биологии. Помимо этого, GNN не только подходят для неевклидовых данных, но также могут извлекать потенциальные структуры графов из данных без видимых структур графов, таких как изображения, и делать выводы и суждения на основе этой структуры. Поэтому GNN получили широкое распространение в области медицинской визуализации.

Благодаря обширному исследованию литературы мы обнаружили, что применение GNN в биоинформатике быстро развивалось в последние годы, и количество исследовательских работ в этой области продемонстрировало быстрый рост. На рис. 2 представлена ​​статистика опубликованных статей GNN по биоинформатике с 2015 по 2020 год.

Рисунок 2. Статистика опубликованных статей по графовой нейронной сети (GNN) по биоинформатике с 2015 по 2020 год. Оранжевая полоса показывает общее количество статей GNN по биоинформатике в этом году (примечание: количество статей в 2020 году считается до октября ). Остальные цвета, в свою очередь, представляют количество статей, связанных с GNN в биоинформатике с точки зрения прогнозирования ассоциации заболеваний, исследования лекарств и обработки медицинских изображений, которые являются компонентами оранжевой полосы.

Хотя в предыдущих исследованиях рассматривались приложения глубокого обучения в биоинформатике (Wood and Hirst, 2004; Min et al., 2016; Sun et al., 2019), недавно был опубликован обзор GCN в биоинформатике, эти исследования ограничены узким области, такие как открытие наркотиков в ссылке. Насколько нам известно, это первая попытка рассмотреть применение и разработку GNN для биоинформатики. Остальная часть этой статьи основана на следующих аспектах: (1) несколько стандартных моделей GNN вводятся для лучшего понимания того, как GNN извлекают потенциальную информацию из биологических данных; (2) три уровня приложений GNN (уровень узла, уровень края и уровень графа) проиллюстрированы в конкретных биологических задачах. Между тем, существующие приложения GNN для биоинформатики классифицируются на основе различных биологических проблем и форм данных, и обсуждается роль GNN в этих исследованиях; (3) в соответствии с обсуждениями существующих исследований мы суммируем ограничения в этой области, включая дисбаланс биологических данных, а также методологические проблемы и проблемы интерпретируемости GNN. Наконец, предлагаются направления будущих исследований в различных приложениях.

Принципы и разработка модели

Существуют различные модели GNN для обработки данных структуры графа. В этом разделе мы представляем исходную GNN и ее варианты моделей, включая сверточную сеть графов (GCN), сеть внимания графов (GAT) и автокодировщики графов.

Граф Нейронная сеть

Gori et al. (2005) в 2005 году предложили новую модель нейронной сети, способную обрабатывать данные о структуре графа — графовую нейронную сеть. Будучи новаторской работой по методам глубокого обучения в неевклидовых пространствах, цель GNN состоит в том, чтобы научиться генерировать точное вложение состояния. вектор h _i , то есть состояние узла постоянно обновляется механизмом распространения информации на графе; каждое обновление зависит от информации о состоянии соседних узлов в предыдущий момент времени.

The related concepts are introduced as follows: let the input graph be G = ( V , E , X _V , X _E ), V = { v ₁ , V ₂ ,…, V _N } Представляет набор узлов и E = { I , ​​ J 9073) | ( I , ​​ J ) есть смежные к v _j } — множество ребер. x _i обозначает вектор признаков узла v _i , а X _V = { x ₁ , x ₂ ,…, x _n } — набор векторов признаков всех узлов. x _{( i , j )} denotes the feature vector of edge ( i , j ), and X _E = { x _{( i , j )} |( i , j ) ∈ E } — множество векторов признаков всех ребер.

The input graph G is converted into a dynamic graph G ^t = ( V , E , X _V , X _E , H ^t ) в графовой модели нейронной сети, где t = 1, 2,…, T представляет время, а Ht=(h2(t),h3(t),…,hn(t)), hi( t) представляет собой вектор состояния узла v _i в момент времени t , который зависит от графа G ^{t −1} в момент времени t – 1. Уравнение hi(t) выглядит следующим образом:

hi(t)=fw⁢(xi,xc⁢o⁢(i),hn⁢e⁢(i)t-1,xn⁢e⁢(i))(1)

где f _w (⋅) — локальная функция преобразования с параметром ко(и) — набор векторов признаков всех ребер, соединенных с узлом v _i , ​​а hn⁢e⁢(i)(t) — набор векторов состояния всех узлов, смежных с узлом v _i в время т . GNN итеративно обновляет статус узла, и этот процесс показан на рис. 3.

Рисунок 3. Обновление статуса узла. (A) Входные данные структуры графа G. (B) Диаграмма итерации каждого узла с момента времени t -1 к времени т . (C) Общий процесс итерации, где o _i — результат i -й итерации узла.

Проблема долговременной зависимости оригинальной GNN (функциям узла трудно повлиять на состояние после многочисленных обновлений) усложняет изучение глубокой структуры. На основе GNN последовательно появляются некоторые варианты моделей.

Графовые сверточные сети

Существующие модели GCN можно разделить на две категории: спектральные и пространственные GCN. GCN на основе спектров определяется с точки зрения обработки сигналов графа, в которой используется принцип преобразования Лапласа и Фурье для отображения нерегулярной структуры графа в регулярное евклидово пространство для операции свертки. Пространственный GCN напрямую использует механизм распространения информации на графе для определения операции свертки, и его метод распространения аналогичен исходному GNN. Эти две модели будут рассмотрены далее.

GCN на основе спектров

GCN на основе спектров использует графовую матрицу Лапласа в качестве важного инструмента для расширения преобразования Фурье на структуру графа. Пусть A — матрица смежности с взвешенным неориентированным графом G, а элемент A ( i , j ) в i--й строке и j -м столбце матрицы является весом ребра ( и , ​​ и ). Матрица степеней D определяется следующим образом:

D⁢(i,j)=∑j=1nA⁢(i,j)(2)

Симметричная нормализованная матрица Лапласа графика G определяется следующим образом:

L=I-D-12⁢AD-12(3)

В качестве положительно-полуопределенной матрицы вещественной симметрии L можно разложить на:

L = U⁢λ⁢UT (4)

, где U = ( U ₀ , U ₁ , ⋯, U _{N −1}

, 9427, 9427, 9427, 9427, 9427, 9427, 9427, 9427, 9427, 9427, ). Λ=[λ1…0………0…λn] — диагональная матрица собственных значений. Нормализованная матрица Лапласа L и его собственный вектор u образуют ортогональное пространство в виде экосистемы преобразования Фурье на графе. Сигнал графа представляет вектор признаков всех узлов графа, выраженный как x = ( x ₀ , x ₁ ,⋯, x n 1
7)6 Р ^п . Ниже приведено преобразование Фурье сигнала графа x .
9009=UT⁢x(5)

Вычислите свертку между двумя сигналами как:

x*g = u⁢ ((ut⁢x) ⁢⊙ (ut⁢g)) (6)

If G _θ = D I A G (

1. A G (
2. A G (
3. 9696 A G (
4. A G 903 U ^T g ) используется в качестве фильтра для сигнала графика x , мы можем определить свертку графика следующим образом:

   x*gθ=Ugθ⁢(Λ)⁢UT⁢x(7)

   Это первое поколение спектральной модели GCN, предложенной Bruna et al. (2013), который содержит несколько сверточных слоев. GCN на основе спектров отображает структуру графа в евклидово пространство через матрицу Лапласа графа для реализации спектральной свертки графа. Тем не менее из-за умножения матрицы на вектор вычислительная сложность модели относительно высока и составляет О ( н ² ). Чтобы решить эту проблему, Defferrard et al. (2016) предложили модель ChebNets, которая использует полиномиальный фильтр степени K в сверточном слое. κ-й полиномиальный фильтр спектра в модели выражается, как показано ниже.

   gθ=∑k= 0Kθk⁢λlk(8)

   K полиномиальный фильтр спектра выражается в узловой области как объединение K окрестностей -го порядка для сохранения пространственной локальности, а количество параметров фильтра также контролируется до О ( К ) = О (1). Чтобы дополнительно уменьшить вычислительную сложность, в модели используется полиномиальная часть ChebyShev T _K ( x ) = 2 T _{K —1} (71 k —1 (.2. ). k −2 ( x ) для рекурсивного вычисления, где T ₀ ( x ) = 1 и T ₁ ( x

   ) Следовательно, свертка сигнала графика x , ​​а фильтр определяется, как показано ниже.

   x*gθ=U⁢(∑k=0Kθk⁢Tk⁢(L~))⁢UT⁢x(9)

   В качестве упрощения вышеупомянутых сетей ChebNet модель графовой сверточной сети, предложенная Кипфом и Веллингом, усекает Полином Чебышева к одному времени (Kipf and Welling, 2016a). Для числовой стабильности матрица смежности A корректируется для получения A~, что приводит к упрощенному комбинированному сверточному слою.

   H=X*gθ=f⁢(D~-12⁢A~⁢D~-12⁢X⁢Θ)(10)

   , где A~=I+A, а D~i⁢j=∑j⁢A~i⁢j, f (⋅) — функция активации; Θ — матрица параметров фильтра.

   Хотя вышеупомянутые методы, основанные на частотной области, хорошо работают при извлечении признаков, их ограничения также очевидны. Во-первых, из-за проблемы объема данных метод, основанный на матрице лапласиана графов, трудно вычислить на больших графах. Во-вторых, обученный GCN можно применять только к графам с фиксированной структурой, а не к графам с произвольной структурой.

   Spatial-Based GCN

   Вышеупомянутые методы основаны на теореме свертки и определяют свертку графа в спектральной области, в то время как пространственный метод начинается с узловой области и агрегирует каждый центральный узел и его соседние узлы вдоль края . Диффузионная сверточная нейронная сеть (DCNN) (Atwood and Towsley, 2015) предполагает, что свертка представляет собой процесс диффузии между узлами, и использует вероятность перехода k-hop, полученную после случайного блуждания, для определения веса между узлами. Структура слоя м выглядит следующим образом:

   H(m+1)=f⁢(WPk⁢Hm)(11)

   , где P ^k обозначает вероятность достижимости k-hop между двумя узлами при случайном блуждании, а W равно обучаемый параметр модели. DCNN описывает информацию высокого порядка между узлами, но ее трудно распространить на большой граф, поскольку вычислительная сложность модели составляет O ( n ² K ).

   GraphSage (Hamilton et al., 2017) случайным образом выбирает соседние узлы так, чтобы число соседних узлов каждого узла было меньше заданного числа выборок, чтобы адаптироваться к приложению в крупномасштабных сетях. Операция свертки графа выглядит следующим образом:

   hv(k)=σ(Wk⋅fk(hv(k-1),{hu(k-1),∀u∈SN(v)}))(12)

   , где f _k (⋅) — агрегатная функция, а S _{N (v)} — результат случайной выборки соседей узла 9. 0332 в . GraphSage предоставляет различные формы функций агрегации, которые включают агрегатор среднего значения, агрегатор LSTM и агрегатор пула.

   Есть также некоторые исследования, направленные на определение общей структуры GCN. Среди них сети смешанной модели (MoNet) (Monti et al., 2017) фокусируются на отсутствии трансляционной инвариантности на графе и отображают локальную структуру каждого узла на вектор того же размера, определяя функцию отображения. Наконец, изучите общее ядро ​​свертки по результату сопоставления. Нейронная сеть передачи сообщений (MPNN) (Gilmer et al., 2017) основана на распространении и агрегации информации между узлами и предлагает структуру, определяя общую форму функции агрегации.

   Сети смешанной модели определяют систему координат на графике и выражают взаимосвязь между узлами в виде малоразмерного вектора в новой системе координат. При этом на всех соседних узлах определяется весовая функция с центром в узле, и для каждого узла получается векторное представление одинакового размера.

   Dj⁢(x)⁢f=∑y∈N⁢(x)wj⁢(u⁢(x,y))⁢f⁢(y),j=1,⋯,J(13)

   , где N ( x ) представляет набор смежных узлов из x , ​​ f ( y ) представляет значение узла y на сигнале f , ​​ u ( x , ​​ y ) отношение в системе координат u , w _j представляет j-ю весовую функцию, а J представляет номер весовой функции. Эта операция заставляет каждый узел получить J -мерное представление, и на этом определяется общее ядро ​​свертки.

   В отличие от MoNet, MPNN указывают, что ядром свертки графа является определение функции агрегации между узлами с использованием функции агрегации для получения выражения локальной структуры каждого узла и его соседних узлов, а затем применение функции обновления к себе и выражение локальной структуры, чтобы получить новое выражение текущего узла. Операция свертки выглядит следующим образом:

   hv(k)=Uk⁢(hv(k-1),∑u∈N⁢(v)Mk⁢(hv(k-1),hu(k-1),xv⁢ue))(14)

   , где U _k и M _k — функция обновления и агрегатная функция соответственно. Агрегированная функция, изученная в пространственной структуре, может быть адаптирована к задаче и конкретной структуре графа и обладает большей гибкостью.

   Сети внимания графа

   Чтобы устранить недостатки GCN и аналогичной структуры, GAT (Величкович и др., 2017) вводит механизм внимания на этапе распространения графа, чтобы узнать вес между двумя соединенными узлами. В модели GAT введите набор x = { x ₁ , x ₂ ,…, x _n } функции узла к слою внимания; будет выведен новый изученный набор h = { h ₁ , h ₂ ,…, h _n } функции узла. Коэффициент внимания края ( i , ​​ j ) представлен как α _{i j} , и уравнение выглядит следующим образом:

   αi⁢j=exp(LeakyRELU(aT[Wxi||Wxj]))∑k∈Niexp(LeakyRELU(aT[Wxi||Wxk]))(15)

   где N _i множество состоит из смежных узлов узла V _i , a представляет обучаемый вектор весов, а W является общей весовой матрицей линейного преобразования. Выходные характеристики каждого узла рассчитываются по следующему уравнению:

   hi=σ⁢(∑j∈Niαi⁢j⁢Wxj)(16)

   Внимание с несколькими головками расширяет уровень внимания до K механизмов независимого внимания, чтобы сделать процесс обучения самостоятельному вниманию более стабильным, и окончательное выражение дано, как показано ниже.

   hi=σ⁢(1K⁢∑k=1K∑j∈Niαi⁢jk⁢Wk⁢xj)(17)

   Параллельные вычислительные операции дают GAT более высокую эффективность, а применимость GAT на совершенно неизвестных графах компенсирует ограничение спектральной ОХН.

   Сети автоэнкодера графов

   Широкое применение автоэнкодера (AE) и его вариантов в области неконтролируемого обучения привело к увеличению числа моделей генерации графов на основе AE. Разреженный автоэнкодер (SAE) (Tian et al., 2014) является источником графовой нейронной сети на основе AE. Он использует следующие ℒ2 потери реконструкции: 9– матрица реконструкции; h _i ∈ R ^d represents the low-dimensional representation of node v _i , and F and G are encoder and decoder , соответственно. d — размерность скрытых переменных, а 𝒩 — количество узлов и d  ≪ N . На основе SAE Wang et al. (2016) предложили модель структурного встраивания в глубокую сеть (SDNE), которая модифицировала функцию потерь при реконструкции, как показано ниже.

   minθℒ2=∑i=1N||(A⁢(i,:)-G⁢(hi))⁢⊙bi||2(20)

   , когда A ( i , ​​ j ) = 0, б _{и к} = 1; в противном случае b _{i j} = β > 1, а β — гиперпараметр. Метод обучения с учителем используется для изучения приближения первого порядка. Функция потерь выглядит следующим образом:

   ℒ1=∑i,j=1N(A⁢(i,j)⁢||hi-hj||22)(21)

   Наконец, функция потерь SDNE получается:

   ℒ=ℒ2+α⁢ℒ1+ℒreg(22)

   Вариационный автоэнкодер (VAE) (Kingma and Welling, 2013) подходит для изучения представления узлов графа без информации о контроле. Кипф и Веллинг (2016b) предложили автокодировщик вариационного графа (VGAE), который впервые был распространен на графы. Модель поколения VGAE выглядит следующим образом:

   p⁢(A|H)=∏i=1N∏j=1Np⁢(A⁢(i,j)|hi,hj)(23)

   p(A(i,j)=1|hi,hj)=sigmoid(hiT,hj)(24)

   Автокодировщик вариационного графа изучает параметры путем минимизации нижней границы вариации л .

   L=Eq⁢(H|FV,A)[logp(A|H)]-KL[q(H|FV,A)||p(H)](25)

   Среди них K L (⋅) представляет функцию дивергенции Кульбака-Лейблера, которая используется для измерения расстояния между двумя распределениями. Временная сложность модели O ( N ² ).

   Принцип применения GNN в биоинформатике

   Методы моделирования

   При анализе данных в биоинформатике биологические данные со структурой графа можно моделировать двумя способами: моделирование на основе молекулярной структуры и моделирование на основе биологических сетей. Для моделирования на основе молекулярной структуры атомы или действительные химические подструктуры (Jin et al., 2018) используются в качестве узлов, связи используются в качестве ребер, а затем строится молекулярный граф, как показано на рисунке 4A. Молекулярные графы имеют широкий спектр применений для предсказания свойств молекул и de novo молекулярный дизайн. Для моделирования на основе биологических сетей в качестве узлов используются различные объекты, такие как ген, заболевание, РНК и т. д. Ребра между узлами означают, что существует известная связь между парами объектов, например взаимодействие миРНК-заболевание. Затем создается реляционная сеть, как показано на рисунке 4B. Известно, что GNN отлично извлекают потенциальную информацию из графовых структур, поэтому они могут обрабатывать омические данные в биологической области, включая геномику, протеиномику, RNomics и радиомику. В сочетании с двумя вышеупомянутыми методами моделирования применение GNN в этих омических данных может использоваться для различных задач, таких как предсказание молекулярных свойств, de novo молекулярный дизайн, предсказание связей, классификация узлов в биологических сетях и т. д.

   Рисунок 4. Два метода моделирования биологических данных с графовой структурой. (A) Моделирование на основе молекулярной структуры. (B) Биологическое сетевое моделирование.

   Задачи GNN в биоинформатике

   Основываясь на упомянутых выше методах моделирования, структурная информация, полученная GNN, послужила основой для различных уровней задач анализа графов: уровень узла, уровень ребра и уровень графа (показан на рисунке 5). .

   Рисунок 5. Примеры задач анализа графов на трех уровнях. (A) Уровень узлов: предсказание немеченых белков с помощью меченых белков в сети межбелковых взаимодействий. (B) Пограничный уровень: прогнозирование неизвестной связи между узлами РНК и узлами заболевания через сеть ассоциации РНК-заболевание. (C) Уровень графа: генерация синтетических молекул посредством фактического изучения молекулярного графа.

   Уровень узла

   Классификация узлов — это типичная задача на уровне узла (рис. 5A), которая может выполняться посредством обучения с учителем, обучения без учителя и обучения с частичным учителем. Как наиболее часто используемый метод классификации узлов, обучение с полуучителем сочетает в себе характеристики обучения с учителем и обучения без учителя. По сравнению с обучением с учителем и обучением без учителя полууправляемое обучение на графе извлекает представления узлов высокого уровня посредством распространения информации, что не требует маркировки всех узлов и эффективного использования некоторой известной связанной информации. Этот параметр удобен для задачи определения связи между объектами в биологической сети. Например, Иоаннидис и др. (2019) построили сети множественного белок-белкового взаимодействия (PPI), основанные на связности белков для различных типов клеток, и предложили архитектуру остаточной нейронной сети графа (GRNN) для полууправляемого обучения на многореляционных графах. Влияние различных отношений измерялось обучаемыми параметрами. Для прогнозирования функции белка в общих наборах данных о клетках, клетках головного мозга и клетках кровообращения GRNN имела макрооценку F1 0,86, 0,77 и 0,80, что было намного лучше, чем у базовой модели. Ссылаясь на прогнозирование популяционных заболеваний, Parisot et al. (2017) смоделировали информацию о популяции в виде графика, данные медицинской визуализации в виде характеристики узла субъекта и данные фенотипа в виде веса ребра. GCN использовался для одновременного моделирования индивидуальных особенностей и ассоциаций между субъектами из потенциально больших групп населения. В условиях полуконтролируемого обучения приведение GCN к матрице смежности обеспечивает обучение представлению для всех узлов. По сравнению со стандартным линейным классификатором их работа улучшила качество предсказания.

   Уровень ребра

   В качестве основной задачи уровня ребра прогнозирование связи определяется как, учитывая некоторые графы, модель прогнозирования ребер обучается на основе характеристик узлов или ребер для прогнозирования вероятности связности между парами узлов в этих графах. или вновь предоставленные графики, как показано на рисунке 5B. Задача прогнозирования ссылок привлекла внимание различных областей исследований благодаря своей широкой применимости. Прогнозирование взаимодействия между биологическими объектами из сложных биологических сетей также играет важную роль в исследованиях биоинформатики и становится все более важным и сложным. Модели GNN также эффективны для решения задач прогнозирования ссылок. Чжан и Чен (2018) предложили модель SEAL (обучение на основе подграфов, вложений и атрибутов для прогнозирования ссылок), основанную на распространении информации, в которой использовалась GNN для замены полностью связанной нейронной сети в традиционном методе нейронной машины Вайсфейлера-Лемана и изучены общие особенности структуры графа из локальных подграфов. Его производительность в общедоступных наборах данных биологической сети, таких как дрожжи, Caenorhabditis elegans и Escherichia coli превосходили традиционные модели встраивания графов. Кроме того, GCN использовался для прогнозирования различных взаимодействий в биологических сетях. Например, сети PPI с небольшим объемом информации о метках, которые были закодированы для прогнозирования взаимосвязи между лекарствами и заболеваниями (Bajaj et al. , 2017), сети сходства заболеваний и сети сходства микроРНК (миРНК), были построены для выявления связи между миРНК и заболевание с помощью VGAE (Ding et al., 2020).

   Уровень графика

   Задача уровня графика в основном связана с генерацией графика (рис. 5C). Научиться генерировать данные о структуре графа путем обучения набору репрезентативных данных — это ядро ​​задач по созданию графа. Для открытия новых химических структур была впервые предложена модель генерации графов, основанная на GNN, с целью создания молекулярных графов. Симоновский и Комодакис (2018) объединили GNN и VAE, чтобы предложить GraphVAE, который использовался для создания мелкомасштабных молекулярных графов. Эксперименты на QM9база данных и база данных ZINC доказали, что GraphVAE имеет более высокую точность, чем предыдущие методы. Джин и др. (2018) предложили вариационный автоэнкодер дерева соединений (JT-VAE), который позволял модели постепенно расширять молекулу, сохраняя при этом химическую достоверность каждого шага. Результаты экспериментов с базой данных ZINC показали, что JT-VAE может давать лучшие результаты, чем традиционная модель и GraphVAE. MolGAN (De Cao and Kipf, 2018) представляет собой генеративную модель для небольших графов, которая способна генерировать структуры дискретных графов и способствовать созданию молекул с определенными химическими свойствами с помощью методов обучения с подкреплением (рис. 6). Модель MolGAN производила почти 100% эффективные соединения в экспериментах на QM9.химическая база данных. На практике возможности графогенерирующих моделей для прогнозирования структуры белков и создания химических молекулярных карт играют важную роль в смежных приложениях, таких как разработка лекарств и проектирование структуры белков.

   Рис. 6. Блок-схема MolGAN. Генератор извлек образец из предыдущего распределения и сгенерировал молекулярный график, соответствующий конкретному соединению. Дискриминатор на основе графовой нейронной сети и сеть вознаграждения напрямую работают с представлением структуры графа. Дискриминатор учится различать, исходит ли молекулярный граф от реального набора данных или от генератора. Сеть вознаграждений назначила вознаграждение каждому молекулярному графу на основе образцов и оптимизировала процесс генерации с помощью методов обучения с подкреплением.

   В целом, как новый тип метода встраивания графов, GNN могут идеально интегрировать функции узлов и структурную информацию между узлами в различных конкретных приложениях. Чтобы лучше проиллюстрировать статус применения и механизмы GNN в биоинформатике, более полные существующие исследования на этих трех уровнях обобщаются для конкретных биологических проблем, которые обсуждаются в следующем разделе.

   Типичное применение GNN в биоинформатике

   Основываясь на различных биологических задачах, существующее применение GNN в биоинформатике можно разделить на три типичных темы: предсказание ассоциации заболеваний, разработка и открытие лекарств и медицинская визуализация. Обратите внимание, что эти приложения также основаны на трех уровнях задач анализа графов, описанных в предыдущем разделе. В этом разделе способ и развитие GNN решают репрезентативные проблемы более подробно.

   Прогноз ассоциации болезней

   Выявление факторов, связанных с различными заболеваниями, является важной задачей биоинформатики. В настоящее время существующие методы прогнозирования ассоциации заболеваний в основном включают декомпозицию матрицы (Koren et al., 2009; Wang et al., 2017), распространение сети (Lee et al., 2011; Guan et al., 2012; Li and Li, 2012; Sun et al., 2014; Zhou et al., 2015) и машинное обучение (Luo et al., 2016; Zhou and Skolnick, 2016; Frasca, 2017; Xuan et al., 2019b; Jiang and Zhu, 2020). ). По сути, некоторые методы машинного обучения также основаны на мерах сходства и матричной декомпозиции. Тем не менее методы матричной факторизации отображают характеристики сущностей в скрытое пространство, но игнорируют представление топологических отношений между сущностями. В других методах неглубокие модели игнорируют богатую структурную информацию в сетях, связанных с заболеваниями, что в конечном итоге влияет на качество представления признаков объекта. В последнее время GNN использовались для фиксации нелинейной связи между болезнями и другими объектами в биологических сетях. Все больше и больше методов вводят операции свертки в гетерогенные сети для извлечения признаков локальных подграфов. Все исследования, обсуждаемые в этом разделе, прямо или косвенно способствовали развитию методов глубокого обучения в области прогнозирования заболеваний. В этих исследованиях были построены различные биологические сети, основанные на ассоциациях РНК-болезнь, ассоциациях болезни-гена и другой информации об ассоциации.

   RNA–Disease Association

   Большое количество доказательств показало, что микроРНК (миРНК), длинные некодирующие РНК (днРНК), кольцевые РНК (цирРНК) и Piwi-взаимодействующие РНК широко вовлечены в возникновение и развитие заболеваний (Xuan et al., 2019a; Li J. et al., 2020; Wang L. et al., 2020; Zheng et al., 2020). Таким образом, идентификация этих ассоциаций РНК-заболевание играет решающую роль в изучении патогенеза сложных заболеваний. Методы анализа данных о РНК и заболеваниях, основанные на вычислительных моделях, компенсируют дороговизну и трудоемкость методов биологической экспериментальной проверки.

   Начиная с 2019 года, GNN были введены в этот тип исследований. Pan and Shen (2019) предложили полуконтролируемую модель свертки графа с несколькими метками (DimiG), которая не полагалась на известную информацию об ассоциации между микроРНК и заболеваниями. DimiG интегрировала несколько сетей, связанных с генами, кодирующими белок, и использовала передачу сетевых знаний для косвенного прогнозирования связи между микроРНК и заболеваниями; на примере DimiG на рис. 7 показано, как GCN использует связанную информацию в сети для создания функций для немаркированных узлов. Ли Дж. и др. (2020) использовали GCN для изучения представлений признаков микроРНК и заболеваний из сети функционального сходства микроРНК и сети семантического сходства заболеваний, соответственно, и использовали матрицу нейронной индукции для создания матрицы ассоциации, объединяя известные микроРНК и информацию об ассоциации болезни для обучения модель. Эта модель может предсказать все микроРНК, связанные с раком молочной железы, без каких-либо известных родственных микроРНК. Основываясь на методе подобия, предсказание связи между РНК и заболеваниями также может включать больше полезной информации. Ли С. и соавт. (2019) интегрированные сети miRNA-болезнь, miRNA-ген, болезнь-ген и PPI. Кроме того, на основе информации, полученной с помощью GCN, были проанализированы 10 наиболее неизвестных взаимодействий между микроРНК и заболеваниями. Используя алгоритм FastGCN и классификатор Forest by Penalizing Attributes (Forest PA), Wang L. et al. (2020) могут точно предсказать потенциальные ассоциации заболеваний с использованием циркРНК. Чтобы лучше изучить скрытое представление функций узла, Zhang J. et al. (2019) использовали GCN в сочетании с механизмом внимания для извлечения признаков домена и провели экспериментальные тесты на двух разных сетях заболеваний РНК. Также были проведены некоторые исследования, в которых использовался метод автоэнкодера на графике для восстановления признаков узла. Ву и др. (2020) использовали GCN в качестве кодировщика, чтобы узнать особенности представления днРНК и болезней из двудольного графа, связанного с днРНК-болезнью, а показатель взаимодействия днРНК-заболевание был рассчитан из внутреннего произведения двух потенциальных векторов факторов. В исследовании Ding et al. (2020), VGAE использовался для уменьшения эффекта шума, вызванного случайным выбором отрицательных образцов. При прогнозировании РНК, связанных с заболеванием, с ограниченными известными данными интеграция многопрофильной информации может помочь нам более полно понять сложные биологические сети. Поэтому, чтобы зафиксировать более глубокий режим взаимодействия между несколькими связанными данными, необходимо дополнительно изучить метод интеграции различных типов данных с помощью графовой модели глубокого обучения.

   Рисунок 7. Блок-схема DimiG в ассоциации РНК-заболевание. Сеть ассоциации гена, кодирующего белок (PCG) и микроРНК, использовалась в качестве входных данных двухслойной графовой нейронной сети. PCG были помечены, а miRNAs немечены. Желтые узлы в сети представляли собой взвешенную сумму вложений соседей. Окончательный результат может вывести вероятность между заболеваниями и немечеными микроРНК.

   Ассоциация генов заболеваний

   Технология секвенирования РНК одиночных клеток позволяет получить данные об экспрессии генов для одной клетки. GNN могут делать выводы о взаимодействии между клетками (Jiahua et al., 2020; Zeng et al., 2020; Wang et al., 2021) и моделировать дифференцировку клеток (Bica et al., 2020) и прогнозировать болезненное состояние (Ravindra et al. , 2020). Точное предсказание связи между геном и заболеванием может помочь исследователям выявить функцию генов, вызывающих заболевание, и предоставить доказательства для профилактики заболеваний. Приоритизация генов-кандидатов для различных заболеваний может ускорить разработку ранних методов лечения и в определенной степени решить проблему DGP. Рао и др. (2018) предложили метод секвенирования генов редких заболеваний, который отличался от предыдущего метода ассоциативной сети. Они объединили попарные онтологические и кураторские ассоциации в гетерогенную сеть и использовали квалификатор частоты от Orphanet для расчета весов ребер. Квалификаторы включали такие термины, как «обязательный», «очень частый» и «частый». Поскольку алгоритм обучения, описанный в стандарте VGAE, не фокусируется на изучении взаимосвязей между различными типами узлов, Сингх и Лио (2019 г.) предложил ограниченный вариант VGAE для прогнозирования конкретных ассоциаций узлов в сети ассоциаций генов и болезней путем улучшения целей оптимизации алгоритма. Ван и др. (2019a) определили новую функцию кластерных потерь и механизм отсева, основанный на GCN и методе встраивания графа, для улучшения способности к обобщению.

   Несмотря на то, что большое количество медицинских данных хранится в различных базах данных, точное прогнозирование рака остается проблемой. Как группа сложных заболеваний, рак вызывается множественными дефектами генов, и между генами существует синтетическая летальность. Следовательно, сеть взаимодействия генов играет важную роль в прогнозировании рака (Iglehart and Silver, 2009).). Чтобы проанализировать основной механизм рака, Schulte-Sasse et al. (2019) первоначально использовали GCN для классификации и прогнозирования генов рака. Послойное распространение релевантности использовалось для идентификации входных сигналов гена и сетевой топологии изученной модели, которая находится по соседству с геном. Синтетическая летальность между генами крайне редка. Чтобы решить проблему переобучения, Cai et al. (2020) предложили новую модель GCN, основанную на мелкозернистом исключении ребер и крупнозернистом исключении узлов, чтобы уменьшить переобучение в разреженных графах. Череда и др. (2021) объединили данные сети PPI и экспрессии генов для пациентов и использовали GCN для классификации узлов в подсети пациента для прогнозирования метастазирования рака молочной железы. В классификации подтипов рака молочной железы также есть связанные исследования, основанные на локальном GCN, который использовался для объединения с сетью PPI и информацией о матрице экспрессии генов нескольких пациентов (Rhee et al. , 2018). Корреляция, генерируемая GNN для каждой точки данных, не только улучшает интерпретируемость модели, но и делает ее более полезной при прогнозировании задач, связанных с сетями заболеваний для конкретных пациентов.

   Others

   В дополнение к исследованиям, перечисленным выше, GNN также используются в некоторых исследованиях в других смежных областях, например, при открытии белков болезней (Eyuboglu and Freeman, 2004). Задача предсказания белка болезни может быть естественным образом определена как проблема полуконтролируемой классификации в сети белок-белкового взаимодействия. Реализация позиционирования по соседству для визуализированных путей заболевания доказала, что у большинства болезней нет очевидного позиционирования по соседству. В некоторых исследованиях использовались графовые структуры для моделирования вторичных молекулярных структур РНК для классификации РНК (Rossi et al., 2019).) и предсказание РНК-связывающих белков (Uhl et al., 2019; Yan et al., 2020), где основания рассматривались как узлы на графе, а фосфодиэфирные связи и водородные связи представляли собой два разных типа ребер. В других исследованиях miRNA, lncRNA и другие элементы использовались для построения гетерогенных сетей для предсказания взаимодействий между miRNA и lncRNA, а также генами, нацеленными на lncRNA. Для многогрупповой классификации биомедицинских данных была построена взвешенная сеть сходства пациентов на основе различных данных омики и метода косинусного сходства (Wang T. et al., 2020), и GCN выполняет извлечение признаков в этих сетях, чтобы найти пересечение корреляция -omics в пространстве меток для эффективной интеграции мульти-omics.

   Разработка и открытие лекарств

   Процесс разработки лекарств в основном включает определение мишеней для лекарств, открытие и оптимизацию основных соединений, определение лекарств-кандидатов, доклинические исследования и клинические исследования (Vohora and Singh, 2017). Однако отсутствие мишеней для лекарств, плохая клиническая трансформация животных моделей, гетерогенность заболеваний и присущая сложность биологических систем сделали разработку лекарств долгим и трудным процессом. Цель современной разработки лекарств — ускорить промежуточные этапы с помощью методов машинного обучения, чтобы сократить затраты на разработку. Поэтому все больше и больше исследователей стремятся использовать модели машинного обучения для предсказания ранних молекулярных свойств, что может значительно снизить нагрузку на более поздние эксперименты. Глубокое обучение в области биомедицины, как наиболее важный метод машинного обучения, показало следующие ограничения: во-первых, большинство моделей глубокого обучения не могут извлекать структурную информацию непосредственно из исходных входных данных, которые опираются на высококачественные размеченные наборы данных; и, во-вторых, традиционные CNN или другие глубокие модели имеют трудности с прямой обработкой неструктурированных данных, таких как молекулярные графы, поэтому информация о внутренней структуре молекул обычно не полностью учитывается. Таким образом, GNN, которые расширяют методы глубокого обучения на неевклидовы области, стали последним методом решения задач, связанных с наркотиками.

   Прогнозирование структуры и функции белков

   Изучение функций белков занимает важное место в науках о жизни, и большинство заболеваний тесно связаны с дисфункцией белков. Анфинсен (1973) обнаружил, что денатурированная рибонуклеаза, сохранившая только первичную структуру, может рефолдироваться и восстановить биологическую активность, что указывает на то, что аминокислотная последовательность, представляющая первичную структуру белка, содержит важную информацию о вторичной и третичной структуре белков. В настоящее время достигнут значительный прогресс в предсказании структуры белков. Наиболее точное предсказание структуры может полностью прояснить биологический механизм действия белка на молекулярном уровне, и его применение в разработке лекарств и других областях имеет большое значение для биохимических исследований.

   Высокие вычислительные затраты и интерпретируемость являются проблемами в распространенных методах анализа молекулярной структуры, таких как 3D CNN и 2D CNN. В последние годы некоторые исследования показали мощные возможности GNN в изучении эффективной структуры белков из упрощенных графических представлений. Zamora-Resendiz and Crivelli (2019) предложили метод изучения структуры белка, который больше подходит для больших наборов данных. В отличие от предыдущих 3D- и 2D-представлений, эта модель может применяться к естественному пространственному представлению молекулярных структур, что обеспечивает высокую переносимость в направлении приложения. Стремясь решить обратную проблему фолдинга белка, Ingraham et al. (2019) предложил структуру проектирования белка, основанную на аналогичном методе внимания к графу, который может напрямую построить модель условного поколения для заданной последовательности белка целевой структуры и значительно повысить эффективность дизайна. Для предсказания функции белка существует два типа методов: на основе структуры белка (Ioannidis et al., 2019) и на основе сетей PPI (Gligorijevic et al., 2019). Как и в предыдущей работе, Gligorijevic et al. (2019) смоделировали структуру белка в виде графика, чтобы предсказать функцию белка. Иоаннидис и др. (2019) использовали метод диаграмм с несколькими отношениями, основанный на моделировании сети PPI с полууправляемым обучением. Структурные характеристики белка определяют широту и сложность его функции. Однако большое количество недопустимых фрагментов, содержащихся в последовательности белка, может повлиять на оценку его функции. Использование GNN для интеграции функции сетей взаимосвязей белков является одним из способов решения проблемы различий в последовательностях и функциях белков.

   Прогноз межбелковых взаимодействий

   Информация о межбелковом взаимодействии может косвенно оказать теоретическую помощь в разработке лекарств. Фаут и др. (2017) предложили космический оператор свертки для предсказания интерфейса между парами белков, который подходит для графов любого размера и структуры. При идентификации белковых комплексов высокий уровень «ложноположительных/отрицательных результатов» в сети PPI затрудняет обнаружение белковых комплексов. Таким образом, Яо и соавт. (2020) предложили метод шумоподавления, основанный на автокодировщике вариационного графа. Они встроили сеть PPI в векторное пространство через многоуровневую GCN и удалили некоторые взаимодействия с достоверностью ниже порога, чтобы получить надежную сеть ассоциации. Экспериментальные результаты на нескольких наборах данных показали, что точность распознавания белковых комплексов увеличивается на 5–200%. Лю Х. и соавт. (2020) использовали неконтролируемую GNN для прогнозирования изменений свойств связывания белков после мутаций и распознали аномальные взаимодействия между атомами без аннотаций. Усовершенствовав существующий алгоритм сортировки, Cao and Shen (2020) и Johansson-Åkhe et al. (2020), соответственно, предложили механизм оценки для оценки моделей стыковки белков и модифицированных пептидов. Операция свертки на графе кодирует структуру и свойства белка в представление встраивания графа и агрегирует информацию по краям узлов сети для оценок ассоциации, что устраняет пространственные ограничения обычных методов свертки.

   Прогнозирование взаимодействия лиганд-белок (лекарство-мишень)

   Мишени лекарств имеют отношение к патологическому состоянию заболеваний или биомолекул, поэтому идентификация лекарств и их мишеней является основной проблемой при разработке новых лекарств. Прогнозирование взаимодействия лекарственного средства с мишенью — это, по сути, проблема прогнозирования взаимодействия между лигандами и белками, и было проведено множество связанных исследований. Тем не менее, существуют следующие проблемы: (1) Традиционные алгоритмы машинного обучения выражают результаты прогнозирования в бинарной классификации, но реальная ассоциативная связь не ограничивается бинарным уровнем. Для некоторых целевых белков, которые не существуют в тестовом наборе, но появляются в практических приложениях, точность предсказания не может быть понята; (2) сложнее иметь дело с химическим пространством, где могут быть синтезированы молекулы лекарств; (3) Результаты прогнозирования не имеют биологической интерпретации. Хотя результаты испытаний модели кажутся хорошими, они все же неубедительны; и (4) информацию о лиганде, связанном с конкретным белком, всегда легко получить, но данных о реальных отрицательных отношениях лиганд-белок для обучения недостаточно.

   В ответ на эти существующие проблемы Feng et al. (2018) впервые ввели GCN в идентификацию мишени для лекарств, которая изучила информацию о молекулярной структуре лекарств и объединила информацию о белках в качестве входных данных. В этом исследовании реализовано предсказание реальной силы взаимодействия между лекарствами и мишенями и решена проблема холодных мишеней. Есть также некоторые исследования, аналогичные общему мышлению вышеупомянутого метода, но отличающиеся обработкой данных (Gao et al., 2018; Nguyen et al., 2021). Миядзаки и др. (2020) представили модель прогнозирования взаимодействия лекарство-мишень, в которой лиганды были специально нацелены на белки без использования информации о истинном отрицательном взаимодействии. Торнг и Альтман (2019)) установили автокодировщик неконтролируемого графа для изучения представления белковых карманов, не полагаясь на комплексы мишень-лиганд, где функции были извлечены из графа карманов и двумерного графа лиганда с помощью GCN соответственно. Цзян и др. (2020) предложили метод прогнозирования ассоциации, который строит молекулярный граф и граф контактов белков. Эти графики были основаны на информации о структуре молекул лекарств и информации о последовательности белков, которые были выполнены с помощью трехслойного GCN для обеспечения точного прогноза.

   В отличие от упомянутых выше методов представления наркотиков в виде графиков, Zhao et al. (2021) предложили модель прогнозирования на основе сети, которая включила сеть ассоциаций лекарственное средство-белок в существующие методы. Информация об особенностях каждой пары лекарство-белок, полученная GCN, использовалась в качестве входных данных для глубокой нейронной сети для прогнозирования окончательной метки. Чтобы компенсировать игнорирование клеточных контекстно-зависимых эффектов в предыдущих исследованиях, Zhong et al. (2020) использовали информацию из профилей транскрипции генов для косвенного прогнозирования связывания с лекарственными средствами.

   Помимо этого, графы знаний также имеют решающее значение в биомедицине, которые могут обрабатываться GNN. В этих исследованиях результат всех предсказаний взаимодействий на основе графов был неотделим от качества графа знаний, но содержание графов знаний, извлеченных в реальной жизни, является сложным и содержит информацию о помехах. Таким образом, Нил и соавт. (2018) предложили модель, которая может адаптироваться к шумовым данным и уменьшить влияние зашумленных данных на общий прогностический эффект модели, присваивая низкие веса ненадежным краям.

   Прогнозирование молекулярных свойств

   Прогнозирование молекулярных свойств является основной и важной частью разработки лекарств. Первая работа по внедрению свертки графа в область изучения молекулярных свойств (Duvenaud et al., 2015) была основана на циклических отпечатках с расширенной связностью (ECFP), которые создали дифференцируемые отпечатки для замены дискретных операций в циклических отпечатках и заменили хэш-функции на однослойные нейронные сети. Экспериментальные результаты показали, что, когда веса были большими и случайными, эта модель демонстрировала производительность, аналогичную ECFP, а поскольку веса были скорректированы посредством обучения, ее производительность была лучше, чем у ECFP. Ввиду больших требований к пространству для методов на основе отпечатков пальцев и большого информационного шума при кодировании отпечатков пальцев Kearnes et al. (2016) предложили метод свертки молекулярного графа, основанный на глубоких нейронных сетях вместо молекулярных отпечатков пальцев. Молекулярная структура представлена ​​молекулярными графами, а расстояние между графами образует уровень молекул. Хотя этот метод не всегда превосходит по производительности методы молекулярного фингерпринтинга, он открывает новый путь для предсказания молекулярных свойств. Кроме того, появление многозадачных глубоких нейронных сетей (MT-DNN) делает нейронные сети более эффективными в поиске лекарств. Лю и др. (2019) объединили GCN с MT-DNN для дальнейшего повышения точности прогнозирования и реализовали метод глубокого обучения, полностью управляемый данными, который не полагался на дескрипторы свойств предметной области или отпечатки пальцев для прогнозирования свойств лекарств. Хорошо известно, что электростатические расчеты полезны для предсказания химической активности молекул и их способности образовывать определенные типы взаимодействий. Рати и др. (2019) предложили метод создания поверхностей электростатического потенциала, близких к качеству квантовой механики, для молекул лигандов в рамках времени интерактивного дизайна лекарств, что стало эффективным инструментом для медицинских химиков и разработчиков моделей. В процессе открытия лекарств ложноположительные или ложноотрицательные выводы биоанализа, вызванные нестабильными соединениями при хранении, затрудняют завершение прогнозирования стабильности соединений. В отличие от традиционного метода, основанного на правилах, Li et al. (2019б) предложил сквозную модель GCN, основанную на внимании, для прогнозирования стабильности соединений. Модель динамически извлекала структурную информацию из молекулярных графиков вместо предварительно определенных структурных особенностей, тем самым снижая риск ложных тревог. Операция свертки графа может фиксировать локальные особенности эффектов молекулярной субструктуры, тем самым создавая точные глобальные дескрипторы из данных составной структуры.

   De novo Molecule Design

   Конечной целью разработки лекарств является открытие молекул с идеальными химическими свойствами. Тем не менее, огромность и сложность химического пространства и прерывистость пространственной структуры соединений делают востребованным исследование химического пространства новых молекул. Снижая трудозатраты, компьютеризированный дизайн лекарств предназначен для ускорения процесса de novo молекулярный дизайн. Хотя генеративная модель в машинном обучении может эффективно генерировать молекулы на основе строк SMILES (Weininger, 1988), она не может эффективно представлять топологическую информацию о молекулярной структуре. Основываясь на вышеупомянутом анализе, GNN можно напрямую использовать для создания молекулярных графов. Таким образом, GNN является своего рода высокоточным и недорогим методом определения молекулярных свойств путем анализа топологической информации графов.

   Произвольная связность и дискретные структуры графа усложняют создание графа из векторов в непрерывном кодовом пространстве, но если максимальное количество узлов в сгенерированном графе ограничено, он по-прежнему поддается вычислительному контролю. На рисунке 8 показан метод непрерывного встраивания VAE для создания небольших молекулярных графов, который был предложен Симоновским и Комодакисом (2018). Этот режим ранней генерации позволяет избежать трудностей, которые могут возникнуть при создании графов; верхняя граница отрицательного логарифмического правдоподобия была минимизирована при обучении модели, но она применима только к генерации малых молекул. Другой способ основан на вероятностном описании GCN для постепенного построения графика (Li et al., 2018a), а не для непосредственного создания всего графика. По сравнению с рутинным методом этот метод дает лучшие результаты, но все еще существуют проблемы с созданием макромолекулярных графиков. Ли и др. (2018b) предложили условную модель генерации графов и исследовали два типа архитектур генерации графов. Один рассматривал генерацию графа как марковский процесс, а другой вводил рекурсивные единицы молекулярного уровня для увеличения масштабируемости модели. Вы и др. (2018) объединили предыдущие знания о примере набора данных о молекулах для создания целевых молекул. Этот метод объединил и расширил три идеи представления графа, обучения с подкреплением и обучения состязательности, где обучение с подкреплением и обучение противостоянию были объединены, чтобы сформировать единую структуру, чтобы достичь желаемой цели, постоянно направляя процесс генерации и ограничивая пространство вывода в соответствии с основным химическим правилам. Экспериментальные результаты показывают, что этот метод обеспечивает наилучшую производительность с точки зрения оптимизации химических свойств и ограниченных свойств в условиях, аналогичных известным молекулам. В отличие от поузлового метода построения графиков, Jin et al. (2018) предложили метод подключения самокодирования дерева, в котором эффективные подграфы использовались в качестве компонентов для создания молекулярных графов в два этапа. На первом этапе генерировалась структура дерева соединений как компонент подграфа, а затем эти подграфы объединялись в полный молекулярный граф на втором этапе. Эта модель позволила избежать генерации недопустимых промежуточных состояний молекул и повысить эффективность работы. Хемчандани и др. (2020) изучили модель интерактивного связывания на основе данных связывания через GCN и предложили модуль прогнозирования атрибутов, в котором использовался механизм оценки для определения более полезных молекул с конкретным атрибутом в процессе генерации.

   Рис. 8. Автокодировщик вариационного графа (VGAE) при создании молекулярного графа. В качестве кодировщика VGAE свертка с краевым условием встроила исходный граф в непрерывное векторное пространство, а декодер сгенерировал вероятностный полносвязный граф в соответствии с заранее определенным числом узлов и обновил параметры посредством приблизительного сопоставления графа, чтобы улучшить способность восстановления автоэнкодер.

   В настоящее время метод молекулярной генерации на основе графа имеет больше преимуществ, чем метод генерации на основе грамматики. Хотя новое соединение, полученное методом молекулярного графа, имеет более высокие баллы по различным показателям оценки, оно также подвергается сомнению. Кроме того, метод генерации молекулярных графов по-прежнему ограничен 2D-пространством, а 3D-информация о молекулах полностью игнорируется, что может оказаться в центре внимания в будущем.

   Прогнозирование реакции на лекарства

   Сочетание данных геномики и информации о лекарствах для прогнозирования реакции на лекарства способствовало развитию персонализированной медицины. Хуанг и др. (2020) объединили GCN с автоэнкодером, чтобы предсказать связь между микроРНК и лекарственной устойчивостью. В этом исследовании предсказание ассоциации рассматривалось как проблема полуконтролируемого обучения, и модель свертки графа была построена путем объединения известного профиля экспрессии микроРНК и информации об отпечатке структуры лекарственного средства. Есть и другие исследования, посвященные влиянию медикаментозного лечения на рост клеток. Лю К. и соавт. (2020) предсказали терапевтическое действие лекарств на раковые клетки, построив подсеть информации о раковых клетках и подсеть структуры лекарств. Учитывая сложность раковых факторов, Singha et al. (2020) объединили биологическую сеть, геномику, анализ ингибиторов и данные об ассоциации генов с заболеванием в большой гетерогенный граф. Несколько блоков свертки графа и распространение внимания использовались для агрегирования информации о топологии сети, и была построена графическая структура считывания для прогнозирования конечного результата. Хван и др. (2020) приняли аналогичную структуру в исследовании Liu et al. (Huang et al., 2020), но представил набор информации о дозировке и продолжительности приема препарата для прогнозирования лекарственного поражения печени.

   Прогнозирование лекарственного взаимодействия

   Когда одно лекарство принимается с другим лекарством, ожидаемая эффективность лекарств может значительно измениться. Таким образом, исследования лекарственного взаимодействия (DDI) необходимы для снижения частоты побочных эффектов лекарств и максимизации синергетического эффекта при лечении заболеваний. Очевидно, что наиболее практичным способом изучения лечебных свойств комбинаций лекарств является компьютерное обнаружение DDI. Зитник и др. (2018) предсказали побочные эффекты между лекарствами из мультимодальной гетерогенной сети, состоящей из ИПП, мишеней лекарство-белок и взаимодействий лекарство-лекарство, где каждый побочный эффект был представлен отдельным краем. Ма и др. (2018) предложили структуру кодировщика графов наркотиков с несколькими представлениями, основанную на механизме внимания, который использовался для измерения сходства наркотиков. Чтобы в полной мере использовать неоднородную корреляцию между различными представлениями, каждый тип признаков наркотиков рассматривался как представление, которое было связано с обучаемым весом внимания в интеграции сходства. Этот метод с несколькими представлениями может собирать больше сходной информации, чем предыдущий одиночный вид.

   Медицинская визуализация

   Медицинские изображения играют чрезвычайно важную роль в клинической диагностике, классификации и лечении заболеваний. В области медицинской визуализации методы глубокого обучения в сочетании с компьютерной диагностикой используются для раннего выявления и оценки заболеваний. Как и другие задачи, связанные с изображениями, сегментация, классификация и распознавание являются основными задачами медицинской визуализации. Между тем, данные изображения могут быть представлены в виде структуры графа, подходящей для использования GNN. Таким образом, GNN имеют обширную область применения в области медицинской визуализации, такой как сегментация изображений (Gopinath et al., 2019).; Ван и др., 2019b; Tian et al., 2020a,b), аномальное обнаружение (Wu et al., 2019) МРТ-изображений и патологических изображений, классификация (Shi et al., 2019; Zhou et al., 2019; Adnan et al., 2020) и визуализация (Levy et al., 2020; Sureka et al., 2020) гистологических изображений, анализ хирургических изображений (Zhang et al., 2018), улучшение изображения (Hu et al., 2020), регистрация (Hansen et al. ., 2019), поиск (Zhai et al. , 2019), связь с мозгом (Ktena et al., 2017, 2018; Li X. et al., 2019a; Мирахорли, Мирахорли, 2019; Григис и др., 2020; Ли и др., 2020 г.; Чжан и Пьер, 2020 г .; Zhang et al., 2021) и прогнозирование заболеваний (Parisot et al., 2017; Kazi et al., 2018, 2019a,b,c; Anirudh and Thiagarajan, 2019; Yang et al., 2019; Stankevičiūtė et al., 2020). ; Zhang and Pierre, 2020; Zhang et al., 2021) и т.д. Ма и др. (2018) предложили нейронную сеть со стробируемым графом для сегментации 3D-изображений и использовали направленное обучение графа для прогнозирования движения точек на основе грубой сегментации, где вторая сегментация выполнялась для получения сглаженного изображения. Для обработки поверхностных данных (таких как МРТ) Tian et al. (2020a) использовали спектральную свертку для реализации парцелляции поверхности коры. Традиционное спектральное встраивание может быть реализовано только в ортогональном сеточном пространстве, но этот метод смог напрямую изучить поверхностные особенности коры. Гопинат и др. (2019) предложил автоматический и интерактивный метод прогнозирования контура простаты на основе блоков GCN, который может учитывать многомасштабную функцию, и использовал метод обучения потери сопоставления контуров, чтобы сохранить детали границы простаты. В большинстве случаев модель сегментации глубокого обучения использует метод попиксельной сегментации с высокой вычислительной сложностью. Напротив, метод GNN использует для сегментации только контуры объекта, что сокращает объем вычислений.

   Исследования мозговой связи

   Измерение общего сходства между графическими изображениями представляет структурные или функциональные связи в мозге с помощью помеченных карт, что имеет большое значение при изучении связей мозга. В настоящее время большинство моделей глубокого обучения используют обычные изображения в качестве входных данных по умолчанию, но обработка нерегулярных изображений связей мозга остается проблемой. Новаторская работа с сетями графов глубины в исследованиях мозговых связей была проведена Ктена и др. (2018), а затем эта работа была расширена по пути кросс-валидации (Мирахорли и Мирахорли, 2019).). На рис. 9 показан процесс преобразования и анализа функциональной магнитно-резонансной томографии (фМРТ) в исследовании Ktena et al. который использовался в некоторых более поздних исследованиях GNN для связи с мозгом. Чжай и др. (2019) построили генеративную модель с использованием свертки графов и VAE для прогнозирования аномальных частей входных графов. Чтобы снять ограничения фиксированной графической структуры модели, Чжан и Пьер (2020) предложили пространственную модель обучения на основе GCN, которая могла бы выполнять классификацию различных связей мозга и помогать прогнозировать связь между подсетями связей мозга и болезнь. Паризо и др. (2017) предложили эффективный метод аннотирования активности человеческого мозга, а затем провели исследование переносимости декодирования мозга (Stankevičiūtė et al., 2020). Ян и др. (2019) предсказал состояние сознания мозга путем построения матрицы динамической функциональной связности, описывающей состояние мозга, что доказало эффективность методов свертки графов при предсказании корковых сигналов.

   Рисунок 9. Мера подобия обучения нейронной сети графа в графах функционального мозга. Информация, содержащаяся в изображении фМРТ, была интегрирована в граф через раздел графа и матрицу соединений. Два графа соответственно использовались в качестве входных данных двух графовых сверточных сетей с общими параметрами, а выходные данные сети объединялись слоем внутреннего продукта. Наконец, полносвязный слой выводит предполагаемое сходство между графами.

   Мультимодальное слияние

   Все описанные выше исследования основаны на анализе одного изображения. Тем не менее, использование только одномодальных данных визуализации для прогнозирования заболевания может привести к недостаточной точности результатов. Ян и др. (2019) использовали взвешенную модель сети внимания с взвешенным реберным графиком, чтобы объединить различные методы медицинской визуализации (структурная магнитно-резонансная томография мозга и фМРТ) для выявления биполярного расстройства. Кроме того, все больше исследований, как правило, объединяют данные медицинской визуализации с данными, не связанными с визуализацией, для прогнозирования заболеваний. На основе мультимодального слияния отсутствие некоторой важной информации в мономодальных данных может быть в определенной степени оптимизировано и дополнено. Паризо и др. (2017) впервые представили GCN в медицинских приложениях группового уровня. В этой работе они предложили граф населения, который моделировал людей как узлы на графе, а вектор признаков изображения мозга использовался в качестве представления признаков узла. Фенотипические данные были объединены для прогнозирования заболеваний полуконтролируемым образом, например, пол, возраст и т. д. В 2018 г. Parisot et al. расширил эту работу за счет дополнительных методов углубленного анализа и вариантов моделирования (Stankevičiūtė et al., 2020). С тех пор использование методов графа населения для прогнозирования заболеваний стало выбором многих исследователей. Кази и др. (2018) использовали многоуровневую параллельную модель GCN для оптимизации извлечения корреляционной информации между узлами, которая представила слой автоматического обучения для распределения веса и механизм внимания для использования особенностей каждого мультимодального данных (Kazi et al., 2019).в). Стремясь решить проблему недостаточного выделения признаков, вызванного фиксированными соседями в модели GCN, Kazi et al. предложили InceptionGCN (Kazi et al., 2019a), в котором рассматривались ядра свертки рецептивного поля разных размеров и использовались два метода агрегации для обработки. все функции, полученные ядром свертки. Тем не менее, производительность этой модели на различных наборах данных сильно различается, поэтому в более поздних работах был представлен механизм внимания на основе LSTM для лучшей интеграции мультимодальных данных (Kazi et al., 2019).б). Для исследования проблемы классификации расстройств аутистического спектра Анируд и Тиагараджан (2019) предложили более надежный метод, основанный на наборе слабообучаемых G-CNN, для снижения чувствительности модели к выбору построения графа. Арья и др. (2020) считали, что фенотипические данные популяции не подходят для определения взаимосвязи между ребрами; затем фактическое сходство между структурами мозга использовалось для непосредственного извлечения переменных из МРТ головного мозга, чтобы установить взаимосвязь между узлами. Станкевичюте и др. (2020) использовали график населения для прогнозирования возраста мозга, но получили неудовлетворительные результаты. Топологические характеристики между различными областями мозга делают GNN более подходящими для выявления связанных моделей заболеваний головного мозга и эффективной помощи в изучении механизма заболевания.

   Сводка по типовым приложениям

   В целом, приложения GNN на уровне узла, на уровне ребра и на уровне графа не являются полностью независимыми. В соответствии с различными уровнями задач и биологических проблем мы даем подробную сводку по вышеупомянутым типичным приложениям в таблице 1.

   Таблица 1. Краткое описание типовых применений.

   Обсуждение и направления будущих исследований

   Проблема и направление методологии

   Текущие GNN имеют возможности для улучшения методов обработки биологических задач. В этом разделе предлагаются методологические проблемы и будущие направления развития GNN для трех областей применения: прогнозирование заболеваний, открытие лекарств и биомедицинская визуализация.

   Для прогнозирования заболеваний необходимо внести улучшения в трех областях: оценка сходства новых узлов, введение информации об атрибутах узла и обработка разнородной информации. Во-первых, в большинстве исследований по прогнозированию заболеваний применялись методы широкого сходства. Модели GNN используются для извлечения подробной информации о гетерогенной сети, состоящей из семантического сходства заболеваний, функционального сходства РНК и данных множественных ассоциаций. Однако построение различных сетей сходства в определенной степени увеличило бы сложность модели GNN, и необходимо улучшить эффективную парадигму оценки сходства для новых заболеваний или РНК. Кроме того, следует уделять больше внимания введению в процесс моделирования информации об атрибутах узлов, таких как семантические признаки болезни и структурные признаки РНК, что позволяет избежать чрезмерной зависимости от связанной информации. Наконец, для гетерогенных сетей, содержащих информацию из нескольких источников, GNN могут глубоко интегрировать свою топологическую информацию. Тем не менее, современные GNN в основном ориентированы на обработку изоморфных графов и не могут в достаточной мере отразить неоднородность узлов и ребер в гетерогенных сетях (Zhang C. et al., 2019).). Итак, необходимо изучить новую архитектуру, которая сможет учитывать особенность данных в гетерогенных биологических сетях.

   При открытии лекарств необходимо дополнительно изучить способ построения химических сетей и определение структуры молекулярной модели. При изучении взаимодействий соединений соединения и химические сети обычно моделируются в виде графов. Эти основанные на графах методы были успешно применены к связанным задачам химических сетей, но есть несколько исследований, которые могут одновременно рассматривать эти два разных типа графов сквозным образом. Харада и др. (2020) использовали молекулярные графы в качестве узлов в химических сетях и выполняли над ними операции внутренней и внешней свертки. Сверточная сеть с двойным графом может одновременно фиксировать особенности структуры отдельного молекулярного графа и сети молекулярных отношений, обеспечивая отличные результаты в плотных сетях. Кроме того, современное молекулярное моделирование в значительной степени основано на структуре двумерного графа, а трехмерная структура, которая может влиять на свойства молекул, редко рассматривалась. Следовательно, исследование GNN молекулярной трехмерной структуры может стать будущим направлением, которым раньше пренебрегали.

   Multimodal Fusion

   Графовые нейронные сети также имеют ограничения в многомодальной обработке данных в медицинской визуализации. Естественное сочетание мультимодального глубокого обучения (Ngiam et al., 2011) и омических данных из нескольких источников ускоряет развитие биоинформатики. Некоторые исследования GNN в мультимодальном слиянии обсуждались в разделе 4. 3.3. Нередко в этих исследованиях обнаруживается, что данные относительно сбалансированы, но нельзя избежать использования несбалансированных данных в реальных задачах. Поэтому метод обработки несбалансированных данных в GNN нуждается в дальнейшем исследовании.

   Проблема и тенденция, вызванные биологическими данными

   Существующие исследования биомолекулярных сетей доказали, что многие биомолекулярные сети обладают свойствами разреженности и безмасштабности. Разреженность выражается так: если размер сети равен N , то число ребер равно O( N ) вместо N ² , что является результатом особой оптимизации в долговременной эволюции организмов. Безмасштабный характер отражается в распределении степеней этих сетей, которое подчиняется степенному закону распределения, где большинство узлов имеют небольшое количество соединений, а несколько узлов имеют большое количество соединений. Эта характеристика демонстрирует, что несколько узлов, представленных в виде биомолекул, играют ключевую роль в динамических изменениях биомолекулярных сетей. Для решения проблем разреженности и безмасштабности биомолекулярных сетей можно использовать два метода — отсев и регуляризация — для уменьшения вызванного ими переобучения. С фиксированной вероятностью метод отсева случайным образом устанавливает каждое измерение веса равным нулю в процессе обучения, так что модель каждый раз обновляет только часть параметров. Например, модель GCN, предложенная Cai et al. (2020) основан на методах мелкозернистого исключения ребер и крупнозернистого исключения узлов, чтобы сделать GCN более стабильным представлением в процессе непрерывной адаптации. Dropout может смягчить нестабильность, когда в обучающей выборке фантастическое количество данных; следовательно, метод отсева лучше подходит для больших наборов данных. Метод регуляризации добавляет член регуляризации к функции потерь, чтобы ограничить масштаб параметров. В исследовании предсказания ассоциации генов с заболеванием, проведенном Han et al. (2019), в наборе данных было 3 209 заболеваний и более 10 000 генов. Тем не менее, были определены только 3 954 известных ассоциаций болезни и генов и предельная функция потери контроля, чтобы уменьшить редкое воздействие.

   Кроме того, сбор данных об отрицательных пробах часто игнорируется в самых современных исследованиях, что приводит к тому, что биологические данные содержат только положительные пробы. Отсутствие отрицательных образцов увеличивает сложность обучения модели. Поэтому в исследовании Eyuboglu and Freeman (2004) был предложен простой метод решения проблемы отсутствия негативных меток, который случайным образом выбирает k из набора непомеченных узлов, чтобы пометить их как отрицательные. Этот, казалось бы, неразумный метод приводит к тому, что большинство меток выбираются случайным образом, но на самом деле случайно выбранные белки могут иметь низкую корреляцию с заболеванием. Следовательно, определенное количество случайных отрицательных меток можно считать разумным.

   Наконец, в биомолекулярной сети содержится большое количество информации о шуме, поэтому обработка шумоподавления является очень положительным шагом для улучшения производительности модели. Например, GAT может присваивать низкий вес зашумленным данным или напрямую устранять ассоциации со степенью корреляции ниже порогового значения в сети. Дополнительные методы снижения шума заслуживают дальнейшей разработки.

   Отсутствие интерпретируемости

   В биоинформатике недостаточно просто предоставить результаты вычислений. Отсутствие интерпретации — постоянная проблема модели черного ящика, такой как глубокое обучение. Поскольку сущности и отношения в GNN обычно соответствуют различным типам объектов, существующих в реальном мире, GNN обладают способностью поддерживать более интерпретируемый анализ и визуализацию (Selsam et al., 2018). Возьмите в качестве примера изучение молекулярного отпечатка пальца (Duvenaud et al., 2015); метод кодирования отпечатков пальцев с использованием нейронных графов может учитывать сходство между молекулярными фрагментами для достижения более значимого представления признаков, что также игнорируется при традиционном кодировании отпечатков пальцев. При прогнозировании метастазирования у пациентов с раком молочной железы (Chereda et al., 2021) было предложено распространение релевантности по слоям графа, чтобы объяснить, как GCN генерирует прогнозы на основе данных подсети PPI для конкретного пациента, которые могут быть потенциально очень полезными для Развитие персонализированной медицины. При гистологическом анализе изображений Sureka et al. (2020) смоделировали гистологическую ткань в виде ядерного графа и создали структуру сверточной сети графа, основанную на механизме внимания и окклюзии узлов для диагностики заболеваний. Этот метод визуализировал относительный вклад каждого клеточного ядра с помощью изображения всего предметного стекла. При анализе данных GNN генерируют соответствующую информацию для каждого узла данных, что в некоторой степени делает модель более интерпретируемой. В целом, дальнейшее изучение интерпретируемости моделирования биологических сетей с помощью GNN по-прежнему остается важным направлением будущих исследований.

   Исследование глубинной структуры

   Глубокая сетевая структура чаще встречается в глубоком обучении. Например, остаточная сеть (ResNet), которая превосходно классифицирует изображения, имеет 152 уровня (He et al., 2016), но в большинстве сетей уровни ниже трех в области GNN (Zhou et al., 2020). Эксперименты показали, что по мере увеличения количества сетевых слоев характеристики всех узлов будут приближаться к одному и тому же значению, что снизит производительность сети (Li Q. et al., 2018). Однако более глубокие сети могут обеспечить большее пространство параметров и более широкие возможности представления, поэтому возможность реализации нейронной сети с глубоким графом заслуживает изучения.

   Заключение

   Графовые нейронные сети, как ветвь глубокого обучения в неевклидовом пространстве, особенно хорошо работают в различных задачах, обрабатывающих данные структуры графа. В этой статье систематический обзор GNN и их достижений в области биоинформатики представлен с разных точек зрения. Специально предлагаются три репрезентативные задачи, основанные на трех уровнях структурной информации, которые могут быть изучены GNN: классификация узлов, предсказание ссылок и генерация графа. Между тем, в соответствии с конкретными приложениями для различных данных omics, мы классифицируем и обсуждаем связанные исследования в трех аспектах: прогнозирование заболеваний, открытие лекарств и биомедицинская визуализация. Наконец, проиллюстрированы ограничения и будущие возможности применения GNN к исследованиям в области биоинформатики.

   Хотя в настоящее время GNN добилась отличных результатов во многих биологических задачах, она по-прежнему сталкивается с проблемами, связанными с некачественной обработкой данных, методологией и интерпретируемостью, и впереди у нее долгий путь. Мы считаем, что GNN потенциально являются прекрасным методом, который решает различные биологические проблемы в исследованиях биоинформатики. Кроме того, эта статья может стать ценным справочным материалом для новых исследователей, присоединяющихся к исследованиям в этой области.

   Заявление о доступности данных

   Оригинальные материалы, представленные в исследовании, включены в статью/дополнительный материал, дальнейшие запросы можно направлять соответствующему автору/авторам.

   Вклад авторов

   LLia и X-MZ внесли свой вклад в концептуализацию, методологию и написание – подготовка исходного проекта. LLiu и M-JT внесли свой вклад в формальный анализ и написание – рецензирование и редактирование. X-MZ участвовал в расследовании и обработке данных. Все авторы прочитали и согласились с опубликованной версией рукописи.

   Финансирование

   Это исследование финансировалось Национальным фондом естественных наук Китая (№ 61862067) и Фондом докторантуры Юннаньского педагогического университета (№ 01000205020503090).

   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 утверждения, 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.

   Ссылки

   Аднан, М., Калра, С., и Тижуш, Х. Р. (2020). «Обучение представлению», в материалах Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops , ​​Сиэтл. 988–989.

   Google Scholar

   Анфинсен, К. (1973). Принципы сворачивания белковых цепей. Наука 181, 223–230.

   Google Scholar

   Анируд Р. и Тиагараджан Дж. (2019). «Сверточные нейронные сети графа начальной загрузки для классификации расстройств аутистического спектра», в Материалы Международной конференции IEEE по акустике, обработке речи и сигналов (ICASSP) ICASSP 2019-2019, (Брайтон: IEEE).

   Google Scholar

   Арья Д., Олидж Р., Гупта Д. К., Эль Газзар А., Винген Г., Ворринг М. и др. (2020). «Объединение структурных и функциональных МРТ с использованием сверточных сетей графов для классификации аутизма», в Medical Imaging With Deep Learning , ​​(Piscataway, NJ: PMLR), 44–61.

   Академия Google

   Этвуд, Дж., и Таусли, Д. (2015). Диффузионно-сверточные нейронные сети. НИПС 2016, 1993–2001 гг.

   Google Scholar

   Баджадж П., Херегуппе С. и Сумант К. (2017). Граф сверточных сетей для изучения взаимосвязей лекарств и болезней в биологических сетях. Вычисл. науч.

   Google Scholar

   Барабаси А., Гулбахче Н. и Лоскальцо Дж. (2011). Сетевая медицина: сетевой подход к болезням человека. Нац. Преподобный Жене. 12, 56–68. doi: 10.1038/nrg2918

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Бика И., Андрес Терре Х., Цвейич А. и Лио П. (2020). Неконтролируемое генеративное и графическое обучение для моделирования дифференцировки клеток. науч. Респ. 10:9790. doi: 10.1038/s41598-020-66166-8

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Бойчевски А. и Гюннеманн С. (2017). Глубокое гауссово вложение графов: неконтролируемое индуктивное обучение посредством ранжирования. arXiv [Препринт]. архив: 1707.03815.

   Google Scholar

   Бруна Дж., Заремба В., Шлам А. и ЛеКун Ю. (2013). Спектральные сети и локально связанные сети на графах. arXiv [Препринт]. архив: 1312.6203.

   Google Scholar

   Цай Р., Чен Х., Фанг Ю., Ву М. и Хао Ю. (2020). Сверточная сеть с двойным отсевом графа для прогнозирования синтетической летальности при раке человека. Биоинформатика 2020:btaa211. дои: 10.1093/биоинформатика/btaa211

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Цао Ю. и Шен Ю. (2020). Сверточные сети графов на основе энергии для оценки моделей стыковки белков. Прот. Структура Функц. Биоинформ. 88, 1091–1099.

   Google Scholar

   Череда Х., Блекманн А., Менк К., Перера-Бел Дж., Стегмайер П., Ауэр Ф. и др. (2021). Объяснение решений графовых сверточных нейронных сетей: молекулярные подсети для конкретных пациентов, ответственные за прогнозирование метастазов при раке молочной железы. Геном Мед. 13:845. doi: 10.1186/s13073-021-00845-7

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Coley, C., Jin, W., Rogers, L., Jamison, T., Green, W., Jaakkola, T., et al. (2019). Графово-сверточная модель нейронной сети для прогнозирования химической активности. Хим. науч. 10:4228D. doi: 10.1039/C8SC04228D

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Дай Х., Тиан Ю., Дай Б., Скиена С. и Сонг Л. (2018). Управляемый синтаксисом вариационный автоэнкодер для структурированных данных. arXiv [Препринт]. архив: 1802.08786.

   Google Scholar

   Де Као, Н., и Кипф, Т. (2018). MolGAN: неявная генеративная модель для небольших молекулярных графов. arXiv [Препринт]. архив: 1805.11973.

   Google Scholar

   Дефферрар М., Брессон Х. и Вандергейнст П. (2016). Сверточные нейронные сети на графах с быстрой локализованной спектральной фильтрацией. Доп. Нейр. Поставить в известность. Процессы Сист. Барселона NIPS 2016, 3844–3852.

   Google Scholar

   Дин Ю., Тянь Л. П., Лэй Х., Ляо Б. и Ву Ф. Х. (2020). Автокодировщики вариационного графа для прогнозирования ассоциации микроРНК с заболеванием. Методы 2:4. doi: 10.1016/j.ymeth.2020.08.004

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Дювено Д., Маклорен Д., Агилера-Ипаррагирре Дж., Гомес-Бомбарелли Р., Хирзель Т., Аспуру-Гузик А. и др. (2015). «Сверточные сети на графах для изучения молекулярных отпечатков пальцев», в Advances in Neural Information Processing Systems (NIPS) , Montreal, QC, 13.

   Google Scholar

   Eguchi, R., Ono, N., Morita, A., Katsuragi, T., Nakamura, S., Huang , М. и др. (2019). Классификация алкалоидов по исходным веществам путей их биосинтеза с использованием графовых сверточных нейронных сетей. БМК Биоинформ. 20:2963. doi: 10.1186/s12859-019-2963-6

   PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

   Эюбоглу, Э. С., и Фримен, П. Б. (2004). Прогнозирование белков заболеваний с помощью графовых сверточных сетей. Генетика 5, 101–113.

   Google Scholar

   Фэн К., Дуева Э., Черкасов А. и Эстер М. (2018). Падме: основанная на глубоком обучении структура для прогнозирования взаимодействия лекарств с целью. arXiv [Препринт]. архив: 1807.09741. doi: 10.1007/s12559-021-09840-x

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Фаут А. М., Джонатон Б., Басир С. и Аса Б. (2017). Прогнозирование белкового интерфейса с использованием графовых сверточных сетей. НИПС 6533–6542.

   Google Scholar

   Фраска, М. (2017). Gene2DisCo: ген болезни с использованием общих черт болезней. Артиф. Интел. Мед. 82:1. doi: 10.1016/j.artmed.2017.08.001

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Гао К.Ю., Фокоуэ А., Луо Х., Айенгар А., Дей С. и Чжан П. (2018). Интерпретируемое предсказание целевого препарата с использованием глубокого нейронного представления. IJCAI 2018, 3371–3377.

   Академия Google

   Гилмер Дж., Шенхольц С.С., Райли П.Ф., Виньялс О. и Даль Г.Е. (2017). «Передача нейронных сообщений для квантовой химии», в Proceedings of the International Conference on Machine Learning , ​​(Piscataway, NJ: PMLR), 1263–1272.

   Google Scholar

   Глигориевич В., Ренфрю П., Косциолек Т., Келер Дж., Чо К., Ватанен Т. и др. (2019). Предсказание функции на основе структуры с использованием сверточных сетей графа. Нац. коммун. 12, 1–14.

   Google Scholar

   Го К., Кьюсик М., Валле Д., Чайлдс Б., Видал М. и Барабаси А. (2007). Сеть болезней человека. Проц. Натл. акад. науч. США 104, 8685–8690. doi: 10.1073/pnas.0701361104

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Гопинат К., Дерозье К. и Ломберт Х. (2019). Свертки графа на спектральных вложениях для парцелляции поверхности коры. Мед. Анальный образ. 54, 297–305. doi: 10.1016/j.media.2019.03.012

   Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

   Гори М., Монфардини Г. и Скарселли Ф. (2005). «Новая модель обучения в графовых областях», в материалах Proceedings of the 2005 IEEE International Joint Conference on Neural Networks , ​​Vol. 2 (Пискатуэй, Нью-Джерси: IEEE), 729–734. doi: 10.1109/IJCNN.2005.1555942

   Полный текст CrossRef | Google Scholar

   Григис А., Тассери Дж., Фруэн В., Джаррая Б. и Уриг Л. (2020). Прогнозирование корковых сигнатур сознания с использованием графо-сверточных нейронных сетей с динамической функциональной связностью. bioRxiv [Препринт]. doi: 10.1101/2020. 05.11.078535

   CrossRef Полный текст | Google Scholar

   Гуан Ю., Горенштейн Д., Бурмейстер М., Вонг А. К., Шименти Дж. К., Гендель М. А. и др. (2012). Тканеспецифические функциональные сети для определения приоритетов генов фенотипа и болезни. PLoS вычисл. биол. 8:e1002694. doi: 10.1371/journal.pcbi.1002694

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Гамильтон В., Ин Р. и Лесковец Дж. (2017). Обучение индуктивному представлению на больших графах. НИПС 2017, 1024–1034.

   Google Scholar

   Хань П., Ян П., Чжао П., Шан С., Лю Ю., Чжоу Дж. и др. (2019). «GCN-MF: идентификация ассоциации гена болезни с помощью графовых сверточных сетей и матричной факторизации», в Трудах 25-й Международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных , ​​Анкоридж. 705–713.

   Google Scholar

   Хансен Л., Диттмер Д. и Генрих М. П. (2019). «Обучение регистрации набора деформируемых точек с помощью регуляризованного динамического графика cnns для большого движения легких у пациентов с ХОБЛ», в Материалы Международного семинара по графическому обучению в медицинской визуализации , ​​(Cham: Springer), 53–61.

   Google Scholar

   Харада С., Акита Х., Цубаки М., Баба Ю., Такигава И., Яманиши Ю. и др. (2020). Сверточная нейронная сеть с двойным графом для прогнозирования химических сетей. БМК Биоинформ. 21:3378. doi: 10.1186/s12859-020-3378-0

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Хе, К., Чжан, X., Рен, С., и Сунь, Дж. (2016). «Глубокое остаточное обучение для распознавания изображений», в Материалы конференции IEEE по компьютерному зрению и распознаванию образов , ​​Новый Орлеан. 770–778.

   Google Scholar

   Ху, X., Ян, Ю., Рен, В., Ли, Х., Чжао, Ю., Баят, А., и др. (2020). Сверточная сеть внимания графа обратной связи для улучшения медицинских изображений. arXiv [Препринт]. архив: 2006.13863.

   Google Scholar

   Хуан Ю., Хуан З., Ю З., Чжу З., Хуанг В., Го Дж. и др. (2019). Прогнозирование взаимодействия lncRNA-miRNA с помощью автоматического кодировщика свертки графа. Фронт. Жене. 10:758. doi: 10.3389/fgene.2019.00758

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Хуан Ю. А., Ху П., Чан К. С. и Ю З. Х. (2020). Свертка графа для прогнозирования связи между микроРНК и лекарственной устойчивостью. Биоинформатика 36, 851–858. doi: 10.1093/bioinformatics/btz621

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Хван, Д., Чон, М., и Кан, Дж. (2020). «Модель прогнозирования лекарственного поражения печени с использованием данных транскрипционного ответа с графовой нейронной сетью», в Материалы Международной конференции IEEE 2020 г. по большим данным и интеллектуальным вычислениям (BigComp) , (Пискатауэй, Нью-Джерси: IEEE), 323–329.

   Google Scholar

   Иглхарт, Дж. Д., и Сильвер, Д. П. (2009). Синтетическая летальность – новое направление в разработке лекарств от рака. Н. англ. Дж. Мед. 361:189. doi: 10.1056/NEJMe04

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Ингрэм Дж. , Гарг В., Барзилай Р. и Яаккола Т. (2019). Генеративные модели для графического дизайна белков. Достижения в системах обработки нейронной информации 32 (NeurIPS 2019), декабрь 2019 г., Ванкувер, Канада, Фонд систем обработки нейронной информации, 2019. Ванкувер, Британская Колумбия: Фонд систем обработки нейронной информации.

   Google Scholar

   Иоаннидис В. Н., Маркес А. Г. и Гианнакис Г. Б. (2019). «Графические нейронные сети для прогнозирования функций белков», в материалах 8-го Международного семинара IEEE 2019 г. по вычислительным достижениям в мультисенсорной адаптивной обработке (CAMSAP) , (Пискауэй, Нью-Джерси: IEEE), 221–225.

   Google Scholar

   Цзяхуа Р., Чжоу Х., Лу Ю., Чжао Х. и Ян Ю. (2020). Вменение данных одноклеточной РНК-секвенции путем объединения свертки графа и нейронных сетей автоэнкодера. iScience 24:102393. doi: 10.1016/j.isci.2021.102393

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Цзян Л. и Чжу Дж. (2020). Обзор предсказания ассоциации микроРНК-заболевания. Курс. прот. Пепт. науч. 21, 1044–1053.

   Google Scholar

   Jiang, M., Li, Z., Zhang, S., Wang, S., Wang, X., Yuan, Q., et al. (2020). Прогнозирование сродства к лекарственному средству с использованием графовой нейронной сети и карт контактов. RSC Adv. 10, 20701–20712. doi: 10.1039/D0RA02297G

   Полный текст CrossRef | Google Scholar

   Джин В., Барзилай Р. и Яаккола Т. (2018). «Вариационный автокодер дерева соединений для генерации молекулярного графа», в материалах Международной конференции по машинному обучению 9.0307 г. (Пискатуэй, Нью-Джерси: PMLR), 2323–2332. doi: 10.1186/s13321-019-0396-x

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Йоханссон-Акхе И., Мирабелло К. и Валлнер Б. (2020). InterPepRank: оценка конформаций пристыкованных пептидов с помощью сети глубоких графов. bioRxiv [Препринт]. doi: 10.1101/2020.09.07. 285957

   CrossRef Полный текст | Google Scholar

   Кази А., Альбаркуни С., Кортюм К. и Наваб Н. (2018). Многоуровневая сверточная сеть с параллельным графом (ML-PGCN) для прогнозирования заболеваний. arXiv [Препринт]. архив: 1804.

   Google Scholar

   Кази А., Шекарфоруш С., Шридхар А., Бурвинкель Х., Вивар Г., Кортюм К. и др. (2019а). «InceptionGCN: сверточная сеть графов с осведомленностью о рецептивном поле для прогнозирования заболеваний», в Proceedings of the International Conference on Information Processing in Medical Imaging , ​​(Cham: Springer), 73–85. doi: 10.1007/978-3-030-20351-1_6

   CrossRef Full Text | Google Scholar

   Кази А., Шекарфоруш С., Шридхар А., Бурвинкель Х., Вистлер Б. и др. (2019б). «Модель внимания на основе свертки графа для персонализированного прогнозирования заболеваний», в Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervention , ​​(Cham: Springer), 122–130. doi: 10.1007/978-3-030-32251-9_14

   CrossRef Full Text | Google Scholar

   Кази А., Шридхар А., Шекарфоруш С., Кортюм К., Альбаркуни С. и Наваб Н. (2019c). «Свертки графов с самостоятельным вниманием для прогнозирования заболеваний», в Proceedings of the 201916-й Международный симпозиум IEEE по биомедицинской визуализации (ISBI 2019) (Венеция: IEEE), 1896–1899. doi: 10.1109/ISBI.2019.8759274

   CrossRef Полный текст | Google Scholar

   Кернс С., Макклоски К., Берндл М., Панде В. и Райли П. (2016). Свертки молекулярных графов: выход за рамки отпечатков пальцев. Дж. Вычисл. Помощь Мол. Дес. 30, 595–608. doi: 10.1007/s10822-016-9938-8

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Кемчандани Ю., О’Хаган С., Саманта С., Суэйнстон Н., Робертс Т. Дж., Боллегала Д. и др. (2020). DeepGraphMolGen, многоцелевая вычислительная стратегия для создания молекул с желаемыми свойствами: подход свертки графа и обучения с подкреплением. Ж. Хеминформ. 12, 1–17. doi: 10.1186/s13321-020-00454-3

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Кингма Д. П. и Веллинг М. (2013). Автокодирование вариационного байеса. arXiv [Препринт]. архив: 1312.6114. doi: 10.1093/bioinformatics/btaa169

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Кипф, Т. Н., и Веллинг, М. (2016a). Полууправляемая классификация с помощью графовых сверточных сетей. архив [Препринт]. архив: 1609.02907.

   Google Scholar

   Кипф, Т. Н., и Веллинг, М. (2016b). Автокодировщики вариационного графа. arXiv [Препринт]. архив: 1611.07308.

   Google Scholar

   Корен Ю., Белл Р. и Волински К. (2009). Методы матричной факторизации для рекомендательных систем. Компьютер 42, 30–37.

   Google Scholar

   Ктена С.И., Паризо С., Ферранте Э., Райхл М., Ли М., Глокер Б. и др. (2018). Метрическое обучение с помощью сверток спектрального графа в сетях связи мозга. НейроИзображение 169, 431–442. doi: 10.1016/j.neuroimage.2017.12.052

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Ктена С.И., Паризо С., Ферранте Э., Райхл М., Ли М., Глокер Б. и др. (2017). «Дистанционное метрическое обучение с использованием графовых сверточных сетей: применение к функциональным сетям мозга», в Международная конференция по вычислениям медицинских изображений и компьютерному вмешательству , ​​(Cham: Springer), 469–477.

   Академия Google

   Ли, И., Блом, У. М., Ван, П. И., Шим, Дж. Э., и Маркотт, Э. М. (2011). Приоритизация генов-кандидатов болезней с помощью сетевого повышения данных об ассоциации всего генома. Рез. генома. 21, 1109–1121. doi: 10.1101/gr.118992.110

   PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

   Леви Дж., Хауденшильд К., Бар К., Кристенсен Б. и Вайкус Л. (2020). Извлечение топологических признаков и визуализация целых изображений слайдов с использованием графовых нейронных сетей. bioRxiv [Препринт]. дои: 10.1101/2020.08.01.231639.

   Полнотекстовая перекрестная ссылка | Google Scholar

   Li, C., Liu, H., Hu, Q., Que, J. и Yao, J. (2019). Новая вычислительная модель для прогнозирования ассоциаций микроРНК и болезней на основе гетерогенных графовых сверточных сетей. Ячейки 8:977. doi: 10.3390/cells80

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ли Дж., Чжан С., Лю Т., Нин К., Чжан З. и Чжоу В. (2020). Дополнение нейронной индуктивной матрицы графовыми сверточными сетями для предсказания ассоциации микроРНК-заболевания. Биоинформатика 36, 2538–2546. doi: 10.1093/bioinformatics/btz965

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Li, Q., Han, Z., and Wu, X.M. (2018). «Более глубокое понимание сверточных сетей графов для полууправляемого обучения», в Трудах конференции AAAI по искусственному интеллекту , ​​Vol. 32.

Google Scholar

Ли С. , Ван Ф., Шу Х., Цзян Т., Чжао Д. и Цзэн Дж. (2020). MONN: многоцелевая нейронная сеть для прогнозирования взаимодействий и сродства соединений и белков. Сотовая система 10, 308–322.e11. doi: 10.1016/j.cels.2020.03.002

CrossRef Полный текст | Google Scholar

Li, X., Dvornek, N.C., Zhou, Y., Zhuang, J., Ventola, P., and Duncan, J.S. (2019a). «Граф нейронной сети для интерпретации биомаркеров задач ЯМР», в Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervention , ​​(Cham: New Orleans, Springer), 485–493. doi: 10.1007/978-3-030-32254-0_54

CrossRef Полный текст | Академия Google

Ли, К., Ян, К., Гу, К., Чжоу, Х., Ву, Д., и Сюй, Дж. (2019b). DeepChemStable: предсказание химической стабильности с помощью сети свертки графа на основе внимания. J. Chem. Поставить в известность. Модель. 59, 1044–1049. doi: 10.1021/acs.jcim.8b00672

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Li, X. , Zhou, Y., Gao, S., Dvornek, N., Zhang, M., Zhuang, J., et al. (2020). Braingnn: интерпретируемая нейронная сеть графа мозга для анализа МРТ. bioRxiv [Препринт]. дои: 10.1101/2020.05.16.100057

Полнотекстовая перекрестная ссылка | Google Scholar

Ли, Ю. и Ли, Дж. (2012). Идентификация гена болезни путем случайного блуждания по мультиграфам, объединяющим разнородные геномные и фенотипические данные. BMC Genomics 7 (Приложение 7): S27. doi: 10.1186/1471-2164-13-S7-S27

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ли Ю., Кувахара Х., Ян П., Сонг Л. и Гао Х. (2019). PGCN: Приоритизация генов болезней с помощью болезней и встраивания генов с помощью графовых сверточных нейронных сетей. doi: 10.1101/532226

CrossRef Полный текст | Google Scholar

Ли Ю., Виньялс О., Дайер К., Паскану Р. и Батталья П. (2018a). Изучение глубоких генеративных моделей графов. arXiv [Препринт]. архив: 1803.03324.

Google Scholar

Ли Ю., Чжан Л. и Лю З. (2018b). Многоцелевой дизайн лекарственного препарата de novo с генеративной моделью условного графа. Ж. Хеминформ. 10, 1–24. doi: 10.1186/s13321-018-0287-6

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Лю К., Сун С., Цзя Л., Ма Дж., Син Х., Ву Дж. и др. (2019). Chemi-Net: сверточная сеть молекулярного графа для точного прогнозирования свойств лекарств. Междунар. Дж. Мол. науч. 20:3389. doi: 10.3390/ijms20143389

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Лю, К., Ху, З., Цзян, Р., и Чжоу, М. (2020). DeepCDR: сверточная сеть гибридного графа для прогнозирования реакции на лекарства от рака. Биоинформатика 36 (Прил. 2), i911–i918. doi: 10.1093/bioinformatics/btaa822

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Лю X., Луо Ю., Сонг С. и Пэн Дж. (2020). Предварительное обучение графовой нейронной сети для моделирования влияния мутаций на аффинность связывания белок-белок. arXiv [Препринт]. архив: 2008.12473.

Google Scholar

Лонг Ю., Ву М., Квох К., Луо Дж. и Ли Х. (2020). Прогнозирование ассоциаций микробов и лекарств человека с помощью графовой сверточной сети с условным случайным полем. Биоинформатика 36:598. doi: 10.1093/bioinformatics/btaa598

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Луо Дж., Дин П., Лян К., Цао Б. и Чен Х. (2016). Коллективное предсказание микроРНК, связанных с заболеванием, на основе обучения трансдукции. Транзакция IEEE/ACM. вычисл. биол. Биоинформ. 14, 1468–1475. doi: 10.1109/TCBB.2016.2599866

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ма Т., Сяо К., Чжоу Дж. и Ван Ф. (2018). Интеграция схожести лекарств с помощью внимательных автокодировщиков с несколькими представлениями. arXiv [Препринт]. архив: 1804.10850.

Google Scholar

Мао К., Яо Л. и Луо Ю. (2019). Medgcn: сверточные сети графов для решения множества медицинских задач. arXiv [Препринт]. архив: 1904.00326.

Google Scholar

Мин С., Ли Б. и Юн С. (2016). Глубокое обучение в биоинформатике. Кратко. Биоинформ. 18, 851–869. doi: 10.1093/bib/bbw068

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Мирахорли, Дж., и Мирахорли, М. (2019). Графический метод обнаружения аномалий в функциональной сети мозга с использованием вариационного автоэнкодера. bioRxiv [Препринт]. 616367.

Google Scholar

Миядзаки Ю., Оно Н., Хуанг М., Альтаф-Уль-Амин М. и Каная С. (2020). Всестороннее исследование целевых лигандов с использованием нейронной сети свертки графа. Мол. Поставить в известность. 39:15. doi: 10.1002/minf.2015

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Монти Ф., Боскаини Д., Маски Дж., Родола Э., Свобода Дж. и Бронштейн М. (2017). Глубокое геометрическое обучение на графиках и многообразиях с использованием смешанных моделей CNN. 5425–5434. doi: 10.1109/CVPR.2017.576

CrossRef Полный текст | Google Scholar

Навлаха С. и Кингсфорд К. (2010). Сила сетей взаимодействия белков для связывания генов с болезнями. Биоинформатика (Oxf. Engl.) 26, 1057–1063. doi: 10.1093/биоинформатика/btq076

Резюме PubMed | Полный текст перекрестной ссылки | Google Scholar

Нил Д., Бриоди Дж., Лакост А., Сим А., Крид П. и Саффари А. (2018). Интерпретируемые сверточные нейронные сети графов для вывода на зашумленных графах знаний. архив. [Препринт]. архив: 1812.00279.

Google Scholar

Нгиам Дж., Хосла А., Ким М., Нам Дж., Ли Х. и Нг А.Ю. (2011). «Мультимодальное глубокое обучение», в ICML.

Google Scholar

Нгуен Т., Ле Х., Куинн Т. П., Нгуен Т., Ле Т. Д. и Венкатеш С. (2021). GraphDTA: прогнозирование сродства связывания лекарственного средства с мишенью с помощью графовых нейронных сетей. Биоинформатика 37, 1140–1147. doi: 10.1093/bioinformatics/btaa921

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Пан X. и Шен Х.-Б. (2019). Вывод микроРНК, связанных с заболеванием, с использованием полуконтролируемых сверточных сетей с несколькими метками. iScience 20:13. doi: 10.1016/j.isci.2019.09.013

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Паризо С., Ктена С.И., Ферранте Э., Ли М., Морено Р.Г., Глокер Б. и др. (2017). «Свертки спектральных графов для прогнозирования заболеваний на основе популяции», в Материалы Международной конференции по обработке медицинских изображений и компьютерному вмешательству , ​​(Cham: Springer), 177–185.

Google Scholar

Пэн Н., Пун Х., Квирк К., Тутанова К. и Йих В. (2017). Извлечение N-арных отношений между предложениями с помощью LSTM графа. Сделка. ассоциированный вычисл. Лингвист. 5:49. doi: 10.1162/tacl_a_00049

CrossRef Full Text | Google Scholar

Рао А., Вг С., Джозеф Т., Котте С., Шивадасан Н. и Шринивасан Р. (2018). Приоритизация генов на основе фенотипа для редких заболеваний с использованием свертки графов в гетерогенных сетях. БМС Мед. Геном. 11:372. doi: 10.1186/s12920-018-0372-8

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Rathi, PC, Ludlow, RF, and Verdonk, ML (2019). Практические высококачественные поверхности электростатического потенциала для обнаружения лекарств с использованием графо- сверточной глубокой нейронной сети. J. Med. хим. 63, 8778–8790. doi: 10.1021/acs.jmedchem.9b01129

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Равиндра Н., Сеханобиш А., Паппалардо Дж., Хафлер Д. и Дейк Д. (2020). «Прогнозирование состояния болезни на основе данных об одной клетке с использованием сетей графического внимания», в Материалы конференции ACM по здоровью, выводам и обучению (CHIL ’20) (Нью-Йорк, штат Нью-Йорк: Ассоциация вычислительной техники), 121–130. doi: 10.1145/3368555.3384449

CrossRef Full Text | Google Scholar

Ри С., Сео С. и Ким С. (2018). Гибридный подход реляционной сети и сверточной фильтрации локализованного графа для классификации подтипов рака молочной железы. архив 3527–3534. [Препринт]. doi: 10.24963/ijcai.2018/490.

Полнотекстовая перекрестная ссылка | Академия Google

Росси, Э., Монти, Ф., Бронштейн, М., и Лио, П. (2019). Классификация нкРНК с помощью графовых сверточных сетей. arXiv [Препринт]. архив: 1905.06515.

Google Scholar

Скарселли Ф., Гори М., Цой А.С., Хагенбухнер М. и Монфардини Г. (2008). Графовая модель нейронной сети. Транзакция IEEE. Нейр. сеть 20, 61–80. doi: 10.1109/TNN.2008.2005605

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Шульте-Сассе Р., Будах С., Хниш Д. и Марсико А. (2019 г.). «Сверточные сети графов улучшают предсказание генов-возбудителей рака», в Искусственные нейронные сети и машинное обучение — ICANN 2019: Workshop and Special Sessions. ICANN 2019. Конспект лекций по информатике , ​​Vol. 11731, ред. И. Тетко, В. Куркова, П. Карпов и Ф. Тайс (Cham: Springer). doi: 10.1007/978-3-030-30493-5_60

CrossRef Полный текст | Google Scholar

Сельсам Д. , Ламм М., Бюнц Б., Лян П., де Моура Л. и Дилл Д. Л. (2018). Изучение решателя SAT из однобитового наблюдения. arXiv [Препринт]. архив: 1802.03685.

Google Scholar

Ши Дж., Ван Р., Чжэн Ю., Цзян З. и Ю Л. (2019). Граф сверточных сетей для классификации клеток шейки матки. Классификация клеток шейки матки с помощью графовой сверточной сети. Вычисл. Программа «Методы». Биомед. 198, 105807.

Google Scholar

Симоновский М. и Комодакис Н. (2018). «Graphvae: к созданию небольших графиков с использованием вариационных автоэнкодеров», в Материалы Международной конференции по искусственным нейронным сетям , ​​(Cham: Springer), 412–422. doi: 10.1186/s12868-016-0283-6

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Сингх В. и Лио П. (2019). На пути к вероятностным генеративным моделям, использующим графовые нейронные сети для прогнозирования генов болезней. arXiv [Препринт]. архив: 1907.05628.

Google Scholar

Сингха М. , Пу Л., Буш К., Ву Х.К., Рамануджам Дж. и Брылински М. (2020). GraphGR: графовая нейронная сеть для прогнозирования влияния фармакотерапии на рост раковых клеток. bioRxiv [Препринт]. doi: 10.1101/2020.05.20.107458

CrossRef Полный текст | Google Scholar

Станкевичюте К., Азеведо Т., Кэмпбелл А., Вифлеем Р. и Лио П. (2020). Популяционные GNN для предсказания возраста мозга. doi: 10.1101/2020.06.26.172171

CrossRef Full Text | Google Scholar

Строкач А., Бесерра Д., Корби-Верге К., Перес-Риба А. и Ким П. (2020). Быстрый и гибкий дизайн белков с использованием нейронных сетей с глубоким графом. Сотовая система 11:16 doi: 10.1016/j.cels.2020.08.016

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Сунь Дж., Ши Х., Ван З., Чжан К., Лю Л., Ван Л. и др. (2014). Вывод новых ассоциаций ДНК и болезни на основе модели случайного блуждания в сети функционального сходства ДНК. Мол. БиоСист. 10:70608. doi: 10.1039/c3mb70608g

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Сунь М., Чжао С., Гилвари К., Элементо О., Чжоу Дж. и Ван Ф. (2019 г.). Графические сверточные сети для вычислительной разработки и открытия лекарств. Брифинги Биоинформ. 21:bbz042. doi: 10.1093/bib/bbz042

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Сурека М., Патил А., Ананд Д. и Сети А. (2020). «Визуализация гистопатологических изображений с использованием графовых сверточных нейронных сетей», в Трудах 20-й Международной конференции IEEE по биоинформатике и биоинженерии (BIBE) 2020 г. (BIBE) , ​​(Пискатауэй, Нью-Джерси: IEEE), 331–335.

Google Scholar

Тянь Ф., Гао Б., Цуй К., Чен Э. и Лю Т.-Ю. (2014). «Изучение глубоких представлений для кластеризации графов», в Proceedings of the National Conference on Artificial Intelligence , ​​Piscataway, NJ, Vol. 2, 1293– 1299.

Google Scholar

Tian, ​​Z. , Li, X., Zheng, Y., Chen, Z., Shi, Z., Liu, L., et al. (2020а). Интерактивная сегментация предстательной железы на основе графовой сверточной сети на МРТ-изображениях. Мед. физ. 47, 4164–4176. doi: 10.1002/mp.14327

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Тянь З., Чжэн Ю., Ли Х., Ду С. и Сюй Х. (2020b). График сегментации диска зрительного нерва и чашки на основе сверточной сети на изображениях глазного дна. Биомед. Оптика Эксп. 11, 3043–3057. doi: 10.1364/BOE.3

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Тумер, Д. (2020). Прогнозирование функциональных сайтов белков с помощью сверточных нейронных сетей с глубоким графом на атомарных облаках точек. Доступно в Интернете по адресу: cs230.stanford.edu (по состоянию на 15 ноября 2020 г.).

Google Scholar

Торнг В. и Альтман Р. Б. (2019). Граф сверточных нейронных сетей для прогнозирования взаимодействия лекарство-мишень. J. Chem. Поставить в известность. Модель. 59, 4131–4149.

Google Scholar

Цубаки М., Томии К. и Сесе Дж. (2018). Прогнозирование взаимодействия соединения и белка с сквозным обучением нейронных сетей для графов и последовательностей. Биоинформатика (Oxf. Engl.) 35:535. doi: 10.1093/bioinformatics/bty535

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Уль М., Тран Ван Д., Хейл Ф. и Баккофен Р. (2019). GraphProt2: новый основанный на глубоком обучении метод прогнозирования сайтов связывания РНК-связывающих белков. bioRxiv [Препринт]. doi: 10.1101/850024

CrossRef Полный текст | Google Scholar

Величкович П., Кукурулл Г., Казанова А., Ромеро А., Лио П. и Бенжио Ю. (2017). Графические сети внимания. arXiv [Препринт]. arXiv:1710.10903, Google Scholar

Вохора, Д., и Сингх, Г. (2017). Фармацевтическая медицина и трансляционные клинические исследования. Кембридж, Массачусетс: Academic Press.

Google Scholar

Ван Д., Цуй П. и Чжу В. (2018). Материалы 22-й Международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных. Нью-Йорк, штат Нью-Йорк: ACM, 1225–1234.

Google Scholar

Wang, J., Ma, A., Chang, Y., Gong, J., Jiang, Y., Qi, R., et al. (2021). scGNN — это новый каркас графовой нейронной сети для анализа одноклеточных РНК-Seq. Нац. коммун. 12, 1–11. doi: 10.1038/s41467-021-22197-x

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ван Л., Ю З.-Х., Ли Ю.-М., Чжэн К. и Хуан Ю.-А. (2020). GCNCDA: новый метод прогнозирования ассоциаций циклРНК-заболевание на основе алгоритма графовой сверточной сети. PLoS вычисл. биол. 16:e1007568. doi: 10.1371/journal.pcbi.1007568

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ван К., Сун М., Чжан Л., Томпсон П., Цзи С. и Чжоу Дж. (2017). «Мультимодальное моделирование заболеваний с помощью коллективной глубокой матричной факторизации», в Материалы 23-й Международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных , ​​Галифакс. 1155–1164 гг.

Google Scholar

Ван, Т., Шао, В., Хуанг, З., Тан, Х., Дин, З. и Хуанг, К. (2020). MORONET: мультиомная интеграция через графовые сверточные сети для классификации биомедицинских данных. bioRxiv [Препринт]. doi: 10.1101/2020.07.02.184705

CrossRef Полный текст | Google Scholar

Ван Х., Гонг Ю., И Дж. и Чжан В. (2019 г.а). «Прогнозирование ассоциаций генов и болезней из гетерогенной сети с использованием встраивания графов», в Proceedings of the 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) , ​​(Piscataway, NJ: IEEE), 504–511.

Google Scholar

Ван X., Йе Ю. и Гупта А. (2018). «Распознавание нулевого выстрела с помощью семантических вложений и графов знаний», в Трудах конференции IEEE по компьютерному зрению и распознаванию образов , ​​Солт-Лейк-Сити. 6857–6866.

Google Scholar

Ван X., Чжан Л., Рот Х., Сюй Д. и Сюй З. (2019b). «Редактирование и уточнение интерактивной 3D-сегментации с помощью нейронных сетей с закрытым графом», в Graph Learning in Medical Imaging. GLMI 2019. Конспект лекций по информатике , ​​Vol. 11849, редакторы Д. Чжан, Л. Чжоу, Б. Цзе и М. Лю (Cham: Springer), doi: 10.1007/978-3-030-35817-4_2

CrossRef Полный текст | Google Scholar

Вейнингер, Д. (1988). SMILES, химический язык и информационная система. 1. Введение в методологию и правила кодирования. J. Chem. Поставить в известность. вычисл. науч. 28, 31–36.

Google Scholar

Вуд, М., и Херст, Дж. (2004). «Последние применения нейронных сетей в биоинформатике. биологическая среда и среда искусственного интеллекта», в материалах 15-го итальянского семинара по нейронным сетям, WIRN VIETRI 2004, Виетри-суль-Маре, Италия, 2004. DBLP , ​​Виетри-суль-Маре.

Google Scholar

Ву, Дж., Чжун, Дж. К., Чен, Э. З., Чжан, Дж., Джей, Дж. Ю. и Ю, Л. (2019). «Слабо- и полуконтролируемая графическая CNN для выявления базально-клеточной карциномы на патологических изображениях», в Международный семинар по графическому обучению в медицинской визуализации , ​​(Cham: Springer), 112–119.

Google Scholar

Ву, X., Лан, В., Чен, К., Донг, Ю., Лю, Дж., и Пэн, В. (2020). Вывод ассоциаций LncRNA-заболевание на основе заполнения матрицы автокодировщика графа. Вычисл. биол. хим. 87:107282. doi: 10.1016/j.compbiolchem.2020.107282

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Сюань П., Пань С., Чжан Т., Лю Ю. и Сун Х. (2019 г.)а). Граф Метод сверточной сети и сверточной нейронной сети для прогнозирования ассоциаций днРНК и болезней. Ячейки 8:1012. doi: 10.3390/cells80

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Сюань П., Сунь Х., Ван Х., Чжан Т. и Пан С. (2019b). Вывод мирн, связанных с заболеванием, на основе обучения сетевому представлению и сверточных нейронных сетей. Междунар. Дж. Мол. науч. 20:3648. дои: 10.3390/ijms20153648

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Ян З., Гамильтон В. и Бланшетт М. (2020). Графическое нейронное репрезентативное обучение вторичных структур РНК для прогнозирования взаимодействий РНК-белок. Биоинформатика 36, i276–i284. doi: 10.1093/bioinformatics/btaa456

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Yang, H., Li, X., Wu, Y., Li, S., Lu, S., Duncan, J., et al. (2019). «Интерпретируемое мультимодальное встраивание коры головного мозга с использованием графа внимания», в Материалы Международной конференции по обработке медицинских изображений и компьютерному вмешательству , ​​(Cham: Springer), 799–807.

Google Scholar

Яо Х., Гуань Дж. и Лю Т. (2020). Шумоподавление сети белок-белковых взаимодействий с помощью автокодировщика вариационного графа для обнаружения белковых комплексов. Ж. Биоинформ. вычисл. биол. 18:2040010. doi: 10.1142/S021

20400107

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Ю Дж., Лю Б., Ин Р., Панде В. и Лесковец Дж. (2018). Сеть политик свертки графов для целенаправленной генерации молекулярных графов. arXiv [Препринт]. архив: 1806.02473.

Google Scholar

Замора-Ресендиз, Р., и Кривелли, С. (2019). Структурное изучение белков с использованием графовых сверточных нейронных сетей Структурное изучение белков с помощью графовых сверточных нейронных сетей. bioRxiv [Препринт]. doi: 10.1101/610444

CrossRef Полный текст | Академия Google

Цзэн Ю., Чжоу X., Цзяхуа Р., Лу Ю. и Ян Ю. (2020). «Точная кластеризация данных РНК-секвенирования отдельных клеток путем захвата структурных отношений между клетками с помощью графовой сверточной сети», в материалах Международной конференции IEEE по биоинформатике и биомедицине (BIBM) 2020 г., Vol. 2020, Пискатауэй, Нью-Джерси, 519–522. doi: 10.1109/BIBM49941.2020.

69

CrossRef Полный текст | Google Scholar

Zhai Z., Staring M., Zhou X., Xie Q., Xiao X., Bakker M. E. и др. (2019). «Связывание сверточных нейронных сетей с графовыми сверточными сетями: применение для разделения легочных артерий и вен», в Proceedings of the International Workshop on Graph Learning in Medical Imaging , ​​(Cham: Springer), 36–43.

Google Scholar

Чжан К., Сун Д., Хуанг К., Свами А. и Чавла Н. В. (2019). «Гетерогенная графовая нейронная сеть», в материалах Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining , ​​Новый Орлеан. 793–803.

Google Scholar

Zhang, J., Hu, X., Jiang, Z., Song, B., Quan, W. and Chen, Z. (2019). «Прогнозирование ассоциаций РНК, связанных с заболеванием, на основе сети сверточного внимания графа», в материалах Международной конференции IEEE по биоинформатике и биомедицине (BIBM) 2019 г., , ​​Сан-Диего, Калифорния, 177–182. doi: 10.1109/BIBM47256.2019.8983191

CrossRef Полный текст | Google Scholar

Чжан М. и Чен Ю. (2018). Предсказание ссылок на основе графовых нейронных сетей. arXiv [Препринт]. архив: 1802.09691.

Google Scholar

Zhang, X., He, L., Chen, K., Luo, Y., Zhou, J., and Wang, F. (2018). «Сверточная сеть с несколькими представлениями графа и ее приложения для анализа нейроизображений при болезни Паркинсона», в Proceedings of the AMIA Annual Symposium Proceedings , ​​Vol. 2018 г. (Bethesda, MY: Американская ассоциация медицинской информатики), 1147.

Google Scholar

Чжан Ю. и Пьер Б. (2020). Переносимость декодирования мозга с использованием графовых сверточных сетей. bioRxiv [Препринт]. doi: 10.1101/2020.06.21.163964

CrossRef Полный текст | Google Scholar

Чжан Ю., Тетрел Л., Тирион Б. и Беллек П. (2021). Функциональная аннотация когнитивных состояний человека с использованием глубокой свертки графа. НейроИзображение 231:117847. doi: 10.1016/j.neuroimage.2021.117847

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Чжао Т., Ху Ю., Пэн Дж. и Ченг Л. (2020). GCN-CNN: новый метод глубокого обучения для определения приоритетов генов-мишеней днРНК. Биоинформатика (Oxf. Engl.) 36:428. doi: 10.1093/bioinformatics/btaa428

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Чжао Т., Ху Ю., Валсдоттир Л. Р., Занг Т. и Пэн Дж. (2021). Выявление взаимодействий лекарство-мишень на основе графовой сверточной сети и глубокой нейронной сети. Кратко. Биоинформ. 22, 2141–2150. doi: 10.1093/bib/bbaa044

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Чжэн К., Ю З. Х., Ван Л., Вонг Л. и Чен З. Х. (2020). «Вывод РНК, взаимодействующих с Piwi, связанных с заболеванием, с помощью сетей графического внимания», в Материалы Международной конференции по интеллектуальным вычислениям (Cham: Springer), 239–250.

Google Scholar

Zhong, F., Wu, X., Li, X., Wan, D., Zunyun, F., Liu, X., et al. (2020). Вычислительная целевая рыбалка путем извлечения данных транскрипции с использованием новой сиамской сверточной сети на основе спектрального графа. bioRxiv [Препринт]. doi: 10.1101/2020.04.01.019166

CrossRef Полный текст | Google Scholar

Чжоу Х. и Сколник Дж. (2016). Основанный на знаниях подход к прогнозированию ассоциаций генов и заболеваний. Биоинформатика 32, 2831–2838. doi: 10.1093/bioinformatics/btw358

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Zhou, J. , Cui, G., Hu, S., Zhang, Z., Yang, C., Liu, Z., et al. (2020). Графовые нейронные сети: обзор методов и приложений. AI Open 1, 57–81. doi: 10.1016/j.aiopen.2021.01.001

CrossRef Full Text | Google Scholar

Zhou, M., Wang, X., Li, J., Hao, D., Wang, Z., Shi, H., et al. (2015). Приоритизация длинных некодирующих РНК-кандидатов, связанных с заболеванием, путем обхода гетерогенной сети днРНК и заболеваний. Мол. БиоСист. 11, 760–769. doi: 10.1039/c4mb00511b

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Чжоу Ю., Грэм С., Алеми Кубанани Н., Шабан М., Хенг П. А. и Раджпут Н. (2019). «Cgc-net: сверточная сеть клеточного графа для классификации гистологических изображений колоректального рака», в Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops , ​​Seoul. doi: 10.1109/TMI.2020.2

6

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Зитник М., Агравал М. и Лесковец Дж. (2018). Моделирование побочных эффектов полипрагмазии с помощью графовых сверточных сетей. Биоинформатика 34, i457–i466.

Google Scholar

[Educator Network] Текущие тенденции в специальном образовании 2021

Вторник, 8 июня 2021 г.

Большинство учащихся с ограниченными возможностями в настоящее время учатся в общеобразовательных классах, поскольку мы применяем инклюзивные методы в наших школах. Сохраняющийся дефицит учителей специального образования и переход к групповому обучению или совместному обучению также влияют на подход округов к специальному образованию. Границы в диагностике, педагогике и обучении между общеобразовательным классом и специальными подходами к обучению стираются.

Кроме того, большинство педагогов поддерживают учащихся, столкнувшихся с травмами, катастрофическими событиями, множественными нарушениями и особыми способностями, и все это без четкого диагноза. Есть еще много студентов, справляющихся со стрессом и хаосом неопределенности, что имеет прямое отношение к их успеваемости в классе. Все это требует, чтобы учителя общеобразовательных классов несли ответственность за понимание уникальных учеников и обучение, которое явно выходит за рамки рабочего листа и базового читателя.

Для учащихся с особыми потребностями, которых в США насчитывается около 7 миллионов в возрасте от 3 до 21 года, переход в классы на виртуальную или гибридную модель вызвал уникальные трудности. Было много разговоров и сообщений в блогах, посвященных этому обсуждению. В дополнение к прерыванию их графика, их способность общаться и получать дополнительные услуги часто была недосягаема, если не устранена. Тем не менее, родители и учителя чрезвычайно усердно работали, чтобы увидеть пути вперед. Для некоторых учащихся занятия через экран компьютера были благословением, для некоторых типично развивающихся учащихся это было чрезвычайно сложным. Учащиеся, которым трудно смотреть прямо в лица людей, гораздо легче делают это через экран компьютера, потому что у других экранная усталость и изоляция мешают обучению. Корректировки в образовании выявили некоторые важные тенденции для учащихся с особыми потребностями. Давайте более подробно рассмотрим некоторые из пяти наиболее актуальных проблем в мире специального образования.

Технологии

Образование должно постоянно меняться, и очевидно, что в последнее время были предприняты шаги, которые вывели технологии на новый уровень ожиданий. Последние несколько месяцев расширенных вариантов виртуального и смешанного обучения в школах и округах пролили свет на возможности, которые технологии могут создать для специального образования.

Наблюдение за онлайн-играми и участие в них может дать специалистам в области психического здоровья, педагогам и другим лицам возможность удаленно отслеживать прогресс ребенка и приспосабливаться. Этими корректировками могут быть адаптация целей, поощрение социальных навыков, а также предоставление учащимся возможностей взаимодействовать со своими сверстниками способами, которые требуют меньше физических усилий, чем некоторые другие внеклассные занятия. Многопользовательские игры поощряют социальное поведение, конкуренцию и мотивацию игроков независимо от классификации специального образования. Знакомство с технологиями также может означать меньшее сопротивление цифровым методам лечения. Когда эти игры легкодоступны, включается повторение, которое может помочь закрепить новые навыки и знания.

Новый уровень внимания к обеспечению доступа всех детей к образовательным технологиям, наконец, воспринимается всерьез. Интернет превратился в такое полезное средство, как электричество и вода, которые считаются необходимыми для современной жизни.

Поскольку технологии продолжают существенно изменять классную комнату, учащиеся с индивидуальными учебными программами (IEP) особенно нуждаются в дополнительной поддержке. Используя технологии, обучение в классе можно дополнить индивидуальными учебными мероприятиями. Это дает учителям большую гибкость для дифференциации в обучении за счет смешанных возможностей обучения и разнообразных веб-практик, основанных на фактических данных. Учащиеся больше не застревают в классе, которого не понимают, и учатся в темпе, за которым не успевают. Применение цифровых учебных ресурсов для удовлетворения уникальных потребностей в обучении может принести пользу всем учащимся.

Виртуальная реальность (VR) также нашла применение в мире цифрового обучения. Он будет продолжать расти, предоставляя реальную среду для студентов, которые борются с толпой и сенсорными проблемами. Эффект был глубоким. Виртуальная реальность может позволить пользователям с проблемами двигательной функции взаимодействовать с объектами так, как это было бы невозможно физически. Для некоторых студентов выстраивание очереди в кафетерии или перемещение по оживленному коридору может быть кошмаром и ошеломляющим. Виртуальная реальность может создать эти пространства для студентов, предоставляя возможность снизить чувствительность. У него также есть возможность заглянуть в окружающую среду для тех людей, которые не сталкиваются с этой проблемой в надежде развить эмпатию. Эти сценарии поощряют внимательность.

Школы по всей стране вложили сотни миллионов долларов в новые устройства для учащихся. Однако, что не менее важно, округа должны выделить средства, чтобы сосредоточиться на профессиональном обучении, поддержке этих устройств и развитии инфраструктуры для работы с этими инструментами.

Конечно, учащиеся, учителя и родители испытывают небольшую усталость от экрана. Тем не менее, динамичные изменения и преимущества несомненны. Цифровые ресурсы могут снова измениться, социальное интерактивное обучение сыграет свою роль в уставшем от экрана студенте, но ландшафт навсегда изменился.

 
Обучение с учетом травм

Учащиеся и учителя часто сталкиваются с ужасными ситуациями, которые находятся вне их контроля. Управление этими ситуациями и устранение эмоционального воздействия может сделать повседневное обучение кажущимся тривиальным по сравнению с ними. Как вы справляетесь с травмирующим событием и продолжаете учить дроби? Неопределенность и хаос 2019-20 и 2020-2021 учебных годов не дали учащимся того комфорта и надежности, которые большинство учащихся привыкло ожидать от школы. Студенты сталкивались с проблемами смерти семьи, болезней, нехватки продовольствия, проблем с жильем, изоляции — месяцы, месяцы и месяцы. Учащимся, которые полагаются на постоянное расписание и ожидания от учебного дня, иногда приходилось договариваться о еженедельных изменениях в процессе.

Дети, которые уже справляются с психическими расстройствами, особенно уязвимы к изменениям прошлого года. Пандемия отрезала учащихся не только от классных комнат, друзей и внеклассных занятий, она также отрезала учащихся от постоянного взаимодействия с преподавателями, которые были ресурсом и защитой. Сотрудников, чьи открытые двери и сострадательные советы помогли им повысить самооценку, справиться с давлением подросткового возраста и справиться с травмой, больше не проходили в коридоре. Национальная сеть детского травматического стресса (NCTSN) считает стихийные бедствия травматическими событиями. NCTSN определяет травмирующее событие как «пугающее, опасное или насильственное событие, которое представляет угрозу для жизни или физической неприкосновенности ребенка». Каждый ученик реагирует на травму по-своему. Хотя не существует четкого набора сигналов, которые можно было бы обнаружить, существует множество ресурсов, описывающих возможные признаки травмы, на которые следует обращать внимание. Поскольку студенты и преподаватели были разделены, поиск этих сигналов или их распознавание были сильно затруднены.

Способность к обучению играет второстепенную роль после факторов стресса выживания. Эти нагрузки влияют на обучение. То, как учащиеся ведут себя, уникально для них, кроме того, они не сразу имеют право на получение услуг специального образования.

Студенты, пережившие травму, безусловно, нуждаются в особых условиях. На их мир и работу в значительной степени влияют силы, находящиеся вне их контроля. Есть модели поведения, которые мы можем искать, и ресурсы, которые мы можем использовать, но как педагоги и, скорее всего, участники тех же самых катастрофических событий, мы должны знать об этих ресурсах и действовать как часть решения, а не единственное решение.

Чтобы узнать о некоторых способах, которыми педагоги могут поддержать учащихся, переживших травму, а также о некоторых дополнительных ресурсах, прочитайте наш полный пост в блоге, который расширяет эту тему.

 
Бездомность

Педагоги знают о влиянии бедности на учащихся и обучение. С этой проблемой сталкивается больше студентов, чем вы могли бы ожидать, и в соответствии с новыми требованиями Закона об успехах каждого учащегося (ESSA) повышенное внимание уделяется отслеживанию академического роста этой конкретной группы населения. В соответствии с Законом об Американском плане спасения (ARP) выделено 8 миллионов долларов на выявление бездомных детей и молодежи и предоставление им комплексных услуг с учетом проблем, связанных с COVID-19., а также помощь, необходимая для посещения школы и полноценного участия в школьных мероприятиях. Он выделяет средства на экстренную помощь начальным и средним школам, а также высшим учебным заведениям через раздел Закона о Стабилизационном фонде образования (разделы 311–321; стр. 743–757). Имейте в виду, что эти студенты не входят в число традиционно признанных студентов с особыми потребностями.

В то время как федеральный закон требует, чтобы школы выявляли и обслуживали бездомных учащихся, в большинстве школ один учитель или сотрудник берет на себя дополнительные обязанности, увеличивая и без того перегруженную тарелку. В дополнение к учащимся, идентифицированным как бездомные, значительно увеличилось число учащихся, живущих самостоятельно. Несопровождаемые дети в настоящее время составляют более 1 из 10 бездомных учащихся в 29 странах.штаты и 8,6% по всей стране.

В последнее время мы наблюдаем снижение этих цифр, и обычно это хорошая новость. Тем не менее, это время, когда цифры не говорят всей истории. Согласно новому опросу, проведенному SchoolHouse Connection и Poverty Solutions, осенью 2020 года число выявленных бездомных учащихся сократилось на 28% по сравнению с осенью 2019 года. Согласно последним федеральным данным, 1,5 млн дошкольников -12 учащихся являются бездомными, что указывает на то, что примерно 423 000 учащихся, не имеющих жилья, остались без крова и не получают необходимой поддержки и услуг. Учитывая отсутствие доступа к ресурсам, приюты не имеют текучести, которая у них обычно есть, и сообщают о различиях из-за этого, а школы не имеют личных контактов, неудивительно, что сообщается меньшее число. Эти цифры отражают только найденные. Проблема явно заключается в неспособности округов и поддерживающих организаций идентифицировать семьи/молодежь из-за дистанционного обучения/закрытия школьных зданий. Они становятся более невидимыми, чем они уже есть.

Для учащихся, не имеющих дома, классная комната может быть единственным безопасным и стабильным местом в их повседневной жизни, важной привязкой к безопасности и безопасности рутины и, что, возможно, наиболее важно, существенной поддержкой в ​​путешествии из бедности и в лучшее положение. Этим учащимся приходится справляться со значительными, трудными и взаимосвязанными проблемами за пределами классной комнаты, что неизбежно влияет на успеваемость и способность участвовать в обучении.

На данный момент не должно вызывать удивления тот факт, что для детей, уже признанных нуждающимися в услугах специального образования, стрессы, связанные с бездомностью, могут усугубить проблемы с обучением. В конце концов, переходы часто даются детям с особенностями — можете ли вы представить себе что-то более переходное, чем отсутствие постоянного места для сна каждую ночь? Когда школьные двери закрылись из-за пандемии, многие семьи потеряли интерес, а возможность личного наблюдения и общения по множеству тем исчезла. Доступ к услугам и поддержке испарился. Кроме того, не все бездомные учащиеся прошли процесс оценки (или должны пройти), поэтому предоставление образовательной поддержки и ресурсов не является вариантом. Дополнительные ресурсы и стратегии для педагогов приведены в этом сообщении в блоге по этой теме.

 
Дважды отличники

Одной из проблем, с которой сталкиваются учителя, помимо всего прочего, является предоставление материала, соответствующего содержанию и уровню обучения для каждого ребенка. При обсуждении учащихся с особыми потребностями это часто может относиться к содержанию, соответствующему возрасту и навыкам. Есть еще одна группа учащихся, которую необходимо рассматривать с учетом их особых потребностей. Эти исключительные дети часто теряются и из-за своих талантов часто прячутся среди «средних» популяций.

В сфере образования учащиеся, соответствующие требованиям программ для одаренных, а также услуг специального образования, считаются «дважды исключительными» учащимися. Дважды исключительные (2E) учащиеся демонстрируют способности значительно выше среднего в определенных академических областях, но также демонстрируют особые образовательные потребности, такие как СДВГ, трудности в обучении или расстройство аутистического спектра. Поскольку их одаренность часто маскирует их особые потребности, или наоборот, их иногда называют «ленивыми» или «неэффективными», хотя это не так.

Педагоги признают, что учащиеся 2E существуют — часто в тени — класса. Однако реальная проблема заключается в том, как точно идентифицировать этих учащихся, понять проблемы, с которыми они сталкиваются, и внедрить стратегии, ориентированные на детей, для наилучшей их поддержки. Сообразительные учителя теперь учатся тому, как позволить этим учащимся пользоваться теми же возможностями, что и одаренные учащиеся, учиться таким образом, чтобы подчеркнуть их сильные стороны и одновременно решать их проблемы.

Чтобы узнать больше о том, как наилучшим образом поддерживать учащихся 2E в своем классе, прочтите полную запись в нашем блоге на эту тему.

 
Поддержка родителей

Мы долго говорили о некоторых проблемах, с которыми сталкиваются учащиеся и учителя в рамках специального образования. Многие из этих тем выходят за рамки определения диагноза и признания инвалидности специального образования, которые сопровождаются гарантированными приспособлениями и услугами. Однако одна общая тема, которую мы не обсудили, — это подход, который необходимо учитывать при встрече с родителями. Вы, как учитель их ребенка, можете быть первым человеком, который укажет на проблему с их драгоценным ребенком. Начать разговор тяжело — можно встретить слезы или ужас. Главное учитывать, что это их ребенок и что вы знаете только один маленький кусочек головоломки.

Сотрудничество с родителями всегда было решением, однако последние месяцы научили нас тому, что школам необходимо поддерживать совместное решение проблем, в том числе с членами семьи, у которых будут повышенные роли и ожидания в гибридном и полностью онлайн-обучении. Цифровые инструменты и связанные с ними образовательные материалы должны быть доступными и содержательными, и родители должны разделять понимание того, как их использовать.

С самого начала важно, чтобы вы были частью единой команды, которая максимально поддерживает учащихся. В конце концов, вы и родители ваших учеников хотите для детей самого лучшего, и важно помнить об этом. Вы играете важную роль в жизни учащихся, поэтому убедитесь, что ваш голос услышан, но убедитесь, что вы слушаете то, что говорят родители. Помните об интересах детей. Помните, вы адвокат, но они родители. Создайте план, с которым вы все сможете согласиться, — план, который найдет учеников там, где они есть. Прогресс в области образования и специальных услуг должен включать в себя инвестиции в обучение и инициативы по поддержке для максимального использования текущих программ, а также текущих ресурсов или технической поддержки для этих предметов первой необходимости.

 
Дальнейшие действия для преподавателей

Учителя в классах замечательные. Это так просто. Все больше и больше учащихся, которым поставлен диагноз или которые сталкиваются с проблемами, выходящими за рамки стандартов Закона об образовании для лиц с ограниченными возможностями (IDEA), появляются в общеобразовательных классах. Это создает значительную нагрузку на учителей общеобразовательных школ. Непрерывное образование, индивидуальное обучение и гибкость имеют первостепенное значение для учителей.

Законодательство требует, чтобы некоторые из этих ранее недопредставленных групп населения несли ответственность за тестирование с высокими ставками без IEP или положений. Это означает, что классные руководители должны знать, как лучше обучать всех в классе, и не передавать ключи учителю специального образования. Учителей с сертификатом специального образования может не быть в наличии или они могут быть разбросаны по многим классам. Общение является ключевым. Работайте с другими учителями, родителями и учениками, чтобы создать атмосферу совместной практики и успеха. Возможно, потребуется пересмотреть IEP, чтобы сосредоточиться на достижении целей в новых условиях. Школы также должны изучить и предоставить родителям ресурсы для обеспечения непрерывности услуг в различных форматах. Будьте внимательны к тому, на каком пути находятся ваши ученики и родители; у него могут быть скрытые барьеры

Учителя, преподаватели и семьи могут быть лучше подготовлены, чем когда-либо, когда все наладится и у них возобновится ощущение возможности. Округам и школам необходимо планировать и разрабатывать эффективные методы гибридного и онлайн-обучения и учитывать как синхронные, так и асинхронные структуры.

Чему мы научились:

1. Вместо традиционного акцента на сенсорной и физической доступности (см. рекомендации раздела 508) усилия должны быть направлены на удовлетворение когнитивных потребностей учащихся. Внимание должно быть направлено на обучение, внимание, исполнительную деятельность.
    
2. Повышенное внимание уделяется профессиональному развитию. Школы и школьные округа должны выделять время и ресурсы на обучение педагогов, а также членов их семей и учащихся использованию цифровых инструментов. Мы видели, что существуют различия в понимании, комфорте и опыте.

В этом году мы видели, как учащиеся с диагнозом преуспевают в мире цифровых ресурсов и исчезают. Студенты, которые боролись с социальными взаимодействиями и физическими барьерами, могли бы найти равные условия в технологиях, но мы также обнаружили, что студенты, у которых не было патологии, исчезали из класса и боролись с травмой изоляции и незащищенности. Различия между идентификацией и общим образованием более существенны.