Биология захаров 10 класс ответы на вопросы: Зависимость проявления генов от условий внешней среды. Биология 10 класс Захаров

как универсально восстанавливаемые сегменты ДНК для идентификации видов были первоначально разработаны и применены для животных в первые годы нынешнего века (Hebert et al., 2004b). Напротив, стандартный ДНК-штрих-код для растений не был сразу успешным и не был принят ботаническим сообществом до нескольких лет спустя (см. Kress, 2011).После обширной инвентаризации областей генов в митохондриальном, пластидном и ядерном геномах (например, Chase et al., 2005; Kress et al., 2005; Kress & Erickson, 2007; Lahaye et al., 2008; Newmaster et al. , 2008), четыре первичных области гена ( rbcL , matK , trnH-psbA и ITS) обычно считаются стандартными штрих-кодами ДНК, предпочтительными для большинства приложений для растений (CBOL Plant Working Group, 2009). ; China Plant BOL Group, 2011; Li et al., 2015).

В основном штрих-коды ДНК используются для идентификации видов на древе жизни (Kress & Erickson, 2012). Расширяя возможности диагностики видов растений на всех этапах их жизненного цикла (т. е. по плодам, семенам, сеянцам, зрелым особям, как фертильным, так и стерильным), а также по поврежденным экземплярам, ​​содержимому кишечника и образцам фекалий животных ДНК-штрихкодирование стало универсальным средством идентификации. Также существует потенциал для количественной оценки согласованности определений видов в линиях растений с мерой генетической изменчивости на основе данных о последовательности штрих-кода ДНК.Штрих-кодирование ДНК как инструмент обнаружения биоразнообразия помогает помечать потенциально новые для науки виды, особенно загадочные виды (например, Hebert et al., 2004a). Для прикладных пользователей таксономии штрих-кодирование ДНК служит средством идентификации регулируемых видов, инвазивных видов и видов, находящихся под угрозой исчезновения, а также для проверки идентичности и чистоты растительных продуктов, таких как коммерческие растительные лекарственные средства и пищевые добавки. Штрих-коды ДНК в настоящее время также используются для решения экологических, эволюционных и природоохранных вопросов, таких как экологические правила, контролирующие сборку видов в растительных сообществах (например,g., Kress et al., 2009), степени экологической специализации, обнаруживаемой в растительно-животных сетях (например, Jurado-Rivera et al., 2009), и определения наиболее эволюционно разнообразных местообитаний для защиты (Shapcott et al., 2015).

Процесс создания и применения штрих-кодов ДНК растений с целью идентификации включает в себя два основных этапа: 1) создание библиотеки штрих-кодов ДНК известных видов и 2) сопоставление последовательности штрих-кодов ДНК неизвестного образца с библиотекой штрих-кодов ДНК (рис. .1). На первом этапе таксономисты должны выбрать от одного до нескольких особей каждого вида, которые будут служить эталонными образцами в библиотеке штрих-кодов ДНК. Ткани могут быть получены из образцов, уже помещенных в гербарии, или могут быть взяты непосредственно из живых образцов в полевых условиях с надлежащим образом спрессованными, маркированными и закрепленными образцами-ваучерами. Эти ваучеры служат важной постоянной записью, которая связывает штрих-код ДНК с конкретным видом растения. Как только библиотека штрих-кодов ДНК будет заполнена для изучаемых организмов, независимо от того, включают ли они географический регион, таксономическую группу или целевую совокупность (например,например, лекарственные растения, древесные деревья и т. д.), затем штрих-коды ДНК, сгенерированные для неопознанных образцов, сравниваются с известными штрих-кодами ДНК с использованием некоторого типа алгоритма сопоставления.

С момента своего создания в 2003 г. ДНК-штрихкодирование в качестве локус-ориентированного проекта развивалось совместно с геномными исследованиями (Kress & Erickson, 2008a). Штрих-кодирование ДНК и область геномики разделяют акцент на сбор крупномасштабных генетических данных, которые предлагают новые ответы на вопросы, ранее недоступные для более ограниченных данных дисциплин. Штрих-коды ДНК нацелены на использование информации в одном или нескольких регионах генов для различения всех видов жизни, тогда как геномика, обратная штрих-кодированию ДНК, описывает функции и взаимодействия многих, если не всех генов, у меньшего числа видов.Ожидается, что рано или поздно эти концы генетического спектра сольются воедино в методологиях и приложениях (Li et al., 2015; Coissac et al., 2016).

За последнее десятилетие ускорилось применение штрих-кодов ДНК растений, особенно в области экологии, эволюции и сохранения. Здесь я расскажу о некоторых крупных прорывах и достижениях в использовании штрих-кодов ДНК растений для исследования конкретных биологических вопросов. Затем я заканчиваю рассказом о перспективах создания глобальной библиотеки штрих-кодов ДНК растений и применения новых маркеров и технологий секвенирования для создания лучшего инструмента для ботанических исследований.

3 горячих точки в применении штрих-кодов ДНК растений сегодня

Потребовалось почти пять лет с момента публикации первых статей, предлагающих кандидаты в качестве маркеров штрих-кода ДНК растений (например, Kress et al., 2005), чтобы ботаническое сообщество достигло определенного консенсуса в отношении регионов, которые продемонстрировали самые высокие перспективы успеха. (Lahaye et al., 2008; CBOL Plant Working Group, 2009; Chen et al., 2010; China Plant BOL Group, 2011; Hollingsworth, 2011).До сих пор нередко можно увидеть публикации, посвященные тестированию различных маркеров на конкретной группе растений (Wang et al., 2017). Тем не менее, даже до того, как универсальные маркеры растений были приняты, систематики, экологи, биологи-эволюционисты и защитники природы уже строили предположения и проводили первоначальные тесты применения штрих-кодов растительной ДНК для решения критических вопросов биологии организмов (например, Kress & Erickson, 2008b; Valentini et al. др., 2009). За последние пять лет использование штрих-кодов ДНК растений резко возросло, и уже опубликовано несколько обзоров этих приложений (например,г., Холлингсворт и др., 2011; Эриксон и Кресс, 2012 г.; Печникар и Бьюзен, 2013 г.; Джоли и др., 2014; Кресс и др., 2014). Категории использования включают таксономию на уровне видов, инвентаризацию биоразнообразия, филогенетическую оценку, биобезопасность и общественное здравоохранение, оценку сохранения и сохранение окружающей среды, взаимодействие видов и экологические сети, загадочную информацию о разнообразии, метаданные штрих-кодирования ДНК, экологическую судебную экспертизу, собрания сообщества, торговлю исчезающими видами, и мониторинг коммерческих продуктов.В некоторых случаях методологии в настоящее время усовершенствованы, в то время как другие остаются в зачаточном состоянии.

В этом разделе будут обобщены многочисленные варианты использования штрих-кодов ДНК растений в широких областях экологии, эволюции и сохранения, с особым акцентом на филогении сообщества, функциональных признаках и сборке видов, взаимодействии видов, границах и открытиях видов, штрих-кодах ДНК. судебно-медицинская экспертиза и консервация.

3.1 Филогенез сообщества и сборка видов

как инструмент значительно расширили сотрудничество между систематиками, занимающимися идентификацией видов и эволюционными взаимоотношениями, и экологами, изучающими взаимодействия видов и закономерности ассоциаций (Baker et al., 2017). Штрих-кодирование ДНК растений стало благом для экологов, стремящихся понять факторы, такие как пулы видового разнообразия и функциональные признаки, которые контролируют сборку видов в экологические сообщества (Swenson, 2012). Оценке третьего компонента, контролирующего сборку видов, а именно истории эволюции, всегда мешало отсутствие четко сформулированных филогенетических гипотез о взаимоотношениях видов в сообществах: существует ли основная филогенетическая структура среди видов в сообществе? Предпочитают ли близкородственные виды сходные места обитания и встречаются ли они вместе чаще или реже, чем ожидалось, случайным образом? Phylomatic (Webb & Donoghue, 2005), инструмент для оценки филогенетических деревьев для растительных сообществ, стал гигантским шагом вперед для экологов. Однако публикация первой филогении сообщества, основанной на данных о последовательностях штрих-кода ДНК для деревьев на графике динамики леса на острове Барро-Колорадо в Панаме (Kress et al., 2009; рис. 2), вызвала бурю новых исследований, которые были способны добавить хорошо поддерживаемый эволюционный компонент к пониманию видового разнообразия и совокупности (например, Gonzalez et al., 2010; Kress et al., 2010; Pei et al., 2011; Swenson et al., 2012a; Whitfeld et al. , 2012; Кэй М., неопубликованные данные).

Определить, связаны ли виды в сообществе более тесно, чем случайно (филогенетическая кластеризация), более отдаленно связаны, чем случайно (филогенетическая избыточная дисперсия), или случайным образом распределены по древу растений, теперь можно установить, создав библиотеку штрих-кодов ДНК из объединения этих видов и создание филогенетического дерева на основе данных о последовательности.Отсюда следует предположение, что виды в филогенетически сгруппированном сообществе с большей вероятностью будут иметь сходные экологические ниши (т. е. сохранение филогенетических ниш) и были собраны посредством абиотической фильтрации. Противоположное предположение состоит в том, что филогенетическая чрезмерная дисперсия в сообществе является результатом биотических взаимодействий между симпатрическими видами. Основываясь на этих предположениях, влияние истории эволюции на структуру сообщества было исследовано на разных стадиях сукцессии леса (Whitfeld et al. , 2012), среди местообитаний в пределах одного типа леса (Oliveira et al., 2014), среди лесов, пересекающих градиенты местообитаний (Swenson et al., 2012a; Mi et al., 2012), и среди сообществ по всей стране (Muscarella et al. al., 2014) или по всему миру (Erickson et al., 2014; Wills et al., 2016). Внезапно экологи стали биологами-эволюционистами!

Выводы этих многочисленных исследований лесных сообществ, основанных на филогениях штрих-кодов ДНК, были разными. Филогенетический сигнал может указывать на преобладание абиотической фильтрации в определенной лесной среде обитания (Kaye M, неопубликованные данные) или может варьироваться в зависимости от микросреды обитания в данном лесу (Kress et al., 2009; Pei et al., 2011), во время сукцессии (Whitfeld et al., 2012) или в лесах на ландшафтном уровне (Muscarella et al., 2014) в зависимости, прежде всего, от факторов окружающей среды (Muscarella et al., 2016). Генерация филогении сообществ с использованием данных штрих-кодов ДНК на нескольких участках в различных средах обитания и окружающей среде имеет большие перспективы для дальнейшей проверки основных предположений и правил, регулирующих сбор видов в растительных сообществах (см. Erickson et al., 2014). И ясно, что этот подход еще не полностью реализовал свой потенциал (Swenson, 2013).

3.2 Функциональные признаки и сбор видов

Как описано выше в отношении исследований филогенетической истории сообществ, экологи уже давно заинтересованы в количественной оценке важнейших признаков растений, которые позволяют видам функционировать в определенных средах и, следовательно, собираться в сообщества. Измерение степени сходства признаков в сборке обеспечивает понимание этих функций, которые позволяют этим видам сосуществовать или нет. Количественная информация о функциональных признаках вместе с хорошо проработанными эволюционными историями дает экологам мощный инструмент для понимания процессов сборки сообщества (Swenson, 2012).

сами по себе не дают конкретных новых сведений о роли функциональных признаков в определении сообществ видов растений. Однако данные о последовательности ДНК дают достаточный сигнал для выведения филогенетических гипотез о роли эволюционного сигнала в сборке видов. Была надежда, что взаимосвязь признаков и филогенеза позволит последнему стать сильным предиктором при измерении сходства признаков у разных видов. К сожалению, взаимосвязь между филогенезом и функциональными признаками не всегда является прямой корреляцией, что препятствует тому, чтобы филогенетический сигнал служил показателем экологического сходства (Swenson et al., 2012б; Свенсон, 2013).

Тем не менее, после публикации первой основанной на ДНК-штрих-кодах филогении древесных сообществ (Kress et al., 2009) во множестве исследований были объединены данные функциональных признаков с филогениями сообществ, что вместе позволило экологам изучить процессы, определяющие собрания сообщества в умеренных, субтропических и тропических лесах. В одном из крупнейших исследований тропических лесов Baraloto et al. (2012) измерили и сравнили 17 функциональных признаков у 668 видов на девяти лесных участках в северной части Амазонки.Используя два маркера штрих-кода ДНК ( rbcL и matK ), они обнаружили, что функциональное сходство признаков было больше, чем филогенетическое сходство у совместно встречающихся видов, и что оба фактора были важны для определения перекрытия ниш. Они пришли к выводу, что фильтрация окружающей среды оказала наибольшее влияние на определение того, как виды деревьев собираются в этих тропических сообществах. Уриарте и др. (2010) пришли к аналогичным выводам в более раннем исследовании восьми признаков, измеренных в небольшой когорте из 19 видов деревьев на лесном участке в Пуэрто-Рико.Используя филогению сообщества на основе штрих-кода ДНК, они обнаружили, что по крайней мере три признака оказали значительное влияние на структуру соседства, хотя также присутствовал несколько более слабый филогенетический сигнал. Был сделан вывод, что фильтрация окружающей среды является основной силой, структурирующей это сообщество деревьев.

Филогенез ДНК-штрих-кода, полученный примерно для 300 видов деревьев на острове Барро-Колорадо в Панаме, послужил шаблоном для ряда исследований функциональных признаков.Наличие эволюционного сигнала в таких характеристиках в качестве почвенных ассоциаций (Schreeg et al., 2010), листовость листьев (Westbrook et al. , 2011), концентрация древесины азота и стратегии жизни (Martin et al., 2014), Foliar Spectral черты (McManus et al., 2016) и признаки защиты от травоядных (McManus et al., неопубликованные данные) использовали эволюционную информацию, содержащуюся в филогении сообщества BCI. В целом паттерны эволюционного сигнала различались по каждому из этих функциональных признаков у разных видов деревьев на графике BCI.Ласки и др. (2014) также пришли к выводу, что связь между эволюционным разнообразием и функциональным разнообразием изменилась в результате смены лесов в тропических ландшафтах Коста-Рики. В совокупности эти исследования показывают, как заключил Свенсон (2013), что филогенетические индикаторы не всегда связаны с экологическими детерминантами сборки сообщества. Однако Свенсон также отметил, что как филогенетические, так и основанные на признаках подходы значительно улучшили понимание сборки сообщества, и их потенциал остается значительным.

3.3 Взаимодействие видов: выявление неизвестных партнеров

Чтобы полностью понять экологию и эволюцию взаимодействий между видами в естественных и измененных человеком средах, необходимо точное и воспроизводимое определение взаимодействующих партнеров. Обобщенные взаимодействия могут быть изучены до некоторой степени без четкой идентификации на видовом уровне вовлеченных организмов, т. е. только отождествления с родом или семейством.Специализированные взаимодействия, включая мутуализм и антагонизм, требуют однозначной видовой идентификации. Разработка штрих-кодов ДНК в качестве маркеров на уровне видов уже начала революционизировать наше понимание взаимодействий видов и сетей сообществ, которые они формируют, особенно в тропических средах обитания, где развились самые сложные взаимодействия.

Одно из первых применений штрих-кодов ДНК растений для исследования взаимодействия видов почти одновременно применялось как в умеренных, так и в тропических экосистемах.Подземные взаимодействия растений в сообществе друг с другом и с микробными сообществами в почве было исключительно проблематично исследовать из-за сложности идентификации корней растений только на основе морфологии. Однако после разработки библиотеки штрих-кодов ДНК для сообщества на основе присутствия надземных представителей облегчается видовая генетическая идентификация подземных корней. Кесанакурти и др. (2011) исследовали пространственное распределение разнообразия корней после того, как была разработана библиотека штрих-кодов ДНК для флоры старого полевого сообщества на юге Онтарио, Канада.Используя единственный маркер штрих-кода ДНК rbcL , они смогли правильно идентифицировать 85% фрагментов корней, которые они взяли в почвенных профилях глубиной 1 м, и обнаружили, что подземное разнообразие было более высоко структурировано с экологической точки зрения, чем надземное разнообразие. Что касается собрания сообщества этих видов в этой старой среде обитания, то как фильтрация окружающей среды, так и конкурентные взаимодействия были определяющими факторами распространения подземных растений.

В ходе аналогичного исследования более разнообразного по флористике низменного тропического леса на острове Барро-Колорадо в Панаме (Jones et al., 2011), подземное распространение всех деревьев и лиан диаметром более 1 см было нанесено на карту с использованием библиотеки штрих-кодов ДНК, уже собранной для этой флоры (Kress et al. , 2009). В этом исследовании ДНК-маркер штрих-кода trnH-psbA оказался достаточно эффективным для идентификации как тонких, так и мелких грубых корней, взятых из 12 образцов почвы, разбросанных по одному гектару леса. Затем распределение подземных видов сравнивали с распределением надземных видов. В целом взаимодействие видов и пространственное перекрытие было больше под землей, чем ожидалось, исходя из плотности надземных стволов (рис.3). Хотя это исследование подняло несколько вопросов о методологии и анализе, он пришел к выводу, что потенциал использования штрих-кодов ДНК высок, что было аналогично выводу, сделанному в исследовании старого поля в умеренном климате (Kesanakurti et al., 2011). Оба исследования также признали, что применение технологий секвенирования следующего поколения и метабаркодирования потребуется для оптимизации будущих исследований взаимодействия подземных растений (например, Hiiesalu et al., 2012).

Взаимодействия с пищевыми сетями значительно прояснились благодаря применению штрих-кодов ДНК. Смит и др. (2011) с помощью маркера штрих-кода ДНК CO1 смогли проверить структуру пищевой сети еловой листовертки и ее многочисленных паразитоидов, чтобы понять динамику популяции этого основного вредителя деревьев в бореальных лесах. Что касается взаимодействия растений и травоядных, несколько групп экологов смогли продемонстрировать полезность штрих-кодов ДНК для определения разнообразия растений-хозяев для травоядных жуков как в неотропических (Хурадо-Ривера и др. , 2009; Pinzón-Navarro et al., 2010) и азиатские тропические леса (Kishimoto-Yamada et al., 2013). Однако в этих исследованиях использовалось ограниченное количество молекулярных маркеров, и они смогли идентифицировать хозяев только на родовом или семейном уровне.

Наиболее полный анализ травоядных жуков и их растений-хозяев был проведен Гарсия-Робледо и его коллегами. Специфические для хозяина отношения между жуками-скрученками из родов Cephaloleia и Chelobasis (Chrysomelidae) и растениями отряда Zingiberales были хорошо изучены, но применение штрих-кодов ДНК как к жукам, так и к хозяевам предоставило гораздо более подробная и количественная мера этих взаимодействий (García-Robledo et al., 2013а; Рис. 4). Одним из преимуществ использования многолокусного ДНК-штрих-кода является то, что жуков можно идентифицировать до вида на любой стадии их жизни, а не только во взрослом состоянии, как в большинстве предыдущих исследований (García-Robledo et al. , 2013b). После того, как базовая сеть взаимодействий пищевой сети будет установлена ​​с использованием штрих-кодов ДНК, можно будет проводить сравнения по средам обитания, высотам и температурным градиентам. Во многих случаях было показано (например, Hebert et al., 2004a), что штрих-коды ДНК могут обнаруживать присутствие загадочных видов, особенно у насекомых.Эта мощь штрих-кодирования ДНК значительно улучшила понимание границ видов у жуков-скручек, что позволило более точно отображать сети насекомых-хозяев. Обнаружение этих загадочных видов ясно продемонстрировало, что высотное распространение и температурная устойчивость жуков были намного более узкими, чем считалось ранее, что окажет влияние на сети пищевых сетей, поскольку изменение климата изменяет миграции как хозяев, так и травоядных (García-Robledo et al. ., 2016).

Это подробное понимание взаимодействия травоядных с хозяином с использованием штрих-кодов ДНК также было применено к крупным травоядным млекопитающим. Карцинель и др. (2015) смогли определить, в какой степени симпатрические млекопитающие, бродящие и травоядные в полузасушливой африканской саванне, разделили свой рацион. Используя метабаркодирование ДНК, они количественно определили широту рациона, состав и перекрытие для семи совместно встречающихся видов, размер которых варьируется от слонов до дик-диков. Выводы о конкуренции и сосуществовании в этих средах обитания, основанные на более раннем крупномасштабном анализе, оказались ошибочными в соответствии с более точными таксономическими данными, полученными в результате метабаркодирования. Эти же типы протоколов штрих-кодирования ДНК также были адаптированы для отслеживания и идентификации переносчиков плодов и семян, переносимых птицами, в полевых условиях (Gonzalez-Varo et al., 2014) с целью создания поддающейся количественной оценке сети взаимодействий плодоядных и распространения семян. .

3.4 Границы видов и открытие биоразнообразия

Таксономисты использовали морфологические признаки для идентификации как растений, так и животных еще до Карла фон Линнея. Тем не менее, даже после сотен лет работы систематиков, возможно, только 20% видов на Земле были официально признаны и названы (Wilson, 2016). Много работы еще предстоит сделать. Штрих-кодирование ДНК представляет собой относительно новый и важный инструмент, помогающий в определении границ видов и открытии новых таксонов. Янзен и его коллеги (например, Hebert et al., 2004a) были пионерами в использовании технологий ДНК-штрих-кодов для обнаружения видов в тропиках, где встречается большая часть биоразнообразия, особенно в определенных группах насекомых. Штрих-кодирование ДНК теперь является стандартом в их наборе инструментов, используемых для широкомасштабной инвентаризации гусениц, их пищевых растений и их паразитоидов в Гуанакасте, Коста-Рика (Janzen et al., 2009). Открытие и разграничение криптических видов среди других групп насекомых, таких как жуки, расширяет наши знания о тропическом разнообразии и взаимодействии видов (например,г., Гарсия-Робледо и др., 2016, 2013b; см выше).

Ботаники также применяли штрих-коды ДНК для инвентаризации видов, хотя дискриминационная способность маркеров штрих-кода для растений меньше, чем у маркеров штрих-кода для насекомых. Ранние исследования (Gonzalez et al., 2009; Kress et al., 2009; Dexter et al., 2010) в основном были сосредоточены на деревьях на участках мониторинга тропических лесов и продемонстрировали трудности, особенно низкие показатели идентификации (например, 70%), использования ДНК-штрих-кодов. В тех же исследованиях также отмечается значительный прогресс в возможности более точной идентификации стерильных и ювенильных особей, у которых отсутствуют традиционные морфологические признаки, необходимые для идентификации. Костион и др. (2011) применили трехлокусный штрих-код ДНК ( rbcL , matK и trnH-psbA ) для оценки разнообразия видов деревьев на таксономически малоизученном участке тропического дождевого леса в Квинсленде, Австралия. Они пришли к выводу, что штрих-коды ДНК оказали значительную помощь в быстрой оценке биоразнообразия и определении популяций загадочных деревьев, даже если они не могли различать все виды на участке.Аналогичное исследование на участке тропических лесов в Центральной Африке с использованием тех же маркеров штрих-кода ДНК выявило высокую дискриминационную способность на уровне рода (95–100%), но несколько более низкую успешность идентификации на уровне видов (71–88%). , особенно в богатых видами кладах. Библиотека штрих-кодов ДНК местных видов на этих участках, включая несколько экземпляров каждого вида, значительно улучшила успешную идентификацию на всех таксономических уровнях.

Одна из основных проблем, с которой сталкиваются систематики растений и экологи, пытающиеся использовать штрих-коды ДНК в чрезвычайно разнообразных тропических лесах, заключается в том, что многие виды являются новыми для науки, поэтому не имеют латинских биномов и/или являются членами плохо описанных видовых комплексов, которые трудно идентифицировать даже с помощью традиционных морфологических данных.Лесоустроительные участки, созданные экологами для изучения динамики лесов с течением времени вдоль высотных, широтных или ареалных градиентов, изобилуют «морфотипами», не имеющими подтвержденных научных названий. Отслеживание этих морфотипов и сравнение их между участками, а также сравнение их с известными видами часто затруднено и подвержено ошибкам (Gomes et al., 2013), но его можно значительно улучшить, создав библиотеки штрих-кодов ДНК этих таксонов (Dick & Webb, 2012; рис. 5А).Решающую роль в идентификации и открытии видов играют гербарные ваучеры, даже если на них отсутствуют цветы или плоды, а также полевые данные, связанные с этими коллекциями, невозможно переоценить (Baker et al. , 2017). Участки лесоустроительной инвентаризации, на которых деревья помечены для долгосрочного мониторинга, позволяют таксономистам в будущем при необходимости проводить повторную выборку и собирать дополнительные данные от этих особей. Стандартизация маркеров ДНК-штрих-кодов и инструментов биоинформатики, используемых в различных проектах по инвентаризации лесов (например,g., RAINFOR [http://www.rainfor.org/], Сеть разнообразия деревьев Амазонки [ter Steege et al., 2013; 5B], CForBio [http://www.cfbiodiv.org/] и ForestGEO [Anderson-Teixeira et al., 2015]), будут способствовать обнаружению видов и таксономической согласованности в широких географических зонах (Dick & Webb). , 2012). До сих пор такие стандартизации не были полностью приняты.

Недавний пример того, как штрих-коды ДНК могут сыграть решающую роль в содействии таксономической ясности, — древесная флора бассейна Амазонки в Южной Америке. тер Стеге и др. (2013) собрали массивный набор данных о распространении и численности деревьев на лесоустроительных участках Амазонии на основе традиционных таксономических концепций и определений и пришли к выводу, что только 1,4% (227 видов) из общего числа 16 000 видов деревьев составляют 50%. отдельных деревьев Амазонки.Эти «гипердоминантные» виды в целом широко распространены в регионе. Авторы признали, что проблемы в их наборе данных с таксономической идентификацией деревьев широко распространены, и выразили сожаление по поводу того, что 5800 видов самых редких деревьев никогда не смогут быть должным образом идентифицированы, обнаружены или описаны из-за отсутствия образцов с диагностическими цветами и плодами. Штрих-коды ДНК могут стать мощным инструментом для преодоления этих препятствий. Мы создали штрих-коды ДНК для нескольких из этих гипердоминантных видов, для которых у нас были образцы тканей со всех их ареалов, и обнаружили, что некоторые из них сформировали хорошо поддерживаемые кластеры образцов в пределах рода, что указывает на постоянную идентификацию таксономистами.У других видов образцы не были сгруппированы внутри рода, что позволяет предположить, что выбросы были либо неправильно идентифицированы таксономистами (часто из стерильных образцов), либо что описанные виды не являются монофилетическими и на этих участках могут присутствовать загадочные виды (Kress WJ et al. , неопубликованные данные). Таким образом, общие выводы ter Steege et al. (2013) о гипердоминировании во флоре деревьев Амазонки, возможно, нуждается в дальнейшем изучении (см. ter Steege et al., 2016). Более широкое применение штрих-кодов ДНК в таксономических исследованиях тропических деревьев обеспечит большую уверенность в идентификации и, возможно, даже позволит быстро обнаружить и описать неизвестные таксоны в этих богатых видами лесах.

3.5 Криминалистическая экспертиза штрих-кода ДНК: коммерческие продукты, исчезающие виды, травяные добавки и этноботаника

Правильная идентификация растений и животных одинаково важна как в ненаучном, коммерческом мире, так и для экологов и систематиков. Генетические маркеры, получившие широкое название «криминалистическая экспертиза штрих-кодов ДНК», используются для подтверждения идентичности и чистоты коммерческих продуктов, защиты находящихся под угрозой исчезновения видов в незаконной торговле и документирования использования лесных растений местными жителями. Например, использование штрих-кодов ДНК для определения видов, ответственных за столкновения коммерческих самолетов с птицами, в настоящее время является обычным делом (Dove et al., 2008). Более широкое распространение получило использование этих маркеров для аутентификации животных и других коммерческих продуктов, собранных в дикой природе, которые продаются на рынках по всему миру (например, морепродукты: Nicole et al., 2012).

Стремление к точному, надежному и недорогому инструменту для идентификации незаконных лесоматериалов было одной из движущих сил недавних применений технологий ДНК-штрих-кодирования в нескольких различных регионах мира.Мюлльнер и др. (2011) протестировали ряд возможных ДНК-маркеров штрих-кода для идентификации видов деревьев коммерчески важного семейства красного дерева (Meliaceae). Хотя большинство маркеров не оправдали ожиданий в отношении различения видов, ITS смогла идентифицировать некоторые виды этого семейства, которые перечислены в Конвенции о международной торговле видами, находящимися под угрозой исчезновения (СИТЕС). Более высокий уровень дискриминации был продемонстрирован среди коммерчески важных, но находящихся под угрозой исчезновения видов деревьев сухих тропических лесов Индии.Nithaniyal et al. (2014) использовали стандартные маркеры штрих-кода ДНК растений для точной идентификации образцов древесины, собранных на лесоперерабатывающих предприятиях в штатах Андхра-Прадеш и Тамилнад. Такой же успех был продемонстрирован для древесных пород, обнаруженных в тропических лесах араукарий на южном атлантическом побережье Бразилии (Bolson et al., 2015), где произрастает много находящихся под угрозой исчезновения видов деревьев, имеющих большое коммерческое значение, особенно из семейства лавровых. Совсем недавно штрих-кодирование ДНК использовалось для отслеживания незаконной торговли древесиной в горячих точках биоразнообразия Мадагаскара, где виды Dalbergia (Fabaceae), палисандры, находятся под угрозой.Ограниченность стандартных генетических маркеров в идентификации близкородственных видов обескураживала в этом роде, хотя некоторый успех был достигнут (Hassold et al. , 2016). Тем не менее, регулирующие органы в целом оптимистично настроены в отношении того, что инструменты штрих-кодирования ДНК помогут распознать виды, которые в настоящее время охраняются государственным законодательством, но находятся под угрозой из-за незаконных операций с древесиной. В дополнение к древесным деревьям библиотеки штрих-кодов ДНК были разработаны для других таксономических групп таксонов, находящихся под угрозой исчезновения, перечисленных в СИТЕС, например.g., орхидеи (Lahaye et al., 2008), и ожидается, что эта технология в конечном итоге станет стандартной для мониторинга незаконной торговли.

Древесина — не единственный товарный растительный продукт, требующий точной идентификации видов со стороны регулирующих органов и специалистов по контролю качества. Традиционные лекарства, чаи и травяные добавки вместе являются важным и крупным компонентом коммерческого рынка биоразнообразия на местном, национальном и международном уровнях.По оценкам, на лекарственные растения приходится более 60 миллиардов долларов США годового дохода в Соединенных Штатах (см. Newmaster et al., 2013, обзор статистических данных о рынках и использовании). С самого начала разработки штрих-кодов ДНК растений разрабатывались приложения для мониторинга этого рынка. Многие из этих исследований, в которых штрих-коды ДНК были применены к коммерческим лекарственным средствам и растительным добавкам, пришли к выводу, что в некоторых случаях используемые генетические маркеры, которые довольно широко варьировались в разных исследованиях, не могли различать виды.Однако чаще всего основными препятствиями были 1) отсутствие полных библиотек штрих-кодов ДНК, необходимых для точного сравнения компонентов травяных чаев и добавок, и 2) отсутствие стандартизированной, точной таксономии и общих названий, перечисленных в литературе по травам, каталогах, и фармакопеи. Стокл и др. (2011) не смогли идентифицировать многие компоненты травяных чаев, которые они тестировали, используя стандартные маркеры rbcL и matK , но более проблематичным было отсутствие сопоставимых данных о последовательностях в то время для многих растений, обнаруженных в коммерческих продукты. Основная таксономическая проблема устаревшей или устаревшей номенклатуры в литературе по традиционной медицине, а не видовая дискриминация, была главным препятствием в изучении местной торговли лекарственными корнями в Северной Африке с использованием штрих-кодирования ДНК растений (de Boer et al., 2014). ).

Даже если растительные продукты могут быть чистыми и надежными с точки зрения идентификации видов при местном сборе, конечные продукты, используемые потребителями, часто неправильно маркируются или фальсифицируются дополнительными видами растений.В основополагающем исследовании подлинности травяных препаратов в Соединенных Штатах это было продемонстрировано с использованием штрих-кодов ДНК, которые заменяют клопогона ( Actaea racemosa ; Ranunculaceae), распространенную траву, используемую женщинами в постменопаузе в качестве заменителя гормонов. терапии, присутствовали только в девяти из 36 коммерчески доступных продуктов, в которых этот вид указан как составная часть (Baker et al. , 2012). В продолжение этого исследования Newmaster et al. провели всестороннее исследование подлинности растительных добавок и их загрязнения.(2013). Они создали хорошо задокументированную библиотеку штрих-кодов ДНК ( rbcL и ITS2) 42 основных видов растений, используемых в коммерческой торговле травяными добавками, а затем тщательно проанализировали составляющие 44 растительных продуктов, доступных на рынке (рис. 6). Их результаты о том, что 59% продуктов содержат виды растений, не указанные на этикетках (многие из них являются «наполнителями»), не только привлекли внимание научного мира, но и попали в национальные новости (см. A. O’Connor, «Pills that не то, чем кажутся», «Нью-Йорк Таймс», вторник, 5 ноября 2013 г.) и вызвало негативную реакцию со стороны сообщества травяных добавок (Gafner et al., 2013). Ньюмастер и др. (2013) пришли к выводу, что коммерческая травяная промышленность должна регулярно использовать ДНК-штрих-кодирование для проверки подлинности компонентов во всех продуктах растительного происхождения.

Одной из областей, которой только сейчас уделяется достаточно внимания, является использование штрих-кодов ДНК растений для документирования традиционных этноботанических знаний коренных народов.Многогранный проект, осуществляемый в настоящее время в Сьерра-Норориенталь-де-Пуэбла, Мексика (Amith J & Kress WJ, неопубликованные данные), направлен на объединение местных этноботанических знаний, лингвистики и истории культуры с документированием штрих-кодов ДНК региональной флоры для облегчения понимания традиционной флоры. экологические знания общин науат и тотонаков. Антропологи и этноботаники веками документировали такие знания. Включение технологий штрих-кодирования ДНК в этот тип работы позволяет создать ботаническую справочную библиотеку, которая значительно облегчит сбор и точную идентификацию местной флоры и продемонстрирует, как растения называются, классифицируются и используются коренными народами.

3.6 Сохранение видов и местообитаний

Одной из основных задач, стоящих сегодня перед биологами, является сохранение биоразнообразия, находящегося под серьезной угрозой из-за значительной деградации среды обитания и изменения окружающей среды, вызванного деятельностью человека. Штрих-кодирование ДНК как инструмент, в первую очередь для идентификации видов, может использоваться двумя конкретными способами для решения проблемы сохранения биоразнообразия: 1) как средство более точного и, в конечном итоге, более быстрого мониторинга биоразнообразия как до, так и после природоохранных мероприятий, и 2) путем предоставления данных. это поможет в оценке филогенетического разнообразия для определения приоритетов сохранения (Krishnamurthy & Francis, 2012).

Выполнение точных таксономических определений для мониторинга сохранения может быть очень полезным при использовании штрих-кодов ДНК растений, особенно в тропических биомах, где биоразнообразие плохо известно, а многие виды не имеют подтвержденных научных названий. Как указывалось выше в отношении растительных добавок и лекарств, отсутствие единой таксономии является серьезной проблемой при оценке видового разнообразия и идентификации в продуктах местного рынка. То же самое относится к малоизвестным тропическим лесам, требующим сохранения, в которых идентификация видов чрезвычайно затруднена, особенно при использовании неплодородных образцов, часто обозначаемых только как «морфовиды» (Gomes et al., 2013). В таких случаях штрих-код ДНК предлагает решение для более единообразной идентификации, хотя некоторые логистические препятствия могут по-прежнему препятствовать широкому использованию штрих-кодов ДНК таким образом (Gonzalez et al., 2009).

Что касается определения приоритетов сохранения, было продемонстрировано, что штрих-коды ДНК растений могут играть ключевую роль в оценке видового богатства в относительно малоизученных северных тропических лесах Квинсленда, Австралия (Costion et al., 2011). Совсем недавно фрагментированные места обитания тропических лесов в юго-восточном Квинсленде, распределение и протяженность которых отражают как прошлые изменения климата, так и недавнее сельскохозяйственное использование, снова привлекли внимание к сохранению. Эти леса таксономически богаты на родовом уровне и в меньшей степени на уровне видов, поэтому видовое богатство может быть не самым подходящим показателем для установления приоритетов сохранения. Шэпкотт и др. (2015, 2017) создали штрих-коды ДНК растений ( rbcL, matK и trnH-psbA ) для 770 видов в 111 семействах, которые составляют 86% флоры тропических лесов в юго-восточном Квинсленде, и рассчитали филогенетическое разнообразие (PD; см. Faith, 2008) показатели для каждого из 18 субрегионов области (рис.7). Они пришли к выводу, что PD коррелирует с видовым богатством в субрегионах, и использовали эти оценки для определения приоритетности субрегионов для природоохранных мероприятий. Кроме того, с использованием филогенетических показателей, полученных с помощью данных последовательности ДНК-штрих-кода, было определено, что местные флористические модели согласуются как с древними экологическими убежищами (филогенетически чрезмерно рассредоточенные виды), так и с недавним расширением ареалов родословных (филогенетически сгруппированные виды), что объясняет приоритеты сохранения ( Ховард и др. , 2016).

Несмотря на то, что на Земле может происходить шестое крупное вымирание с темпами вымирания, превышающими норму в 1000 раз (Wilson, 2016), наблюдение вымирания видов происходит редко.Штрих-коды ДНК растений использовались для подтверждения того, что эндемичное дерево узкого ареала семейства Rubiaceae, известное только по двум взрослым особям на острове Палау в Микронезии, скорее всего, является отдельным видом рода Timonius (Costion et al., 2016). Дополнительные морфологические и молекулярные данные подтвердили, что этот таксон был T. salsedoi Fosberg & Sachet, описанным в 1980-х годах. В 2014 году после обследования острова, где, как известно, обитали эти два человека, было обнаружено, что оба дерева погибли во время тайфуна, обрушившегося на этот район.Ранее рекомендовавшийся как находящийся под угрозой исчезновения по критериям МСОП, теперь предполагается, что этот вид вымер (Costion et al., 2016).

только зарождаются в качестве приложений для понимания и усиления усилий по сохранению. Однако опубликованные на сегодняшний день исследования показывают, что стандартизированная и сопоставимая генетическая информация о видах в широких географических регионах, такая как данные о последовательностях, полученные с помощью штрих-кодов ДНК, является мощным инструментом и может оказать значительное влияние на фундаментальные исследования (например,г., Ми и др., 2012; Эриксон и др., 2014; Pei et al., 2015), а также мониторинг сохранения и оценка приоритетов в местах обитания, находящихся под угрозой, в местных сообществах и в крупных географических регионах (например, Shapcott et al. , 2015).

4 Перспективы штрих-кодирования ДНК растений на завтра

С момента их появления в ботаническом сообществе более десяти лет назад штрих-коды ДНК применялись в различных исследованиях как в фундаментальных, так и в прикладных исследованиях растений.Одна из основных причин, по которой систематики растений еще не повсеместно приняли штрих-кодирование ДНК в качестве основного инструмента в своем арсенале для идентификации видов, заключается в том, что ни один маркер не может полностью различать виды в большинстве таксономических групп. Напротив, экологи были более склонны находить новые и уникальные применения штрих-кодов ДНК для решения некоторых из своих основных исследовательских вопросов, потому что в целом они работают в системах, состоящих из нескольких линий растений, которые могут быть однозначно идентифицированы комбинацией локусов штрих-кодов ДНК. .Глядя на будущее, баркодирование ДНК растительного ДНК продвинутся в двух ключевых условиях для обслуживания ботанического сообщества: 1) Создание более всеобъемлющего глобального завода библиотеки ДНК штрих-кода для универсального использования и 2) разработка новых маркеров и принятия новых технологий секвенирования.

4.1 Создание глобального завода ДНК-библиотека штрих-кода

Когда первая хорошо поддерживающаяся сообщество филогения была построена с использованием штрих-кодов растений ДНК для 296 видов деревьев на участке 50 гектарных лесных динамиков на острове Барро Колорадо в Панаме (Kress et al., 2009), в умах каждого местного эколога, работающего на участках долгосрочного мониторинга лесов по всему миру, вспыхнула лампочка. Вскоре деревья на участках по всему миру стали штрих-кодировать ДНК от неотропиков (Gonzalez et al., 2009; Kress et al., 2010) до Африки (Parmentier et al., 2013) и Азии (Pei et al., 2011; Huang и др., 2015). В конечном итоге данные последовательности штрих-кода ДНК ( rbcL , matK и trnH-psbA ) были получены и сопоставлены на 15 лесных участках в сети CTFS/ForestGEO, представляющих 1347 видов деревьев как в умеренных, так и в тропических средах обитания в семи разных странах. (Кресс и др. , 2012; Эриксон и др., 2014). Штрих-коды ДНК также были созданы для многих дополнительных участков, которые не являются частью этой конкретной сети. Особое внимание здесь уделяется CTFS/ForestGEO, поскольку она представляет собой одну из крупнейших сетей участков долгосрочного мониторинга лесов, в которой штрих-кодирование ДНК применяется в качестве стандартного протокола на более чем 60 участках в 24 странах мира (Anderson-Teixeira et al., 2015). На сегодняшний день штрих-коды ДНК с тремя локусами были созданы для более чем 3000 видов растений на 28 участках; полная библиотека штрих-кодов ДНК для всех участков будет включать более 10 000 видов деревьев и, возможно, в два-три раза больше лиан, кустарников и трав.

Наполнение глобальной библиотеки штрих-кодов ДНК растений — одна из самых сложных задач следующего десятилетия. Эти участки мониторинга леса представляют собой богатый ресурс для создания библиотеки штрих-кодов ДНК растений, потому что, как правило, они имеют хорошо проверенные идентификации, подтвержденные коллекции и индивидуально помеченные деревья, которые ботаники могут повторно посетить, если это необходимо. Два дополнительных направления для развития библиотеки растений включают усилия, основанные на генеалогии, и усилия по флористике.Отдельные систематики также создают штрих-коды ДНК для определенных групп растений либо в качестве испытаний для успешного секвенирования с использованием стандартных маркеров (например, Chen et al., 2015, 2010; Wang et al., 2017), либо в рамках своих основных молекулярно-филогенетических исследований. в котором маркеры штрих-кода ДНК используются для понимания эволюционных отношений. Хотя многие из этих «штрих-кодов ДНК» могут не получить официальное обозначение штрих-кода ДНК GenBank, все они добавляются в библиотеку последовательностей, дополняющих стандартные маркеры штрих-кода ДНК.

Недавно были предприняты серьезные усилия по созданию штрих-кодов ДНК для целых региональных флор. Одной из самых впечатляющих является библиотека, созданная для идентификации сосудистых растений Канады (Braukmann et al., 2017). Браукманн и его коллеги успешно создали записи последовательностей штрих-кодов для 96% из 5108 видов, известных в Канаде. Каждый из трех использованных ими маркеров ( rbcL , matK и ITS2) различался по успешности охвата видового пула.Их результаты показали, что эти маркеры очень успешно идентифицировали растения на уровне рода в регионе и продемонстрировали наилучшее различение видов в субрегионах с самым высоким флористическим разнообразием. Другие усилия по созданию флористических библиотек штрих-кодов ДНК обычно предпринимаются на уровне штата или региона и в основном в умеренной зоне (например, Висконсин, США, Гивниш Т., личное сообщение).

Самым большим препятствием в этом подходе к заполнению глобальной библиотеки штрих-кодов ДНК является определение финансовых ресурсов для покрытия затрат на секвенирование и лабораторные исследования, которые чаще всего поступают от государственных финансирующих агентств.Все больший интерес проявляют государственные ведомства, отвечающие за регулирование перевозки биологических материалов (например, Министерство сельского хозяйства США) и расследование преступлений (например, Федеральное бюро расследований США). Достижение цели по созданию универсальной библиотеки штрих-кодов ДНК для всех видов растений в мире еще далеко в будущем, но когда она будет доступна, как фундаментальные, так и прикладные исследования от этого выиграют.

4.2 Новые маркеры ДНК и новые технологии секвенирования

Спекуляции и прогнозы относительно будущего направления штрих-кодирования ДНК растений начались почти одновременно с началом исследований, применяющих эти маркеры к вопросам таксономии, эволюции и экологии, включая взаимосвязь между штрих-кодами ДНК на основе локуса и геномными подходами к идентификации видов (Kress и Эриксон, 2008а).Была признана потребность как в передовых технологиях секвенирования, так и в эффективной структуре базы данных и стратегиях поиска для идентификации видов.

Одна интересная модификация штрих-кодирования ДНК называется «метабаркодирование» или «eDNA» (Taberlet et al., 2012), в которой используются генетические маркеры для идентификации организмов в образцах окружающей среды, таких как почва, морская вода или коралловые рифы ( Лерей и Ноултон, 2015). Успешная идентификация организмов в этих средах обычно требует очень коротких и уникальных генетических маркеров (часто не стандартных областей последовательности ДНК-штрих-кода) или «мини-штрих-кодов», которые используют подобласть стандартизированных маркеров для преодоления проблемы деградации ДНК. в этих образцах (Hajibabaei & McKenna, 2012).Те же методы применялись и в исследованиях с использованием древней ДНК (Willerslev et al., 2007). Однако также можно использовать некоторые из стандартных маркеров штрих-кода ДНК растений (например, rbcL и ITS2) для определения состава видов растений в сообществе путем анализа образцов почвы (Jones et al., 2011; Fahner et al. ., 2016). Область метабаркодирования быстро развивается за счет совершенствования методологии, такой как восстановление, амплификация и секвенирование коротких фрагментов ДНК.Кроме того, создание новых инструментов биоинформатики для преобразования списка последовательностей ДНК, присутствующих в образце, в список идентифицируемых видов является сложной задачей, но в конечном итоге будет адекватно решена.

Сочетание, дополнение и расширение использования стандартных штрих-кодов ДНК с одним или несколькими локусами с технологиями секвенирования следующего поколения (NGS) было неизбежным. Разделение между штрих-кодированием ДНК на основе образцов и мета-штрихкодированием на основе окружающей среды, как описано выше, частично стало причиной этого поворота к NGS.Было высказано предположение, что скимминг генома (то есть секвенирование дробовиком с малым охватом) как пластидных, так и ядерных областей в качестве «расширенного штрих-кода ДНК» может служить связующим звеном между стандартным штрих-кодированием ДНК и последовательностями всего генома в качестве окончательной идентификации видов (Coissac et al., 2016; Hollingsworth et al., 2016; рис. 8). Такое «мега-штрихкодирование» не только избавит от необходимости ПЦР, но и обеспечит повышенный уровень генетических данных, которые могут служить другим целям, помимо идентификации видов (например,г., филогенетическое разрешение).

Однако для растений некоторые исследователи также выступают за то, чтобы сосредоточиться на секвенировании генома хлоропластов как на «супер-штрих-кодах», чтобы в конечном итоге заменить подход, основанный на локусах.Ли и др. (2015) проводят тщательный обзор разработок, основанных на локусах, и предлагают новый подход к штрих-кодированию ДНК растений, который сочетает эти супер-штрих-коды с разработкой и выбором локусов «конкретных штрих-кодов» для отдельных групп видов. Они называют это «моделью 1 + 1» для штрих-кодирования ДНК растений. Однако они также признают, что этот метод, даже если он обеспечит надежный штрих-код для точной идентификации растений, «еще не является эффективным с точки зрения ресурсов и еще не обеспечивает скорость анализа, обеспечиваемую штрих-кодами с одним локусом для неспециализированных лабораторных учреждений.«В самом деле, их модель может быть вовсе не штрих-кодированием ДНК растений, как предполагалось изначально, поскольку она предлагает очень своеобразную методологию, а не быстрый и универсальный подход к идентификации видов.

Показательным является внедрение других технологий секвенирования, таких как использование обогащения мишеней на основе микрожидкостной ПЦР, которые могут предложить более быстрый и менее дорогой вариант крупномасштабного многолокусного штрих-кодирования ДНК растений (Gostel M, личное сообщение). современного состояния инноваций в геномике.Многие из этих методологий все еще находятся в зачаточном состоянии и, возможно, еще улучшат нашу способность применять генетические маркеры для достижения целей штрих-кодирования ДНК. Однако, когда мы ищем новые методы, мы не должны упускать из виду первоначальную цель штрих-кодирования ДНК, а именно идентификацию видов! У растений, как указывали многие, универсальная видовая дискриминация никогда не может быть возможна при подходе, основанном на локусах; ни одних пластидных данных, ни даже значительного количества информации из ядерного генома будет недостаточно.Однако всегда будет компромисс между способностью обеспечить абсолютную универсальную дискриминацию видов и уровнем усилий и затрат для достижения этой цели. Как таксономисты, экологи и ученые-прикладники, мы должны спросить себя, достаточно ли 70–90% различения видов с помощью стандартных методов штрих-кодирования ДНК, если стоимость составляет всего 10% от стоимости секвенирования всего генома. Являются ли современные технологии адекватными и подходящими для большинства целей, предусмотренных для штрих-кодирования ДНК? Может быть, они.Однако, поскольку технологические достижения быстро снижают затраты и повышают эффективность, возможно, этого не произойдет. Ближайшее будущее даст быстрый и окончательный ответ.

Благодарности

Я хотел бы поблагодарить многих соавторов, сотрудников, постдоков, техников и стажеров, с которыми я имел удовольствие работать над продвижением области штрихового кодирования ДНК. Я особенно обязан тем коллегам, которые вдохновляли, ободряли, советовали и помогали на этом пути, в том числе Стюарту Дэвису, Дэйву Эриксону, Полу Хеберту, Питеру Холлингсворту, Дэну Джанзену, Кристен Леман, Де-Жу Ли, Иде Лопес, Скотту. Миллер, Нанкай Пей, Карлос Гарсия-Робледо, Дэвид Шиндель, Элисон Шэпкотт, Нейт Свенсон и Джо Райт.У меня нет конфликта интересов в публикации этой работы.

На пути к воспроизводимому компьютерному открытию лекарств | Journal of Cheminformatics

1. 1.

   Mullard A (2016) Biotech R&D расходует более чем на 15 прыжков. Nat Rev Drug Discov 15(7):447. https://doi.org/10.1038/nrd.2016.135

   КАС Статья пабмед Google Scholar

2. 2.

   Stratmann HG (2010) Плохая медицина: когда медицинские исследования идут не так, как надо.Аналоговый научно-фантастический факт CXXX(9):20–30

   Google Scholar

3. 3.

   ДиМаси Дж. А., Грабовски Х. Г., Хансен Р. В. (2016) Инновации в фармацевтической промышленности: новые оценки затрат на НИОКР. J Health Econ 47: 20–33. https://doi.org/10.1016/j.jhealeco.2016.01.012

   Артикул пабмед Google Scholar

4. 4.

   Биотехнологическая инновационная организация (2016 г.) Показатели успеха клинических разработок, 2006–2015 гг.

5. 5.

   Ogu CC, Maxa JL (2000)Взаимодействия с лекарственными средствами из-за цитохрома p450. Медицинский центр Университета Бейлора Proc 13 (4): 421–423. https://doi.org/10.1080/08998280.2000.11

   9

   КАС Статья Google Scholar

6. 6.

   Фокс С., Фарр-Джонс С., Сопчак Л., Боггс А., Найсли Х.В., Хури Р., Бирос М. (2006) Высокопроизводительный скрининг: обновленная информация о практике и успехах. J Biomol Screen 11(7):864–869. https://doi.org/10.1177/10870571062

   Артикул пабмед Google Scholar

7. 7.

   Hughes JP, Rees S, Kalindjian SB, Philpott KL (2011) Принципы раннего открытия лекарств. Br J Pharmacol 162(6):1239–1249. https://doi.org/10.1111/j.1476-5381.2010.01127.x

   КАС Статья пабмед ПабМед Центральный Google Scholar

8. 8.

   Ruddigkeit L, van Deursen R, Blum LC, Reymond JL (2012) Перечисление 166 миллиардов органических малых молекул в базе данных химической вселенной gdb-17. J Chem Inform Model 52 (11): 2864–2875.https://doi.org/10.1021/ci300415d

   КАС Статья Google Scholar

9. 9.

   Виллутреикс Б.О., Рено Н., Лагорс Д., Сперандио О., Монтес М., Митева М.А. (2007) Бесплатные ресурсы для оказания помощи экспериментам по скринингу виртуальных лигандов на основе структуры. Curr Protein Pept Sci 8(4):381–411

   CAS Статья Google Scholar

10. 10.

    Nantasenamat C, Prachayasittikul V (2015) Максимальное использование вычислительных инструментов для успешного открытия лекарств.Экспертное заключение по наркотикам Discov 10(4):321–329. https://doi.org/10.1517/17460441.2015.1016497

    КАС Статья пабмед Google Scholar

11. 11.

    Feng BY, Simeonov A, Jadhav A, Babaoglu K, Inglese J, Shoichet BK, Austin CP (2007) Высокопроизводительный скрининг ингибирования на основе агрегации в большой библиотеке соединений. J Med Chem 50(10):2385–2390. https://doi.org/10.1021/jm061317y

    КАС Статья пабмед Google Scholar

12. 12.

    Соарес К.М., Блэкмон Н., Шун Т.И., Шинде С.Н., Такьи Х.К., Випф П., Лазо Дж.С., Джонстон П.А. (2010) Профилирование репозитория малых молекул nih для соединений, которые генерируют H ₂ O ₂ путем окислительно-восстановительного цикла при восстановлении среды. Assay Drug Dev Technol 8(2):152–174. https://doi.org/10.1089/adt.2009.0247

    КАС Статья пабмед ПабМед Центральный Google Scholar

13. 13.

    Young D, Martin T, Venkatapathy R, Harten P (2008) Верны ли химические структуры в вашем QSAR? QSAR Combinatorial Sci 27 (11–12): 1337–1345.https://doi.org/10.1002/qsar.200810084

    КАС Статья Google Scholar

14. 14.

    Чжао Л., Ван В., Седых А., Чжу Х. (2017) Экспериментальные ошибки в наборах для моделирования QSAR: что мы можем и чего не можем делать. САУ Омега 2(6):2805–2812. https://doi.org/10.1021/acsomega.7b00274

    КАС Статья пабмед ПабМед Центральный Google Scholar

15. 15.

    Clark RD (2019) Путь к воспроизводимости следующего поколения в химико-информатике.Ж Хеминформ 11:62. https://doi.org/10.1186/s13321-019-0385-0

    КАС Статья ПабМед Центральный Google Scholar

16. 16.

    Уолтерс П. (2019) Где код? http://practicalcheminformatics.blogspot.com/2019/05/wheres-code.html. По состоянию на 1 ноября 2019 г.

17. 17.

    Гарабедян Т.Е. (1997) Лабораторный учет. Nat Biotechnol 15 (8): 799–800. https://doi.org/10.1038/nbt0897-799

    КАС Статья пабмед Google Scholar

18. 18.

    Plavén-Sigray P, Matheson GJ, Schiffler BC, Thompson WH (2017) Удобочитаемость научных текстов со временем снижается. электронная жизнь. https://doi.org/10.7554/eLife.27725

    Артикул пабмед ПабМед Центральный Google Scholar

19. 19.

    Dirnagl U, Przesdzing I (2016) Карманный справочник по электронным лабораторным тетрадям в академических науках о жизни. F1000, разрешение 5:2 https://doi.org/10.12688/f1000research.7628.1

    Артикул Google Scholar

20. 20.

    Rubacha M, Rattan AK, Hosselet SC (2011) Обзор электронных лабораторных ноутбуков, доступных сегодня на рынке. J Lab Autom 16 (1): 90–98. https://doi.org/10.1016/j.jala.2009.01.002

    КАС Статья пабмед Google Scholar

21. 21.

    Mascarelli A (2014) Инструменты исследования: перейти со страницы. Природа 507 (7493): 523–525. https://doi.org/10.1038/nj7493-523a

    КАС Статья пабмед Google Scholar

22. 22.

    Schnell S (2015) Десять простых правил для лабораторной тетради вычислительного биолога. PLoS Comput Biol 11(9):1004385. https://doi.org/10.1371/journal.pcbi.1004385

    КАС Статья Google Scholar

23. 23.

    Bradley J-C, Neylon C (2008) Данные на дисплее. Интервью Кэтрин Сандерсон. Природа 455 (7211): 273. https://doi.org/10.1038/455273a

    КАС Статья пабмед Google Scholar

24. 24.

    Батлер Д. (2005) Электронные записные книжки: новый лист. Природа 436 (7047): 20–21. https://doi.org/10.1038/436020a

    КАС Статья пабмед Google Scholar

25. 25.

    Project Jupyter (2019) Jupyter Notebook. http://www.jupyter.org/. По состоянию на 9 января 2019 г.

26. 26.

    Project Jupyter (2019) nbviewer. http://nbviewer.jupyter.org/. По состоянию на 9 января 2019 г.

27. 27.

    Freeman Lab (2019) Binder.http://mybinder.org/. По состоянию на 9 января 2019 г.

28. 28.

    Google (2019) Colaboratory. https://colab.research.google.com/. По состоянию на 9 января 2019 г.

29. 29.

    Baker M (2016) 1500 ученых поднимают крышку воспроизводимости. Природа 533 (7604): 452–454. https://doi.org/10.1038/533452a

    КАС Статья пабмед Google Scholar

30. 30.

    Хед М.Л., Холман Л., Ланфир Р., Кан А.Т., Дженнионс М.Д. (2015) Масштабы и последствия р-хакинга в науке.PLoS Биол 13(3):1002106. https://doi.org/10.1371/journal.pbio.1002106

    КАС Статья Google Scholar

31. 31.

    Симонсон У., Нельсон Л.Д., Симмонс Дж.П. (2014) P-кривая: ключ к ящику для папок. J Exp Psychol Gen 143 (2): 534–547. https://doi.org/10.1037/a0033242

    Артикул пабмед Google Scholar

32. 32.

    Ioannidis JPA (2008) Влияние формальной статистической значимости на достоверность наблюдаемых ассоциаций.Am J Epidemiol 168 (4): 374–83384. https://doi.org/10.1093/aje/kwn156

    Артикул пабмед Google Scholar

33. 33.

    Risch NJ (2000) Поиск генетических детерминант в новом тысячелетии. Природа 405 (6788): 847–856. https://doi.org/10.1038/35015718

    КАС Статья пабмед Google Scholar

34. 34.

    Wacholder S, Chanock S, Garcia-Closas M, El Ghormli L, Rothman N (2004) Оценка вероятности того, что положительный отчет является ложным: подход к молекулярно-эпидемиологическим исследованиям.J Natl Cancer Inst 96(6):434–442

    Статья Google Scholar

35. 35.

    Уилкинсон М.Д., Дюмонтье М., Алберсберг И.Дж., Эпплтон Г., Акстон М., Баак А., Бломберг Н., Бойтен Д.В., да Силва Сантос Л.Б., Борн П.Е., Боуман Дж., Брукс А.Дж., Кларк Т., Крозас М., Дилло И., Дюмон О., Эдмундс С., Эвело К.Т., Финкерс Р., Гонсалес-Бельтран А., Грей А.Дж., Грот П., Гобл С., Грете Дж.С., Херинга Дж., ‘т Хоэн П.А., Хофт Р., Кун Т., Кок Р., Кок Дж., Лушер С.Дж., Мартоне М.Э., Монс А., Пакер А.Л., Перссон Б., Рокка-Серра П., Роос М., ван Шайк Р., Сансоне С.А., Шультес Э., Сенгстаг Т., Слейтер Т., Строун Г., Сверц М.А., Томпсон М., Ван дер Лей Дж., Ван Маллиген Э., Вельтероп Дж., Ваагмистер А., Виттенбург П., Вольстенкрофт К., Чжао Дж., Монс Б. (2016) Руководящие принципы FAIR для управления научными данными и управления ими.Научные данные 3:160018. https://doi.org/10.1038/sdata.2016.18

    Артикул пабмед ПабМед Центральный Google Scholar

36. 36.

    Guha R, Willighagen E (2017) Помощь в улучшении практики хемоинформатики. Ж Хеминформ 9(1):40. https://doi.org/10.1186/s13321-017-0217-z

    Артикул пабмед ПабМед Центральный Google Scholar

37. 37.

    Словарь английского языка Коллина (2019) Воспроизведение.http://www.dictionary.com/browse/reproducibility. По состоянию на 9 января 2019 г.

38. 38.

    Schwab M, Karrenbach M, Claerbout J (2000) Обеспечение воспроизводимости научных вычислений. Comput Sci Eng 2:61–67

    Статья Google Scholar

39. 39.

    Casadevall A, Fang FC (2010) Воспроизводимая наука. Infect Immun 78(12):4972–4975. https://doi.org/10.1128/IAI.00908-10

    КАС Статья пабмед ПабМед Центральный Google Scholar

40. 40.

    Kerr Bernal S (2006) Огромный снежный ком мошенничества и обмана. Дж Андрол 27 (3): 313–315. https://doi.org/10.2164/jandrol.06007

    Артикул пабмед Google Scholar

41. 41.

    Объединенный комитет руководств по метрологии (2008 г.) Оценка данных измерений. Руководство по выражению неопределенности измерений. https://www.bipm.org/utils/common/documents/jcgm/JCGM_100_2008_E.pdf. По состоянию на 1 ноября 2019 г.

42. 42.

    Oudeyer P-Y, Merrick K (2016) Вычислительное моделирование в различных дисциплинах. Информационный бюллетень IEEE Cogn Dev Syst 13(2):1

    Google Scholar

43. 43.

    Taylor CF, Field D, Sansone SA, Aerts J, Apweiler R, Ashburner M, Ball CA, Binz PA, Bogue M, Booth T, Brazma A, Brinkman RR, Michael Clark A, Deutsch EW, Fiehn О, Фостель Дж., Газаль П., Гибсон Ф., Грей Т., Граймс Дж., Хэнкок Дж.М., Харди Н.В., Хермякоб Х., Джулиан Р.К., Кейн М., Кеттнер С., Кинсингер С., Колкер Э., Койпер М., Ле Новер Н., Либенс- Мак Дж., Льюис С.Е., Лорд П., Мэллон А.М., Мартандан Н., Масуя Х., МакНалли Р., Мерле А., Моррисон Н., Орчард С., Квакенбуш Дж., Риси Дж.М., Робертсон Д.Г., Рокка-Серра П., Родригес Х., Розенфельдер Х., Сантойо-Лопес Дж., Шойерманн Р.Х., Шобер Д., Смит Б., Снейп Дж., Стокерт С.Дж., Типтон К., Стерк П., Унтергассер А., Вандесомпеле Дж., Виманн С. (2008) Продвижение согласованных минимальных руководящих принципов отчетности для биологических и биомедицинских исследований: MIBBI проект.Nat Biotechnol 26 (8): 889–896. https://doi.org/10.1038/nbt.1411

    КАС Статья пабмед ПабМед Центральный Google Scholar

44. 44.

    Hermjakob H, Montecchi-Palazzi L, Bader G, Wojcik J, Salwinski L, Ceol A, Moore S, Orchard S, Sarkans U, von Mering C, Roechert B, Poux S, Jung E, Mersch H , Керси П., Лаппе М., Ли И, Зенг Р., Рана Д., Николски М., Хуси Х., Брун С., Шанкер К., Грант С.Г., Сандер С., Борк П., Чжу В., Пандей А., Бразма А., Жак Б., Видаль M, Sherman D, Legrain P, Cesareni G, Xenarios I, Eisenberg D, Steipe B, Hogue C, Apweiler R (2004) Формат молекулярного взаимодействия HUPO PSI — стандарт сообщества для представления данных о взаимодействии белков.Nat Biotechnol 22(2):177–183. https://doi.org/10.1038/nbt926

    КАС Статья пабмед Google Scholar

45. 45.

    Демир Э., Кэри М.П., ​​Палей С., Фукуда К., Лемер С., Вастрик И., Ву Г., Д’Эустачио П., Шефер С., Лучано Дж., Шачерер Ф., Мартинес-Флорес И., Ху З., Хименес -Хасинто В., Джоши-Топе Г., Кандасами К., Лопес-Фуэнтес А.С., Ми Х., Пихлер Э., Родченков И., Сплендиани А., Ткачев С., Цукер Дж., Гопинатх Г., Раджасимха Х., Рамакришнан Р., Шах И., Сайед М., Анвар Н., Бабур О., Блинов М., Браунер Э., Корвин Д., Дональдсон С., Гиббонс Ф., Голдберг Р., Хорнбек П., Луна А., Мюррей-Раст П., Нойманн Э., Рубенакер О., Рубенакер О., Самвальд М., ван Ирсел М. , Вималаратне С., Аллен К., Браун Б., Вирл-Каррильо М., Чунг К.Х., Далквист К., Финни А., Гиллеспи М., Гласс Э., Гонг Л., Хау Р., Хониг М., Хубаут О., Кейн Д., Крупа С., Кутмон М. , Леонард Дж., Маркс Д., Мерберг Д., Петри В., Пико А., Равенскрофт Д., Рен Л., Шах Н., Саншайн М., Танг Р., Уэйли Р., Летовски С., Бутов К.Х., Ржецкий А., Шахтер В., Собрал Б.С., Догрузоз Ю, Маквини С., Аладжем М., Бирни Э., Кольядо-Видес Дж., Гото С., Хука М., Ле Новере Н., Мальцев Н., Пандей А., Томас П., Вингендер Э., Карп П.Д., Сандер С., Бадер Г.Д. (2010) Стандарт сообщества BioPAX для обмена данными о путях.Nat Biotechnol 28(9):935–942. https://doi.org/10.1038/nbt.1666

    КАС Статья пабмед ПабМед Центральный Google Scholar

46. 46.

    Проект Wf4Ever (2019) Репозиторий Wf4Ever на github. http://wf4ever.github.io/. По состоянию на 9 января 2019 г.

47. 47.

    Купер Дж., Вик Дж. О., Уолтемат Д. (2015) Призыв к виртуальным экспериментам: ускорение научного процесса. Progr Biophys Mol Biol 117 (1): 99–106. https://doi.org/10.1016/j.pbiomolbio.2014.10.001

    Артикул Google Scholar

48. 48.

    Gentleman RC, Carey VJ, Bates DM, Bolstad B, Dettling M, Dudoit S, Ellis B, Gautier L, Ge Y, Gentry J et al (2004) Bioconductor: открытая разработка программного обеспечения для вычислительной биологии и биоинформатики . Геном Биол 5(10):80. https://doi.org/10.1186/gb-2004-5-10-r80

    Артикул Google Scholar

49. 49.

    Бланкенберг Д., Фон Кустер Г., Кораор Н., Ананда Г., Лазарус Р., Манган М., Некрутенко А., Тейлор Дж. (2010) Галактика: веб-инструмент для анализа генома для экспериментаторов. Curr Protoc Mol Biol Глава 19: 19–10121. https://doi.org/10.1002/0471142727.mb1910s89

    Артикул Google Scholar

50. 50.

    Giardine B, Riemer C, Hardison RC, Burhans R, Elnitski L, Shah P, Zhang Y, Blankenberg D, Albert I, Taylor J et al (2005) Galaxy: платформа для интерактивного крупномасштабного генома анализ.Геном Res 15 (10): 1451–1455. https://doi.org/10.1101/gr.4086505

    КАС Статья пабмед ПабМед Центральный Google Scholar

51. 51.

    Гёкс Дж., Некрутенко А., Тейлор Дж. (2010) Galaxy Team: Galaxy: комплексный подход к поддержке доступных, воспроизводимых и прозрачных вычислительных исследований в области наук о жизни. Геном Биол 11(8):86. https://doi.org/10.1186/gb-2010-11-8-r86

    Артикул Google Scholar

52. 52.

    Bouckaert R, Heled J, Kühnert D, Vaughan T, Wu C-H, Xie D,suchard MA, Rambaut A, Drummond AJ (2014) Beast 2: программная платформа для байесовского эволюционного анализа. PLoS Comput Biol 10(4):1003537. https://doi.org/10.1371/journal.pcbi.1003537

    КАС Статья Google Scholar

53. 53.

    Букарт Р., Воан Т.Г., Баридо-Соттани Дж., Дюшен С., Фурмен М., Гаврюшкина А., Хелед Дж., Джонс Г., Кюнерт Д., Де Майо Н., Матшинер М., Мендес Ф.К., Мюллер Н.Ф., Огилви Х.А. , дю Плесси Л., Попинга А., Рамбо А., Расмуссен Д., Сиверони И., Сушард М.А., Ву Ч., Се Д., Чжан С., Стадлер Т., Драммонд А.Дж. (2019) Зверь 2.5: Передовая программная платформа для байесовского эволюционного анализа. PLoS Comput Biol 15(4):1006650. https://doi.org/10.1371/journal.pcbi.1006650

    КАС Статья Google Scholar

54. 54.

    Тейтельман Л. protocols.io — хранилище научных методов №1

55. 55.

    Экспертная группа высокого уровня по научным данным (2010 г.) Оседлав волну — как Европа может извлечь выгоду из растущего потока научных данных. https://www.fosteropenscience.com.eu/content/riding-wave-how-europe-can-gain-rising-tide-scientific-data/. По состоянию на 9 января 2019 г.

56. 56.

    Национальные институты здравоохранения (2019 г.) Заявление о политике предоставления грантов NIH. https://grants.nih.gov/policy/nihgps/index.htm. По состоянию на 9 января 2019 г.

57. 57.

    NordForsk (2019) Открытый доступ к исследовательским данным — статус, проблемы и перспективы. https://www.nordforsk.org/en/publications/publications_container/open-access-to-research-data-2013-status-issues-and-outlook/. По состоянию на 9 января 2019 г.

58. 58.

    Borgman CL (2015) Большие данные, мало данных, нет данных: исследования в сетевом мире. MIT Press, Кембридж

    Книга Google Scholar

59. 59.

    Марголис Р., Дерр Л., Данн М., Уэрта М., Ларкин Дж., Шихан Дж., Гайер М., Грин Э.Д. (2014) Инициатива национальных институтов здравоохранения по преобразованию больших данных в знания (bd2k): извлечение выгоды из больших биомедицинских данные. J Am Med Inform Assoc 21 (6): 957–958. https://doi.org/10.1136/amiajnl-2014-002974

    Артикул пабмед ПабМед Центральный Google Scholar

60. 60.

    Паскетто И.В., Рэндлс Б.М., Боргман К.Л. (2017) О повторном использовании научных данных. Data Sci J. https://doi.org/10.5334/dsj-2017-008

    Артикул Google Scholar

61. 61.

    Wallis JC, Rolando E, Borgman CL (2013) Если мы поделимся данными, будет ли кто-нибудь их использовать? совместное использование и повторное использование данных в длинном хвосте науки и техники. ПЛОС ОДИН 8(7):67332. https://doi.org/10.1371/journal.pone.0067332

    КАС Статья Google Scholar

62. 62.

    Чаван В., Пенев Л. (2011) Документ с данными: механизм стимулирования публикации данных в науке о биоразнообразии. БМС Биоинформ 12 Приложение 15:2. https://doi.org/10.1186/1471-2105-12-S15-S2

    Артикул Google Scholar

63. 63.

    Горголевски К.Дж., Маргулис Д.С., Милхэм М.П. (2013) Обеспечение учета обмена данными: решение на основе публикаций. Передние Неврологи 7:9. https://doi.org/10.3389/fnins.2013.00009

    Артикул пабмед ПабМед Центральный Google Scholar

64. 64.

    Searls DB (2010) Корни биоинформатики. PLoS Comput Biol 6(6):1000809. https://doi.org/10.1371/journal.pcbi.1000809

    КАС Статья Google Scholar

65. 65.

    Канвал С., Хан Ф.З., Лони А., Синнотт Р.О. (2017) Исследование воспроизводимости и отслеживание происхождения — тематическое исследование геномного рабочего процесса. БМС Биоинформ 18(1):337. https://doi.org/10.1186/s12859-017-1747-0

    Артикул Google Scholar

66. 66.

    Kim Y-M, Poline J-B, Dumas G (2017) Эксперименты с воспроизводимостью в биоинформатике. БиоРксив. https://doi.org/10.1101/143503

    Артикул Google Scholar

67. 67.

    Сандве Г.К., Некрутенко А., Тейлор Дж., Ховиг Э. (2013) Десять простых правил для воспроизводимых вычислительных исследований. PLoS Comput Biol 9(10):1003285. https://doi.org/10.1371/journal.pcbi.1003285

    Артикул Google Scholar

68. 68.

    Van Neste C, Gansemans Y, De Coninck D, Van Hoofstat D, Van Criekinge W, Deforce D, Van Nieuwerburgh F (2015) Криминалистический инструмент для анализа данных массивного параллельного секвенирования: реализация MyFLq в качестве автономного веб-сайта и Illumina BaseSpace ^® -заявка. Судебно-медицинская экспертиза Int Genet 15: 2–7. https://doi.org/10.1016/j.fsigen.2014.10.006

    КАС Статья пабмед Google Scholar

69. 69.

    Dove ES, Joly Y, Tassé AM (2015) Public Population Project in Genomics and Society (P3G) Международный руководящий комитет и Комитет по этике и политике Международного консорциума генома рака (ICGC), Knoppers, B.М.: Геномные облачные вычисления: юридические и этические аспекты. Eur J Human Genet 23 (10): 1271–1278. https://doi.org/10.1038/ejhg.2014.196

    Артикул Google Scholar

70. 70.

    Docker Inc. (2019) Docker. https://www.docker.com/. По состоянию на 9 января 2019 г.

71. 71.

    da Veiga Leprevost F, Gruning BA, Alves Aflitos S, Rost HL, Uszkoreit J, Barsnes H, Vaudel M, Moreno P, Gatto L, Weber J, Bai M, Jimenez RC, Sachsenberg Т., Пфойффер Дж., Вера Альварес Р., Грисс Дж., Несвижский А.И., Перес-Риверол Й. (2017) Биоконтейнеры: открытая и управляемая сообществом структура для стандартизации программного обеспечения.Биоинформатика 33 (16): 2580–2582. https://doi.org/10.1093/биоинформатика/btx192

    КАС Статья пабмед ПабМед Центральный Google Scholar

72. 72.

    Ким Б., Али Т., Лижерон С., Афган Э., Крампис К. (2017) Био-доклеты: контейнеры виртуализации для одноэтапного выполнения конвейеров ngs. ГигаНаука 6(8):1–7. https://doi.org/10.1093/gigascience/gix048

    КАС Статья пабмед ПабМед Центральный Google Scholar

73. 73.

    Menegidio FB, Jabes DL, de Oliveira R Costa, Nunes LR (2018) Dugong: образ Docker на основе Ubuntu Linux, ориентированный на воспроизводимость и воспроизводимость биоинформатического анализа. Биоинформатика 34 (3): 514–515. https://doi.org/10.1093/биоинформатика/btx554

    КАС Статья пабмед Google Scholar

74. 74.

    Кулкарни Н., Алессандри Л., Панеро Р., Аригони М., Оливеро М., Ферреро Г., Кордеро Ф., Беккути М., Калоджеро Р.А. (2018) Проект воспроизводимой биоинформатики: сообщество для конвейеров воспроизводимого анализа биоинформатики.BMC Bioinform 19 (Приложение 10): 349. https://doi.org/10.1186/s12859-018-2296-x

    Артикул Google Scholar

75. 75.

    Розенблатт-Розен О., Стаббингтон MJT, Регев А., Тейхманн С.А. (2017) Атлас клеток человека: от видения к реальности. Природа 550 (7677): 451–453. https://doi.org/10.1038/550451a

    КАС Статья пабмед Google Scholar

76. 76.

    Peng RD (2011) Воспроизводимые исследования в вычислительной науке.Наука 334 (6060): 1226–1227. https://doi.org/10.1126/science.1213847

    КАС Статья пабмед ПабМед Центральный Google Scholar

77. 77.

    Стодден В., Лейш Ф., Пэн Р.Д. (2014) Проведение воспроизводимых исследований. CRC Press/Taylor & Francis Group, Бока-Ратон

    Книга Google Scholar

78. 78.

    Scientific Data (2019) Рекомендуемые хранилища данных.https://www.nature.com/sdata/policies/repositories/. По состоянию на 9 января 2019 г.

79. 79.

    Dryad (2019) Цифровой репозиторий Dryad. https://datadryad.org/. По состоянию на 9 января 2019 г.

80. 80.

    Dryad (2019) DryadLab. http://datadryad.org/pages/dryadlab/. По состоянию на 9 января 2019 г.

81. 81.

    figshare (2019) figshare — заслуга всех ваших исследований. http://www.figshare.com/. По состоянию на 9 января 2019 г.

82. 82.

    Singh J (2011) Figshare. J Pharmacol Pharmacother 2(2):138–139.https://doi.org/10.4103/0976-500X.81919

    Артикул пабмед ПабМед Центральный Google Scholar

83. 83.

    Zenodo (2019) Zenodo—Research. Общий. https://zenodo.org/. По состоянию на 9 января 2019 г.

84. 84.

    Open Science Framework (2019) OSF Home. https://osf.io/. По состоянию на 9 января 2019 г.

85. 85.

    Центр открытой науки (2019 г.) Веб-сайт Центра открытой науки. https://cos.io/. По состоянию на 9 января 2019 г.

86. 86.

    Фостер Э.Д., Дирдорф А. (2017) Структура открытой науки (osf). J Med Lib Assoc 105 (2): 203–206. https://doi.org/10.5195/JMLA.2017.88

    Артикул Google Scholar

87. 87.

    Macmillan Publishers Limited (2019) Научные данные. https://www.nature.com/sdata/. По состоянию на 9 января 2019 г.

88. 88.

    Elsevier (2019) Краткие данные. https://www.journals.elsevier.com/data-in-brief/. По состоянию на 9 января 2019 г.

89. 89.

    MDPI (2019) Данные. http://www.mdpi.com/journal/data/. По состоянию на 9 января 2019 г.

90. 90.

    F1000Research (2019) F1000Research | Издательская платформа с открытым доступом | Помимо исследовательского журнала. https://f1000research.com/. По состоянию на 9 января 2019 г.

91. 91.

    arXiv (2019) Архив электронной печати arXiv.org. https://arxiv.org/. По состоянию на 9 января 2019 г.

92. 92.

    bioRxiv (2019) bioRxiv.org — сервер препринтов для биологии. https://www.biorxiv.org/. По состоянию на 9 января 2019 г.

93. 93.

    ChemRxiv (2019) ChemRxiv: сервер препринтов для химии. https://chemrxiv.org/. По состоянию на 9 января 2019 г.

94. 94.

    PeerJ (2019) Препринты PeerJ. https://peerj.com/preprints/. По состоянию на 9 января 2019 г.

95. 95.

    Bitbucket (2019) Bitbucket — решение Git для профессиональных команд. https://bitbucket.org/. По состоянию на 9 января 2019 г.

96. 96.

    GitLab (2019) GitLab. https://about.gitlab.com/. По состоянию на 9 января 2019 г.

97. 97.

    Assembla (2019) Assembla: безопасный Git, безопасная разработка программного обеспечения в облаке.https://www.assembla.com/. По состоянию на 9 января 2019 г.

98. 98.

    Google (2019) Cloud Source Repositories. https://cloud.google.com/source-repositories/. По состоянию на 9 января 2019 г.

99. 99.

    Софронев Н. Дж., Власов Ю. А., Хайрес С. А., Фриман Дж., Свобода К. (2015) Нейронное кодирование в коре головного мозга во время движения, управляемого усами. электронная жизнь. https://doi.org/10.7554/eLife.12559

    Артикул пабмед ПабМед Центральный Google Scholar

100. 100.

     Ли Н., Дайе К., Свобода К., Дракманн С. (2016)Надежная динамика нейронов в премоторной коре во время планирования движений. Природа 532 (7600): 459–464. https://doi.org/10.1038/nature17643

     КАС Статья пабмед ПабМед Центральный Google Scholar

101. 101.

     Code Ocean (2019) Code Ocean — профессиональные инструменты для исследователей. https://codeocean.com/. По состоянию на 9 января 2019 г.

102. 102.

     Cornell Tech (2019) Code Ocean: решение проблемы воспроизводимости и прозрачности научных исследований.https://tech.cornell.edu/news/code-ocean-tackling-reproducibility-and-transparency-in-scientific-research. По состоянию на 9 января 2019 г.

103. 103.

     Perkel J (2019) TechBlog: C. Титус Браун: предсказание бумаги будущего. http://blogs.nature.com/naturejobs/2017/06/01/techblog-c-titus-brown-predicting-the-paper-of-the-future/. По состоянию на 9 января 2019 г.

104. 104.

     Software Carpentry (2019) Software Carpentry — обучение базовым лабораторным навыкам для исследовательских вычислений. https://software-carpentry.орг/. По состоянию на 9 января 2019 г.

105. 105.

     Data Carpentry (2019) Data Carpentry — создание сообществ, обучающих всеобщей грамотности в отношении данных. http://www.datacarpentry.org/. По состоянию на 9 января 2019 г.

106. 106.

     Бирни Э., Хадсон Т.Дж., Грин Э.Д., Гюнтер С., Эдди С., Роджерс Дж., Харрис Дж.Р., Эрлих С.Д., Апвайлер Р., Остин С.П., Берглунд Л., Бобров М., Бунтра С., Брукс AJ, Cambon-Thomsen A, Carter NP, Chisholm RL, Contreras JL, Cooke RM, Crosby WL, Dewar K, Durbin R, Dyke SO, Ecker JR, El Emam K, Feuk L, Gabriel SB, Gallacher J, Gelbart WM, Гранелл А., Гарнер Ф., Хаббард Т., Джексон С.А., Дженнингс Дж.Л., Джоли И., Джонс С.М., Кэй Дж., Кеннеди К.Л., Нопперс Б.М., Кирпидес Н.К., Лоуренс В.В., Луо Дж., Маккей Дж.Дж., Мартин-Ривера Л., Маккомби В.Р., Макферсон Д.Д., Миллер Л., Миллер В., Моэрман Д., Мозер В., Мортон К.С., Остелл Дж.М., Уэллетт Б.Ф., Паркхилл Дж., Райна П.С., Роулингс С., Шерер С.Е., Шерер С.В., Шофилд П.Н., Сенсен К.В., Стодден В.К., Суссман М.Р. , Танака Т., Торнтон Дж., Цунода Т., Валле Д., Вуорио Э.И., Уокер Н.М., Уоллес С., Вайнсток Г., Уитмен В.Б., Уорли К.С., Ву С, Ву Дж, Ю Дж (2009) Обмен данными перед публикацией.Природа 461 (7261): 168–170. https://doi.org/10.1038/461168a

     КАС Статья пабмед Google Scholar

107. 107.

     Гонсалес-Медина М., Навеха Дж. Дж., Санчес-Крус Н., Медина-Франко Дж. Л. (2017) Открытые хемоинформационные ресурсы для изучения структуры, свойств и химического пространства молекул. RSC Adv 7 (85): 54153–54163. https://doi.org/10.1039/C7RA11831G

     Артикул Google Scholar

108. 108.

     Hasegawa K, Funatsu K (2014) Обработка данных хемогеномики с использованием бимодальных методов PLS и химической интерпретации для молекулярного дизайна. Мол Информ 33(11–12):749–756. https://doi.org/10.1002/minf.201400061

     КАС Статья пабмед Google Scholar

109. 109.

     Мендес Д., Голтон А., Бенто А.П., Чемберс Дж., Де Вейх М., Феликс Э., Магаринос М.П., ​​Москера Дж.Ф., Мутово П., Новотка М., Гордильо-Мараньон М., Хантер Ф., Юнко Л., Мугумбейт Г. , Родригес-Лопес М., Аткинсон Ф., Боск Н., Раду С.Дж., Сегура-Кабрера А., Херси А., Лич А.Р. (2019) ChEMBL: к прямому депонированию данных биоанализа.Нуклеиновые кислоты Res 47 (D1): 930–940. https://doi.org/10.1093/nar/gky1075

     КАС Статья Google Scholar

110. 110.

     Kim S, Chen J, Cheng T, Gindulyte A, He J, He S, Li Q, Shoemaker BA, Thiessen PA, Yu B, Zaslavsky L, Zhang J, Bolton EE (2019) Обновление PubChem 2019 : улучшенный доступ к химическим данным. Нуклеиновые кислоты Рез. 47 (D1): 1102–1109. https://doi.org/10.1093/nar/gky1033

     Артикул Google Scholar

111. 111.

     Gilson MK, Liu T, Baitaluk M, Nicola G, Hwang L, Chong J (2016) BindingDB в 2015 г.: общедоступная база данных по медицинской химии, вычислительной химии и системной фармакологии. Нуклеиновые кислоты Рез. 44 (D1): 1045–53. https://doi.org/10.1093/nar/gkv1072

     КАС Статья Google Scholar

112. 112.

     Gilson MK (2019) BindingDB. https://www.bindingdb.org. По состоянию на 9 января 2019 г.

113. 113.

     Урсу О., Холмс Дж., Нокель Дж., Болога К.Г., Ян Дж.Дж., Матиас С.Л., Нельсон С.Дж., Опреа Т.И. (2017) DrugCentral: онлайн-сборник лекарств.Нуклеиновые кислоты Рез. 45 (D1): 932–939. https://doi.org/10.1093/nar/gkw993

     КАС Статья Google Scholar

114. 114.

     Лоу В., Нокс С., Джумбоу Ю., Джуисон Т., Го А.С., Лю Ю., Мациевски А., Арндт Д., Уилсон М., Невеу В., Танг А., Габриэль Г., Ли С., Адамджи С., Дам З.Т. , Han B, Zhou Y, Wishart DS (2014) DrugBank 4.0: новый взгляд на метаболизм лекарств. Nucleic Acids Res 42 (выпуск базы данных): 1091–1097. https://doi.org/10.1093/nar/gkt1068

     КАС Статья Google Scholar

115. 115.

     Wishart DS, Feunang YD, Guo AC, Lo EJ, Marcu A, Grant JR, Sajed T, Johnson D, Li C, Sayeeda Z, Assempur N, Iynkkaran I, Liu Y, Maciejewski A, Gale N, Wilson A, Chin L, Cummings R, Le D, Pon A, Knox C, Wilson M (2018) DrugBank 5.0: крупное обновление базы данных DrugBank за 2018 год. Nucleic Acids Res 46(D1):1074–1082. https://doi.org/10.1093/nar/gkx1037

     КАС Статья Google Scholar

116. 116.

     Mathias SL, Hines-Kay J, Yang JJ, Zahoransky-Kohalmi G, Bologa CG, Ursu O, Oprea TI (2013) База данных CARLSBAD: объединенная база данных химической биологической активности.База данных 2013:044. https://doi.org/10.1093/database/bat044

     КАС Статья Google Scholar

117. 117.

     Плачек С., Шомбург И., Чанг А., Йеске Л., Ульбрих М., Тиллак Дж., Шомбург Д. (2017) Бренда в 2017 году: новые перспективы и новые инструменты в бренде. Рез. нуклеиновых кислот 45(D1):380–388. https://doi.org/10.1093/nar/gkw952

     КАС Статья Google Scholar

118. 118.

     Сунь Дж., Желязкова Н., Чупакин В., Голиб-Дзиб Дж. Ф., Энгквист О., Карлссон Л., Вегнер Дж., Сеулеманс Х., Георгиев И., Желязков В., Кочев Н., Эшби Т. Дж., Чен Х. (2017) ExCAPE-DB: интегрированный крупномасштабный набор данных, облегчающий анализ больших данных в хемогеномике. Ж Хеминформ 9:17. https://doi.org/10.1186/s13321-017-0203-5

     КАС Статья пабмед ПабМед Центральный Google Scholar

119. 119.

     Гюнер О.Ф. (2002) История и эволюция концепции фармакофора в компьютерном дизайне лекарств.Curr Top Med Chem 2 (12): 1321–1332. https://doi.org/10.2174/15680260233

120. Артикул пабмед Google Scholar

121. 120.

     Patel Y, Gillet VJ, Bravi G, Leach AR (2002) Сравнение программ идентификации фармакофоров: катализатор, диско и вздох. J Comput Aided Mol Des 16 (8–9): 653–681. https://doi.org/10.1023/a:1021954728347

     КАС Статья пабмед Google Scholar

122. 121.

     Сливоски Г., Котивале С., Мейлер Дж., Лоу Э.В. (2014) Вычислительные методы в разработке лекарств. Pharmacol Rev 66 (1): 334–395. https://doi.org/10.1124/pr.112.007336

     КАС Статья пабмед ПабМед Центральный Google Scholar

123. 122.

     Колоссов Э., Лемон А. (2006) Инструменты медицинской химии: осмысление данных HTS. Eur J Med Chem 41(2):166–175. https://doi.org/10.1016/j.ejmech.2005.10.005

     КАС Статья пабмед Google Scholar

124. 123.

     Doke SK, Dhawale SC (2015) Альтернативы испытаниям на животных: обзор. Саудовская Фарм J 23 (3): 223–229. https://doi.org/10.1016/j.jsps.2013.11.002

     Артикул Google Scholar

125. 124.

     Кронин М.Т., Яворска Дж.С., Уокер Дж.Д., Комбер М.Х., Уоттс К.Д., Уорт А.П. (2003) Использование QSAR в международных системах принятия решений для прогнозирования воздействия химических веществ на здоровье. Environment Health Perspect 111(10):1391–1401. https://doi.org/10.1289/л.с.5760

     КАС Статья пабмед ПабМед Центральный Google Scholar

126. 125.

     Хофер Т., Гернер И., Гундерт-Реми У., Либш М., Шульте А., Шпильманн Х., Фогель Р., Веттиг К. (2004) Тестирование на животных и альтернативные подходы к оценке риска для здоровья человека в соответствии с предложенным новым Европейским регулирование химикатов. Arch Toxicol 78 (10): 549–564. https://doi.org/10.1007/s00204-004-0577-9

     КАС Статья пабмед Google Scholar

127. 126.

     Ashby J (1985) Основные структурные предупреждения о потенциальной канцерогенности или неканцерогенности. Environ Mutagen 7(6):919–921. https://doi.org/10.1002/em.2860070613

     КАС Статья пабмед Google Scholar

128. 127.

     Ashby J, Tennant RW (1991) Определенные взаимосвязи между химической структурой, канцерогенностью и мутагенностью для 301 химического вещества, протестированного НПТ США. Мутация Рез. 257(3):229–306. https://doi.org/10.1016/0165-1110(91)-э

     КАС Статья пабмед Google Scholar

129. 128.

     Девиллерс Дж., Момбелли Э., Самсера Р. (2011) Структурные предупреждения для оценки канцерогенности пестицидов и биоцидов. SAR QSAR Environ Res 22(1–2):89–106. https://doi.org/10.1080/1062936X.2010.548349

     КАС Статья пабмед Google Scholar

130. 129.

     Аптула А.О., Патлевич Г., Робертс Д.В. (2005) Кожная сенсибилизация: области механистической применимости реакции для отношений структура-активность.Chem Res Toxicol 18 (9): 1420–1426. https://doi.org/10.1021/tx050075m

     КАС Статья пабмед Google Scholar

131. 130.

     Робертс Д.В., Патлевич Г., Керн П.С., Герберик Ф., Кимбер И., Дирман Р.Дж., Райан К.А., Баскеттер Д.А., Аптула А.О. (2007)Классификация механистической области применимости набора данных анализа локальных лимфатических узлов для сенсибилизации кожи. Chem Res Toxicol 20 (7): 1019–1030. https://doi.org/10.1021/tx700024w

     КАС Статья пабмед Google Scholar

132. 131.

     Blake JF (2005) Идентификация и оценка молекулярных свойств, связанных с доклинической оптимизацией и клинической судьбой. Мед. хим. 1 (6): 649–655. https://doi.org/10.2174/157340605774598081

     КАС Статья пабмед Google Scholar

133. 132.

     Hann M, Hudson B, Lewell X, Lifely R, Miller L, Ramsden N (1999) Стратегическое объединение соединений для высокопроизводительного скрининга. J Chem Inform Comput Sci 39 (5): 897–902. https://дои.орг/10.1021/ci9

     o

     КАС Статья Google Scholar

134. 133.

     Pearce BC, Sofia MJ, Good AC, Drexler DM, Stock DA (2006) Эмпирический процесс проектирования высокопроизводительных решетчатых фильтров. J Chem Inform Model 46 (3): 1060–1068. https://doi.org/10.1021/ci050504m

     КАС Статья Google Scholar

135. 134.

     Алвес В., Муратов Э., Капуцци С., Полити Р., Лоу Ю., Брага Р., Захаров А.В., Седых А., Мокшина Э., Фараг С., Андраде Ч., Кузьмин В.Е., Фурчеш Д., Тропша А. ( 2016) Оповещения о структурных оповещениях.Зеленая химия 18 (16): 4348–4360. https://doi.org/10.1039/C6GC01492E

     КАС Статья пабмед ПабМед Центральный Google Scholar

136. 135.

     Labute P (2000) Широко применимый набор дескрипторов. J Mol Graph Model 18 (4–5): 464–477. https://doi.org/10.1016/s1093-3263(00)00068-1

     КАС Статья пабмед Google Scholar

137. 136.

     Nantasenamat C, Isarankura-Na-Ayudhya C, Naenna T, Prachayasittikul V (2009) Практический обзор количественной взаимосвязи структура-активность.ИСКЛ. 8:74–88. https://doi.org/10.17877/DE290R-690

     Артикул Google Scholar

138. 137.

     Nantasenamat C, Isarankura-Na-Ayudhya C, Prachayasittikul V (2010) Достижения в вычислительных методах для прогнозирования биологической активности соединений. Экспертное заключение по наркотикам Discov 5(7):633–654. https://doi.org/10.1517/17460441.2010.4

     КАС Статья пабмед Google Scholar

139. 138.

     Рэндич М. (2001) Новые дескрипторы формы для молекулярных графов. J Chem Inform Comput Sci 41 (3): 607–613. https://doi.org/10.1021/ci0001031

     КАС Статья Google Scholar

140. 139.

     Senese CL, Duca J, Pan D, Hopfinger AJ, Tseng YJ (2004) 4D-отпечатки пальцев, универсальные дескрипторы QSAR и QSPR. J Chem Inform Comput Sci 44 (5): 1526–1539. https://doi.org/10.1021/ci049898s

     КАС Статья Google Scholar

141. 140.

     Шумбуатонг В., Пратипати П., Овасирикул В., Ворачартчиван А., Симеон С., Анивонгчароен Н., Викберг Д.Е.С., Нантасенамат К. (2017) На пути к возрождению интерпретируемых моделей QSAR. В: Рой К. (редактор) Достижения в моделировании задач QSAR и достижения в вычислительной химии и физике, том 24. Спрингер, Чам, стр. 3–55. https://doi.org/10.1007/978-3-319-56850-8_1

     Глава Google Scholar

142. 141.

     Hawkins DM, Basak SC, Shi X (2001) QSAR с небольшим количеством соединений и множеством функций.J Chem Inform Comput Sci 41 (3): 663–670. https://doi.org/10.1021/ci0001177

     КАС Статья Google Scholar

143. 142.

     Rücker C, Rücker G, Meringer M (2007) Y-рандомизация и ее варианты в QSPR/QSAR. J Chem Inform Model 47(6):2345–2357. https://doi.org/10.1021/ci700157b

     КАС Статья Google Scholar

144. 143.

     Weaver S, Gleeson MP (2008) Важность области применимости в моделировании QSAR.J Mol Graph Model 26 (8): 1315–1326. https://doi.org/10.1016/j.jmgm.2008.01.002

     КАС Статья пабмед Google Scholar

145. 144.

     Gleeson MP, Modi S, Bender A, Robinson RLM, Kirchmair J, Promkatkaew M, Hannongbua S, Glen RC (2012) Проблемы, связанные с моделированием данных о токсичности in silico: обзор. Curr Pharm Des 18 (9): 1266–1291. https://doi.org/10.2174/138161212799436359

     КАС Статья пабмед Google Scholar

146. 145.

     Коновалов Д.А., Ллевеллин Л.Е., Вандер Хейден Ю., Куманс Д. (2008) Надежная перекрестная проверка моделей линейной регрессии QSAR. J Chem Inform Model 48 (10): 2081–2094. https://doi.org/10.1021/ci800209k

     КАС Статья Google Scholar

147. 146.

     Эклунд М., Нориндер У., Бойер С., Карлссон Л. (2012) Применение конформного прогнозирования в QSAR. IFIP Adv Inform Commun Technol 382:166–175. https://doi.org/10.1007/978-3-642-33412-2_17

     Артикул Google Scholar

148. 147.

     Боск Н., Аткинсон Ф., Феликс Э., Голтон А., Херси А., Лич А.Р. (2019) Крупномасштабное сравнение методов QSAR и конформного прогнозирования и их применения в разработке лекарств. Ж Хеминформ 11(1):4. https://doi.org/10.1186/s13321-018-0325-4

     Артикул пабмед ПабМед Центральный Google Scholar

149. 148.

     Gleeson MP, Montanari D (2012) Стратегии создания, проверки и применения моделей in silico ADMET для привлечения потенциальных клиентов и оптимизации.Exp Opin Drug Metab Toxicol 8 (11): 1435–1446. https://doi.org/10.1517/17425255.2012.711317

     КАС Статья Google Scholar

150. 149.

     Topliss JG, Edwards RP (1979) Факторы случайности в исследованиях количественных взаимосвязей структура-активность. J Med Chem 22(10):1238–1244. https://doi.org/10.1021/jm00196a017

     КАС Статья пабмед Google Scholar

151. 150.

     Ломбардо Ф., Гиффорд Э., Шалаева М.Ю. (2003) Прогнозирование ADME in silico: данные, модели, факты и мифы. Mini Rev Med Chem 3(8):861–875. https://doi.org/10.2174/1389557033487629

     КАС Статья пабмед Google Scholar

152. 151.

     Wood DJ, Buttar D, Cumming JG, Davis AM, Norinder U, Rodgers SL (2011) Автоматизированный QSAR с иерархией глобальных и локальных моделей. Мол Информ 30(11–12):960–972. https://doi.org/10.1002/minf.201100107

     КАС Статья пабмед Google Scholar

153. 152.

     Тетко И.В., Брюно П., Мьюз Х-В., Рорер Д.К., Пода Г.И. (2006) Можем ли мы оценить точность предсказаний adme-tox? Диск с наркотиками сегодня 11 (15–16): 700–707. https://doi.org/10.1016/j.drudis.2006.06.013

     КАС Статья Google Scholar

154. 153.

     37-е Совместное совещание Комитета по химическим веществам (2004 г.) Принципы ОЭСР для валидации (количественных) моделей взаимосвязи структура-активность в целях регулирования.https://www.oecd.org/chemicalsafety/risk-assessment/37849783.pdf. По состоянию на 9 января 2019 г.

155. 154.

     Judson PN, Barber C, Canipa SJ, Poignant G, Williams R (2015) Установление надлежащей практики компьютерного моделирования (gcmp) для прогнозирования химической токсичности. Мол Информ 34(5):276–283. https://doi.org/10.1002/minf.201400137

     КАС Статья пабмед Google Scholar

156. 155.

     Тропша А. (2010 г.) Передовой опыт разработки, проверки и эксплуатации модели QSAR.Мол Информ 29(6–7):476–488. https://doi.org/10.1002/minf.201000061

     КАС Статья пабмед Google Scholar

157. 156.

     Patel M, Chilton ML, Sartini A, Gibson L, Barber C, Covey-Crump L, Przybylak KR, Cronin MTD, Madden JC (2018) Оценка и воспроизводимость моделей количественной взаимосвязи структура-активность неэкспертом . J Chem Inform Model 58 (3): 673–682. https://doi.org/10.1021/acs.jcim.7b00523

     КАС Статья Google Scholar

158. 157.

     Арора П.К., Патил В.М., Гупта С.П. (2010) Исследование QSAR некоторых серий агентов против вируса гепатита В (ВГВ). Биоинформация 4(9):417–420. https://doi.org/10.6026/97320630004417

     Артикул Google Scholar

159. 158.

     Kurdekar V, Jadhav HR (2015) Новый сценарий Python для анализа данных с открытым исходным кодом для исследования QSAR и его проверки. Med Chem Res 24 (4): 1617–1625. https://doi.org/10.1007/s00044-014-1240-5

     КАС Статья Google Scholar

160. 159.

     Совместная исследовательская лаборатория структурной биоинформатики (2019 г.) Банк данных о белках (PDB). http://www.rcsb.org/pdb/. По состоянию на 9 января 2019 г.

161. 160.

     Fiser A, Sali A (2003) Разработчик моделей: создание и уточнение моделей структуры белков на основе гомологии. Методы Enzymol 374:461–491. https://doi.org/10.1016/S0076-6879(03)74020-8

     КАС Статья пабмед Google Scholar

162. 161.

     Ewing TJ, Makino S, Skillman AG, Kuntz ID (2001) Dock 4.0: стратегии поиска для автоматизированной молекулярной стыковки гибких баз данных молекул. J Comput Aided Mol Des 15 (5): 411–428. https://doi.org/10.1023/a:1011115820450

     КАС Статья пабмед Google Scholar

163. 162.

     Goodsell DS, Olson AJ (1990) Автоматическая стыковка субстратов с белками путем имитации отжига. Белки 8(3):195–202. https://doi.org/10.1002/prot.340080302

     КАС Статья пабмед Google Scholar

164. 163.

     Уоррен Г.Л., Эндрюс К.В., Капелли А.М., Кларк Б., ЛаЛонд Дж., Ламберт М.Х., Линдвалл М., Невинс Н., Семус С.Ф., Сенгер С., Тедеско Г., Уолл ID, Вулвен Дж.М., Пейшофф К.Э., Хед М.С. (2006) критический оценка программ стыковки и озвучивания функций. J Med Chem 49(20):5912–5931. https://doi.org/10.1021/jm050362n

     КАС Статья пабмед Google Scholar

165. 164.

     Kubinyi H (1997) QSAR и 3D QSAR в дизайне лекарств Часть 2: приложения и проблемы.Наркотики Discov Today 2: 538–546. https://doi.org/10.1016/S1359-6446(97)01084-2

     КАС Статья Google Scholar

166. 165.

     Kubinyi H (1997) QSAR и 3D QSAR в дизайне лекарств Часть 1: методология. Drug Discov Today 2 (11): 457–467. https://doi.org/10.1016/S1359-6446(97)01079-9

     КАС Статья Google Scholar

167. 166.

     Cramer RD, Wendt B (2007) Расширение границ 3D-QSAR.J Comput Aided Mol Des 21 (1–3): 23–32. https://doi.org/10.1007/s10822-006-9100-0

     КАС Статья пабмед Google Scholar

168. 167.

     Лич А.Р. (2001) Молекулярное моделирование: принципы и приложения, 2-е изд. Pearson Education, Харлоу

     Google Scholar

169. 168.

     Menikarachchi LC, Gascón JA (2010) Подходы QM/MM в исследованиях медицинской химии. Curr Top Med Chem 10 (1): 46–54.https://doi.org/10.2174/1568026107

     297

     КАС Статья пабмед Google Scholar

170. 169.

     Mulholland AJ (2007) Химическая точность в расчетах QM/MM для реакций, катализируемых ферментами. Химический центр J 1:19. https://doi.org/10.1186/1752-153X-1-19

     КАС Статья пабмед ПабМед Центральный Google Scholar

171. 170.

     Senn HM, Thiel W (2007) QM/MM исследования ферментов.Curr Opin Chem Biol 11(2):182–187. https://doi.org/10.1016/j.cbpa.2007.01.684

     КАС Статья пабмед Google Scholar

172. 171.

     Senn HM, Thiel W (2009) Методы QM/MM для биомолекулярных систем. Ангеванте Хеми 48 (7): 1198–1229. https://doi.org/10.1002/anie.200802019

     КАС Статья пабмед Google Scholar

173. 172.

     Уокер Р.С., Кроули М.Ф., Кейс Д.А. (2008) Реализация быстрого и точного метода потенциала КМ/ММ в янтаре.J Comput Chem 29(7):1019–1031. https://doi.org/10.1002/jcc.20857

     КАС Статья пабмед Google Scholar

174. 173.

     Butcher EC, Berg EL, Kunkel EJ (2004) Системная биология в разработке лекарств. Nat Biotechnol 22 (10): 1253–1259. https://doi.org/10.1038/nbt1017

     КАС Статья пабмед Google Scholar

175. 174.

     Pujol A, Mosca R, Farres J, Aloy P (2010) Раскрытие роли сетевой и системной биологии в открытии лекарств.Trends Pharmacol Sci 31(3):115–123. https://doi.org/10.1016/j.tips.2009.11.006

     КАС Статья пабмед Google Scholar

176. 175.

     Кейзер М.Дж., Сетола В., Ирвин Дж.Дж., Лаггнер С., Аббас А.И., Хуфайсен С.Дж., Дженсен Н.Х., Куиджер М.Б., Матос Р.К., Тран Т.Б., Уэйли Р., Гленнон Р.А., Херт Дж., Томас К.Л., Эдвардс Д.Д. , Shoichet BK, Roth BL (2009) Прогнозирование новых молекулярных мишеней для известных лекарств. Природа 462 (7270): 175–181. https://doi.org/10.1038/nature08506

     КАС Статья пабмед ПабМед Центральный Google Scholar

177. 176.

     Ye H, Wei J, Tang K, Feuers R, Hong H (2016) Репозиционирование лекарств с помощью сетевой фармакологии. Curr Top Med Chem 16 (30): 3646–3656. https://doi.org/10.2174/1568026616666160530181328

     КАС Статья пабмед Google Scholar

178. 177.

     Keizer MJ, Roth BL, Armbruster BN, Ernsberger P, Irwin JJ, Shoichet BK (2007) Связывание белковой фармакологии с химией лигандов. Nat Biotechnol 25 (2): 197–206. https://doi.org/10.1038/nbt1284

     КАС Статья пабмед Google Scholar

179. 178.

     Wu W, Zhang R, Salahub DR (2009) Нелфинавир: чудодейственное средство для уничтожения раковых клеток? Cancer Biol Ther 8 (3): 233–235. https://doi.org/10.4161/cbt.8.3.7789

     КАС Статья пабмед Google Scholar

180. 179.

     Дакшанамурти С., Исса Н.Т., Ассефния С., Сешасайи А., Питерс О.Дж., Мадхаван С., Урен А., Браун М.Л., Байерс С.В. (2012) Прогнозирование новых показаний для одобренных лекарств с использованием протеохемометрического метода. J Med Chem 55(15):6832–6848.https://doi.org/10.1021/jm300576q

     КАС Статья пабмед ПабМед Центральный Google Scholar

181. 180.

     Шадуанграт Н., Анувонгчароен Н., Фанус-умпорн С., Сриваничпум Н., Викберг Д.Е.С., Нантасенамат С. (2019) Глава 10. Протеохемометрическое моделирование для репозиционирования лекарств. В: Рой К. (редактор) In Silico Drug Design. Academic Press, Лондон, стр. 281–302. https://doi.org/10.1016/B978-0-12-816125-8.00010-9

     Глава Google Scholar

182. 181.

     Waltemath D, Wolkenhauer O (2016) Как стандарты моделирования, программное обеспечение и инициативы поддерживают воспроизводимость в системной биологии и системной медицине. IEEE Trans Biomed Eng 63 (10): 1999–2006. https://doi.org/10.1109/TBME.2016.2555481

     Артикул пабмед Google Scholar

183. 182.

     Medley JK, Goldberg AP, Karr JR (2016) Руководство по воспроизводимому построению и моделированию моделей системной биологии. IEEE Trans Biomed Eng 63 (10): 2015–2020.https://doi.org/10.1109/TBME.2016.25

184. Артикул пабмед ПабМед Центральный Google Scholar

185. 183.

     Waltemath D, Henkel R, Winter F, Wolkenhauer O (2013) Воспроизводимость результатов на основе моделей в системной биологии. В: Прокоп А., Чукаш Б. (ред.) Syst Biol. Спрингер, Дордрехт, стр. 301–320. https://doi.org/10.1007/978-94-007-6803-1_10

     Глава Google Scholar

186. 184.

     Ле Новер Н., Борнстейн Б., Бройшер А., Курто М., Донизелли М., Дхарури Х., Ли Л., Сауро Х., Шилстра М., Шапиро Б., Сноп Дж.Л., Хука М. (2006) База данных BioModels: бесплатная централизованная база данных курируемых , опубликованы количественные кинетические модели биохимических и клеточных систем. Рез. нуклеиновых кислот 34:689–691. https://doi.org/10.1093/nar/gkj092

     КАС Статья Google Scholar

187. 185.

     Кируак Д.К., Чикали Б., Шмидт С. (2019) Воспроизводимость моделей количественной системной фармакологии: текущие проблемы и будущие возможности.CPT Pharmacometrics Syst Pharmacol 8(4):205–210. https://doi.org/10.1002/psp4.12390

     КАС Статья пабмед ПабМед Центральный Google Scholar

188. 186.

     Ватанабе Л., Бархак Дж., Майерс С. (2019) На пути к воспроизводимым моделям заболеваний с использованием языка разметки системной биологии. Моделирование 95 (10): 895–930. https://doi.org/10.1177/0037549718793214

     Артикул Google Scholar

189. 187.

     Хука М., Финни А., Сауро Х.М., Болури Х., Дойл Дж. К., Китано Х., Аркин А. П., Борнштейн Б. Дж., Брей Д., Корниш-Боуден А., Куэльяр А. А., Дронов С., Жиль Э. Д., Гинкель М., Гор В., Горянин И. И. , Хедли В.Дж., Ходжман Т.К., Хофмейр Д.Х., Хантер П.Дж., Джути Н.С., Касбергер Д.Л., Кремлинг А., Куммер У., Ле Новер Н., Лоу Л.М., Лусио Д., Мендес П., Минч Э., Мьолснесс Э.Д., Накаяма Ю., Нельсон М.Р., Нильсен П.Ф., Сакурада Т., Шафф Дж.К., Шапиро Б.Е., Симидзу Т.С., Спенс Х.Д., Стеллинг Дж., Такахаши К., Томита М., Вагнер Дж., Ван Дж. (2003) Язык разметки системной биологии (SBML): среда для представления и обмена моделей биохимических сетей.Биоинформатика 19 (4): 524–531. https://doi.org/10.1093/биоинформатика/btg015

     КАС Статья пабмед Google Scholar

190. 188.

     Сват М.Дж., Муди С., Вималаратне С.М., Кристенсен Н.Р., Лавьель М., Мари А., Магни П., Смит М.К., Биззотто Р., Пасотти Л., Меццалана Э., Кометс Э., Сарр С., Терранова Н., Блодез Э. , Чан П., Чард Дж., Шатель К., Шенель М., Эдвардс Д., Франклин С., Джорджино Т., Глонт М., Жирар П., Гренон П., Харлинг К., Хукер А.С., Кей Р., Кейзер Р., Клофт С., Кок Д.Н., Кокаш N, Laibe C, Laveille C, Lestini G, Mentre F, Munafo A, Nordgren R, Nyberg HB, Parra-Guillen ZP, Plan E, Ribba B, Smith G, Troconiz IF, Yvon F, Milligan PA, Harnisch L, Karlsson M, Hermjakob H, Le Novere N (2015) Язык разметки фармакометрии (PharmML): открытие новых перспектив для обмена моделями при разработке лекарств.CPT Pharmacometrics Syst Pharmacol 4(6):316–319. https://doi.org/10.1002/psp4.57

     КАС Статья пабмед ПабМед Центральный Google Scholar

191. 189.

     Barhak J (2019) MIST: инструмент микромоделирования для поддержки моделирования заболеваний. https://github.com/scipy-conference/scipy2013_talks/tree/master/talks/jacob_barhak. По состоянию на 1 ноября 2019 г.

192. 190.

     Hedley WJ, Nelson MR, Bullivant DP, Nielsen PF (2001) Краткое введение в cellML.Philos Trans R Soc A 359 (1783): 1073–1089. https://doi.org/10.1098/rsta.2001.0817

     Артикул Google Scholar

193. 191.

     Medley JK, Choi K, Konig M, Smith L, Gu S, Hellerstein J, Sealfon SC, Sauro HM (2018) Блокноты Tellurium — среда для воспроизводимого динамического моделирования в системной биологии. PLoS Comput Biol 14(6):1006220. https://doi.org/10.1371/journal.pcbi.1006220

     КАС Статья Google Scholar

194. 192.

     Чой К., Медли Дж. К., Кониг М., Стокинг К., Смит Л., Гу С., Сауро Х.М. (2018) Теллурий: расширяемая среда моделирования на основе Python для систем и синтетической биологии. Биосистемы 171: 74–79. https://doi.org/10.1016/j.biosystems.2018.07.006

     КАС Статья пабмед ПабМед Центральный Google Scholar

195. 193.

     Колпаков Ф., Акбердин И., Кашапов Т., Киселев Л., Колмыков С., Кондрахин Ю., Кутумова Е., Мандрик Н., Пинтус С., Рябова А., Шарипов Р., Евшин И., Кель А. (2019) BioUML: an интегрированная среда для системной биологии и совместного анализа биомедицинских данных.Нуклеиновые кислоты Рез. 47(W1):225–233. https://doi.org/10.1093/nar/gkz440

     Артикул Google Scholar

196. 194.

     Drawert B, Trogdon M, Toor S, Petzold L, Hellander A (2016) MOLNs: облачная платформа для интерактивных, воспроизводимых и масштабируемых пространственных стохастических вычислительных экспериментов в системной биологии с использованием PyURDME. SIAM J Sci Comput 38 (3): 179–202. https://doi.org/10.1137/15M1014784

     Артикул Google Scholar

197. 195.

     Шадт Э.Э., Линдерман М.Д., Соренсон Дж., Ли Л., Нолан Г.П. (2010) Вычислительные решения для крупномасштабного управления данными и их анализа. Nat Rev Genet 11 (9): 647–657. https://doi.org/10.1038/nrg2857

     КАС Статья пабмед ПабМед Центральный Google Scholar

198. 196.

     Noble WS (2009) Краткое руководство по организации проектов по вычислительной биологии. PLoS Comput Biol 5(7):1000424. https://doi.org/10.1371/journal.pcbi.1000424

     КАС Статья Google Scholar

199. 197.

     Хассан М., Браун Р.Д., ВармаО’Брайен С., Роджерс Д. (2006) Хеминформатический анализ и обучение в среде конвейерной обработки данных. Мол Дайверс 10 (3): 283–299. https://doi.org/10.1007/s11030-006-9041-5

     КАС Статья пабмед Google Scholar

200. 198.

     Бертольд М.Р., Цеброн Н., Дилл Ф., Габриэль Т.Р., Кёттер Т., Майнл Т., Ол П., Тиль К., Висведель Б. (2009) KNIME — майнер информации Konstanz. Информационный бюллетень ACM SIGKDD 11 (1): 26.https://doi.org/10.1145/1656274.1656280

     Артикул Google Scholar

201. 199.

     Cox R, Green DVS, Luscombe CN, Malcolm N, Pickett SD (2013) Рабочее место QSAR: автоматизация моделирования QSAR для управления составным проектированием. J Comput Aided Mol Des 27 (4): 321–336. https://doi.org/10.1007/s10822-013-9648-4

     КАС Статья пабмед ПабМед Центральный Google Scholar

202. 200.

     Steinmetz FP, Mellor CL, Meinl T, Cronin MTD (2015) Скрининг химических веществ на опосредованные рецептором токсикологические и фармакологические конечные точки: использование общедоступных данных для создания инструментов скрининга в рамках рабочего процесса KNIME. Мол Информ 34(2–3):171–178. https://doi.org/10.1002/minf.201400188

     КАС Статья пабмед Google Scholar

203. 201.

     Никола Г., Бертольд М.Р., Хедрик М.П., ​​Гилсон М.К. (2015) Соединение белков с лекарственными соединениями: рабочие процессы поиска лекарств с открытым исходным кодом с помощью BindingDB и KNIME.База данных. https://doi.org/10.1093/database/bav087

     Артикул пабмед ПабМед Центральный Google Scholar

204. 202.

     Mazanetz MP, Marmon RJ, Reisser CBT, Morao I (2012) Приложения для поиска лекарств для knime: платформа интеллектуального анализа данных с открытым исходным кодом. Curr Top Med Chem 12 (18): 1965–1979. https://doi.org/10.2174/156802612804

     1

     КАС Статья пабмед Google Scholar

205. 203.

     Kuhn T, Willighagen EL, Zielesny A, Steinbeck C (2010) Cdk-taverna: открытая среда рабочего процесса для хемоинформатики. БМК Биоинформ 11:159. https://doi.org/10.1186/1471-2105-11-159

     КАС Статья Google Scholar

206. 204.

     Steinbeck C, Han Y, Kuhn S, Horlacher O, Luttmann E, Willighagen E (2003) The Chemistry Development Kit (CDK): Java-библиотека с открытым исходным кодом для химио- и биоинформатики. J Chem Inform Comput Sci 43 (2): 493–500.https://doi.org/10.1021/ci025584y

     КАС Статья Google Scholar

207. 205.

     Виллигхаген Э.Л., Мэйфилд Дж.В., Альварссон Дж., Берг А., Карлссон Л., Желязкова Н., Кун С., Плюскал Т., Рохас-Черто М., Спьют О., Торранс Г., Эвело К.Т., Гуха Р., Стейнбек К. ( 2017) The Chemistry Development Kit (CDK) v2.0: типирование атомов, изображение, молекулярные формулы и поиск субструктуры. Ж Хеминформ 9:33. https://doi.org/10.1186/s13321-017-0220-4

     КАС Статья пабмед ПабМед Центральный Google Scholar

208. 206.

     Лукас X, Грюнинг Б.А., Гюнтер С. (2014) ChemicalToolBoX и его применение для изучения лекарственного и доступного пространства. Ж Хеминформ 6 (Приложение 1): 51. https://doi.org/10.1186/1758-2946-6-S1-P51

     Артикул Google Scholar

209. 207.

     Di Tommaso P, Chatzou M, Floden EW, Barja PP, Palumbo E, Notredame C (2017) Nextflow обеспечивает воспроизводимые вычислительные рабочие процессы. Nat Biotechnol 35 (4): 316–319. https://doi.org/10.1038/nbt.3820

     КАС Статья пабмед Google Scholar

210. 208.

     Кестер Дж., Рахманн С. (2012) Snakemake — масштабируемый механизм рабочего процесса в области биоинформатики. Биоинформатика 28 (19): 2520–2522. https://doi.org/10.1093/биоинформатика/bts480

     КАС Статья пабмед Google Scholar

211. 209.

     Goodstadt L (2010) Ruffus: легкая библиотека Python для вычислительных конвейеров.Биоинформатика 26 (21): 2778–2779. https://doi.org/10.1093/биоинформатика/btq524

     КАС Статья пабмед Google Scholar

212. 210.

     Садедин С.П., Поуп Б., Ошлак А. (2012) Bpipe: инструмент для запуска и управления конвейерами биоинформатики. Биоинформатика 28 (11): 1525–1526. https://doi.org/10.1093/биоинформатика/bts167

     КАС Статья пабмед Google Scholar

213. 211.

     Brandt J, Reisig W, Leser ULF (2017) Вычислительная семантика клинописного языка функционального научного рабочего процесса. J Функциональная программа. https://doi.org/10.1017/S0956796817000119

     Артикул Google Scholar

214. 212.

     Бернхардссон Э., Фрейдер Э., Рухани А. (2012) Репозиторий Luigi GitHub. https://github.com/spotify/луиджи

215. 213.

     Уилсон Г., Арулия Д.А., Браун К.Т., Чу Хонг Н.П., Дэвис М., Гай Р.Т., Хэддок С.Х., Хафф К.Д., Митчелл И.М., Пламбли М.Д., Во Б., Уайт Э.П., Уилсон П. (2014) Лучшие практики для научных вычислений.PLoS Биол 12(1):1001745. https://doi.org/10.1371/journal.pbio.1001745

     Артикул Google Scholar

216. 214.

     Тащук М., Уилсон Г. (2017) Десять простых правил для повышения надежности исследовательского программного обеспечения. PLoS Comput Biol 13(4):1005412. https://doi.org/10.1371/journal.pcbi.1005412

     КАС Статья Google Scholar

217. 215.

     Новотка М.М., Голтон А., Мендес Д., Бенто А.П., Херси А., Лич А. (2017) Использование веб-сервисов ChEMBL для создания приложений и рабочих процессов обработки данных, связанных с открытием лекарств.Exp Opin Drug Discov 12 (8): 757–767. https://doi.org/10.1080/17460441.2017.1339032

     Артикул Google Scholar

218. 216.

     Alvarsson J, Lampa S, Schaal W, Andersson C, Wikberg JES, Spjuth O (2016) Крупномасштабное прогностическое моделирование на основе лигандов с использованием машин опорных векторов. Дж Хеминформ 8:39. https://doi.org/10.1186/s13321-016-0151-5

     Артикул пабмед ПабМед Центральный Google Scholar

219. 217.

     Лампа С., Альварссон Дж., Спьют О. (2016) На пути к гибкому крупномасштабному прогностическому моделированию при поиске лекарств с использованием принципов проектирования на основе потокового программирования. Дж Хеминформ 8:67. https://doi.org/10.1186/s13321-016-0179-6

     Артикул пабмед ПабМед Центральный Google Scholar

220. 218.

     Yoo AB, Jette MA, Grondona M (2003) SLURM: простая утилита Linux для управления ресурсами. В: Feitelson D, Rudolph L, Schwiegelshohn U (eds) Стратегии планирования заданий для параллельной обработки.Конспект лекций по информатике, том 2862. Springer, Берлин, стр. 44–60

     Глава. Google Scholar

221. 219.

     Амштутц П., Крузо М.Р., Тиянич Н., Чепмен Б., Чилтон Дж., Хойер М., Карташов А., Лир Д., Менагер Х., Неделькович М., Скейлс М., Сойланд-Рейес С., Стоянович Л. (2019) Общий Язык рабочего процесса, версия 1.0. https://doi.org/10.6084/m9.figshare.3115156.v2. По состоянию на 9 января 2019 г.

222. 220.

     Чепмен Б., Джентри Дж., Лин М., Маги П., О’Коннор Б., Прабхакаран А., Ван дер Ауэра Г. (2019) OpenWDL.http://www.openwdl.org/. По состоянию на 9 января 2019 г.

223. 221.

     Дэви П. (2010 г.) Облачные вычисления: открытие новых лекарств меняет правила игры? Иннов Фарм Технол 33:34–36

     Google Scholar

224. 222.

     Dudley JT, Butte AJ (2010) In silico Исследования в эпоху облачных вычислений. Nat Biotechnol 28(11):1181–1185. https://doi.org/10.1038/nbt1110-1181

     КАС Статья пабмед ПабМед Центральный Google Scholar

225. 223.

     Гарг В., Арора С., Гупта С. (2011) Подходы к облачным вычислениям для ускорения цепочки создания стоимости открытия лекарств. Экран высокой пропускной способности Comb Chem 14 (10): 861–871. https://doi.org/10.2174/138620711797537085

     КАС Статья пабмед Google Scholar

226. 224.

     Moghadam BT, Alvarsson J, Holm M, Eklund M, Carlsson L, Spjuth O (2015) Масштабирование прогностического моделирования при разработке лекарств с помощью облачных вычислений. J Chem Inform Model 55 (1): 19–25.https://doi.org/10.1021/ci500580y

     КАС Статья Google Scholar

227. 225.

     Hurley DG, Budden DM, Crampin EJ (2015) Виртуальные эталонные среды: простой способ сделать исследования воспроизводимыми. Краткий биоинформ 16 (5): 901–903. https://doi.org/10.1093/bib/bbu043

     Артикул пабмед Google Scholar

228. 226.

     Piccolo SR, Frampton MB (2016) Инструменты и методы вычислительной воспроизводимости.ГигаНаука 5(1):30. https://doi.org/10.1186/s13742-016-0135-4

     Артикул пабмед ПабМед Центральный Google Scholar

229. 227.

     Jaghoori MM, Bleijlevens B, Olabarriaga SD (2016) 1001 способ запустить AutoDock Vina для виртуального скрининга. J Comput Aided Mol Des 30 (3): 237–249. https://doi.org/10.1007/s10822-016-9900-9

     КАС Статья пабмед ПабМед Центральный Google Scholar

230. 228.

     McGuire R, Verhoeven S, Vass M, Vriend G, de Esch IJ, Lusher SJ, Leurs R, Ridder L, Kooistra AJ, Ritschel T, de Graaf C (2017) 3D-e-Chem-VM: исследовательская инфраструктура структурной хемоинформатики в свободно доступной виртуальной машине. J Chem Inf Model 57 (2): 115–121. https://doi.org/10.1021/acs.jcim.6b00686

     КАС Статья пабмед ПабМед Центральный Google Scholar

231. 229.

     Алвим-Гастон М., Грезе Т., Махоуи А., Палковиц А.Д., Пинейро-Нунес М., Уотсон И. (2014) Открытие инновационных лекарств (OIDD): потенциальный путь к новому терапевтическому химическому пространству.Curr Top Med Chem 14 (3): 294–303. https://doi.org/10.2174/1568026613666131127125858

     КАС Статья пабмед Google Scholar

232. 230.

     Очоа Р., Дэвис М., Пападатос Г., Аткинсон Ф., Оверингтон Дж. П. (2014) myChEMBL: реализация открытых данных и инструментов хемоинформатики на виртуальной машине. Биоинформатика 30 (2): 298–300. https://doi.org/10.1093/bioinformatics/btt666

     КАС Статья пабмед Google Scholar

233. 231.

     Ellingson SR, Baudry J (2011) Высокопроизводительная виртуальная молекулярная стыковка: реализация AutoDock4 в Hadoop в частном облаке. В: Труды второго международного семинара по новым вычислительным методам для наук о жизни — ECMLS’11. ACM Press, Нью-Йорк, стр. 33–38. https://doi.org/10.1145/1996023.1996028

234. 232.

     Capuccini M, Ahmed L, Schaal W, Laure E, Spjuth O (2017) Крупномасштабный виртуальный скрининг общедоступных облачных ресурсов с помощью apache spark. Ж Хеминформ 9:15.https://doi.org/10.1186/s13321-017-0204-4

     Артикул пабмед ПабМед Центральный Google Scholar

235. 233.

     Георгиева П., Лапинс М., Спьют О., Викберг Дж. (2019) Фармацевтическая биоинформатика: бесплатный интернет-курс для иностранных и шведских студентов, предлагаемый Упсальским университетом. http://www.pharmbio.org/. По состоянию на 1 ноября 2019 г.

236. 234.

     Дахло М., Хазиза Ф., Каллио А., Корпелайнен Э., Бонкам-Рудлофф Э., Спьют О. (2015) BioImg.org: каталог образов виртуальных машин для наук о жизни. Bioinform Biol Insights 9: 125–128. https://doi.org/10.4137/BBI.S28636

     Артикул пабмед ПабМед Центральный Google Scholar

237. 235.

     Cito J, Gall HC (2016) Использование док-контейнеров для улучшения воспроизводимости исследований в области разработки программного обеспечения. В: Материалы 38-й международной конференции по компаньону по разработке программного обеспечения — ICSE ’16. ACM Press, Нью-Йорк, стр. 906–907

238. 236.

     Silver A (2017) Упрощенное программное обеспечение. Природа 546 (7656): 173–174. https://doi.org/10.1038/546173a

     КАС Статья пабмед Google Scholar

239. 237.

     Курцер Г.М., Сохат В., Бауэр М.В. (2017) Сингулярность: научные контейнеры для мобильности вычислений. ПЛОС ОДИН 12(5):0177459. https://doi.org/10.1371/journal.pone.0177459

     КАС Статья Google Scholar

240. 238.

     Гомес Дж., Кампос И., Баньяски Э., Дэвид М., Алвес Л., Мартинс Дж., Пина Дж., Лопес-Гарсия А., Орвиз П. (2017) Включение контейнеров Linux без рута в многопользовательских средах: инструмент udocker . Comput Phys Commun 232: 84–97. https://doi.org/10.1016/j.cpc.2018.05.021

     КАС Статья Google Scholar

241. 239.

     Warr WA (2012) Системы научного рабочего процесса: пилот трубопровода и нож. J Comput Aided Mol Des 26 (7): 801–804.https://doi.org/10.1007/s10822-012-9577-7

     КАС Статья пабмед ПабМед Центральный Google Scholar

242. 240.

     Сухартанто Х., Пасарибу А.П., Сиддик М.Ф., Фадхила М.И., Хилман М.Х., Януар А. (2017) Предварительное исследование перехода с виртуальной машины на док-контейнер для обнаружения лекарств insilico в облаке. Int J Technol 8(4):611. https://doi.org/10.14716/ijtech.v8i4.9478

     Артикул Google Scholar

243. 241.

     Fong J (2019) Как GlaxoSmithKline ускоряет науку с помощью Docker Enterprise Edition. https://blog.docker.com/2017/10/how-gsk-is-accelerating-science-with-dockeree/. По состоянию на 9 января 2019 г.

244. 242.

     Altae-Tran H, Ramsundar B, Pappu AS, Pande V (2017) Открытие лекарств с низким объемом данных с однократным обучением. ACS Cent Sci 3 (4): 283–293. https://doi.org/10.1021/acscentsci.6b00367

     КАС Статья пабмед ПабМед Центральный Google Scholar

245. 243.

     OpenRiskNet (2019 г.) Открытая электронная инфраструктура для поддержки обмена данными, интеграции знаний, а также анализа и моделирования in silico в прогностической токсикологии и оценке рисков. http://www.openrisknet.org/. По состоянию на 9 января 2019 г.

246. 244.

     Белманн П., Дроге Дж., Бремгес А., Макхарди А.С., Щирба А., Бартон М.Д. (2015) Биобоксы: стандартизированные контейнеры для взаимозаменяемого программного обеспечения для биоинформатики. ГигаНаука 4:47. https://doi.org/10.1186/s13742-015-0087-0

     Артикул пабмед ПабМед Центральный Google Scholar

247. 245.

     Li W, Kanso A (2015) Сравнение контейнеров и виртуальных машин для достижения высокой доступности. Опубликовано: Международная конференция IEEE по облачной инженерии, 2015 г. IEEE, Нью-Джерси, стр. 353–358. https://doi.org/10.1109/IC2E.2015.79

248. 246.

     Spjuth O, Willighagen EL, Guha R, Eklund M, Wikberg JE (2010) На пути к интероперабельным и воспроизводимым анализам QSAR: обмен наборами данных. Ж Хеминформ 2(1):5. https://doi.org/10.1186/1758-2946-2-5

     КАС Статья пабмед ПабМед Центральный Google Scholar

249. 247.

     Руусманн В., Силд С., Маран У. (2014) Банк данных QSAR — подход к цифровой организации и архивированию информации о модели QSAR. Ж Хеминформ 6:25. https://doi.org/10.1186/1758-2946-6-25

     КАС Статья пабмед ПабМед Центральный Google Scholar

250. 248.

     Ruusmann V, Sild S, Maran U (2015) Репозиторий банка данных QSAR: открытые и связанные качественные и количественные модели взаимосвязи структура-активность. Ж Хеминформ 7(1):32.https://doi.org/10.1186/s13321-015-0082-6

     КАС Статья пабмед ПабМед Центральный Google Scholar

251. 249.

     Объединенный исследовательский центр, Служба науки и знаний Европейской комиссии (2019 г.) (Q) База данных SAR Model Reporting Format. https://qsardb.jrc.ec.europa.eu/qmrf/. По состоянию на 1 ноября 2019 г.

252. 250.

     Гастингс Дж., Желязкова Н., Оуэн Г., Цилики Г., Мунтяну К.Р., Стейнбек С., Уиллигхаген Э. (2015) eNanoMapper: использование онтологий для обеспечения интеграции данных для оценки рисков, связанных с наноматериалами.J Biomed Demant 6(1):10

     Артикул Google Scholar

253. 251.

     Guazzelli A, Zeller M, Lin WC, Williams G et al (2009) PMML: открытый стандарт для обмена моделями. R J 1(1):60–65

     Статья Google Scholar

254. 252.

     Center for Computational Science Research, Inc. (2019) Data Mining Group. http://dmg.org/. По состоянию на 1 ноября 2019 г.

255. 253.

     Fillbrunn A (2019) Интеграция PMML в KNIME.https://www.knime.com/blog/pmml-integration-in-knime/. По состоянию на 1 ноября 2019 г.

256. 254.

     Участники проекта ONNX (2019 г.) Формат обмена открытыми нейронными сетями: открытая экосистема для взаимозаменяемых моделей ИИ. https://onnx.ai/. По состоянию на 1 ноября 2019 г.

257. 255.

     Stålring JC, Carlsson LA, Almeida P, Boyer S (2011) AZOrange — высокопроизводительное машинное обучение с открытым исходным кодом для моделирования QSAR в графической среде программирования. Дж Хеминформ 3:28. https://doi.org/10.1186/1758-2946-3-28

     КАС Статья пабмед ПабМед Центральный Google Scholar

258. 256.

     Диксон С.Л., Дуан Дж., Смит Э., Фон Барген К.Д., Шерман В., Репаски М.П. (2016) AutoQSAR: автоматизированный инструмент машинного обучения для передового количественного моделирования взаимосвязей структура-активность. Fut Med Chem 8 (15): 1825–1839. https://doi.org/10.4155/fmc-2016-0093

     КАС Статья Google Scholar

259. 257.

     Nantasenamat C, Worachartcheewan A, Jamsak S, Preeyanon L, Shoombuatong W, Simeon S, Mandi P, Isarankura-Na-Ayudhya C, Prachayasittikul V (2015) AutoWeka: к программному обеспечению для автоматизированного сбора данных для QSAR и исследования QSPR.Методы Мол Биол 1260:119–147. https://doi.org/10.1007/978-1-4939-2239-0_8

     КАС Статья пабмед Google Scholar

260. 258.

     Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH (2009) Программное обеспечение для интеллектуального анализа данных weka. Информационный бюллетень ACM SIGKDD 11 (1): 10. https://doi.org/10.1145/1656274.1656278

     Артикул Google Scholar

261. 259.

     Каусар С., Фалькао А.О. (2018) Автоматизированная среда для построения модели QSAR.Ж Хеминформ 10(1):1. https://doi.org/10.1186/s13321-017-0256-5

     Артикул пабмед ПабМед Центральный Google Scholar

262. 260.

     Dong J, Yao ZJ, Zhu MF, Wang NN, Lu B, Chen AF, Lu AP, Miao H, Zeng WB, Cao DS (2017) ChemSAR: онлайн-платформа конвейерной обработки для молекулярного моделирования SAR. Ж Хеминформ 9(1):27. https://doi.org/10.1186/s13321-017-0215-1

     Артикул пабмед ПабМед Центральный Google Scholar

263. 261.

     Tsiliki G, Munteanu CR, Seoane JA, Fernandez-Lozano C, Sarimveis H, Willighagen EL (2015) Rregrs: пакет r для автоматизированного выбора модели с моделями множественной регрессии. Ж Хеминформ 7:46. https://doi.org/10.1186/s13321-015-0094-2

     КАС Статья пабмед ПабМед Центральный Google Scholar

264. 262.

     Мюррелл Д.С., Кортес-Чириано И., ван Вестен Г.Дж.П., Стотт И.П., Бендер А., Маллиавин Т.Е., Глен Р.К. (2015) Химически осведомленный конструктор моделей (camb): пакет r для моделирования свойств и биологической активности малых молекулы.Ж Хеминформ 7:45. https://doi.org/10.1186/s13321-015-0086-2

     КАС Статья пабмед ПабМед Центральный Google Scholar

265. 263.

     Shamsara J (2017) Ezqsar: пакет R для разработки моделей QSAR непосредственно из структур. Open Med Chem J 11:212–221. https://doi.org/10.2174/1874104501711010212

     КАС Статья пабмед ПабМед Центральный Google Scholar

266. 264.

     Nantasenamat C (2020) Передовой опыт построения воспроизводимых моделей QSAR. В: Рой К. (ред.) Экотоксикологические QSAR. Humana Press, Нью-Джерси

     Google Scholar

267. 265.

     Правило A, Birmingham A, Zuniga C, Altintas I, Huang SC, Knight R, Moshiri N, Nguyen MH, Rosenthal SB, Pérez F, Rose PW (2019) Десять простых правил для написания и обмена результатами вычислительного анализа в блокнотах юпитера. PLoS Comput Biol 15(7):1007007

     Статья Google Scholar

268. 266.

     Landrum G (2019) Руководства по RDKit. Доступно онлайн: https://github.com/greglandrum/. По состоянию на 1 ноября 2019 г.

269. 267.

     RDKit (2019) RDKit: химико-информатическое программное обеспечение с открытым исходным кодом. https://www.rdkit.org/. По состоянию на 1 ноября 2019 г.

270. 268.

     RDKit GitHub (2019) RDKit. https://github.com/rdkit/rdkit-tutorials/. По состоянию на 1 ноября 2019 г.

271. 269.

     OpenEye Scientific Software, Inc (2019) OpenEye Python Cookbook. https://docs.eyesopen.com/toolkits/cookbook/python/.По состоянию на 1 ноября 2019 г.

272. 270.

     Informatics Matters Ltd (2019) Squonk Computational Notebook. https://squonk.it/. По состоянию на 1 ноября 2019 г.

273. 271.

     CDK (2019) Chemistry Development Kit: модульные библиотеки Java с открытым исходным кодом для химико-информатики. https://cdk.github.io/. По состоянию на 1 ноября 2019 г.

274. 272.

     Jansen JM, Cornell W, Tseng YJ, Amaro RE (2012) Teach-Discover-Treat (TDT): совместное компьютерное открытие лекарств от забытых болезней. J Mol Graph Model 38: 360–362.https://doi.org/10.1016/j.jmgm.2012.07.007

     КАС Статья пабмед ПабМед Центральный Google Scholar

275. 273.

     Риникер С., Ландрум Г.А., Монтанари Ф., Вильяльба С.Д., Майер Дж., Янсен Дж.М., Уолтерс В.П., Шелат А.А. (2017) Учебные пособия по рабочему процессу виртуального скрининга и предполагаемые результаты конкурса Teach-Discover-Treat 2014 против малярия. F1000 Рез. 6:1136. https://doi.org/10.12688/f1000research.11905.2

     Артикул Google Scholar

276. 274.

     Riniker S, Landrum GA, Montanari F, Villalba SD, Maier J, Jansen, JM, Walters WP, Shelat AA (2019) Учебное пособие для конкурса Teach-Discover-Treat (TDT) 2014-Challenge 1: обнаружение поражений малярией с использованием прогностических моделей, усиленных слиянием классификаторов. https://github.com/sriniker/TDT-tutorial-2014/. По состоянию на 1 ноября 2019 г.

277. 275.

     Сидоу Д., Моргер А., Дриллер М., Волкамер А. (2019) TeachOpenCADD: учебная платформа для автоматизированного проектирования лекарств с использованием пакетов и данных с открытым исходным кодом.Ж Хеминформ 11:29. https://doi.org/10.1186/s13321-019-0351-x

     Артикул пабмед ПабМед Центральный Google Scholar

278. 276.

     Клюйвер Т., Раган-Келли Б., Перес Ф., Грейнджер Б., Бюссонье М., Фредерик Дж., Келли К., Хамрик Дж., Гроут Дж., Корлей С., Иванов П., Авила Д., Абдалла С., Уиллинг С. ( 2016) команда разработчиков, J.: Блокноты Jupyter — формат публикации для воспроизводимых вычислительных рабочих процессов. В: Лоизидес Ф., Шмидт Б. (ред.) Позиционирование и власть в академических издательствах: игроки, агенты и программы.IOS Press, Амстердам, стр. 87–90. https://eprints.soton.ac.uk/403913/

279. 277.

     Грюнберг Р., Нильгес М., Лекнер Дж. (2007) Biskit — программная платформа для структурной биоинформатики. Биоинформатика 23 (6): 769–770. https://doi.org/10.1093/биоинформатика/btl655

     Артикул пабмед Google Scholar

280. 278.

     Данилюк П., Вильчинский Б., Лесинг Б. (2015) WeBIAS: веб-сервер для публикации приложений биоинформатики.Примечания BMC Res 8: 628. https://doi.org/10.1186/s13104-015-1622-x

     КАС Статья пабмед ПабМед Центральный Google Scholar

281. 279.

     Osz Á, Pongor LS, Szirmai D, Gyorffy B (2017) Снимок 3649 веб-сервисов, опубликованных в период с 1994 по 2017 год, показывает снижение доступности через 2 года. Кратко Биоинформ. https://doi.org/10.1093/bib/bbx159

     Артикул ПабМед Центральный Google Scholar

282. 280.

     RStudio Inc. (2018) Блестящий. https://shiny.rstudio.com/

283. 281.

     Сюжет (2019) Тире. https://plot.ly/products/dash/. По состоянию на 9 января 2019 г.

284. 282.

     Plotly (2019) Plotly: Современные аналитические приложения для предприятий. https://plot.ly/. По состоянию на 9 января 2019 г.

285. 283.

     Nantasenamat C (2019) Концептуальная карта компьютерного открытия лекарств [CC-BY]. https://doi.org/10.6084/m9.figshare.5979400

286. 284.

     Synergy Research Group (2019) Ведущие облачные провайдеры продолжают уходить с рынка.https://www.srgresearch.com/articles/leading-cloud-providers-continue-run-away-market/. По состоянию на 9 января 2019 г.

287. 285.

     Dong J, Yao ZJ, Wen M, Zhu MF, Wang NN, Miao HY, Lu AP, Zeng WB, Cao DS (2016) Biotriangle: доступная через Интернет платформа для создания различных молекулярных представления химических веществ, белков, ДНК/РНК и их взаимодействий. Дж Хеминформ 8:34. https://doi.org/10.1186/s13321-016-0146-2

     КАС Статья пабмед ПабМед Центральный Google Scholar

288. 286.

     Dong J, Cao DS, Miao HY, Liu S, Deng BC, Yun YH, Wang NN, Lu AP, Zeng WB, Chen AF (2015) Chemdes: интегрированная веб-платформа для вычисления молекулярных дескрипторов и отпечатков пальцев. Ж Хеминформ 7:60. https://doi.org/10.1186/s13321-015-0109-z

     КАС Статья пабмед ПабМед Центральный Google Scholar

289. 287.

     Уокер Т., Грулке С.М., Позефски Д., Тропша А. (2010) Chembench: рабочее место для хемоинформатики.Биоинформатика 26 (23): 3000–3001. https://doi.org/10.1093/биоинформатика/btq556

     КАС Статья пабмед ПабМед Центральный Google Scholar

290. 288.

     Сушко И., Новотарский С., Кёрнер Р., Пандей А.К., Рупп М., Титц В., Брандмайер С., Абдельазиз А., Прокопенко В.В., Танчук В.Ю. и др. (2011) Онлайн-среда химического моделирования (OCHEM): веб-платформа для хранения данных, разработки моделей и публикации химической информации. J Comput Aided Mol Des 25 (6): 533–554.https://doi.org/10.1007/s10822-011-9440-2

     КАС Статья пабмед ПабМед Центральный Google Scholar

291. 289.

     Гонсалес-Медина М., Медина-Франко Дж. Л. (2017) Платформа для унифицированного молекулярного анализа: Puma. J Chem Inform Model 57 (8): 1735–1740. https://doi.org/10.1021/acs.jcim.7b00253

     КАС Статья Google Scholar

292. 290.

     van Zundert GCP, Rodrigues JPGLM, Trellet M, Schmitz C, Kastritis PL, Karaca E, Melquiond ASJ, van Dijk M, de Vries SJ, Bonvin AMJJ (2016) Пикша2.2 веб-сервер: удобное интегративное моделирование биомолекулярных комплексов. J Mol Biol 428 (4): 720–725. https://doi.org/10.1016/j.jmb.2015.09.014

     КАС Статья пабмед Google Scholar

293. 291.

     Camps J, Carrillo O, Emperador A, Orellana L, Hospital A, Rueda M, Cicin-Sain D, D’Abramo M, Gelpí JL, Orozco M (2009) FlexServ: интегрированный инструмент для анализа белковой гибкости. Биоинформатика 25 (13): 1709–1710. https://дои.орг/10.1093/биоинформатика/btp304

     КАС Статья пабмед Google Scholar

294. 292.

     Hospital A, Andrio P, Fenollosa C, Cicin-Sain D, Orozco M, Gelpí JL (2012) MDWeb и MDMoby: интегрированная веб-платформа для моделирования молекулярной динамики. Биоинформатика 28 (9): 1278–1279. https://doi.org/10.1093/биоинформатика/bts139

     КАС Статья пабмед Google Scholar

295. 293.

     Stierand K, Maass PC, Rarey M (2006) Краткий обзор молекулярных комплексов: автоматическое создание двумерных комплексных диаграмм. Биоинформатика 22 (14): 1710–1716. https://doi.org/10.1093/биоинформатика/btl150

     КАС Статья пабмед Google Scholar

296. 294.

     Biasini M, Bienert S, Waterhouse A, Arnold K, Studer G, Schmidt T, Kiefer F, Gallo Cassarino T, Bertoni M, Bordoli L, Torsten S (2014) Швейцарская модель: моделирование третичного белка и четвертичная структура с использованием эволюционной информации.Nucleic Acids Res 42 (проблема с веб-сервером): 252–8.