Содержание

12 советов для формирования и закрепления

Положительные зависимости определяют качество жизни и поступки, которые мы совершаем каждый день и решения, которые принимаем. Положительные зависимости тесно связаны с информацией, которую мы «потребляем» каждый день, формируя наше информационное сознания и опять же оказывая непосредственное влияние на то что мы делаем и к чему это приведёт

Положительные зависимости

Уровень депрессии, страха и оценки психического состояния растёт, а вот уровень простого человеческого счастья падает.

Современный человек становится зависимым от многих факторов, достаточно обратить внимание на рубрику Зависимости, где я публикую обобщённую информацию из своей консалтинговой практики.

Современный человек превращается в «раба сравнения» — сталкиваясь с визуализацией идеала в рекламе и безупречными профилями в социальных сетях, но жизнь есть жизнь и это нужно понимать…

То что идеально на экране и в интернете, в реальности выглядит совершенно иначе.

Мы с вами понимаем, что при правильном мышлении, совершенствуясь каждый день, мы можем противостоять «кричащему» информационному потоку и создать себя, как человека мыслящего и стремящегося реализовать свои цели, опираясь на свои ценности.

К сожалению, реальность жизни такова, что старшее поколение это понимает, а более молодое становится «слепым» и легко внушаемым, что разумеется сказывается на образе жизни и на достижениях.

Довольно широко становятся распространены проблемы:

  • Конфликтов между детьми и родителями в успешных семьях.
  • Неумение поставить и выделить цели, понять «кем хочет быть человек»…
  • Нежелание начать работать над собой, создавая свою жизнь, а не живя жизнью блогеров…

Проблем на самом деле много, но как найти решения? — ответы на этот вопрос находятся в области формирования положительных зависимостей и индивидуальной работы над собой или даже своей командой.

Если вас интересует конкретика «под ваши цели и задачи», учитывая специфику вашей личности вы всегда можете записаться на консультацию ко мне и начать работать над собой.

я и моя собака, которая формирует положительные зависимости

Как создать положительные зависимости?

  1. Спортивная нагрузка: выберите то что вам нравится, начиная от 10 тысяч шагов в день и заканчивая участием в IronMan или X-Waters, спорт позволяет переключиться и осознать что происходит с совершенно иной точки зрения.
  2. Питание: подумайте что вы едите? и как питание влияет на вас?! — это довольно важно, так как бездумное потребление пищи приводит к очень серьёзным последствиям, особенно после 40 лет.
  3. Здоровье: постарайтесь «зафиксировать» свои проблемы со здоровьем, сделав всё чтобы оно не ухудшалось: подумайте почему вы сталкивайтесь с теми или иными симптомы и устраните причину (головная боль, давление, зубы….) — разумеется это требует не только вашего желания и денег, но и экспертизы врачей, которым вы доверяете.
  4. Информационная среда и круг общения: что формирует тот информационный поток, в котором вы находитесь и как он на вас влияет?
  5. Сон, здесь есть простое правило: создайте себе максимально комфортные условия для сна и подъёма, придерживаясь одного графика, не стоит экспериментировать с подходом: «сплю как придётся».
  6. Солнечный свет и свежий воздух: основа основ успешного функционирования мозга.
  7. Зависимости: подумайте от чего вы зависимы и как зависимости оказывают влияние не то, что вы делаете, выделите как положительные, так и отрицательные зависимости.
  8. Понимайте себя: именно понимание и любовь к себе обеспечивает оптимальное применение ваших сильных качеств и умение скрыть слабые качества.
  9. Время: выделите время для себя, время для действия и время для размышления; ведь именно время открывает нам возможности для того чтобы добиться целей — отдайте контроль над своим временем другим людям и технологиям и можете забывать: вы перестали быть человеком «мыслящим» вы стали человеком «потребляющим информационный контент».
  10. Чистота: организуйте пространство вокруг себя, добившись максимального комфорта и эргономики, возможно для этого потребуются небольшие инвестиции в мебель, но на самом деле всегда нужно только время чтобы разобраться; при этом пространство может быть не только физическим, но и информационным.
  11. Научитесь отказывать: умение говорить «нет», одно из важных качеств человека, я всегда делаю на это акцент в процессе своих консультаций; именно умение говорить «нет», даёт вам понимание силы и власти над ситуацией, в которой вы находитесь и вы обретаете контроль над происходящим.
  12. Осознавайте реальность: то что происходит вокруг нас это важно и именно с происходящим вокруг нужно уметь взаимодействовать, найдя лазейку чтобы реализовать свои идеи и цели и помните что реальный мир отличается от мира в социальных сетях, что позволяет получать намного большее.

Что ещё?

Читайте книги, будьте внимательны к происходящему, помните о настоящем и будущем, формируйте свою окружающую среду, создавайте семью, развивайте свою семью … — рекомендаций можно дать много, вопрос в другом: что вы будете внедрять в свою жизнь? и как это поможет вашим целям?

Давайте подведём итоги:

Формирование положительных зависимостей это не задача одного дня, это процесс над которым нужно работать каждый день, а процесс подразумевает под собой то, что:

  • Вы будете сталкиваться с трудностями
  • будете огорчаться и радоваться
  • у вас будет получаться и не получаться

Но постепенное улучшение имеет решающее значение и даст вам возможность не только работать над собой, но и создать себя.

Помните:

  1. Положительные зависимости, которые вы сформируете позволят вам противостоять коварству и соблазну мира, в котором мы с вами живём.
  2. Положительные зависимости откроют для вас новые идеи и возможности, которые вы сможете использовать если выделите на это необходимое время.
  3. Положительные зависимости, это то хорошее, что видят в нас наши близкие.

Работайте над положительными зависимостями, создавая своё настоящее и будущее, создавая себя!

Искренне вам благодарен и признателен за комментарии и репосты

Константин Савкин / 14 июня 2021 года / Москва

Зависимость: виды, причины возникновения, пути преодоления

Факторы часто пересекаются. Глядя на алкоголика, можно решить, что он является проблемным сам по себе или больным человеком. От взгляда обывателя ускользает тот факт, что этот человек существует не отдельно сам по себе, это не «отрезанный ломоть», а часть общей системы семьи, в которой он родился, и частью той семьи, которую создал сам, став взрослым. У зависимого есть партнёр. В психологии такого человека называют

«созависимым», т.е. зависимым от человека с зависимостью. Созависимый не принимает наркотики, не уходит в запой, ему это ни к чему, ведь его наркотик – это его партнёр. У каждого в этой паре есть нечто общее, хотя на первый взгляд они кажутся противоположностями друг друга. Как у зависимых, так и у созависимых личностей в анамнезе – травма, сопряженная с проявлением сильных чувств, которые были вытеснены в бессознательное. Одна или несколько важных стадий развития в детстве были не пройдены эффективно. Такие люди не позволят себе чувствовать боль, грусть, злость и направлять их по адресу. Отказавшись от негативных чувств, они перекрывают одновременно поток чувств вообще, и позитивных тоже. Созависимые и зависимые люди плохо дифференцируют свои чувства и эмоции, с трудом могут сказать, что они чувствуют, будь то гнев или радость. Для них характерно ощущение унылой, серой жизни. Отсюда возникает желание увеличить амплитуду эмоций, чтобы получить хоть какое-то подтверждение, что они живы. Зависимый и созависимый, оба нуждаются в психологической помощи. Причиной зависимости может быть  незавершенность одной из наиболее важных стадий развития в раннем детстве – стадии установления психологической автономии. Психологическая автономия необходима для развития собственного «Я», отдельного от родителей. Люди, у которых эта стадия развития завершается успешно, в дальнейшем не зависят от людей или вещей, находящихся вовне, которые управляли бы ими. У них существует целостное внутреннее ощущение своей уникальности и четкое представление о своем «Я» и о том, кто они есть. Они могут находиться в близких отношениях с другими людьми, не опасаясь потерять себя как личность. Они могут эффективно удовлетворять все свои потребности, обращаясь непосредственно к другим лицам, если им необходима помощь. И наконец, они не теряют общего позитивного представления о самом себе, когда окружающие критикуют их. Незавершенность этой жизненно важной стадии может лишить человека полноты ощущений всех его человеческих качеств и заставить вести очень замкнутую жизнь, в которой будет преобладать страх, неискреннее поведение и зависимости.

Положительные изменения — Alkoinfo.ee

Здравствуйте!

С 2016 года можно получить в рамках программы «Трезвая и здоровья Эстония» бесплатное лечение расстройства в связи с употреблением алкоголя в девяти сформированных на базе больниц центрах лечения расстройства в связи с употреблением алкоголя.  Kонтакты o центрax поблизости места жительства можно найти и на сайте (http://alkoinfo.ee/ru/sovet-i-pomoshh/pomoshh-spetsialista/kuda-obratitsya/). В центр лечения расстройства могут обратиться и близкие употребляющего, чтобы получить совет, как в целях самосохранения вести себя с человеком, имеющим расстройство в связи с употреблением алкоголя.

Лечение назначается в соответствии с индивидуальными потребностями человека. Помимо врача, поддержку оказывают многие другие специалисты. Основную часть лечения составляет психологическая помощь, которую при необходимости подкрепляют лекарствами. Отдельно лекарства не применяются. Поскольку важная роль в изменении привычек принадлежит семье и другим близким людям, можно привлечь их к лечению. Подробнее можно почитать https://alkoinfo.ee/ru/sovet-i-pomoshh/pomoshh-spetsialista/v-chem-zaklyuchaetsya-lechenie/

Лекарства, которые применяются в лечении от алкогольной зависимости, разные.

Например:

  • Дизульфирам (предназначен для лечения хронического алкоголизма) имеющий ряд субъективно неприятных эффектов: ощущение жара, тошнота и рвота, общее недомогание, тахикардия, гипотензия. Эти эффекты возникают только после употребления алкоголя, что делает его неприятным.
  • Налтрексон предназначен для поддерживания воздержания трезвости. Это лекарство можно рассматривать как один из препаратов лечения зависимости от алкоголя вследствие блокирования опиатных рецепторов мозга. Человек больше не испытывает такую эйфорию, которую он ранее испытывал после употребления, при этом потеряется смысл пить. Это лекарство понижает и тягу.
  • Налмифен. Это лекарсто можно использовать более целенаправленно. То есть принимать его тогда и только тогда, когда человек собирается выпивать или есть риск, что он выпьет и не принимать в другое время, когда риска нет.
  • Антидепрессанты являются хорошим средством дополнительного лечения при алкоголизме.

!!! Врач решит совместно с человеком, какое лечение попробовать.

Как с дочерью на эту тему погворить, можете почитать https://alkoinfo.ee/ru/blizkim/kak-pomoch-blizkomu-cheloveku/

Не потеряйте надежду и поговорите повторно. Раз она медик, то возможно в ней присудсвует страх, что кто-то узнаёт или ей стыдно за своё поведение и при этом сработает механизм самозащиты  — отрицание и искажение реальности. Просто рано или поздно другие начнут это замечать так или иначе, но выйти из этого злоупотребления и привычки может оказаться сложнее.

Лечение пищевой зависимости | Клинический центр «Психиатрия – наркология»

Пищевая зависимость в наши дни приобретает огромные масштабы и начинает распространяться среди людей абсолютно разных возрастов, профессий и жизненных взглядов. Человек, страдающий от такой зависимости, употребляет большое количество еды не из-за чувства голода, а из-за тревоги или волнения, а также просто для того, чтобы получить дополнительные положительные эмоции, расслабиться. При пищевой зависимости еда служит для человека своеобразным утешением, способным сгладить последствия неприятностей на работе, ссор с любимыми людьми, недовольства собой. Удовольствие, которое человек испытывает во время еды, придает ему мнимое чувство комфорта и удовлетворения, заставляет привыкнуть к такому «заеданию» проблем. Человек быстро запоминает, как ему хорошо во время обильных приемов пищи, – и при следующем же подобном случае он снова и снова возвращается к верному способу успокоения.

Если у Вас есть подозрения, что Вы страдаете от этого недуга, лечение пищевой зависимости нужно начинать немедленно. Поглощая большое количество углеводной пищи, человек со временем перестает насыщаться ей. Количество необходимой еды постоянно возрастает, нервозность становится более сильной, появляются различные заболевания внутренних органов, происходит активный набор веса и жировой массы, замедляется обмен веществ. Вследствие всего этого человек становится недовольным собой, впадает в депрессию – а бороться с этим он начинает, опять же, с помощью еды. Получается страшный, замкнутый круг, из которого очень непросто выбраться.

Специалисты нашего центра предлагают Вам самое полное лечение пищевой зависимости. Внимательный индивидуальный подход к каждому пациенту, участливое отношение, эффективные методы – все это позволит Вам навсегда избавиться от вредной привычки, сохранить свое здоровье, молодость и красоту.

Признаки и симптомы пищевой зависимости

Если у Вас начинает развиваться пищевая зависимость, Вы обязательно увидите у себя следующие признаки этого заболевания:

  • Постоянные, непрекращающиеся мысли о еде. Человек думает только о пище, постоянно планирует продуктовые покупки, представляет, как отправится в кафе или ресторан, где сможет покушать. Жизнь потихоньку начинает подчиняться приемам пищи.
  • Абсолютная потеря самоконтроля. Пациент при виде любимой еды теряет самообладание, начинает поглощать ее: не до чувства насыщения, а до тех пор, пока не доест абсолютно все или пока его желудок не переполнится окончательно. И даже потом, при чувстве сытости, он не сможет устоять перед сладким десертом или шоколадкой.
  • Регулярное заедание неприятностей. Каждый раз, когда происходят какие-либо негативные события или у человека появляется плохое настроение, он стремится съесть любимое лакомство и не может успокоиться, пока не употребит огромное количество пищи, чаще всего сладкой.
  • Постоянное чувство вины. Как правило, после пищевых срывов человек склонен обвинять себя в отсутствии силы воли, в неспособности противостоять искушению. Он сам винит себя за то, что плохо выглядит из-за постоянных перееданий, обещает себе, что все это прекратится, но в скором времени схема полностью повторяется.

Если у Вас обнаружились один или несколько признаков, не отчаивайтесь, но настройте себя решительно – избавиться от болезни стоит как можно скорее. Обратитесь за помощью к врачам нашего центра – они помогут Вам вылечить пищевую зависимость.

Как лечат пищевую зависимость (избыточный вес)

Для избавления от этого заболевания помощи диетолога будет недостаточно, как и самостоятельных попыток ограничить себя в количестве употребляемой еды. Лечение пищевой зависимости нужно доверить квалифицированным психотерапевтам. Важно понять, что это пристрастие – следствие внутренних, психологических проблем, и только их полное разрешение может привести к выздоровлению.

Способы и методы лечения этого вида зависимости достаточно схожи с избавлением от других вредных привычек, так как суть болезни одна и та же – проблемное поведение (употребление пищи), которое помогает пациенту расслабиться и забыть обо всех невзгодах. Основная роль психотерапевта заключается в обнаружении внутренней проблемы, которую человек всячески пытается спрятать с помощью употребления большого количества еды. Зависимость не появляется на пустом месте, обычно ей предшествуют какие-то стрессы, жизненные неудачи, постоянное недовольство собой, комплексы, проблемы в общении с окружающими, замкнутость и многие другие трудности.

Только после обнаружения корня проблемы можно приступать к поиску ее решения. Специалист проведет необходимую работу по снятию стресса у пациента, по повышению уровня его самооценки. Важно, чтобы человек снова научился любить себя, вспомнил о чувстве собственного достоинства.

После этой процедуры лечение пищевой зависимости будет основываться на поиске нового источника удовольствий. Для этого проводятся дополнительные психологические сеансы, во время которых достигается полная гармония и релаксация, появляется легкость в теле, позитивные мысли. Кто-то предпочитает избавляться от проблемы в группе с другими пациентами, а кому-то нужен личный прием. Специалисты нашего центра учтут особенности каждого пациента и подберут индивидуальные курсы занятий, чтобы выздоровление было эффективным и полноценным.

Благодаря таким сеансам постоянные размышления о еде пропадают, как и желание злоупотребить вредной пищей. Пациент учится отделять собственные, внутренние эмоции от продуктов на прилавках магазинов. Постепенно культура питания и образ жизни пациента начинают налаживаться. Он перестает считать пищу одним из главных способов получения наслаждения. Этот процесс достаточно трудный, и потому может протекать довольно медленно. Но он непременно ведет к положительным результатам, а это – самое главное.

Пожалуй, самый важный, самый необходимый фактор, благодаря которому лечение пищевой зависимости сможет пройти эффективно, – это желание самого пациента избавиться от пагубной привычки, его стремление выздороветь, настрой на положительный исход терапии. Вы должны хотеть этого по-настоящему, сильно и твердо, а специалисты нашего центра помогут Вам направить это желание в правильное русло.

Совместными усилиями мы поможем Вам вступить в новую жизнь, свободную от пищевого пристрастия – в жизнь, наполненную радостью и удовлетворенностью собой и окружающим миром.

Что такое эмоции? – клиника «Семейный доктор».

Эмо́ция (от лат. emovere – возбуждать, потрясать, волновать) — психический процесс, который отражает субъективное оценочное отношение человека к различным ситуациям и объектам.

Основное отличие эмоций от чувств – это то, что первые являются временным субъективным переживанием человека важных для него ситуаций и событий, а вторые – устойчивым эмоциональным отношением индивида к какому-либо объекту.

Функции эмоций

В нашей жизни эмоции играют важную роль, поэтому их влияние обычно подразделяют на четыре основных действия:

1. Мотивационно-регулирующее. Такие эмоции побуждают человека к действию, направляют и определяют его дальнейшее поведение, а иногда блокируют мышление.

2. Коммуникативное. Именно благодаря эмоциям, нам понятно в каком психическом и физическом состоянии находится человек, и в зависимости от этого мы выбираем дальнейшую линию поведения для общения с ним.

3. Сигнальное. Выразительная жестикуляция и мимика во время эмоций сигнализируют окружающим о наших желаниях и потребностях.

4. Защитное действие эмоций позволяет моментальной реакции в некоторых случаях спасти человека в опасных ситуациях.

Виды эмоций

В зависимости от характера переживаний, эмоции бывают положительные (восторг, радость, восхищение), отрицательные (грусть, гнев, разочарование) или нейтральные (интерес, любопытство).

По влиянию на человеческую деятельность разделяют стенические (оказывающие активное действие на организм, побуждающие к чему-либо) и астенические эмоции (приводящие к скованности, замедляющие реакции, понижающие уровень энергии). Тем не менее одна и та же эмоция может совершенно по-разному повлиять на человека, как, например, сильное горе может повергнуть в уныние, другого человека заставит искать утешение в работе.

По модальности некоторые специалисты выделяют всего лишь три базовые эмоции: страх, гнев и радость, а все остальные переживания являются лишь их определенным выражением. Например, такие эмоции, как беспокойство, тревога и ужас есть различные проявления страха, а восторг, восхищение, нежность являются проявлениями радости. Другие же ученые базовыми называют от семь до десяти эмоций.

Также разделяют эмоции на низшие (направленные на удовлетворение простых инстинктов) и высшие (касающиеся нравственных, интеллектуальных и эстетических вопросов). К низшим относят радость от еды или удовлетворение отдыхом, а к высшим – восхищение объектом искусства или гордость за страну, воодушевление.

До сих пор окончательного перечня эмоций не существует ни в психологии, ни в физиологии, так как одно и то же переживание может обозначаться совершенно разными словами, а одной и той же эмоцией люди могут обозначают различные состояния. Доказано, что гамма эмоций, переживаемых людьми, зависит от культуры и конкретного человека, и чем более сложно организовано живое существо, тем она богаче и разнообразнее.

Мы желаем вам испытывать только положительные эмоции, поднимающие настроение и воодушевляющие вас на хорошие поступки!


Социальные сети: польза и вред



Чем же так манят нашу молодёжь социальные сети? Рассмотрим положительные и отрицательные стороны общения в соц. сетях.

Положительные стороны социальных сетей:

1. Скорость поиска. В социальных сетях можно без проблем найти нужное видео, музыку, человека, а также просто отыскать единомышленников. Регистрируясь в социальной сети, пользователь сообщает свои имя и фамилию, а также другие данные – возраст, учебные заведения, контактные телефоны. Это позволяет в считанные секунды найти любого человека, при условии, что он указал достоверные сведения о себе. Это очень весомый плюс – ведь раньше для того, чтобы найти друзей детства или одноклассников требовалось гораздо больше времени.

2. Простота общения и обмена информацией. Конечно же, у каждого из нас есть мобильный телефон, и мы можем обмениваться информацией посредством смс и ммс сообщений. Но ведь на это уходит немалое количество денег. Гораздо удобнее пересылать данные в соц. сетях. Имея аккаунт в социальной сети, человек находится в курсе всего, что происходит с его друзьями, он может зайти на страничку любого интересующего его человека, посмотреть фотографии, прокомментировать новости или просто пообщаться. Это очевидное достоинство соц. сетей – сегодня общаться стало гораздо проще и удобнее.

3. Создание круга интересов. Чем бы ни увлекался человек, можно не сомневаться, что в социальной сети он обязательно найдет своих единомышленников. Для этого существуют интересные сообщества и группы, в которых можно совершать определенные покупки, обменять что-либо и даже найти работу.

Отрицательные стороны социальных сетей:

1. Расход большого количества времени. Для кого-то соц. сети – это отличный шанс «убить» время, а для кого-то – это просто потраченные впустую часы. Ведь это время можно провести с гораздо большей пользой: встретиться с друзьями, приготовить вкусный ужин или же заняться самообразованием.

2. Отрешение от реального мира. В социальных сетях мы позиционируем себя несколько иначе, нежели в жизни. Опираясь на современные исследования в области Интернет — общения, можно сказать, что 70% активных посетителей социальных сетей приукрашивают свою жизнь. Кроме того, возможность изменить реальность и предстать в социальной сети богатым и успешным также многих прельщает. В итоге есть риск настолько вжиться в созданный виртуальный образ, что, так сказать, вернуться вовремя на землю не всегда получается.

3. Деградация личности. Если обратить внимание на речь чрезмерно активных пользователей социальных сетей, то можно заметить бессмысленность большинства их разговоров и присутствие в них непонятных обычным людям слов, типа «лайкнуть», «юзать», «лол» и т.д.

4.. Потеря навыков социального общения. Подмена реального общения ведет к потере чувства реальности и навыков социального общения. В живом разговоре нельзя поставить смайл. Понятия «добавить в друзья», «удалить из друзей», создают ощущение, что в реальной жизни так же просто строятся отношения, а это не так. Добавь на страницу свечу памяти по погибшим, добавь георгиевскую ленточку, гвоздику и т.д. в честь Дня Победы. Вместо реальной гвоздики ветеранам, вместо активной помощи благотворительным организациям и пострадавшим людям — человеку в сети кажется, что он, добавив картинку, сделал дело.

5. Вероятность возникновения зависимости. Соц. сети обладают большим аддиктивным потенциалом, т.е. значительным риском возникновения зависимости. Особенно подвержены этому подростки, у которых отсутствие доступа в Интернет может вызвать настоящую психическую «ломку».

6. Социальные сети — поле деятельности для мошенников и недоброжелателей. Не многие задумываются, что размещение чрезмерного количества фотографий, наиболее подробных данных о себе, может обернуться против них.

7. Вред здоровью. Постоянное присутствие в соц. сети может нанести определенный вред здоровью. Многочасовое сидение за компьютером может привести к снижению зрения и гиподинамии.

8. Потеря мотивации к работе. Человек, попавший в зависимость от социальных сетей, становится менее активным. Сегодня на многих предприятиях вход сотрудников в соц. сети недоступен, так как подобное общение сильно отвлекает от работы. ъ

Исходя из всего написанного выше, можно сделать вывод: Социальные сети не несут в себе вреда, если пользоваться ими в меру.

ПОМНИТЕ! Активное общение в социальных сетях является лишь дополнением к полноценному живому общению. Нужно уметь брать от социальных сетей только хорошее и отсеивать плохое!

Анализ мочи тест-полосками (U-strip) – SYNLAB Eesti

Показания:

  • Обнаружение инфекции мочевыводящих путей и контроль
  • Обнаружение неинфекционных заболеваний мочевыводящих путей и наблюдение за их течением 
  • Обнаружение гликозурии у определенных групп пациентов, например, у беременных и диабетиков

Анализ с помощью тест-полосок позволяет измерять одновременно до 10 разных параметров:

  • Глюкоза
  • Кетоновые тела 
  • Удельный вес 
  • Эритроциты
  • рН 
  • Белок
  • Нитриты
  • Лейкоциты
  • Билирубин
  • Уробилиноген

 

ГЛЮКЗА

Гликозурия возникает, если содержание глюкозы в моче превышает реабсорбционную способность почек. Пороговыми значениями гликозурии обычно являются значения содержания глюкозы крови 8,3-10 mmol/L. У пожилых людей и годами страдающих диабетом пациентов этот порог зачастую повышен.

Метод анализа: Реакция глюкозоксидаза + пероксидаза

Референтное значение: Негативный

Интерпретация результата:

  • Диабет. Используется для раннего обнаружения диабета и наблюдения за его течением. Отсутствие гликозурии не исключает наличия нарушения обмена глюкозы или диабета. Следует учитывать, что гликозурия может возникать и при других состояниях.
  • Ренальная гликозурия. Если реабсорбционный порог почечных канальцев существенно снижен, то глюкозу в моче можно найти даже тогда, когда содержание глюкозы в крови нормальное. Часто гликозурия возникает у беременных (5-10%) и пропадает после родов.  
  • Алиментарная гликозурия. Может возникать после употребления большого количества углеводов.
  • Гликозурия, сопровождающая почечную недостаточность. Возникает, если функция почек снижается до 30% от нормы. Также может наблюдаться при острой почечной недостаточности. 
  • Ложно-отрицательные результаты: метаболиты салицилатов в больших количествах.
  • Ложно-положительные результаты: чистящие химические средства

 

КЕТОНОВЫЕ ТЕЛА

Keтоновые тела (aцетоацетат, альфа-гидроксибутират и ацетон) появляются в моче, как результат усиленного распада липидов, если углеводы не обеспечивают достаточного количества энергии, например, при диабетическом кетоацидозе, сильной физической нагрузке, голодании, воспалении кишечника и рвоте.

У диабетиков подобная находка указывает на метабольную декомпенсацию. Возникает, как правило, в прекоматозном и коматозном состоянии.

При скрининговом исследовании не имеет решающего значения, но является необходимым анализом для пациентов, страдающих диабетом, беременных с токсикозом и пациентов в остром состоянии (особенно детям) при их обследовании и наблюдении за лечением. Метод очень чувствителен, обнаружить легкий кетоз можно уже после ночного воздержания от еды.

Метод анализа: Ацетоуксусная кислота и ацетон реагируют с нитропруссидом натрия и глицином с образованием комплекса, окрашенного в фиолетовый цвет. Реакция специфична для этих двух кетонов. Альфа-гидроксибутират с нитропруссидом натрия не реагирует.

Референтное значение: Негативный

Интерпретация результата:

Кетоновые тела могут возникать в моче при следующих состояниях:

  • Голодание
  • Богатая белками диета
  • Рвота 
  • Инфекция, протекающая с повышением температуры 
  • Врожденные метабольные заболевания 
  • Ложно-положительные результаты: фенилкетоны и фенилфталеин, каптоприл и другие вещества, содержащие сульфгидрильную группу  

 

УДЕЛЬНЫЙ ВЕС

Удельный вес мочи напрямую зависит от количества потребленной жидкости, также влияют низкая температура, некоторые лекарственные препараты и усиленное потение.

Метод анализа: Определение концентрации ионов. Неионные частицы, такие, как глюкоза и мочевина не измеряются.

Референтное значение: 1.010-1.030

Интерпретация результата:

  • Важный параметр при интерпретации результатов, полученных с помощью тест-полосок – это определение наркотических веществ и допинга. Низкий удельный вес может указывать на подделку пробы.
  • Пробе с малым удельным весом при пограничном положительном результате придается большее клиническое значение, чем пробе с большим удельным весом.
  • В пробе с удельным весом <1.010 клетки, содержащиеся в моче распадаются быстрее и микроскопия осадка может дать ложно-отрицательный результат.
  • Удельный вес не подходит для оценки концентрационной способности почек.

 

ЭРИТРОЦИТЫ

Гематурия возникает при многих патологических состояниях, поэтому всегда необходимо выяснить причину положительного результата анализа.

Метод анализа: Гемоглобин и миоглобин, обладая пероксидазными свойствами изменяют цвет индикатора. Реакция чувствительна как к гемоглобину, так и к и миоглобину.

Референтное значение: Негативный

Интерпретация результата:

  • Эритроциты появляются моче при преренальном, ренальном и посттренальном заболевании, причиной также может служить большая физическая нагрузка.
  • Миоглобин появляется в моче при некрозе мышц и миозитах.
  • Анализ тест-полосками может быть положительным и в том случае, когда микроскопически эритроцитов не выявлено. Это может быть, если эритроциты лизировались после взятия анализа или еще в организме, а также, если проведение анализа запоздало.
  • Наиболее частые причины гематурии:
    • Камни мочевыводящих путей  
    • Опухоли
    • Гломерулонефрит
    • Пиелонефрит
    • Нарушения свертывания
    • Mиоглобинурия возникает при травме мышц или их некрозе (например, при физической нагрузке, ожогах, прогрессирующих мышечных заболеваниях).
    • Ложно-положительные результаты: пероксидаза микробов, оксидирующие детергенты, загрязнение менструальной кровью.

 

pH

pH мочи варьирует от 5 до 9. Концентрированная утренняя моча обычно кислотная. У детей моча чаще бывает алкильной, то есть щелочной. Бактерии повышают pH мочи при процессе метаболизирования мочи в аммиак.

Метод анализа: Реакция мочи определяется с помощью смеси трех индикаторов – метиленовый красный, бромтимоловый синий и фенолфталеин.

Референтное значение: 5-7

Интерпретация результата: 

  • В щелочной и неконцентрированной моче существенно снижается сохранность лейкоцитов (типично при инфекциях мочевыводящих путей у детей). Также в щелочной моче быстро погибают цилиндры.
  • На рН мочи влияют: питание, голодание, лекарственные препараты, отравления, различные заболевания.

 

БЕЛОК

Протеинурия – частый неспецифический симптом почечных заболеваний. Обнаружению белка в моче всегда должна следовать тщательная дифференциальная диагностика.

Метод анализа: Цветная реакция основанная на изменениях pH. Тест-полоски для анализа мочи чувствительны к содержанию альбумина, начиная с концентрации 0,06 г/л. Для раннего обнаружения поражения почечных клубочков определение альбумина в моче производится иммунным методом.

Референтное значение: Негативный  

Интерпретация результата: 

  • Доброкачественная протеинурия – возникает чаще у лиц моложе 30 лет. Причины: физическая нагрузка, эмоциональный стресс, ортостаз, лордоз, гипотермия, беременность, применение вазоконстрикторов. Доброкачественная протеинурия непостоянна. В первой порции утренней мочи содержание белка нормальное. Это позволяет относительно легко отличать доброкачественную протеинурию от симптома заболевания.
  • Экстраренальная протеинурия – может возникать при остро протекающих заболеваниях: колит, судороги, инфаркт, инсульт, послеоперационный период, повышение температуры.
  • Ренальная протеинурия – обусловлена увеличенной проницаемостью гломерулярной мембраны. Обычно постоянна, вне зависимости от суточных ритмов. 
  • Постренальная протеинурия – при воспалениях мочевого пузыря или предстательной железы, а также при кровотечениях из мочевыводящих путей. 
  • Ложно-отрицательные результаты: глобулины, легкие цепи иммуноглобулинов. 
  • Ложно-положительные результаты: дезинфектанты, содержащие аммониевую группу.

 

НИТРИТЫ

Нитриты образуются в моче из нитратов под действием энзима нитратредуктазы, который продуцируется большинством Грам-положительных уропатогенных микроорганизмов.

Референтное значение: Негативный

Интерпретация результата: 

  • Обнаружение нитритов в моче – один их важных признаков уроинфекции. Энтерококки и стафилококки не продуцируют нитратредуктазу и анализ на содержание нитритов будет негативным, вне зависимости от наличия содержания бактерий в моче. Предпосылкой для положительного анализа может быть и употребление в пищу такого количества растительной пищи, чтобы нитраты попали в мочу и моча находилась бы в мочевом пузыре достаточно долго (4-8 часов). 
  • Единичный негативный результат не исключает инфекции мочевыводящих путей. При подозрении на инфекцию следует провести микробиологический анализ вне зависимости от результата анализа на нитриты.
  • Ложно-отрицательные результаты: исследуемый не употреблял в пищу растительные продукты, малый инкубационный период в мочевом пузыре, Грам- положительные бактерии, проба, стоявшая более 4 часов.
  • Ложно-положительные результаты: контаминация пробы.  

 

ЛЕЙКОЦИТЫ

Тест-полоски выявляют активность эстеразы гранулоцитов, также реагируют на разрушенные нейтрофилы, которые не могут быть идентифицированы при микроскопическом исследовании осадка. Метод не обнаруживает лимфоцитов.

Интерпретация результата: 

  • Возникновение лейкоцитов в моче – это важный, указывающий на воспалительный процесс в почках и мочевыводящих путях, симптом. Причинами могут быть:
    • Инфекции
    • Гломерулопатии
    • Отравления
    • Нарушения опорожнения мочевого пузыря
    • Опухоли
  • Ложно-отрицательные результаты: белок >5 г/л, глюкоза >20 г/л, цефалексин, гентамицин и борная кислота в больших дозах. 
  • Ложно-положительные результаты: консервирующие вещества (формальдегид), имипенемы, клавулановая кислота, контаминация выделениями из влагалища у женщин.

 

БИЛИРУБИН

При конъюгации с гликуроновой кислотой билирубин становится водорастворимым и выделяется из организма через почки.

Метод анализа: Билирубин образует комплекс с солью диазония

Референтное значение: Негативный (<3,4 μmol/L)

Интерпретация результата:

  • При всех патологических состояниях, когда увеличивается содержание конъюгированного билирубина в крови, также в значительных количествах он может выделяться с мочой (например, при поражении паренхимы печени, холестазе, холангите, холецистите)
  • На сегодняшний день в связи с доступностью проведения анализов крови определение билирубина в моче потеряло свое ранее важное значении в диагностике печеночных заболеваний. 
  • Ложно-отрицательные результаты: нахождение пробы на свету, витамин С в больших количествах.
  • Ложно-положительные результаты: лекарственные препараты, окрашивающие мочу в красный цвет.  

 

УРОБИЛИНОГЕН

Уробилиноген образуется в кишечнике под действием бактерий из билирубина, выделяемого с желчью. После этого он резорбируется обратно в кровь, расщепляется в печени и частично выделяется с мочой.

Метод анализа: Уробилиноген образует комплексы с солью диазония. Метод специфичен для уробилиногена.

Референтное значение: Негативный (<17 μmol/L)

Интерпретация результата: 

  • Для появления уробилиногена в моче есть две возможные причины: 
    • Заболевания печени 
    • Интенсивный распад гемоглобина (гемолитическая анемия, пернициозная анемия, интраваскулярный гемолиз, полицитемия)
  • Ложно-отрицательные результаты: нахождение пробы на свету, формальдегид в моче 
  • Ложно-положительные результаты: лекарственные препараты, окрашивающие мочу в красный цвет.  

 

Как надежные отношения могут укрепить нас как личности — Психологические службы общего видения

Автор: Д-р Меган Оливерио

Зависимость часто воспринимается как плохое слово и ассоциируется с «нуждами» или эмоциональной нестабильностью. Однако исследования того, что действительно помогает людям стать счастливыми, успешными и даже независимыми, показывают, что прочная надежная связь является ключевым фактором.

Распространенное послание в современном мире говорит нам, что нам нужно только уверенное стремление к успеху, и это гарантирует наши личные достижения.Мы высоко ценим независимость, считаем зависимость от других слабостью и говорим такие вещи, как «сначала нужно полюбить себя, чтобы другие любили вас». К сожалению, мы видели, что это сообщение поддается переживанию одиночества и разобщенности, а не безопасности и связи.

Люди расцветают, когда чувствуют себя любимыми; они счастливее и, как ни странно, более независимы и успешны. Наличие сильной связи, на которую мы можем положиться в наших близких отношениях, является здоровым и помогает нам процветать как личности.

Приставка

Привязанность — это психологический термин, обозначающий связь между детьми и их близкими опекунами. Дети испытывают надежную привязанность, когда чувствуют себя любимыми и безопасными, потому что их потребности учитываются. С другой стороны, дети испытывают ненадежную привязанность, когда реализация своих потребностей создает уязвимость, потому что на них не реагируют эффективно. Неудивительно, что та же связь между родителями и детьми распространяется и на отношения взрослых, потому что мы никогда не вырастаем из потребности в безопасности и поддержке.

Мы, люди, добиваемся большего успеха, когда у нас есть кто-то, кто может положительно ответить на вопрос: «Ты рядом со мной?» Могу ли я рассчитывать на вас? Фактически, отношения, в которых есть способность поворачиваться друг к другу, открываться, настраиваться друг на друга и быть отзывчивыми, создают эмоциональную безопасность и надежную привязанность.

Этот способ общения даже для людей из детства с надежной привязанностью может потребовать усилий и практики. Хорошая новость заключается в том, что эта привязанность может развиваться в рамках отношений, даже если один или оба партнера изначально привязаны ненадежно.

Устойчивость

Прочная связь с другим взрослым делает нас более устойчивыми к стрессу. Фактически, исследования супружеских пар показали, что присутствие партнера может значительно снизить эффект угрозы и опасности. В исследовании 2006 года, опубликованном в журнале Psychological Science, партнеров поместили в сканер мозга и сказали, что они испытают шок в лодыжках, когда увидят на экране «X». Когда они держали за руку незнакомца или когда никого не было рядом со сканером, их мозг реагировал на неминуемую угрозу, освещая «опасные» зоны в мозгу.Но когда они держали своих партнеров за руку, их мозговая сигнализация была гораздо менее активна. Поразительно, что уровень угрозы в мозгу различается в зависимости от качества брака, при этом тех, кто находится в счастливом, удовлетворительном браке, больше успокаивает их партнер.

Когда мы обобщаем это на реальный мир, становится ясно, что наличие поддерживающей связи имеет решающее значение, когда мы сталкиваемся с мириадами изменений и проблем, которые бросает нам жизнь.

Конфликт и критика

Так что насчет конфликтов и критики? Надежная привязанность к партнеру не делает вас невосприимчивым к конфликтам.На самом деле критика со стороны наших партнеров может навредить гораздо больше, чем критика со стороны других. Ваша нервная система нервничает и нервничает, когда вас критикует или отвергает любимый человек, и наш мозг может интерпретировать это чувство как физическую боль.

Когда мы втягиваемся в циклы общения, которые угрожают нашей связи, на нас влияют как внутри наших отношений, так и индивидуально. Нередко мы понимаем нашу реакцию на эту угрозу только с нашей точки зрения.Однако в этом конфликте мы не одиноки — важно помнить, что оба человека страдают. Часто, несмотря на наши лучшие намерения, сообщения, которые мы даем и получаем, могут вызывать гнев и печаль, что в конечном итоге угрожает нашему чувству безопасности.

Конфликт между парами связан с болью от потери связи и желанием соединиться. Как пишет Сью Джонсон в Love Sense, «людям нужна эмоциональная связь, как кислород». Успешные пары понимают, что в этих разговорах они пугают друг друга; они замедляются, настраиваются, помогают друг другу и успокаивают друг друга.Хорошая новость заключается в том, что мы можем научиться формировать наши самые важные отношения, чтобы быть рядом друг с другом так, как нам нужно.

Углубление зависимости

Наши партнеры не только сильно влияют на наши отношения; они глубоко влияют на то, как мы относимся к себе. Зависимость от партнера не означает, что вы неразлучны или что вам нужно отказаться от аспектов своей карьеры, увлечений или друзей. Верно и обратное! Способность оказывать влияние и обеспечивать безопасность в мире за пределами наших отношений часто проистекает из осознания того, что рядом с нами есть кто-то, на кого мы можем рассчитывать как в хорошие, так и в плохие времена.

Терапия для пар дает возможность понять ваши отношения, а также каждого партнера в отдельности. Терапия для пар может способствовать осознанию того, что мешает углублению вашей связи, и помогает реструктурировать новые способы связи. Для получения дополнительной информации или записи на прием, пожалуйста, позвоните на нашу линию приема по телефону 630.571.5750 доб. 224 или заполните нашу онлайн-форму запроса.

Примечание: для этого содержимого требуется JavaScript.

множественных сравнений — значение «положительной зависимости» как условия использования обычного метода для управления FDR

Отличный вопрос! Давайте сделаем шаг назад и поймем, что сделал Бонферрони и почему Бенджамини и Хохбергу было необходимо разработать альтернативу.

В последние годы стало необходимым и обязательным выполнение процедуры, называемой коррекцией множественного тестирования. Это связано с увеличением числа тестов, выполняемых одновременно с высокопроизводительными науками, особенно в области генетики с появлением исследований ассоциации полных геномов (GWAS). Извините за ссылку на генетику, так как это моя область работы. Если мы выполняем 1 000 000 тестов одновременно при P = 0,05 $, мы ожидаем 50 000 $ ложных срабатываний. Это смехотворно велико, и поэтому мы должны контролировать уровень, на котором оценивается значимость.{1 / M} = 1- \ frac {0.05} {M} $ дает $ TWER \ приблизительно \ frac {0.05} {M} $, что является приемлемым значением P, скорректированным для M полностью независимых тестов.

Проблема, с которой мы сталкиваемся сейчас, как и Бенджамини и Хохберг, заключается в том, что не все тесты полностью независимы. Таким образом, коррекция Бонферрони, хотя и надежная и гибкая, представляет собой избыточную коррекцию . Рассмотрим случай в генетике, где два гена сцеплены в случае, называемом неравновесным сцеплением; то есть, когда один ген имеет мутацию, с большей вероятностью будет экспрессироваться другой.Очевидно, что это не независимые тесты, хотя в поправке Бонферрони предполагается, что это . Именно здесь мы начинаем видеть, что деление значения P на M создает порог, который искусственно занижен из-за предполагаемых независимых тестов, которые действительно влияют друг на друга, следовательно, создание M слишком велико для нашей реальной ситуации, когда все обстоит иначе. не независим.

Процедура, предложенная Бенджамини и Хохбергом и дополненная Йекутиели (и многими другими), более либеральна, чем Бонферрони, и фактически поправка Бонферрони сейчас используется только в самых крупных исследованиях.Это связано с тем, что в FDR мы предполагаем некоторую взаимозависимость части тестов и, следовательно, M, которая слишком велика и нереалистична, и избавляется от результатов, которые нас, в действительности, волнуют. Следовательно, в случае 1000 тестов, которые не являются независимыми, true M будет не 1000, а что-то меньшее из-за зависимостей. Таким образом, когда мы делим 0,05 на 1000, порог становится слишком строгим и позволяет избежать некоторых тестов, которые могут представлять интерес.

Я не уверен, заботитесь ли вы о механике управления зависимостями, хотя, если вам это интересно, я привел ссылку на статью Yekutieli для вашей справки.Я также приложу еще несколько вещей для вашей информации и любопытства.

Надеюсь, это каким-то образом помогло, если я что-то исказил, пожалуйста, дайте мне знать.

~ ~

Список литературы

Документ Екутиели о положительных зависимостях — http://www.math.tau.ac.il/~ybenja/MyPapers/benjamini_yekutieli_ANNSTAT2001.pdf

(см. 1.3 — Проблема.)

Объяснение Бонферрони и другие интересные вещи — обзоры Nature Genetics.Статистическая оценка мощности и значимости в крупномасштабных генетических исследованиях — Пак С. Шам и Шон М. Перселл

(см. Вставку 3.)

http://en.wikipedia.org/wiki/Familywise_error_rate

РЕДАКТИРОВАТЬ:

В моем предыдущем ответе я прямо не определял положительную зависимость, о чем и спрашивали. В статье Йекутиели раздел 2.2 озаглавлен «Положительная зависимость», и я предлагаю его, поскольку он очень подробный. Однако я считаю, что мы можем сделать его немного более лаконичным.

Вначале статья начинается с разговора о положительной зависимости, используя его как расплывчатый термин, который можно интерпретировать, но не конкретизировать. Если вы читаете доказательства, то, что упоминается как положительная зависимость, называется PRSD, определенным ранее как «Положительная регрессионная зависимость от каждого из подмножества $ I_0 $». $ I_0 $ — это подмножество тестов, которые правильно поддерживают нулевую гипотезу (0). PRDS тогда определяется следующим образом.

$ X $ — это весь наш набор тестовой статистики, а $ I_0 $ — это наш набор тестовой статистики, который правильно поддерживает нулевое значение.Таким образом, для того, чтобы $ X $ был PRDS (положительно зависимым) от $ I_0 $, вероятность того, что $ X $ является элементом $ I_0 $ (нули), увеличивается в неубывающем наборе тестовой статистики $ x $ (элементы $ X $).

Интерпретируя это, поскольку мы упорядочиваем наши $ P $ -значения от наименьшего к наибольшему, вероятность быть частью нулевого набора тестовой статистики является наименьшей при наименьшем значении P и увеличивается оттуда. FDR устанавливает границу в этом списке тестовой статистики, так что вероятность быть частью нулевого набора равна 0.05. Это то, что мы делаем, контролируя FDR.

В итоге, свойство положительной зависимости на самом деле является свойством положительной регрессионной зависимости всего нашего набора тестовых статистик от нашего набора истинных нулевых тестовых статистик, и мы контролируем FDR, равный 0,05; таким образом, когда значения P идут снизу вверх (пошаговая процедура), они увеличивают вероятность того, что они являются частью нулевого набора.

Мой предыдущий ответ в комментариях о ковариационной матрице не был неправильным, просто немного расплывчатым.Надеюсь, это поможет еще немного.

Некоторые концепции зависимости

Реферат

Задачи с зависимыми парами переменных $ (X, Y) $ наиболее интенсивно изучаются в случае двумерных нормальных распределений и таблиц $ 2 \ times 2 $. Это связано в первую очередь с важностью этих случаев, но, возможно, частично также с тем фактом, что они демонстрируют только особенно простую форму зависимости. (См. Примеры 9 (i) и 10 в разделе 7.) Исследования, связанные с общим случаем, в основном сосредоточены вокруг двух проблем: (i) тесты на независимость; (ii) определение и оценка мер ассоциации. В большинстве методов лечения этих проблем неявно используется концепция, имеющая важное значение также в других контекстах (например, оценка эффективности определенных процедур множественного принятия решений), концепция положительной (или отрицательной) зависимости или ассоциации. Тесты на независимость, например, те, которые основаны на ранговой корреляции, $ t $ -статистике Кендалла или нормальных оценках, обычно не являются комплексными тестами (обсуждение таких тестов см. В [4], [15] и [17]), но разработаны для обнаружения довольно специфических типов альтернатив, а именно тех, для которых большие значения $ Y $ имеют тенденцию ассоциироваться с большими значениями $ X $, а малые значения $ Y $ — с небольшими значениями $ X $ (положительная зависимость) или наоборот. случай отрицательной зависимости, при котором большие значения одной переменной обычно связаны с малыми значениями другой.Точно так же меры ассоциации обычно предназначены для измерения степени такого рода ассоциации. Цель данной статьи — дать три последовательно более сильных определения положительной зависимости, исследовать их последствия, исследовать силу каждого определения на ряде примеров и дать некоторые статистические приложения.

Информация

Опубликовано: октябрь 1966 г.

Впервые доступно в Project Euclid: 27 апреля 2007 г.

Идентификатор цифрового объекта: 10.1214 / aoms / 1177699260

Права: Copyright © Институт математической статистики, 1966 г.

Программное обеспечение для статистически значимых положительных зависимостей

Программа Kingfisher ищет лучшие неизбыточные правила зависимостей, которые выражают статистически значимые положительные зависимости в данных.


Программа Kingfisher ищет лучшую неизбыточную зависимость правила, которые выражают статистически значимые положительные зависимости в данных. Правила имеют вид X-> A или X-> ~ A, где X — набор бинарные атрибуты и последствия — это отдельный атрибут или его отрицание. С помощью классических статистических мер (например, хи-квадрат и Фишера p) положительная зависимость между X и ~ A такая же, как отрицательная зависимость между X и A, и, таким образом, программа может найти как положительные, так и отрицательные зависимости.Неизбыточность зависимости означает, что правило X-> A (X-> ~ A) не выбрано, если оно субоптимально по сравнению с более общим правилом Y-> A (Y-> ~ A), где Y — собственное подмножество X.

Текущая реализация предлагает две меры поиска: точное определение Фишера. тест (p-значение) и критерий хи-квадрат. Последний можно использовать с коррекцией непрерывности или без нее. Однако точный тест Фишера всегда рекомендуется, потому что он дает более точные результаты (что лучше держать в будущих данных) и поиск тоже больше эффективный.Кроме того, пользователь может легко добавить свой меры.

Программа хорошо масштабируется без каких-либо минимальных пороговых значений частоты или ограничения на сложность правила. Например, можно проанализировать все наборы данных классических тестов (например, Chess, Pumsb, Accidents, Retail) всего с 1 ГБ памяти. Однако, если вычисление окажется слишком тяжелый, всегда можно искать только положительные (отрицательные) правила, уменьшить количество искомых правил, установить более требовательные начальные пороговые значения для меры качества, или используйте классические ограничения относительно периодичности и сложности правил.

Получите его на www.cs.helsinki.fi/u/whamalai/sourcecode.html.

Интегрированные наборы данных перекрестного исследования генетических зависимостей в раке

Обзор интегрированных экранов CRISPR-Cas9

Набор данных CRISPR-Cas9 оценки проекта Sanger (часть Sanger DepMap) 19 и набор данных DepMap 20Q2 BroadMap 20 , 21 содержат данные для 317 и 759 клеточных линий соответственно. В целом это скрины для 908 уникальных клеточных линий (рис.2а и дополнительные данные 1). Вместе эти клеточные линии охватывали 26 различных тканей (рис. 2b), и для 16 из них количество охваченных клеточных линий увеличивалось при одновременном рассмотрении обоих наборов данных. Точно так же интегрированный набор данных обеспечил более широкий охват конкретных типов рака и клинически значимых подтипов (рис. 2c). Эти предварительные наблюдения подчеркивают первое преимущество объединения этих ресурсов для увеличения статистической мощности для тканеспецифичных, а также объединенных анализов рака.

Рис. 2: Обзор линий раковых клеток, подвергнутых скринингу CRISPR-Cas9.

a Количество клеточных линий, проверенных институтами Броуда и Сэнгера, и их частичное совпадение. b Обзор количества клеточных линий, проверенных на каждый тип ткани в двух наборах данных. c Количество проверенных клеточных линий рака легких и рака груди, разделенных по типам рака и клиническим подтипам PAM50, соответственно, в двух наборах данных.

Между двумя наборами данных наблюдалось перекрытие 168 клеточных линий, проверенных обоими институтами, охватывающих 16 различных типов тканей (медиана = 8, минимум 1 для мягких тканей, желчных путей и почек, максимум 28 для легких, рис.2а, б). Набор перекрывающихся линий клеток позволил оценить эффекты партии из-за различий в экспериментальных протоколах, лежащих в основе двух наборов данных 16 , без смещения поправки в сторону конкретных линий клеток.

Предварительная обработка данных

Известные смещения на экранах CRISPR возникают из-за неспецифической режущей токсичности, которая увеличивается с амплификацией числа копий (CNA) 22,23 и неоднородных уровней эффективности нацеливания для sgRNAs, нацеленных на один и тот же ген 24 .Существует несколько методов исправления этих предубеждений. Здесь мы оцениваем три: CRISPRcleanR, неконтролируемый непараметрический метод коррекции эффекта CNA для индивидуальных полногеномных скринингов 17 ; метод, полученный в результате использования CRISPRcleanR с JACKS, байесовского метода, учитывающего различия в руководстве по целевой эффективности 18 (CCR-JACKS) посредством совместного анализа нескольких экранов; и CERES, метод, который одновременно корректирует эффекты CNA и учитывает различия в эффективности направляющих 12 , а также совместно анализирует экраны.

Коррекция эффекта партии

Технические различия в протоколах скрининга, реагентах и ​​экспериментальных настройках могут вызывать эффекты партии между наборами данных. Эти эффекты партии могут возникать из-за факторов, которые различаются в пределах институтов (например, различия в контрольных сериях и уровнях активности Cas9), а также между институтами (например, различия в продолжительности анализа и используемых библиотеках sgRNA). При сосредоточении внимания на наборе клеточных линий, подвергнутых скринингу в обоих институтах, анализ главных компонентов (PCA) профилей зависимости клеточных линий по генам (DPG) выявил явный эффект партии, определяемый происхождением скрининга, независимо от предварительной обработки. метод, согласующийся с предыдущими результатами (рис.3а) 16 .

Рис. 3: Оценка и коррекция эффекта партии.

a Графики основных компонентов профиля зависимости между генами (DPG) для клеточных линий, скринингованных в исследованиях Броуда и Сэнгера, а также в методах предварительной обработки. Экраны окрашены институтом происхождения: фиолетовый означает экран, выполненный в Broad, а синий — экран из Sanger. b Процент DPG линии клеток, у которых есть соответствующая (та же клеточная линия) DPG, проверенная в другом институте среди их k наиболее коррелированных DPG (окрестности k- ).Результаты показаны для различных методов предварительной обработки, CRISPRcleanR, CRISPRcleanR с JACKS (CCR-JACKS) и CERES (на разных графиках) и различных конвейеров пакетной коррекции (обозначены разными цветами). Различные конвейеры пакетной коррекции: только ComBat (ComBat, синий), ComBat с последующей квантильной нормализацией (ComBat + QN, оранжевый) и ComBat + QN с удаленным первым ПК (ComBat + QN + PC1, зеленый) или первыми двумя ПК. удалено (ComBat + QN + PC1-2, красный). Корреляции между DPG вычисляются с использованием взвешенной метрики корреляции Пирсона.Гены с более высокой селективностью имеют больший вес при вычислении корреляции. В качестве меры селективности мы использовали средний (по двум отдельным наборам данных) асимметрию профиля зависимости гена по линиям клеток. Показана доля клеточных линий, ближайших к своим аналогам из другого исследования ( k = 1), а нормализованные площади под кривыми (nAUC) показаны в скобках. Значения оси x ограничены диапазоном от 1 до 100, чтобы выделить диапазон, в котором видны различия в производительности между наборами данных.

Мы квантиль нормализовали DPG каждой клеточной линии и скорректировали с учетом различий в качестве экрана в отдельных наборах данных Broad / Sanger. Объединенный набор данных Broad / Sanger был затем скорректирован с использованием ComBat 25 (методы). После коррекции ComBat объединенные наборы данных на перекрывающихся линиях клеток показали уменьшенные, но стойкие остаточные эффекты партии, четко видимые вдоль двух первых основных компонентов (дополнительный рис. 1). Анализ первых двух основных компонентов (с использованием сигнатур гена MsigDB 26 и всех клеточных линий, Методы) показал обогащение метаболических процессов (метаболический процесс фосфора q -значение = 1.06e-08, процесс метаболизма белков q -value = 8.70e-07, гипергеометрический тест) в первом главном компоненте. Обогащение метаболических процессов согласуется с различиями, выявленными в этих наборах данных из-за различных условий среды, используемых в основных экспериментальных трубопроводах 16,27 . Второй главный компонент содержал значительные улучшения для организации и сборки белкового комплекса ( q -значение = 1,57e-16 и 5,28e-11, соответственно, гипергеометрический тест) (дополнительные данные 2), которые не имеют очевидных связей с обнаруженными техническими предубеждениями. в экранах CRISPR-cas9.Основываясь на этих результатах, мы рассмотрели четыре различных конвейера пакетной коррекции и оценили их использование в нашей интеграционной стратегии. В первом конвейере мы обработали объединенный набор данных Broad / Sanger DPG, используя только ComBat (ComBat). Во втором мы применили второй раунд квантильной нормализации после коррекции ComBat (ComBat + QN) для учета различной интенсивности фенотипа в экспериментах, что привело к различным диапазонам эффектов генной зависимости. В третьем и четвертом конвейерах мы также удалили первые один или два основных компонента, соответственно (ComBat + QN + PC1) и (ComBat + QN + PC1-2).

Последние 12 наборов данных содержали данные с уникальных экранов 908 линий клеток с использованием каждого из трех методов предварительной обработки и четырех различных конвейеров пакетной коррекции, как описано в предыдущем разделе. Чтобы оценить производительность различных конвейеров пакетной коррекции, мы оценили, используя перекрывающиеся клеточные линии, степень, в которой каждая клеточная линия DPG из одного исследования соответствовала таковой своей аналог (полученной из той же клеточной линии) из другого исследования после пакетной коррекции.Чтобы количественно оценить согласие, мы рассчитали для каждого DPG его сходство со всеми другими экранными DPG, используя взвешенную корреляцию Пирсона (wPearson) (методы). Затем мы рассчитали близость клеточной линии к ее аналогу по сравнению со всеми другими клеточными линиями, используя wPearson в качестве метрики (вспомнить идентичность клеточной линии) (рис. 3b).

Наилучшие характеристики были получены при удалении первого или первых двух основных компонентов после ComBat и квантильной нормализации, то есть ComBat + QN + PC1 или ComBat + QN + PC1-2.Среди методов предварительной обработки CERES показал наилучшие результаты: 302 (90%) клеточных линий были наиболее близки к своим аналогам из другого исследования ( k = 1), за которым следовали CRISPRcleanR с 272 линиями клеток (81%) и CCR-JACKS. с 215 (64%). Воспоминание идентичности клеточной линии было высоким для каждого конвейера интеграции со значениями нормализованной площади под кривой (nAUC) 0,98 для CCR-JACKS и 0,99 для CRISPRcleanR и CERES при рассмотрении наиболее эффективного метода пакетной коррекции ComBat + QN + PC1-2.

Производительность конвейеров интеграции

Мы оценили производительность каждого из 12 интегрированных наборов данных, содержащих 908 клеточных линий, в четырех случаях использования: идентификация (i) основных и второстепенных генов (ii) подтипов клонов ( iii) биомаркеры избирательных зависимостей и iv) функциональные отношения.

Идентификация основных и второстепенных генов

Клеточная линия DPG с большим разделением оценок зависимостей (DS) общих основных и второстепенных генов должна приводить к более низким показателям ошибочной классификации при выявлении зависимостей, специфичных для этой клеточной линии.Для каждой клеточной линии мы измерили разделение оценок зависимости (DS) между известными общими важными и второстепенными генами 11 во всех интегрированных наборах данных. В качестве меры разделения мы использовали нормированную на нуль разность средних (NNMD) 28 , определяемую как разницу между средними DS общих основных генов и несущественных генов, деленную на стандартное отклонение DS несущественных генов. основные гены.

Путем совместного анализа нескольких экранов CERES и JACKS заимствуют важную информацию о сигналах с экранов.Как следствие, эти методы лучше идентифицируют согласованные сигналы через DPG клеточной линии (т.е.для общих основных и второстепенных генов), особенно для DPG, полученных из экспериментов более низкого качества или сообщающих о более слабых фенотипах истощения 18,23 . Соответственно, CERES (средний диапазон NNMD [-5,78, -5,88]) показал лучшие значения NNMD, чем CRISPRcleanR (средний диапазон NNMD [-5,02, -5,12], тест Уилкокса (WT) N = 908 наибольшее значение p -значение 1,86 e-114) и CCR-JACKS (средний диапазон NNMD [-5.14, -5,23], N = 908 наибольшее значение WT p -значение 3,58e-111)), и аналогично CCR-JACKS имеет лучшие значения NNMD, чем CRISPRcleanR (наибольший WT p -значение 0,00021, N = 908) (рис. 4а). По сравнению с методами пакетной коррекции, ComBat + QN + PC1-2 показал немного лучшую производительность по всем методам предварительной обработки.

Рис. 4: Воспроизведение основных генов и идентификация клонов.

a Нормализованная по нулю разница средних (NNMD, мера разделения между оценками зависимостей ранее известных основных и второстепенных генов): определяется как разница в средних значениях между оценками зависимостей основных и второстепенных генов, деленная на стандартное отклонение оценок зависимости несущественных генов.Более отрицательные значения NNMD указывают на лучшее разделение основных и второстепенных генов. Результаты показаны для трех различных методов предварительной обработки: CRISPRcleanR, CRISPRcleanR с JACKS (CCR-JACKS) и CERES, используемых с четырьмя различными конвейерами пакетной коррекции. Различные конвейеры пакетной коррекции: только ComBat (ComBat, синий), ComBat с последующей квантильной нормализацией (ComBat + QN, оранжевый) и ComBat + QN с удаленным первым ПК (ComBat + QN + PC1, зеленый) или первыми двумя ПК. удалено (ComBat + QN + PC1-2, красный).Коробчатые диаграммы для N = 908 клеточных линий нарисованы с межквартильным размахом внутри прямоугольников и медианой в виде горизонтальной линии. Усы простираются в 1,5 раза больше межквартильного размаха и выходят за его пределы. b Частота ложных срабатываний по всем методам предварительной обработки и конвейерам пакетной коррекции. В профиле генной зависимости данной клеточной линии ген значительной зависимости был назван ложноположительным, если этот ген не был экспрессирован в этой клеточной линии. c Вызов известных основных генов во всех методах предварительной обработки и конвейерах пакетной коррекции при 10% FDR с использованием двустороннего t -теста для N = 830 клеточных линий. Коробчатая диаграмма показывает межквартильный размах в прямоугольнике, где медиана показана горизонтальной линией. Вискеры в 1,5 раза превышают межквартильный размах, и на график наносятся точки выбросов за пределами этого диапазона. d Согласование между кластерами клеточных линий на основе профиля зависимости между корреляцией генов и метками тканевых клонов соответствующих клеточных линий, между методами предварительной обработки и конвейерами пакетной коррекции.Сравнение наборов данных было выполнено с использованием двустороннего t -теста между N = 100 k -средствами кластеризации. В рамке указан межквартильный размах со средней горизонтальной линией. Усы простираются в 1,5 раза над межквартильным размахом, и на графике нанесены точки выбросов за пределами этого диапазона. и Согласование профилей пригодности CRISPR-cas9 легких в соответствии с подтипами рака легких ( N = 118). Для каждой запрашиваемой клеточной линии рака легкого мы, в свою очередь, вычисляли значения корреляции Пирсона со всеми другими клеточными линиями рака легкого (ответами).Затем мы ранжировали ответные клеточные линии в соответствии с этими корреляциями. Для каждой запрашиваемой клеточной линии было идентифицировано ранговое положение k линии клеток с наиболее коррелированным ответом из того же подтипа рака (совпадающий ответ). Ранг k = 1 указывает, что запрашиваемая клеточная линия была самой близкой к другой клеточной линии того же подтипа рака. Кривые показывают соотношение линий ячеек запроса с совпадающим ответом в пределах заданной позиции ранга. Доля строк ячеек запроса с совпадающим ответом в k = 1 также отображается в процентах для каждого набора данных.Нормализованная площадь под кривой (nAUC) для каждого набора данных показана в скобках. На рисунке показана ось x с увеличенным масштабом от 0 до 60.

Затем мы оценили частоту ложных срабатываний по зависимости от генов во всех интегрированных наборах данных. Для каждой клеточной линии DPG мы определили набор предполагаемых отрицательных контролей, состоящих из генов, не экспрессируемых на базальном уровне в этой клеточной линии (методы). Ложноположительные результаты рассчитывались как сумма отрицательных контролей, идентифицированных как значимые зависимости (в верхних 15% наиболее истощенных генов), нормализованная по их общему количеству в DPG.Было небольшое различие в частоте ложных срабатываний по четырем различным конвейерам пакетной коррекции, с небольшим улучшением, когда были удалены два основных компонента (рис. 4b). CERES значительно превзошел CCR-JACKS для всех методов пакетной коррекции (наибольшая \ (\ chi \) 2 таблица непредвиденных обстоятельств p -значение 1,87 × 10 −11 , N = 1,43 × 10 7 ) и CCR -JACKS превзошел CRISPRCleanR ( p, — значение ниже точности станка). Сравнивая методы коррекции, различия между ComBat и ComBat + QN и между ComBat + QN + PC1 и ComBat + QN + PC1-2, как правило, не были значительными для различных методов предварительной обработки, в то время как разница между ComBat или Combat + QN и либо ComBat + QN + PC1 или ComBat + QN + PC1-2 обычно были значимыми (наибольшее значение p -значение 1.42 × 10 −5 ). В качестве финального теста разделения контроля мы использовали невыраженные гены в качестве эмпирического нулевого распределения для каждого DPG, чтобы оценить значения p- для всех DS и, таким образом, частоту ложных открытий (FDR) в каждом DPG. Мы рассчитали отзыв эталонного набора общих основных генов 11 при 10% FDR (рис. 4c). И снова CERES превзошел CCR-JACKS, который превзошел CRISPRCleanR, а увеличение количества шагов в конвейере пакетной коррекции монотонно улучшило основной отзыв для всех методов предварительной обработки.Все различия между методами предварительной обработки и методами пакетной коррекции были значительными, с наибольшим наблюдаемым t -тест (связанный) p -значение 1,96 × 10 -3 ( N = 830).

Идентификация подтипов клонов

Многие зависимости зависят от контекста, снижая приспособленность клеток в подмножестве клонов, что может быть использовано для выяснения функции генов и выявления уязвимостей, специфичных для типа рака. Чтобы оценить способность объединенных наборов данных воспроизводить клоны тканей и клинические подтипы, мы сначала оценили степень сохраняющегося сходства между скринами клеточных линий, происходящих от одного и того же клона ткани.Мы оценили тенденцию скрининга клеточных линий одной и той же линии к схожим результатам, сравнивая неконтролируемую кластеризацию DPG линии клеток с пакетной коррекцией с метками линии линии клеток. С этой целью мы выполнили 100 кластеров k -средних для каждого из 12 наборов данных, при этом k равнялись количеству ветвей ткани, проверенных по крайней мере в одном исследовании. Затем мы рассчитали скорректированную взаимную информацию (AMI, методы) между каждой кластеризацией DPG и разделением клеточных линий, индуцированным их метками клонов.Мы наблюдали более чем вероятный AMI между полученными кластерами k и тканевыми линиями DPG клеточной линии, независимо от начального набора данных, скорректированного партиями (наибольший единичный образец t -тест p -значение 3,59 × 10 −135 , N = 100, рис. 4г). В каждом методе предварительной обработки удаление одного или двух основных компонентов приводило к увеличению AMI между кластерами DPG линии клеток и клонами тканей.

Затем мы измерили способность каждого из интегрированных наборов данных разделять клеточные линии в соответствии с подтипами клонов.Интегрированные наборы данных содержат более 100 линий клеток легких. Эти клеточные линии могут быть дополнительно разделены на подтипы, такие как мелкоклеточная карцинома легкого и мезотелиома, в то время как клинические подтипы, такие как классификации PAM50, доступны для клеточных линий рака молочной железы (рис. 2c). Чтобы количественно оценить кластеризацию клеточных линий по подтипам, мы вычислили корреляцию между всеми клеточными линиями DPG, и для данной линии ячеек запроса ранг линии клеток с наиболее коррелированным DPG с запросом из того же подтипа ( k -rank) .Для клеточных линий рака легких процент клеточных линий, ближайший сосед которых принадлежал к тому же подтипу ( k = 1), был наибольшим для CERES (64–65% по методам пакетной коррекции), за которым следует CRISPRcleanR (61–64%). и CCR-JACKS (50–57%) с небольшим улучшением после удаления одного или двух основных компонентов (рис. 4e). Значения нормализованной площади под кривой (nAUC) показали небольшие различия между методами пакетной коррекции и были в целом схожими между методами предварительной обработки CERES (легкое = 0.96, грудь = 0,91-0,92), CCR-JACKS (легкое = 0,95-0,96, грудь = 0,84-0,85), CRISPRcleanR (легкое = 0,96-0,97, грудь = 0,89-0,9) (дополнительный рис. 2).

Идентификация биомаркеров

Интересными потенциальными новыми терапевтическими мишенями являются гены, которые демонстрируют образец избирательной зависимости, то есть проявляют сильное снижение жизнеспособности при нацеливании CRISPR-Cas9 в подмножестве клеточных линий. Кроме того, эти избирательные зависимости часто связаны с молекулярными особенностями, которые могут объяснять их профили зависимости (биомаркеры).Мы исследовали способность каждого интегрированного набора данных выявлять тканеспецифические биомаркеры зависимостей. В качестве потенциальных биомаркеров мы использовали набор из 676 клинически значимых функциональных событий рака (CFEs 29 ) в 17 различных типах тканей. CFE включают мутации в генах-драйверах рака, амплификации / делеции хромосомных сегментов, периодически изменяемых при раке, гиперметилированные промоторы генов и статус микросателлитной нестабильности. Для каждого CFE и типа ткани мы выполнили тест Стьюдента t для каждой селективной генной зависимости (SGD, методы), сравнивая две группы клеточных линий на основе рассматриваемого статуса CFE (присутствует / отсутствует) для общего количества из 2 142 162 пар биомаркеров / зависимостей.

Общее количество значимых ассоциаций биомаркеров / зависимостей мало различается между методами пакетной коррекции при 5% FDR. Однако при использовании CRISPRcleanR было выявлено значительно большее количество ассоциаций биомаркеров / зависимостей по сравнению с CCR-JACKS (наибольшее значение p — 1,0e-14, тест пропорции) или CERES (наибольшее значение p — значение 3,60e-10, пропорциональный тест), в то время как между CCR-JACKS и CERES была обнаружена небольшая значимая разница (наименьшее значение p -значение 0.038, тест пропорции) (рис. 5а и дополнительные данные 3). Аналогичные результаты были получены, когда CFE были разделены в зависимости от того, был ли биомаркер мутацией, повторяющимся изменением числа копий или гиперметилированной областью (дополнительный рис. 3).

Рис. 5: Варианты использования Биомаркеры и функциональные взаимосвязи.

a Для каждой пары тканей функциональные события рака (CFE) и зависимости были протестированы с использованием двустороннего теста t- для выявления значимых ассоциаций между зависимостью генов и отсутствием / присутствием биомаркера (CFE).Гистограмма показывает общее количество значимых ассоциаций при 5% ложном обнаружении (FDR) по типам тканей для каждого из интегрированных наборов данных. Результаты показаны для различных методов предварительной обработки, CRISPRcleanR, CRISPRcleanR с JACKS (CCR-JACKS) и CERES (на разных графиках) и различных конвейеров пакетной коррекции. Различные конвейеры пакетной коррекции: только ComBat (ComBat — синий), ComBat с последующей квантильной нормализацией (ComBat + QN, оранжевый) и ComBat + QN с удаленным первым ПК (ComBat + QN + PC1, показан зеленым) или первым. удалены два ПК (ComBat + QN + PC1-2, красный). b Нормализованная по нулю средняя разница по онкогену (NNMD) между клеточными линиями с указанием онкогенного прироста функции и без него (чем больше отрицательный, тем лучше). Коробчатая диаграмма показывает межквартильный размах в прямоугольнике, где медиана показана горизонтальной линией. Усы простираются в 1,5 раза над межквартильным размахом, и на графике нанесены точки выбросов за пределами этого диапазона. c Для всех идентифицированных онкогенов в совокупности, площадь под кривой (AUC) характеристики приемника-оператора (ROC) между оценками онкогенов в клеточных линиях, где они имеют указанную мутацию с усилением функции, и клеточных линиях, где их нет. д . Для каждого набора данных количество известных отношений ген-ген восстановилось при 10% FDR. Количество проверенных отношений варьировалось от N = 346 114 до N = 346 744. Столбики ошибок показывают 95% доверительные интервалы, полученные из 100 итераций начальной загрузки.

Затем мы исследовали способность каждого набора данных восстанавливать известные селективные зависимости в отдельных линиях клеток. Мы загрузили набор изменений онкогенных генов из OncoKB 30,31 .После фильтрации генов, которые имеют тенденцию быть общими необходимыми (средние оценки зависимости ниже -0,5 в наборе данных CRISPRcleanR-ComBat, где -1 — медиана оценок известных общих основных компонентов), мы рассматривали онкогены как положительный контроль в клеточных линиях, где они указали на онкогенное или вероятное онкогенное усиление функциональных изменений и отрицательный контроль во всех остальных. Для каждого онкогена мы измерили NNMD между положительными и отрицательными клеточными линиями (рис. 5b). Мы обнаружили небольшую разницу в средней производительности при использовании метода предварительной обработки или метода пакетной коррекции.Затем мы собрали оценки зависимости всех онкогенов в клеточных линиях с соответствующим онкогенным изменением и измерили AUC характеристики приемника-оператора (ROC) между ними и оценки зависимости тех же генов в клеточных линиях без онкогенных изменений (рис. 5c). По этому показателю CRISPRcleanR превзошел CERES на 2,2% и CCR-JACKS на 4,0% с минимальными отклонениями в методах пакетной коррекции.

Восстановление функциональных отношений

Мы протестировали способность каждого набора данных определять ожидаемые отношения зависимости между паралогами, парами генов, кодирующими взаимодействующие белки, или членами одного и того же комплекса, используя аннотацию пар генов из общедоступных баз данных 32,33,34 (Методы).Для каждой пары генов, которые, как известно, имеют функциональную взаимосвязь, мы выбрали случайную пару генов со сходными средними показателями зависимости по клеточным линиям, чтобы служить в качестве нулевых примеров. Мы рассчитали уровень ложного обнаружения для известных пар, используя абсолютную корреляцию Пирсона их профилей зависимости по сравнению с профилями нулевых примеров. Восстановление известных отношений было неудивительно низким, поскольку многие гены с известными функциональными отношениями не проявляют фенотипов избирательной жизнеспособности. ComBat + QN + PC1 или PC1-2 восстановили наибольшее количество ожидаемых связей между генами при 10% FDR (рис.5г).

Окончательный выбор методов предварительной обработки и конвейеров пакетной коррекции

Сравнивая производительность методов пакетной коррекции в разных сценариях использования, мы обнаружили, что ComBat + QN превзошел только ComBat, а удаление одного или двух основных компонентов привело к аналогичному или заметному увеличению производительность по сравнению с ComBat + QN. Анализ главных компонентов показал, что ComBat + QN + PC1 скорректировал линейные и нелинейные эффекты технических искажающих факторов, включая длину анализа, библиотеку направляющих и условия среды.Удаление первых двух основных компонентов не дало никаких улучшений по сравнению с удалением только первого основного компонента, и мы не обнаружили никакого технического отклонения в наборах генов, обогащенных вторым основным компонентом. В целом, мы выбрали ComBat + QN + PC1 в качестве конвейера пакетной коррекции, поскольку он имел хорошие общие показатели производительности и меньшее влияние на данные по сравнению с ComBat + QC + PC1-2, при этом исправляя многочисленные технические ошибки. Сравнивая методы предварительной обработки, мы обнаружили, что CERES превзошел другие методы при идентификации основных генов и подтипов клонов, что CRISPRcleanR показала более высокую эффективность в случае использования ассоциации биомаркеров, и эти два метода работали сопоставимо и лучше, чем CCR-JACKS при идентификации известных гено-генные отношения.В заключение мы выбрали CERES и CRISPRcleanR в качестве методов обработки и рассмотрели два соответствующих интегрированных набора данных как окончательные результаты нашего конвейера.

Преимущества интегрированных наборов данных перед отдельными

В соответствии с результатами всех сценариев использования, мы оценили преимущества интегрированных наборов данных по сравнению с отдельными, с точки зрения увеличения возможностей для раскрытия надежных наборов общих основных генов (с использованием CERES), а также увеличенного разнообразия генетических зависимостей и ассоциаций биомаркеров (с использованием CRISPRcleanR).

Чтобы оценить увеличение охвата молекулярного разнообразия и генетических зависимостей в интегрированном наборе данных, мы сначала оценили увеличение количества обнаруженных генных зависимостей по отношению к двум отдельным наборам данных. С этой целью, используя обработанный набор данных CRISPRcleanR, мы количественно определили количество генов, значительно истощенных в клеточных линиях n (при 5% FDR, методы) для фиксированного количества клеточных линий n (при n = 1, 3). , 5 или n ≥ 10) интегрированного набора данных, а также в отдельных наборах данных Broad и Sanger.Интегрированный набор данных выявил больше зависимостей, что указывает на больший охват молекулярных функций и зависимостей, чем в отдельных наборах данных (дополнительный рис. 4a).

Затем мы оценили способность обработанного интегрированного набора данных CERES прогнозировать общие важные гены и его производительность по сравнению с отдельными наборами данных и двумя существующими наборами общих основных генов из недавних публикаций: Behan 2 и Hart 35 . Мы предсказали общие важные гены, используя два метода: метод 90-го процентиля 16 и адаптивную модель ромашки (ADaM) 2 .Большинство генов, называемых общими основными в соответствии с одним из методов ADaM или 90-го процентиля, также было идентифицировано другим (1482 из 2103, дополнительный рис. 4b). Мы присвоили каждому из 2103 общих существенных генов уровень, основанный на количестве подтверждающих доказательств их общей важности. Уровень 1, набор с наивысшей степенью достоверности, включал 1482 гена, обнаруженных обоими методами. На уровне 2 был обнаружен 621 ген только одним методом (дополнительные данные 4).

Для каждого прогнозируемого набора общих основных генов мы рассчитали частоту отзыва известных наборов основных генов, полученных из путей KEGG 36 и Reactome 37 .Эти пути включали гены рибосомных белков, гены, участвующие в репликации ДНК, и компоненты сплайсосомы (методы). Интегрированный набор общих основных генов (уровень 1 и 2) показал более высокий уровень запоминания известных основных генов по сравнению с Беханом и Харт, а также более высокий уровень запоминания по сравнению с отдельными наборами данных для 5 из 6 наборов генов (рис. 6a).

Рис. 6: Преимущества интегрированного набора данных.

a Вызов основных наборов генов для интегрированного набора данных (Integrated) на разных уровнях по сравнению с двумя ранее опубликованными наборами генов (Behan и Hart) и двумя отдельными наборами данных (Broad и Sanger). b Доля генов в общих наборах основных генов, которые конститутивно не экспрессируются в панели клеточных линий и, следовательно, могут давать ложноположительные результаты. c Примеры значимых ассоциаций между генами и признаками, обнаруженные в интегрированном наборе данных по сравнению с индивидуальным набором данных. Мы выполнили двусторонний тест t между каждым функциональным событием рака и генной зависимостью и множественными гипотезами, исправленными с использованием Бенджамини-Хохберга.График показывает межквартильный размах в прямоугольнике, где медиана показана горизонтальной линией, усы простираются в 1,5 раза больше межквартильного размаха. Первая диаграмма показывает пример уменьшения зависимости от MDM2 в линиях мутантных клеток легкого TP53 при сравнении набора данных Сэнгера с интегрированным набором данных с N = 8 для дикого типа (WT) и N = 32 для измененные (ALT) образцы в наборе данных Sanger и N = 21 (WT), N = 72 (ALT) в интегрированном наборе данных.Второй набор коробчатых диаграмм показывает повышенную зависимость от STAG1 для STAG2 , мутировавших в линиях клеток рака центральной нервной системы, обнаруженных в интегрированном наборе данных, но не в наборе данных Broad. Двусторонние тесты t были выполнены с N = 25 (WT) N = 4 (ALT) в наборе данных Broad и N = 39 (WT) N = 5 (ALT) в интегрированный набор данных. d Примеры значимых ассоциаций, обнаруженных в интегрированном наборе данных, которые не были значимыми ни в одном из отдельных наборов данных.В рамке указан межквартильный размах со средней горизонтальной линией. Усы в 1,5 раза превышают межквартильный размах. В интегрированных наборах данных наблюдалась повышенная зависимость от SMAD7 в линиях клеток гематопоэтического и лимфоидного рака с потерей CDKN2C и FAF1 с N = 46 (WT) N = 5 (ALT) и N = 28 (WT) N = 6 (ALT) для увеличения зависимости FOXA1 , связанной с увеличением CLTC и PPM1D в клеточных линиях рака молочной железы. e Коробчатые диаграммы содержат N = 50 случайных выборок от 5 до 90% из 168 перекрывающихся линий клеток (количество линий клеток в каждой выборке указано на оси x ). Для каждого образца корреляция Пирсона DPG после коррекции ComBat по сравнению с интегрированным набором данных была рассчитана для каждого метода предварительной обработки. f Средняя ширина силуэта (ASW) для каждого набора данных с пониженной выборкой ( N = 50) была рассчитана с использованием института происхождения в качестве метки кластера.Значение ASW, близкое к нулю, указывает на почти случайную производительность кластеризации, что означает, что образцы не группируются по происхождению экрана, и эффекты пакетной обработки были удалены. Коробчатая диаграмма показывает межквартильный размах в прямоугольнике, где медиана показана горизонтальной линией. Усы простираются в 1,5 раза над межквартильным размахом, и на графике нанесены точки выбросов за пределами этого диапазона.

Затем мы создали набор из 647 генов, которые никогда не экспрессировались в группе клеточных линий, чтобы служить в качестве отрицательного контроля с высокой степенью достоверности (методы).Затем мы рассчитали долю отрицательных контролей в каждом наборе общих основных генов. Наилучшая производительность была обнаружена с набором генов Hart (0%), за которым следует интегрированный набор данных (0,33%) (рис. 6b). Поскольку положительный и отрицательный контроли не охватывали все гены, мы дополнительно исследовали гены, которые, как предполагалось, являются общими важными. Интегрированный набор данных предсказал наибольшее количество общих элементов первой необходимости: только в интегрированном наборе данных было обнаружено 233 гена. 233 гена были обогащены генами клеточного цикла (гипергеометрический тест, q -значение 3.06e-9) и экспрессия митохондриальных генов (гипергеометрический тест, q- , значение 3.66e-7), что указывает на важные клеточные процессы. Сходные результаты наблюдались для 1159 генов в интегрированном наборе общих основных элементов, но ни один из существующих наборов данных (Бехан и Харт) (дополнительная таблица 1)

Затем мы спросили, смог ли обработанный CRISPRcleanR интегрированный набор данных выявить дополнительные важные CFE / ассоциации генной зависимости по сравнению с одним из наборов данных Броуда или Сэнгера (индивидуальные).Проведение систематического анализа биомаркеров с использованием CFE на клеточных линиях из отдельных клонов тканей выявило 52 дополнительных значимых ассоциации в интегрированном наборе данных (при рассмотрении только пар CFE / ген-зависимость, тестируемых в отдельных наборах данных при 1% FDR) по сравнению с теми, которые использовали набор данных Сэнгера. в одиночку, и 68 в отношении набора данных Broad (дополнительная таблица 2). Примеры включали снижение зависимости от MDM2 в линиях мутантных клеток легких TP53 для набора данных Sanger и повышенную зависимость от STAG1 в STAG2 мутантных клеточных линиях рака центральной нервной системы для набора данных Broad (рис.6в). Кроме того, 19 тканеспецифичных значимых ассоциаций, выявленных в интегрированном наборе данных, были протестированы, но не были обнаружены значимыми ни в наборе данных Броуда, ни в наборе данных Сэнгера. Двумя примерами этих ассоциаций были повышенная зависимость от SMAD7 после потери CDKN2C и FAF1 в гемопоэтических и лимфоидных тканях и повышенная зависимость от FOXA1 с приростом CLTC и PPM1D в груди (Рис. .

Требования к размеру выборки для эффективной интеграции данных

Чтобы еще больше увеличить охват карты зависимостей рака, новые экраны CRISPR-cas9 следует интегрировать в существующие наборы данных по мере их создания.Чтобы помочь в этой интеграции, мы оценили минимальное количество перекрывающихся клеточных линий, которые должны быть проверены, чтобы эффективно вычислять и корректировать эффекты партии. Мы выполнили понижающий анализ 168 клеточных линий, проверенных как в Сэнгере, так и в Броуде, в диапазоне от 5% до 90%, и использовали полученное подмножество клеточных линий для оценки и корректировки пакетных эффектов с помощью ComBat. После этого для каждой клеточной линии DPG, созданной в любом институте, мы вычислили корреляцию Пирсона после пакетной коррекции с использованием всех 168 перекрывающихся клеточных линий (рис.6д). Мы обнаружили высокую степень корреляции между наборами данных на всех уровнях даунсэмплинга, при этом минимум восемь выборок по-прежнему снижают пакетные эффекты по сравнению с отсутствием пакетной коррекции ( N = 0) (дополнительный рисунок 4c). Затем мы оценили пакетную коррекцию, используя среднюю ширину силуэта (ASW) кластеризации, вызванную институтом происхождения клеточных линий, как меру степени, в которой линии клеток из одного института сгруппированы вместе. Как и ожидалось, по мере того, как количество образцов, используемых для оценки и коррекции эффекта партии, уменьшается, DPG все больше группируются по партии происхождения (рис.6е).

Показатели корреляции ASW и Пирсона показали явную конвергенцию при увеличении размера выборки и с той же скоростью. Учитывая конвергенцию этих показателей, результаты показали, что использованных 168 перекрывающихся клеточных линий было достаточно, чтобы максимизировать пакетную коррекцию с помощью ComBat. Кроме того, анализ понижающей дискретизации показал, что конвергенция была достигнута на 90 клеточных линиях, и что от 30 до 40 клеточных линий было бы достаточно для получения высококоррелированного набора данных с пакетной коррекцией (корреляция Пирсона более 0.995) с полученным при оценке и корректировке пакетных эффектов с использованием> 90 клеточных линий.

168 перекрывающихся линий клеток принадлежали к 16 различным линиям. Чтобы исследовать влияние клонального состава клеточных линий на пакетную коррекцию, мы также использовали одну клоновую линию для оценки пакетных эффектов. В перекрывающихся клеточных линиях легочная линия имела наибольшее количество клеточных линий (всего 28). Мы выделили подвыборку линий клеток легких, чтобы включить 8, 17 или 25 линий клеток (дополнительный рис.4d, e) и обнаружил небольшую разницу в производительности между использованием одной и смеси линий, что указывает на то, что это не является основным фактором для оценки эффектов партии.

Финансы, связанные с природой — Global Canopy

Global Canopy была одним из четырех партнеров-учредителей, объединивших TNFD — новую глобальную инициативу, цель которой — дать финансовым учреждениям и компаниям полное представление об их природных рисках.

, официально запущенный в июне 2021 года, TNFD предоставит организациям основу для отчетности и принятия мер в связи с развивающимися природными рисками, чтобы поддержать сдвиг глобальных финансовых потоков от негативных для природы результатов к положительным для природы результатам.TNFD — это не новый стандарт, а агрегатор лучших инструментов и материалов для обеспечения согласованности во всем мире отчетности, связанной с природой.

TNFD приветствовали многие ведущие финансовые учреждения и корпорации, включая AXA, Barclays, BNP Paribas, Grupo Financiero Banorte, Kering, KPMG, H&M и многие, многие другие. Регулирующие органы и политики также выразили свою поддержку TNFD, в том числе министры окружающей среды и финансов G7 и министры окружающей среды G20.

С июля 2020 года по июнь 2021 года Global Canopy работала вместе с Программой развития Организации Объединенных Наций (ПРООН), Финансовой инициативой Программы Организации Объединенных Наций по окружающей среде (ЮНЕП FI) и Всемирным фондом дикой природы над катализатором TNFD. Мы создали и поддержали Неформальную рабочую группу из 75 финансовых учреждений, корпораций, правительств и регулирующих органов, аналитических центров и консорциумов, которые работали вместе с неформальной группой технических экспертов и группой наблюдателей. Совместная инициатива TNFD разработала объем и план работы TNFD.

Global Canopy будет продолжать поддерживать управляемую рынком TNFD в течение следующих двух лет, пока в 2023 году не будет запущена структура TNFD. После выпуска система TNFD дополнит существующие рекомендации Целевой группы по раскрытию финансовой информации, связанной с климатом (TCFD). отчетность, связанная с климатом.

По вопросам СМИ о TNFD обращайтесь к Аннебет Витьенбург, руководителю отдела коммуникаций TNFD.

Дополнительную информацию о TNFD можно найти на tnfd.global.

Синонимов зависимостей, Антонимов зависимостей | Тезаурус Мерриам-Вебстера

Тезаурус

Синонимы и антонимы слова

dependency качество или состояние потребности в чем-то или в ком-то
  • она была обеспокоена его сильной зависимостью от кофе, которая заставляла его двигаться по утрам

слов, относящихся к зависимости

Рядом с антонимами для зависимости

См. Определение словаря .