<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Computational Life Sciences Thailand (CLST) on Medium]]></title>
        <description><![CDATA[Stories by Computational Life Sciences Thailand (CLST) on Medium]]></description>
        <link>https://medium.com/@comlifescithailand?source=rss-8b4faaf489a------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*0KqTdLptvLn4X34W</url>
            <title>Stories by Computational Life Sciences Thailand (CLST) on Medium</title>
            <link>https://medium.com/@comlifescithailand?source=rss-8b4faaf489a------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 20:50:19 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@comlifescithailand/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Baysian vs Frequantist statistic: An example in hypothesis testing of clinical question]]></title>
            <link>https://medium.com/@comlifescithailand/baysian-vs-frequantist-statistic-an-example-in-hypothesis-testing-of-clinical-question-8550c84f5fb0?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/8550c84f5fb0</guid>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[biology]]></category>
            <category><![CDATA[bayesian-statistics]]></category>
            <category><![CDATA[computational-biology]]></category>
            <category><![CDATA[hypothesis-testing]]></category>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Wed, 13 Dec 2023 10:02:05 GMT</pubDate>
            <atom:updated>2023-12-13T10:02:05.219Z</atom:updated>
            <content:encoded><![CDATA[<h3>Bayesian vs Frequentist statistic: An example in hypothesis testing of clinical question</h3><blockquote>“A Bayesian version will usually make things better.” — Andrew Gelman, Columbia University.</blockquote><p>ในบทความก่อนหน้า <a href="https://medium.com/@comlifescithailand/%E0%B8%97%E0%B8%A4%E0%B8%A9%E0%B8%8E%E0%B8%B5%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%99%E0%B9%88%E0%B8%B2%E0%B8%88%E0%B8%B0%E0%B9%80%E0%B8%9B%E0%B9%87%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9A%E0%B8%A2%E0%B9%8C-%E0%B8%81%E0%B8%B1%E0%B8%9A%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%81%E0%B8%9B%E0%B8%A5%E0%B8%9C%E0%B8%A5%E0%B8%95%E0%B8%A3%E0%B8%A7%E0%B8%88%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%81%E0%B8%9E%E0%B8%97%E0%B8%A2%E0%B9%8C-797dcf5ebe59">https://medium.com/@comlifescithailand/ทฤษฎีความน่าจะเป็นแบบเบย์-กับการแปลผลตรวจทางการแพทย์-797dcf5ebe59</a> ผู้เขียนได้นำเสนอให้ผู้อ่านได้เห็นถึงการนำทฤษฎีของเบย์ (Bayes theory) เพื่อใช้ในการแปลผลการตรวจทางการแพทย์ให้มีประสิทธิภาพมากขึ้น สำหรับบทความนี้ ผู้เขียนจะพาทุกท่านไปเรียนรู้ร่วมกันกับการใช้ทฤษฎีทางสถิตินี้ (Bayesian statistics)ในการทดลองในมนุษย์ (clinical trial research) โดยในครั้งนี้ ผู้เขียนจะใช้การยกตัวอย่างสมมติเป็นการทำการทดลองและนำทฤษฎีนี้มาใช้ในผู้อ่านทุกท่านได้เรียนรู้ไปด้วยกัน</p><h3><strong>ตัวอย่างสมมติ</strong></h3><p>คำถามวิจัย: น้ำมะนาวโซดามีช่วยรักษามะเร็งลำไส้ได้หรือไม่?</p><p>วัตถุประสงค์วิจัย: เพื่อหาประสิทธิภาพของมะนาวโซดาในการรักษามะเร็งลำไส้</p><h4><strong>สมมติฐานงานวิจัย</strong></h4><p>สมมติฐานหลัก (Null hypothesis): มะนาวโซดามีประสิทธิภาพรักษามะเร็ง<strong>ไม่แตกต่าง</strong>กับน้ำเปล่า</p><p>สมมติฐานทางเลือก (Alternative hypothesis): มะนาวโซดามีประสิทธิภาพในการรักษามะเร็ง<strong>แตกต่าง</strong>กับน้ำเปล่า</p><h4>วิธีวิจัย:</h4><ul><li>แบ่งผู้ป่วยมะเร็งลำไส้เป็น 2 กลุ่ม กลุ่มละ 50 คน กลุ่มหนึ่งเป็นกลุ่มทดลอง โดยให้ดื่มน้ำมะนาวโซดา 1 แก้วต่อวัน อีกกลุ่มหนึ่งเป็นกลุ่มควบคุม โดยให้ทานน้ำเปล่าเป็นเวลา 1 ปี</li><li>วัดจำนวนผู้ที่หายจากมะเร็งหลังจากผ่านไปหนึ่งปี</li><li>วิเคราะห์ทางสถิติด้วย Chi-square test โดยมีค่าระดับนัยสำคัญ (alpha level) ที่ 0.05</li></ul><p>หมายเหตุ: 1. งานการออกแบบงานวิจัยสมมตินี้เป็นแบบไม่ละเอียด มีประเด็นมากมายที่ผู้เขียนละไว้เพื่อความลดความซับซ้อนของบทความเช่น เกณฑ์คัดเลือกบุคคลเข้าร่วมการวิจัย กระบวนการสุ่ม การปกปิดข้อมูลการรักษา,การคำนวณขนาดกลุ่มตัวอย่าง 2. งานวิจัยนี้ไม่สามารถเกิดขึ้นได้จริงเนื่องจากกลุ่มควบคุมควรเป็นวิธีการรักษามาตรฐานเช่นการให้ยาเคมีบำบัด ไม่ใช่น้ำเปล่า! (แต่ให้เป็นน้ำเปล่าเพื่อความง่ายในการยกตัวอย่าง) ทำให้ผิดจริยธรรมทางการวิจัยในมนุษย์แบบถึงขีดสุด</p><p>สมมติว่าผลลัพธ์การทดลองเป็นดังตาราง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/282/1*EQ1Vl8ZTRZWNnBp-qHG9oQ.png" /></figure><p>เมื่อคำนวณทางสถิติโดยใช้ Chi-square test เพื่อทดสอบสมมติฐานที่เราตั้งไว้ว่า: “สมมติฐานหลัก (Null hypothesis): มะนาวโซดามีประสิทธิภาพรักษามะเร็ง<strong>ไม่แตกต่าง</strong>กับน้ำเปล่า”</p><p>พบว่าได้ค่า P-value = 0.280748 ซึ่งมีค่ามากกว่า alpha level ที่ 0.05 แปลว่า เราไม่สามารถปฏิเสธสมมติฐานหลักได้ (fail to reject null hypothesis) ในที่นี้ ข้อสรุปสุดท้ายคืออะไร? ระหว่าง</p><p>1. มะนาวโซดามีประสิทธิภาพ <strong>ไม่แตกต่าง</strong> จากน้ำเปล่า</p><p>2. ไม่สามารถสรุปได้ว่ามะนาวโซดา <strong>แตกต่าง</strong> จากน้ำเปล่า</p><p>อ่านเร็วๆคงคิดว่าสองอันนี้แปลความหมายเหมือนกัน แต่ในความเป็นจริงนั้นข้อสรุปที่เราสามารถพูดได้คือข้อที่ 2 เท่านั้น! [1] นี่เป็นข้อจำกัดของวิธีทางสถิติแบบเดิม และเป็นจุดที่นักวิจัยหลายคนมักข้อพลาดพลั้งสรุปผลงานวิจัยไป เป็นสรุปแบบข้อที่ 1 (ซึ่งล่อตาล่อใจเหลือเกิน) ข้อผิดพลาดนี้เกิดบ่อยจนมีวลีหนึ่งเกิดขึ้นในหมู่นักสถิตินั่นคือ การไม่มีหลักฐาน ไม่ได้เป็นหลักฐานของความไม่มี (absence of evidence is not evidence of absence)</p><p>นี่นำไปสู่การมองโจทย์ข้อนี้ใหม่โดยผ่านกรอบของ Bayesian statistic ที่ทำให้เราสามารถนำไปสู่ข้อสรุปข้อที่ 1 ได้อย่างปลอดภัย</p><p>ในการประยุกต์ใช้ Bayesian framework สำหรับการทดสอบสมมติฐาน (Hypothesis testing) นั้นจะไม่ใช่การหาคำตอบแบบ 2 คำตอบ ว่า “มี” หรือ “ไม่มี” นัยสำคัญทางสถิติ แต่เป็นการคำนวณหาความเป็นไปได้ของตัวแปรที่เราสนใจว่ามีโอกาสเป็นตัวเลขเท่าไหร่ได้บ้าง และเปิดโอกาสให้ผู้ใช้ข้อมูลได้แปลผลได้อย่างยืดหยุ่นมากยิ่งขึ้น แต่เพื่อไม่ให้บทความยาวเกินไป ในครั้งนี้ผู้เขียนจะขอละเว้นวิธีการคำนวณและข้ามไปสู่การผลลัพธ์เลย โดยผู้อ่านสามารถศึกษาแนวทางการคำนวณได้เพิ่มเติม [3] (คำเตือน: มีการใช้ r programming และ ควรเข้าใจ Bayes statistic ในระดับนึง)</p><p>โดยก่อนจะไปขั้นตอน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/943/0*cZOPA17j52zKvA4d" /></figure><p>จากรูปที่ 1 คือรูปแสดงผลลัพธ์จากการหาว่าในกลุ่มทดลองทั้งสองกลุ่ม ในระดับประชากรทั่วไปแล้ว มีความน่าจะเป็นในการหายจากมะเร็งที่สัดส่วนต่างๆมากน้อยแค่ไหน โดยจุดสูงสุดคือฐานนิยม (mode) ของข้อมูล ซึ่งมีค่าเท่ากับ 4% ตามลำดับ 5% และเมื่อนำไปเทียบกับผลจากการทดลองของเรา สัดส่วนของคนที่หายในกลุ่มน้ำเปล่าและกลุ่มน้ำมะนาวมีค่าอยู่ที 4%( 40/960) คน และ 5% (50/950) คนตามลำดับ</p><p>แล้วเราเอาผลลัพธ์นี้ไปตอบคำถามคำถามเราได้อย่างไรว่าสรุปแล้วน้ำมะนาวโซดาดีกว่าน้ำเปล่าหรือไม่? เราสามารถนำผลลัพธ์ที่ได้มาหักลบกันเพื่อให้เห็นภาพได้ชัดขึ้นดังรูปที่ 2</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/943/0*Lk_pSO2m_jxQM8DA" /></figure><p>จากรูปที่ 2 คือความน่าจะเป็นภายหลัง (Posterior probability distribution) ของร้อยละของผู้ป่วยที่หายจากโรคมะเร็ง กลุ่มที่รักษาด้วยน้ำมะนาวโซดาเทียบกับน้ำเปล่า โดยจะเห็นว่าความเป็นไปได้มากสุด อยู่ที่ประมาณ 1% แปลว่าในการรักษาคน 100 คน จะมีคนหายจากน้ำโซดามะนาวมากกว่าอยู่ 1 คน (5% เทียบกับ 4% จากข้อมูลของรูปก่อนหน้า) สมมติว่าในระดับความสำคัญทางคลินิกแล้วเราบอกว่า การแตกต่างกันในช่วงลบหนึ่งถึงบวกหนึ่ง ถือว่าไม่แตกต่างในทางคลินิก เราสามารถคำนวณหาพื้นที่ใต้กราฟระหว่าง -1 ถึง +1 ได้เท่ากับ 52% และเรายังสามารถหาช่วง 95% credible interval (คล้ายๆกับ confidence interval) ได้เท่ากับ -1 ถึง 2.7% ยิ่งไปกว่านั้น จากการคำนวณนี้</p><p>เราสามารถบอกได้เลยว่าเป็นไปไม่ได้ที่มะนาวโซดาจะดีกว่าน้ำเปล่าเกินกว่า 5% (สังเกตจากรูปค่ามากสุดในแกน x ไปไม่ถึงจุด 5% )</p><p>เมื่อเปรียบเทียบกับวิธีการดังเดิมแล้ว วิธีการแบบดั้งเดิมจะได้ผลลัพธ์แบบสองทางเลือกคือมี หรือไม่มีนัยสำคัญ ในทางตรงกันข้าม วิธีแบบเบย์หลีกเลี่ยงการแปลผลแบบนัยสำคัญ แต่เป็นการบอกถึงความเป็นไปได้ที่จะเกิดเหตุการณ์ที่เราสนใจว่ามากหรือน้อยแค่ไหน เราสามารถเลือกค่าช่วงที่เราสนใจแล้วคำนวณพื้นที่ใต้กราฟเพื่อบอกความน่าจะเป็นของเหตุการณ์นั้นได้โดยตรง ซึ่งในความเห็นของผู้เขียน คิดว่าวิธีการอธิบายทางสถิติในรูปแบบนี้มีความทรงพลังกว่าสถิติแบบเดิมอย่างมาก ทั้งนี้ก็ขึ้นอยู่กับความคุ้นชินและความชอบส่วนบุคคล</p><p>แต่เดี๋ยวก่อน ถ้าย้อนกลับไปดูรูปที่ 1 จะเห็นว่าน้ำมะนาวโซดาทำให้มะเร็งให้ได้ถึง 5% ซึ่งเป็นผลที่น่าประทับใจมากแล้ว (และน่าประหลาดใจในเวลาเดียวกัน) มันจะเป็นอย่างนั้นจริงๆหรือ?</p><p>หนึ่งในศักยภาพของสถิติเบย์คือการอนุญาตให้เรานำองค์ความรู้ที่มีอยู่ก่อน เช่น งานวิจัยก่อนหน้า ความเห็นผู้เชี่ยวชาญ เข้ามาใช้มาประกอบในการคำนวณได้ โดยเราจะนำความรู้เก่า (prior) มาใช้คำนวณร่วมกับผลการทดลองของเรา เพื่อให้ได้ถึงความน่าจะเป็นภายหลัง เพิ่มเติม: ในทางคณิตศาสตร์คือการคำนวณหาการแจกแจงความน่าจะเป็นภายหลังขอบ ( posterior probability distribution) ซึ่งแปลผลตามการแปรกันตามของผลคูณระหว่างความควรจะเป็นของข้อมูล (likelihood) และการแจกแจงความน่าจะเป็นก่อน (prior probability distribution)</p><p>ผู้เขียนจะใช้อ้างอิงจากงานวิจัยเก่าคือ โอกาสการหายมะเร็งโดยที่ไม่ทำอะไรเลย (spontaneous regression) จะมีค่าประมาณ 1:80000 ในมะเร็งทั่วๆไป [3]</p><p>หมายเหตุ: จริงๆแล้วการใช้ prior แบบนี้ไม่ถูกต้องซะทีเดียว เพราะไม่ตรงกับ condition ในการทดลองของเราคือ ดื่มน้ำเปล่ากับดื่มน้ำมะนาวโซดา ไม่ใช่ไม่ทำอะไรเลย แต่ว่าที่ใช้ค่านี้อยู่ดีเพราะเป็น bias ของผู้เขียน (ซึ่งแต่งตั้งตัวเองเป็นผู้เชี่ยวชาญจำเป็น) ว่าการดื่มน้ำทั้งสองชนิดคงไม่ต่างกับการไม่ทำอะไรเลย!</p><p>เมื่อใช้ข้อมูลนี้ แล้วคำนวณแล้วพบผลลัพธ์ใหม่คือดังรูปที่ 3</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/943/0*deI2dw7gh-bdDsBo" /></figure><p>จะเห็นว่าความน่าจะเป็นของสัดส่วนของผู้หายจากมะเร็งทั้งในกลุ่มน้ำมะนาวโซดาและกลุ่มน้ำเปล่า เกาะกลุ่มกันอยู่แค่ช่วงใกล้ 0% มาก แปลว่าทั้งสองวิธีรักษานี้ แทบไม่ได้ช่วยในการรักษามะเร็งเลย และยิ่งไปกว่านั้น ทั้งสองวิธียังมีความแตกต่างกันน้อยมาก!</p><p>โดยสรุปแล้ว การใช้ Bayes statistic มาประยุกต์ใช้กับ hypothesis testing นั้น ทำให้เราสามารถก้าวข้ามข้อจำกัดในการแปลผล p-value จากทฤษฎีแบบเดิม และเปิดโอกาสให้เราสามารถนำข้อมูลเก่า (prior evidence) มาใช้ประกอบการวิเคราะห์ร่วมกับหลักฐานในการศึกษาของเราเองอีกเช่นกัน</p><p>ตัวอย่างที่ยกมาเป็นเพียงการวิเคราะห์อย่างง่าย แต่ศักยภาพของการใช้ Bayesian statistic นั้นมีเยอะมากเช่น การวิเคราะห์ความแปรปรวน (ANOVA), การวิเคราะห์การถดถอย (regression analysis), การจัดกลุ่ม (classification/clustering) ยิ่งไปกว่านั้นสถิติรูปแบบนี้ยังสามารถถูกนำไปใช้ในสาขาอื่นๆ ผู้เขียนจึงอยากเชิญชวนผู้อ่านทุกท่านทำความรู้จักกับสถิติรูปแบบใหม่นี้ เรียนรู้ และนำไปเสริมกำลังกับงานของตนเอง เพื่อให้ตอบคำถามที่แต่ละท่านสนใจในชีวิตได้อย่างครบองค์ประกอบมากยิ่งขึ้น</p><p>Reference</p><p>[1] Wasserstein RL, Lazar NA. The ASA Statement on p-Values: Context, Process, and Purpose. Am Stat. 2016;70(2):129–33. doi: 10.1080/00031305.2016.1154108.</p><p>[2] Heiss A. A guide to Bayesian proportion tests with R and {brms}. Andrew Heiss. 2023 May 15 [cited 2023 Oct 25]. Available from: <a href="https://www.andrewheiss.com/blog/2023/05/15/fancy-bayes-diffs-props/">https://www.andrewheiss.com/blog/2023/05/15/fancy-bayes-diffs-props/</a> DOI: 10.59350/kw2gj-kw740</p><p>[3] Minacapelli CD, Leuszkiewicz P, Patel A, et al. The Spontaneous Regression of Primary Gastrointestinal Malignancies: An Observational Review. Cureus. 2022;14(12):e32970. doi: 10.7759/cureus.32970.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8550c84f5fb0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[เอไอภาษาศาสตร์และวิวัฒนาการของยา]]></title>
            <link>https://medium.com/@comlifescithailand/%E0%B9%80%E0%B8%AD%E0%B9%84%E0%B8%AD%E0%B8%A0%E0%B8%B2%E0%B8%A9%E0%B8%B2%E0%B8%A8%E0%B8%B2%E0%B8%AA%E0%B8%95%E0%B8%A3%E0%B9%8C%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%A7%E0%B8%B4%E0%B8%A7%E0%B8%B1%E0%B8%92%E0%B8%99%E0%B8%B2%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%A2%E0%B8%B2-418f3ff0f452?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/418f3ff0f452</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[drug-development]]></category>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Wed, 06 Dec 2023 09:57:52 GMT</pubDate>
            <atom:updated>2023-12-06T09:57:52.422Z</atom:updated>
            <content:encoded><![CDATA[<p>ในช่วงไม่กี่ปีที่ผ่านมานี้เรียกได้ว่า AI ก็เป็นอีกหนึ่งเทคโนโลยีที่สร้างความเปลี่ยนแปลงอย่างยิ่งใหญ่ในหลายวงการเลยทีเดียว ไม่ว่าจะเป็น ChatGPT แชทบอทคู่ใจที่ถูกนำมาเขียนรีพอร์ทหรืองานเอกสารต่างๆ Stable Diffusion ที่ถูกนำมาวาดรูปจนเกิดเป็นเรื่องดราม่าใหญ่โตเกี่ยวกับเรื่องลิขสิทธิ์และอนาคตของวงการศิลปะ และอีกหนึ่งสิ่งที่พึ่งจะได้รับการปล่อยออกมาไม่นานนี้ Alphamissense [1] ที่ทำการทำนายผลลัพท์ของการเปลี่ยนแปลงของรหัสพันธุกรรมว่าจะก่อให้เกิดโรคต่างๆหรือไม่</p><p>ส่วนในวันนี้ที่เราจะมาพูดถึงกัน (ซึ่งผู้อ่านคงเดาได้ไม่ยากนักจากหัวข้อบทความ) ก็ไม่พ้นเรื่องของวงการยา ซึ่งมีความยากทั้งในแง่ของทรัพยากรที่ใช้ในการทดสอบ และอัตราสำเร็จที่ต่ำ (โดยเฉลี่ย 13.8% แต่ต่ำลงไปถึง 3.4% สำหรับยากลุ่มที่ใช้ในโรคมะเร็งต่างๆ) [2,3] ซึ่งปัจจุบันก็มีบริษัท startup หลายแห่งที่บอกว่าตนเองนำ AI มาใช้ในการค้นหายา ซึ่งหลักๆวันนี้เราจะมาดูกันที่ประเภทยาประเภทหนึ่งที่ได้รับความสนใจในทาง AI ค่อนข้างมาก คือยาแอนติบอดี้นั่นเอง</p><p>เราอาจจะได้มีการพูดถึงยาแอนติบอดี้กันมาบ้างแล้วในบทความก่อนๆ เช่นในฐานะของ<a href="https://medium.com/@comlifescithailand/68a7956dc73d">การนำแอนติบอดี้มารักษาโรคมะเร็ง</a> แอนติบอดี้เป็นโปรตีนชนิดหนึ่งที่โดยปกติถูกสร้างขึ้นมาในร่างกายของเราเพื่อต่อต้านสิ่งแปลกปลอม และยาประเภทแอนติบอดี้ก็คือโปรตีนสังเคราะห์ที่มีความเฉพาะเจาะจงในการจับกับเป้าหมายที่จำเพาะ เช่นโปรตีนที่อยู่บนผิวของแบคทีเรีย หรือโปรตีนที่พบเจอในเฉพาะเซลล์มะเร็ง เป็นต้น ซึ่งเราเรียกเป้าหมายของการจับของแอนติบอดี้ว่า แอนติเจน โดยแอนติบอดี้นี้ก็ได้รับความนิยมในการนำมาใช้เป็นยาและมีการจดทะเบียนโดยสำนักงานคณะกรรมการอาหารและยาหรือ FDA แล้วกว่า 162 ตัว ไม่ว่าจะเป็นยาโควิดอย่าง Casirivimab หรือยามะเร็งชนิดต่างๆ</p><p><strong>มองยาผ่านเลนส์ของคอมพิวเตอร์</strong></p><p>ถ้าเราอยากเข้าใจว่าเราจะทำให้คอมพิวเตอร์เข้าใจยาของเราได้ยังไง เราอาจจะต้องย้อนกลับมามองแอนติบอดี้เหล่านี้ก่อน ซึ่งมีโครงสร้างตามแบบภาพที่ 1 แอนติบอดี้นั้นประกอบด้วยสองส่วนหลักๆคือโปรตีนส่วนเบาและโปรตีนส่วนหนัก (ส่วนที่ห้อย L และ H ตามลำดับ) อย่างละ 2 สายประกบกัน ความน่าสนใจของแอนติบอดี้คือส่วนที่แต่ละสายนั้นมีกรดอะมิโนที่เกี่ยวข้องกับการจับอยู่ทั้งหมดประมาณ 100 กว่าตำแหน่ง (VL และ VH) รวมโปรตีนสองส่วนแล้วก็มีราว 200 ตำแหน่ง ซึ่งหากพูดถึงความเป็นไปได้ทางคณิตศาสตร์ตรงส่วนที่จับนี้ก็มีรูปแบบอยู่ถึง 20 ยกกำลัง 200 หรือประมาณ 160… แล้วตามด้วยศูนย์อีก 258 ตัวเลยล่ะ ซึ่งการมีรูปแบบที่หลากหลายขนาดนี้ก็มีส่วนช่วยให้แอนติบอดี้นั้นสามารถเกาะกับแอนติเจนได้หลายรูปแบบ โดยที่ลำดับของกรดอะมิโนที่ต่างกันก็ส่งผลให้แอนติบอดี้นั้นมีโครงสร้างที่แตกต่างกัน และสามารถเกาะเข้ากับแอนติเจนได้อย่างแน่นมากขึ้น ซึ่งส่งผลให้เกิดการเรียกระบบภูมิคุ้มกันส่วนอื่นมาทำลายเป้าหมายที่ถูกแอนติบอดี้เกาะนั่นเอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/438/0*BYl5oeUpjFnVOQAP" /></figure><p>ภาพที่ 1 โครงสร้างของแอนติบอดี้</p><p>(<a href="https://www.abcam.com/protocols/antibody-structure-and-isotypes">https://www.abcam.com/protocols/antibody-structure-and-isotypes</a>)</p><p>ตัวอย่างแรกที่อยากหยิบยกขึ้นมาเล่าให้ฟังอันแรกก็คือการหายาแอนติบอดี้ของบริษัท LabGenius ในโปรเจคที่ทำร่วมกับบริษัท Sanofi ในการสร้างยากลุ่มที่เรียกว่านาโนบอดี้ (Nanobody) ซึ่งที่จริงก็คือชิ้นส่วนขนาดเล็ก ซึ่งก็คือเพียงแค่เจ้าส่วน VH ที่มีขนาดแค่ประมาณ 1 ใน 10 ของแอนติบอดี้เต็มๆเท่านั้นเอง ซึ่งนาโนบอดี้เอง แม้จะประกอบด้วยเพียง 110 กรดอะมิโน รูปแบบที่เป็นไปได้ทั้งของนาโนบอดี้ก็ยังสูงกว่าจำนวนอะตอมทั้งหมดในจักรวาลเสียอีก ในเคสนี้ การเริ่มค้นคว้าหายาเริ่มตั้งแต่การสร้างชุดข้อมูลตั้งต้น ทางทีมเริ่มจากการนำนาโนบอดี้ตั้งต้นมาผ่านการเปลี่ยนลำดับกรดอะมิโนแบบสุ่ม หรือที่เรียกกันว่า Deep Mutational Scanning โดยอาศัยเทคนิคทางชีววิทยาร่วมกับความช่วยเหลือของหุ่นยนต์ช่วยทำแลปที่สามารถทดสอบประสิทธิภาพของยาได้พร้อมกันกว่าร้อยชนิด จากนั้นนำข้อมูลจากการทดลองครั้งแรกไปฝึกฝนโมเดล AI เพื่อช่วยหาว่าลำดับกรดอะมิโนแบบไหนที่น่าจะทำให้เกิดประสิทธิภาพทางยาสูงสุด แล้วจากนั้นนำลำดับกรดอะมิโนไปสร้างเป็นนาโนบอดี้เพื่อทดลอง (ดังภาพที่ 2) ในการทดลองแรกนั้น ทางบริษัทสามารถเพิ่มประสิทธิภาพยาได้ 7 เท่าจากการศึกษานาโนบอดี้ทั้งหมด 85 ตัว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/942/0*MzJiiE4uFzVQVOSm" /></figure><p>ภาพที่ 2 ขั้นตอนในการพัฒนาและสร้างยาแอนติบอดี้ตัวใหม่ในระดับอุตสาหกรรม</p><p>(ภาพจาก Poster Presentation ในงาน Single Domain Antibodies 2023 ที่ปารีส)</p><p>หนึ่งในตัวอย่างของโมเดลที่มีความซับซ้อนน้อยที่สุด ซึ่งปัจจุบันก็ยังถูกนำมาใช้เพื่อการสร้าง AI โมเดลสำหรับยาประเภทแอนติบอดี้ก็คือโมเดลที่ชื่อว่า Transformer [5] (ซึ่งไม่ใช่ทั้งชื่อหนังหรือแปลว่าหม้อแปลงแต่อย่างใด) ซึ่งที่จริงเป็นโมเดลที่ถูกใช้ในทางภาษาอย่าง ChatGPT และแทรกซึมอยู่ในหลายๆส่วนของชีวิตเรา เช่น การกรองอีเมลล์หรือการโชว์ฟีดในโซเชี่ยลมีเดียของเรา หลักการทำงานของมันคือการแปลตัวอักษรต่างๆเป็นสิ่งที่เรียกว่า Token (ตัวอย่างในภาพที่ 3) แล้วแปล Token ต่างๆให้เป็นตัวเลขเพื่อนำข้อมูลไปให้โมเดล AI เรียนรู้ เช่นเดียวกันกับโปรตีนที่สามารถแปลงลำดับกรดอะมิโนต่างๆให้เป็น Token ได้ อย่างในภาพที่ 3 นี้จะเห็นว่าการแปลงจากประโยคสู่ Token ก็สามารถทำได้หลายแบบ ถ้าเช่นในภาษาก็คือการตัดระดับอักษรหรือว่าระดับคำ หรืออย่างโปรตีนก็สามารถตัดในระดับทีละกรดอะมิโนหรือตัดทีละมากกว่า 1 ก็ได้เช่นกัน ทั้งนี้ยังมีโมเดลแบบอื่นๆที่ไม่ได้อาศัยเพียงแค่ลำดับกรดอะมิโน แต่ยังมีการใช้โครงสร้างสามมิติหรือว่าความสัมพันธ์ในแง่พันธะเคมีระหว่างกรดอะมิโนภายในสาย ซึ่งอาจจะได้มีการพูดถึงในโอกาสถัดๆไป</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/947/0*KwigWdvcFYo-OfU_" /></figure><p>ภาพที่ 3 การเปรียบเทียบระหว่างการตัดคำภาษาอังกฤษและการตัดลำดับกรดอะมิโนของโปรตีน</p><p><strong>จากโรงงานสู่แล็ปท็อป</strong></p><p>แม้ว่าขั้นตอนจะค่อนข้างตรงไปตรงมา แต่การที่จะสามารถทำขั้นตอนแบบนี้ได้จำเป็นต้องอาศัยพลังการประมวลผลของเครื่องมือที่ต้องการการลงทุนมหาศาล ส่วนหนึ่งก็เป็นเพราะว่า ข้อมูลที่เกี่ยวข้องกับประสิทธิภาพของแอนติบอดี้แม้จะมีอยู่ในอินเตอร์เน็ตจำนวนมาก แต่ก็เป็นการรวบรวมมาจากหลายแหล่งที่ซึ่งอาจจะใช้เครื่องมือและการวัดผลแตกต่างกัน คำพูดคลาสสิคอันหนึ่งคือคำพูดที่บอกว่าการนำขยะเข้า จะได้ผลลัพท์ขยะออก (Garbage in, garbage out) หรือก็คือการเอาข้อมูลที่ไม่ได้ใช้มาตรฐานเดียวกันในการวัดผลอาจจะทำให้เราได้โมเดลไม่มีประสิทธิภาพนัก และในส่วนของเรื่องคอมพิวเตอร์ก็ไม่พ้นเรื่องว่าข้อมูลนั้นมีขนาดใหญ่มากและต้องนำข้อมูลจากหลายฐานข้อมูลที่อาจจะเก็บข้อมูลไว้ในรูปแบบแตกต่างกัน</p><p>ถ้าเช่นนั้นแล้วเราจะทำอย่างไรเพื่อให้สามารถทำงานต่อได้ในโลกที่ไม่สามารถสร้างข้อมูลได้เองโดยการควบคุมการทดลองที่แม่นยำในระดับโรงงานเพื่อให้ได้ชุดข้อมูลที่มีคุณภาพกันล่ะ? ซึ่งโจทย์นี้แหละเป็นโจทย์ที่ท้าทายมากขึ้น และต้องอาศัยความคิดสร้างสรรค์ของการหยิบโมเดลต่างๆมาใช้ในรูปแบบที่ต่างไปจากเดิม ซึ่งส่งผลให้ในปัจจุบัน แล็ปท็อปสำหรับไว้เล่นเกมดีๆสักเครื่องบวกกับแล็ปท็อปขนาดเล็กๆที่อาจจะสังเคราะห์แอนติบอดี้ได้ไม่เกิน 20 ตัวก็ยังสามารถทำการพัฒนาแอนติบอดี้ตัวใหม่ได้อย่างไม่ยากนัก</p><p>หลายคนฟังมาถึงตรงนี้แล้วอาจจะยังงงๆว่ามันง่ายยังไง เพราะว่าการเทรนข้อมูลปริมาณมหาศาลไม่ใช่สิ่งที่ทุกคนจะทำได้ แต่ที่จริงแล้วโมเดลมันมีโมเดลต่างๆที่ถูกฝึกมาเรียบร้อยแล้วในโจทย์ต่างๆที่เกี่ยวข้องกับโปรตีนโดยทั่วไปก็ดี หรือเกี่ยวกับแอนติบอดี้โดยเฉพาะ โดยเจ้าของระบบการคำนวณยักษ์ใหญ่อย่าง Google หรือว่า Facebook ที่ทำให้เราสามารถนำโมเดลเหล่านี้ไปใช้ต่อได้อย่างฟรีๆนั่นแหละ</p><p><strong>สอนโมเดลให้เรียนไวยากรณ์ภาษาโปรตีน</strong></p><p>จริงๆแล้วอีกขั้นตอนหนึ่งของโมเดลในการเรียนรู้ภาษาต่างๆคือการทำให้โมเดลรู้จักกับธรรมชาติของภาษานั้นๆ จากการเอาข้อมูลภาษาจำนวนมากใส่เข้าไปให้โมเดลเรียนรู้ เทคนิคอันแรกๆที่ถูกพัฒนาขึ้นมาและยังถูกใช้งานจนถึงในปัจจุบันเราเรียกกันว่า Masked Language Modeling หรือ MLM [5] ซึ่งไอเดียของมันก็คือการที่ เราสามารถเรียนรู้ภาษาๆหนึ่งได้โดยการให้โมเดลเรียนโจทย์เติมคำในช่องว่างกับประโยคภาษาต่างๆ ซึ่งการสร้างชุดข้อมูลนี้สามารถทำได้ง่ายที่สุดเพราะเราแค่ต้องการภาษาที่ใช้งานอย่างถูกต้องเท่านั้น แล้วเราก็ทำการสุ่มลบคำออกให้เป็นช่องว่างที่โมเดลจะต้องทาย (ภาพที่ 4)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/481/0*n6OHDPDsqDglSZWl" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/474/0*sHJeqWkI2UNSGwz5" /></figure><p>ภาพที่ 4 ผลลัพท์ของโจทย์ที่ลบคำบางคำออกให้เป็นช่องว่างเพื่อให้โมเดลพยายามเติมคำในช่องว่างให้ถูกต้อง</p><p>จะเห็นว่าอย่างโมเดลภาษาไทยที่ถูกฝึกเมื่อตอนปี 2021 โดย VISTEC-depa AI Research Institute of Thailand [6] สามารถทายประเภทของคำที่จะอยู่ในช่องว่างที่เราใส่ไว้ได้อย่างถูกต้องโดยอ่านแล้วไม่รู้สึกแปลก (ถึงแม้ว่ามันจะไม่รู้เนื้อเพลงก็ตาม) แสดงให้เห็นว่าโมเดลเริ่มได้รับการเรียนรู้เกี่ยวกับไวยากรณ์และการใช้คำในตำแหน่งต่างๆได้อย่างถูกต้อง ไปลองเล่นกันได้ที่ HuggingFace (<a href="https://huggingface.co/airesearch/wangchanberta-base-att-spm-uncased">https://huggingface.co/airesearch/wangchanberta-base-att-spm-uncased</a>)</p><p>กลับเข้ามาที่เรื่องของโปรตีนและแอนติบอดี้ซึ่งสามารถนำถูกนำข้อมูลมาฝึกฝนในลักษณะใกล้เคียงกันได้ เนื่องจากว่าจริงๆแล้วเรามีข้อมูลลำดับกรดอะมิโนของโปรตีนอยู่เกินกว่า 250 ล้านตัวที่ถูกคัดเลือกมาแล้ว (<a href="https://www.uniprot.org/help/uniref">https://www.uniprot.org/help/uniref</a>) [7] ซึ่งมาจากหลากหลายสายพันธุ์ของสิ่งมีชีวิต ซึ่งข้อมูลที่โมเดลได้ทำการเรียนรู้ก็คือลักษณะของกรดอะมิโนแต่ละตัวว่าในธรรมชาติแล้ว กรดอะมิโนแต่ละตัวควรจะอยู่ในสภาพแวดล้อมแบบไหนจึงจะเหมาะสม หรือว่าโปรตีนที่จะสามารถใช้งานได้ควรจะมีลำดับเป็นอย่างไร อย่างที่ได้กล่าวไปว่า ลำดับการจัดเรียงของโปรตีนที่ความยาว 110 กรดอะมิโนจะมีความเป็นไปได้มากกว่าอะตอมในจักรวาล แต่ลำดับที่สุ่มขึ้นมามั่วๆส่วนใหญ่ก็มักจะส่งผลออกมาเป็นก้อนโปรตีนที่ไม่สามารถนำไปใช้ทำอะไรได้</p><p>แต่ถ้าเราลองเปลี่ยนมุมมองต่อฐานข้อมูลของเราดูว่ามันเป็นการรวบรวมข้อมูลโปรตีนที่มาจากสิ่งมีชีวิตหลายๆรูปแบบที่วิวัฒนาการมาให้เหมาะสมกับการใช้ชีวิต (เนื่องจากว่าสิ่งมีชีวิตส่วนใหญ่ที่เราเก็บข้อมูลโปรตีนของมันมาได้ยังไม่สูญพันธุ์) และการที่สิ่งมีชีวิตต่างๆที่เหลือรอดมาจนถึงปัจจุบันนี้ยังดำรงอยู่ได้ ส่วนหนึ่งก็เป็นเพราะแรงกดดันทางวิวัฒนาการที่ทำให้สิ่งมีชีวิตที่มีลำดับเบสหรือโปรตีนที่เหมาะสมอยู่รอดมา หรือถ้าให้พูดอีกนัยนึง ก็คือเหมือนกับว่าเจ้าโมเดลภาษาที่ถูกฝึกบนข้อมูลโปรตีนก็ได้เรียนรู้ถึงว่า โปรตีนแบบไหนที่เป็นประโยชน์กับวิวัฒนาการของสิ่งมีชีวิตนั่นเอง</p><p><strong>เร่งวิวัฒนาการแอนติบอดี้ด้วยมือเรา (ที่กดปุ่มให้โมเดล AI มันรันให้)</strong></p><p>ในวันนี้โมเดลที่จะหยิบยกมาเล่าให้ฟังและมีการใช้งานจริงแล้วก็คือโมเดลที่ชื่อว่า ESM (Evolutionary Scale Modeling) [8] ของ Facebook ที่ถูกฝึกมาบนฐานข้อมูลขนาดใหญ่เรียบร้อยแล้ว กับทีมวิจัยที่มหาวิทยาลัย Stanford ที่สหรัฐอเมริกา [9] ที่ลองเอา Masked Language Model ของ ESM มาใช้ในการพัฒนายาแอนติบอดี้ให้ดีขึ้นกว่าเดิม ซึ่งอย่างในการทดลองของทีมนี้ เขาได้ทำการทดลองกับแอนติบอดี้ 7 ชนิด ซึ่งมีทั้งแบบที่เป็นยาที่สามารถวางจำหน่ายได้แล้ว และแบบที่ยังอยู่ในขั้นตอนการพัฒนาอย่างยาของโควิดบางชนิด ซึ่งวิธีการทำก็คือเขาทดลองหาโดยการใส่ข้อมูลลำดับกรดอะมิโนของส่วนที่มีไว้จับกับแอนติเจนของแอนติบอดี้เข้าไปในโมเดล (ราว 200 ตำแหน่ง) แล้วให้โมเดลลองทายว่ามีตำแหน่งไหนที่ควรจะปรับปรุงให้ดีขึ้นหรือไม่ โดยอาศัยการดูค่าคะแนนที่โมเดลแนะนำว่าตำแหน่งไหนมีการแนะนำกรดอะมิโนตัวอื่นที่แตกต่างไปจากลำดับเดิม (เหมือนกับที่โมเดลภาษาของเราแนะนำว่าควรเติมคำว่าโสดมากกว่าคำว่าจน นั่นอาจจะเป็นสัญญาณว่าการเปลี่ยนเนื้อร้องอาจจะทำให้เพลงได้รับความนิยมมากขึ้นก็ได้) แล้วจากนั้นทางทีมก็นำข้อมูลตำแหน่งที่ควรจะเปลี่ยนไปทดสอบทีละตำแหน่ง ว่าที่โมเดลเสนอให้มีการเปลี่ยนนั้น มีอันไหนที่ให้ผลลัพท์เป็นแอนติบอดี้ที่สามารถเกาะกับเป้าหมายได้แน่นขึ้นบ้าง จากนั้นจึงนำการเปลี่ยนแปลงที่ให้ผลดีมารวมกัน ให้เป็นยาที่ถูกพัฒนาขึ้นไปอีกขั้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/338/0*L_sO-CD8TkdnofOP" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/341/0*lFPWhzM8gvLKQmD8" /></figure><p>ภาพที่ 5 ผลลัพท์ของการใช้โมเดลภาษาเพื่อจำลองการวิวัฒนาการให้กับยา</p><p>ซึ่งผลลัพท์คือยาทั้ง 7 ชนิดได้รับการพัฒนาขึ้นในระดับต่างๆกัน โดยที่ต่ำสุดคือ 1.3 เท่า แต่สูงสุดคือ 80 เท่าเลยล่ะ แต่อีกสิ่งหนึ่งที่อยากจะชวนให้ดูก็คือ คำแนะนำของโมเดล (จุดสีฟ้าอ่อน) นั้นก็ไม่ได้ถูกต้องเสมอไป แต่ต้องบอกก่อนว่าโจทย์ปัญหานี้ก็เป็นโจทย์ที่มีความยากสูงมาก หากว่าเราสุ่มมั่วๆ โดยปกติแล้วโอกาสที่เราจะได้แอนติบอดี้ที่ดีขึ้น โอกาสมีอยู่ที่ประมาณ 1–2% เท่านั้น การที่เราสามารถเพิ่มจำนวนของการเดาถูกของเราขึ้นเป็น 15% หรือ 20% ก็นับว่าเป็นทิศทางทีดีในการพัฒนายาให้เร็วยิ่งๆขึ้นไปแล้ว</p><p><strong>แล้วถ้าเราอยากลดจำนวนข้อมูลลงไปอีกล่ะ?</strong></p><p>นั่นเป็น… เรื่องของบทความถัดไปครับ 555 วันนี้ผมได้พาทุกคนมาลองดูวิธีการหนึ่งในการปรับปรุงยาแอนติบอดี้ด้วย AI ไปแล้ว แต่ผมยังไม่ได้มีโอกาสพูดถึงว่า แล้วถ้าเราอยากออกแบบยาตัวใหม่ล่ะ เช่นถ้ามีโรคใหม่อุบัติขึ้นมา เราจะเริ่มการสร้างแอนติบอดี้ด้วย AI เลยได้มั้ย ซึ่งคำตอบสั้นๆก็อาจจะเป็น “ได้” แต่ถ้าคำตอบยาวกว่านี้อาจจะต้องพาทุกคนไปเข้าใจหลักการของอีกหลายอย่างพอสมควร ไม่ว่าจะเป็นหลักการของชีววิทยาโครงสร้าง หรือการสร้างภาพสามมิติเพื่อดูปฏิสัมพันธ์ของยาและเป้าหมายของมัน ดังนั้นผมขอติดเอาไว้ก่อน แต่จะผมขอทิ้งท้ายไว้ว่ายังมีวิธีการมองโจทย์นี้ในอีกหลายมุมมองมากๆ และวิธีที่ผมนำมาให้ทุกคนดูก็เป็นวิธีการแก้ปัญหาเพียงวิธีหนึ่งเท่านั้น สุดท้ายในอนาคตเราอาจจะได้วิธีที่ประสบความสำเร็จในการพัฒนายาแบบ 100% ก็ได้ ซึ่งอาจจะเป็นวิธีที่ไม่เหมือนกับที่ผมเสนอให้ฟังเลยสักนิดเลยก็เป็นได้เช่นกัน</p><p>ปล. ใครสนใจก็อย่าลืมกดติดตามเพจของเรา LifeCode by CLST ( <a href="https://www.facebook.com/people/LifeCode-by-Computational-Life-Science-Thailand/61550248612374/">https://www.facebook.com/people/LifeCode-by-Computational-Life-Science-Thailand/61550248612374/</a> ) และหากเห็นว่าเป็นประโยชน์ ขอฝากกดไลค์เป็นกำลังใจและแชร์บทความให้ทุกๆคนได้อ่านกันด้วยนะครับ</p><p>[1] Cheng, J., Novati, G., Pan, J., Bycroft, C., Žemgulytė, A., Applebaum, T., Pritzel, A., Wong, L. H., Zielinski, M., Sargeant, T., Schneider, R. G., Senior, A. W., Jumper, J., Hassabis, D., Kohli, P., &amp; Avsec, Ž. (2023). Accurate proteome-wide missense variant effect prediction with Alphamissense. <em>Science</em>, <em>381</em>(6664). <a href="https://doi.org/10.1126/science.adg7492">https://doi.org/10.1126/science.adg7492</a></p><p>[2] Wong, C. H., Siah, K. W., &amp; Lo, A. W. (2018). Estimation of clinical trial success rates and related parameters. <em>Biostatistics</em>, <em>20</em>(2), 273–286. <a href="https://doi.org/10.1093/biostatistics/kxx069">https://doi.org/10.1093/biostatistics/kxx069</a></p><p>[3] Sun, D., Gao, W., Hu, H., &amp; Zhou, S. (2022). Why 90% of clinical drug development fails and how to improve it? <em>Acta Pharmaceutica Sinica B</em>, <em>12</em>(7), 3049–3062. <a href="https://doi.org/10.1016/j.apsb.2022.02.002">https://doi.org/10.1016/j.apsb.2022.02.002</a></p><p>[4] Foxler, D. (2023). <em>Machine Learning via Sequence Diversification for the Co-optimisation of NANOBODY® Properties</em>. LabGenius Poster. <a href="https://static1.squarespace.com/static/627245460748b93cb2c0baf6/t/6505e2369f1277573e156988/1694884407933/Single-domain+antibodies+2023+_+LabGenius+x+Sanofi+Poster.pdf">https://static1.squarespace.com/static/627245460748b93cb2c0baf6/t/6505e2369f1277573e156988/1694884407933/Single-domain+antibodies+2023+_+LabGenius+x+Sanofi+Poster.pdf</a></p><p>[5] Devlin, J., Chang, M.-W., Lee, K., &amp; Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. <em>North American Chapter of the Association for Computational Linguistics</em>. <a href="https://doi.org/10.18653/v1/n19-1423">https://doi.org/10.18653/v1/n19-1423</a></p><p>[6] Lowphansirikul, L., Polpanumas, C., Jantrakulchai, N., &amp; Nutanong, S. (2021). Wangchanberta: Pretraining transformer-based thai language models. arXiv preprint arXiv:2101.09635.</p><p>[7] Suzek, B. E., Huang, H., McGarvey, P., Mazumder, R., &amp; Wu, C. H. (2007). UNIREF: Comprehensive and non-redundant Uniprot Reference Clusters. <em>Bioinformatics</em>, <em>23</em>(10), 1282–1288. <a href="https://doi.org/10.1093/bioinformatics/btm098">https://doi.org/10.1093/bioinformatics/btm098</a></p><p>[8] Lin, Z., Akin, H., Rao, R., Hie, B., Zhu, Z., Lu, W., Smetanin, N., Verkuil, R., Kabeli, O., Shmueli, Y., dos Santos Costa, A., Fazel-Zarandi, M., Sercu, T., Candido, S., &amp; Rives, A. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model. <em>Science</em>, <em>379</em>(6637), 1123–1130. <a href="https://doi.org/10.1126/science.ade2574">https://doi.org/10.1126/science.ade2574</a></p><p>[9] Hie, B. L., Shanker, V. R., Xu, D., Bruun, T. U., Weidenbacher, P. A., Tang, S., Wu, W., Pak, J. E., &amp; Kim, P. S. (2023). Efficient evolution of human antibodies from general protein language models. <em>Nature Biotechnology</em>. <a href="https://doi.org/10.1038/s41587-023-01763-2">https://doi.org/10.1038/s41587-023-01763-2</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=418f3ff0f452" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Nature’s Toolbox: ALE’s Role in Crafting Superior Industrial Strains แกะรอยวิวัฒนา…]]></title>
            <link>https://medium.com/@comlifescithailand/natures-toolbox-ale-s-role-in-crafting-superior-industrial-strains-%E0%B9%81%E0%B8%81%E0%B8%B0%E0%B8%A3%E0%B8%AD%E0%B8%A2%E0%B8%A7%E0%B8%B4%E0%B8%A7%E0%B8%B1%E0%B8%92%E0%B8%99%E0%B8%B2-aa467077df67?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/aa467077df67</guid>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Thu, 30 Nov 2023 10:02:17 GMT</pubDate>
            <atom:updated>2023-11-30T10:02:17.632Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Nature’s Toolbox: ALE’s Role in Crafting Superior Industrial Strains แกะรอยวิวัฒนา สู่การพัฒนาจุลินทรีย์</strong></h3><p>จากคราวก่อนที่เรามีการพูดถึงการใช้เทคโนโลยีโอมิกส์ ในการนำจุลินทรีย์ไปใช้อุตสาหกรรม <a href="https://medium.com/@comlifescithailand/%E0%B9%84%E0%B8%82%E0%B8%A3%E0%B8%AB%E0%B8%B1%E0%B8%AA-%E0%B8%82%E0%B8%A2%E0%B8%B1%E0%B8%9A%E0%B9%82%E0%B8%A5%E0%B8%81%E0%B8%88%E0%B8%B8%E0%B8%A5%E0%B8%B4%E0%B8%99%E0%B8%97%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B9%8C-%E0%B8%AA%E0%B8%B9%E0%B9%88%E0%B8%AD%E0%B8%B8%E0%B8%95%E0%B8%AA%E0%B8%B2%E0%B8%AB%E0%B8%81%E0%B8%A3%E0%B8%A3%E0%B8%A1%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B9%80%E0%B8%97%E0%B8%84%E0%B9%82%E0%B8%99%E0%B9%82%E0%B8%A5%E0%B8%A2%E0%B8%B5-%E0%B9%82%E0%B8%AD%E0%B8%A1%E0%B8%B4%E0%B8%81%E0%B8%AA%E0%B9%8C-f08cc2f9b011">(ไขรหัส ขยับโลกจุลินทรีย์ สู่อุตสาหกรรมด้วยเทคโนโลยี “โอมิกส์ ” | by Computational Life Sciences Thailand (CLST) | Aug, 2023 | Medium)</a> วันนี้เราจะพามารู้จักเทคนิคนึงที่สามารถนำมาใช้ในการพัฒนาและปรับปรุงจุลินทรีย์ให้มีประสิทธิภาพในการนำมาใช้ในอุตสาหกรรมได้โดยใช้องค์ความรู้จากวิวัฒนาการที่เราสร้างขึ้นได้เองในห้องแลป!!</p><p>ในการขยายกำลังการผลิตสู่อุตสาหกรรม สิ่งที่เราจะคำนึงกันอย่างมาก คือ “ความคุ้มทุน” ว่ากระบวนการผลิตนี้จะคุ้มทุนหรือไม่ ได้กำไรหรือไม่ จะทำยังไงเพื่อลดต้นทุนการผลิตได้ จริงๆ ในฐานะคนธรรมดาๆ อย่างเรา ที่ทำแลปอยู่ในห้องแลปทำการผลิตเล็กๆ แค่ในหลอดทดลอง ก็จินตนาการไม่ออกว่าเราต้องใช้ทรัพยากรมากขนาดไหน ในการผลิตในระดับอุตสาหกรรม เมื่อช่วงเดือนที่ผ่านมา ผมได้ไปลงเรียนวิชานึงเกี่ยวกับการปรับปรุงกระบวนการผลิตจากห้องแลปสู่อุตสาหกรรม assignment แรกของวัน ที่เป็นการเทียบบัญญัติไตรยางศ์ธรรมดาๆ แต่น่าประทับใจ เพราะมันเห็นภาพชัดมากๆ โดยเค้าถามว่า “เราจะต้องใช้พื้นที่เท่าใด ในการปลูกอ้อยเพื่อผลิตน้ำตาลสำหรับป้อนโรงงานในการผลิตแอลกอฮอล์จากกระบวนการหมักของยีสต์” โดยปกติแล้ว การหมักในระดับอุตสาหกรรมจะใช้น้ำตาลประมาณ 50 ตัน ต่อการหมักหนึ่งครั้ง ซึ่งอ้อย 1 ตัน จะผลิตน้ำตาลได้ประมาณ 20 กิโลกรัม เพราะฉะนั้นเราต้องการอ้อยมากถึง 416.67 ตัน โดยถ้าเราจะผลิตอ้อยได้ขนาดนี้เราจะต้องใช้พื้นที่ 5.9 เฮกเตอร์ หรือ ประมาณสนามฟุตบอล 8 สนามเพื่อจะผลิตน้ำตาลต่อหนึ่งรอบการผลิตของแอลกอฮอล์ ดังนั้นเพื่อที่จะให้เกิดความคุ้มทุนมากขึ้นการผลิตแอลกอฮอล์ในปัจจุบันจึงมีความพยายามปรับไปใช้สารตั้งต้นที่ใช้ในการผลิตเป็นสารที่มีราคาต้นทุนถูกลง โดยเราสามารถเปลี่ยนแปลงขยะหรือสิ่งเหลือใช้จากการเกษตร อย่างตอซังข้าว กากอ้อย โดยเราจะเรียกรวมๆว่า ชีวมวลลิกโนเซลลูโลส (Lignocellulosic Biomass) ซึ่งเป็นโครงสร้างของผนังเซลล์ของพืช มาย่อยสลายให้ได้น้ำตาลเพื่อนำไปผลิตแอลกอฮอล์หรือสารผลิตภัณฑ์อื่น ๆ ได้ (ภาพที่ 1) แต่ระหว่างการย่อยสลายลิกโนเซลลูโลสนอกจากจะได้น้ำตาลแล้ว จะพบว่ามีสารยับยั้งการเจริญเติบโตของจุลินทรีย์ออกมาด้วย แล้วเราจะทำยังไงเพื่อให้จุลินทรีย์มีความสามารถในการทนต่อสารยับยั้งการเจริญเติบโต หรือ จะทำยังไงให้ยีสต์สามารถทนต่อความเข้มข้นของแอลกอฮอล์ที่ตัวมันผลิตได้สูงๆ เพื่อที่มันจะผลิตแอลกอฮอล์ได้เพิ่มขึ้น ประสิทธิภาพที่สูงขึ้นได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/0*G5OYvqOac207Niek" /><figcaption>ภาพที่ 1 กระบวนการผลิตแอลกอฮอล์จากการใช้วัสดุเหลือใช้ทางการเกษตร [1]</figcaption></figure><p>ในการพัฒนาจุลินทรีย์ให้ได้สายพันธุ์ที่ดีขึ้นนั้น นักวิทยาศาสตร์ได้มีการพัฒนาตามหลักการของดาร์วิน ซึ่งเชื่อได้ว่าแทบทุกคนคงเคยได้ยินชื่อของ ชาร์ล ดาร์วิน ผู้เป็นบิดาแห่งวิชาวิวัฒนาการ โดยเค้าได้คิดค้นและตั้งทฤษฎีการเกิดของสิ่งมีชีวิตสายพันธุ์ใหม่ๆ ซึ่งเกิดจากการคัดเลือกโดยธรรมชาติ (Theory of Natural Selection) โดยสิ่งมีชีวิตจะต้องมีการปรับตัวตามสิ่งแวดล้อมที่อยู่ตลอดเวลา เพื่อให้สามารถอยู่รอดและดำรงเผ่าพันธุ์ต่อไปได้ นักวิทยาศาสตร์ได้นำแนวคิดนี้มาประยุกต์ใช้กับการพัฒนาจุลินทรีย์ให้ได้สายพันธุ์ที่ดีขึ้นในห้องแลป หรือเรียกเทคนิคนี้ว่า “<em>Adaptive Laboratory Evolution (ALE)” </em>โดยจะนำเชื้อจุลินทรีย์มาเลี้ยงและศึกษาในสภาวะควบคุมที่เราสนใจและต้องการเพิ่มขีดความสามารถของเชื้อ ยกตัวอย่างเช่น เรามีโจทย์ในการเพิ่มความสามารถในการทนต่อความเข้มข้นของแอลกอฮอล์เพื่อให้เห็นภาพมากขึ้น โดยเราจะนำยีสต์มาเลี้ยงในอาหารที่มีการเติมแอลกอฮอล์จากความเข้มข้นต่ำ ๆ จากนั้นจึงถ่ายเชื้อที่เจริญเติบโต ไปสู่ความเข้มข้นที่สูงขึ้นเรื่อย ๆ โดยความเข้มข้นที่เพิ่มขึ้น จะทำให้เกิดการคัดเลือกโดยธรรมชาติกับกลุ่มประชากรของยีสต์ โดยยีสต์ที่สามารถปรับตัวจะสามารถอยู่รอดและเจริญเติบโตได้ในความเข้มข้นที่สูงขึ้นได้ โดยการถ่ายเชื้อจะทำต่อไปเรื่อย ๆ จนถึงความเข้มข้นที่สูงขึ้นตามที่ต้องการ หรือ จุดที่สุดความสามารถของการทนของยีสต์ได้ จึงทำให้ท้ายที่สุดเราจะได้สายพันธุ์ของยีสต์ที่สามารถทนต่อความเข้มข้นสูงๆ ของแอลกอฮอล์โดยการคัดเลือกตามธรรมชาติที่เกิดขึ้นในห้องทดลอง (ภาพที่ 2)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/718/0*ZKOYxaC6vY45hPS_" /><figcaption>ภาพที่ 2 กระบวนการทำการศึกษาและปรับปรุงสายพันธุ์จุลินทรีย์ด้วยเทคนิค Adaptive Laboratory Evolution [2]</figcaption></figure><p>ซึ่งเบื้องหลังที่ทำให้เกิดการเปลี่ยนแปลงลักษณะที่ปรากฏ (Phenotype) ที่ยีสต์สามารถเจริญเติบโตและผลิตแอลกอฮอล์ได้แม้จะมีความเข้มข้นที่สูงมากนั้น แท้จริงแล้วระหว่างการปรับตัวของยีสต์ที่ระดับความเข้มข้นของแอลกอฮอล์ที่สูงขึ้นนั้น การปรับตัวจะเกิดจากการเปลี่ยนแปลงลำดับพันธุกรรมบนจีโนม หรือ กลายพันธุ์ (mutation) โดยประชากรที่มีการกลายพันธุ์ของยีนที่เป็นประโยชน์ต่อการทนแอลกอฮอล์มากขึ้นก็จะอยู่รอดและส่งต่อยีนดีๆ เหล่านั้นสู่รุ่นถัดไป ส่วนกลุ่มที่ยีนไม่ดีก็จะถูกคัดออกโดยธรรมชาติ โดยในปัจจุบันเรามีเทคโนโลยีการอ่านลำดับเบสทั้งหมดบนจีโนมของแบคทีเรีย (Whole Genome Sequencing) ที่มีราคาถูกลงทำให้เราสามารถศึกษาลักษณะการเปลี่ยนแปลงของจีโนม ว่ายีนที่ทำหน้าที่ใดกันแน่ที่ทำให้ยีสต์สามารถทนต่อความเข้มข้นของแอลกอฮอล์ได้สูงขึ้น โดยเปรียบเทียบจีโนมของยีสต์ระหว่างก่อนและหลังการพัฒนาสายพันธุ์ด้วยการทำ ALE ซึ่งจากภาพที่ 2 ก็จะเห็นว่าเชื้ออาจมีการตัดยีนออก (Gene Deletion) หรือ เกิดการเปลี่ยนแปลงลำดับเบสของยีนที่เกี่ยวข้อง (SNPs) ทำให้เราสามารถใช้องค์ความรู้เหล่านี้มากำหนดเป็นยีนเป้าหมายในการปรับปรุงสายพันธุ์โดยการตัดต่อพันธุกรรม หรือการออกแบบสายพันธุ์ตามความต้องการโดยใช้ชีววิทยาสังเคราะห์ได้ (ทางกลุ่ม CLST ของเราเคยมีบทความเกี่ยวกับวิทยาการการถอดรหัสพันธุกรรม ผู้ที่สนใจสามารถตามไปอ่านได้นะครับ: <a href="https://medium.com/@comlifescithailand/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%96%E0%B8%AD%E0%B8%94%E0%B8%A3%E0%B8%AB%E0%B8%B1%E0%B8%AA%E0%B8%9E%E0%B8%B1%E0%B8%99%E0%B8%98%E0%B8%B8%E0%B8%81%E0%B8%A3%E0%B8%A3%E0%B8%A1-101-%E0%B8%99%E0%B8%B1%E0%B8%81%E0%B8%A7%E0%B8%B4%E0%B8%97%E0%B8%A2%E0%B8%B2%E0%B8%A8%E0%B8%B2%E0%B8%AA%E0%B8%95%E0%B8%A3%E0%B9%8C%E0%B8%96%E0%B8%AD%E0%B8%94%E0%B8%A3%E0%B8%AB%E0%B8%B1%E0%B8%AA%E0%B8%88%E0%B8%B5%E0%B9%82%E0%B8%99%E0%B8%A1-%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%87%E0%B8%AA%E0%B8%B7%E0%B8%AD%E0%B9%81%E0%B8%AB%E0%B9%88%E0%B8%87%E0%B8%8A%E0%B8%B5%E0%B8%A7%E0%B8%B4%E0%B8%95-%E0%B9%84%E0%B8%94%E0%B9%89%E0%B8%AD%E0%B8%A2%E0%B9%88%E0%B8%B2%E0%B8%87%E0%B9%84%E0%B8%A3-f6c433805d80">การถอดรหัสพันธุกรรม 101 : นักวิทยาศาสตร์ถอดรหัสจีโนม (หนังสือแห่งชีวิต) ได้อย่างไร | by Computational Life Sciences Thailand (CLST) | Oct, 2023 | Medium)</a></p><p>ซึ่งจะเห็นได้ว่าการใช้ ALE และชีวสารสนเทศโดยใช้ข้อมูลโอมิกส์ สามารถนำไปใช้กับการปรับปรุงและศึกษาสภาวะเครียดของจุลินทรีย์ และจริงๆ แล้วยังสามารถนำไป ศึกษาในสภาวะอื่น ๆ ได้อีก ไม่ว่าจะเป็นการทำให้เชื้อทนสภาวะกรด ทนความร้อน ทนสารยับยั้งการเจริญเติบโต ได้มากขึ้น โดยสิ่งที่จะได้นั้นไม่ใช่เพียงเพื่อได้เชื้อจุลินทรีย์ที่มีประสิทธิภาพดีขึ้นแต่ยังได้องค์ความรู้ทางกลไกการเปลี่ยนแปลงทางวิวัฒนาการบนจีโนมที่สามารถนำไปต่อยอดได้อีกด้วย รวมทั้งในปัจจุบันได้มีการรวบรวมข้อมูลของยีนที่มีการกลายพันธุ์ระหว่างการทดลอง ALE ในสภาวะต่าง ๆ เป็น database (<a href="https://aledb.org/">ALEDB</a>) จึงทำให้สามารถสืบค้นและเปรียบเทียบยีนที่มีการกลายพันธุ์ที่มาจากแต่ละการทดลองได้ง่ายขึ้น ทำให้ในอนาคตหากเรามีข้อมูลที่สอดคล้องกันก็จะสามารถนำมาสรุปเป็นยีนเป้าหมายที่น่าสนใจที่มีความน่าเชื่อถือมากขึ้น [3]</p><p><strong>References</strong></p><p>1. Chacón-Navarrete H, Martín C, Moreno-García J (2021) Yeast immobilization systems for second-generation ethanol production: actual trends and future perspectives. Biofuels, Bioprod Biorefining 15:1549–1565. <a href="https://doi.org/10.1002/BBB.2250">https://doi.org/10.1002/BBB.2250</a></p><p>2. Sandberg TE, Salazar MJ, Weng LL, et al (2019) The emergence of adaptive laboratory evolution as an efficient tool for biological discovery and industrial biotechnology. Metab Eng 56:1–16. <a href="https://doi.org/10.1016/j.ymben.2019.08.004">https://doi.org/10.1016/j.ymben.2019.08.004</a></p><p>3. Phaneuf P V., Gosting D, Palsson BO, Feist AM (2019) ALEdb 1.0: a database of mutations from adaptive laboratory evolution experimentation. Nucleic Acids Res 47:D1164–D1171. <a href="https://doi.org/10.1093/NAR/GKY983">https://doi.org/10.1093/NAR/GKY983</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=aa467077df67" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ปรากฏการณ์โลกใบเล็ก:]]></title>
            <link>https://medium.com/@comlifescithailand/%E0%B8%9B%E0%B8%A3%E0%B8%B2%E0%B8%81%E0%B8%8F%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%93%E0%B9%8C%E0%B9%82%E0%B8%A5%E0%B8%81%E0%B9%83%E0%B8%9A%E0%B9%80%E0%B8%A5%E0%B9%87%E0%B8%81-d590df6708c7?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/d590df6708c7</guid>
            <category><![CDATA[graph]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[social-network]]></category>
            <category><![CDATA[networking]]></category>
            <category><![CDATA[small-world]]></category>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Wed, 15 Nov 2023 09:06:06 GMT</pubDate>
            <atom:updated>2023-11-15T09:06:06.256Z</atom:updated>
            <content:encoded><![CDATA[<p>เชื่อหรือไม่ว่า คนทั้งโลกถูกเชื่อมโยงกันเพียงแค่ 6 ช่วงคน</p><p>หลายๆ ครั้งเราพบว่า คนที่เราเพิ่งรู้จักเป็นเพื่อนของเพื่อนเรา จนหลายๆ ครั้งต้องอุทานว่า “โลกกลม” ซึ่งมีความหมายว่าโลกหรือสังคมที่เราอยู่มันช่างเล็กจนเหมือนว่าทุกคนต่างเป็นเพื่อนของเพื่อน และจะเชื่อหรือไม่ก็ตาม มีทฤษฎีสมคบคิดกล่าวไว้ว่า บนโลกที่มีประชากรกว่า 8 พันล้านคน เมื่อเราไล่เรียงดีๆ 8 พันล้านคนนี้ กลับเป็นคนรู้จักของคนรู้จักของคนรู้จักของคนรู้จักของคนรู้จักของคนรู้จัก (คำว่าคนรู้จัก 6 รอบ) หรืออีกนัยหนึ่ง ไม่ว่าจะเป็นนายกรัฐมนตรีของสหรัฐอเมริกา หรือเจ้าชายแห่งสหราชอาณาจักรก็เป็นคนรู้จักของคนรู้จักของคนรู้จักของคนรู้จักของคนรู้จักของคนรู้จัก (คำว่าคนรู้จัก 6 รอบ) ของเรา เราสามารถทำการทดสอบความเชื่อดังกล่าวด้วยการศึกษาโครงข่ายสังคม (social network) ที่เชื่อมโยงคนทั้งโลกกว่า 8 พันล้านคน (ดูเพิ่มเติมรูปที่ 1) เราจะพบว่าเส้นทางที่สั้นที่สุดที่สามารถเชื่อมโยงใครก็ตามสองคนเข้าหากัน มีค่าแค่ 6 ลำดับเท่านั้น [1] หรือพูดง่ายๆ คือเราสามารถทำความรู้จักใครก็ได้บนโลกผ่านคนรู้จักของเราเพียง 6 ลำดับหรือ 6 ช่วงคนเท่านั้น ทำให้ทฤษฎีสมคบคิดนี้ไม่ใช่เรื่องเกินจริง (แต่ก็อาจจะไม่ใช่ตัวเลขเป๊ะๆ ตามนี้เมื่อพิจารณาโครงสร้างสังคมและประชากรในแต่ละปี)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/671/0*Xiode9jmGPOJd1HA" /></figure><p>รูปที่ 1 แสดงให้เห็นรูปการเพิ่มขึ้นแบบทวีคูณของคนรู้จักของคนรู้จัก [1]</p><p>มันจะเป็นไปได้อย่างไร ที่จะมีเส้นทางที่สั้นที่สุดเชื่อมคนสองคนจาก 8 พันล้านคน เชื่อมเข้าหากันได้สั้นขนาดนั้น แต่เรื่องนี้สมเหตุสมผลเมื่อเราพิจารณาลึกลงไปในลักษณะของโครงข่ายสังคมด้วยทฤษฎีกราฟ (topology) โครงข่ายสังคมของเรามีลักษณะเป็นไปตามทฤษฎี small-world ของ Watts-Strogatz ที่ให้คำนิยามไว้ว่า เป็นโครงข่ายที่มีลักษณะของการเชื่อมโยงแบบสุ่มอยู่จำนวนหนึ่งกระจายอยู่ในโครงสร้างเครื่องข่ายที่มีรูปแบบซ้ำอย่างเป็นลำดับ ทำให้เกิดโครงข่ายที่มีลักษณะ เป็นกลุ่มย่อย (cluster) ที่แต่ละบุคคลเชื่อมโยงกันด้วยเส้นทางสั้นๆ ผ่านเส้นทางที่เกิดขึ้นอย่างสุ่ม (ดูเพิ่มเติมรูปที่ 2) ซึ่งทำให้บุคคลที่มีเส้นทางอย่างสุ่มนั้นเป็นบุคคลสำคัญที่ทำการเชื่อมโยงกลุ่มย่อยเข้าหากันผ่านเส้นทางที่สั้นลงเรียกว่า hub ซึ่งเป็นเสมือนตัวกลางสำคัญที่เชื่อมโยงทุกคนเข้าหากัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/685/0*kb1rQlf205gFtxub" /></figure><p>รูปที่ 2 แสดงความเชื่อมโยงแบบเป็นลำดับ (ซ้ายมือ), แบบโลกใบเล็ก (กลาง), และแบบสุ่ม (ขวามือ) โดยค่า clustering coefficient แสดงให้เห็น ลักษณะการเชื่อมโยงแบบกลุ่มย่อย (cluster) และ Mean Path Length แสดงให้เห็นค่าเฉลี่ยความยาวที่สุดในแต่ละคู่ที่เชื่อมเข้าหากัน [2]</p><p>ยกตัวอย่างให้เห็นภาพ เช่นประเทศไทย มีกลุ่มคนที่เชื่อมกันเป็นโครงข่ายสังคมขนาดใหญ่ เช่นเดียวกับสหรัฐอเมริกา ซึ่งอาจจะมีญาติของญาติเราสักคนที่รู้จักกับประยุทธ์ จันทร์โอชา (hub) และมีญาติของญาติของป้าสักคนในอเมริกาที่รู้จักโดนัล ทรัมป์ (hub) และประยุทธ์กับทรัมป์ก็รู้จักกันทำให้เราและป้าสักคนในอเมริกาสามารถเชื่อมต่อกับเราได้เพียง 6 ช่วงคนเท่านั้น</p><p>ซึ่งการสามารถอธิบายปรากฏการนี้ได้ก็เพราะ เราได้ทำการศึกษา ทฤษฎีกราฟ (topology) อันเป็นทฤษฎีที่สำคัญในการศึกษาโครงข่าย หรือ network และไม่เพียงแต่เราสามารถใช้ทฤษฎีนี้ในการทำความเข้าใจโครงข่ายสังคมเท่านั้น แต่เรายังสามารถใช้ทฤษฎีนี้ในการทำความเข้าใจกลไกการทำงานของสิ่งมีชีวิตอีกด้วย</p><p>ในบทความที่แล้ว เราได้พูดคุยกับถึงการเขียนโลกของสิ่งมีชีวิต ตามหลักไวยากรณ์แบบการเขียนแผนที่ หรือการสร้างโครงข่าย (อ่านได้ที่ https://medium.com/@comlifescithailand/ถอดชีวิต-ผ่านการอ่านอย่างเป็นระบบ-377455d7c78f และ https://medium.com/@comlifescithailand/ถอดชีวิต-ผ่านการอ่านอย่างเป็นระบบ-17d289fd3e61)</p><p>นักวิทยาศาสตร์พบว่าโครงข่ายการทำงานในระดับพันธุกรรมของสิ่งมีชีวิตนั้นอธิบายได้โดยง่ายโดยใช้ทฤษฎี small-world เช่นเดียวกัน การศึกษาฉบับแรกๆ ในสิ่งมีชีวิตเกิดขึ้นในยีสต์ [3] โดยนักวิจัยทำการสร้างโครงข่ายการแสดงออกร่วมกันของยีนส์ที่ถูกควบคุมด้วยโปรตีนควบคุม (regulator) ตัวเดียวกัน ทำให้ได้โครงข่ายที่ประกอบด้วย 4,077 ยีนส์ และเส้นเชื่อมต่อกว่า 65,430 เส้น หลังจากนั้น ก็มีการศึกษาในสิ่งมีชีวิตอื่นๆ อีกมากมายซึ่งพบว่าทฤษฎี small-world นี้สามารถใช้อธิบายการทำงานร่วมกันของยีนส์ในสิ่งมีชีวิตหลากหลายชนิด</p><p>แล้วการที่เรารู้ว่าทฤษฎี small world ใช้อธิบายสิ่งมีชีวิตได้ นอกจากการที่เรารู้ว่ายีนส์ที่รู้จักของยีนส์ที่รู้จักของยีนส์ที่รู้จักของยีนส์ที่รู้จักของยีนส์ที่รู้จัก มันรู้จักกัน แล้วมันมีประโยชน์อะไรอีก</p><p>การที่เรารู้จัก ทฤษฎี small-world ทำให้เราพบว่า การที่จะควบคุมระบบขนาดใหญ่ที่มีความซับซ้อนสูงนั้น เราจะต้องมุ่งเน้นไปที่การควบคุมจัดการ hub ให้ได้ โดย hub ที่ทำการเชื่อมโยงกันระหว่างกลุ่ม (inter-hub) จะมีความสำคัญต่อการทำงานแบบภาพรวม หรือแบบเป็นวงกว้าง โดยที่ลักษณะจำเพาะของ hub ที่เชื่อมโยงภายในกลุ่ม (intra-hub) จะส่งผลต่อลักษณะจำเพาะภายในกลุ่ม เช่นความมั่นคงแข็งแรงหรือความยืดหยุ่นภายใน โดยนักวิจัยพบว่าการรบกวนยีนส์แบบสุ่มจะไม่ส่งผลต่อความล้มเหลวของระบบการทำงานของยีนส์ แต่หากรบกวนยีนส์ที่ทำหน้าที่เป็น hub จะส่งผลให้ระบบการทำงานของยีสต์ล้มเหลวอย่างรวดเร็ว [4]</p><p>พูดง่ายๆ ก็คือ หากเราต้องการให้ป้าที่อเมริกาที่ไม่ได้ญาติคนใดของเขารู้จักกับเราเป็นการส่วนตัว กับเราที่อยู่ในประเทศไทย ไม่มีทางได้บังเอิญทำความรู้จักกัน หรือถ้าจะมารู้จักกันได้ก็ต้องยากมากๆ อาศัยมากกว่า 6 ช่วงคนรู้จัก จะเป็นการยากมากหากเราต้องไปตัดความสัมพันธ์กับคนอเมริกาทุกคน ไม่ให้รู้จักกคนไทยทุกคนซึ่งจะส่งผลให้เรากับป้าไม่มีทางบังเอิญได้รู้จักกัน แต่ถ้าทำให้ทรัมป์และประยุทธ์เกลียดขี้หน้ากันหรือทำให้สองคนนี้ทำตัวเหมือนไม่รู้จัก ไม่คบค้าสมาคมกันได้ ซึ่งก็อาจจะทำให้คนสองประเทศนี้ไม่อยากคบค้าสมาคมกัน ก็จะส่งผลให้หนทางที่สั้นที่สุดที่ทำให้เราและป้าสามารถรู้จักกันได้ขาดลง การที่เราและป้าจะทีโอกาส ได้รู้จักกันผ่านโครงข่ายสังคมนี้ ก็อาจจะเป็นเรื่องที่แทบจะเป็นไปไม่ได้เลย ที่เป็นแบบนี้ก็เพราะทรัมป์ และประยุทธ์ต่างเป็นตัวกลาง hub ในโครงข่ายสังคมนี้</p><p>เช่นเดียวกับการทำงานร่วมกันของยีนส์ ยีนส์ต่างๆ ได้รับการถ่ายทอดสัญญาณผ่านตัวกลางเพียงไม่กี่ลำดับ (หลักหน่วย) ก็ทำให้ยีนส์ปลายทางตอบสนองต่อเหตุการณ์ต่างๆที่เกิดขึ้นในร่างกายได้อย่างรวดเร็ว แทนที่จะต้องรับส่งสัญญาณต่อๆ กันหลายพันครั้ง</p><p>นอกจากนี้เรายังใช้ทฤษฎีนี้ในการทำความเข้าใจเหตุการณ์บางอย่างทางชีววิทยาได้ เช่นการทนโรคของพืชบางสายพันธุ์ โดยนักวิทยาศาสตร์ได้ศึกษาไวรัสที่เข้าไปควบคุมการทำงานของเซลล์ต้นมันสำปะหลัง [5] โดยพบว่าไวรัสเข้าไปกีดขวางการเชื่อมโยงกัน ระหว่างกลุ่มของยีนส์ที่ทำงานร่วมกัน (genetic functional module) โดยไวรัสได้เข้าไปรบกวนทำงานของ hub ทำให้ความสามารถในการสื่อสารกันระหว่างกลุ่มหยุดชะงักลง และไม่สามารถฟื้นฟูกลับมาเพื่อต่อต้านไวรัสได้ และ พืชจะต้องสร้างการทำงานร่วมกันของยีนส์ขึ้นมาใหม่ เพื่อพยายามต่อสู้กับไวรัส ในขณะที่พืชสายพันธุ์ที่ทนต่อโรค แม้จะถูกไวรัสกีดขวางการเชื่อมโยงการทำงานเช่นเดียวกับสายพันธุ์ที่ไม่ทนโรค แต่ลักษณะจำเพาะในการเชื่อมโยงกันของ hub ภายในกลุ่มย่อยของยีนส์ที่ทำงานร่วมกันมีรูปแบบที่เป็นคลัสเตอร์ที่มีความหนาแน่นกว่าลักษณะคลัสเตอร์ของสายพันธุ์ไม่ทนโรค ทำให้กลุ่มการทำงานของยีนส์ยังสามารถคงสภาพการทำงานไว้ได้ และก็ค่อยๆทำการฟื้นฟูต้นไม้ให้รอดพ้นจากสภาวะติดเชื้อ (ดูเพิ่มเติมรูปที่ 3)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*euVUh4XZ-fBb-e-d" /></figure><p>รูปที่ 3 แสดงให้เห็นถึงภาพจำลองโครงข่ายการทำงานของยีนส์ในพืชสายพันธุ์ทนโรค (ซ้ายมือ) ที่มีลักษณะเป็นคลัสเตอร์อย่างหนาแน่น ทำให้เมื่อ hub ถูกรบกวน ก็ยังสามารถแสดงการทำงานร่วมกันได้ภายในกลุ่มย่อย ในขณะที่ สายพันธุ์ไม่ทนโรค (ขวามือ) เมื่อถูกรบกวน จำเป็นต้องสร้างการทำงานของยีนส์อื่นๆมาทดแทนยีนส์ที่ถูกรบกวน ทำให้ไม่สามารถตอบสนองต่อไวรัสได้ทัน [5]</p><p>โดยปกตินั้นเป็นการยากมากที่เราจะทำความเข้าใจปรากฏการณ์ที่พืชชนิดเดียวกันต่างกันเพียงสายพันธุ์ มีความสามารถในการตอบสนองต่อไวรัสได้ต่างกันอย่างสุดโต่ง แต่เมื่อเราพยายามทำการสร้างแบบจำลองการทำงานของยีนส์ในรูปแบบของข้อมูลโครงข่าย แล้วใช้ทฤษฎีกราฟเพื่อศึกษาโครงข่ายการทำงานนั้น กลับเป็นเรื่องง่ายในการที่เราสามารถเข้าใจเหตุการณ์ต่างๆ ที่เกิดขึ้นในสิ่งมีชีวิตที่เรานั้นไม่สามารถมองเห็นได้ด้วยตาเปล่า</p><p>มุมมองในการใช้ทฤษฎีกราฟศึกษาโครงข่ายของสิ่งมีชีวิต ไม่เพียงแต่ใช้เพื่อศึกษาปรากฏการณ์ต่างๆเท่านั้น แต่เรายังสามารถใช้มุมมองนี้ในการพิชิตโรคมะเร็ง (อ่านได้ที่ https://medium.com/@comlifescithailand/มะเร็งซ่อมได้-เอาชนะมะเร็งด้วยชีววิทยาระบบ-how-to-cure-cancer-like-fixing-a-radio-a-lesson-e1050a7c98e4) หรือปรับปรุงคุณภาพพันธุ์พืช (อ่านได้ที่ <a href="https://medium.com/@comlifescithailand/1bf78e60a255)">https://medium.com/@comlifescithailand/1bf78e60a255)</a> หรือทำการสร้างจุลชีพใหม่มาใช้ในอุตสาหกรรม (อ่านได้ที่ https://medium.com/@comlifescithailand/ไขรหัส-ขยับโลกจุลินทรีย์-สู่อุตสาหกรรมด้วยเทคโนโลยี-โอมิกส์-f08cc2f9b011) เราจำเป็นจะต้องหา hub ที่ควบคุมกลุ่มการทำงานของยีนส์ให้เจอเพื่อเข้าไปควบคุมมันและทำให้เกิดผลกระทบในวงกว้าง เพราะการแก้ไขยีนส์ที่ทำหน้าที่เฉพาะที่เราสนใจ แต่ไม่ได้เป็นยีนส์สำคัญที่ทำให้เกิดผลกระทบต่อระบบได้ ก็อาจจะเป็นการลงทุนลงแรงที่อาจจะไม่ประสบความสำเร็จในการปรับปรุงหรือดัดแปลงระบบ ในทางกลับกันการปรับปรุงระบบก็อาจะต้องคำนึงถึงการดัดแปลงที่ไม่ส่งผลกระทบให้ระบบเกิดความล้มเหลวซึ่งการเข้าไปรบกวนยีนส์ที่เป็น hub อาจจะส่งผลในเชิงลบได้เช่นกัน ดังนั้นจึงเป็นเรื่องสำคัญอย่างมากในการศึกษาการทำงานเชิงระบบของสิ่งมีชีวิต เพื่อทั้งเข้าไปจัดการแก้ไขให้เกิดผลลัพธ์ที่เราต้องการ และหลีกเลี่ยงผลลัพธ์ที่เราไม่ต้องการ</p><p>เห็นได้ว่าเมื่อเราเปลี่ยนมุมมองในการศึกษาสิ่งมีชีวิตในรูปแบบไวยากรณ์ใหม่เช่น การเขียนแบบจำลองสิ่งมีชีวิตในรูปแบบแผนที่หรือข้อมูลโครงข่าย ก็ทำให้เราสามารถอธิบายปรากฏการณ์ที่ซับซ้อนในทางชีววิทยาได้มากขึ้น และในอนาคตเรายังสามารถใช้ทฤษฎีกราฟ มาช่วยในการหาคำตอบเกี่ยวกับสิ่งมีชีวิตที่เรากำลังค้นหาคำตอบอยู่ รวมไปถึงใช้ในการออกแบบ วางแผนปรับปรุงพันธุ์พืช หรือรักษาโรคมะเร็ง ได้อย่างกว้างขวางอีกด้วย</p><p>การตีความเชิงชีววิทยาจากการวิเคราะห์โครงข่ายการทำงานระหว่างยีนส์ด้วยมุมมองทางคณิตศาสตร์ เป็นการทำงานเชิงทฤษฎีที่อาจจะทำให้เกิดข้อกังขาว่า ปรากฏการณ์วิทยา (phenomenology) ที่ถูกอธิบายนี้ มีความจริง หรือความเป็นไปได้มากน้อยเพียงใด เพราะหลายๆครั้งการทำงานเชิงทฤษฎีเหล่านี้ ก็ถูกตีตราว่าพิสูจน์หรือแสดงให้เห็นเชิงประจักษ์ (fact or evidence) ตามมุมมองทางชีววิทยาไม่ได้ และก็ทำให้เกิดข้อถกเถียง ต่อ ‘ความจริง (truth)’ ที่ถูกแสดงหรือพิสูจน์ได้แค่เชิงทฤษฎีทางคณิตศาสตร์ แต่นั่นเป็นสิ่งสำคัญที่ ‘ความจริง’ ในฐานะวิทยาศาสตร์ จะต้องถูกตีแผ่และรื้อสร้างผ่านมุมมองที่หลากหลาย ไม่ใช่เพียงการแสดงหลักฐานทางชีววิทยาเท่านั้น แต่การทำงานเชิงทฤษฎีอื่นๆก็มีส่วนในการประกอบสร้าง ‘ความจริง’ เช่นกัน เพื่อเปิดโอกาสให้เราได้ค้นพบความจริงใหม่ๆ ที่เราอาจจะพลาดไปหากมองมันด้วยมุมมองเพียงด้านเดียว และการมองด้วยมุมมองใหม่ ก็อาจนำไปสู่การตั้งสมมติฐานในการออกแบบการทดลองในห้องปฏิบัติการ หรือในสิ่งมีชีวิต ได้มีมุมองใหม่ค้นหาสิ่งต่างๆในธรรมชาติ และได้พบเจอสิ่งที่เราอาจจะไม่มีโอกาสได้ค้นพบหากมองโลกด้วยมุมมองเดิมๆ</p><p>หวังว่า บทความจาก CLST จะทำให้ทุกท่านเพลิดเพลินในการเปลี่ยนมุมมองใหม่ในการทำความเข้าใจสิ่งมีชีวิต หากเห็นว่ามีประโยชน์ ขอทุกท่านกดไลก์และช่วยแชร์เป็นกำลังใจให้ทีมงาน CLST ด้วยครับ</p><p>[1] <a href="https://www.cs.cornell.edu/home/kleinber/networks-book/networks-book-ch20.pdf">https://www.cs.cornell.edu/home/kleinber/networks-book/networks-book-ch20.pdf</a></p><p>[2] <a href="https://link.springer.com/article/10.1007/s11067-018-9417-y">https://link.springer.com/article/10.1007/s11067-018-9417-y</a></p><p>[3] <a href="https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1299002/">https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1299002/</a></p><p>[4] <a href="https://www.nature.com/articles/nature02555">https://www.nature.com/articles/nature02555</a></p><p>[5] <a href="https://www.nature.com/articles/s41598-021-86806-x">https://www.nature.com/articles/s41598-021-86806-x</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d590df6708c7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Relating Form and Function: A Classical Approach to Physiology]]></title>
            <link>https://medium.com/@comlifescithailand/relating-form-and-function-a-classical-approach-to-physiology-ee7b5251b3ee?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/ee7b5251b3ee</guid>
            <category><![CDATA[computational-biology]]></category>
            <category><![CDATA[physiology]]></category>
            <category><![CDATA[biology]]></category>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Wed, 08 Nov 2023 10:02:02 GMT</pubDate>
            <atom:updated>2023-11-08T10:02:02.307Z</atom:updated>
            <content:encoded><![CDATA[<h3>Relating Form and Function: A Classical Approach to Physiology เทคนิคการเชื่อมโยง รูปลักษณ์และหน้าที่ (form and function)</h3><blockquote>“…Structure without function is a corpse; function without structure is a ghost…” (Vogel and Wainwright, 1969).</blockquote><p>สวัสดีท่านผู้อ่าน</p><p>วันนี้เราจะมาถ่ายทอดมุมมองเกี่ยวกับวิธีการตั้งคำถามเพื่อศึกษาสรีรวิทยา (Physiology)</p><p>หนึ่งในมุมมองที่เป็นประโยชน์ และถูกหยิบมาใช้อยู่เรื่อยๆ คือการเชื่อมโยง รูปลักษณ์และหน้าที่ (form and function) เข้าด้วยกัน</p><p>แล้วมุมมองนี้ถูกใช้ได้อย่างไรบ้าง ลองมาติดตามตัวอย่างง่ายๆในซีรีส์ของโพสต์นี้กัน โดยโพสต์แรกนี้จะเน้นการปูพื้นฐานให้ผู้อ่านจากทุกวงการเข้าใจตรงกันเสียก่อน</p><p>อันดับแรก ต้องเล่าว่า สรีรวิทยา (Physiology) คือการศึกษาว่าสิ่งมีชีวิตชนิดต่างๆทำงานอย่างไร [ซึ่งแน่นอนว่าเราไม่ได้กำลังพูดถึงการ ตอกบัตร เข้าทำงานในออฟฟิศ หากแต่กำลังพูดถึงกระบวนการทำงานของระบบต่างๆในร่างกาย ที่ส่งผลให้สิ่งมีชีวิตยังมีชีวิตอย่างไรล่ะ]</p><p>การสังเกต (observation) โครงสร้างอวัยวะและรูปแบบของปฏิกิริยาเคมีภายในอวัยวะต่างๆ ล้วนเป็นประโยชน์ต่อการเชื่อมโยง ‘ข้อจำกัด’ ของระบบอวัยวะเข้ากับหน้าที่ของระบบอวัยวะนั้นต่อการรักษาสมดุลร่างกาย (homeostasis)</p><p>ไม่ว่าขณะหลับหรือตื่น ขณะวิ่งหนีหมีหรือนั่งสมาธิ ระบบอวัยวะในร่างกายของเราไม่เคยหยุดทำงานเลย</p><p>นั่นแหละ คือการทำงานเพื่อรักษาสมดุลของร่างกาย หรือใช้ภาษาเนิร์ดว่า homeostasis (homeo (ภ. ละติน) = similar to , stasis (ภ. ละติน) = standing still) แต่เดี๋ยวก่อน!! การวิ่งหนีหมีไม่ใช่สภาวะปกตินี่นา ในสภาวะคับขันเช่นนั้น ร่างกายของผู้วิ่งต้องทำงานเพิ่ม นั่นคือเขากำลังตอบสนองต่อสิ่งเร้า (response to stimuli) และ รักษาสมดุล (homeostasis) ไปพร้อมๆกัน</p><p>จากประสบการณ์ในวงการวิจัยของผู้เขียน เทคนิคการมองโจทย์ชีววิทยาผ่านการเชื่อมโยงรูปลักษณ์และหน้าที่ (form and function) มีความคล้ายคลึงกับการที่นักฟิสิกส์ทฤษฎีขี้เกียจจำสูตรคำนวณ แต่พวกเขาสามารถเขียนสูตร (derive) ขึ้นมาในหัวตัวเองได้ใหม่ทุกครั้งที่ต้องการใช้สูตรนั้นๆ สำหรับนักชีววิทยาที่โชคดีไม่ต้องจำสูตรเยอะ แต่ต้องจำชื่อภาษาละตินและข้อยกเว้นยิบย่อยเต็มไปหมด เพจ CLST ขอนำเสนอเทคนิคการจำหลักการชีวะหรือการตั้งคำถามงานวิจัยทางชีวะ ด้วยการเชื่อมโยงรูปลักษณ์และหน้าที่ (form and function) เข้าด้วยกัน หวังว่าท่านจะมีโอกาสได้ลองนำไปใช้</p><p>เทคนิคนี้สามารถใช้ได้ทุกระดับประทับใจ ตั้งแต่การเรียนการสอนระดับประถม มัธยม มหาวิทยาลัย หรือแม้กระทั่งในวงการวิจัยแนวหน้าของโลก (Wainwright 1988)</p><p>สำหรับโพสต์นี้ ผู้เขียนขอยกตัวอย่างที่จะทำให้เราเข้าใจว่า <strong>ทำไมแมลงถึงตัวใหญ่เท่าช้างไม่ได้?</strong> และ <strong>ทำไมคนติดเกาะ ห้าม!!ดื่มน้ำทะเล</strong></p><ol><li><strong>ทำไมแมลงถึงตัวใหญ่เท่าช้างไม่ได้?</strong></li></ol><p><strong>ตอบ:</strong> ระบบหายใจของแมลงที่มีลักษณะเป็นท่อเชื่อมระหว่างอากาศจากนอกร่างกายกับเซลล์ในร่างกายโดยตรงเรียกว่า Tracheal system <br>โดยระบบดังกล่าวพึ่งพาการแพร่อย่างง่าย (Simple diffusion) ที่ทำงานได้ดีในระยะทางที่สั้นมากๆเท่านั้น ถ้าหากแมลงมีขนาดใหญ่ขึ้น อัตราการแพร่ของออกซิเจนจากอากาศเข้าไปยังเซลล์จะช้าเกินไป และไม่เพียงพอต่อความต้องการออกซิเจนที่เพิ่มตามขนาดตัวอีกด้วย (Vogel 2003).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*V8iQ6-c3jPFwruYU" /><figcaption><strong>Figure 1: </strong>การแพร่อย่างง่าย (Simple diffusion) ลองจินตนาการว่าเราวางน้ำหอมไว้ที่มุมห้อง ระยะเวลาที่กลิ่นน้ำหอมจะแพร่จากมุมนั้นไปถึงอีกมุมที่ไกลที่สุด ย่อมขึ้นกับระยะห่างระหว่างสองจุดนั้น *ในประวัติศาสตร์โลกออกซิเจนไม่ได้คงที่ตลอดเวลา ดังนั้นอย่าลืมคิดประเด็นนี้ด้วยถ้ากำลังนึกถึงยุคอื่น **สามารถพิจารณาประเด็นโครงสร้างรับน้ำหนักร่างกายร่วมด้วยได้</figcaption></figure><p><strong>2. ทำไมคนติดเกาะ ห้าม!!ดื่มน้ำทะเล</strong></p><p><strong>ตอบ:</strong> น้ำทะเลมีความเข้มข้นของเกลือ สูงกว่า ความเข้มข้นเกลือสูงสุดที่ไตมนุษย์สามารถผลิตน้ำปัสสาวะได้</p><p>น้ำทะเลมีความเข้มข้นของเกลือประมาณ 1000 mOsm/L</p><p>ไตของมนุษย์สามารถผลิตน้ำปัสสาวะ (Urine) ที่มีความเข้มข้นของเกลือสูงสุดได้ 600 mOsm/L</p><p>หากคนดื่มน้ำทะเลเข้าไป 1 ลิตร เท่ากับว่าผู้นั้นรับเกลือเข้าไปในร่างกาย = 1000 mOsm/L x 1 L = 1000 mOsm</p><p>ไตผลิตน้ำปัสสาวะที่มีความเข้มข้นของเกลือสูงสุดได้รอบละ 600 mOsm/L</p><p>ดังนั้น หากต้องการขับเกลือทั้งหมดออกจากร่างกาย ชาวเกาะคนนี้ต้องขับปัสสาวะทั้งหมดคิดเป็นปริมาตร</p><p>1000 mOsm 600 mOsm/L = 1.67 L</p><p>สรุปว่า ดื่มน้ำทะเลเข้าไป 1 ลิตร ร่างกายขับน้ำออกมา 1.67 ลิตร</p><p>นั่นคือ ร่างกายสูญเสียน้ำไปถึง 0.67 ลิตร เลยทีเดียว</p><p>*การคำนวณข้างต้น ตัดรายละเอียดของยูเรียออกไป แต่ผู้อ่านสามารถติดตามคำอธิบายฉบับเต็มได้จากเอกสารอ้างอิง (Mason 2019)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/970/0*OxGVhvgL2veTBrwE" /><figcaption><strong>Figure 2:</strong> หน่วยไต โครงสร้างพื้นฐานในการรักษาสมดุลของน้ำ-เกลือเเร่และขับถ่ายของเสียประเภทยูเรียจากร่างกายมนุษย์</figcaption></figure><p>ความเข้มข้นของเกลือสูงสุดที่ไตมนุษย์สามารถผลิตน้ำปัสสาวะได้ถูกจำกัดโดยสมดุลของสารละลาย (concentration equilibrium) ในโครงสร้างเนื้อไต (cortex, outer medulla, inner medulla) ซึ่งเกิดขึ้นจากกระบวนการแพร่อย่างง่าย (simple diffusion) และ การลำเลียงสารแบบใช้พลังงาน (active transport) การที่ท่อของหน่วยไตพาดตัวผ่านเนื้อเยื่อไต ทำให้น้ำปัสสาวะในท่อหน่วยไตปรับความเข้มข้นไปตามค่าความเข้มข้นของเนื้อไต (Figure 2)</p><p>สรุปกรณีติดเกาะ ได้ว่า หากดื่มน้ำทะเล ร่างกายจะจบด้วยการเสียน้ำเพิ่มเพื่อขับเกลือที่เพิ่งรับเข้าไป ทำให้ร่างกายกระหายน้ำมากขึ้น อย่างไรก็ตาม ไตของสัตว์เลี้ยงลูกด้วยนมในทะเลบางชนิดสามารถสร้างปัสสาวะที่มีความเข้มข้นของเกลือเทียบเท่าหรือสูงกว่าน้ำทะเลได้ ทำให้สัตว์ชนิดนั้นสามารถดื่มน้ำทะเลได้โดยไม่เป็นอันตราย</p><p>จากสองตัวอย่างข้างต้น จะเห็นได้ว่าสิ่งมีชีวิตล้วนตอบสนองต่อข้อจำกัดทางโครงสร้างหรือสภาพแวดล้อมเพื่อความอยู่รอด โดยที่โครงสร้าง (form) นั้นไม่สามารถถูกแยกออกจาก หน้าที่ (function) ได้เลย</p><p>ในกรณีของแมลง ระบบท่อลม (form) ส่งผลโดยตรงกับ scalability ของระบบแลกเปลี่ยนแก๊ส (function) และในกรณีของไต ความเข้มข้นของสารละลายประเภทต่างๆในหน่วยไตและการจัดเรียงตัวของท่อ (form) ส่งผลต่อความเข้มข้นสูงสุดของปัสสาวะที่ไตจะสามารถผลิตได้ (function).</p><p>การสังเกตความสัมพันธ์ระหว่าง form and function จะทำให้เรามองภาพวิวัฒนาการได้ชัดเจนและเป็นเหตุเป็นผลมากขึ้น เพราะการคัดเลือกทางธรรมชาติ (natural selection) ก็ทำงานผ่านการ ’เลือก’ function ที่เหมาะสมกับสภาวะแวดล้อมมากที่สุด จากตัวเลือกของ forms ที่มีให้เลือกในกลุ่มประชากรหนึ่งๆ</p><p>ในโพสต์ถัดไปของซีรีส์นี้ เราจะมาคุยกันแบบละเอียดมากขึ้น ว่าศาสตร์การคำนวณ (Computational) จะช่วยเรา ‘จับ’ จังหวะทางชีววิทยาได้อย่างไรบ้าง โปรดกดไลก์กดแชร์เพจ CLST เพื่อติดตามสาระความรู้และกิจกรรมอื่นๆในอนาคต</p><p><strong>เอกสารอ้างอิง</strong></p><p><strong>Mason M. 2019. </strong><em>2.6 Renal: What happens when humans drink seawater? </em><a href="https://youtu.be/j4x20MsEC44?si=kxcrWC_o_TjAZc3v.">https://youtu.be/j4x20MsEC44?si=kxcrWC_o_TjAZc3v.</a> 17 Sep. 2023</p><p><strong>Vogel S, Wainwright SA. 1969.</strong> <em>A Functional Bestiary: Laboratory Studies about Living Systems</em>. Reading, Massachusetts: Addison-Wesley Publishing Company</p><p><strong>Vogel S. 2003. </strong><em>Comparative Biomechanics: Life’s Physical World. </em>Princeton University Press</p><p><strong>Wainwright SA. 1988.</strong> Form and Function in Organisms. <em>AMER. ZOOL</em> <strong>28:</strong>671–680.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ee7b5251b3ee" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[นาฬิกาชีวภาพ เมื่อนาฬิกามิได้มีไว้แค่บอกวัน เวลา แต่บอกความชราของสิ่งมีชีวิต]]></title>
            <link>https://medium.com/@comlifescithailand/%E0%B8%99%E0%B8%B2%E0%B8%AC%E0%B8%B4%E0%B8%81%E0%B8%B2%E0%B8%8A%E0%B8%B5%E0%B8%A7%E0%B8%A0%E0%B8%B2%E0%B8%9E-%E0%B9%80%E0%B8%A1%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%99%E0%B8%B2%E0%B8%AC%E0%B8%B4%E0%B8%81%E0%B8%B2%E0%B8%A1%E0%B8%B4%E0%B9%84%E0%B8%94%E0%B9%89%E0%B8%A1%E0%B8%B5%E0%B9%84%E0%B8%A7%E0%B9%89%E0%B9%81%E0%B8%84%E0%B9%88%E0%B8%9A%E0%B8%AD%E0%B8%81%E0%B8%A7%E0%B8%B1%E0%B8%99-%E0%B9%80%E0%B8%A7%E0%B8%A5%E0%B8%B2-%E0%B9%81%E0%B8%95%E0%B9%88%E0%B8%9A%E0%B8%AD%E0%B8%81%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%8A%E0%B8%A3%E0%B8%B2%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%AA%E0%B8%B4%E0%B9%88%E0%B8%87%E0%B8%A1%E0%B8%B5%E0%B8%8A%E0%B8%B5%E0%B8%A7%E0%B8%B4%E0%B8%95-1372a333817d?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/1372a333817d</guid>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Wed, 01 Nov 2023 03:44:26 GMT</pubDate>
            <atom:updated>2023-11-02T13:46:45.563Z</atom:updated>
            <content:encoded><![CDATA[<p>ทุกคนเคยสงสัยกันไหมว่าเราคาดเดาอายุกันจากอะไร ทำไมบางคนอายุเท่ากันแต่สภาพภายนอกถึงดูอายุต่างกัน ทำไมนาฬิกาบนโลกที่หมุนเข็มไปเท่ากัน แต่เวลาของสิ่งมีชีวิตนั้นดูต่างกัน หรือจะเป็นเพราะนาฬิกาของเรา และนาฬิกาของเพื่อนนั้นเดินได้แตกต่างกัน ในบทความนี้เราจะขอแนะนำ Epigenetic clock หนึ่งในนาฬิกาชีวภาพที่เป็นเครื่องมือนึง ในการคาดคะเนอายุของสิ่งมีชีวิตโดยใช้ข้อมูลจากสารพันธุกรรม ลองจินตนาการดูว่าหากเราเข้าใจในการควบคุมนาฬิกาชีวภาพนี้ก็อาจที่จะทำให้นาฬิกาเรือนนี้ย้อนกลับไปได้ หรือก็คือการย้อนวัย นอกจากนี้ยังมีความเป็นไปได้ที่จะมีประโยชน์ในการคะเนการเกิดโรค และประยุกต์ใช้ในงานทางนิติวิทยาศาสตร์อีกด้วย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/0*r2pKjOFPuScyhDAE" /></figure><p>ภาพ 1. นาฬิกา จาก <a href="https://unsplash.com/photos/FlHdnPO6dlw">https://unsplash.com/photos/FlHdnPO6dlw</a></p><p>โดยทั่วไปแล้วเราคงหาอายุโดยการนับจำนวนปีจากวันเกิด (Chronological age) แต่หากเราจะประมาณการบอกอายุสิ่งมีชีวิตจากภายนอก เช่น คน จากเด็กเป็นผู้ใหญ่ เราอาจดูที่ความสูง น้ำหนัก เส้นรอบศีรษะ จากผู้ใหญ่เป็นผู้สูงอายุ ที่ผิวหนัง คงเห็นรอยเหี่ยวย่น หรือ การมีโรคที่จากความเสื่อมมากขึ้น เช่น โรคข้อเสื่อม เบาหวาน ความดันโลหิตสูง โรคเส้นเลือดสมอง โรคหัวใจ แล้วเราสามารถที่จะบอกอายุของสิ่งมีชีวิตที่ระดับเซลล์ หรือระดับสารพันธุกรรมได้ไหมนะ ความพยายามในการวัดอายุในระดับนี้นักวิจัยเรียกสิ่งนี้ว่าอายุทางชีวภาพ (Biological age) ในขณะที่เครื่องมือที่ใช้วัดเรียกว่านาฬิกาชีวภาพ (Biological clock) (แล้วเจ้านาฬิกาชีวภาพนี้ยืมเพื่อนได้ไหมกันนะ ?) ตัวอย่างหนึ่งซึ่งแสดงความสำคัญของการวัดอายุทางชีวภาพ คือ สมมติมีเด็กคู่แฝดแท้ที่ผ่านสภาพแวดล้อมที่ต่างกันมาก แม้ว่าแฝดนั้นจะมีรหัสพันธุกรรมที่เหมือนกัน แต่ความชรา หรือรูปลักษณ์ที่เปลี่ยนไปอาจแต่งต่างกัน อายุทางชีวภาพของแฝดแต่ละคนจึงแตกต่างกันไป</p><p>นาฬิกาชีวภาพนี้จัดเป็นหนึ่งใน การตรวจตัวบ่งชี้ทางชีวภาพ (Biological marker หรือ Biomarker) ความพยายามของนักวิจัยในการเข้าใจในการหา นาฬิกาชีวภาพนี้ มีการศึกษาตั้งแต่ การหดสั้นของเทโลเมียร์ (Telomere length, ส่วนปลายของโครโมโซมซึ่งสามารถหดสั้นลงทุกครั้งที่เกิดการแบ่งตัวของเซลล์) สารต่างๆที่เปลี่ยนแปลงไปตามอายุ เช่น การตรวจระดับน้ำตาลในเลือดขณะอดอาหาร (Fasting plasma glucose) หรือระดับ โอมิกส์ เช่น Transcriptomics (การแสดงออกของยีน) ปัญหาสำคัญอย่างหนึ่ง คือการที่ในช่วงก่อนหน้านี้แม้งานวิจัยจะสามารถแสดงว่า Biomarker เหล่านี้มีความสัมพันธ์ (correlation) กับอายุ แต่พบว่า biomarker ก่อนหน้านี้กลับไม่ได้มีความแม่นยำในการหาอายุ จนกระทั่งช่วงปี 2013 มีการเผยแพร่งานวิจัย โดย Steve Horvath ที่รวบรวมข้อมูล DNA methylation และพัฒนานาฬิกาชีวภาพที่มีความแม่นยำสูงจากข้อมูลนี้</p><p>แล้วอะไรคือ DNA methylation ล่ะ? ย้อนกลับไปที่ความรู้ทางพันธุศาสตร์ DNA ถูกกระบวนการถอดรหัสมาเป็น RNA และ RNA ถูกแปลรหัสมาเป็นโปรตีน แม้เซลล์ของมนุษย์คนนึงจะมี DNA เหมือนกัน แต่ RNA นั้นกลับถูกถอดรหัสต่างกันออกไป หรือก็คือการแสดงออกของยีนนั้นแตกต่างออกไป ทำให้เกิดเป็นเซลล์ชนิดต่างๆในร่างกายที่มีหน้าที่ในการทำงานแตกต่างกัน รวมถึงมีการตอบสนองต่อปัจจัยภายนอกที่แตกต่างกัน สิ่งที่ส่งผลต่อการควบคุมการแสดงออกของยีนนั้นนักวิจัยเรียกว่า Epigenetics ซึ่ง Epigenetics นี้ไม่ได้เปลี่ยนลำดับของ DNA แต่เป็นปฏิกิริยาทางเคมีที่มีผลต่อโครงสร้างของ DNA โดย DNA methylation ก็เป็นหนึ่งในกระบวนการเหล่านี้ที่ส่งผลต่อการแสดงออกของยีน เราทราบกันดีว่า DNA หรือสายรหัสพันธุกรรมนั้นต่อกันเป็นสายของรหัส A, T, C, G ซึ่งสาย DNA นี้พันรอบโปรตีนที่มีชื่อว่าฮิสโทน (Histone) การพันรอบโปรตีนที่แตกต่างกันก็ทำให้การแสดงออกของยีนนั้นเปลี่ยนแปลงไป อาทิ การที่สาย DNA คดแน่นมาก ย่อมทำให้โปรตีนที่ใช้สร้าง RNA เข้าไปตำแหน่งนั่นไม่ได้ ส่งผลให้การแปลรหัสเป็น RNA ที่ตำแหน่งนั้นลดลง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*A5UtfQLfzKTWyKqm" /></figure><p>ภาพ2. แสดงสาย DNA พันรอบโปรตีนที่มีชื่อว่าฮิสโทน (Histone)</p><p>ภาพจาก <a href="https://www.genome.gov/about-genomics/fact-sheets/Epigenomics-Fact-Sheet">https://www.genome.gov/about-genomics/fact-sheets/Epigenomics-Fact-Sheet</a></p><p>National Human Genome Research Institute</p><p>ส่วน DNA methylation นั้นก็คือการเติมหมู่ methyl ไปยังส่วนหนึ่งของ CpG (5&#39; — C — phosphate — G — 3&#39;)ของ Genome ที่มีการจับกันระหว่าง Cytosine © จับกับหมู่ฟอสเฟตของ Guanine (G) ซึ่งตำแหน่ง CpG นี้แหละ มีผลต่อการที่สาย DNA จะจับกับโปรตีน และส่งผลให้การแสดงออกของยีนเปลี่ยนแปลงไป</p><p>A</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*lfDkS7sCRe0PT6WB" /></figure><p>B</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*GqPAKwqCHr4rXuGm" /></figure><p>ภาพ3. A แสดงการ methylation ไปที่หมู่ Cytosine B. ภาพแสดงเกลียว DNA จุดสีขาวแสดงถึงหมู่ methyl</p><p>ภาพจาก <a href="https://en.wikipedia.org/wiki/DNA_methylation">https://en.wikipedia.org/wiki/DNA_methylation</a></p><p>เท้าความกลับไปที่เรื่องราวของศาสตราจารย์ Steve Horvath Steve นั้นมีความมุ่งมั่นตั้งแต่เด็กในการค้นความลับเกี่ยวกับความชราของสิ่งมีชีวิต หลังจากจบการศึกษาปริญญาเอกทางด้านชีวสถิติ Steve ได้รับตำแหน่งที่มหาวิทยาลัย University of California, Los Angeles (UCLA) ที่นั่นเองเขาได้เริ่มการศึกษาหาปัจจัยที่อาจจะเป็น biomarker ของความชรา ในตอนแรกเขาเริ่มจาการศึกษา Transcription data แต่กลับพบว่าข้อมูลที่ได้นั้นมีปัจจัยรบกวนมาก Steve จึงเบนความสนใจมาที่ DNA methylation โดยเขาได้รวบรวมข้อมูล จากเนื้อเยื่อมนุษย์มากกว่าหมื่นตัวอย่าง และหลากหลายประเภท อาทิ สมอง เลือด ผิวหนัง เขาใช้เทคนิคทางสถิติอย่างสมการการถดถอยถ่วงน้ำหนัก (penalized regression model) ในการพัฒนานาฬิกาชีวภาพนี้ ทำการคัดเลือก CpG จาก 21,369 ตำแหน่ง และเลือกตำแหน่งที่สัมพันธ์กับการเปลี่ยนแปลงของอายุมากที่สุดมาก จนได้สุดท้ายคือ 353 ตำแหน่งที่สัมพันธ์เยอะที่สุด</p><p>เนื่องจากนาฬิกานี้พัฒนาจากข้อมูล DNA methylation เราอาจเรียกสิ่งนี้ว่าเป็น Epigenetic clock หรือ Methylation clock ซึ่งสมการที่ได้จากการวิจัยของ Steve นั้น พบว่าข้อมูลมีค่า correlation ระหว่างอายุจริงและอายุที่ได้จากการคำนวณ สูงถึง 0.96 ซึ่งถือว่ามีความน่าเชื่อถือที่สูง และมีค่าคลาดเคลื่อนเฉลี่ย (mean absolute error) อยู่เพียงแค่ 3.6 ปี สูงจนขนาดที่ว่าในตอนที่ Steve ส่งงานวิจัยของเขาไปสำนักพิมพ์ 2 สำนักพิมพ์แรกถึงกับถูกปฏิเสธในการตีพิมพ์ หากแต่หลังจากที่เขาได้เพิ่มข้อมูลมากขึ้นและได้ตีพิม์งานวิจัยในวารสาร Genome Biology ฉบับปี 2013 ในที่สุด นับจากที่งานของเขาได้รับการยอมรับ ถูกทำซ้ำจากนักวิจัยอื่นๆ จนในปัจจุบันเป็นที่ยอมรับว่า Epigenetic clock เป็นเครื่องมือนึงที่มีความสัมพันธ์กับความชราของสิ่งมีชีวิต</p><p>แม้ว่าการค้นพบนี้จะเป็นเรื่องที่ก้าวล้ำในวงการวิจัย ทั้งทางพันธุศาสตร์ และศาสตร์การศึกษาทางความชรา ความเข้าใจใน Epigenetic clock นี้ยิ่งนำมาสู่คำถามทางวิจัยมากมาย แม้ว่าเราจะใช้ นาฬิกาชีวภาพนี้คาดคะเนอายุของสิ่งมีชีวิตได้ แต่การศึกษานี้เป็นงานวิจัยที่ศึกษาความสัมพันธ์ (association study) ซึ่งไม่ใช่ความสัมพันธ์ที่เป็นเหตุเป็นผล (causation) เราจึงยังไม่สามารถตอบคำถามว่าความชราส่งผลอย่างไรต่อ DNA methylation อะไรเกิดก่อนหรือหลัง แล้วถ้าเราติดตามทำการศึกษาระยะยาวล่ะ DNA methylation ของคนคนนั้นจะเปลี่ยนไปอย่างไร? เราสามารถที่จะยับยั้งกระบวนการ methylation แล้วชะลอวัยได้หรือไม่? ตำแหน่ง CpG ต่างๆมีกลไกอย่างไรในการที่จะควบคุมความชราของสิ่งมีชีวิต? การวิวัฒนาการของสิ่งมีชีวิตส่งผลอย่างไรกับ DNA methylation? คำถามต่างๆ เหล่านี้ยังเป็นที่ต้องการในการวิจัยหาคำตอบ</p><p>อีกปัญหาหนึ่งคือการที่นาฬิกาชีวภาพบอกอายุได้แม่นยำมากขึ้น แล้วคนที่เป็นโรคต่างๆ มีชีวิตที่สั้นลงประสิทธิภาพของนาฬิกาชีวภาพจะเป็นอย่างไร คำถามเหล่านี้ยังนำไปสู่การพัฒนา Epigenetic clock ในรูปแบบต่างๆ เช่น นาฬิกาที่เฉพาะเจาะจงของแต่ละเนื้อเยื่อของสิ่งมีชีวิต นาฬิกาที่มีความจำเพาะต่อข้อมูลคนไข้ (PhenoAge) หรือ การขยายการศึกษาไปยังสิ่งมีชีวิตอื่น เช่น นาฬิกาชีวภาพสำหรับสัตว์เลี้ยงลูกด้วยนม (pan-mammalian clocks)</p><p>นอกจากที่จะมีคำถามมากมายรอการค้นพบ เรายังสามารถใช้ประโยชน์จากนาฬิกาชีวภาพในการตรวจทางนิติวิทยาศาสตร์ เพื่อทราบอายุของเนื้อเยื่อสิ่งมีชีวิตในที่เกิดเหตุ บอกอายุของสัตว์เลี้ยง หรือ ทำนายการเป็นโรค เห็นแบบนี้แล้วทุกท่านก็อาจจะลองใช้ หรือพัฒนานาฬิกาชีวภาพของตนเอง ในโอกาสถัดไปๆ ทางทีมงานจะได้แนะนำการคำนวณพื้นฐานเพื่อสร้าง model นาฬิกาชีวภาพขึ้นมา</p><p>ปล. ใครสนใจก็อย่าลืมกดติดตามเพจของเรา LifeCode by CLST และหากเห็นว่าเป็นประโยชน์ ขอฝากกดไลก์เป็นกำลังใจและแชร์บทความให้ทุกๆคนได้อ่านกันด้วยนะครับ</p><p>References</p><p>Horvath, S.. DNA methylation age of human tissues and cell types. <em>Genome Biology</em> 14, R115 (2013).</p><p>Gibbs, W. Biomarkers and ageing: The clock-watcher. <em>Nature</em> 508, 168–170 (2014).</p><p>Bell, C. G.. DNA methylation aging clocks: challenges and recommendations. <em>Genome Biology</em> 20, (2019).</p><p>Levine, M. E.. An epigenetic biomarker of aging for lifespan and healthspan. <em>Aging</em> 10, 573–591 (2018).</p><p>Lu, A. T.. Universal DNA methylation age across mammalian tissues. <em>Nature Aging</em> (2023).</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1372a333817d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[การศึกษาพัฒนาพืชผลการเกษตร : จากยุคเริ่มต้นสู่เทคโนโลยีโอมิกส์และชีววิทยาเชิงระบบ]]></title>
            <link>https://medium.com/@comlifescithailand/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%A8%E0%B8%B6%E0%B8%81%E0%B8%A9%E0%B8%B2%E0%B8%9E%E0%B8%B1%E0%B8%92%E0%B8%99%E0%B8%B2%E0%B8%9E%E0%B8%B7%E0%B8%8A%E0%B8%9C%E0%B8%A5%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%80%E0%B8%81%E0%B8%A9%E0%B8%95%E0%B8%A3-%E0%B8%88%E0%B8%B2%E0%B8%81%E0%B8%A2%E0%B8%B8%E0%B8%84%E0%B9%80%E0%B8%A3%E0%B8%B4%E0%B9%88%E0%B8%A1%E0%B8%95%E0%B9%89%E0%B8%99%E0%B8%AA%E0%B8%B9%E0%B9%88%E0%B9%80%E0%B8%97%E0%B8%84%E0%B9%82%E0%B8%99%E0%B9%82%E0%B8%A5%E0%B8%A2%E0%B8%B5%E0%B9%82%E0%B8%AD%E0%B8%A1%E0%B8%B4%E0%B8%81%E0%B8%AA%E0%B9%8C%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%8A%E0%B8%B5%E0%B8%A7%E0%B8%A7%E0%B8%B4%E0%B8%97%E0%B8%A2%E0%B8%B2%E0%B9%80%E0%B8%8A%E0%B8%B4%E0%B8%87%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%9A-1bf78e60a255?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/1bf78e60a255</guid>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Mon, 30 Oct 2023 09:29:23 GMT</pubDate>
            <atom:updated>2023-10-30T09:29:23.787Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>การศึกษาพัฒนาพืชผลการเกษตร : จากยุคเริ่มต้นสู่เทคโนโลยีโอมิกส์และชีววิทยาเชิงระบบ</strong></h3><p>ยาวนานกว่าหลายทศวรรษที่ผู้คนต่างพยายามทำความเข้าใจต้นไม้ที่อยู่รอบตัวเรา พืชอยู่อย่างไรถึงจะไม่ตาย ชอบอยู่แบบไหนถึงจะมีผลิตผลมากขึ้น ซึ่งการไขความลับเหล่านี้มีความสำคัญอย่างมากต่อการพัฒนาสายพันธุ์ ควบคุมและเพิ่มผลผลิตทางการเกษตร หลากหลายเทคนิคที่ถูกนำมาใช้ศึกษา (รูปที่ 1) เริ่มตั้งแต่การศึกษาปัจจัยสิ่งแวดล้อมว่าส่งผลกระทบต่อการเจริญเติบโตและการออกดอกออกผลของพืชอย่างไร หากมีการปรับเปลี่ยนปัจจัยสิ่งแวดล้อม เช่น การให้น้ำ อุณหภูมิ ความเข้มแสง พืชจะมีลักษณะทางกายภาพ (ที่มองเห็น วัดได้) เปลี่ยนไปอย่างไร<br> <br>ในยุคการปฏิวัติเขียว (Green revolution) ทศวรรษที่ 1960 ที่ได้มีแนวคิดในการพัฒนาคุณลักษณะอันพึงประสงค์ของพืช (traits) โดยใช้วิธีการผสมพันธุ์แบบคัดเลือก (selective breeding) หรือการผสมพันธุ์แบบกลายพันธุ์ (mutation breeding) ที่ทำให้พืชมีผลผลิตสูงขึ้น [1] (เช่น ในข้าวสาลีและข้าว ที่สามารถเพิ่มผลผลิตโดยการพัฒนาให้มีลักษณะต้นเตี้ยแคระ และยังลดโอกาสการสูญเสียผลผลิตจากแรงลมและฝน) ควบคู่ไปกับการใช้ปุ๋ยเคมีและการจัดการฟาร์มที่ดีมากขึ้น โดยพบว่าพืชส่วนใหญ่จำเป็นต้องเพาะปลูกร่วมกับการใช้ปุ๋ยในปริมาณมาก [2] ซึ่งหากต้นไม้เหล่านั้นไม่สามารถใช้ทรัพยากรเหล่านั้นได้อย่างมีประสิทธิภาพ มันก็คงเป็นการสิ้นเปลือง เพิ่มต้นทุนการผลิต และในทางกลับกันการให้ปุ๋ยที่มากเกินไปจะนำมาสู่การปนเปื้อนสารเคมีในสิ่งแวดล้อม ในขณะเดียวกันการปรับปรุงพันธุ์เพื่อให้ได้พืชรุ่นลูกที่มีลักษณะที่ต้องการนั้นมีข้อจำกัดหลายอย่าง ไม่ว่าจะเป็นระยะเวลาที่ใช้ และการกลายพันธุ์ทางพันธุกรรมที่ไม่สามารถควบคุมได้<br> <br>ในปีค.ศ. 1980 นักวิทยาศาสตร์จึงเริ่มหันมาสนใจศึกษาในระดับโมเลกุลโดยใช้เทคโนโลยีชีวภาพสมัยใหม่ และพยายามปรับปรุงพันธุ์ โดยการปรับเปลี่ยนสารพันธุกรรม (DNA) และโปรตีนในพืชโดยการทำพันธุวิศวกรรม (Genetic Engineering) เพื่อให้ได้สายพันธุ์ที่ให้ผลผลิตสูง มีคุณค่าทางโภชนาการ ใช้ต้นทุนต่ำ และทนทานต่อสภาพอากาศและโรคได้ดีมากขึ้น รวมไปถึงเก็บรักษาได้นาน ตัวอย่างพืชตัดต่อพันธุกรรมเช่น การดัดแปลงพันธุกรรมพืชให้สร้างสารเอนโดทอกซิน (Endotoxins) ของแบคทีเรีย Bacillus thuringiensis (Bt) สามารถปกป้องพืชจากหนอนเจาะลำต้นข้าวโพด และนำไปสู่การปรับปรุงผลผลิตในข้าวโพดและฝ้าย การตัดต่อพันธุกรรมเหล่านี้ยังส่งผลให้มีการจัดการฟาร์มที่ดีขึ้น ใช้ปุ๋ยเคมี และยาฆ่าแมลงลดลง และได้กำไรมากขึ้น แต่อย่างไรก็ตามการพัฒนาสิ่งมีชีวิตดัดแปลงพันธุกรรม (Genetically Modified Organism, GMO) นำมาสู่ข้อถกเถียงและการคัดค้านอย่างกว้างขวาง เนื่องจากข้อกังวลเกี่ยวกับผลกระทบต่อสิ่งแวดล้อมและสุขภาพของผู้บริโภค ทำให้ ไม่สามารถนำมาใช้ในเชิงพานิชย์ได้ [3]<br> <br>ด้วยความกังวลด้านความมั่นคงทางอาหารต่อจำนวนประชากรโลกที่กำลังเพิ่มมากขึ้น รวมถึงการเปลี่ยนแปลงสภาพภูมิอากาศวิกฤติโลกร้อน จึงได้เริ่มมีการพัฒนา Genomic technologies เพื่อระบุตำแหน่งของยีนบนโครโมโซม (loci) ที่ทำให้เกิดลักษณะเด่นหรือด้อยให้แม่นยำมากขึ้น รวมถึงช่วยแนะนำเครื่องหมายโมเลกุล(molecular/genetic markers) ที่เป็นตัวช่วยในการระบุการปรากฏอยู่หรือไม่ของยีนที่สนใจ อันทำให้เกิด/ไม่เกิดคุณลักษณะดังกล่าว ซึ่งมีประสิทธิภาพในการช่วยคัดเลือกต้นรุ่นลูกที่มีคุณลักษณะตามต้องการได้อย่างแม่นยำ มีประสิทธิภาพและร่นระยะเวลาในการปรับปรุงพันธุ์ได้ดียิ่งขึ้น[3] ตัวอย่างการค้นพบและประยุกต์ใช้เครื่องหมายโมเลกุล เช่น การระบุกลุ่มยีนที่ทำให้ธัญพืชทนต่อโรคใบหูไหม้ (Fusarium head blight) อันเกิดจากเชื้อราตระกูลFusarium ซึ่งถ้าพืชรุ่นลูกต้นใดมีกลุ่มยีนเหล่านี้ในจีโนมก็จะถือว่ามีคุณสมบัติในการทนต่อโรคดังกล่าวได้ดีกว่าต้นที่ไม่มีกลุ่มยีนปรากฏ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*OlGuWHvs9fnNpAvcW7UR0A.png" /><figcaption>รูปที่ 1 พัฒนาการทางประวัติศาสตร์ของการศึกษาพันธุศาสตร์ตั้งแต่เริ่มต้นจนถึงยุคแห่งข้อมูลOMICS ที่มา:<a href="https://academic.oup.com/jxb/advance-article/doi/10.1093/jxb/erad177/7160641">https://academic.oup.com/jxb/advance-article/doi/10.1093/jxb/erad177/7160641</a></figcaption></figure><p>แม้ว่าการตัดต่อพันธุกรรมและการปรับปรุงพันธุ์ระดับโมเลกุลทำให้วงการพัฒนาสายพันธุ์ก้าวหน้าอย่างก้าวกระโดด แต่การพัฒนาสายพันธุ์เหล่านี้จำเป็นต้องมีความรู้เกี่ยวกับลำดับเบสของยีนที่เกี่ยวข้อง (gene sequence) และที่ดีไปกว่านั้นคือรู้บทบาทหน้าที่และความสำคัญของยีนนั้นๆ ต่อปริมาณผลผลิต หรือคุณลักษณะที่ดีของพืช<br>ด้วยเทคโนโลยีการหาลำดับเบสที่พัฒนาขึ้นใหม่ (Next Generation Sequencing, NGS) ทำให้เราสามารถหาลำดับเบสของสารพันธุกรรม/จีโนม ในพืชได้ และด้วยความสำเร็จของการหาลำดับเบสของพืชต้นแบบ Arabidopsis thaliana (ปี2000) และข้าว (Oryza sativa, ปี 2002) รวมถึงการระบุหน้าที่ของยีนในจีโนม ทำให้เราสามารถใช้ประโยชน์จากพืชต้นแบบนี้เป็นสิ่งอ้างอิงในการประยุกต์ใช้ในพืชอื่นๆ เช่น กำหนดหน้าที่ให้กับยีนที่ไม่รู้จัก รวมถึงเปรียบเทียบจีโนม เช่น ของสายพันธุ์พื้นเมืองกับสายพันธุ์ทางการค้าว่ามีความแตกต่างกันอย่างไร ยีนใดที่เปลี่ยนแปลงไป (และน่าจะส่งผลต่อลักษณะที่เปลี่ยนไป) อีกทั้งการศึกษาความสัมพันธ์ทั่วทั้งจีโนม (genome-wide association studies, GWAS) ยังช่วยให้เราสามารถระบุตำแหน่งบนจีโนม(loci) ที่เกี่ยวข้องกับคุณลักษณะเฉพาะในพืชผลทางการเกษตรได้อย่างแม่นยำมากขึ้น และในปัจจุบันการตัดต่อพันธุกรรมอย่างแม่นยำด้วยเทคโนโลยีคริสเปอร์/แคส (CRISPR/Cas) รวมถึงเทคโนโลยี High-throughput OMICS และปัญญาประดิษฐ์ (Artificial Intelligence, AI) ทำให้เรามีศักยภาพที่จะออกแบบและพัฒนาสายพันธุ์ที่มีลักษณะตามต้องการได้อย่างแม่นยำและรวดเร็วมากยิ่งขึ้น [4]</p><p>นอกจากนี้เทคโนโลยี High-throughput OMICS อื่นๆ เช่น Transcriptomics, Proteomics และMetabolomics ยังสนับสนุนให้เราสามารถตรวจวัดการแสดงออกของยีน โปรตีน และองค์ประกอบต่างๆในเซลล์ในครั้งละจำนวนมากๆ ที่ซึ่งมีบทบาทสำคัญในการควบคุมกระบวนการต่างๆภายในเซลล์ รวมถึงเป็นกระบวนการตอบสนองของเซลล์ต่อสิ่งเร้าจากทั้งปัจจัยภายใน (เช่น ระยะการเจริญเติบโต ฮอร์โมน) และปัจจัยภายนอก (เช่น สภาพแวดล้อม สารเคมี) วิธีการศึกษาเหล่านี้ ช่วยให้ผู้วิจัยสังเกตการแสดงออกของยีน (หรือโมเลกุลอื่นๆ) ที่แตกต่างกันระหว่างสองสภาวะ เพื่อทำความเข้าใจการทำงาน/การตอบสนองของยีน และระบุกลุ่มยีนที่น่าจะมีบทบาทสำคัญในการตอบสนองต่อสภาวะดังกล่าว เช่น การค้นพบยีน OsMADS ในข้าวที่มีบทบาทสำคัญต่อการตอบสนองต่อภาวะแห้งแล้ง [5]</p><p>นอกจากการศึกษากระบวนการที่เกิดขึ้นภายในเซลล์ระดับโมเลกุลแล้ว การพัฒนาเทคโนโลยีให้สามารถตรวจวัดลักษณะที่แสดงออก (Phenotype) ของพืชในสเกลที่ใหญ่ขึ้น (เรียกว่า Phenomics หรือ High-Throughput Phenotyping รูปที่ 2) ก็ได้ถือกำเนิดขึ้นโดยการประยุกต์ใช้เซนเซอร์ขั้นสูง หุ่นยนต์อัตโนมัติ หรือเทคโนโลยีการวิเคราะห์ภาพถ่าย ร่วมกับโดรน หรือภาพถ่ายดาวเทียม เพื่อส่งเสริมให้ทำให้เราสามารถวิเคราะห์ความหลากหลายของลักษณะที่ปรากฏในฟาร์มเพาะปลูกจริงได้ ซึ่งเป็นส่วนสำคัญที่ทำให้เราสามารถเชื่อมโยงการแสดงออกในระดับโมเลกุลและลักษณะที่ปรากฏได้ [6] ความสามารถในการตรวจวัดการแสดงออกของโมเลกุลภายในเซลล์รวมถึงเทคโนโลยีการตรวจวัดลักษณะทางกายภาพเหล่านี้เป็นก้าวสำคัญที่ทำให้เราสามารถเชื่อมกลไกพื้นฐานที่สำคัญในระดับโมเลกุลที่ทำให้เกิดลักษณะฟีโนไทป์ที่เราสังเกตเห็น [7]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/642/1*vBCs10bk8XxrzzlIJ05J4Q.png" /><figcaption>รูปที่ 2 ภาพรวมของแฟลตฟอร์มและตัวอย่างผลลัพธ์จากการตรวจวัดลักษณะที่แสดงออก (Phenotype) ในสเกลต่างๆ [6]</figcaption></figure><p>แต่ถึงกระนั้นการศึกษาส่วนใหญ่มุ่งเน้นในการวัดและศึกษาการแสดงออกของโมเลกุลเพียงระดับใดระดับหนึ่ง (เช่น ศึกษาการแสดงออกของยีน (mRNA) เพียงอย่างเดียว โดยแยกจากการศึกษาและตรวจวัดในระดับโปรตีน หรือเมตาโบไลท์) ในขณะที่ความเป็นจริงแล้วเซลล์มีการตอบสนองต่อสิ่งเร้าในทุกระดับชั้น แนวความคิดในการรวบรวมและศึกษาการตอบสนองในทุกระดับพร้อมๆกันจะทำให้เราสามารถศึกษาโครงข่ายที่ซับซ้อนของการทำงานร่วมกัน การควบคุมกันและกัน ของแต่ละองค์ประกอบภายในเซลล์ได้ (Regulatory network)</p><p>การศึกษาองค์ประกอบทั้งหมดอย่างเป็นระบบหรือที่เรียกว่า “ชีววิทยาระบบ (Systems Biology)”นี้ เป็นการรวบรวมและวิเคราะห์ข้อมูลการตอบสนองร่วมกันทั้งในระดับยีน โปรตีน ระบบเมตาบอลิซึมในระหว่างการตอบสนองต่อสิ่งเร้า อีกทั้งยังสามารถสร้างแบบจำลองทางคณิตศาสตร์(Mathematical modeling) ที่สามารถศึกษาและอธิบายโครงสร้างระดับโมเลกุลของการตอบสนองทั้งระบบ สร้างสมมติฐานถึงกลไกที่ซับซ้อนภายในเซลล์ รวมถึงออกแบบการทดลองทางชีววิทยาเพื่อทดสอบ อีกทั้งสามารถคาดการณ์การตอบสนองหรือผลกระทบที่เกิดขึ้นจากการปรับเปลี่ยนกลไกการทำงานร่วมกันภายในเซลล์ (ปัจจัยภายใน) และ/หรือการปรับเปลี่ยนปัจจัยสิ่งแวดล้อม (รูปที่ 3) รวมทั้งสามารถทดสอบสมมุติฐานเพื่อสนับสนุนการจัดการฟาร์มที่แม่นยำมากขึ้น (เช่น คาดการณ์ผลผลิตที่เก็บเกี่ยว เมื่อให้น้ำหรือปุ๋ยในปริมาณที่กำหนด หรือหาปริมาณที่เหมาะสม) วิธีการศึกษาชีววิทยาเชิงระบบนี้จะช่วยทำให้เราเข้าใจการตอบสนองทั้งระบบแบบองค์รวมที่เกิดขึ้นในระหว่างการเจริญเติบโต การพัฒนา และการตอบสนองต่อความเครียด ซึ่งมีความสำคัญอย่างยิ่งต่อการปรับปรุงพันธุ์พืชที่ทนต่อสภาพอากาศที่แปรปรวนในอนาคต [7]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/728/1*Ce5CEuqzImXNG1Fpn-2phQ.png" /><figcaption>รูปที่ 3 ภาพรวมของการบูรณาการข้อมูลจากเทคโนโลยีโอมิกส์สู่การศึกษาชีววิทยาระบบเพื่อการปรับปรุงพันธุ์พืช [7]</figcaption></figure><p>เทคโนโลยี High-throughput OMICS และการศึกษาชีววิทยาเชิงระบบ มีบทบาทสำคัญในการระบุกระบวนการทางพันธุกรรม การเจริญเติบโต การพัฒนา และการทนต่อความเครียดในพืชชนิดต่างๆ ซึ่งเทคนิคเหล่านี้สามารถใช้วิเคราะห์หน้าที่เชิงโมเลกุลและกลไกของยีน รวมถึงโครงข่ายการทำงานของกลุ่มยีน (หรือโมเลกุลประเภทอื่นๆ)ในการทำหน้าร่วมกันระหว่างตอบสนองต่อสิ่งเร้า รวมถึงระบุยีนหรือกลุ่มยีน หรือกระบวนการเมตาบอลิซึม ที่มีศักยภาพในการพัฒนาปรับปรุงคุณลักษณะที่ดีของพืช การวิเคราะห์กลไกในระดับโมเลกุลร่วมกับแบบจำลองคณิตศาสตร์ ทำให้เราศึกษากระบวนการทำงานที่ซับซ้อนภายในเซลล์อันเป็นปัจจัยหลักที่ส่งผลต่อฟีโนไทป์และปริมาณผลผลิตทางการเกษตรได้</p><p>การศึกษาและเชื่อมโยงสัมพันธ์ของสารพันธุกรรม (Genotype, G) ลักษณะที่แสดงออก (Phenotype, P) และสิ่งแวดล้อม (Environement, E) ด้วยเทคนิคและวิทยาการเหล่านี้ มีศักยภาพในการพัฒนาเกษตรกรรมแบบยั่งยืน (เพาะปลูกโดยใช้ทรัพยากรอย่างยั่งยืนและได้ประโยชน์สูงสุด) เช่น วิเคราะห์รูปแบบโครงข่ายโมเลกุลที่เพิ่มประสิทธิภาพการใช้ธาตุไนโตรเจน การใช้น้ำ การสังเคราะห์แสง หรือวิเคราะห์ลักษณะทางโมเลกุลสำคัญอื่นๆที่เกี่ยวข้องกับการแสดงคุณลักษณะทางสรีรวิทยาของพืช โดยความรู้จากการวิเคราะห์เหล่านี้สามารถนำมาประยุกต์ใช้ร่วมกับเทคนิคทางเทคโนโลยีชีวภาพ หรือเทคนิคการตัดต่อพันธุกรรมอย่างแม่นยำ (CRISPR/Cas) เพื่อการพัฒนาสายพันธุ์อย่างแม่นยำ (Precision breeding) นำมาสู่การพัฒนาคุณลักษณะอันพึงประสงค์ สามารถช่วยประคับประคองและเพิ่มปริมาณผลผลิตของพืชผลทางเกษตรกรรมในอนาคตได้ [8]</p><p>ปล. ใครสนใจก็อย่าลืมกดติดตามเพจของเรา LifeCode by CLST (<a href="https://www.facebook.com/people/LifeCode-by-Computational-Life-Science-Thailand/61550248612374/">https://www.facebook.com/people/LifeCode-by-Computational-Life-Science-Thailand/61550248612374/</a>) และหากเห็นว่าเป็นประโยชน์ ขอฝากกดไลค์เป็นกำลังใจและแชร์บทความให้ทุกๆคนได้อ่านกันด้วยนะครับ</p><p>อ้างอิง<br>[1] Hamdan, M. F., Mohd Noor, S. N., Abd-Aziz, N., Pua, T. L., &amp; Tan, B. C. (2022). Green revolution to gene revolution: Technological advances in agriculture to feed the world. Plants, 11(10), 1297. <a href="https://doi.org/10.3390%2Fplants11101297">https://doi.org/10.3390%2Fplants11101297</a><br>[2] Liu, Q., Wu, K., Song, W., Zhong, N., Wu, Y., &amp; Fu, X. (2022). Improving crop nitrogen use efficiency toward sustainable green revolution. Annual review of plant biology, 73, 523–551. <a href="https://doi.org/10.1146/annurev-arplant-070121-015752">https://doi.org/10.1146/annurev-arplant-070121-015752</a><br>[3] Bailey-Serres, J., Parker, J. E., Ainsworth, E. A., Oldroyd, G. E., &amp; Schroeder, J. I. (2019). Genetic strategies for improving crop yields. Nature, 575(7781), 109–118. <a href="https://doi.org/10.1038%2Fs41586-019-1679-0">https://doi.org/10.1038%2Fs41586-019-1679-0</a><br>[4] Zhang, R., Zhang, C., Yu, C., Dong, J., &amp; Hu, J. (2022). Integration of multi-omics technologies for crop improvement: Status and prospects. Frontiers in Bioinformatics, 2, 1027457. <a href="https://doi.org/10.3389/fbinf.2022.1027457">https://doi.org/10.3389/fbinf.2022.1027457</a><br>[5] Jin, Y., Yang, H., Wei, Z., Ma, H., &amp; Ge, X. (2013). Rice male development under drought stress: phenotypic changes and stage-dependent transcriptomic reprogramming. Molecular Plant, 6(5), 1630–1645.<br>[6] Yang, W., Feng, H., Zhang, X., Zhang, J., Doonan, J. H., Batchelor, W. D., … &amp; Yan, J. (2020). Crop phenomics and high-throughput phenotyping: past decades, current challenges, and future perspectives. Molecular Plant, 13(2), 187–214. <a href="https://doi.org/10.1016/j.molp.2020.01.008">https://doi.org/10.1016/j.molp.2020.01.008</a><br>[7] Pazhamala, L. T., Kudapa, H., Weckwerth, W., Millar, A. H., &amp; Varshney, R. K. (2021). Systems biology for crop improvement. The plant genome, 14(2), e20098. <a href="https://doi.org/10.1002/tpg2.20098">https://doi.org/10.1002/tpg2.20098</a><br>[8] Kumar, A., Pathak, R. K., Gupta, S. M., Gaur, V. S., &amp; Pandey, D. (2015). Systems biology for smart crops and agricultural innovation: filling the gaps between genotype and phenotype for complex traits linked with robust agricultural productivity and sustainability. Omics: a journal of integrative biology, 19(10), 581–601. <a href="https://doi.org/10.1089%2Fomi.2015.0106">https://doi.org/10.1089%2Fomi.2015.0106</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1bf78e60a255" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[อนาคตของการวิจัยโรคร้ายกับการศึกษาระดับเซลล์เดียว หรือ Single cell RNA sequencing (scRNA-seq)]]></title>
            <link>https://medium.com/@comlifescithailand/%E0%B8%AD%E0%B8%99%E0%B8%B2%E0%B8%84%E0%B8%95%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%A7%E0%B8%B4%E0%B8%88%E0%B8%B1%E0%B8%A2%E0%B9%82%E0%B8%A3%E0%B8%84%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%A2%E0%B8%81%E0%B8%B1%E0%B8%9A%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%A8%E0%B8%B6%E0%B8%81%E0%B8%A9%E0%B8%B2%E0%B8%A3%E0%B8%B0%E0%B8%94%E0%B8%B1%E0%B8%9A%E0%B9%80%E0%B8%8B%E0%B8%A5%E0%B8%A5%E0%B9%8C%E0%B9%80%E0%B8%94%E0%B8%B5%E0%B8%A2%E0%B8%A7-%E0%B8%AB%E0%B8%A3%E0%B8%B7%E0%B8%AD-single-cell-rna-sequencing-scrna-seq-69562df76ce5?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/69562df76ce5</guid>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Wed, 25 Oct 2023 10:01:40 GMT</pubDate>
            <atom:updated>2023-10-25T10:01:40.410Z</atom:updated>
            <content:encoded><![CDATA[<p>เชื่อว่าทุกคนคงรู้จักเครื่องดื่ม smoothie กันเป็นอย่างดี แต่ถ้าถามว่าใน smoothie นั้นมีส่วนประกอบอะไรก็คงจะเป็นเรื่องยาก เราอาจจะเดาจากรสชาติได้ว่าในนั้นมีสตรอว์เบอร์รี หรือกล้วยอยู่ แต่ส่วนประกอบทั้งหมดอาจจะมีมากกว่านั้น เช่นน้ำมะนาว หรือ น้ำเชื่อม นอกจากนี้ ถ้าถามถึงอัตราส่วนของแต่ละอย่าง ก็คงจะเป็นเรื่องยากในการแยกแยะปริมาณของวัตถุดิบเหล่านี้ เช่นเดียวกันกับอวัยวะ และ เนื้อเยื่อ ที่ประกอบไปด้วยเซลล์หลากหลายชนิดจำนวนมากมายมหาศาล ซึ่งยากที่จะจำแนกออกมาเป็นชนิดต่างๆ ดังนั้นในปัจจุบัน นักวิทยาศาสตร์ได้มีการใช้เทคโนโลยีที่เรียกว่า single cell RNA sequencing (scRNA-seq) มาช่วยในการศึกษา วิเคราะห์ชนิดของเซลล์เหล่านี้ รวมไปถึงข้อมูลต่างๆทางพันธุกรรม (genomic information) เพื่อนำไปใช้ในทางการแพทย์เพื่อตรวจหาโรคร้าย หรือ เพื่อการวิจัยและพัฒนายา ยกตัวอย่างเช่น การที่เทคโนโลยีนี้สามารถแยกแยะเซลล์ปกติ (healthy cells) ออกจากเซลล์มะเร็ง (cancer cells) ได้อย่างแม่นยำ ส่งผลให้การวินิจฉัยการเกิดและโตของเซลล์มะเร็งสามารถเป็นไปได้อย่างง่ายดาย รวมไปถึงการรักษาที่ตรงจุดและมีประสิทธิภาพมากยิ่งขึ้น [1]</p><p>ณ ปัจจุบัน เทคโนโลยีนี้ได้รับการสนับสนุนจากหลายๆองค์กรระดับนานาชาติเช่น Human Cell Atlas และ CellxGene ที่เปิดโอกาสให้ผู้ที่เกี่ยวข้องได้เรียนรู้ แบ่งปันบทเรียนและประสบการณ์ร่วมกัน ในการศึกษา single-cell technology รวมไปถึงการนำเทคโนโลยีนี้มาใช้ในงานวิจัย ทำให้เกิดการค้นพบชนิดและหน้าที่ของเซลล์ใหม่ๆ</p><p><strong>ก่อนจะมาเป็น scRNA-seq</strong></p><p>ก่อนที่จะมี scRNA-seq เกิดขึ้นนั้น เดิมทีการศึกษาลำดับเบสในจีโนม (genomic sequencing) ใช้วิธีที่เรียกว่า bulk sequencing ซึ่งจะให้ข้อมูลลักษณะทางพันธุกรรมเป็นค่าเฉลี่ยของกลุ่มเซลล์ (average genetic characteristics) ข้อมูลที่ได้มานั้นจึงไม่ละเอียดเพราะเป็นข้อมูลระดับปริมาณมาก (bulk-level) ที่เกิดจากการผสมกันของเซลล์ชนิดต่างๆ</p><p>ด้วยเหตุนี้เองจึงเกิดการพัฒนาเทคโนโลยี single cell RNA sequencing (scRNA-seq) ซึ่งสามารถบ่งบอกถึงความหลายทางพันธุกรรมที่ละเอียดมากขึ้นถึงระดับเซลล์เดี่ยว และยังสามารถแสดงลักษณะเฉพาะของเซลล์เดี่ยวนั้นๆ (unique features) ได้อีกด้วย [2,3]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/680/0*jsyW1M_XzpbdbRte" /></figure><p>ภาพที่ 1: ข้อแตกต่างระหว่างวิธีการศึกษาวิเคราะห์แบบเซลล์เดี่ยว single cell analysis (บน) vs. bulk analysis (ล่าง) โดยที่การวิเคราะห์แบบเซลล์เดี่ยวนั้นแสดงให้เห็นถึง ความแตกต่างของเซลล์แต่ละชนิด (celluar heterogeneity) ซึ่งไม่สามารถแสดงได้ใน bulk analysis</p><p>(ภาพจาก <a href="https://www.10xgenomics.com/blog/single-cell-rna-seq-an-introductory-overview-and-tools-for-getting-started">https://www.10xgenomics.com/blog/single-cell-rna-seq-an-introductory-overview- and-tools-for-getting-started</a>)</p><p><strong>scRNA-seq นั้นทำอย่างไร?</strong></p><p>หลักการทำงานของ scRNA-seq แบ่งออกเป็น 5 ลำดับย่อย [3–5] ได้แก่</p><p>1) <strong>การแยกเซลล์เดี่ยว (single cell isolation) </strong>ออกจากกลุ่มของเซลล์ในอวัยวะ หรือ เนื้อเยื่อ โดยการใช้วิธีการต่างๆ ยกตัวอย่างเช่น Microfluidics โดยคัดแยกเซลล์เดี่ยวด้วยระบบควบคุมการไหลของ droplet ซึ่งขึ้นอยู่กับคุณสมบัติทางกายภาพภายในของเซลล์ เช่น ขนาด รูปร่าง ความหนาแน่น ความสามารถในการเปลี่ยนรูป ความสามารถในการเกิดขั้วไฟฟ้า หรืออีกวิธีการคือ เครื่องคัดแยกเซลล์ (Fluorescence-activated cell sorter (FACS) / Flow Cytometry) ที่ใช้ fluorophore -conjugates monoclonal antibodies และเลเซอร์เข้ามาช่วยในการตรวจจับเซลล์</p><p>2) <strong>Barcoding และ การเพิ่มปริมาณ (Amplification):</strong> เซลล์แต่ละเซลล์จะถูกกำกับด้วยบาร์โค้ด เพื่อแยกแยะทุกๆเซลล์ให้แตกต่างออกจากกัน หลังจากนั้น เซลล์ต่างๆจะถูกเพิ่มปริมาณของ RNA เพื่อเตรียมพร้อมสำหรับขั้นตอนถัดไป</p><p>3) <strong>การเตรียม library</strong> ซึ่งประกอบไปด้วยสารพันธุกรรมที่ถูกสกัดมาจากแต่ละเซลล์ โดยที่ library นี้จะจับกับที่มาของเซลล์แต่ละเซลล์ ดังนั้นนักวิทยาศาสตร์จะสามารถใช้สารพันธุกรรมเหล่านี้ในการสืบหาแหล่งกำเนิดหรือที่มาของเซลล์นั้นๆได้</p><p>4) <strong>การถอดรหัส (sequencing)</strong> หลังจากที่ library ถูกเตรียมเรียบร้อย เซลล์แต่ละเซลล์ก็จะถูกถอดรหัสทางพันธุกรรมออกมาก โดยที่ข้อมูลทางพันธุกรรมจำนวนมหาศาลนี้ก็จะถูกจัดเก็บอย่างเป็นระบบ (อ่านเพิ่มเติมได้ที่บทความก่อนหน้าเรื่อง การถอดรหัสพันธุกรรม101)</p><p>5) สุดท้ายแล้ว ข้อมูลทางพันธุกรรมเหล่านี้ก็จะถูกนำมาวิเคราะห์ <strong>(Data analysis) </strong>โดยที่ข้อมูลนี้ค่อนข้างซับซ้อน การใช้เทคโนโลยีและเครื่องมือทางคอมพิวเตอร์ขั้นสูง รวมไปถึงการวิเคราะห์ในเชิงชีวสารสนเทศ (bioinformatics) ซึ่งสำคัญอย่างยิ่งในการตีความชุดข้อมูลนี้ โดยที่ข้อมูลที่ถูกวิเคราะห์แล้วสามารถนำไปใช้ให้เกิดประโยชน์ทั้งทางการแพทย์ และการวิจัย ยกตัวอย่างเช่น การบ่งบอกถึงกลุ่มเซลล์ที่ผิดปกติในผู้ป่วย เมื่อเทียบกับลักษณะของเซลล์ในคนทั่วไป หรือการแสดงออกของยีนส์บางชนิดที่ผิดแปลกไปจากเดิม</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/0*PJL1tn5XwzIKN1aD" /></figure><p>ภาพที่ 2: ขั้นตอนการดำเนินการของ single cell analysis (ภาพจาก <a href="https://www.azenta.com/blog/how-single-cell-sequencing-works">https://www.azenta.com/blog/how-single-cell-sequencing-works</a>)</p><p><strong>การนำ scRNA-seq ไปประยุกต์ใช้ในด้านต่างๆ [6]</strong></p><p>- <strong>การวิจัยเกี่ยวกับมะเร็ง</strong> นักวิจัยสามารถใช้ scRNA-seq เพื่อศึกษาความผิดปกติทางพันธุกรรมของเซลล์มะเร็งเมื่อเทียบกับเซลล์ปกติ นอกจากนี้ ยังสามารถศึกษาลึกขึ้นไปถึงเรื่องปัจจัยต่างๆ และการพัฒนาที่ทำให้เกิดเซลล์มะเร็ง พร้อมทั้งหาวิธีการรักษาที่ตรงจุดมากขึ้น</p><p>- <strong>ประสาทวิทยาศาสตร์</strong> (neuroscience) เนื่องจากสมองนั้นเป็นอวัยวะที่ซับซ้อนมากกว่าอวัยวะ อื่นๆ ดังนั้นการอธิบายคุณลักษณะของเซลล์สมองจึงเป็นไปได้ยาก การใช้ scRNA-seq มาช่วยในการอธิบายเรื่องการแสดงออกของยีนในเซลล์สมองจึงเป็นประโยชน์อย่างมากในการเข้าใจระบบประสาท หน้าที่ต่างๆและความผิดปกติของสมอง</p><p>- <strong>ภูมิคุ้มกันวิทยา</strong> (Immunology) scRNA-seq ยังช่วยให้เราศึกษาเกี่ยวกับเซลล์ต่างๆในระบบภูมิคุ้มกัน ไม่ว่าจะเป็นการตอบสนองต่อการติดเชื้อ (responses to infections) หรือความผิดปกติในหน้าที่ของเซลล์เหล่านี้ในโรคภูมิต้านทานเนื้อเยื่อตนเอง</p><p>- <strong>การวิจัยเกี่ยวกับ stem cell ระบบขนส่งยาในร่างกาย และ การรักษาแบบแม่นยำและจำเพาะโดยอาศัยข้อมูลทางพันธุกรรม </strong>ด้วยผลลัพธ์ระดับเซลล์เดี่ยว การรักษาโรคด้วยวิธีการรักษาแบบแม่นยำจึงเป็นไปได้มากขึ้น เนื่องจาก ลักษณะทางพันธุกรรมของแต่ละเซลล์ที่ได้มาจากคนไข้นั้นถูกวิเคราะห์แยกแยะอย่างชัดเจน เราสามารถดูได้ว่าเซลล์ชนิดไหนกันแน่ที่มีข้อมูลทางพันธุกรรมที่ส่งผลร้ายต่อร่างกาย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*p2N_5bba0OBgAnZY" /></figure><p>ภาพที่ 3: การประยุกต์ใช้เทคโนโลยี sc-RNA sequencing ในด้านต่างๆ (ภาพจาก <a href="https://www.sciencedirect.com/science/article/pii/S2372770521000516#sec9">https://www.sciencedirect.com/science/article/pii/S2372770521000516#sec9</a>)</p><p><strong>ข้อจำกัดของเทคโนโลยีชนิดนี้ในปัจจุบัน</strong></p><p>ถึงอย่างไรก็ตาม ชุดข้อมูลที่ได้มาจาก ขั้นตอนการ sequencing นั้นแน่นอนว่ามีขนาดใหญ่มาก ดังนั้นจึงจำเป็นต้องใช้เครื่องมือและโปรแกรมทางคอมพิวเตอร์ขั้นสูงเพื่อวิเคราะห์ชุดข้อมูลเหล่านี้ ประกอบกับข้อจำกัดในด้านการควบคุมคุณภาพของชุดข้อมูล (Defining quality control standards) และงบประมาณที่มีราคาแพงและยังไม่ได้รับการอุดหนุนมากนัก (high cost) มากไปกว่านั้นในขั้นตอนการคัดแยกและสกัดสารพันธุกรรมจากเซลล์เดี่ยว (cell isolation) ก็ยังต้องการการปรับปรุง เนื่องจากวิธีการที่ใช้ในปัจจุบันนี้ยังมีบางครั้งที่เซลล์นั้นถูกทำลายในระหว่างขั้นตอนการคัดแยก จึงส่งผลให้การวิเคราะห์ในขั้นตอนสุดท้ายผิดพลาดไปจากเดิม [6,7]</p><p>เมื่อมองในการไกล ถ้าหากว่าเทคโนโลยีนี้ถูกลง และได้ถูกใช้อย่างแพร่หลายมากขึ้น จะสามารถเปิดโอกาสทั้งในการวิจัยค้นพบเซลล์ชนิดใหม่ๆ การศึกษาวิเคราะห์และรักษาโรคร้าย รวมไปถึงการวิจัยเพื่อพัฒนายาที่รักษาอย่างแม่นยำ จะทำให้คนทั่วไปเข้าถึงได้มากขึ้น</p><p>ในบทความถัดไป เราจะมาดูกันว่า ขั้นตอนของ scRNA-seq ในเชิงลึกเป็นอย่างไร ต้องใช้เครื่องมือ อุปกรณ์ และโปรแกรมอะไรบ้าง รวมไปถึงงานตัวอย่างงานวิจัยต่างๆที่ได้ใช้เทคโนโลยีนี้เข้ามาเกี่ยวข้อง</p><p><strong>REFERENCES:</strong></p><p>1 Jovic, D., Liang, X., Zeng, H., Lin, L., Xu, F., &amp; Luo, Y. (2022). Single‐cell RNA sequencing technologies and applications: A brief overview. <em>Clinical and Translational Medicine</em>, <em>12</em>(3). <a href="https://doi.org/10.1002/ctm2.694">https://doi.org/10.1002/ctm2.694</a></p><p>2 Alexander Predeus, et al. “Analysis of Single Cell RNA-Seq Data.” <em>Introduction to Single-Cell RNA-Seq</em>, Wellcome Sanger Institute, 8 Aug. 2022, <a href="http://www.singlecellcourse.org/introduction-to-single-cell-rna-seq.html#ref-Tang2009-bu.">www.singlecellcourse.org/introduction-to-single-cell-rna-seq.html#ref-Tang2009-bu.</a></p><p>3 Edited by Sheila Clark, <em>Single Cell RNA-Seq: An Introductory Overview and Tools for Getting Started</em>, 10x Genomics, 2017, <a href="http://www.10xgenomics.com/blog/single-cell-rna-seq-an-introductory-overview-and-tools-for-getting-started.">www.10xgenomics.com/blog/single-cell-rna-seq-an-introductory-overview-and-tools-for-getting-started.</a></p><p>4 “How Single-Cell Sequencing Works.” <em>Azenta Life Sciences</em>, 19 Feb. 2021, <a href="http://www.azenta.com/blog/how-single-cell-sequencing-works.">www.azenta.com/blog/how-single-cell-sequencing-works.</a></p><p>5 Oevermans, Hannah. “What Is Single-Cell Sequencing?” <em>Single Cell Discoveries</em>, 25 Mar. 2021, <a href="http://www.scdiscoveries.com/blog/knowledge/how-does-single-cell-sequencing-work/">www.scdiscoveries.com/blog/knowledge/how-does-single-cell-sequencing-work/</a></p><p>6 Sun, Guangshun, et al. “Single-Cell RNA Sequencing in Cancer: Applications, Advances, and Emerging Challenges.” <em>Molecular Therapy — Oncolytics</em>, vol. 21, 2021, pp. 183–206, doi:10.1016/j.omto.2021.04.001.</p><p>7 Vaga, Stefania. “Understanding Single Cell Sequencing, How It Works and Its Applications.” <em>Genomics Research from Technology Networks</em>, 20 Jan. 2022, <a href="http://www.technologynetworks.com/genomics/articles/understanding-single-cell-sequencing-how-it-works-and-its-applications-357578#D1.">www.technologynetworks.com/genomics/articles/understanding-single-cell-sequencing-how-it-works-and-its-applications-357578#D1.</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=69562df76ce5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[วิทยาศาสตร์ข้อมูลจีโนมิกส์ : ศาสตร์แห่งการจัดการและการวิเคราะห์ข้อมูลจีโนมิกส์ (Genomic data…]]></title>
            <link>https://medium.com/@comlifescithailand/%E0%B8%A7%E0%B8%B4%E0%B8%97%E0%B8%A2%E0%B8%B2%E0%B8%A8%E0%B8%B2%E0%B8%AA%E0%B8%95%E0%B8%A3%E0%B9%8C%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%88%E0%B8%B5%E0%B9%82%E0%B8%99%E0%B8%A1%E0%B8%B4%E0%B8%81%E0%B8%AA%E0%B9%8C-%E0%B8%A8%E0%B8%B2%E0%B8%AA%E0%B8%95%E0%B8%A3%E0%B9%8C%E0%B9%81%E0%B8%AB%E0%B9%88%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%88%E0%B8%B1%E0%B8%94%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%A7%E0%B8%B4%E0%B9%80%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%B0%E0%B8%AB%E0%B9%8C%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%88%E0%B8%B5%E0%B9%82%E0%B8%99%E0%B8%A1%E0%B8%B4%E0%B8%81%E0%B8%AA%E0%B9%8C-genomic-data-5b394025a33b?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/5b394025a33b</guid>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Fri, 20 Oct 2023 10:02:41 GMT</pubDate>
            <atom:updated>2023-10-30T09:34:50.503Z</atom:updated>
            <content:encoded><![CDATA[<h4>วิทยาศาสตร์ข้อมูลจีโนมิกส์ : ศาสตร์แห่งการจัดการและการวิเคราะห์ข้อมูลจีโนมิกส์ (Genomic data science: Managing and analyzing genomic data)</h4><p>Keywords:; Genomics, Bioinformatics, HPC, Cloud computing, Database, Data management, Sequence alignment</p><p><em>จีโนมิกส์ (Genomics) คืออะไร?</em></p><p>คือศาสตร์ในการศึกษาข้อมูลจีโนมของสิ่งมีชีวิต ไม่ว่าจะเป็นการศึกษาความสัมพันธ์และความเกี่ยวข้องระหว่างยีนไปจนถึงผลกระทบของสิ่งแวดล้อมที่มีต่อยีน สิ่งที่ประกอบรวมกันเป็นจีโนม ก็คือ DNA</p><p><em>DNA คืออะไร?</em></p><p>DNA (Deoxyribonucleic acid) คือสารพันธุกรรมที่สามารถส่งต่อจากรุ่นสู่รุ่นในเซลล์ร่างกายมนุษย์ โดยข้อมูลใน DNA จะถูกเข้ารหัสเอาไว้ในรูปแบบของเบส 4 ตัว Adenine (A), Guanine (G), Cytosine ©, Thymine (T) และลำดับการเรียงตัวของเบสเหล่านี้จะเป็นสิ่งที่กำหนดข้อมูลที่ใช้ในการสร้างและคงไว้ซึ่งอวัยวะ</p><p>DNA ในร่างกายมนุษย์มีจำนวนถึงเกือบ 3.2 พันล้านเบส และ 99% ของเบสเหล่านั้นมีความคล้ายคลึงกันในตัวมนุษย์ทุกคน โดยที่ ‘คู่เบส’ (Base pair) หรือการที่เบสบน DNA จับคู่กัน (A จับกับ T, C จับกับ G) จะช่วยคงไว้ซึ่งรูปร่างและเสถียรภาพของ DNA Double helix อย่างภาพที่เราเห็นจนคุ้นตาด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/743/0*O8zqZn7O0-R_cOjv" /><figcaption>ภาพที่ 1 ความแตกต่างระหว่างโครมาตินและนิวคลีโอโซม ที่มา: <a href="https://www.knowswhy.com/difference-between-chromatin-and-nucleosome/">https://www.knowswhy.com/difference-between-chromatin-and-nucleosome/</a></figcaption></figure><p><em>หากจะเปรียบเทียบจีโนม (Genome) เป็นหนังสือเล่มหนึ่ง ลำดับเบสเปรียบเหมือนตัวอักษรประกอบเรียงกันเป็นประโยค ประโยครวมกันเป็นย่อหน้าเปรียบเหมือนยีน (Gene) ย่อหน้ารวมกันเป็นหนึ่งบทเปรียบเหมือนกับโครโมโซม (Chromosome) และเราเปรียบหนังสือทั้งเล่ม เป็นจีโนม (Genome)</em></p><p>ทีนี้ลองมาเจาะลึกดู กับ Section บางส่วนบน DNA สายยาวนี้ที่เราเรียกว่า ยีน (Gene) กัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/0*1mhZYv-6Ik_D1pg1" /><figcaption>ภาพที่ 2 ความเกี่ยวโยงระหว่างโครโมโซมและยีน ที่มา: U.S. National Library of Medicine <a href="https://medlineplus.gov/download/genetics/understanding/basics.pdf">https://medlineplus.gov/download/genetics/understanding/basics.pdf</a></figcaption></figure><p>ยีนเป็นเหมือนชุดข้อมูลคำสั่งที่ถูกฝังอยู่ใน DNA เป็นสารตั้งต้นที่คอยกำหนดผลลัพธ์อย่างที่เซลล์จะแสดงออก ไม่ว่าจะเป็น โปรตีน (จาก mRNA) หรือ RNA (e.g. tRNA/rRNA) โดยในช่วงชีวิตของเซลล์นั้น จะมีข้อมูลเพียงบางส่วนจากใน DNA ที่จะถูกแสดงออกมาในบางจังหวะเวลา หรือถูกสังเคราะห์ออกมาในบางเวลา ซึ่งสิ่งที่กำหนดการแสดงออกนี้อาจจะเกี่ยวข้องกับทั้งปัจจัยในด้านสิ่งแวดล้อมภายนอก (เช่น ฮอร์โมน สารอาหารที่ได้รับ) หรือถูกกำหนดในระหว่างช่วงพัฒนาการของเซลล์ เราเรียกกระบวนการควบคุมการแสดงออกนี้ว่าเป็น Gene expression regulation</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*r2eHHC_1LHxqklPf" /><figcaption>ภาพที่ 3 การส่งต่อข้อมูลจากDNAไปสู่mRNA ส่วนของDNAที่สามารถสังเคราะห์กลายเป็นโปรตีนได้เรียกว่า Coding region (Exons) และส่วนที่ถูกคัดออกก่อนจะโดนแปลงเป็นโปรตีนเรียกว่า Non-coding region (Introns) ที่มา: <a href="https://www.wikilectures.eu/w/File:DNA_exons_introns.gif">https://www.wikilectures.eu/w/File:DNA_exons_introns.gif</a></figcaption></figure><p><em>แล้วเราจะเข้าใจกระบวนการเหล่านี้ไปเพื่ออะไร?</em></p><p>นั่นก็เพราะหากกระบวนการควบคุมการแสดงออกของยีนผิดปกติขึ้นมา ก็อาจนำไปสู่การเกิดโรคต่างๆได้ในอนาคต[1] แต่เราจะไม่สามารถทำความเข้าใจกระบวนการเหล่านี้ได้เลยหากปราศจากข้อมูลในการวิเคราะห์</p><p><em>ตราบใดที่มีข้อมูล ย่อมสามารถนำไปสู่การศึกษาวิจัยและนวัตกรรม</em></p><p>เมื่อเวลาผ่านไป เทคโนโลยีเกี่ยวกับการเก็บข้อมูล DNA ก็เริ่มทำได้รวดเร็วและแม่นยำขึ้น ผู้คนสามารถเข้าถึงการเก็บข้อมูล DNA ของตัวเองได้ง่ายขึ้น บุคลากรทางการแพทย์ยิ่งสามารถเข้าถึงข้อมูลของคนไข้ได้ในระดับที่ละเอียดมากขึ้น หลากหลายกว้างขวางมากขึ้น นำไปสู่การวิจัยโรคหายาก (Rare disease), การศึกษาลักษณะทางกายภาพที่เป็นผลมาจากยีนหลายๆยีน (polygenic trait), การวิจัยค้นคว้ายา (Drug discovery) และการเลือกใช้การรักษาที่เหมาะสมสำหรับผู้ป่วยรายบุคคล (Precision medicine) ยิ่งเป็นการเปิดโอกาสให้การศึกษาวิจัยทำได้ง่ายมากขึ้นตามมา</p><p>มีองค์กรในระดับนานาชาติหลายแห่งที่พยายามเก็บข้อมูลในระดับชีวโมเลกุลเอาไว้ในฐานข้อมูลเพื่อเป็นใบเบิกทางให้นักวิจัยทั่วโลกสามารถเข้าถึงข้อมูลและนำไปใช้ในงานวิจัยได้ ไม่ว่าจะเป็น <a href="https://www.ncbi.nlm.nih.gov/">NCBI</a> (อเมริกา), <a href="https://www.ebi.ac.uk/">EMBL-EBI</a> (ยุโรป), หรือ <a href="https://www.ddbj.nig.ac.jp/index-e.html">DDBJ</a> (ญี่ปุ่น) ซึ่งการร่วมมือระหว่างสามเสาหลักนี้เป็นที่รู้จักกันในนาม The International Nucleotide Sequence Database Collaboration (<a href="https://www.insdc.org/">INSDC</a>)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/658/0*8IgoRerXDgdKB6SB" /><figcaption>ภาพที่ 4 ความร่วมมือระหว่างสามฐานข้อมูลในระดับนานาชาติ หรือ International Nucleotide Sequence Database Collaboration (INSDC) ที่มา: <a href="https://www.insdc.org/">https://www.insdc.org/</a></figcaption></figure><p>ส่วนที่ว่าข้อมูลที่จัดเก็บมีขนาดใหญ่เท่าไหร่ ก็คงต้องบอกว่า แค่ข้อมูล genomic sequence ของมนุษย์เพียงคนเดียวก็อาจจะกินพื้นที่ถึง 150 GB (กรณีWhole Genome Sequencing) หรือเทียบได้กับไฟล์วิดีโอ300ชม. ไม่ต้องพูดถึงจำนวนพื้นที่การจัดเก็บข้อมูลที่เกี่ยวข้องกับจีโนมิกส์ของมนุษย์ทั่วโลกซึ่งในอนาคตอาจจะมีขนาดใหญ่ระดับ 40 เอกซาไบต์ (EB) เป็นอย่างต่ำ[2]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ZxbZXkb_m6EvXraS" /><figcaption>ภาพที่ 5 การเปรียบเทียบข้อมูลขนาด 40 EB ที่มา: <a href="https://www.genome.gov/about-genomics/fact-sheets/Genomic-Data-Science">https://www.genome.gov/about-genomics/fact-sheets/Genomic-Data-Science</a></figcaption></figure><p>การที่จะวิเคราะห์ข้อมูลทั้งหมดในสเกลระดับนี้ แน่นอนว่าคงยากที่จะใช้ทรัพยากรบน Laptop เครื่องเดียวกับที่เราใช้ดู Youtube หรือเปิด Microsoft Word การใช้พลังประมวลผลของ Laptop เครื่องเล็กเครื่องเดียวในการวิเคราะห์ข้อมูลปริมาณมหาศาลเป็นเรื่องยากจะเป็นไปได้ในปัจจุบัน</p><p>สิ่งที่จะเข้ามามีบทบาทในการช่วยวิเคราะห์ข้อมูลทั้งหมดนี้คือ High performance computing (HPC) และ Cloud computing</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/0*woAOxP-h7ojpGOEv" /></figure><p>HPC cluster เป็นคำที่ใช้เรียกกลุ่มก้อนของ Hardware รวมถึงคอมพิวเตอร์เครื่องที่มี spec แรงมากๆ เข้าด้วยกัน มี Software ที่สามารถกระจายงานและทำงานหลายๆงานได้ในเวลาเดียวกัน เพื่อที่จะรองรับการคิดคำนวณข้อมูลปริมาณมหาศาลภายในเวลาที่รวดเร็ว</p><p>แม้ HPC จะทำให้เราสามารถวิเคราะห์ข้อมูลปริมาณมหาศาลได้จากการที่มี Hardware ประสิทธิภาพสูงในการช่วยประมวลผล แต่สิ่งที่ต้องแลกมาคือการต้องคอยดูแลรักษาทรัพยากรของ HPC ซึ่งก็ไม่ได้ทำกันได้ง่ายๆ ดังนั้นอีกทางเลือกหนึ่งก็คือการใช้ Cloud computing จากผู้ให้บริการอย่าง Google Cloud Platform (GCP) หรือ Amazon Web Service (AWS) ที่สามารถมอบทรัพยากรในการคิดคำนวณโดยที่ผู้ใช้บริการไม่จำเป็นต้องครอบครองหรือเป็นเจ้าของ Hardware โดยตรง ทำให้ช่วยแบ่งเบาภาระหน้าที่การต้องมาดูแลรักษา Hardware ไปได้ในระดับหนึ่ง</p><p>เนื่องด้วยข้อมูลทางด้านจีโนมิกส์เริ่มเข้ามามีบทบาทในแวดวงอุตสาหกรรมและการแพทย์มากขึ้น ทั้ง GCP และ AWS จึงได้พัฒนาบริการใหม่ๆเพื่อรองรับการใช้งานการวิเคราะห์จัดการข้อมูลในเชิงชีววิทยามากขึ้น ไม่ว่าจะเป็นบริการของ Google life science API หรือ Amazon Omics ไปจนถึงการบูรณาการเข้ากับเครื่องมือจัดการ Genomics Data Pipeline หรือระบบการจัดการ workflow ทางชีวสารสนเทศ อย่าง Nextflow เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*RO72iAyODw5xYylZ" /><figcaption>ภาพที่ 6 ตัวอย่างบริการที่สามารถเชื่อมกับNextflowเพื่อช่วยจัดการข้อมูล ที่มา: <a href="https://workflows.community/stories/2022/09/28/nextflow/">https://workflows.community/stories/2022/09/28/nextflow/</a></figcaption></figure><p>แต่การวิเคราะห์ข้อมูลยังไม่ใช่จุดสิ้นสุด เคยสงสัยกันรึเปล่าว่า</p><p><em>หลังจากที่วิเคราะห์เสร็จแล้ว ข้อมูลพวกนี้ไปอยู่ที่ไหน? </em>และอีกหนึ่งคำถามที่สำคัญกว่านั้น</p><p><em>ไปหาข้อมูลจากไหนมาวิเคราะห์ตั้งแต่แรก?</em></p><p>เมื่อข้อมูลในเชิงชีววิทยาที่มีความซับซ้อนมากๆ ต้องถูกจัดเก็บ การจัดการข้อมูลเหล่านี้ก็ยิ่งเป็นงานที่ท้าทายตามไปด้วยในตัว ดังนั้นจึงไม่แปลกที่เราสามารถหาฐานข้อมูลเกี่ยวกับข้อมูลเชิงชีวโมเลกุลได้หลากหลายเหลือเกิน แล้วแต่ว่าเรามีความสนใจที่จะศึกษาข้อมูลในระดับไหน ตั้งแต่ระดับยีน จีโนม โปรตีน โครงสร้างโปรตีน หรือการแสดงออกของยีน ฯลฯ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/790/0*5VPYWgMjaskAROWv" /><figcaption>ภาพที่ 7 ตัวอย่างข้อมูลเชิงชีววิทยาที่ถูกจัดเก็บโดย EMBL-EBI ที่มา: <a href="https://www.researchgate.net/figure/EMBL-EBIs-core-data-resources-The-figure-summarizes-the-resources-described-in-this_fig1_258854691">https://www.researchgate.net/figure/EMBL-EBIs-core-data-resources-The-figure-summarizes-the-resources-described-in-this_fig1_258854691</a></figcaption></figure><p>อย่างไรก็ตาม จริงอยู่ที่ฐานข้อมูลหลายแห่งจะเปิดให้สามารถโหลดไปใช้ได้ทั้งในเชิงพาณิชย์และการศึกษาวิจัย แต่ก็ยังมีอีกหลายฐานข้อมูลที่จำกัดการเข้าถึงข้อมูลบางประเภทด้วยเหตุผลในแง่ความปลอดภัย (Privacy &amp; Security)</p><p>ไม่เพียงแค่ความซับซ้อนในการจัดการการเข้าถึงและจัดเก็บข้อมูล แม้แต่การวิเคราะห์ข้อมูลประเภทเดียวกันก็ยังทำได้หลากหลายวิธี ไฟล์ที่เก็บข้อมูลก็สามารถเก็บได้หลากหลายรูปแบบ ดังนั้นการระบุมาตรฐานในการวิเคราะห์และจัดเก็บข้อมูลจึงเป็นอีกหนึ่งหัวข้อที่ยังต้องพัฒนากันต่อไปในอนาคตเพื่อให้ผลของการวิเคราะห์ออกมาได้อย่างมีประสิทธิภาพมากที่สุดและสามารถทำซ้ำได้ในทุกๆ ที่ (Reproducibility)</p><p>เมื่อกล่าวถึงการวิเคราะห์ข้อมูลที่ทำได้หลากหลายรูปแบบนั้น ตัวอย่างหนึ่งที่น่าสนใจคือการทำ Sequence Alignment ที่เป็นเหมือนรากฐานสำคัญของการวิเคราะห์ข้อมูลจีโนมิกส์</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*3gcACgmkau9mSWwf" /><figcaption>ภาพที่ 8 Whole genome sequencingที่ต้องอาศัยเทคนิคการทำ Sequence Alignment เพื่อประกอบรวมข้อมูลจีโนมที่มาเป็นชิ้นเล็กชิ้นน้อยเข้าเป็นสายเดียวกัน ที่มา: <a href="https://sequencing.com/education-center/whole-genome-sequencing">https://sequencing.com/education-center/whole-genome-sequencing</a></figcaption></figure><p>ในการวิเคราะห์ข้อมูลทางชีวสารสนเทศ กระบวนการหนึ่งที่สำคัญคือการทำ Sequence Alignment หรือการจัดเรียงลำดับเบสเพื่อเปรียบเทียบหาความคล้ายคลึงระหว่าง Sequence ไม่ว่าจะเป็นใน DNA, RNA, หรือ Protein sequence เพราะความคล้ายคลึงดังกล่าวอาจเป็นผลมาจากการที่ Sequence ที่เรานำมาเปรียบเทียบ มีการทำงานเหมือนกัน มีการวิวัฒนาการที่เหมือนกัน หรือมีโครงสร้างที่เหมือนกัน เป็นต้น</p><p>ปล. ถ้าพูดในเชิงของโจทย์อัลกอริทึ่มทั่วไปก็คล้ายคลึงกับการทำ String matching แค่ลดตัวอักษรลงเหลือแค่เบส 4 ตัว (A,C,T,G)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/0*FpLbjwe8RhedTBrZ" /><figcaption>ภาพที่ 9 สูตรการคำนวณคะแนนระหว่างการทำ Sequence Alignment ที่มา: <a href="https://www.ncbi.nlm.nih.gov/books/NBK62051/">https://www.ncbi.nlm.nih.gov/books/NBK62051/</a></figcaption></figure><p>เราสามารถแบ่งการทำ Sequence Alignment ได้เป็น 2 ประเภทใหญ่[3]</p><ol><li>การ Align โดยขึ้นกับ<strong><em>จำนวน </em></strong>ของ Sequence</li><li>การ Align โดยขึ้นกับ<strong><em>ความยาว </em></strong>ของ Sequence</li></ol><p>เรามาดูที่ประเภทแรกกันก่อน คือ การ Align โดยขึ้นกับ<strong><em>จำนวน </em></strong>ของ Sequence ในประเภทนี้เราสามารถแบ่งออกได้เป็น 2 แบบ</p><ul><li><strong>Pairwise sequence alignment (PSA)</strong>: เปรียบเทียบแค่สอง Sequence เข้าด้วยกัน เพื่อวิเคราะห์การวิวัฒนาการของ Sequence ที่ค่อนข้างเฉพาะเจาะจง</li><li><strong>Multiple sequence alignment (MSA)</strong>: เปรียบเทียบกันมากกว่าสอง Sequence เพื่อวิเคราะห์ในระดับของ Gene families / Protein families หรือการทำงานและการวิวัฒนาการโดยรวม</li></ul><p>ในประเภทที่สองคือการ Align โดยขึ้นกับ<strong><em>ความยาว </em></strong>ของ Sequence แบ่งได้เป็น 2 แบบ</p><ul><li><strong>Global alignment</strong>: การหาความเหมือนของ Sequence ทั้งสาย โดยจะหารูปแบบการจัดเรียงที่ทำให้Sequenceมีความเหมือนกันมากที่สุดในภาพรวม</li><li><strong>Local alignment</strong>: การหาความเหมือนของ Sequence แค่ในเฉพาะส่วนที่สนใจ ไม่ใช่ทั้งสาย จะเน้นในการหาส่วนของSequenceที่มีความเหมือนกันมากที่สุดเป็นจุดๆไป</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/532/0*7lFlgxQi3W5oz8ay" /><figcaption>ภาพที่ 10 ความแตกต่างระหว่าง Global alignmentและLocal alignment</figcaption></figure><p>อีกประเภทย่อยที่อยากกล่าวถึง คือ Structural Alignment ซึ่งมักจะใช้กับ Protein หรือ RNA sequence ประเภทนี้จะสามารถเปรียบเทียบข้อมูล Sequence มากกว่าสอง Sequence ได้ โดยจะใช้ข้อมูลเชิงโครงสร้างของโปรตีนมาช่วยในการหา Alignment ที่คล้ายคลึงกันมากที่สุดของ Sequence เหล่านั้น[4]</p><p><em>แล้วเทคนิคต่างๆนี้ จะถูกนำไปใช้ทำอะไร?</em></p><p>หนึ่งในตัวอย่างการใช้งานคือ Sequence similarity search (SSS) ซึ่งเป็นวิธีการที่ใช้ในการค้นหา Sequence ที่มีความคล้ายคลึงกับ Sequence ที่เราสนใจในฐานข้อมูล เพียงแค่ป้อนข้อมูลค้นหาเข้าไป ก็สามารถพบข้อมูลที่เกี่ยวข้องอื่นๆที่คล้ายคลึงกับสิ่งที่เราสนใจได้ในทันทีราวกับใช้ Google search engine</p><p>SSS ยึดหลักการทำ Sequence Alignment โดยการใช้อัลกอริทึ่มคำนวณคะแนนของความเหมือนของ Sequence เพื่อหาSequenceในฐานข้อมูลที่มีความคล้ายคลึงกันมากที่สุด ตัวอย่างเครื่องมือที่นิยมใช้งานสำหรับ SSS เช่น FASTA, BLAST เป็นต้น</p><p>อีกหนึ่งกระบวนการสำคัญที่ได้ใช้งานเทคนิคการทำ Sequence Alignment นี้ก็คงไม่พ้นการทำ <strong>Genome analysis</strong> เพื่อศึกษาการว่า Sequence ที่เราเก็บตัวอย่างมานั้น มีหน้าที่การทำงานอะไร หรือ มีความผิดปกติในข้อมูลส่วนไหนอาจส่งผลกระทบต่อร่างกายได้บ้าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/383/0*UqiufehVIqbyQJ6T" /><figcaption>ภาพที่ 11 แผนภาพแสดงกระบวนการทำVariant calling ที่มา: <a href="https://sbc.shef.ac.uk/wrangling-genomics/02-quality-control/index.html">https://sbc.shef.ac.uk/wrangling-genomics/02-quality-control/index.html</a></figcaption></figure><p>จะขอแบ่งขั้นตอนการเตรียมข้อมูลสำหรับการวิเคราะห์ออกเป็น 4 ช่วง</p><ol><li><strong>Sequence reads</strong>: Input data</li></ol><p>การอ่านและบันทึกข้อมูล DNA (A,C,T,G) จากตัวอย่างที่เก็บมา โดยการทำ Sequencing ผ่านเครื่องอ่านที่ผลิตโดยบริษัทที่หลายคนอาจเคยได้ยินชื่อ เช่น Illumina / Oxford Nanopore / PacBio เป็นต้น โดยในขั้นตอนแรกนี้ มักจะได้ข้อมูลมาในรูปแบบของไฟล์ FastQ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*QAgv68c3O4p3vUWH" /><figcaption>ภาพที่ 12 ตัวอย่างการทำงานของเทคโนโลยี DNA Sequencing ที่มา: <a href="https://www.genome.gov/genetics-glossary/DNA-Sequencing">https://www.genome.gov/genetics-glossary/DNA-Sequencing</a></figcaption></figure><p>2.<strong> Quality Control &amp; Pre-processing</strong>: Ensuring Data Integrity</p><p>เมื่อได้ข้อมูลมาแล้ว กระบวนการควบคุมคุณภาพของข้อมูลก็เป็นอีกหนึ่งกระบวนการที่จำเป็นเพื่อให้สามารถเพิ่มความมั่นใจได้ว่าข้อมูลที่ได้จะมีคุณภาพที่ดีพอจะนำไปวิเคราะห์ต่อ ตัวอย่างเครื่องมือที่นิยมใช้ในขั้นตอนนี้ เช่น FastQC, การทำ Trimming เพื่อคัดเบสคุณภาพต่ำออก ไปจนถึงการลดข้อมูลซ้ำซ้อนจากการ PCR เป็นต้น</p><p>3.<strong> Alignment to Reference Genome</strong>: Finding the Right Spot</p><p>การทำ Sequence Alignment สามารถเข้ามามีส่วนช่วยในการหาบริเวณของ Sequence ที่เราสนใจ โดยในบางกรณีเราจะทำการmapตัวอย่างที่เราสนใจเข้ากับ Sequence อ้างอิงหรือ Reference genome เพื่อให้สามารถชี้เฉพาะได้ว่าจุดไหนของข้อมูลตัวอย่างที่แตกต่างออกไปจากข้อมูลอ้างอิงตามมาตรฐาน เครื่องมือที่นิยมใช้สำหรับการ map เช่น minimap2 (เหมาะสำหรับ long reads), bwa หรือ Bowtie2 (เหมาะสำหรับ short reads) เป็นต้น ข้อมูลที่ได้หลังจากขั้นตอนนี้มักจะมีรูปแบบเป็นไฟล์ BAM</p><p>4. <strong>Variant Calling &amp; Annotation</strong>: Digging Into the Data</p><p>เมื่อ Align ตัวอย่าง Sequence กับ Reference genome แล้ว เราจะสามารถเปรียบเทียบความแตกต่างของลำดับเบสบน Sequence หรือที่เรียกกันว่า Variant และนำข้อมูลส่วนนี้ไปวินิจฉัยหรือวิเคราะห์หาความผิดปกติหรือการวิวัฒนาการของสิ่งมีชีวิตได้ นอกจากข้อมูลลำดับเบสที่แตกต่างแล้ว ยังมีกระบวนการที่เรียกว่า Annotation เพื่อให้ข้อมูลเพิ่มเติมอื่นเกี่ยวกับความแตกต่างนั้น เช่น ข้อมูลเกี่ยวกับ Variant-Disease association หรือ Genomic context อื่นๆที่เกี่ยวข้อง (ยีน หรือ regulatory region) เป็นต้น ผลลัพธ์ที่ได้จากกระบวนการนี้มักจะมาในรูปแบบของไฟล์ VCF</p><p>จากตัวอย่างข้างต้น จะเห็นว่าก่อนที่จะเกิดการวิเคราะห์ที่ปลายน้ำ การเตรียมข้อมูลและการจัดการข้อมูลทางต้นน้ำก็นับเป็นหนึ่งในกระบวนการสำคัญเป็นอย่างยิ่งแทบไม่ต่างกัน หากไม่มีการวางรากฐานที่มั่นคง การนำข้อมูลไปวิเคราะห์ต่อยอดตามแต่กรณีที่สนใจอื่นๆก็อาจเกิดขึ้นได้ยาก ไม่ว่าจะเป็นการนำไปใช้ฝึกโมเดล Machine Learning / Deep learning หรือการวิเคราะห์ทางสถิติอื่นๆเพื่อทำนายผลลัพธ์จากข้อมูลตั้งต้น ไปจนถึงการวินิจฉัยโรคที่เกี่ยวข้องได้นั้นเอง</p><p><strong>อ้างอิง</strong></p><p>[1] Lee TI, Young RA. Transcriptional regulation and its misregulation in disease. Cell. 2013 Mar 14;152(6):1237–51. doi: 10.1016/j.cell.2013.02.014. PMID: 23498934; PMCID: PMC3640494.</p><p>[2] Genome.gov. (n.d.). Genomic Data Science Fact Sheet. [online] Available at: <a href="https://www.genome.gov/about-genomics/fact-sheets/Genomic-Data-Science">https://www.genome.gov/about-genomics/fact-sheets/Genomic-Data-Science</a></p><p>[3] singh, Rajdeep. “What Is a Sequence Alignment?” Rajdeep Singh, 29 July 2022, medium.com/officialrajdeepsingh/what-is-a-sequence-alignment-24bc3d5daa45</p><p>[4] Wikipedia contributors. (2023, August 27). Sequence alignment. In Wikipedia, The Free Encyclopedia. Retrieved 17:22, August 30, 2023, from <a href="https://en.wikipedia.org/w/index.php?title=Sequence_alignment&amp;oldid=1172427142">https://en.wikipedia.org/w/index.php?title=Sequence_alignment&amp;oldid=1172427142</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5b394025a33b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[การถอดรหัสพันธุกรรม 101 : นักวิทยาศาสตร์ถอดรหัสจีโนม (หนังสือแห่งชีวิต) ได้อย่างไร]]></title>
            <link>https://medium.com/@comlifescithailand/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%96%E0%B8%AD%E0%B8%94%E0%B8%A3%E0%B8%AB%E0%B8%B1%E0%B8%AA%E0%B8%9E%E0%B8%B1%E0%B8%99%E0%B8%98%E0%B8%B8%E0%B8%81%E0%B8%A3%E0%B8%A3%E0%B8%A1-101-%E0%B8%99%E0%B8%B1%E0%B8%81%E0%B8%A7%E0%B8%B4%E0%B8%97%E0%B8%A2%E0%B8%B2%E0%B8%A8%E0%B8%B2%E0%B8%AA%E0%B8%95%E0%B8%A3%E0%B9%8C%E0%B8%96%E0%B8%AD%E0%B8%94%E0%B8%A3%E0%B8%AB%E0%B8%B1%E0%B8%AA%E0%B8%88%E0%B8%B5%E0%B9%82%E0%B8%99%E0%B8%A1-%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%87%E0%B8%AA%E0%B8%B7%E0%B8%AD%E0%B9%81%E0%B8%AB%E0%B9%88%E0%B8%87%E0%B8%8A%E0%B8%B5%E0%B8%A7%E0%B8%B4%E0%B8%95-%E0%B9%84%E0%B8%94%E0%B9%89%E0%B8%AD%E0%B8%A2%E0%B9%88%E0%B8%B2%E0%B8%87%E0%B9%84%E0%B8%A3-f6c433805d80?source=rss-8b4faaf489a------2</link>
            <guid isPermaLink="false">https://medium.com/p/f6c433805d80</guid>
            <category><![CDATA[computational-biology]]></category>
            <category><![CDATA[genome]]></category>
            <category><![CDATA[biology]]></category>
            <category><![CDATA[genome-sequencing]]></category>
            <dc:creator><![CDATA[Computational Life Sciences Thailand (CLST)]]></dc:creator>
            <pubDate>Wed, 11 Oct 2023 10:01:53 GMT</pubDate>
            <atom:updated>2023-12-10T14:37:28.645Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>การถอดรหัสพันธุกรรม 101 : นักวิทยาศาสตร์ถอดรหัสจีโนม </strong>(หนังสือแห่งชีวิต) <strong>ได้อย่างไร</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/1*wBJQZrJ-jYIiBRPI_rylOA.png" /></figure><p><strong>Key words : </strong>จีโนม, การถอดรหัสพันธุกรรม (sequencing), Sanger sequencing, Next Generation Sequencing (NGS)</p><p>สมัยเมื่อตอนมัธยมปลาย พวกเราได้เรียนเกี่ยวกับพันธุศาสตร์ (genetics) จากตัวอย่างสุดคลาสสิคนั่นก็คือ การถ่ายทอดพันธุกรรมซึ่งเกิดจากความแตกต่างทางพันธุกรรม (variation) ของยีนเพียงยีนเดียว การถ่ายทอดทางพันธุกรรมแบบนี้เรียกว่า การถ่ายทอดพันธุกรรมตามกฎของเมนเดล (Mandelian inheritance) ซึ่งมีอยู่ 4 ลักษณะได้แก่</p><ul><li>ลักษณะที่เกิดจากยีนเด่นของโครโมโซมร่างกาย (autosomal dominant)</li><li>ลักษณะที่เกิดจากยีนด้อยของโครโมโซมร่างกาย (autosomal recessive)</li><li>ลักษณะที่เกิดจากยีนเด่นของโครโมโซม X (X-linked dominant)</li><li>ลักษณะที่เกิดจากยีนด้อยของโครโมโซม X (X-linked recessive)</li></ul><p>หากเกิดการผ่าเหล่า (mutations) ในยีนเหล่านี้ จะก่อให้เกิดโรคทางพันธุกรรมที่เกิดจากการผิดปกติของยีนที่ถ่ายทอดลักษณะเพียงตำแหน่งเดียว (monogenic diseases) พวกเราอาจจะคุ้นหูและเคยท่องจำกันมาบ้างเช่น โรคเม็ดเลือดแดงรูปเคียว ซึ่งเกิดจากยีนด้อยของโครโมโซมร่างกาย หรือโรคฮีโมฟีเลีย ซึ่งมีลักษณะเลือดไหลไม่หยุดและเกิดจากยีนด้อยของโครโมโซม X</p><p>อย่างไรก็ตาม โรคทางพันธุกรรมที่เกิดจากการผิดปกติของยีนที่ถ่ายทอดลักษณะเพียงตำแหน่งเดียว หรือ monogenic diseases เหล่านี้พบได้ไม่บ่อยนัก ลักษณะหลายๆอย่าง เช่น ส่วนสูง สีผิว หรือความเสี่ยงต่อการเกิดโรคต่างๆนั้น โดยทั่วไปแล้วเกิดจากการควบคุมของยีนหลายๆตำแหน่งบนโครโมโซม ซึ่งอาจจะร่วมกันควบคุม หรือทำงานแยกกันโดยสิ้นเชิงก็ได้ อีกทั้งปัจจัยทางสภาพแวดล้อมสามารถส่งผลต่อลักษณะหลายๆอย่างได้ สามารถพูดได้ว่าลักษณะทางพันธุกรรมอันซับซ้อนเหล่านี้เป็นผลมาจากการควบคุมจากหลายๆยีน หรือ polygenic traits</p><p>นักวิทยาศาสตร์สามารถเรียนรู้ว่าโรคหลายๆโรคเช่น โรคมะเร็ง โรคหลอดเลือดหัวใจ หรือโรคเบาหวานเบาหวานชนิดที่ 2 นั้นเป็น polygenic traits (Michailidou et al. 2017; Nelson et al. 2017; Morris et al. 2012) และการเรียนรู้นี้เกิดขึ้นได้ก็เพราะนักวิทยาศาสตร์สามารถถอดรหัสพันธุกรรมของจีโนมของมนุษย์ (human genomes) หรือสามารถอ่าน “หนังสือแห่งชีวิตของมนุษย์” ได้นั่นเอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*B24JQzYCOD8YXcyU" /><figcaption><em>ภาพที่ 1 จีโนมของมนุษย์เรา ประกอบไปด้วยโครโมโซมทั้ง 23 คู่ (และ DNA ใน mitochondria อีกเล็กน้อย) (ภาพจาก: National Human Genome Research Institute, </em><a href="http://www.genome.gov)/"><em>www.genome.gov)</em></a></figcaption></figure><p>แต่เอ๊ะ เดี๋ยวก่อนนะ จีโนมคืออะไร? แล้วเกี่ยวอะไรกันกับ“หนังสือแห่งชีวิตมนุษย์”? –อาจจะเป็นคำถามที่คุณกำลังมีอยู่ในหัว จีโนมคือ DNA ทั้งหมดที่พบได้ในนิวเคลียสของเซลล์แต่ละเซลล์ จีโนมของมนุษย์เราประกอบไปด้วยโครโมโซมทั้ง 23 คู่ (และ DNA ใน mitochondria อีกเล็กน้อย) (ภาพที่ 1) จีโนมหมายรวมถึงยีนต่างๆ และทุกๆอย่างที่อยู่ระหว่างยีน เช่น ส่วนที่มีหน้าที่ควบคุมแต่ไม่ได้สร้างโปรตีนโดยตรง (regulatory elements) การควบคุมการแสดงออกของยีนโดย regulatory elements อาจแตกต่างกันในเนื้อเยื่อแต่ละประเภท (ภาพที่ 2)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*P6Ygxl9bfUNPsZST" /><figcaption><em>ภาพที่ 2 จีโนมประกอบไปด้วยยีนต่างๆ และส่วนที่มีหน้าที่ควบคุมแต่ไม่ได้สร้างโปรตีนโดยตรง (regulatory elements) การควบคุมการแสดงออกของยีนโดย regulatory elements อาจแตกต่างกันในเนื้อเยื่อแต่ละประเภท จากภาพ สัญลักษณ์ไฟจราจรสื่อถึงการควบคุบการแสดงออกของยีน (ภาพจาก: National Human Genome Research Institute, </em><a href="http://www.genome.gov)/"><em>www.genome.gov)</em></a></figcaption></figure><p>หากจะเปรียบเทียบให้เห็นภาพ จีโนมนั้นเปรียบเสมือนกับหนังสือแห่งชีวิต ที่มีข้อมูลคำสั่งลำดับขั้นตอนทั้งหมดในการจะสร้างสิ่งมีชีวิตนั้นๆเก็บไว้ ตัวอักษรที่ใช้เขียนหนังสือแห่งชีวิตนี้ก็คือ DNA เบส ได้แก่ adenine (A), cytosine (C), guanine (G) และ thymine (T) ตามกฏของธรรมชาติ A จะจับคู่กับ T ในขณะที่ C จะจับคู่กับ G อยู่เสมอ (ภาพที่ 3) จีโนมของมนุษย์เรามีเบสหรือตัวอักษรเหล่านี้ถึง 3.2 พันล้านตัว! หากพิมพ์ออกมาเป็นหนังสือ ก็จะมีจำนวนมากเต็มชั้นหนังสือเลยทีเดียว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*klFWi-Q0L9crplqN" /><figcaption><em>ภาพที่ 3 DNA เบส ได้แก่ bases adenine (A), cytosine ©, guanine (G) และ thymine (T) ตามกฏของธรรมชาติ A จะจับคู่กับ T ในขณะที่ C จะจับคู่กับ G อยู่เสมอ (ภาพจาก: National Human Genome Research Institute, </em><a href="http://www.genome.gov)/"><em>www.genome.gov)</em></a></figcaption></figure><p>ในปัจจุบัน โครงการที่เกิดจากความร่วมมือระดับนานาชาติ เช่น <a href="https://www.genome.gov/human-genome-project">The Hum</a>an Genome<a href="https://www.genome.gov/human-genome-project"> Project</a>, Telomere-to-Telomere (T2T) Consortium และ Human Pangenome Reference Consortium ทำให้นักวิทยาศาสตร์สามารถถอดรหัสพันธุกรรมจีโนมของมนุษย์ได้ทั้งหมดแล้ว เกิดเป็น human genome reference หรือจะเรียกให้เห็นภาพว่าเป็น “หนังสือแห่งชีวิตมนุษย์ฉบับอ้างอิง” โดยเฉลี่ยแล้ว จีโนมของคนเรามีความใกล้เคียงกับฉบับอ้างอิงนี้ถึง 99.6% และมีความแตกต่างเพียงแค่ 0.4% ที่เป็นเอกลักษณ์เฉพาะในแต่ละคน</p><p>การที่นักวิทยาศาสตร์สามารถอ่านจีโนม หรือไขรหัสหนังสือแห่งชีวิตของมนุษย์นี้ ทำให้เกิดเป็นยุคสมัยใหม่แห่งการวิจัยทางการแพทย์และวิทยาศาสตร์ชีวการแพทย์ ในบทความนี้ เราจะมาทำความรู้จักถึงวิทยาการการรถอดรหัสพันธุกรรม (sequencing technology) วิธีต่างๆที่ทำให้นักวิทยาศาสตร์สามารถอ่านหนังสือแห่งชีวิตทีละตัวอักษร –หรือถ้าจะพูดให้ถูกคือทีละเบส</p><h3><strong>วิทยาการการรถอดรหัสพันธุกรรม (sequencing technology) วิธีต่างๆ</strong></h3><p>เริ่มจาก <strong>Sanger sequencing</strong> (ภาพที่ 4 ซ้าย) ซึ่งคิดค้นโดยนักวิทยาศาสตร์รางวัลโนเบล Frederick Sanger และเพื่อนร่วมงานของเขาในปี ค.ศ.1977 วิธี Sanger sequencing นี้เป็นวิธีที่เรียบง่าย แต่ต้องใช้ความอุตสาหะ วิธีนี้อาศัยหลักการทางชีวเคมีในการจำลองตัวเองของ DNA (DNA replication) โดยหากจะเปรียบกับการตำราอาหาร “วัตถุดิบ” ที่ใช้ได้แก่:</p><p>1. <strong>DNA template</strong>: นี่คือสาย DNA เป้าหมายที่เราอยากจะถอดรหัส</p><p>2. <strong>Primer</strong>: นี่คือ DNA สายสั้นๆ เอาไว้ใช้จับกับ DNA เป้าหมาย และเริ่มปฏิกิริยาการจำลองตัวเอง</p><p>3. <strong>เอนไซม์ DNA polymerase</strong>: ชื่ออาจจะฟังดูยากและน่ากลัวไปซักหน่อย แต่จริงๆแล้วตรงไปตรงมามาก หากเราแบ่งชื่อออกเป็น DNA/polymer/-ase สามส่วนนี้แปลรวมกันได้ว่า เอนไซม์ที่สร้าง DNA โมเลกุลใหญ่ จากสารตั้งต้นที่เล็กกว่า</p><p>4. <strong>สารตั้งต้น DNA หรือ deoxynucleotide triphosphates (dNTPs): </strong>ถ้าจะอธิบายง่ายๆ นี่คือนิวคลีโอไทด์ที่มีเบสต่างๆ (A, C, G และ T) ที่จะถูกเรียงร้อยเป็น DNA โดยเอนไซม์ DNA polymerase โดยการเรียงตัวของเบสยึดตาม DNA template</p><p>5. <strong>สารตั้งต้น DNA ที่ได้รับการดัดแปลง หรือ dideoxynucleotide triphosphates (ddNTPs)</strong>: คุณอาจจะสังเกตได้ว่าชื่อของสารตั้งต้น DNA ที่ได้รับการดัดแปลงนี้ เกือบจะเหมือนกับสารตั้งต้นปกติ ดังนั้น ddNTP<strong> </strong>จะถูกเรียงร้อยเฉกเช่นกับสารตั้งต้นปกติ หากเพียงแต่ว่าเมื่อเอนไซม์ DNA polymerase เจอสาร ddNTP ตัวนี้ จะหยุดชะงักและไม่สามารถเรียงร้อย DNA สายใหม่ต่อได้</p><p>เมื่อมีวัตถุดิบเหล่านี้พร้อมแล้ว นักวิจัยจึงผสมส่วนผสม DNA template, primer, เอนไซม์ DNA polymerase, และ สารตั้งต้น DNA หรือ dNTPs เข้าด้วยกัน จากนั้นเติม สารตั้งต้น DNA ที่ได้รับการดัดแปลง (ddNTP) ของแต่ละเบสอันได้แก่ A, C, G และ T ในแต่ละหลอดทดลอง ddNTP เหล่านี้จะหยุดปฏิกิริยาการจำลองตัวเองในตำแหน่งต่างๆของ DNA สุดท้ายนี้นักวิทยาศาสตร์นำผลิตภัณฑ์ไปเข้าเครื่อง gel electrophoresis — ชื่ออาจจะฟังดูน่ากลัวอีกแล้ว แต่จริงๆคือการให้ DNA วิ่งผ่านในแผ่นเจลเด้งดึ๋งภายใต้สนามไฟฟ้า ตามโครงสร้างทางเคมี DNA มีประจุลบ ดังนั้นจึงถูกผลักจากขั้วลบไปหาขั้วบวก หลอดทดลองที่มี A, C, G และ T ที่ได้รับการดัดแปลงจะถูกหยอดลงในแต่ละเลนของแผ่นเจล และเนื่องจาก เอนไซม์ DNA polymerase หยุดทำงานในตำแหน่งต่างๆ ทำให้สาย DNA ที่เป็นผลิตภัณฑ์ที่ได้มีขนาดแตกต่างกัน และปรากฏบนแผ่นเจลที่ตำแหน่งที่แตกต่างกัน โดยสาย DNA ที่ยาวกว่าจะเคลื่อนที่ได้ช้าและถูกดักไว้อยู่ข้างบน ในขณะที่สายที่เล็กกว่าเคลื่อนที่ได้เร็วกว่าจึงอยู่ข้างล่างของแผ่นเจล อีกทั้งแต่ละเบสของ ddNTP จะมีสีย้อมฟูลออเรสเซนส์ หรือกัมตภาพรังสีที่เฉพาะตัว ทำให้นักวิทยาศาสตร์สามารถถอดรหัสพันธุกรรมของ DNA เป้าหมายได้โดยการอ่านจากตำแหน่งและสัญญาณที่จำเพาะเหล่านี้ (ภาพที่ 4 ซ้าย)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Pra7JzPkrgopR8pjuAErXQ.jpeg" /><figcaption><em>ภาพที่ 4 วิทยาการการถอดรหัสพันธุกรรมโดยการสังเคราะห์ หรือ sequencing-by-synthesis (SBS) วิธีต่างๆ: (ซ้าย) Sanger sequencing, (ขวา) การถอดรหัสพันธุกรรมสายสั้น (short-read sequencing) (ภาพจาก: National Human Genome Research Institute, </em><a href="http://www.genome.gov)/"><em>www.genome.gov)</em></a></figcaption></figure><p>Sanger sequencing นี้สามารถถอดรหัสได้ราวๆ 1000 เบสหรือตัวอักษร แต่คุณน่าจะพอจินตนาการได้ว่ามันจะเป็นงานที่ยากลำบากแน่ๆ ถ้าใช้วิธีนี้ในการถอดรหัสพันธุกรรมของจีโนมมนุษย์ที่มี 3.2 พันล้านเบส วิทยาการใหม่ๆจึงได้ถูกพัฒนาขี้นเพื่อตอบโจทย์ตรงนี้</p><p>ต่อมาคือวิทยาการ <strong>shotgun sequencing</strong> สำหรับวิธีนี้โดยเบื้องต้นแล้ว DNA จะถูกตัดเป็นสายสั้นๆ จากนั้น DNA สายสั้นๆเหล่านี้จะถูกถอดรหัสพันธุกรรมทีละส่วน ก่อนที่โปรแกรมคอมพิวเตอร์จะต่อสายสั้นๆเหล่านี้เข้าด้วยกัน วิธีนี้ทำให้นักวิทยาศาสตร์สามารถอ่าน DNA ในจำนวนเบสมากขึ้นได้ หากจะเปรียบเทียบจีโนมว่าเป็นหนังสือแห่งชีวิต shotgun sequencing คือการที่นักวิทยาศาสตร์ฉีกหนังสือในเป็นชิ้นเล็กๆโดยการสุ่ม เพื่อทำให้ง่ายต่อการอ่านทีละคำ จากคำก็ต่อกันกลายเป็นประโยค จากประโยคก็ยาวขึ้นเป็นบรรทัด เป็นย่อหน้า</p><p>ในปัจจุบัน วิทยาการการถอดรหัสพันธุกรรมใหม่ๆ ทำให้ได้ผลลัพธ์ที่มากขึ้น (high throughput) ในเวลาที่สั้นลงและราคาที่ถูกลง วิทยาการนั้นเรียกว่า Next Generation Sequencing (NGS) ซึ่งประกอบไปด้วย 2 แบบคือ การถอดรหัสพันธุกรรมสายสั้น (short-read sequencing) และการถอดรหัสพันธุกรรมสายยาว (long-read sequencing)</p><p>สำหรับวิทยาการ<strong>การถอดรหัสพันธุกรรมสายสั้น (short-read sequencing)</strong> ที่ใช้กันอย่างแพร่หลายในปัจจุบัน มาจากบริษัท Illumina ซึ่งใช้วิธี “การถอดรหัสโดยการสังเคราะห์ หรือ sequencing-by-synthesis (SBS)” (ภาพที่ 4 ขวา) ถ้าคุณยังจำการจำลองตัวเองของ DNA ได้อยู่ “วัตถุดิบ” ที่ใช้คล้ายเดิม ได้แก่ 1. DNA เป้าหมาย, 2. Primer, 3. เอนไซม์ DNA polymerase, 4. นิวคลีโอไทด์ หรือ dNTP หากเพียงแต่ว่าในวิธีการถอดรหัสโดยการสังเคราะห์นี้ นิวคลีโอไทด์จะมีสารเคมีเรืองแสงติดมาด้วย โดยไม่ได้หยุดสังเคราะห์ เหมือน Sanger sequencing เมื่อ DNA เส้นใหม่ถูกจำลองขึ้นจาก DNA template เป้าหมาย นิวคลีโอไทด์จะเรืองแสงฟลูออเรสเซนออกมา เบสแต่ละตัวจะมีแสงที่เป็นเอกลักษณ์เฉพาะของตัวเอง ทำให้โปรแกรมคอมพิวเตอร์สามารถถอดรหัสได้ว่าสัญญาณแสงนั้นมาจากเบสอะไรในลำดับที่เท่าไหร่ สาย DNA สั้นๆนับล้านสาย สามารถถูกถอดรหัสไปพร้อมๆกันได้บน flow cells หรือแผ่นกระจกที่ทำให้เกิดปฏิกิริยานี้ (ภาพที่ 4 ขวาบน) เนื่องจากการถอดรหัสพันธุกรรมสายสั้นนี้ได้ผลลัพธ์ปริมาณสูง (high throughput) ทำให้นักวิทยาศาสตร์สามารถรวบรวมข้อมูลอันมหาศาลของจีโนมได้ในระยะเวลาอันสั้น</p><p>ส่วน<strong>การถอดรหัสพันธุกรรมสายยาว (long-read sequencing)</strong> นั้น ดังชื่อคือวิทยาการที่ทำให้นักวิทยาศาสตร์ถอดรหัส DNA สายยาวได้ วิทยาการที่ใช้กันอย่างแพร่หลายในปัจจุบันมาจากบริษัทใหญ่ที่ใช้วิธีการที่แตกต่างกันอย่างสิ้นเชิง ได้แก่ บริษัท Pacific Biosciences (PacBio) และบริษัท Oxford Nanopore Technologies (ONT)</p><p>บริษัท PacBio ใช้สารเคมีเรืองแสงคล้ายกับของ Illumia วิทยาการนี้ใช้แผ่นชิปที่มีหลุมขนาดเล็กกระจายตัวอยู่ไปทั่ว ขนาดเล็กมากๆ มากขนาดที่หากฉายแสงจากก้นหลุม ลำแสงจะไม่สามารถกระเจิงมาปากหลุมได้ เพราะความยาวคลื่นใหญ่กว่า ในแต่ละหลุมจะมีเอนไซม์ DNA polymerase ถูกตรึงไว้ที่ก้นหลุมและเคลื่อนไปไหนไม่ได้ การถอดรหัสพันธุกรรมเกิดขึ้นเมื่อ DNA template เป้าหมาย ถูกเอนไซม์จับไว้ที่ก้นหลุม เพื่อทำปฏิกิริยาจำลองตัวเองของ DNA โดยการใช้นิวคลีโอไทด์ จากนั้นนิวคลีโอไทด์เหล่านี้จะเรืองแสงออกมาเมื่อถูกใช้ร้อยเป็น DNA เส้นใหม่ และสัญญาณแสงจะถูกจับทันที (ภาพที่ 5) วิธีนี้สามารถถอดรหัสพันธุกรรมกรรมได้แม่นยำและใช้ DNA template สายยาวกว่าเทคโนโลยี short-read sequencing ทำให้ได้ลำดับเบสที่ยาวกว่า</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*cxR10YMmCxAND8gx" /><figcaption><em>ภาพที่ 5 การถอดรหัสพันธุกรรมสายยาว (long-read sequencing) ของบริษัท Pacific Biosciences (PacBio) โดยด้านขวาแสดงภาพเอนไซม์ DNA polymerase ที่ถูกตรึงไว้ที่ก้นหลุมกำลังทำปฏิกิริยาจำลองตัวเองของ DNA โดยการใช้นิวคลีโอไทด์ที่มีสารเคมีเรืองแสงติดมาด้วย</em> <em>และด้านซ้ายแสดงภาพนิวคลีโอไทด์แต่ละชนิดมีสารเคมีเรืองแสงที่แตกต่างกันและเฉพาะตัว (ภาพจาก: Pacific Biosciences of California, Inc., Menlo Park, CA, USA, </em><a href="http://www.pacb.com)/"><em>www.pacb.com)</em></a></figcaption></figure><p>ในส่วนของบริษัท ONT ได้ใช้วิธีการที่แตกต่างออกไป วิทยาการนี้ใช้แผ่นชิปที่มีโปรตีนที่มีรูตรงกลางเล็กระดับนาโน เรียกว่า nanopores (ภาพที่ 6) โดย nanopores นี้ฝังอยู่กับแผ่นเมมเบรนที่ไม่นำกระแสไฟฟ้า เมื่อปล่อยกระแสไฟฟ้า กระแสไฟฟ้าจึงสามารถผ่านได้แค่รูของโปรตีนนี้เท่านั้น หากมีสาย DNA วิ่งผ่านรูของโปรตีน กระแสไฟฟ้าจะถูกรบกวนและทำให้ค่าสัญญาณแกว่งไปจากค่าตั้งต้น การเปลี่ยนแปลงของค่าสัญญาณนี้สามารถวัดได้โดยเครื่องมือ เบสบน DNA แต่ละเบสมีสัญญาณที่เป็นเอกลักษณ์ของตัวเอง ทำให้โปรแกรมคอมพิวเตอร์สามารถถอดรหัสแต่ละตัวอักษรหรือเบสของ DNA ได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/829/1*mipyZvvnX_jDrMB9RWQlmg.jpeg" /><figcaption><em>ภาพที่ 6 วิทยาการการถอดรหัสพันธุกรรมสายยาว (long-read sequencing) โดย nanopores ของบริษัท Oxford Nanopore Technologies (ONT): (บน) แผ่นชิปที่มีโปรตีนที่มีรูตรงกลางเล็กระดับนาโน เรียกว่า nanopores จำนวนมาก, (ล่าง) สาย DNA วิ่งผ่านรูของโปรตีนและรบกวนกระแสไฟฟ้า ทำให้เกิดค่าสัญญาณสามารถที่วัดได้โดยเครื่องมือ โดยแต่ละเบส บน DNA มีสัญญาณที่เป็นเอกลักษณ์</em> <em>(ภาพจาก: National Human Genome Research Institute, </em><a href="http://www.genome.gov)/"><em>www.genome.gov)</em></a></figcaption></figure><p>วิทยาการ Next Generation Sequencing (NGS) เหล่านี้ให้ผลลัพธ์ที่เรียกว่า reads ซึ่งเปรียบเสมือนเศษกระดาษที่เต็มไปด้วยตัวอักษรของหนังสือที่ถูกฉีก จากนั้นนักวิทยาศาสตร์สามารถใช้โปรแกรมคอมพิวเตอร์ เพื่อปะติดปะต่อแต่ละตัวอักษรเข้าด้วยกัน จากตัวอักษรกลายเป็นคำ จากคำกลายเป็นประโยค และสามารถระบุได้ว่าประโยคนี้มาจากบทไหนหรือส่วนไหนของหนังสือจากการเทียบเคียงกับ genome reference หรือ “หนังสือแห่งชีวิตฉบับอ้างอิง” และท้ายที่สุดนักวิทยาศาสตร์ก็สามารถถอดรหัสพันธุกรรมเพื่อไขรหัสอ่านจีโนมได้ หรือแม้แต่สร้าง genome reference ใหม่ได้ (ภาพที่ 7)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*F2My1j8IL8CEtQUF" /><figcaption><em>ภาพที่ 7 นักวิทยาศาสตร์ใช้โปรแกรมคอมพิวเตอร์เพื่อปะติปะต่อ reads ที่เป็นผลลัพธ์ที่ได้จากการถอดรหัสพันธุกรรมเข้าด้วยกัน และท้ายที่สุดนักวิทยาศาสตร์ก็สามารถอ่านจีโนมได้ (ภาพจาก: National Human Genome Research Institute, </em><a href="http://www.genome.gov)/"><em>www.genome.gov)</em></a></figcaption></figure><p>ข้อมูลจากการถอดรหัสพันธุกรรมสามารถถูกนำไปประยุกต์ใช้ได้หลายอย่าง นักวิจัยสามารถทำความเข้าใจยีนมะเร็งในบริบทของทั้งจีโนม องค์ความรู้นี้สามารถนำไปประกอบการตัดสินใจเพื่อให้ยาเคมีบำบัดที่เหมาะสม นักวิทยาศาสตร์ยังสามารถใช้ข้อมูลจีโนมนี้เพื่อศึกษาความแตกต่างทางพันธุกรรม (genetic variations) ภายในแต่ละกลุ่มประชากร และระหว่างกลุ่มประชากรได้ และยังสามารถหาตำแหน่งของจีโนมที่อาจจะก่อให้เกิดโรคต่างๆ เพื่อนำไปวิเคราะห์ความเสี่ยง (polygenic risk scores) หรือเพื่อทำความเข้าใจกระบวนการทางชีววิทยาเพื่อหายารักษาได้ นอกจากนี้วิทยาการ Next Generation Sequencing (NGS) ได้ถูกนำไปถอดรหัสพันธุกรรมในจีโนมของเชื้อต่างๆที่ก่อโรค เช่น ไวรัส หรือ แบคทีเรีย เชื้อโรคเหล่านี้มีจีโนมที่มีขนาดเล็กกว่าจึงทำให้นักวิทยาศาสตร์สามารถปะติดปะต่อและอ่านจีโนมได้ง่ายกว่า ข้อมูลจีโนมที่ได้เป็นประโยชน์ในการศึกษาวิวัฒนาการของเชื้อ (evolution) การเฝ้าระวังและติดตามโรคระบาด (surveillance) หรือการติดตามเชื้ออุบัติใหม่ (emerging infectious diseases) ตัวอย่างที่เห็นได้ชัดคือ การติดตามเฝ้าระวังโรค COVID-19 ที่นักวิทยาศาตร์ได้ใช้ข้อมูลจีโนมในการเฝ้าระวังการระบาดและการอุบัติของสายพันธุ์ใหม่ ทำให้เข้าใจลักษณะของการระบาด</p><p>สรุปได้ว่า ในบทความนี้ พวกเราได้เรียนรู้เกี่ยวกับจีโนม โดยใช้การอุปมาเปรียบเทียบกับหนังสือแห่งชีวิต ที่มีเบส DNA เป็นตัวอักษร และวิทยาการการถอดรหัสพันธุกรรมวิธีต่างๆ ที่ทำให้นักวิทยาศาสตร์สามารถถอดรหัสและอ่านหนังสือแห่งชีวิตนี้ได้ การถอดรหัสพันธุกรรมจีโนมนี้ทำให้เกิดยุคสมัยใหม่แห่งการวิจัยทางการแพทย์และวิทยาศาสตร์ชีวการแพทย์ นักวิทยาศาสตร์สามารถประยุกต์ใช้ข้อมูลจีโนมเพื่อตั้งคำถามและหาคำตอบทางชีววิทยาใหม่ๆ เช่นการทำความเข้าใจเชื้อโรค หรือการทำความเข้าใจลักษณะทางพันธุกรรมของมนุษย์ที่เป็น polygenic traits ที่ไม่ใช่เพียงลักษณะทางพันธุกรรมที่เกิดจากยีนใดเพียงยีนหนึ่ง แบบที่เราเคยเรียนมาเมื่อสมัยมัธยมปลายอีกต่อไป ในอนาคตอันใกล้เราอาจเห็นการใช้ข้อมูลจีโนมหรือหนังสือแห่งชีวิตของแต่ละคน เพื่อประกอบการประเมินความเสี่ยงในการเกิดโรค (polygenic risk scores)ตลอดจนการป้องกัน การวินิจฉัย หรือการรักษาโรคในแบบที่เฉพาะเจาะจงและเหมาะสมกับบุคคลนั้นๆได้ (personalised medicine)</p><p><strong>อ้างอิง</strong></p><p>Michailidou K, Lindström S, Dennis J, et al. Association analysis identifies 65 new breast cancer risk loci. <em>Nature</em>. 2017;551(7678):92–94. doi:10.1038/nature24284</p><p>Nelson CP, Goel A, Butterworth AS, et al. Association analyses based on false discovery rate implicate new loci for coronary artery disease. Nat Genet. 2017;49(9):1385–1391. doi:10.1038/ng.3913</p><p>Morris AP, Voight BF, Teslovich TM, et al. Large-scale association analysis provides insights into the genetic architecture and pathophysiology of type 2 diabetes. Nat Genet. 2012;44(9):981–990. doi:10.1038/ng.2383</p><p>ภาพที่ 5<em> </em>IMAGES ARE PROVIDED BY Pacific Biosciences ON AN “AS-IS” BASIS. Pacific Biosciences DISCLAIMS ALL REPRESENTATIONS AND WARRANTIES, EXPRESS, IMPLIED OR STATUTORY, INCLUDING, BUT NOT LIMITED TO, NON-INFRINGEMENT, OWNERSHIP, MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE. IN NO EVENT SHALL Pacific Biosciences BE LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, PUNITIVE, OR CONSEQUENTIAL DAMAGES OF ANY KIND WHATSOEVER WITH RESPECT TO THE IMAGES.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f6c433805d80" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>