РОЛЬ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В РАЗВИТИИ СОВРЕМЕННОЙ БИОИНФОРМАТИКИ

АННОТАЦИЯ

В статье рассматривается роль информационных технологий в развитии современной биоинформатики, обсуждается использование компьютерных алгоритмов и программного обеспечения для обработки и анализа больших объемов генетической информации, а также для предсказания структуры и функции белков. Эффективное использование информационных технологий позволяет увеличить производительность исследования, улучшить точность анализа данных и способствовать развитию новых методов исследования.

ABSTRACT

The article examines the role of information technologies in the development of modern bioinformatics, discusses the use of computer algorithms and software for processing and analyzing large amounts of genetic information, as well as for predicting the structure and function of proteins. The effective use of information technology allows increasing the productivity of research, improving the accuracy of data analysis and promoting the development of new research methods.

Ключевые слова: биоинформатика, информационные технологии, искусственный интеллект, геномика, протеомика, транскриптомика, метаболомика, фармакоинформатика, машинное обучение.

Keywords: bioinformatics, information technology, artificial intelligence, genomics, proteomics, transcriptomics, metabolomics, pharmacoinformatics, machine learning.

Введение

Биоинформатика − это научная дисциплина, которая объединяет различные области, такие как биология, информатика и статистика, для изучения и анализа биологической информации. Она учитывает огромные объемы данных, геномы, протеомы и другие биологические ресурсы, с целью генерации новых знаний и раскрытия скрытых паттернов в биологических процессах.

Роль биоинформатики в современной биологии невероятно важна. Она играет ключевую роль в понимании генетической информации и ее связи с фенотипами организмов. Биоинформатика позволяет ученым проводить масштабные исследования геномных данных, анализировать эти данные и извлекать новые знания о живых системах. Благодаря биоинформатике и информационным технологиям специалисты могут: разрабатывать комплексные модели для понимания геномных взаимодействий; идентифицировать новые гены и определять их функции; анализировать мутации, связанные с болезнями и прогнозировать их последствия; создавать и улучшать жизненно важные лекарственные препараты; классифицировать организмы и решать проблемы в области сельского хозяйства и экологии.

Использование информационных технологий в биоинформатике позволяет эффективно обрабатывать и анализировать огромные объемы биологических данных, автоматизировать процессы и получить новые биологические открытия. Все это сделало биоинформатику важным инструментом для современной биологии и помогает продвигать науку и медицину вперед. Информационные технологии играют ключевую роль в развитии и прогрессе биоинформатики. Важность этих технологий проявляется в нескольких аспектах:

1. Обработка и хранение данных. Биоинформатика требует обработки и анализа огромных объемов биологических данных, таких как геномные последовательности, протеомы, экспрессионные профили и подобные им. Информационные технологии позволяют эффективно обрабатывать, сжимать и хранить эти данные, обеспечивая быстрый доступ к информации и защищая ее от потери или повреждения.

2. Базы данных и инструменты анализа. Существует множество баз данных и программных инструментов, разработанных с использованием информационных технологий, которые помогают специалистам в области биоинформатики проводить анализ генетической информации. Базы данных содержат информацию о геномах, белках, метаболических путях и других биологических ресурсах. Инструменты для анализа позволяют проводить выравнивание последовательностей, предсказывать структуру белков, искать генетические варианты и т.д.

3. Моделирование и предсказание. Использование информационных технологий позволяет создавать комплексные математические и компьютерные модели для изучения и предсказания биологических процессов. Благодаря этому ученые в области биоинформатики могут лучше понять сложные системы, такие как: связи между генами, белками и фенотипами, и использовать эту информацию для прогнозирования результатов экспериментов или лекарственных воздействий.

4. Высокопроизводительные вычисления. Биоинформатика требует обработки больших данных и проведения вычислительных анализов, таких как поиск в базах данных, сравнение последовательностей, моделирование и статистический анализ. Информационные технологии позволяют проводить высокопроизводительные вычисления, используя параллельные и распределенные вычислительные системы, ускоряя процесс анализа и сокращая время получения результатов.

В целом, информационные технологии являются неотъемлемой частью биоинформатики и позволяют исследователям эффективно управлять и анализировать генетическую информацию, а также получать новые знания о биологических процессах. Они играют критическую роль в прогрессе научной области − биоинформатики и способствуют развитию дальнейших исследований и применению полученных знаний в практических областях, включая медицину и сельское хозяйство.

Анализ литературы

История развития биоинформатики и использования информационных технологий в данной области можно проследить с помощью нескольких ключевых моментов:

1. Появление секвенирования ДНК. В 1970-х годах появилась технология секвенирования ДНК, которая позволила исследователям получать последовательности генов и геномов живых организмов. Это стало отправной точкой для развития биоинформатики, так как информационные технологии стали необходимы для обработки и анализа огромных объемов генетической информации [1].
2. Создание баз данных и программных инструментов. В 1980-х годах начали разрабатываться первые базы данных для хранения генетической информации. Также появились первые плановые инструменты для анализа генетических данных, такие как программы для выравнивания последовательностей и предсказания структуры белков [2].
3. Геномные проекты. В 1990-х годах начались масштабные проекты по секвенированию геномов различных организмов, такие как Геномный проект человека (Human Genome Project). Подобные проекты требовали использования информационных технологий для обработки и анализа огромных объемов генетической информации [3].
4. Развитие вычислительной инфраструктуры и хранение данных. С появлением более мощных компьютеров и развитием сетевых технологий стало возможным обрабатывать и хранить все большие объемы генетических данных. Были разработаны специализированные базы данных и вычислительные инфраструктуры для биоинформатических исследований [4].
5. Эволюция методов анализа. С развитием информационных технологий появились новые методы анализа генетической информации, такие как машинное обучение, статистические методы и сетевой анализ. Эти методы позволяют выявлять паттерны и взаимодействия в генетической информации, делая биоинформатические исследования более точными и эффективными [5].
6. Интеграция данных исследований. Современная биоинформатика стала все более ориентированной на интеграцию данных из различных источников. Информационные технологии позволяют связывать знания о геномах, выражение генов, белковые взаимодействия и другие биологические параметры, раскрывая новые понимания о функции генов и биологических системах [6].

В целом, информационные технологии стали неотъемлемой частью биоинформатики и сыграли решающую роль в ее развитии. Они позволяют обрабатывать, анализировать и интегрировать генетическую информацию, раскрывая новые знания о биологических системах и помогая в различных областях, включая медицину, сельское хозяйство и экологию.

Методология исследования

В биоинформатике используются различные методы и подходы для анализа биологических данных. Для их поддержки разрабатываются и применяются специализированные информационные технологии. Вот некоторые из основных методов и подходов, используемых в биоинформатике, и связанные с ними информационные технологии:

1. Выравнивание последовательностей: алгоритмы сопоставления последовательностей (например, алгоритм Нидлмана-Вунша [7] или алгоритм Смита-Ватермана [8]); хранилища и индексы для эффективного хранения и поиска больших наборов последовательностей (например, базы данных NCBI, BLAST) [9].

2. Предсказание структуры белка [10]: алгоритмы предсказания вторичной структуры белка (например, алгоритмы GOR или PSI-PRED); методы предсказания 3D структуры белка (например, методы гомологического моделирования).

3. Генная экспрессия [11]: алгоритмы нормализации и дифференциального анализа данных генной экспрессии (например, алгоритм RMA или метод дифференциальной экспрессии EdgeR); инструменты для визуализации и интерактивного анализа данных генной экспрессии (например, R или Python с библиотеками matplotlib или seaborn).

4. Прогнозирование генетических вариантов: алгоритмы и инструменты для анализа данных секвенирования (например, GATK или FreeBayes) [12]; базы данных и инструменты для аннотации и интерпретации генетических вариантов (например, dbSNP или Variant Effect Predictor) [13].

5. Анализ сетей белковых взаимодействий [14]: алгоритмы для прогнозирования и анализа белковых взаимодействий (например, алгоритмы машинного обучения или методы из области графовой теории); веб-интерфейсы и инструменты для визуализации и анализа сетей белковых взаимодействий (например, Cytoscape или STRING).

Автором данной статьи приведены лишь некоторые примеры методов и информационных технологий, использующихся в биоинформатике. Область этой науки постоянно развивается, и новые методы и инструменты появляются с появлением новых технологий и больших объемов биологических данных.

Существует множество программных средств и ресурсов, доступных для анализа биологических данных. Ниже приведены некоторые из них:

1. NCBI (National Center for Biotechnology Information). Организация, предоставляющая широкий спектр биологических баз данных и ресурсов, таких как GenBank (содержит нуклеотидные последовательности), PubMed (биомедицинская литература) и BLAST (инструмент для сравнительного анализа последовательностей).
2. Ensembl. Биоинформативная платформа, предоставляющая геномные, генетические и функциональные аннотации для широкого спектра организмов.
3. UCSC Genome Browser. Веб-интерфейс для визуализации и анализа геномных данных различных организмов. Предоставляет доступ к аннотациям генов, регуляторным элементам, функциональным анализам и многому другому.
4. Galaxy. Веб-платформа для выполнения анализа геномных данных без необходимости программирования. Предоставляет широкий выбор инструментов и рабочих потоков для различных типов анализов, включая секвенирование, анализ выравнивания и экспрессии генов.
5. R/Bioconductor. R − язык программирования и среда разработки с богатым набором пакетов, специализированных для биоинформатического анализа. Bioconductor − коллекция пакетов для анализа геномических данных, включая нормализацию данных, дифференциальный анализ экспрессии генов, анализ метилации ДНК и многое другое.
6. PyBioMed. Биоинформатическая библиотека на языке Python, предназначенная для извлечения характеристик и построения дескрипторов для биологических молекул, включая белки, пептиды, гены, метаболиты и др.
7. STRING. База данных и инструмент для анализа и визуализации сетей белковых взаимодействий. Содержит информацию о физических и функциональных взаимодействиях между белками, а также связанные аннотации и оценки достоверности.
8. ImageJ. Открытое программное обеспечение для анализа изображений, широко используемое в микроскопии и цифровой обработке изображений в биологических и медицинских исследованиях.

Это только несколько примеров программного обеспечения и ресурсов, доступных для анализа биологических данных. Важно отметить, что область биоинформатики быстро развивается, и постоянно появляются новые инструменты и ресурсы для улучшения анализа и интерпретации биологических данных.

Существует множество баз данных и инструментов для хранения и обработки генетической информации. Ниже приведены некоторые из наиболее широко используемых:

1. GenBank. Это база данных, поддерживаемая NCBI, содержащая нуклеотидные последовательности ДНК и РНК, а также ассоциированные аннотации и метаданные. GenBank предоставляет богатый набор данных для исследователей, специализирующихся на геномике и генным последовательностям.

2. dbSNP (Single Nucleotide Polymorphism Database). Это база данных, также поддерживаемая NCBI, которая содержит информацию о единичных нуклеотидных полиморфизмах (SNP), которые являются наиболее распространенными формами генетической изменчивости в популяциях.

3. Ensembl. Это база данных и портал, предоставляющие широкий набор геномных данных, аннотаций и инструментов для многих организмов. Ensembl включает аннотации генов, вариантов, регуляторных элементов, а также информацию о консервативности эволюционных областей.

4. UCSC Genome Browser представляет собой интерактивный веб-инструмент, который позволяет искать, просматривать и анализировать геномные данные множества организмов. UCSC Genome Browser обеспечивает доступ к ассемблированным геномам, аннотациям генов, регуляторным элементам, экспрессии генов и другим функциональным данным.

5 ExAC (Exome Aggregation Consortium). Это база данных, содержащая информацию о генетических вариантах в экзомных регионах множества индивидуумов. ExAC дает информацию о частоте встречаемости генетических вариантов в популяциях, а также об их потенциальной патогенности.

6. GATK (Genome Analysis Toolkit) представляет собой набор программных инструментов для анализа высокопроизводительных данных секвенирования. GATK обеспечивает инструментами для выравнивания секвенаторских чтений, анализа генетических вариантов, аннотации и фильтрации данных.

7. PLINK. Это программное обеспечение для анализа генетических данных, предназначенное для обработки и проверки данных SNP. PLINK предоставляет инструменты для генотипирования, анализа ассоциаций, построения генетических карт и других подобных операций.

Это только несколько примеров баз данных и инструментов, которые широко используются для хранения и обработки генетической информации. Цель указанных выше ресурсов − предоставить исследователям доступ к надежным и актуальным данным, которые необходимы для биологических и генетических исследований.

Анализ и результаты

Информационные технологии широко применяются в различных областях биоинформатики для анализа и интерпретации биологических данных. Ниже приведены примеры применения информационных технологий в различных областях биоинформатики:

1. Геномика. Информационные технологии используются для секвенирования геномов организмов и анализа полученных данных. Это включает в себя хранение и обработку больших объемов данных, поиск и сравнение генетических последовательностей, предсказание функций генов и идентификацию генетических вариантов.
2. Протеомика. Информационные технологии помогают в анализе протеинов и их взаимодействий. Это включает в себя предсказание структуры протеинов, анализ экспрессии и моделирование взаимодействий протеинов для выявления их функций и взаимосвязей с другими молекулами.
3. Транскриптомика. Информационные технологии применяются для анализа экспрессии генов и исследования генетических механизмов регуляции. Это включает в себя методы для анализа РНК-секвенирования, идентификации и количественной оценки транскриптов, поиска дифференциально экспрессированных генов и анализа функциональных путей.
4. Метаболомика. Информационные технологии используются для анализа метаболитов в организмах. В них содержится: идентификация и аннотация метаболитов, анализ метаболических путей, выявление различий в метаболическом профиле в разных условиях и поиск метаболитов, связанных с патологиями и заболеваниями.
5. Фармакоинформатика. Информационные технологии используются для исследования взаимодействия лекарственных препаратов с мишенями в организме. Это включает в себя предсказание взаимодействия препаратов, моделирование биофизических свойств лекарственных молекул, анализ структуры и функций мишеней.

Автором данной статьи приведены всего лишь некоторые примеры применения информационных технологий в различных областях биоинформатики. Биоинформатика продолжает развиваться, и информационные технологии играют ключевую роль в улучшении наших знаний о биологических процессах, развитии новых лекарственных препаратов и персонализированной медицине.

Биоинформатика является научной областью, которая сочетает в себе биологию, компьютерные науки и статистику для анализа и интерпретации биологических данных. Ниже представлен обзор некоторых актуальных исследовательских работ, основанных на использовании информационных технологий в биоинформатике.

1. «Deep learning in bioinformatics» (Min S., Lee B., Yoon S) [15] − исследование актуальных применений глубокого обучения в биоинформатике. Авторы анализируют различные подходы и техники глубокого обучения, применяемые в биоинформатике, такие как сверточные нейронные сети, рекуррентные нейронные сети и генеративные модели. Результаты исследования показывают, что глубокое обучение может успешно применяться для анализа биологических данных, таких как последовательности ДНК и РНК, прогнозирования функциональных сайтов и классификации белков.

2. «Innovations in genomics and big data analytics for personalized medicine and health care» (Hassan M.) [16] − в этой работе исследуются методы интеграции геномных данных для функциональной геномики и персонализированной медицины. Авторы рассматривают различные подходы к интеграции данных, такие как системы управления базами данных, онтологии и биоинформатические инструменты. Результаты исследования показывают, что интеграция геномных данных может значительно улучшить наше понимание биологических процессов и помочь в разработке персонализированных подходов к лечению.

3. В работе «Similarity-based machine learning methods for predicting drug-target interactions» (Ding H.) [17] исследуются методы машинного обучения для прогнозирования взаимодействий между лекарствами и целевыми мишенями. Авторы рассматривают различные модели машинного обучения, такие как случайные леса, градиентный бустинг и нейронные сети, и оценивают их производительность на различных наборах данных. Результаты исследования показывают, что машинное обучение может успешно применяться для прогнозирования взаимодействий между лекарствами и целевыми мишенями, что может помочь в разработке новых лекарственных препаратов.

4. «Applications of next-generation sequencing technologies in functional genomics» (Morozova O., Marra M. A.) [18] − в этой работе исследуются последние достижения в области секвенирования следующего поколения и их применение для геномной и транскриптомной аналитики. Авторы обсуждают различные методы секвенирования и анализа данных, такие как РНК-секвенирование, ЧИП-секвенирование и экзомное секвенирование, и рассматривают их применение в исследованиях генетических вариаций, экспрессии генов и транскриптомики. Результаты исследования показывают, что секвенирование следующего поколения стало мощным инструментом для изучения геномных и транскриптомных данных и может помочь в понимании основных процессов в биологии.

Это лишь несколько примеров актуальных исследовательских работ в области биоинформатики, основанных на использовании информационных технологий. Биоинформатика продолжает развиваться и находить все большее применение в биологических и медицинских исследованиях [19].

Обсуждение

Информационные технологии имеют ряд преимуществ в биоинформатике, но также они имеют некоторые ограничения. Рассмотрим их подробнее:

Преимущества информационных технологий в биоинформатике:

1. Ускорение анализа данных. Использование информационных технологий позволяет обрабатывать и анализировать огромные объемы биологических данных значительно быстрее, чем это было бы возможно вручную. Это позволяет исследователям быстрее находить новые открытия и делать прогресс в области биологической науки.
2. Интеграция данных. Информационные технологии помогают в интеграции различных типов биологических данных, таких как геномные, транскриптомные и протеомные данные. Это позволяет исследователям получать более полное представление о биологических системах и процессах, что может привести к новым научным открытиям.
3. Прогнозирование и моделирование. С помощью информационных технологий можно применять различные методы прогнозирования и моделирования, чтобы предсказать структуру и функцию белков, взаимодействие между молекулами, а также предвидеть новые лекарственные препараты и их эффективность. Это помогает ускорить процесс разработки лекарств и сделать его более эффективным.
4. Коллективное знание. Информационные технологии позволяют исследователям обмениваться данными и знаниями через базы данных, онлайн-ресурсы и сетевые сообщества. Это способствует коллективному знанию и сотрудничеству между исследователями, что помогает ускорить прогресс в биоинформатике.

Ограничения информационных технологий в биоинформатике:

1. Качество данных. Качество биологических данных может варьироваться, и ошибки в данных могут привести к неверным результатам и выводам. Кроме того, биологические данные могут быть шумными и содержать различные искажения. Это требует аккуратной обработки данных и проверки их на качество и достоверность.

2. Сложность анализа. Биологические системы и процессы, часто сложные и многоуровневые, что делает их анализ и восприятие довольно трудными задачами. Интерпретация результатов анализа идет вместе с некоторой степенью неопределенности и требует дальнейших экспериментов и проверок.

3. Алгоритмические ограничения. Разработка эффективных алгоритмов для обработки и анализа больших объемов биологических данных является сложной задачей. Существует постоянная потребность в поиске новых алгоритмов и методов, чтобы справиться с этими ограничениями и улучшить точность и практичность анализа данных.

В целом, информационные технологии играют важную роль в биоинформатике, ускоряя и улучшая процессы анализа биологических данных. Однако для эффективного использования информационных технологий необходимо учитывать их ограничения, связанные с качеством данных и сложностью анализа.

Заключение

Информационные технологии играют ключевую роль в биоинформатике и имеют значительное влияние на решение задач в этой области. Вот несколько выводов о значимости и перспективности информационных технологий в биоинформатике:

1. Ускорение и автоматизация анализа данных. За счет использования информационных технологий, можно обрабатывать огромные объемы данных, сокращая время, требуемое для их анализа. Автоматизация процессов позволяет ученым быстрее получать результаты и делать выводы на основе этих данных.
2. Разработка новых методов и алгоритмов. Информационные технологии позволяют разрабатывать и применять новые методы и алгоритмы для анализа геномных, протеомных и других биологических данных. Это помогает ученым лучше понимать биологические процессы, идентифицировать генетические маркеры и разрабатывать новые лекарственные препараты.
3. Исследование метагеномики. Использование информационных технологий позволяет анализировать метагеномные данные, которые представляют собой смесь геномов различных организмов. Изучение метагеномных данных помогает понять взаимодействие организмов в экосистемах и исследовать биологическую разнообразность.
4. Эволюция и филогенетика. С помощью информационных технологий становится возможным анализ генетического материала различных видов и построение эволюционных деревьев. Это позволяет изучать эволюционные истории и отношения между различными видами, а также предсказывать будущие эволюционные изменения.
5. Интеграция данных. Информационные технологии позволяют интегрировать различные источники данных, такие как геномные, протеомные, экспериментальные и клинические данные, что способствует более глубокому пониманию биологических механизмов и помогает сделать более точные прогнозы и рекомендации.

Для дальнейших исследований и развития информационных технологий в биоинформатике рекомендуется рассмотреть следующие аспекты:

1. Этические и правовые вопросы. Развитие информационных технологий в биоинформатике должно учитывать этические и правовые аспекты. Исследования должны уделять внимание вопросам конфиденциальности и защите данных, а также обеспечению соблюдения норм и правил в области генетических исследований.

2. Развитие и использование искусственного интеллекта и машинного обучения. Искусственный интеллект и машинное обучение могут играть важную роль в анализе и интерпретации генетических данных. Дальнейшие исследования должны быть направлены на применение этих методов для решения сложных задач в биоинформатике, таких как предсказание функций генов, классификация биологических сущностей и моделирование биологических процессов.

В целом, дальнейшие исследования и развитие информационных технологий в биоинформатике должны быть направлены на создание новых методов анализа данных, интеграцию различных источников данных, улучшение вычислительной эффективности и соблюдение этических и правовых норм. Это поможет продвинуть науку и применение биоинформатики в биологии, медицине и других областях человеческой деятельности.

Список литературы:

1. Зубов В.В. и др. Краткая история методов высокопроизводительного секвенирования нуклеиновых кислот // Биомика. − 2021. − Т. 13. − №1. − С. 27−46.
2. Карнаухов Н.С., Ильюхин Р.Г. Возможности технологий "Big Data" в медицине // Врач и информационные технологии. − 2019. − №1. − С. 59−63.
3. Калиниченко П.А., Косилкин С.В. Геномные исследования: стандарты Совета Европы и правовое регулирование в России // Вестник университета имени О.Е. Кутафина. − 2019. − №4 (56). − С. 108−118.
4. Исаев Е.А., Корнилов В.В. Проблема обработки и хранения больших объемов научных данных и подходы к ее решению // Математическая биология и биоинформатика. − 2013. − Т. 8. − №1. − С. 49-65.
5. Никонорова М.Л. Методы машинного обучения в биоинформатике // Региональная информатика и информационная безопасность. − 2022. − С. 411−414.
6. Калиниченко Л. А., Колчанов Н. А., Подколодный Н. Л. Проблемы создания предметного посредника для интеграции молекулярно-генетических информационных ресурсов // Вторая Всероссийская научная конференция «Электронные библиотеки: перспективные методы и технологии, электронные коллекции», Протвино. − 2000. − С. 174−184.
7. Мельников Б.Ф., Тренина М.А., Кочергин А.С. Подход к улучшению алгоритмов расчета расстояний между цепочками ДНК (на примере алгоритма Нидлмана-Вунша) // Известия высших учебных заведений. Поволжский регион. Физико-математические науки. − 2018. − №1 (45). − С. 46−59.
8. Аксютина Е.М., Белов Ю.С. Анализ оптимизированного алгоритма выравнивания биологических последовательностей // Электронный журнал: наука, техника и образование. − 2017. − №2. − С. 100-106.
9. Саидов М. З. и др. Анализ баз данных NCBI // 80 лет со дня рождения профессора Д.Г. Хачирова. - 2015. - С. 289-291.
10. Мальченко С., Чащин Н. А. Предсказание вторичной структуры белков // Биополимеры и клетка. − 1992. − Т. 8. − №5. − С. 21.
11. Свешникова А.Н., Иванов П.С. Экспрессия генов и микрочипы: проблемы количественного анализа // Российский химический журнал. − 2007. − Т. 51. − №1. − С. 127−135.
12. Guo H. et al. Genome sequencing identifies multiple deleterious variants in autism patients with more severe phenotypes // Genetics in Medicine. − 2019. − Т. 21. − №. 7. − С. 1611−1620.
13. Пономаренко И.В. Отбор полиморфных локусов для анализа ассоциаций при генетико-эпидемиологических исследованиях // Научные результаты биомедицинских исследований. − 2018. − Т. 4. − №2. − С. 40−54.
14. Спринджук М.В. и др. Обработка и визуализация данных, полученных с ДНК-матриц //Инновационные технологии в медицине. − 2015. − №2-3. − С. 98−110.
15. Min S., Lee B., Yoon S. Deep learning in bioinformatics // Briefings in bioinformatics. − 2017. − Т. 18. − №5. − С. 851−869.
16. Hassan M. et al. Innovations in genomics and big data analytics for personalized medicine and health care: A review // International journal of molecular Sciences. − 2022. − Т. 23. − № 9. − С. 4645.
17. Ding H. et al. Similarity-based machine learning methods for predicting drug-target interactions: a brief review // Briefings in bioinformatics. − 2014. − Т. 15. − № 5. − С. 734−747.
18. Morozova O., Marra M.A. Applications of next-generation sequencing technologies in functional genomics // Genomics. − 2008. − Т. 92. − №5. − С. 255-264.
19. Бурнашев Р. Ф., Махмарахимова М. Х. Роль информационных технологий в улучшении качества и повышения доступности медицинской помощи // Miasto Przyszłości. − 2023. − Т. 35. − С. 146-152.