雖然這篇Transcriptome鄉民發文沒有被收入到精華區：在Transcriptome這個話題中，我們另外找到其它相關的精選爆讚文章
在 transcriptome產品中有6篇Facebook貼文，粉絲數超過180的網紅Micheal Lin的碎碎念，也在其Facebook貼文中提到， #生醫碎碎念 #神經幹細胞 #NSC #stemcell #iNBSC #感謝genetex 一直以來，科學家們使用的神經幹細胞(neural stem cell, NSC)可以直接從幾個來源獲得： 1. 利用胚胎幹細胞(ESC)、或是誘導多能幹細胞(iPSC)做神經分化得來：缺點是分化過...
同時也有10000部Youtube影片，追蹤數超過2,910的網紅コバにゃんチャンネル，也在其Youtube影片中提到，...
-
transcriptome 在 コバにゃんチャンネル Youtube 的最讚貼文
2021-10-01 05:19:08![post-title]()
-
transcriptome 在 大象中醫 Youtube 的最讚貼文
2021-10-01 05:10:45![post-title]()
-
transcriptome 在 大象中醫 Youtube 的精選貼文
2021-10-01 05:09:56![post-title]()
transcriptome 在 Micheal Lin的碎碎念 Facebook 的精選貼文
#生醫碎碎念 #神經幹細胞 #NSC #stemcell #iNBSC #感謝genetex
一直以來，科學家們使用的神經幹細胞(neural stem cell, NSC)可以直接從幾個來源獲得：
1. 利用胚胎幹細胞(ESC)、或是誘導多能幹細胞(iPSC)做神經分化得來：缺點是分化過程較長，而且無法獲得很均勻(homogenous)的分化效率，導致一堆細胞中可能含有一些未分化的胚胎幹細胞，容易造成癌化，因此不太適合拿來做臨床治療。
2. 利用從胚胎中直接取得神經幹細胞：缺點是必須要有足夠的胚胎做細胞的來源，以人類的話，在大量取得細胞上有困難，並有道德上的考量。
今年一月有篇發表在 Cell Stem Cell 期刊上面的文章(PMID: 30581079)，這篇文章主要的重點在於找到了可以將人類的體細胞 (已經是末端分化的細胞) 直接轉換為神經幹細胞的方法，規避了從胚胎幹細胞做神經分化過程中可能造成的問題，同時免除道德上的顧慮。
他們用的方法是：在體細胞中表現四個神經幹細胞的轉錄因子(BRN2, KLF4, SOX2, ZIC3)、配合一些促進神經發育的小分子化合物。在經過細胞培養及繼代挑選後，果然成功的得到了一群可以自我更新(self-renew)並且表現早期神經標記物(包含神經幹細胞標記物：SOX2, NESTIN，以及早期神經標記物：PAX6, SOX1) 的細胞們，由於這群細胞除了幹細胞及早期神經的標記物之外，又表現了神經板邊界的細胞標記物 (CD133, CXCR4, MSX1, ZIC1, PAX3)， 因此被稱為"誘導神經板邊界幹細胞" (induced neural plate border stem cells, iNBSC)。
作者他們使用了三種體細胞，都成功地誘導成為神經板邊界幹細胞(NBSC)，分別是：周邊血液單核細胞(peripheral blood mononuclear cells, PBMC)、成人真皮纖維母細胞(adult dermal fibroblasts, ADF)以及胚胎胰臟纖維母細胞 (fetal pancreas fibroblasts, FPF)，證明這個方法可應用於不同來源的體細胞。
這群 iNBSC 細胞除了表現幹細胞的標記物之外，也具有幹細胞的特性，他們可以分化為中樞神經系統的細胞 (例如神經及膠質細胞)，同時也具有分化為神經嵴細胞 (neural crest cell) 的能力，神經嵴細胞可以進一步分化為多種細胞，包含：黑色素細胞、平滑肌、周邊神經元和膠質細胞等。
同時，作者也想研究，神經板邊界細胞是否可以從胚胎中直接分離出來？(以確定這群細胞是天生就存在在胚胎發育過程的細胞，而非只能在實驗室中發現) 他們成功地從老鼠胚胎第8.5天的神經摺 (neural fold) 中分離出一群具有類似能力 (可分化為中樞神經及神經嵴細胞) 的細胞，並將他們稱為"原代神經板邊界幹細胞" (primary neural plate border stem cells, pNBSC)。利用大數據轉錄體學 (transcriptome analysis) 分析進一步發現，初代及誘導的NBSC均具有相似的基因表現，類似於發育時期前腦後部的區域。
總之，本文提供了一種產生神經幹細胞的新方法，這個方法可以分離/培養出可大量增殖並具有神經幹細胞特性的細胞，更可進一步被應用於神經疾病和再生醫學。
transcriptome 在 Micheal Lin的碎碎念 Facebook 的最讚貼文
#生物碎碎念 #蠑螈 #綠藻 #共生 #生物奇觀
[蠑螈寶寶和他的室友]
斑點鈍口螈的蛋看起來綠綠的是因為裡面單細胞綠藻大爆發。這種綠藻只能在斑點鈍口螈(Ambystoma maculatum)的蛋裡找到，而綠藻的拉丁學名Oophila amblystomatis 是 “喜歡蠑螈的蛋” 的意思。
一百多年前科學家就發現他們的同居關係：蠑螈的蛋產在水塘裡，水塘的含氧量低，蠑螈胚胎利用綠藻光合作用產生的氧氣，而綠藻則利用蠑螈產生的二氧化碳和含氮廢物 。長了綠藻的蠑螈胚胎長得快又大，存活率也較高；而有蠑螈綠藻生長速度也比較快。蠑螈寶寶如何得到這個重要的室友並不清楚，但是在成年蠑螈的輸卵管裡可以檢測到這種藻類的DNA，所以有可能從媽媽身上得來。
科學家一直到不久前才注意到這種綠藻不僅是住在蛋的膠質裡，在蠑螈胚胎發育時綠藻也能經由胚孔進到蠑螈的細胞內，形成胞內共生。珊瑚和藻類應該是大家比較熟悉的胞內共生系統，藻類行光合作用產生養份並分享給珊瑚。但是蠑螈和綠藻的並沒有交換光合作用的養分，事實上蠑螈身體裡面太黑了，光合作用的效果可能也不好，這樣的同居有什麼好處並不清楚。
到了最近，次世代定序技術終於成熟到能夠窺探他們的共生關係，作者從50個蠑螈胚胎細胞分離RNA，並同時監控綠藻和蠑螈的基因表達(dual RNA-Seq)，如果一次分析一種生物的轉錄組像是拼一個5000片拼圖，那dual RNA-Seq就是把兩組5000片拼圖混在一起拼；雖然資料分析難度高，但是有機會解開綠藻和蠑螈溝通的分子機制。
根據RNA-Seq的結果，綠藻在蠑螈的細胞內可以用蠑螈的磷和氮，但是氧氣和硫不足，而產生能量方式由呼吸作用轉為發酵作用，整體來說對綠藻來說是有壓力的環境。跟其他已知的共生系統不一樣，綠藻既沒有行光合作用也沒有幫忙合成維生素，功能不明。不過胞內共生似乎對蠑螈沒有太大的影響，蠑螈的免疫相關基因表現降低，可能因此可以容忍外來的綠藻。
共生聽起來很烏托邦，但是只要是兩種生物住在一起就是共生，可以是互利也可以互相傷害。到底綠藻和蠑螈胞內共生系統誰才是工具人還不好說：例如到底是蠑螈綁架(X)主動讓綠藻住進來(O)，確保綠藻傳給下一代(這種藻類目前只有在蠑螈蛋裡找到)，還是綠藻入侵後抑制蠑螈的免疫反應？還需要更多實驗才能回答。
論文：
1. Intracellular invasion of green algae in a salamander host https://www.pnas.org/content/108/16/6497#F1
2. Transcriptome analysis illuminates the nature of the intracellular interaction in a vertebrate-algal symbiosis https://elifesciences.org/articles/22054#s4
transcriptome 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
AI 與大數據輔助藥物開發，新藥開發進入 3.0 時代
作者 TechNews | 發布日期 2017 年 09 月 29 日 14:50
根據 TrendForce 最新研究指出，透過導入大數據與 AI 人工智慧的機器學習技術，全面強化電腦輔助的藥物篩選與設計，縮短新藥開發時程與提高成功機率，新藥開發邁入 3.0 時代。
從大數據與 AI 人工智慧導入新藥開發的發展來看，TrendForce 生技產業研究副理劉適寧指出，現階段著力的重點在於新藥探索（discovery）階段，其發展奠基於扎實的基礎研究知識、生醫領域大數據的可取得性、AI 演算法與軟體開發能力等基礎之上。
劉適寧表示，現有新藥開發方法所產出的潛在新藥，臨床試驗失敗的原因據統計約有 17% 是來自安全性或有效性不佳，原因就在於以細胞、組織與動物模式的前臨床試驗，以及早期人體臨床試驗做為支持藥物作用標的選擇與人體實質療效的預測性不佳。
傳統電腦輔助藥物篩選與設計，著重於結構及潛在藥物活性分子與受體之間的原子層級的交互作用；有別於新藥開發 2.0 時代的高通量篩選以及傳統電腦輔助藥物篩選與設計，新藥開發進入 3.0 時代，在大數據的輔助下，將分子層級例如基因體（genome）、轉錄體（transcriptome）、蛋白質體（proteome），以及巨觀層級電子醫療數據、臨床文獻等龐大的資訊匯入，並導入機器學習技術，進行藥物潛在作用標的與疾病關係的驗證，以及各類藥物如化學小分子藥、蛋白質藥、雙標靶藥物等開發。
歐美大量成立 AI 輔助新藥開發新創公司
多間歐美廠商已嗅到這趨勢，標榜以 AI 輔助新藥開發的新創公司如雨後春筍般創立，例如 Exscientia、Atomwise、Insilico Medicine 等，吸引全球如 Pfizer、Sanofi、Merck & Co、GSK、Allergan 等諸多大藥廠與這些新創公司合作，此外，AI 在生醫應用領域知名的 IBM Watson 亦未缺席，各家藥廠商皆希望以 AI 強化在產品開發的核心競爭力。
劉適寧指出大數據與 AI 在生醫領域的應用在台灣尚在起步階段，特別在新藥開發領域，一方面產業對新藥探索（discovery）階段著墨少，一方面需要結合扎實的基礎研究知識、大數據、AI 演算法開發，門檻雖不低，卻是提升台灣新藥產業實力的利器。
資料來源：http://technews.tw/2017/09/29/ai-help-medicine-development/