رویکردهای زیست‌شناسی محاسباتی و بیوانفورماتیک برای شناسایی ژن‌های کلیدی در سندرم تخمدان پلی ‌کیستیک: یک مرور سیستماتیک

پیش‌زمینه و هدف: سندرم تخمدان پلی‌کیستیک (pcos) شایع‌ترین بیماری غدد درون‌ریز زنانه است و اغلب باعث ناباروری زنان در سنین باروری می‌شود. این سندروم شامل ژن و پروتئین‌های مختلف، مسیرهای متعدد و فرآیندهای پیچیده ترشح هورمون است. ازاین‌رو، پاتوژنز pcos را نمی‌توان با یک عامل توضیح داد. استفاده از زیست‌شناسی محاسباتی و اومیکس‌ها شامل ژنومیکس، ترانسکریپتومیکس، پروتئومیکس و متابولومیکس می‌توانند روش‌های سریع و موثرتری برای مطالعه پاتوژنز بیماری‌های پیچیده مثل pcos ارائه دهند.روش کار: در این مطالعه جهت یافتن مقالات مرتبط پایگاه‌های اطلاعاتی pubmed، google scholar و science direct بدون محدودیت زمانی و با استفاده از کلیدواژه‌های polycystic ovary syndrome،computational biology، protein-protein interaction، network biology و pathways analysis در بازه زمانی 3 ساله مورد جستجو قرار گرفتند.یافته‌ها: تاکنون پایگاه‌های داده مختلفی برای ذخیره اطلاعات، میانکنش‌های پروتئینی، شبکه‌ها و مسیرهای زیستی مربوط به انسان طراحی‌شده و در اختیار عموم قرار گرفته است. سه پایگاه داده pcosbase، pcoskb و pcosdb مخصوص سندروم تخمدان پلی‌کیستیک ابداع شده است.بحث و نتیجه‌گیری: ازآنجاکه مکانیسم‌های مولکولی سندروم تخمدان پلی‌کیستیک هنوز به‌طور کامل شناخته نشده است برای درک این سندروم نیاز است علاوه بر نتایج آزمایشگاهی با استفاده از پلتفرم‌های اومیکس، زیست‌شناسی محاسباتی و ابزارهای بیوانفورماتیک میانکنش بین پروتئین‌ها و مسیرهای درگیر در آن شناسایی شود.

computational biology approaches and bioinformatics to identify key genes in polycystic ovary syndrome: a systematic review

background & aims: polycystic ovary syndrome (pcos) is the most common female endocrine disease and often causes infertility in the women of reproductive age. this syndrome includes different genes and proteins, multiple pathways, and complex processes of hormone secretion. therefore, a single factor cannot explain the pathogenesis of pcos. using computational biology and omicses including genomics, transcriptomics, proteomics, and metabolomics, can provide faster and more effective methods for studying the pathogenesis of complex diseases such as pcos.materials & methods: in this study, to find the related studies, pubmed, google scholar, and science direct databases were searched without time constraints for 3 years using the keywords of polycystic ovary syndrome, computational biology, protein-protein interaction, network biology, and pathways analysis.results: various databases have been designed and made available to the public to repository data, protein-protein interactions, networks, and biological pathways related to humans. three databases pcosbase, pcoskb, and pcosdb have been explicitly developed for polycystic ovary syndrome.conclusion: since the molecular mechanisms of polycystic ovary syndrome are still not completely understood, to realize this syndrome, besides experimental results using omics platforms, computational biology, and bioinformatics tools, it is necessary to identify the interaction between proteins and the pathways involved in it.