Analýza dat Populační modely, epidemiologie, hodnocení rizik INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Popisná a prediktivní epidemiologie vážných v chorob Renal Cancer Lung Cancer Gastric Cancer Malignant Melanoma
Popisná a prediktivní epidemiologie vážných v chorob Muži Diagnózy C18-C21: incidence ve světě ASR(W) 0 10 20 30 40 50 60 Ženy ASR(W) 0 10 20 30 40 50 60 Ostatní země světa Evropské země Česká republika ASR(W) 1. Česká republika 58,5 2. Maďarsko 56,6 3. Slovensko 54,5 4. Nový Zéland 53,0 5. Japonsko 49,3 6. Austrálie 47,4 7. Německo 45,5 8. Chorvatsko 44,7 9. Spojené Státy Americké 44,6 10. Slovinsko 43,8 11. Lucembursko 43,6 12. Norsko 43,4 13. Irsko 43,1 14. Švédsko 42,7 15. Kanada 42,2 16. Rakousko 42,1 17. Izrael 41,9 18. Dánsko 41,0 19. Nizozemsko 40,9 20. Francie 40,8 Ostatní země světa Evropské země Česká republika ASR(W) 1. Nový Zéland 42,2 2. Norsko 37,1 3. Austrálie 35,9 4. Izrael 34,9 5. Maďarsko 33,7 6. Spojené Státy Americké 33,1 7. Německo 33,1 8. Dánsko 33,0 9. Česká republika 32,0 10. Nizozemsko 30,8 11. Lucembursko 30,7 12. Kanada 30,6 13. Singapur 29,9 14. Uruguay 29,5 15. Rakousko 27,8 16. Slovensko 27,4 17. Island 27,0 18. Irsko 27,0 19. Belgie 26,8 20. Itálie 26,6 ASR(W): věkově standardizovaná incidence na světový standard Epidemiologie C18-C21 Zdroj: J. Ferlay, F. Bray, P. Pisani and D.M. Parkin: GLOBOCAN 2002: Cancer Incidence, Mortality and Prevalence Worldwide. IARC CancerBase No. 5. version 2.0, IARC Press, Lyon, 2004, http://www-dep.iarc.fr.
10 9 8 7 6 5 4 3 2 1 0 0-4 5-9 10-14 15-19 20-24 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74 75-79 80-84 85 + 12 10 8 6 4 2 0 Popisná a prediktivní epidemiologie vážných v chorob Česká populační data Zastoupení věkových kategorií v rámci r populace (rok 2006) Muži Ženy Maximum v krajích Česká republika Minimum v krajích Jihomoravský kraj 10-14 15-19 20-24 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74 75-79 80-84 85 + Věková kategorie Věková kategorie Maximum v krajích Česká republika Minimum v krajích Jihomoravský kraj Zdroj: ČSÚ 0-4 5-9 Zastoupení věkové kategorie (%) Zastoupení věkové kategorie (%)
Disease mapping PHA PLK LBK JHM PAK ULK HKK OLK JHC VYS STC ZLK MSK KVK 0 50 100 150 Diagnóza C50 ZN prsu - ženy Počet nově diagnostikovaných nádorů na 100 000 žen období 2001-2003 95,1-105,1 105,1-115,2 115,2-125,2 125,2-135,3 135.3 110.9 107.1 105.1 105.0 101.0 100.9 99.0 98.3 98.0 97.0 96.3 96.0 95.1 KVK ULK PHA PLK JHC STC LBK MSK HKK PAK JHM OLK VYS ZLK Diagnózy C33,C34 ZN průdušnice, průdušek a plic Počet nově diagnostikovaných nádorů na 100 000 osob období 2001-2003 44,9-53,9 53,9-63,0 63,0-72,1 72,1-81,2 0 50 100 81.2 71.7 67.0 66.3 64.2 61.8 58.7 57.7 52.1 51.7 49.7 49.3 47.1 44.9 MSK ZLK JHM PAK KVK ULK PHA PLK JHC OLK HKK LBK STC VYS Diagnózy C00-C14 nádory ORL Počet nově diagnostikovaných nádorů na 100 000 osob období 2001-2003 8,2-9,3 9,3-10,3 10,3-11,4 11,4-12,5 0 5 10 15 12.5 11.8 11.7 11.5 11.1 11.0 10.8 10.1 9.7 9.6 9.5 9.3 8.5 8.2 PLK PAK JHC VYS PHA STC OLK KVK HKK MSK ZLK JHM ULK LBK Diagnóza C64 ZN ledviny mimo pánvičku Počet nově diagnostikovaných nádorů na 100 000 osob období 2001-2003 18,9-22,5 22,5-26,1 26,1-29,8 29,8-33,4 0 20 40 33.4 28.6 28.2 27.0 25.3 24.7 23.5 23.5 23.0 22.5 22.4 22.0 20.1 18.9 Kraj: HKK: Královéhradecký; JHC: Jihočeský; JHM: Jihomoravský; KVK: Karlovarský; LBK: Liberecký; MSK: Moravskoslezský; OLK: Olomoucký; PAK: Pardubický; PHA: Hl. m. Praha; PLK: Plzeňský; STC: Středočeský; ULK: Ústecký; VYS: Vysočina; ZLK: Zlínský Zdroj: ÚZIS
Hodnocení populačních rizik, epidemiologické studie Retrospective bio-indication Incidence Prevalence Mortality Prospective risk assessment
Analýza rizikových faktorů,, komplexní analýza rizik INDIVIDUAL PREDISPOSITION HEALTH CARE ENVIRONMENTAL FACTORS Genetic factors Anamnestic factors Life style habits Clinical factors Diagnostics Environment. factors Food quality Toxic exposure????
Analýza dat Environmentální data Hodnocení ekologických rizik Biodiverzita Faculty of Science, Masaryk University, Brno Faculty of Medicine, Masaryk University, Brno
Hodnocení ekologických rizik Problem formulation Hazard identification VALIDATION OF RESULTS Multicomponent exposure assessment Biological effects assessment Risk characterization COLLECTION & PROCESSING OF DATA Interpretation & Management COMMUNICATION OF RESULTS
Hodnocení ekologických rizik rozhodovací modely Dichotomous evaluation Stochastic model evaluation Hazard quotient HQ = AEC TEC Actual environmental concentration = Toxicological effect concentration Probability density function X? MATC Concentration of stressor X? MATC Distribution 1: Concentration of stressor in environment Distribution 2: Concentration of stressor in relation to effects Given probability of significant negative influence (events) Maximum accepted toxicant concentration (threshold)
Hodnocení ekologických rizik tvorba scénářů Stressor(s) Stress factors Source of stress factors Hazardous compounds SITUATION Area of interest Risk situation Natural factors Biological receptors Assessment endpoints Measurement endpoints
Analýza rizikových faktorů,, (eko( eko)toxikologie, bioindikace Influential factor Sub-cell systems Population Cell systems Communities Tissue tests Organisms Ecosystems Bio-tests? Bio-indication
Analýza dat o biodiverzitě Ecological relevance Reprezentativeness Susceptibility to exposure Unambiguous definition Accessibility for measurement Environmental & societal importance
Analýza dat o biodiverzitě Primary data There is redundant offer of measures, however without focus on small communities Forms -> X1 X2 X3 Species 1... II... III... IV... V... VI... VII... Derived indices S, species richness R1 = (S-1)ln N R2 = S/ N H = - i (p i.lnp i ) H adj N1 = e H Quantity Species rank models N2 = 1/ i p i 2 E1 = H /ln S = H / H max 1 2 3 4 5 6 7 8 9 10 11 12 13 Species rank
Analýza dat o biodiverzitě - modelování Stochastic models Niche oriented models Tokeshi,, J. Annual Ecol., 1990 1994 > 20 species P i = f(n,s,k) > 4 5 species
Analog studies in EcoRA : National Research Council Committee on the Applications of Ecological Theory to Environmental Problems (1986) National Academy Press, Washington D.C. Analýza komplexních environmentáln lních dat, modelování Y Y X1 X2 X3 X4 Xp 1 X 1 X 2 abiotic data n biotic data median value 1Rather až 1 (27) than confidence median value 0,974 až 1 (1) 0,799 až 0,974 (15) 1 až1 (38) 0,522 až 0,799 (16) 0,88až1 (11) 0,216 až 0,522 (15) 0,33až0,88 (25) estimates from repeated trials we apply searching for analog situation (sites)
Analýza komplexních environmentáln lních dat, modelování Hot spots /gradient/ Typology of sites Searching for reference sites Investigative typology of sites Representatives of different types of sites Verification/definition of reference points Set of similar sites (variability study) DESIGN + SCENARIO of EcoRA
Analýza dat Experimentální biologie Biomedicína Faculty of Science, Masaryk University, Brno Faculty of Medicine, Masaryk University, Brno
Experimentáln lní biologie: modely dávkad vka-odpověď Model regression standards: example pα Y α Estimate of EC A. Výpočet efektivní koncentrace (EC x ) Y = 1+ α p β (x - μ p) 1 - p e x = ln (koncentrace) μ p = ln ED p pα B. Výpočet prahové koncentrace (EC 0 ) Estimate of threshold concentration Y α Y = α Y = 1+ α p 1 - p eβ [(x - μ o) - (μ p - μ o)] x = ln (koncentrace) μ p = ln ED p μ o = ln ED o x < μ o x > μ o µ p X µ o µ p X Evaluation of hormesis model Y C. Výpočet prahové koncentrace (EC 0 ) - "Hormesis model" OECD, 1996-1999 α α + δx Y = 1+ p β (ln x - g) 1 - p e x = koncentrace μ o = ln ED o µ o ln x
Experimentáln lní biologie: modely dávkad vka-odpověď Amador et al., 1994: In Function of Somatic Cells in the Testis, Springer Verlag, New York, pp. 293 318. We need robust model tools to estimate the patterns and associated parameters Response Odpověď Response Odpověď I Odpověď B L H S B L H S I II III IV I II Dávka Dávka III IV Dose III Response Response Odpověď Dose B L H S B L H S I II Dávka III IV I II Dávka III IV Dose Dose II IV Response Odpověď Response Odpověď V B L H S B L H S I II III IV Dávka Dose VII B L H S I II III IV Dávka Dose Response Odpověď VI I II III IV Dávka Dose
Computational biology - Study program - MSc program Faculty of Science, Masaryk University, Brno Faculty of Medicine, Masaryk University, Brno
Concept of computational biology COMPUTATIONAL BIOLOGY Faculty of Science Faculty of Medicine Faculty of Informatics
Concept of computational biology Artificial intelligence Data management Information systems ICT Machine learning SW development Theoretical biology Experimental biology Microbiology Physiology Biology Biomedicine Mathematics Stochastic modeling Deterministic modeling Taxonomy Ecology Anthropology Biomedicine Clinical sciences Mathematics Data analysis
Concept of computational biology Informatics Statistics Mathematics SW development Data mining Data analysis Bio-engineering Computer sciences COMPUTATIONAL BIOLOGY Taxonomics Microbiology Anthropology Physiology Bothanics Zoology Genomics Genetics Ecology Anatomy Biology
Concept of computational biology Who are computational biologists? Broad and strong background in biological and biomedical disciplines Exact education in mathematics Skillful in ICTs Mathematics Biology Creative in solving of biological and/or biomedical problems Informatics Chemistry Medicine
Rozvoj studijního oboru Matematická biologie PřF MU Brno je finančně podporován prostředky projektu ESF č. CZ.1.07/2.2.00/07.0318 Víceoborová inovace studia matematická biologie a státním rozpočtem České republiky INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ