Informasi

21.1: Studi Kasus: Ancaman terhadap Kesehatan Kita - Biologi

21.1: Studi Kasus: Ancaman terhadap Kesehatan Kita - Biologi



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Studi Kasus: Apa yang Mengintai di Hutan

Ximena yang berusia sembilan belas tahun menghabiskan minggu liburan musim panas dengan santai mengunjungi kakek-neneknya di New Jersey. Dia sangat senang membawa anjing mereka berjalan-jalan di hutan dekat rumah mereka, kadang-kadang melihat rusa di jalan setapak yang ditumbuhi semak belukar. Sekitar seminggu setelah dia pulang ke California, Ximena terserang flu. Dia mengalami demam, kedinginan, kelelahan, sakit kepala, dan nyeri tubuh. Tapi di kamar mandi suatu pagi, dia melihat ruam yang tidak biasa di betisnya. Itu tampak seperti sasaran tepat sasaran, dengan lingkaran tengah dikelilingi oleh cincin, mirip dengan ruam pada Gambar (PageIndex{1}).

Ruam itu menyebabkan Ximena menjadi khawatir bahwa dia mungkin menderita sesuatu selain flu. Dia pergi ke dokternya, yang memeriksanya dan bertanya apakah dia telah melakukan perjalanan akhir-akhir ini. Terkejut, Ximena menjawab ya, dan memberitahunya tentang perjalanannya ke New Jersey. Dia mengatakan kepadanya bahwa ruam mata banteng yang dikombinasikan dengan gejala seperti flu sering merupakan indikasi penyakit Lyme. Penyakit Lyme dapat terjadi di California, tetapi jauh lebih umum di Amerika Serikat bagian timur laut, termasuk New York dan New Jersey (Gambar (PageIndex{2})).

Penyakit Lyme disebabkan oleh bakteri yang menyebar ke manusia melalui gigitan kutu. Di AS timur laut, itu disebarkan oleh kutu berkaki hitam atau kutu rusa. Kutu ini biasanya ditemukan di daerah berhutan, seperti jalan setapak yang dilalui Ximena selama perjalanannya. Jadi jalan-jalan santai di hutan mungkin menyebabkan Ximena mengambil suvenir yang tidak diinginkan—penyakit yang membuatnya merasa tidak enak.

Meskipun gejala seperti flu dapat mengindikasikan sejumlah penyakit, ruam mata banteng adalah ciri khas penyakit Lyme. Oleh karena itu, berdasarkan gejala Ximena dan fakta bahwa dia berada di daerah yang kemungkinan besar terjangkit penyakit Lyme, dokternya segera memulai pengobatan untuk mengobati penyakit Lyme. Untuk memastikan diagnosis, ia juga mengambil sampel darah untuk menguji penyakitnya. Dia memberi tahu Ximena bahwa dia mungkin belum dites positif, bahkan jika dia memang memiliki penyakit Lyme, karena perlu beberapa minggu setelah infeksi untuk bukti muncul dalam darah. Sementara itu, obat yang dia resepkan akan segera membantunya merasa lebih baik jika dia memang mengidap penyakit Lyme.

Dalam bab ini, Anda akan belajar tentang beberapa jenis utama penyakit manusia. Ini termasuk penyakit menular, seperti HIV, serta penyakit tidak menular, seperti kebanyakan kanker. Anda akan belajar tentang penyebab penyakit ini, efeknya pada tubuh, dan jenis pengobatannya. Anda juga akan belajar tentang cara penularan penyakit menular, dan langkah-langkah yang dapat Anda ambil untuk mencegah infeksi. Di akhir bab ini, Anda akan belajar lebih banyak tentang bagaimana penyakit Lyme ditularkan, efeknya pada tubuh, bagaimana pengobatannya, jalan Ximena menuju pemulihan, dan bagaimana Anda dapat melindungi diri dari penyakit menular yang relatif umum ini.

Ikhtisar Bab: Penyakit

Dalam bab ini, Anda akan belajar tentang penyakit manusia. Secara khusus, Anda akan belajar tentang:

  • Bagaimana masalah dalam mengatur homeostasis dapat menyebabkan penyakit.
  • Perbedaan antara penyakit menular dan tidak menular, dan penyakit akut dan kronis.
  • Epidemi, pandemi, penyakit endemik, dan penyakit baru.
  • Ilmu epidemiologi dan cara penggunaannya untuk meningkatkan kesehatan masyarakat.
  • Berbagai jenis patogen yang menyebabkan penyakit menular, bagaimana mereka ditularkan, dan bagaimana mereka dapat dicegah dan diobati.
  • Penyakit menular seksual, seperti herpes genital, human papillomavirus (HPV), dan human immunodeficiency virus (HIV), dan pengaruhnya terhadap tubuh; bagaimana mereka dapat dicegah dan diobati; dan dampaknya terhadap kesehatan masyarakat.
  • Penyakit tidak menular seperti diabetes, penyakit kardiovaskular, cystic fibrosis, dan kanker, dan mekanismenya, faktor risiko, diagnosis, dan perawatannya.
  • Cara mencegah penyakit tidak menular melalui pilihan gaya hidup sehat.

Saat Anda membaca bab ini, pikirkan pertanyaan-pertanyaan berikut:

  1. Menurut Anda, obat apa yang diberikan dokter Ximena untuk mengobati penyakit Lyme?
  2. Jenis transmisi patogen apa yang terlibat dalam penyakit Lyme? Apa penyakit lain yang ditularkan dengan cara yang sama?
  3. Mengapa, khususnya, tes darah Ximena tidak positif untuk penyakit Lyme selama beberapa minggu, bahkan jika dia memang memiliki penyakit itu?
  4. Bagaimana menurut Anda istilah "endemik" berhubungan dengan penyakit Lyme?

Esai Gratis tentang Studi Kasus Swatch

Titan Company memiliki berbagai produk, yang meliputi Jam Tangan Titan, Tanishq, Perhiasan, Kacamata, Tas, Helm, Ikat Pinggang, Dompet, Parfum, dll. Dalam hal ini kasus belajar kami berkonsentrasi pada divisi Titan Watches. Fokus kami akan berada di segmen jam tangan premium yang bersaing langsung dengan merek asing.

Carikan 2

Analisis SWOT Carikan adalah salah satu pembuat jam tangan paling kompetitif dan terbesar di seluruh dunia. Hal ini dikenal dengan teknologi tinggi pembuatan jam tangan. Ini mempekerjakan lebih dari 20.000 pekerja, dan menjual produknya ke lebih dari 50 negara. Namun, harga bahan baku pembuatan jam tangan.

Kinerja Swatch

khususnya mereka Carikan diri. Ketua Carikan mempertahankan posisi kepemimpinannya di segmennya sendiri selama tahun 2008 dan mengalami pertumbuhan penjualan di semua pasarnya di seluruh dunia. Hasil ini berkat serangkaian peluncuran produk yang sukses, seperti peluncuran produk baru Carikan Chrono Plastik dan.

Mengganggu inovasi

petahana. Menggabungkan semua jenis inovasi yang mengganggu ke dalam satu kategori hanya mencampur apel dengan jeruk, yang memiliki implikasi serius pada bagaimana kita belajar inovasi yang mengganggu di masa depan (Henderson dan Clark, 1990). Untuk menghargai hal ini, artikel ini merangkum apa literatur akademis.

Studi Kasus Harley

Pizza | Kasus Belajar Solusi | Kasus Belajar Analisis www.caseforest.com/kasus-belajar-Pronto-Pizza.aspx‎ Pronto Pizza Ditinjau Kembali Kali ini, Mr. Scapelli berhasil menghilangkan bias dalam data dengan memilih pesanan pengiriman pizza ke-10 dan membiarkan . Pizza depan Kasus Belajar Gratis.

Studi Kasus MBA6001 Studi Kasus Nike Unit VI

MBA6001 Kasus Belajar Nike Unit VI Kasus Belajar Klik Tautan Di Bawah Untuk Membeli: http://hwaid.com/shop/mba6001-kasus-belajar-nike-unit-vi-kasus-belajar/ Membaca kasus belajar, Nike, pada halaman 301-302 dalam buku teks Anda, dan buatlah esai persuasif 500-700 kata yang mencakup hal-hal berikut: • Jelaskan cara-cara Nike.

HRM 517 MINGGU 8 STUDI KASUS 3 STUDI KASUS 3

HRM 517 MINGGU 8 KASUS BELAJAR 3 KASUS BELAJAR 3 Untuk membeli, kunjungi di sini: http://www.coursehomework.com/product/hrm-517-week-8-kasus-belajar-3-kasus-belajar-3/ Hubungi kami di: [email protected] HRM 517 MINGGU 8 KASUS BELAJAR 3 KASUS BELAJAR 3 HRM 517 Minggu 8 Kasus Belajar 3 - Kasus Belajar 3: Manajemen Risiko.

AED 202 Minggu 5 Studi Kasus Pos Pemeriksaan

AED 202 Minggu 5 Pos Pemeriksaan Kasus Belajar Klik Tautan Berikut Untuk Membeli http://www.uopcoursetutorials.com/AED-202/AED-202-Week-5-Checkpoint-Kasus-Belajar Pos pemeriksaan: Kasus Belajar Membaca kasus belajar pada p. 277 teks. Identifikasi komponen perkembangan bahasa dalam kaitannya dengan kemajuan Mario.

STUDI KASUS GSCM 206 MINGGU 6 1

Ikuti tautan ini untuk mendapatkan tutorial ini: http://wiseamerican.us/product/gscm-206-week-6-kasus-belajar-1/ Hubungi kami di: [email protected] GSCM 206 MINGGU 6 KASUS BELAJAR 1 Bagaimana campuran persediaan Frito-Lay berbeda dari yang ada di toko mesin atau lemari? Mengapa persediaan mengalir begitu cepat.

STUDI KASUS HRM 587 MINGGU 6 TYCO

HRM 587 MINGGU 6 KASUS BELAJAR TYCO Untuk membeli ini kunjungi tautan berikut: http://www.activitymode.com/product/hrm-587-week-6-kasus-belajar-tyco/ Hubungi kami di: [email protected] HRM 587 MINGGU 6 KASUS BELAJAR TYCO HRM 587 Minggu 6 Kasus Belajar Tinjau Tyco Kasus Belajar pada Perusahaan Tyco yang muncul.

ACCT 567 MINGGU 5 STUDI KASUS PR

ACCT 567 MINGGU 5 PEKERJAAN RUMAH KASUS BELAJAR Untuk membeli ini, kunjungi tautan berikut: https://coursehomework.com/product/acct-567-week-5-homework-kasus-belajar/ Hubungi kami di: [email protected] ACCT 567 MINGGU 5 PR KASUS BELAJAR ACCT 567 Minggu 5 Pekerjaan Rumah Kasus belajar Kasus 8 – 1 Kapan CalPERS didirikan.

AED 202 Minggu 5 Studi Kasus Pos Pemeriksaan

AED 202 Minggu 5 Pos Pemeriksaan Kasus Belajar Klik URL Di Bawah untuk Membeli Pekerjaan Rumah http://www.homeworkbasket.com/AED-202/AED-202-Week-5-Checkpoint-Kasus-Belajar Pos pemeriksaan: Kasus Belajar Membaca kasus belajar pada p. 277 teks. Identifikasi komponen perkembangan bahasa dalam hal kemajuan Mario.

Studi Kasus BSHS 345 Minggu 2

BSHS 345 Minggu 2 Kasus Belajar Klik URL Di Bawah untuk Membeli Pekerjaan Rumah http://www.homeworkbasket.com/BSHS-345/BSHS-345-Week-2-Kasus-Belajar Untuk Pekerjaan Rumah Lainnya Goto http://www.homeworkbasket.com BSHS 345 Minggu 2 Kasus Belajar Klik URL Di Bawah untuk Membeli Pekerjaan Rumah http://www.homeworkbasket.com/BSHS-345/BSHS-345-Week-2-Case-Study .

TUGAS CIS 511 1 STUDI KASUS TERPADU

TERPADU KASUS BELAJAR Untuk melihat lebih banyak, klik tautan berikut: http://unquite.com/question-details/CIS-511-ASSIGNMENT-1-INTEGRATED-KASUS-BELAJAR/2276 atau email kami di: [email protected] CIS 511 ASSIGNMENT 1 INTEGRATED KASUS BELAJAR Terintegrasi Kasus Belajar: Bandon Group, Inc. Baca terintegrasi kasus belajar di Bandung.

TUGAS CIS 511 3 STUDI KASUS TERPADU

TUGAS 3 TERPADU KASUS BELAJAR UNTUK membeli tutorial ini, kunjungi tautan berikut: http://wiseamerican.us/product/cis-511-assignment-3-integrated-kasus-belajar/ Hubungi kami di: [email protected] CIS 511 ASSIGNMENT 3 INTEGRATED KASUS BELAJAR Tugas 3: Terintegrasi Kasus Belajar: Bandon Group, Inc.

Studi Kasus CIS502 1

CIS502 Kasus Belajar 1 Beli di sini http://chosecourses.com/CIS%20502/cis502-kasus-belajar-1 Deskripsi CIS 502 Kasus Belajar 1: Ancaman Persisten Lanjutan Terhadap Token RSA Minggu 3 Pekerjaan Bernilai CIS 502 Minggu 3 Kasus Belajar 1 Kasus Belajar 1: Ancaman Persisten Lanjutan Terhadap.

DEVRY PROJ 410 Minggu 3 Studi Kasus

DEVRY PROJ 410 Minggu 3 Kasus Belajar Periksa panduan tutorial A+ ini di http://www.assignmentcloud.com/proj-410/proj-410-week-3-kasus-belajar Untuk kelas lainnya, kunjungi http://www.assignmentcloud.com PROJ 410 Minggu 3 Kasus Belajar DEVRY PROJ 410 Minggu 3 Kasus Belajar Lihat tutorial A+ ini.

STUDI KASUS GSCM 206 MINGGU 1

Ikuti tautan ini untuk mendapatkan tutorial ini: http://wiseamerican.us/product/gscm-206-week-1-kasus-belajar/ Hubungi kami di: [email protected] Kasus Belajar: Tempat Menempatkan Riset Pasar Hard Rock Café 1.Dari daftar periksa Riset Pasar Standar Munday, pilih empat kategori lainnya, seperti.

STUDI KASUS HSM 544 MINGGU 5 TERBARU

HSM 544 MINGGU 5 BELAJAR KASUS TERBARU UNTUK membeli tutorial ini, kunjungi tautan berikut: http://wiseamerican.us/product/hsm-544-week-5-belajar-kasus-terbaru/ Hubungi kami di: [email protected] HSM 544 MINGGU 5 BELAJAR KASUS KEBIJAKAN KESEHATAN DAN EKONOMI TERBARU: Ini adalah Kasus Belajar minggu 5 bahwa saya membutuhkan bantuan.

TUGAS CIS 511 3 STUDI KASUS TERPADU

TUGAS 3 TERPADU KASUS BELAJAR Untuk melihat lebih banyak, klik tautan berikut: http://unquite.com/question-details/CIS-511%C2%A0ASSIGNMENT-3%C2%A0INTEGRATED-KASUS-BELAJAR/2277 atau email kami di: [email protected] CIS 511 ASSIGNMENT 3 INTEGRATED KASUS BELAJAR Tugas 3: Terintegrasi Kasus Belajar: Bandon Group, Inc.

STUDI KASUS HRM 587 MINGGU 6 TYCO

HRM 587 MINGGU 6 KASUS BELAJAR TYCO Untuk membeli ini kunjungi tautan berikut: https://coursehomework.com/product/hrm-587-week-6-kasus-belajar-tyco/ Hubungi kami di: [email protected] HRM 587 MINGGU 6 KASUS BELAJAR TYCO HRM 587 Minggu 6 Kasus Belajar Tinjau Tyco Kasus Belajar pada Perusahaan Tyco yang muncul.

TUGAS CIS 511 1 STUDI KASUS TERPADU

511 TUGAS 1 TERPADU KASUS BELAJAR Untuk membeli ini kunjungi tautan berikut: http://www.apexseekers.com/product/cis-511-assignment-1-integrated-kasus-belajar/ Hubungi kami di: [email protected] CIS 511 ASSIGNMENT 1 INTEGRATED KASUS BELAJAR Tugas 1: Terintegrasi Kasus Belajar: Bandon Group, Inc. Baca.

BSOP 209 Minggu 7 Studi Kasus 2

BSOP 209 Minggu 7 Kasus Belajar 2 Untuk Membeli Kelas ini Salin & tempel tautan di bawah ini di Peramban Anda http://homeworkregency.com/downloads/bsop-209-week-7-kasus-belajar-2/ Atau Kunjungi Website Kami Kunjungi : http://www.homeworkregency.com Email Kami : [email protected] BSOP 209 Minggu 7 Kasus Belajar 2 $18.00 – Tambahkan.

BSOP 588 MINGGU 5 STUDI KASUS

BSOP 588 MINGGU 5 KASUS BELAJAR UNTUK membeli tutorial ini, kunjungi tautan berikut: http://mindsblow.com/product/bsop-588-week-5-kasus-belajar-2/ Hubungi kami di: [email protected] BSOP 588 MINGGU 5 KASUS BELAJAR 1. Jelaskan bagaimana Voice of the Employee mendukung peningkatan proses internal (Voice of the Business).

STUDI KASUS TUGAS BUS 250 MINGGU 3

TUGAS BUS 250 MINGGU 3 KASUS BELAJAR UNTUK membeli tutorial ini, kunjungi tautan berikut: http://wiseamerican.us/product/bus-250-week-3-assignment-kasus-belajar-2/ Hubungi kami di: [email protected] BUS 250 MINGGU 3 TUGAS KASUS BELAJAR Kasus Belajar: Peraturan Pemerintah tentang Produk Tembakau 1. Akan.

Studi Kasus Persimpangan Kerusakan CJA 453

Persimpangan Kerusakan CJA 453 Kasus Belajar Tinjau Persimpangan Kerusakan kasus belajar di Bab. 3 Administrasi Kehakiman Tulis makalah 1.050 hingga 1.400 kata yang menjawab semua pertanyaan kasus belajar pertanyaan yang mengikuti. Format makalah Anda sesuai dengan standar APA. Lihat panduan tutorial A+ ini di .

TUGAS CIS 511 3 STUDI KASUS TERPADU

511 TUGAS 3 TERPADU KASUS BELAJAR Untuk membeli ini kunjungi tautan berikut: http://www.apexseekers.com/product/cis-511-assignment-3-integrated-kasus-belajar/ Hubungi kami di: [email protected] CIS 511 ASSIGNMENT 3 INTEGRATED KASUS BELAJAR Tugas 3: Terintegrasi Kasus Belajar: Bandon Group, Inc. Baca.

TUGAS CIS 511 1 STUDI KASUS TERPADU

TERPADU KASUS BELAJAR UNTUK membeli tutorial ini, kunjungi tautan berikut: http://wiseamerican.us/product/cis-511-assignment-1-integrated-kasus-belajar/ Hubungi kami di: [email protected] CIS 511 ASSIGNMENT 1 INTEGRATED KASUS BELAJAR Terintegrasi Kasus Belajar: Bandon Group, Inc. Baca terintegrasi kasus belajar.

TUGAS CIS 511 1 STUDI KASUS TERPADU

TERPADU KASUS BELAJAR UNTUK membeli tutorial ini, kunjungi tautan berikut: http://mindsblow.com/product/cis-511-assignment-1-integrated-kasus-belajar/ Hubungi kami di : [email protected] CIS 511 ASSIGNMENT 1 INTEGRATED KASUS BELAJAR Terintegrasi Kasus Belajar: Bandon Group, Inc. Baca terintegrasi kasus belajar di Bandung.

CIS 512 MINGGU 6 STUDI KASUS 2

CIS 512 MINGGU 6 KASUS BELAJAR 2 UNTUK membeli tutorial ini, kunjungi tautan berikut: http://mindsblow.com/product/cis-512-week-6-kasus-belajar-2/ Hubungi kami di: [email protected] CIS 512 MINGGU 6 KASUS BELAJAR 2 Kasus Belajar 2 – Bagaimana Arsip Astronomi Bertahan dari Data Tsunami yang dikumpulkan dan dihasilkan para astronom.

STUDI KASUS TUGAS BUS 250 MINGGU 3

TUGAS BUS 250 MINGGU 3 KASUS BELAJAR Untuk melihat ini, kunjungi tautan berikut http://www.unquite.com/question-details/BUS-250-WEEK-3-ASSIGNMENT-KASUS-BELAJAR/2647 atau email kami [email protected] BUS 250 MINGGU 3 TUGAS KASUS BELAJAR Kasus Belajar: Peraturan Pemerintah tentang Produk Tembakau 1. Jelaskan.

CIS 517 MINGGU 9 STUDI KASUS 3

CIS 517 MINGGU 9 KASUS BELAJAR 3 UNTUK membeli tutorial ini, kunjungi tautan berikut: http://wiseamerican.us/product/cis-517-week-9-kasus-belajar-3/ Hubungi kami di: [email protected] CIS 517 MINGGU 9 KASUS BELAJAR 3 Kasus Belajar 3 – Proyek Riset Komputasi Hijau – Bagian 5 Baca Riset Komputasi Hijau.

Studi Kasus Tugas Perorangan UOP PSY 410 Minggu 5

Minggu 5 Tugas Perorangan Kasus Belajar • Pilih salah satu dari kasus studi terletak di Kasus Studi dalam Perilaku Abnormal. Dapatkan persetujuan instruktur yang Anda pilih kasus belajar sebelum memulai tugas ini. • Siapkan analisis 1.050 hingga 1.400 kata dari pilihan Anda kasus di mana Anda membahas berikut ini.

ACCT 567 MINGGU 2 STUDI KASUS I

ACCT 567 MINGGU 2 KASUS BELAJAR I Untuk membeli ini kunjungi tautan berikut: http://www.activitymode.com/product/acct-567-week-2-kasus-belajar-i/ Hubungi kami di: [email protected] ACCT 567 MINGGU 2 KASUS BELAJAR Saya ACCT 567 Minggu 2 Kasus Belajar Saya ACCT567 Kasus Belajar I (Minggu 2) Dana Umum Middleville.

BSOP 588 MINGGU 5 STUDI KASUS

BSOP 588 MINGGU 5 KASUS BELAJAR Untuk membeli ini, kunjungi tautan berikut: http://www.activitymode.com/product/bsop-588-week-5-kasus-belajar/ Hubungi kami di: [email protected] BSOP 588 MINGGU 5 KASUS BELAJAR 1. Jelaskan bagaimana Voice of the Employee mendukung peningkatan proses internal (Voice of the Business).

STUDI KASUS HSM 544 MINGGU 5 TERBARU

HSM 544 MINGGU 5 BELAJAR KASUS TERBARU UNTUK membeli tutorial ini kunjungi tautan berikut: http://mindsblow.com/product/hsm-544-week-5-belajar-kasus-terbaru/ Hubungi kami di: [email protected] HSM 544 MINGGU 5 BELAJAR KASUS KEBIJAKAN KESEHATAN DAN EKONOMI TERBARU: Ini adalah Kasus Belajar minggu 5 bahwa saya membutuhkan bantuan.

STUDI KASUS GSCM 206 MINGGU 4

Ikuti tautan ini untuk mendapatkan tutorial ini: http://wiseamerican.us/product/gscm-206-week-4-kasus-belajar/ Hubungi kami di: [email protected] GSCM 206 MINGGU 4 KASUS BELAJAR Kasus Belajar: Tempat Menempatkan Riset Pasar Hard Rock Café 1.Dari daftar periksa Riset Pasar Standar Munday, pilih yang lain.

STUDI KASUS CIS 512 WK 6 2

CIS 512 WK 6 KASUS BELAJAR 2 Untuk membeli, kunjungi di sini: http://www.coursehomework.com/product/cis-512-wk-6-kasus-belajar-2/ Hubungi kami di: [email protected] CIS 512 WK 6 KASUS BELAJAR 2 CIS 512 WK 6 Kasus Belajar 2 - Bagaimana Arsip Astronomi Bertahan dari Data Tsunami yang dikumpulkan dan dihasilkan para astronom.

UOP QRB 501 Minggu 5 Studi Kasus Tim Pembelajaran

UOP QRB 501 Tim Pembelajaran Minggu 5 Kasus Studi Lengkapi berikut ini kasus studi dari Ch. 21 Matematika Bisnis: • Kasus Belajar 21-1, hal. 768 • Kasus Belajar 21-2, hal. 769 Buat lembar kerja Microst Excel Anda sendiri dan formatlah untuk menjawab pertanyaan Anda. Catatan. Tampilkan semua pekerjaan dan perhitungan. (Menggunakan.


21.1: Studi Kasus: Ancaman terhadap Kesehatan Kita - Biologi

A Departemen Fisiologi Molekuler dan Fisika Biologi, Universitas Virginia, Charlottesville, Virginia, AS, B Sekolah Tinggi Studi Individu Antar Fakultas dalam Matematika dan Ilmu Pengetahuan Alam, Universitas Warsawa, Warsawa, Polandia, C Fakultas Kimia, Pusat Penelitian Biologi dan Kimia, Universitas Warsawa, Warsawa, Polandia, D Departemen Kristalografi, Fakultas Kimia, Universitas A. Mickiewicz, Poznan, Polandia, e Pusat Penelitian Biokristalografi, Institut Kimia Bioorganik, Akademi Ilmu Pengetahuan Polandia, Poznan, Polandia, F Institut Ilmu Komputer, Universitas Teknologi Poznan, Poznan, Polandia, G Pusat Biologi Struktural, Institut Kanker Nasional, Frederick, Maryland, AS, H k.-k Hofkristallamt, San Diego, California, AS, dan Saya Institut Epidemiologi Genetik, Universitas Kedokteran Innsbruck, Innsbruck, Austria
* Email korespondensi: [email protected], [email protected]

Kegilaan adalah melakukan hal yang sama berulang-ulang dan mengharapkan hasil yang berbeda (dikaitkan dengan Albert Einstein).

Sebagai bagian dari mobilisasi global untuk memerangi pandemi saat ini, hampir 100� makalah terkait COVID-19 telah diterbitkan dan hampir seribu model makromolekul yang dikodekan oleh SARS-CoV-2 telah disimpan di Protein Data Bank dalam waktu kurang dari tahun. Longsoran data struktural baru telah memunculkan banyak sumber daya yang didedikasikan untuk menilai kebenaran dan kualitas data dan model struktural. Di sini, sebuah pendekatan untuk mengevaluasi sejumlah besar data tersebut menggunakan sumber daya https://covid19.bioreproducibility.org dijelaskan, yang menawarkan template yang dapat digunakan dalam inisiatif skala besar yang dilakukan dalam menanggapi krisis biomedis di masa depan. Penggunaan yang lebih luas dari metodologi yang dijelaskan dapat sangat mengurangi kebisingan informasi dan secara signifikan meningkatkan reproduktifitas penelitian biomedis.

1. Perkenalan

Menanggapi pandemi SARS-CoV-2, mobilisasi komunitas ilmiah yang belum pernah terjadi sebelumnya terjadi, yang berfokus pada pemahaman berbagai sifat virus SARS-CoV-2 dan mengembangkan obat untuk mengobati dan mencegah COVID-19. Sejalan dengan paradigma penemuan obat berbasis struktur saat ini, biologi struktural telah menjadi salah satu disiplin ilmu terkemuka yang mendukung upaya ini. Memang, sejak struktur pertama protein SARS-CoV-2 dirilis pada awal Februari 2020, telah terjadi banjir model tiga dimensi target makromolekul terkait SARS-CoV-2, yang sebagian besar ditentukan oleh sinar-X. kristalografi dan mikroskop cryo-electron (cryo-EM). Bank Data Protein di seluruh dunia (wwPDB), yang merupakan gudang global model makromolekul eksperimental, berfungsi sebagai konsorsium RCSB (AS), PDBe (Eropa) dan PDBj (Jepang), sangat penting untuk membuat upaya ini tersedia untuk umum (Berman dkk. , 2000 Burley dkk. , 2019 ). Urgensi untuk memahami mekanisme patologis virus ini dan untuk menemukan terapi menghasilkan kecepatan penelitian yang sangat cepat dan sejumlah besar deposisi struktural dalam waktu singkat. Kecepatan ini pasti telah menyebabkan kesalahan dan kesalahan tingkat keparahan yang berbeda, kadang-kadang di daerah sensitif interaksi ligan protein, berpotensi menyesatkan upaya penelitian biomedis berikutnya. Skenario seperti itu memerlukan langkah `kontrol kualitas' tambahan yang menjamin validitas model (Clegg, 2021 Wlodawer dkk. , 2018 ). Langkah seperti itu sekarang menjadi bagian yang diterima dari protokol desain obat berbasis struktur. Oleh karena itu, beberapa proyek dimulai untuk menilai struktur SARS-CoV-2 (Wlodawer dkk. , Gulungan 2020 dkk. , 2020 ), selain sumber daya penyempurnaan struktur yang telah ditetapkan sebelumnya seperti PDB-ULANG (Touw dkk. , 2016 ). Upaya ini menghasilkan pembuatan server web, misalnya https://covid-19.bioreproducibility.org, yang dimaksudkan untuk mengatur alur kerja dan membuat hasilnya lebih mudah dicerna oleh komunitas biologi dan obat-obatan (Brzezinski dkk. , 2021 ).

Baru-baru ini, 󕾢 berbagai sumber terkait COVID-19 dijelaskan dalam publikasi yang dapat berfungsi sebagai `meta-sumber daya' (Waman dkk. , 2020 ). Namun, pemeliharaan sumber daya ini dan memperbaruinya adalah tugas yang menakutkan, seperti yang ditunjukkan oleh jumlah sumber daya dengan visibilitas tinggi (tidak harus terkait COVID-19) yang telah ditutup (Berman dkk. , 2009 ) atau telah mati dalam beberapa tahun terakhir (Kolesov dkk. , 2007 ). Arus masuk mingguan struktur baru terkait SARS-CoV-2 belum memudar tetapi tetap tinggi (rata-rata sekitar 15 per minggu), bahkan membanjiri tim ahli validasi struktur yang sangat berpengalaman. Dengan kenyamanan yang diberikan oleh adanya struktur berkualitas tinggi untuk sebagian besar protein virus, menjadi jelas bagi kami bahwa peran jangka panjang dari sumber daya yang disebutkan di atas bukanlah untuk menganalisis secara cermat setiap struktur segera setelah muncul di PDB, tetapi untuk menunjukkan kemungkinan jalan untuk menangani sejumlah besar data struktural selama tantangan biomedis saat ini dan masa depan.

Pada titik ini, dua pengamatan dilakukan. Pertama, sangat menyenangkan untuk dicatat bahwa hanya sebagian kecil dari struktur kristallo­grafik yang memerlukan koreksi sedang, dengan kurang dari 1% yang memerlukan interpretasi ulang yang signifikan. Kami memutuskan untuk memberikan struktur cryo-EM hanya inspeksi yang sangat dangkal, karena koreksi terperinci dari masalah struktural model cryo-EM akan berada di luar cakupan makalah ini. Kedua, seperti yang dilaporkan sebelumnya (Raczynska dkk. , 2018 ), upaya koreksi model yang sepenuhnya otomatis, misalnya melalui PDB-ULANG (Touw dkk. , 2016 ), terbatas dalam ruang lingkup dan tidak dapat mengatasi beberapa masalah, seperti identifikasi ligan dan pembangunan kembali besar di luar radius konvergensi penyempurnaan sederhana. Seorang ahli manusia masih diperlukan untuk memperbaiki kesalahan yang tersisa, mungkin dibantu oleh beberapa kecerdasan buatan (Kowiel dkk. , 2019 ). Contoh lain dari sumber daya perbaikan struktur adalah Sistem Penyempurnaan Cryo-EM ( CERES ) yang dibentuk oleh grup Phenix (Liebschner dkk. , 2021 ).

Dengan akumulasi struktur untuk memvalidasi dan mungkin memodelkan ulang, menyempurnakan dan menyetor ulang, kami memutuskan untuk membuat alat otomatis untuk menghasilkan laporan untuk setiap struktur (Brzezinski dkk. , 2021 ) yang melampaui laporan validasi yang diberikan oleh PDB. Tujuan kami adalah untuk mengevaluasi dengan cepat kasus mana yang perlu diperiksa secara manual dan mungkin diperbaiki. Kami ingin menekankan bahwa setiap struktur yang ditingkatkan harus disetor ulang ke PDB oleh penulis asli, kadang-kadang bersama dengan mereka yang secara signifikan berkontribusi pada perbaikan struktur, untuk memastikan bahwa PDB berisi model yang paling akurat dan bahwa penulis asli menerima kredit penuh untuk pekerjaan mereka. Skema versi yang baru-baru ini diterapkan oleh PDB seharusnya membuat tugas ini lebih mudah. Dalam kasus ketidaksepakatan dengan deposan asli, mungkin perlu untuk membuat deposisi sekunder berdasarkan faktor struktur penulis asli. 1 Pendekatan yang dijelaskan di sini dapat berfungsi sebagai template untuk berbagai inisiatif skala besar yang menilai model struktur makromolekul sebagai target desain obat.

2. Penilaian struktur

2.1. Pemanenan dan klasifikasi model struktural

Sejak awal pandemi COVID-19, hampir 100� makalah terkait COVID-19 telah diterbitkan dalam jurnal yang diindeks oleh PubMed, yang merupakan 𕙞% dari semua makalah biomedis selama waktu itu. Secara bersamaan (per 1 Februari 2021), hampir 1000 model makromolekul yang terkait dengan SARS-CoV-2 telah disimpan di PDB. Deposisi terdiri dari banyak model protein virus yang sama, terkadang utuh, terkadang domain individualnya, dan terkadang kompleks dari berbagai kombinasi protein virus (atau mutan atau domainnya) dan antibodi, asam nukleat atau protein manusia. Ada cukup banyak kombinasi ini untuk sepenuhnya membanjiri peneliti biomedis yang ingin memanfaatkan model ini dalam penelitian mereka. Setiap minggu, lebih dari 200 model makromolekul baru (tidak hanya terkait COVID-19) disimpan di PDB, dan analisis terperinci dari aliran struktur ini adalah tugas Sisyphean. Untuk memilih hanya struktur yang menarik, kami memutuskan untuk melakukan pemeriksaan kemiripan urutan untuk setiap deposisi PDB baru dengan protein SARS-CoV-2 (interpretasi seniman yang sangat baik tentang virion SARS-CoV-2 dan proteinnya disajikan di Taman &# 38 Smith, 2020 ). Teknik ini sebelumnya digunakan oleh pusat Protein Structure Initiative (Chruszcz dkk. , 2010 Grabowski dkk. , 2016 ) untuk memeriksa setiap minggu apakah crystallo­grafer atau entitas penelitian lain telah menangani homolog target MCSG, NYSGRC, dan CSGID. Prosedur ini mengurangi jumlah calon potensial untuk pemeriksaan hingga 90% dan pada saat yang sama memungkinkan kami untuk mengklasifikasikan setiap deposisi baru terkait SARS-CoV-2 dengan benar. Struktur tersebut kemudian diklasifikasikan sebagai asli, mutan, kompleks dengan ligan yang lebih kecil atau kompleks dengan makromolekul lain, yang dapat berupa antibodi atau makromolekul biologis lainnya, seperti reseptor permukaan sel atau asam nukleat. Informasi ini pada prinsipnya dapat diambil dari sumber daya PDB yang didedikasikan untuk COVID-19 (Lubin dkk. , 2020 https://www.rcsb.org/news?year=2020&article=5e74d55d2d410731e9944f52), yang memang merupakan metode awal kami, atau dari catatan header dan judul PDB, tetapi kami memutuskan untuk memverifikasinya dengan pencarian kesamaan urutan , terutama ketika kami menemukan perbedaan antara pengumpulan data kami dan klasifikasi PDB. Ketika deposisi yang diberikan adalah kompleks makromolekul ligan, kami secara rutin memeriksa korelasi model ligan dengan peta kerapatan elektronnya.

2.2. Kriteria penilaian struktur

Kriteria yang kami gunakan untuk mengevaluasi setiap struktur dihasilkan dari pengalaman yang diperoleh selama beberapa proyek semacam itu dan relatif mudah. Mereka sebelumnya dijelaskan dalam makalah yang memperkenalkan server https://covid-19.bioreproducibility.org (Brzezinski dkk. , 2021 ), serta di beberapa makalah yang diterbitkan tentang hal ini (Wlodawer dkk. , 2013 Shabalin dkk. , 2015 Kecil dkk. , 2016 Zheng dkk. , 2014 ). Untuk kenyamanan, kami secara luas mengklasifikasikan masalah yang diperhatikan dalam struktur menjadi tiga kategori: minimal, sedang, dan signifikan. Ini adalah istilah yang kami gunakan untuk melakukan triase struktur terkait COVID-19 sesuai dengan kebutuhan yang dirasakan untuk menyempurnakan kembali struktur yang disimpan. Kriteria ini harus dilihat sebagai contoh, dan tidak boleh dianggap mewakili daftar yang ketat atau lengkap (Gbr. 1). Pentingnya setiap masalah bergantung pada struktur dan resolusi, dan peneliti yang berbeda mungkin tidak setuju dengan peringkat setiap poin pada Gambar 1 . Namun, semua masalah ini penting dan harus selalu ditangani sebelum struktur disimpan. Misalnya, penempatan tidak standar dalam sel satuan mungkin kesalahan minimal jika mempengaruhi struktur yang unik, tetapi lebih serius jika sudah ada struktur dalam kelompok ruang, karena tidak perlu memperumit perbandingan mereka.


Gambar 1
Klasifikasi masalah dicatat dalam berbagai struktur makromolekul. Masalah-masalah ini, yang bukan merupakan daftar yang lengkap, mungkin sulit atau bahkan tidak mungkin untuk diperbaiki. Beberapa kriteria bergantung pada kasus dan resolusi, seperti NCS dan TLS (ditunjukkan dengan warna berbeda). Misalnya, penggunaan NCS mungkin penting untuk struktur resolusi rendah karena penurunan jumlah parameter. Penempatan sel yang tidak standar harus dihindari karena membuat lebih sulit untuk membandingkan dua atau lebih struktur serupa (juga ditunjukkan oleh warna). Klasifikasi mungkin tergantung pada siapa yang melihat struktur, yaitu kristalografer atau ahli biologi.

Penting untuk disadari bahwa kriteria tidak tertulis `dalam batu' kristalografer yang bekerja pada penyempurnaan ulang mungkin memiliki pendapat yang berbeda tentang tingkat keparahan masalah yang sama. Pengalaman baru dalam penentuan ulang struktur dapat meningkatkan proses dan dapat mempengaruhi titik acuan. Banyaknya struktur yang pada dasarnya sangat mirip dijelaskan dalam waktu yang sangat singkat menciptakan kesempatan untuk membandingkan berbagai metrik kualitas dan pengaruh kondisi kristalisasi, dan juga untuk menganalisis bagaimana polimorf kelompok ruang yang berbeda dapat mempengaruhi interpretasi struktur.

Setiap model diunduh dari PDB dan dianalisis oleh HKL -3000 (Kecil dkk. , 2006 ), dan hasilnya disajikan dalam format yang diperbarui (Gbr. 2) dari laporan standar kualitas data dan model (Brzezinski dkk. , 2021 ). Nilai yang tidak biasa, hilang atau dipertanyakan ditandai dengan tanda seru merah. Ketika struktur disempurnakan kembali, laporan baru berisi hasil penyempurnaan ulang tambahan, mungkin termasuk pemrosesan ulang hasil jika data difraksi asli tersedia dalam repositori data. Beberapa repositori memeriksa konsistensi antara data difraksi dan model struktural yang dikirimkan ke PDB. Misalnya, dalam sumber daya IRRMC di https://proteindiffraction.org, semua data difraksi secara otomatis diproses ulang untuk memverifikasi bahwa data yang benar terkait dengan setiap struktur (Grabowski dkk. , 2016, 2019 ). Penting untuk dicatat bahwa kira-kira 5% dari data asli yang disimpan di IRRMC pada awalnya tidak konsisten dengan deposisi PDB yang sesuai, yang menunjukkan bahwa manajemen data di laboratorium crystallo­graphic masih membutuhkan perbaikan (Zimmerman dkk. , 2014 Cooper dkk. , 2021 ). Metadata yang hanya terdapat dalam PDB itu sendiri dapat tidak dapat diandalkan karena disediakan oleh peneliti yang membuat deposisi. Kurang pengalaman atau tergesa-gesa dapat menyebabkan informasi dikirimkan ke bidang yang salah, nilai yang tidak sesuai dimasukkan atau item data dilewati. Deposan pertama kali membuat sebanyak 20% dari semua deposisi PDB (dengan asumsi bahwa penulis pertama struktur bertanggung jawab atas deposisi) oleh karena itu, kesalahan tidak jarang terjadi.


Gambar 2
Bagian dari laporan pendahuluan yang menunjukkan parameter terpenting yang terkait dengan kualitas struktur, seperti yang dicontohkan oleh deposisi 5s32 yang diimpor dari PDB. Nilai yang tidak biasa, hilang, atau dipertanyakan ditandai dengan tanda seru merah. Laporan lengkap disajikan pada Gambar Tambahan. S1.

Untuk mengatasi masalah integritas metadata dan reproduktifitas penelitian biomedis berikutnya, kami membuat sejumlah saran, yang disajikan pada Gambar. 3 . Menurut pendapat kami, saran-saran ini harus diterapkan di banyak tingkatan (peneliti, fasilitas data dan penelitian, lembaga pendanaan dan badan pemerintahan) secara terkoordinasi. Selain itu, kami percaya bahwa sangat penting bagi jurnal untuk meminta deposisi semua struktur yang relevan sebelum penyerahan makalah dan penyediaan peninjau makalah dengan struktur dan peta kerapatan elektron yang sesuai. Minimal mutlak, peninjau harus diberikan semua informasi yang diserahkan ke PDB.


Gambar 3
Respon cepat hanya akan terjadi jika peneliti, fasilitas, lembaga pendanaan, dan badan pengatur bekerja sama. Rekomendasi kami hanyalah suara dalam diskusi dan, dengan demikian, sangat subjektif.

2.3. Pentingnya ketersediaan data difraksi asli

Reproduksibilitas dan validasi independen model struktural sangat bergantung pada ketersediaan data eksperimen primer. Untuk kristalografi sinar-X, data primer adalah kumpulan gambar difraksi. Untuk cryo-EM, data primer adalah satu set gambar mikroskop elektron. Proses penentuan struktur 3D melibatkan beberapa transformasi dari kumpulan gambar ini, umumnya menghasilkan pengurangan ukuran file data dan potensi hilangnya beberapa informasi. Dalam pipa penentuan struktur sinar-X tipikal, amplitudo faktor struktur diekstraksi dari intensitas refleksi individu yang diskalakan dan digabungkan oleh perangkat lunak pemrosesan data (Otwinowski & Minor, 1997 Minor dkk. , 2006 Leslie, 2006 Kabsch, 2010 Musim Dingin dkk. , 2018 ). Bentuk reduksi yang dihasilkan dari data disimpan dalam `file faktor struktur' yang berisi amplitudo faktor struktur, yang disimpan dalam PDB bersama dengan file koordinat atom.

Secara historis, data difraksi asli sering hilang atau dibuang karena ukurannya melebihi ruang penyimpanan yang terbatas. Model struktur dianggap sebagai hasil akhir dari eksperimen kristalografi, dan akses ke koordinat (dan kemudian ke faktor struktur juga) dianggap cukup. Namun, kurangnya akses ke data difraksi penuh membuat tidak mungkin untuk memvalidasi langkah pemrosesan data. Dalam pengalaman kami, ada beberapa kasus di mana pemrosesan ulang data asli telah secara dramatis meningkatkan resolusi dan/atau kualitas struktur yang sudah disimpan (Shabalin dkk. , 2015 ). Pentingnya pengarsipan data difraksi primer telah digarisbawahi oleh Jurnal IUCr dalam editorial bersama (Helliwell dkk. , 2019 ). Untuk mengarsipkan data difraksi mereka, kristalografer sekarang memiliki repositori khusus yang mereka miliki, dengan SBGRID (Meyer dkk. , 2016 ) dan IRRMC (Grabowski dkk. , 2019 ) menjadi yang paling penting. Selain itu, beberapa repositori data tujuan umum seperti Zenodo (https://zenodo.org/) dan Figshare (Singh, 2011 ) dapat digunakan namun, repositori tujuan umum biasanya tidak terstruktur dan menerima data `apa adanya'. Untuk gambar cryo-EM, EMPIAR (Iudin dkk. , 2016 ) sumber daya tersedia. Namun, sejauh ini hanya sebagian kecil data primer untuk struktur terkait COVID-19 yang tersedia untuk umum. Pada 1 Februari 2021, IRRMC berisi 41 set data sinar-X untuk protein SARS-CoV-2 dan tiga set data untuk virus corona H-CoV-229E terkait. Beberapa lagi tersedia di SBGRID. EMPIAR berisi 14 set gambar cryo-EM terkait SARS-CoV-2. Zenodo berisi 79 set data untuk protease utama 3CLpro, 78 di antaranya mewakili satu grup deposisi PanDDA.

Mempertimbangkan peningkatan penggunaan server pracetak, seperti medRxiv dan bioRxiv, organisasi ASAPbio telah merekomendasikan agar para ilmuwan tidak menunggu sampai makalah tersebut diterbitkan dalam jurnal peer-review untuk merilis deposisi PDB mereka, tetapi melakukannya pada saat menjadi tersedia untuk umum sebagai pracetak (https://asapbio.org/asappdb). Para ilmuwan juga didorong untuk menyimpan data eksperimen primer, seperti data difraksi, ke salah satu sumber daya khusus.

Dalam kebanyakan kasus, faktor struktur yang disimpan dalam PDB cukup untuk validasi struktur awal. Namun, ketika akses ke gambar difraksi asli diperlukan dan tidak tersedia untuk umum, satu-satunya cara untuk mendapatkan data adalah dengan bertanya kepada penulisnya. Jika publikasi terkait dengan deposisi, maka dimungkinkan untuk menggunakan alamat email penulis yang sesuai dan/atau meminta jurnal untuk meminta data primer dari penulis. Namun, menghubungi deposan menjadi rumit ketika deposisi tidak memiliki kutipan utama dan dengan demikian tidak ada informasi kontak deposan yang tersedia. Hambatan ini membuat validasi entri PDB, atau tugas apa pun yang memerlukan komunikasi dengan penulis asli, terlalu menantang, dan sejumlah besar permintaan kami untuk data difraksi tidak terjawab. Keengganan untuk memberikan data primer tidak unik untuk biologi struktural. Baru-baru ini dilaporkan bahwa persyaratan akses ke data primer mengakibatkan pengurangan dramatis dalam naskah yang diterima (Miyakawa, 2020). Sejak tahun 2007, deposisi faktor struktur telah diwajibkan, namun permintaan untuk data biomedis atau gambar difraksi terkadang diabaikan. Tampaknya persyaratan serupa, yaitu deposisi dalam database publik, jika dibuat oleh semua jurnal biologi struktural, akan sangat mengurangi kebisingan informasi dan secara signifikan meningkatkan bioreproduksi. Pada 1 Februari 2021, 360 dari 930 deposisi SARS-CoV-2 memiliki kutipan utama yang terdaftar di PDB. Sisanya (termasuk 286 non-PanDDA 2 struktur) tetap `dipublikasikan'. 3 Sebagian besar kutipan utama yang diterbitkan sejauh ini berada di jurnal berdampak tinggi.

2.4. Anotasi tidak konsisten

Selama langkah klasifikasi protein, kami menemukan sejumlah masalah dengan nomenklatur dan anotasi yang tidak konsisten. Masalah-masalah ini dapat diilustrasikan dengan contoh struktur sistein protease (PLpro) seperti papain (Gbr. 4). PLpro adalah enzim penting yang diperlukan untuk proteolisis kompleks replikase dan merupakan target yang menjanjikan untuk obat penghambat replikasi virus (Báez-Santos dkk. , 2015 ). Di semua coronavirus yang diketahui, domain PLpro, anggota keluarga PFAM08715, berada di dalam wilayah NSP3 (Lei dkk. , 2018 ), meskipun di lokasi yang berbeda. Dalam SARS-CoV-2 domain PLpro mencakup residu 1564� dari multiprotein Orf1ab (746� dari NSP3), dalam residu MERS-CoV 1484� Orf1ab (631� dari NSP3) dan pada residu SARS-CoV 1541& #82111859 dari Orf1ab. Karena kesulitan dalam mengkristalkan PLpro tipe liar, mutasi Cys→Ser yang menonaktifkan triad katalitik sering digunakan untuk memfasilitasi pertumbuhan kristal. Teknik ini pertama kali diterapkan untuk virus SARS-CoV, menghasilkan struktur mutan C112S PLpro (entri PDB 4m0w Chou dkk. , 2014 ). Dalam virus SARS-CoV-2, mutasi yang sesuai dibuat pada posisi 111 dari PLpro, dan PDB sekarang berisi banyak struktur dari mutan C111S ini. Yang membingungkan, beberapa struktur menggambarkan mutasi ini secara tidak benar sebagai terjadi pada posisi 112 dari PLpro (misalnya, entri PDB 7d6h dan 7d7t J. Liu, Y. Wang & L. Pan, karya yang tidak diterbitkan). `Protein Feature Viewer' pada halaman web PDB menunjukkan mutasi pada posisi variabel karena urutannya diberi nomor dari awal struktur yang dimodelkan (Tabelف) daripada menggunakan urutan referensi tetap. Ketidakkonsistenan dalam menunjukkan situs mutasi ini mungkin tampak menjadi masalah kecil, tetapi menciptakan potensi kebingungan dalam interpretasi struktur oleh noncrystallographers dan/atau oleh alat otomatis, terutama ketika struktur dilepaskan tanpa kertas terkait. Untungnya, pengguna penampil PDB yang cermat dapat mengatasi kebingungan dengan melihat posisi absolut mutasi dalam ORF1ab, yang mendisambiguasi posisi mutasi dalam file PDB.

Tabel 1
Variabilitas dalam anotasi posisi mutasi dalam struktur mutan C111S PLpro


Gambar 4
Lokasi gen PLpro dalam genom SARS-CoV-2. Persegi panjang merah dan hijau menunjukkan protein nonstruktural (NSP). Subdomain N-­terminal ubiquitin-like, thumb, zinc-fingers dan palm masing-masing berwarna teal, oranye, raspberry dan biru, dalam model kartun entri PDB 6wx4. Residu Cys111 katalitik ditandai dengan warna merah.

Perbedaan penomoran residu antara berbagai struktur PLpro merupakan sumber frustrasi yang tidak terbatas pada proyek ini dan dapat secara signifikan memperumit analisis struktur dan penambangan data. Nomor residu harus sesuai dengan beberapa standar, dan menggunakan campuran metode penomoran dalam keluarga protein tidak perlu memperumit perbandingan struktural. Masalah ini baru-baru ini ditangani oleh PDBrenum server web, yang menyediakan struktur yang telah dinomori ulang menurut urutan UniProt mereka (Faezov dkk. , 2021 ). Namun, tanpa penerimaan umum konvensi ini oleh PDB, file yang dihasilkan dari server ini pada akhirnya dapat berkontribusi pada kebingungan yang ingin diatasi.

2.5. Inkonsistensi dalam deposisi PDB

Selama upaya kami untuk menghasilkan laporan otomatis dan memproses ulang data difraksi, kami menemukan masalah besar dengan deposisi PDB yang bersifat umum dan memerlukan revisi, atau setidaknya inspeksi, sistem deposisi/pelaporan yang digunakan oleh www.PDB. Menurut deklarasi wwPDB, data apa pun yang disimpan menggunakan alat OneDep universal harus konsisten dan identik terlepas dari situs PDB mana yang digunakan untuk penyimpanan. Namun, tidak semua informasi yang disajikan di situs web ketiga organisasi yang mengumpulkan dan menyebarkan informasi sebagai bagian dari wwPDB ( yaitu RCSB PDB, PDBj dan PDBe) identik. Misalnya, 〈 Saya / σ ( Saya )〉 nilai yang dilaporkan untuk deposisi 6zh9 tampaknya berbeda di situs PDBe, seperti yang diilustrasikan pada Gambar Tambahan. S2. Informasi PDBe tidak didasarkan pada entri mmcif tetapi tampaknya didasarkan pada hasil a phenix.xtriage analisis faktor struktur yang diendapkan.

3. Studi kasus

Mulai 1 Februari 2021, sumber daya covid19.bioreproducibility.org mengidentifikasi masalah kualitas kecil atau sedang di sekitar 100 struktur dan masalah signifikan di sembilan struktur. Salah satunya, entri PDB 7d1m, telah disetorkan ulang (Brzezinski dkk. , 2021 ). Beberapa struktur di mana kami menemukan masalah kualitas (entri PDB 6w41 dan 6w9c) juga telah diidentifikasi oleh sumber penilaian struktur lainnya (Croll dkk. , 2020 , 2021 ). Untuk mengilustrasikan pendekatan kami, kami menyajikan dua studi kasus yang menganalisis kumpulan struktur dari dua subdomain NSP3: PLpro dan domain makro.

3.1. Studi kasus 1: analisis komparatif struktur PLpro SARS-CoV-2

Per 1 Februari 2021, PDB telah merilis 25 struktur deposit PLpro dari SARS-CoV-2. Deposisi ini mewakili baik struktur protease dalam isolasi, dalam kompleks dengan ligan molekul kecil (inhibitor kandidat) atau dalam kompleks dengan protein lain, misalnya protein seperti ubiquitin.

Semua struktur kristal ini ditentukan menggunakan difraksi sinar-X pada beamline yang berbeda, oleh sepuluh kelompok penelitian, dengan penggantian molekul (MR) yang digunakan untuk larutan struktur. CSGID menentukan yang pertama dari struktur ini, entri PDB 6w9c (disimpan pada 22 Maret dan dirilis pada 1 April 2020). Ini menggunakan MR berdasarkan struktur PLpro dari virus SARS-CoV yang dipelajari sebelumnya (entri PDB 5y3q). Struktur kedua (entri PDB 6wrh) dirilis sekitar sebulan kemudian untuk mutan C111S, dan bersama-sama kedua struktur ini telah digunakan sebagai model MR awal untuk 17 dari 23 struktur PLpro berikutnya (beberapa struktur berikutnya dari kompleks PLpro digunakan beberapa model). 13 struktur PLpro ditentukan oleh CSGID dan memiliki penulis pertama yang sama, yang juga mengidentifikasi beberapa penghambat molekul kecil (Osipiuk dkk. , 2021 ). Struktur PLpro dalam PDB mengandung tujuh inhibitor unik yang terikat pada enzim (Gambar Tambahan S3).

Analisis struktur endapan PLpro dari SARS-CoV-2 menunjukkan distribusi kualitas model yang luas. Salah satu cara untuk menilai kualitas adalah melalui analisis ADP (atau B -faktor) distribusi (Rupp, 2009 Masmaliyeva & Murshudov, 2019 ) di dalam struktur dan di antara mereka (Gbr.م ). Secara umum, nilai ADP yang lebih tinggi berarti presisi yang lebih rendah dari posisi atom. Namun, ketika membandingkan ADP antar struktur, penting untuk diingat bahwa ADP yang sedikit lebih tinggi tidak selalu berarti struktur yang kurang akurat, sebagian karena distribusi ADP bergantung pada penerapan pengekangan ADP dari penyempurnaan. Secara khusus, penting bahwa ketika terjemahan–libration–screw (TLS) penyempurnaan digunakan dalam REFMAC bahwa nilai tensor perpindahan anisotropik atom penuh disimpan, karena dalam atom hanya mencatat residu B faktor terdaftar (https://www.wwpdb.org/deposition/refmac-user-notice). Catatan anisotropi (atau pemulihannya dari catatan TLS) diperlukan untuk merekonstruksi keseluruhan B faktor. Analisis ADP pada Gambar 5 menunjukkan pola yang sangat mirip di antara model PLpro SARS-CoV-2, di mana loop antara elemen struktur sekunder utama memiliki ADP lebih tinggi daripada inti protein. Beberapa daerah gerak tinggi lainnya umum untuk beberapa struktur, khususnya `loop pemblokiran 2' (Gly266–Gly271) dalam subdomain telapak tangan (Henderson dkk. , 2020 ). Daerah fleksibel lainnya terjadi di dalam subdomain jari-seng (Gbr. 4).


Gambar 5
Perbandingan residu B faktor (Å 2 ) di semua struktur sinar-X yang diketahui dari PLpro dari SARS-CoV-2, diidentifikasi dengan kode PDB di sebelah kiri. Warna hijau menunjukkan nilai di bawah rata-rata untuk semua atom dari semua struktur PLpro dan kuning menunjukkan nilai di atas. Residu dengan B faktor yang lebih besar dari 80 Å 2 ditandai dengan warna merah, dan bingkai merah menunjukkan nilai yang lebih dari satu standar deviasi lebih tinggi dari rata-rata. Tanda bintang pada kode PDB menunjukkan bahwa TLS digunakan selama penyempurnaan. Struktur sekunder diberikan per residu dengan kode satu huruf di bagian atas gambar: C, E dan H, masing-masing mewakili koil, untai dan heliks. `Blocking loop 2' ditandai dengan warna ungu. Spreadsheet lengkap tersedia sebagai data tambahan.

Daerah dengan fleksibilitas tinggi juga dapat dengan mudah dilihat dari peta jarak antar-struktur (Gbr. 6) sebagai daerah dengan deviasi tertinggi dari struktur medoid (entri PDB 7yvi). Struktur medoid dipilih sebagai model dengan r.m.s.d terkecil. dari semua model PLpro lengkap (tidak ada residu yang hilang). Sangat mudah untuk memilih residu yang bermasalah dari peta kontak (Gambar Tambahan S5). Ini adalah contoh analisis yang dapat dilakukan untuk ansambel struktur serupa. Kedua peta dihitung menggunakan BioShell (Macnar dkk. , 2020 ).


Gambar 6
Peta yang menunjukkan jarak antara atom C α yang setara (bernomor di bawah) dalam model PLpro yang diberikan (diidentifikasi dengan kode PDB dan ID rantai di sebelah kanan) dan struktur referensi entri PDB 7yvi dipilih sebagai model medoid (lihat teks untuk penjelasan). Warna putih menunjukkan residu yang hilang dalam model tertentu. Dendrogram di sebelah kiri menunjukkan hasil clustering menggunakan metode Ward (Ward, 1963).

Dari semua struktur PLpro yang kami analisis, hanya satu yang memiliki masalah kualitas yang signifikan (lihat di bawah), sementara empat memiliki masalah sedang. Sebagai perbandingan, 11 struktur protease utama mengalami koreksi sedang, sementara tujuh memiliki kesalahan yang signifikan (Gbr.ه). Struktur PLpro SARS-CoV-2 yang pertama disimpan, entri PDB 6w9c, diklasifikasikan memiliki masalah kualitas sedang. Itu ditentukan pada resolusi 2,7 Å, dengan sebagian besar residu memiliki ADP yang sangat tinggi. Banyak residu ditemukan dalam kerapatan elektron yang sangat buruk. Penting untuk dicatat bahwa masalah dengan kualitas struktur ini bukan akibat dari penyempurnaan yang buruk melainkan dari data berkualitas rendah (kelengkapan 57,3%) yang disebabkan oleh kerusakan radiasi. Penyempurnaan ulang entri PDB 6w9c dengan pembatasan simetri nonkristalografi (NCS) tambahan untuk tiga salinan independen molekul dalam unit asimetris memperbaiki sejumlah outlier rotamer, tetapi tidak dapat secara substansial meningkatkan model karena kerapatan elektron yang buruk.


Gambar 7
Perbandingan resolusi struktur protein dan indikator kualitas struktur secara keseluruhan, P ( Q 1), yang menggabungkan R Gratis , RSRZ (ruang nyata yang dinormalisasi R -faktor) outlier, Ramachandran outlier, rotamer outlier dan clashscore ke dalam skala persentil (Brzezinski dkk. , 2020 ). Perbandingan tersebut melibatkan model PLpro (persegi) dan 3CLpro (lingkaran). Nilai yang lebih tinggi dari P ( Q 1) mewakili model yang lebih baik. Warna menunjukkan tingkat keparahan masalah yang terdeteksi oleh server https://codvid19.bioreproducibility.org. Pelajaran penting untuk semua studi docking dan/atau komputasi adalah bahwa kualitas struktur tidak hanya bergantung pada resolusi (lihat Gambar Tambahan. S4).

Karena struktur ini adalah model pertama yang disimpan dari protease mirip papain dari SARS-CoV-2, dapat dimengerti bahwa ada terburu-buru untuk menyimpan struktur ini agar tersedia bagi komunitas ilmiah. Dalam hal pelajaran dari pandemi ini, kami berpikir bahwa deposisi yang cepat tetapi tidak sempurna adalah strategi kemenangan. Meskipun struktur pertama buruk, itu masih memberikan ide bagus tentang lipatan protein dan detail situs aktif, mengkonfirmasi kesamaannya dengan homolog SARS-CoV, dan berkontribusi pada penentuan struktur PLpro berikutnya. Kemudian, struktur protein yang sama dengan kualitas yang jauh lebih baik dirilis oleh penulis yang sama dan oleh orang lain, dan ini harus digunakan saat ini oleh siapa pun yang mengerjakan subjek ini.

Tiga struktur PLpro lainnya diidentifikasi memiliki masalah kualitas sedang: kehilangan beberapa residu asam amino, rantai samping atau molekul air, atau dengan rotamer yang salah, molekul air ditandai sebagai UNK dll . Penyempurnaan ulang dapat memperbaiki sebagian besar masalah ini. Satu struktur (entri PDB 7d47), yang berasal dari kristal kembar, diklasifikasikan memiliki masalah kualitas yang signifikan: koordinat tidak berada di lokasi standar dalam sel satuan dan beberapa residu hilang dalam rantai B . Meskipun kerapatan elektron di area residu yang hilang tidak terlalu kuat, residu asam amino dapat dilacak dan ditambahkan selama pemurnian ulang. Selain itu, pengekangan NCS digunakan selama penyempurnaan ulang dan beberapa molekul air ditambahkan ke model.

Sementara perubahan yang diperkenalkan selama penyempurnaan mungkin tampak relatif kecil dan tidak penting, kita harus memperhitungkan kemungkinan bahwa kualitas struktur yang lebih rendah dapat berdampak pada penelitian selanjutnya. Menargetkan PLpro dengan inhibitor molekul kecil adalah strategi anti-COVID yang menjanjikan yang telah dieksplorasi oleh beberapa studi docking (Rahman dkk. , 2021 Hall-Swan dkk. , 2021 Sedova dkk. , 2020 ). Namun, tampaknya studi docking ini tidak menggunakan hasil kurasi/penyempurnaan yang disediakan oleh sumber penilaian kualitas mana pun untuk struktur SARS-CoV-2. Beberapa studi docking mengandalkan struktur yang masalah kualitas sedang diidentifikasi oleh sumber daya kami, seperti entri PDB 6w9c. Hal ini menggambarkan keterbatasan yang signifikan dari proyek penilaian, yaitu bahwa perbaikan struktural yang tidak dilaporkan ke PDB hanya dapat berdampak terbatas, jika ada, pada penelitian selanjutnya. Tidak ada keraguan bahwa banyak model di bank data PDB-REDO lebih baik daripada deposisi PDB asli namun, struktur yang ditingkatkan digunakan jauh lebih jarang daripada yang dari PDB. Analisis referensi literatur menunjukkan bahwa jumlah kutipan PDB-ULANG lebih dari dua kali lipat lebih rendah dari PDB.Untuk alasan ini, ketika perubahan signifikan diperlukan, penulis makalah ini selalu mengikuti jalan menuju deposisi bersama, seperti yang dijelaskan dalam Bagian 1 . Dalam sebagian besar kasus, kami sangat menganjurkan penulis deposisi asli untuk manfaatkan koreksi kami dan perbarui model di PDB menggunakan mekanisme versi yang baru saja diterapkan , yang memungkinkan deposan memperbarui entri mereka sambil mempertahankan kode aksesi PDB yang sama. Selain itu, karena hampir semua publikasi sekarang tersedia secara online, akan bermanfaat jika pembaruan pada deposisi PDB atau tautan ke kode PDB baru (jika struktur didepositkan ulang karena faktor struktur yang diperbarui) juga dapat ditambahkan sebagai catatan untuk publikasi asli. Kami menganjurkan untuk menggunakan model terbaru yang tersedia di situs web kami sebagai titik awal atau hanya menggunakan daftar koreksi di `Ringkasan penyempurnaan ulang' untuk setiap struktur. Karena model ini tidak selalu sepenuhnya diselesaikan, semua koreksi harus diperiksa oleh penulis, laporan validasi PDB baru harus dijalankan dan masalah yang tersisa mungkin perlu ditangani. Sumber daya menyediakan email kontak untuk pertanyaan tentang koreksi tertentu.

Ada masalah penting yang diciptakan oleh kehadiran struktur suboptimal yang lebih tua di PDB. Kadang-kadang kelompok yang sama melaporkan struktur baru dan lebih baik, tetapi karena berbagai alasan yang lebih tua masih tertinggal di PDB. Ketika struktur suboptimal digunakan dalam studi docking, docking juga suboptimal atau bahkan mungkin salah. Namun, pengamatan ini menimbulkan pertanyaan: haruskah struktur sebelumnya ditarik dari PDB, untuk mengurangi `polusi' database, atau haruskah tetap ada sebagai catatan sejarah dari pencapaian penting dan tepat waktu dari penulis? Jika yang terakhir dipilih, harus ada peringatan bendera (kata kunci) tentang penggunaan deposisi historis tersebut untuk studi selanjutnya, dan mengarahkan ke deposisi pengganti. Mungkin antarmuka PDB dapat mengadopsi pendekatan Amazon dan menampilkan pesan 'Versi yang lebih baru dari struktur ini tersedia'.

3.2. Studi kasus 2: struktur resolusi atom dari macrodomain SARS-CoV-2 NSP3

Sejumlah besar model struktural makrodomain SARS-CoV-2 NSP3 yang ditentukan pada resolusi atom (1,2 Å atau lebih tinggi) telah disimpan selama tahun lalu. Model ini disimpan oleh dua kelompok yang berbeda (126 oleh J. S. Fraser dan rekan kerja, dan 100 oleh F. von Delft dan rekan kerja). Sebagian besar struktur ini dijelaskan sebagai deposisi kelompok, meskipun tidak semua secara jelas diidentifikasi sebagai anggota himpunan PanDDA. Beberapa struktur, bagaimanapun, disimpan secara individual dan tidak dalam kelompok (contohnya termasuk entri PDB 7kqw, 7kqo, 7kr0 dan 7kqp). Mempertimbangkan bahwa struktur resolusi atom seperti itu biasanya digunakan untuk studi mendalam tindak lanjut dan dapat digunakan untuk pembuatan parameter pengekangan yang akurat untuk penyempurnaan struktur protein pada resolusi yang lebih rendah (Jaskolski dkk. , 2007 Jaskolski, 2017 ), sangat penting bahwa mereka disempurnakan dengan hati-hati dan diberi anotasi dengan benar selama deposisi. Ini, bagaimanapun, tampaknya tidak menjadi kasus di sini.

Sebagian besar masalah adalah karena kurangnya deskripsi yang jelas tentang apa yang sebenarnya diendapkan untuk setiap struktur dalam deposisi grup PanDDA. Sedangkan analisis rinci dari PanDDA algoritma berada di luar cakupan makalah ini, kami menunjukkan bahwa beberapa statistik deposisi semacam itu jauh lebih buruk daripada yang diharapkan untuk struktur yang disempurnakan pada resolusi tinggi. Secara khusus, R faktor dalam banyak kasus tinggi, dengan R Gratis kebanyakan di atas 20%. Nilai yang tidak masuk akal dari R menggabungkan (misalnya, 53% untuk entri PDB 5s32) belum tentu merupakan akibat dari kesalahan ketik selama deposisi, karena R pim juga sangat tinggi. Yang paling mengkhawatirkan kami, bagaimanapun, adalah perbedaan antara koordinat atom dan peta kerapatan elektron yang dihitung menggunakan koefisien peta dalam format mtz yang diunduh dari server RCSB dari PDB. Dua contoh tersebut ditunjukkan pada Gambar. 8 untuk kumpulan data 5rtl dan 5rsi. Sedangkan kurangnya kerapatan elektron yang meyakinkan untuk ligan yang dimodelkan mungkin merupakan fitur dari pendekatan PanDDA, keberadaan kerapatan elektron yang kuat untuk rantai samping protein yang berdekatan yang tidak sesuai dengan koordinat model cukup mengganggu.


Angka 8
Dua contoh struktur PanDDA. Kiri, deposisi 5rtl kanan, deposisi 5rsi. Model ditunjukkan dalam representasi tongkat dengan atom C berwarna magenta, atom O berwarna merah dan atom N berwarna biru. Peta dan model diunduh dari server EDS, karena ini adalah peta yang akan digunakan oleh pengguna biasa. Peta kerapatan elektron berkontur pada 1.0 r.m.s.d. untuk 2 mF HaiDF C (biru) dan ۭ.0 r.m.s.d. untuk mF HaiDF C (hijau merah). Peta dengan jelas menunjukkan bahwa di kedua struktur residu Phe156 berada di luar kepadatan. Meskipun ada beberapa densitas untuk ligan di 5rtl (kiri), densitas tidak mendukung ligan sama sekali di 5rsi (kanan). Peta dan model dapat diperiksa secara interaktif di https://molstack.bioreproducibility.org/project/view/UpsJDYBUP96ULQ63VEUW/.

Masalah potensial lain yang dapat kami identifikasi dalam struktur yang diendapkan secara individual adalah penggunaan konformasi ganda yang sangat bebas dalam model, dengan posisi atom alternatif kadang-kadang hanya berjarak 0,1 Å. Contoh diberikan oleh entri PDB struktur resolusi sangat tinggi 7kr0, yang dimodelkan dengan total 1995 situs atom non-H di bagian protein. Model yang jauh lebih konservatif yang hanya berisi 1405 situs meningkat R Gratis hanya minimal, tanpa dampak yang signifikan dalam peta kerapatan elektron.

4. Dari data menjadi pengetahuan

Ada dua perspektif mengenai nilai kontribusi ilmiah untuk memerangi pandemi COVID-19. Di satu sisi, para ilmuwan telah menghasilkan banyak publikasi dan model struktur makromolekul terkait dengan COVID-19. Di sisi lain, semua upaya tersebut belum membuahkan hasil yang pasti untuk penyakit tersebut. Ada kemungkinan bahwa beberapa makalah yang diterbitkan berisi cetak biru untuk penyembuhan, tetapi sangat sulit untuk mengevaluasi isi dan pentingnya setiap makalah di antara �� yang diterbitkan.

Dalam beberapa tahun terakhir, alat `asisten sains' baru yang menggunakan kecerdasan buatan (AI) untuk membantu manusia dalam tugas mengidentifikasi dan mengevaluasi literatur ilmiah telah muncul, dengan contoh seperti Scite.ai dan Iris.ai. Pencarian Scite.ai untuk kata kunci `PLpro' mengidentifikasi 194 publikasi, menampilkan konteks dan memungkinkan pelacakan kutipan. Mengingat URL publikasi, platform Iris.ai membuat `peta eksplorasi' yang menampilkan konsep yang muncul di koran. Namun, alat `asisten sains' belum cukup matang untuk secara substansial membantu menemukan informasi paling relevan yang mungkin tersembunyi di balik ribuan halaman dalam lusinan jurnal. Selain itu, tidak ada hubungan antara platform ini dan berbagai sumber daya penting, termasuk data biologi struktural di PDB.

Kami percaya bahwa solusi yang paling menjanjikan untuk kelebihan informasi dan kurangnya pencarian informasi yang efektif adalah pembuatan sistem informasi canggih (AIS) (Zheng dkk. , 2017 ) yang mampu memanen hasil dasar dari semua sumber dan publikasi yang relevan. PDB harus menjadi dasar dari SIA biologi struktural. Ini akan membutuhkan peningkatan yang signifikan dari deposisi struktural, tidak terbatas pada koordinat model tetapi juga menekankan metadata yang akurat untuk setiap deposisi. Langkah pertama adalah definisi yang lebih baik dari standar pengendapan, misalnya penjabaran pedoman tentang bagaimana menggambarkan area peta yang sangat lemah sehingga seseorang tidak dapat memodelkan rantai samping atau bahkan rantai utama dengan andal. Saat ini, setiap kelompok penelitian menggunakan standar mereka sendiri (seperti nol hunian atau menghilangkan atom), dan kadang-kadang kelompok yang sama menggunakan standar yang berbeda tergantung pada peneliti yang bertanggung jawab untuk proyek tertentu.

Keandalan data ilmiah sangat penting di banyak bidang. Krisis biomedis saat ini harus memotivasi para ilmuwan dan badan pengelola sains untuk lebih memperhatikan data. Pengalaman dengan data dari lebih dari 1000 uji klinis terdaftar untuk COVID-19 memunculkan pernyataan kuat berikut (Ewers dkk. , 2021 ):

Dalam keadaan yang sulit dan cepat berubah ini, praktik ilmiah yang baik, reproduktifitas, dan transparansi adalah prinsip penting yang harus memandu uji klinis untuk menginformasikan pengambilan keputusan medis secara memadai dan menjaga kepercayaan publik.

Untuk menerapkan prinsip-prinsip panduan ini, jalur pipa eksperimental perlu mencakup sistem manajemen informasi laboratorium (LIMS) serbaguna untuk mengumpulkan metadata lengkap yang cukup andal untuk menghasilkan fitur utama dari bagian metode dari publikasi terkait atau, dalam kasus biologi struktural, kepala deposisi PDB. Transkripsi metadata yang dibantu mesin masih jauh dari layak pada saat ini, tetapi ketika tersedia, ia harus bergantung pada metadata yang lengkap dan akurat. Di bawah sistem seperti itu, jika bagian metode perlu diedit, itu berarti metadata yang disediakan untuk deposisi tidak cukup baik atau rutinitas yang menghasilkan bagian metode tidak sempurna. Saat ini, mendapatkan deskripsi yang akurat dari preparasi sampel untuk percobaan sinar-X dan cryo-EM dari deposisi PDB sangat menantang. Misalnya, kondisi kristalisasi yang disertakan dalam file PDB cukup sering berbeda dari deskripsi metode eksperimental dalam publikasi terkait atau kekurangan informasi penting. Mengulangi kristalisasi, baik di laboratorium yang berbeda atau bahkan di dalam laboratorium yang sama, terkadang merupakan hal yang sulit. Penciptaan AIS memerlukan perubahan sikap: deposisi PDB tidak dapat diperlakukan sebagai gangguan wajib yang diperlukan untuk publikasi, melainkan sebagai kontribusi yang sama pentingnya untuk reproduktifitas dan keandalan catatan ilmiah permanen. Mencapai perubahan sikap seperti itu mungkin memerlukan perubahan yang lebih luas dalam cara lembaga ilmiah dan lembaga pendanaan beroperasi. Secara khusus, keputusan tentang perekrutan, promosi, dan pendanaan harus mempertimbangkan kontribusi ilmuwan terhadap sumber daya data. Dengan kata lain, paradigma `publish or perish' perlu dimutakhirkan menjadi `publish good data and paper, or perish'. Jika tidak, lingkungan pandemi dapat menciptakan situasi `terbitkan dan tetap musnah'.

Pembuatan AIS membutuhkan kolaborasi skala besar dari orang-orang dengan beragam keahlian dan latar belakang: kimia, fisika, ilmu komputer, kecerdasan buatan, biologi, kedokteran, dan kebijakan publik. Pembentukan dan kesejahteraan AIS harus menjadi tanggung jawab bersama para ilmuwan, lembaga pendanaan, dan pembuat kebijakan.

5. Kesimpulan

Seperti yang telah terjadi berkali-kali dalam sejarah manusia, ternyata sekali lagi virus, agen infeksi yang terlalu kecil untuk diamati dengan mikroskop cahaya apa pun, dapat mengguncang peradaban maju kita dengan menghancurkan ekonomi kita dan mengganggu kehidupan kita sehari-hari. SARS-CoV-2 sejauh ini telah menyebabkan kematian lebih dari dua juta orang di seluruh dunia dan membawa beberapa sistem perawatan kesehatan ke ambang kehancuran, baik karena membanjirnya pasien COVID-19 atau, ironisnya, karena kehancuran finansial yang disebabkan oleh kurangnya pasien untuk kunjungan rumah sakit dan prosedur medis elektif karena pembatasan COVID-19. Setelah satu tahun, ada beberapa vaksin yang diproduksi di seluruh dunia, tetapi logistik distribusi dan administrasi vaksinasi jauh di belakang harapan masyarakat dan janji pemerintah, meskipun beberapa yurisdiksi telah mampu secara drastis meningkatkan efisiensi vaksinasi mereka dalam waktu singkat (Tambahan Gambar. S6). Pada saat yang sama, dengan menggunakan berbagai pendekatan, beberapa negara telah mampu secara signifikan mengurangi ancaman virus jauh sebelum persetujuan vaksin apa pun. Menurut pendapat kami, keberhasilan beberapa negara ini, seperti Selandia Baru, Islandia, Finlandia, dan Taiwan, dapat dikaitkan dengan para pemimpin yang melek sains dan teknologi yang dengan cepat menerapkan pemikiran yang tidak ortodoks untuk memerangi pandemi. Tanggapan ilmiah terhadap pandemi COVID-19 telah menghasilkan sejumlah besar makalah, data klinis dan penelitian, dan model struktural, yang tidak dapat dianalisis oleh satu manusia pun. Pada tahun 2020, para ilmuwan mulai membuat sejumlah besar sumber daya web untuk membantu para peneliti menavigasi melalui data terkait COVID-19. Namun, begitu banyak sumber daya telah muncul sehingga sumber daya meta untuk sumber daya ini baru saja dibuat (Waman dkk. , 2020 ).

Konversi tumpukan kertas dan sejumlah besar struktur menjadi informasi yang berguna merupakan tantangan berat bahkan di abad ke-21. Misalnya, genom bakteri sekarang dapat diurutkan dengan cepat dan relatif murah, tetapi mendapatkan wawasan tentang pengaruh protein individu dalam organisme yang diurutkan pada kesehatan manusia jauh lebih menantang, memakan waktu, dan mahal (McPherson, 2009). Transformasi efektif dari informasi dan data menjadi pengetahuan sangat menantang dan akan membutuhkan pendekatan baru terhadap sumber daya dan database, misalnya dengan menciptakan sistem informasi yang canggih (AISs Zheng dkk. , 2017 Zimmerman dkk. , 2014 Cooper dkk. , 2021 ). Sebuah AIS akan selalu memiliki database pada intinya, tetapi juga akan memiliki sistem koneksi yang canggih untuk memperoleh data dari sumber yang berbeda (sumber daya dan database) untuk memberikan gambaran selengkap mungkin. Membuat SIA tentu membutuhkan kolaborasi banyak ilmuwan yang ahli di bidangnya masing-masing, tetapi tampaknya itu adalah satu-satunya cara untuk mempersiapkan ilmu biomedis untuk pandemi berikutnya.

Dalam biologi struktural, banyak kendala yang harus diatasi sebelum sumber daya AIS semacam itu dapat dibuat, tetapi pengalaman kami dapat memberikan panduan bagi mereka yang akan melakukan upaya semacam itu. Struktur yang diproduksi oleh berbagai laboratorium harus memiliki prosedur evaluasi standar untuk memastikan keakuratannya dan sesuai dengan standar yang diterima. Hal ini sebagian dapat diatasi dengan penerapan versi oleh PDB, yang akan memungkinkan struktur direvisi ketika perbaikan dianggap perlu dan dapat memfasilitasi perbandingan yang lebih langsung dari struktur terkait. Sangat penting bahwa perbedaan dalam data yang mendasari diperbaiki ketika ditemukan. Hal ini mungkin lebih penting daripada melakukan revisi terhadap suatu publikasi, karena koordinat sering digunakan untuk berbagai keperluan (model MR, studi docking, data mining dll. ) oleh orang-orang yang jarang mempelajari terbitan asli dan cenderung tidak rutin mencari kemungkinan koreksi terhadap suatu terbitan.

Pada tahun 2002�, virus SARS-CoV yang mengancam jiwa dengan tingkat kematian 󕽺% menginfeksi ribuan orang. Pada 2012, coronavirus sindrom pernapasan Timur Tengah (MERS-CoV), dengan tingkat kematian 43%, diidentifikasi. Lebih dari 13� makalah ilmiah tentang coronavirus dan penyakit SARS dan MERS terkait telah diterbitkan pada periode 2002�. Beberapa dari temuan ini sangat menyarankan kemungkinan munculnya kembali wabah yang lebih mematikan dari virus mirip SARS di masa depan, namun demikian, seruan untuk studi mendesak tentang virus ini (Chou dkk. , 2014 ) hampir tidak diperhatikan. Studi lanjutan tentang vaksin terhadap virus SARS-CoV dihentikan karena kurangnya dana (Chen dkk. , 2014 ). Dalam sejarah umat manusia, pandemi COVID-19 relatif ringan dibandingkan dengan wabah pes (Black Death) yang menewaskan seratus kali lebih banyak orang. Kita mungkin tidak begitu beruntung lain kali.

6. Singkatan

ADP, parameter perpindahan atom CSGID, Pusat Genomik Struktural Penyakit Menular cryo-EM, mikroskop cryo-elektron IRRMC, Sumber Daya Terintegrasi untuk Reproduksibilitas dalam Kristalografi Makromolekul MCSG, Pusat Genomik Struktural Midwest MERS, sindrom pernapasan Timur Tengah MR, penggantian molekul NCS non -simetri kristalografi NYSGRC, New York Structural Genomics Research Consortium PanDDA, analisis densitas pan-dataset PDB, Protein Data Bank rmsd, deviasi root-mean-square RCSB, Research Collaboratory for Structural Bioinformatics SARS, TLS sindrom pernapasan akut parah, terjemahan–librasi&# 8211sekrup.

Informasi pendukung

Catatan kaki

1 Model baru yang didasarkan pada data asli yang ada (faktor struktur) hanya akan dirilis oleh PDB ketika diajukan bersama dengan deposan asli, atau ketika model baru didukung oleh publikasi peer-review. Kami selalu memilih untuk membuat deposit terbaru bersama dengan deposan asli.

2 Kelompok deposisi PanDDA (pan-data-set density analysis) terkait dengan analisis kristalografi multi-data-set untuk identifikasi ikatan ligan dan peristiwa struktural (Pearce dkk. , 2017 ).

3 Penunjukan `untuk diterbitkan' agak menyesatkan, karena struktur yang berusia puluhan tahun masih terdaftar seperti itu.

Ucapan Terima Kasih

Penulis ingin mengucapkan terima kasih kepada Dominik Gront dan Chloe Estrada atas komentar dan bantuan yang berharga dalam persiapan naskah. Salah satu penulis (WM) mencatat bahwa ia juga terlibat dalam pengembangan perangkat lunak dan perangkat pengelolaan data dan penambangan data, beberapa di antaranya telah dikomersialkan oleh HKL Research dan disebutkan dalam makalah. WM adalah salah satu pendiri HKL Research dan anggota dewan. Penulis tidak memiliki afiliasi atau keterlibatan keuangan lain yang relevan dengan organisasi atau entitas mana pun dengan kepentingan keuangan atau konflik keuangan dengan materi pelajaran atau materi yang dibahas dalam naskah selain dari yang diungkapkan.

Informasi pendanaan

Karya ini didukung oleh hibah National Institute of General Medical Sciences R01-GM132595. DB mengakui dukungan dari Badan Nasional Polandia untuk Pertukaran Akademik (hibah No. PPN/BEK/2018/1/00058/U/00001) dan Pusat Sains Nasional Polandia (hibah No. 2020/01/0/NZ1/00134). Pekerjaan ini sebagian didukung oleh Program Penelitian Intramural dari NIH, Institut Kanker Nasional, Pusat Penelitian Kanker. BR mengakui pendanaan parsial melalui hibah FWF (Austrian Science Foundation) P�. JMM didukung oleh Pusat Sains Nasional Polandia (hibah No. 2018/29/B/ST6/01989).

Referensi

Báez-Santos, Y.M., St John, S.E.& Mesecar, A.D. (2015). Res. Antivirus 115 , 21󈞒. Web of Science PubMed Google Scholar
Berman, H. M., Westbrook, J., Feng, Z., Gilliland, G., Bhat, T. N., Weissig, H., Shindyalov, I. N. & Bourne, P. E. (2000). Asam Nukleat Res. 28 , 235�. Web of Science CrossRef PubMed CAS Google Scholar
Berman, HM, Westbrook, JD, Gabanyi, MJ, Tao, W., Shah, R., Kouranov, A., Schwede, T., Arnold, K., Kiefer, F., Bordoli, L., Kopp, J ., Podvinec, M., Adams, PD, Carter, LG, Minor, W., Nair, R. & Baer, ​​JL (2009). Asam Nukleat Res. 37 , D365–D368. Web of Science CrossRef PubMed CAS Google Scholar
Brzezinski, D., Dauter, Z., Minor, W. & Jaskolski, M. (2020). FEBS J. 287 , 2685�. Web of Science CrossRef CAS PubMed Google Scholar
Brzezinski, D., Kowiel, M., Cooper, DR, Cymborowski, M., Grabowski, M., Wlodawer, A., Dauter, Z., Shabalin, IG, Gilski, M., Rupp, B., Jaskolski, M. & Minor, W. (2021). Ilmu Protein. 30 , 115�. Web of Science CrossRef CAS PubMed Google Scholar
Burley, SK, Berman, HM, Bhikadiya, C., Bi, C., Chen, L., Di Costanzo, L., Christie, C., Dalenberg, K., Duarte, JM, Dutta, S., Feng, Z., Ghosh, S., Penjualan Barang, DS, Green, RK, Guranović, V., Guzenko, D., Hudson, BP, Kalro, T., Liang, Y., Lowe, R., Namkoong, H ., Peisach, E., Perriskova, I., Prlić, A., Randle, C., Rose, A., Rose, P., Sala, R., Sekharan, M., Shao, C., Tan , L., Tao, Y.-P., Valasatava, Y., Voigt, M., Westbrook, J., Woo, J., Yang, H., Young, J., Zhuravleva, M. & Zardecki , C.(2019). Asam Nukleat Res. 47 , D464–D474. Web of Science CrossRef CAS PubMed Google Scholar
Chen, W.-H., Du, L., Chag, SM, Ma, C., Tricoche, N., Tao, X., Seid, CA, Hudspeth, EM, Lustigman, S., Tseng, C.- T. K., Bottazzi, M. E., Hotez, P. J., Zhan, B. & Jiang, S. (2014). Bersenandung. Vaksin. Kekebalan. 10 , 648�. Web of Science CrossRef CAS PubMed Google Scholar
Chou, C.-Y., Lai, H.-Y., Chen, H.-Y., Cheng, S.-C., Cheng, K.-W. & Chou, Y.-W. (2014). Kristal Akta. D 70 , 572�. Web of Science CrossRef IUCr Journals Google Scholar
Chruszcz, M., Domagalski, M., Osinski, T., Wlodawer, A. & Minor, W. (2010). Curr. pendapat. Struktur. Biol. 20 , 587�. Web of Science CrossRef CAS PubMed Google Scholar
Clegg, W. (2021). IUCrJ , 8 , 4󈝷. Web of Science CrossRef CAS PubMed IUCr Journals Google Scholar
Cooper, DR, Grabowski, M., Zimmerman, MD, Porebski, PJ, Shabalin, IG, Woinska, M., Domagalski, MJ, Zheng, H., Sroka, P., Cymborowski, M., Czub, MP, Niedzialkowska , E., Venkata­ramany, BS, Osinski, T., Fratczak, Z., Bajor, J., Gonera, J., MacLean, E., Wojciechowska, K., Konina, K., Wajerowicz, W., Chruszcz, M. & Minor, W. (2021). Metode Mol. Biol. 2199 , 209�. CrossRef PubMed Google Scholar
Croll, T., Diederichs, K., Fischer, F., Fyfe, C., Gao, Y., Horrell, S., Joseph, AP, Kandler, L., Kippes, O., Kirsten, F., M& #252ller, K., Nolte, K., Payne, A., Reeves, MG, Richardson, J., Santoni, G., Stäb, S., Tronrud, D., Williams, C. & Thorn , A. (2020). bioRxiv , 2020.10.07.307546. Google Sarjana
Croll, T. I., Williams, C. J., Chen, V. B., Richardson, D. C. & Richardson, J. S. (2021). Biofis. J. 120 , 1085�. Web of Science CrossRef CAS PubMed Google Scholar
Ewers, M., Ioannidis, J. P. A. & Plesnila, N. (2021). J.klin. Epidemiol. 130 , 143�. Web of Science CrossRef PubMed Google Scholar
Faezov, B. & Dunbrack, R. L. Jr (2021). bioRxiv , 2021.02.14.431128. Google Sarjana
Grabowski, M., Cymborowski, M., Porebski, P. J., Osinski, T., Shabalin, I. G., Cooper, D. R. & Minor, W. (2019). Struktur. Din. 6 , 064301. Web of Science CrossRef PubMed Google Scholar
Grabowski, M., Langner, KM, Cymborowski, M., Porebski, PJ, Sroka, P., Zheng, H., Cooper, DR, Zimmerman, MD, Elsliger, M.-A., Burley, SK & Kecil, W. (2016). Kristal Akta. D 72 , 1181�. Web of Science CrossRef IUCr Journals Google Scholar
Grabowski, M., Niedzialkowska, E., Zimmerman, M. D. & Minor, W. (2016). J. Struktur. Fungsi. genomik , 17 , 1󈝼. CrossRef CAS PubMed Google Scholar
Hall-Swan, S., Antunes, D. A., Devaurs, D., Rigo, M. M., Kavraki, L. E. & Zanatta, G. (2021). bioRxiv , 2021.01.21.427315. Google Sarjana
Helliwell, J. R., Minor, W., Weiss, M. S., Garman, E. F., Read, R. J., Newman, J., van Raaij, M. J., Hajdu, J. & Baker, E. N. (2019). IUCrJ , 6 , 341�. Web of Science CrossRef CAS PubMed IUCr Journals Google Scholar
Henderson, J. A., Verma, N., Harris, R. C., Liu, R. & Shen, J. (2020). J. Kimia. fisik. 153 , 115101. Web of Science CrossRef PubMed Google Scholar
Iudin, A., Korir, P. K., Salavert-Torres, J., Kleywegt, G. J. & Patwardhan, A. (2016). Nat. Metode , 13 , 387�. Web of Science CrossRef CAS PubMed Google Scholar
Jaskolski, M. (2017). Metode Mol. Biol. 1607 , 549�. CrossRef CAS PubMed Google Scholar
Jaskolski, M., Gilski, M., Dauter, Z. & Wlodawer, A. (2007). Kristal Akta. D 63 , 611�. Web of Science CrossRef CAS IUCr Journals Google Scholar
Kabsch, W. (2010). Kristal Akta. D 66 , 125�. Web of Science CrossRef CAS IUCr Journals Google Scholar
Kolesov, G., Virnau, P., Kardar, M. & Mirny, L. A. (2007). Asam Nukleat Res. 35 , W425–W428. Web of Science CrossRef PubMed Google Scholar
Kowiel, M., Brzezinski, D., Porebski, P. J., Shabalin, I. G., Jaskolski, M. & Minor, W. (2019). Bioinformatika , 35 , 452�. Web of Science CrossRef CAS PubMed Google Scholar
Lei, J., Kusov, Y. & Hilgenfeld, R. (2018). Res. Antivirus 149 , 58󈞶. Web of Science CrossRef CAS PubMed Google Scholar
Leslie, A.G.W. (2006). Kristal Akta. D 62 , 48󈞥. Web of Science CrossRef CAS IUCr Journals Google Scholar
Liebschner, D., Afonine, P. V., Moriarty, N. W., Poon, B. K., Chen, V. B. & Adams, P. D. (2021). Kristal Akta. D 77 , 48󈞩. Web of Science CrossRef IUCr Journals Google Scholar
Lubin, JH, Zardecki, C., Dolan, EM, Lu, C., Shen, Z., Dutta, S., Westbrook, JD, Hudson, BP, Goodsell, DS, Williams, JK, Voigt, M., Sarma , V., Xie, L., Venkatachalam, T., Arnold, S., Alvarado, LHA, Catalfano, K., Khan, A., McCarthy, E., Staggers, S., Tinsley, B., Trudeau, A., Singh, J., Whitmore, L., Zheng, H., Benedek, M., Currier, J., Dresel, M., Duvvuru, A., Dyszel, B., Fingar, E., Hennen, EM, Kirsch, M., Khan, AA, Labrie-Cleary, C., Laporte, S., Lenkeit, E., Martin, K., Orellana, M., de la Campa, MO-A., Paredes, saya ., Wheeler, B., Rupert, A., Sam, A., Lihat, K., Zapata, SS, Craig, PA, Hall, BL, Jiang, J., Koeppe, JR, Mills, SA, Pikaart, MJ , Roberts, R., Bromberg, Y., Hoyer, JS, Duffy, S., Tischfield, J., Ruiz, FX, Arnold, E., Baum, J., Sandberg, J., Brannigan, G., Khare , SD & Burley, SK (2020). bioRxiv , 2020.12.01.406637. Google Sarjana
Macnar, J.M., Szulc, N.A., Kryś, J.D., Badaczewska-Dawid, A.E.& Gront, D. (2020). Biomolekul , 10 , 461. Web of Science CrossRef Google Scholar
Masmaliyeva, R.C. & Murshudov, G.N. (2019). Kristal Akta. D 75 , 505�. Web of Science CrossRef IUCr Journals Google Scholar
McPherson, J. D. (2009). Nat. Metode , 6 , S2–S5. Web of Science CrossRef PubMed CAS Google Scholar
Meyer, PA, Socias, S., Key, J., Ransey, E., Tjon, EC, Buschiazzo, A., Lei, M., Botka, C., Withrow, J., Neau, D., Rajashankar, K., Anderson, KS, Baxter, RH, Blacklow, SC, Boggon, TJ, Bonvin, AMJJ, Borek, D., Brett, TJ, Caflisch, A., Chang, C.-I., Chazin, WJ, Corbett , KD, Cosgrove, MS, Crosson, S., Dhe-Paganon, S., Di Cera, E., Drennan, CL, Eck, MJ, Eichman, BF, Kipas, QR, Ferré-D'Amaré , AR, Christopher Fromme, J., Garcia, KC, Gaudet, R., Gong, P., Harrison, SC, Heldwein, EE, Jia, Z., Keenan, RJ, Kruse, AC, Kvansakul, M., McLellan , JS, Modis, Y., Nam, Y., Otwinowski, Z., Pai, EF, Pereira, PJB, Petosa, C., Raman, CS, Rapoport, TA, Roll-Mecak, A., Rosen, MK, Rudenko, G., Schlessinger, J., Schwartz, TU, Shamoo, Y., Sondermann, H., Tao, YJ, Tolia, NH, Tsodikov, OV, Westover, KD, Wu, H., Foster, I., Fraser, JS, Maia, FRNC, Gonen, T., Kirchhausen, T., Diederichs, K., Crosas, M. & Sliz, P. (2016). Nat. komuni. 7 , 10882. Web of Science CrossRef PubMed Google Scholar
Minor, W., Cymborowski, M., Otwinowski, Z. & Chruszcz, M. (2006). Kristal Akta. D 62 , 859�. Web of Science CrossRef CAS IUCr Journals Google Scholar
Minor, W., Dauter, Z., Helliwell, J. R., Jaskolski, M. & Wlodawer, A. (2016). Struktur , 24 , 216�. Web of Science CrossRef CAS PubMed Google Scholar
Miyakawa, T. (2020). Mol Otak , 13 , 24. Web of Science CrossRef PubMed Google Scholar
Osipiuk, J., Azizi, S.-A., Dvorkin, S., Endres, M., Jedrzejczak, R., Jones, KA, Kang, S., Kathayat, RS, Kim, Y., Lisnyak, VG, Maki, SL, Nicolaescu, V., Taylor, CA, Tesar, C., Zhang, Y.-A., Zhou, Z., Randall, G., Michalska, K., Snyder, SA, Dickinson, BC &# 38 Joachimiak, A. (2021). Nat. komuni. 12 , 743. Web of Science CrossRef PubMed Google Scholar
Otwinowski, Z. & Minor, W. (1997). Metode Enzim. 276 , 307�. CrossRef CAS PubMed Web of Science Google Scholar
Parks, J. M. & Smith, J. C. (2020). N. Inggris. J. Med. 382 , 2261�. Web of Science CrossRef PubMed Google Scholar
Pearce, N. M., Krojer, T. & von Delft, F. (2017). Kristal Akta. D 73 , 256�. Web of Science CrossRef IUCr Journals Google Scholar
Raczynska, J. E., Shabalin, I. G., Minor, W., Wlodawer, A. & Jaskolski, M. (2018). Tahan Obat. Perbarui. 40 , 1󈝸. Web of Science CrossRef PubMed Google Scholar
Rahman, F., Tabrez, S., Ali, R., Alqahtani, A. S., Ahmed, M. Z. & Rub, A. (2021). J. Tradisi. Melengkapi. Med. 11 , 173�. CrossRef PubMed Google Scholar
Rupp, B. (2009). Kristalografi Biomolekuler: Prinsip, Praktik, dan Aplikasi pada Biologi Struktural . New York: Ilmu Garland. Google Sarjana
Sedova, M., Jaroszewski, L., Alisoltani, A. & Godzik, A. (2020). Bioinformatika , 36 , 4360�. Web of Science CrossRef CAS PubMed Google Scholar
Shabalin, I., Dauter, Z., Jaskolski, M., Kecil, W. & Wlodawer, A. (2015). Kristal Akta. D 71 , 1965�. Web of Science CrossRef IUCr Journals Google Scholar
Singh, J. (2011). J. Farmakol. apoteker. 2 , 138�. CrossRef PubMed Google Scholar
Touw, W. G., Joosten, R. P. & Vriend, G. (2016). J. Mol. Biol. 428 , 1375�. Web of Science CrossRef CAS PubMed Google Scholar
Waman, V. P., Sen, N., Varadi, M., Daina, A., Wodak, S. J., Zoete, V., Velankar, S. & Orengo, C. (2020). Singkat. Informasi biologis. , bbaa362. Google Sarjana
Ward, J. H. (1963). Selai. Stat. Asosiasi 58 , 236�. CrossRef Google Scholar
Winter, G., Waterman, DG, Parkhurst, JM, Brewster, AS, Gildea, RJ, Gerstel, M., Fuentes-Montero, L., Vollmar, M., Michels-Clark, T., Young, ID, Sauter , NK & Evans, G. (2018). Kristal Akta. D 74 , 85󈟍. Web of Science CrossRef IUCr Journals Google Scholar
Wlodawer, A., Dauter, Z., Porebski, P. J., Minor, W., Stanfield, R., Jaskolski, M., Pozharski, E., Weichenberger, C. X. & Rupp, B. (2018). FEBS J. 285 , 444�. Web of Science CrossRef CAS PubMed Google Scholar
Wlodawer, A., Dauter, Z., Shabalin, I. G., Gilski, M., Brzezinski, D., Kowiel, M., Minor, W., Rupp, B. & Jaskolski, M. (2020). FEBS J. 287 , 3703�. Web of Science CrossRef CAS PubMed Google Scholar
Wlodawer, A., Kecil, W., Dauter, Z. & Jaskolski, M. (2013). FEBS J. 280 , 5705�. Web of Science CrossRef CAS PubMed Google Scholar
Zheng, H., Hou, J., Zimmerman, M. D., Wlodawer, A. & Minor, W. (2014). Eks. pendapat. Obat. penemuan 9 , 125�. Web of Science CrossRef CAS Google Scholar
Zheng, H., Porebski, P. J., Grabowski, M., Cooper, D. R. & Minor, W. (2017). Metode Mol. Biol. 1607 , 643�. CrossRef CAS PubMed Google Scholar
Zimmerman, M. D., Grabowski, M., Domagalski, M. J., Maclean, E. M., Chruszcz, M. & Minor, W. (2014). Metode Mol. Biol. 1140 , 1󈞅. CrossRef PubMed Google Scholar

Ini adalah artikel akses terbuka yang didistribusikan di bawah persyaratan Lisensi Creative Commons Attribution (CC-BY), yang mengizinkan penggunaan, distribusi, dan reproduksi tanpa batas dalam media apa pun, asalkan penulis dan sumber aslinya dikutip.


Tinjauan Literatur

Tantangan awal yang dihadapi setiap peneliti ketika menyelidiki masalah etika AI + BD adalah, karena popularitas topik, ada literatur yang luas dan berkembang pesat untuk dipertimbangkan. Masalah etika AI + BD dicakup oleh sejumlah tempat akademik, termasuk beberapa yang spesifik seperti Konferensi AAAI/ACM tentang AI, Etika, dan Masyarakat (https://dl.acm.org/doi/proceedings/10.1145/ 3306618), inisiatif kebijakan dan banyak laporan penelitian yang didanai publik dan swasta (Whittlestone, Nyrup, Alexandrova, Dihal, & amp Cave, 2019). Upaya awal untuk memberikan ikhtisar tentang area tersebut telah dipublikasikan (Jobin, 2019 Mittelstadt, Allo, Taddeo, Wachter, & Floridi, 2016), tetapi tidak ada pandangan pasti tentang apa yang dianggap sebagai masalah etika dan mengapa. Dalam makalah ini kami bertujuan untuk memberikan gambaran luas tentang masalah yang ditemukan melalui studi kasus. Makalah ini mengedepankan apa yang umumnya dianggap sebagai masalah etika dalam literatur atau masalah yang memiliki dampak dan dampak etis. Kami secara eksplisit tidak menerapkan kerangka filosofis etika tertentu tetapi menerima sebagai isu-isu etis isu-isu yang kami temui dalam literatur. Tinjauan ini didasarkan pada pemahaman tentang keadaan literatur saat ini oleh penulis makalah. Ini bukan ulasan terstruktur dan tidak mengklaim cakupan yang komprehensif tetapi berbagi beberapa wawasan menarik.

Untuk dapat melakukan analisis masalah etika dalam studi kasus kami, kami berusaha untuk mengkategorikan masalah etika yang ditemukan dalam literatur. Ada banyak cara yang berpotensi untuk melakukannya dan saran kami tidak mengklaim sebagai otoritatif. Saran kami adalah untuk mengurutkan masalah etika dalam hal cakrawala temporal mereka, yaitu jumlah waktu yang mungkin diperlukan untuk dapat mengatasinya. Waktu adalah variabel yang berkesinambungan, tetapi kami menyarankan bahwa adalah mungkin untuk mengurutkan masalah ke dalam tiga kelompok: jangka pendek, jangka menengah, dan jangka panjang (lihat Gambar 1).

Cakrawala temporal untuk mengatasi masalah etika

Sebagai disarankan oleh Baum (2017), yang terbaik adalah mengakui bahwa akan ada masalah etika dan kegiatan mitigasi terkait yang tidak dapat secara eksklusif masuk dalam jangka pendek, menengah atau panjang.

selain melihatnya sebagai klasifikasi otoritatif, kami melihat ini sebagai heuristik yang mencerminkan aspek diskusi saat ini. Salah satu alasan mengapa kategorisasi ini berguna adalah bahwa cakrawala temporal masalah etika adalah variabel yang berpotensi berguna, dengan perusahaan sering dituduh lebih menyukai keuntungan jangka pendek daripada keuntungan jangka panjang. Demikian pula, masalah jangka pendek harus dapat ditangani di tingkat lokal agar perbaikan jangka pendek berhasil.

Masalah jangka pendek

Ini adalah masalah yang ada asumsi yang masuk akal bahwa mereka mampu ditangani dalam jangka pendek. Kami tidak ingin mengukur apa yang sebenarnya dianggap sebagai jangka pendek, karena definisi apa pun yang diajukan akan menimbulkan perdebatan ketika menganalisis batas-batas dan periode transisi. Definisi yang lebih baik dari jangka pendek mungkin karena itu masalah tersebut dapat diharapkan berhasil ditangani dalam sistem teknis yang saat ini dalam operasi atau pengembangan. Banyak masalah yang kami diskusikan di bawah judul masalah jangka pendek secara langsung terkait dengan beberapa teknologi utama yang mendorong perdebatan AI saat ini, terutama pembelajaran mesin dan beberapa teknik dan pendekatan yang memungkinkan seperti jaringan saraf dan pembelajaran penguatan.

Banyak keuntungan yang dijanjikan oleh BD + AI melibatkan penggunaan data pribadi, data yang dapat digunakan untuk mengidentifikasi individu. Ini termasuk data kesehatan data pelanggan data ANPR (Automated Number Plate Recognition) data bank bahkan termasuk data tentang lahan petani, ternak, dan hasil panen. Masalah seputar pribadi dan kontrol data dibahas secara luas dan diakui sebagai masalah etika utama yang perlu ditangani (Boyd & Crawford, 2012 Tene & Polonetsky, 2012, 2013 Mittelstadt, Allo, Taddeo, Wachter, & Floridi, 2016 Jain, Gyanchandani, & amp Khare, 2016 Mai, 2016 Macan, 2018). Kekhawatiran seputar privasi dapat dikaitkan dengan kombinasi tingkat kesadaran umum tentang masalah privasi dan Peraturan Perlindungan Data Umum (GDPR) yang baru-baru ini diperkenalkan. Berhubungan erat dengan masalah privasi adalah yang berkaitan dengan transparansi proses yang berhubungan dengan data, yang sering dapat diklasifikasikan sebagai ketidakjelasan internal, eksternal, dan disengaja (Burrell, 2016 Lepri, Staiano, Sangokoya, Letouzé, & Oliver, 2017 Mittelstadt, Allo, Taddeo, Wachter, & Floridi, 2016).

NS Pedoman untuk AI yang Tepercaya Catatan kaki 4 dirilis pada tahun 2018 oleh Kelompok Ahli Tingkat Tinggi tentang Kecerdasan Buatan (Catatan Kaki AI HLEG 5 ), dan menjawab kebutuhan akan ketahanan dan keamanan teknis, termasuk akurasi, reproduktifitas, dan keandalan. Keandalan selanjutnya terkait dengan persyaratan keragaman, keadilan, dan dampak sosial karena membahas kebebasan dari bias dari sudut pandang teknis. Konsep kehandalan, ketika datang ke BD + AI, mengacu pada kemampuan untuk memverifikasi stabilitas atau konsistensi dari serangkaian hasil (Bush, 2012 Ferraggine, Doorn, & amp Rivera, 2009 Meeker dan Hong, 2014).

Jika suatu teknologi tidak dapat diandalkan, rawan kesalahan, dan tidak sesuai untuk tujuan, masalah etika yang merugikan dapat terjadi akibat keputusan yang dibuat oleh teknologi tersebut. Keakuratan rekomendasi yang dibuat oleh BD + AI merupakan konsekuensi langsung dari tingkat keandalan teknologi (Barolli, Takizawa, Xhafa, & amp Enokido, 2019). Bias dan diskriminasi dalam algoritma dapat diperkenalkan secara sadar atau tidak sadar oleh mereka yang menggunakan BD + AI atau karena algoritma yang mencerminkan bias yang sudah ada sebelumnya (Baroccas dan Selbst, 2016). Contoh bias telah didokumentasikan sering mencerminkan "ketidakseimbangan dalam sosio-ekonomi atau kategori 'kelas' lainnya—yaitu, kelompok atau kelompok tertentu tidak dijadikan sampel sebanyak yang lain atau sama sekali" (Panch et al., 2019). memiliki potensi untuk mempengaruhi tingkat ketidaksetaraan dan diskriminasi, dan jika bias tidak diperbaiki, sistem ini dapat mereproduksi pola diskriminasi yang ada dan mewarisi prasangka pembuat keputusan sebelumnya (Barocas & Selbst, 2016, hlm. 674). Contoh prasangka yang diwariskan didokumentasikan di Amerika Serikat, di mana warga negara Afrika-Amerika, lebih sering daripada tidak, dijatuhi hukuman penjara yang lebih lama daripada orang bule untuk kejahatan yang sama.

Masalah jangka menengah

Masalah jangka menengah tidak secara jelas terkait dengan teknologi tertentu tetapi biasanya muncul dari integrasi teknik AI termasuk pembelajaran mesin ke dalam sistem dan konteks sosio-teknis yang lebih besar. Dengan demikian mereka terkait dengan cara kehidupan dalam masyarakat modern dipengaruhi oleh teknologi baru. Ini dapat didasarkan pada isu-isu spesifik yang tercantum di atas tetapi memiliki dampak utama pada tingkat masyarakat. Penggunaan BD + AI memungkinkan perilaku individu diawasi dan pengawasan, yang mengarah pada pelanggaran terhadap privasi, kebebasan, otonomi, dan penentuan nasib sendiri (Serigala, 2015). Ada juga kemungkinan bahwa peningkatan penggunaan metode algoritmik untuk pengambilan keputusan masyarakat dapat menciptakan jenis pemerintahan teknokratis (Couldry & Powell, 2014 Janssen & Kuk, 2016), yang dapat melanggar proses pengambilan keputusan orang (Kuriakose & amp Iyer, 2018). Misalnya, karena tingkat pengambilan data publik yang tinggi, BD + AI dapat membahayakan orang kebebasan berekspresi, berserikat, dan bergerak, melalui ketakutan akan pengawasan dan efek mengerikan (Latonero, 2018).

Perusahaan memiliki tanggung jawab kepada pengguna akhir untuk memastikan kepatuhan, akuntabilitas, dan transparansi dari BD + AI mereka (Mittelstadt, Allo, Taddeo, Wachter, & Floridi, 2016). Namun, ketika sumber masalah sulit dilacak, karena masalah ketidakjelasan, menjadi sulit untuk mengidentifikasi siapa yang bertanggung jawab atas keputusan yang dibuat oleh BD + AI. Perlu dicatat bahwa survei skala besar di Australia pada tahun 2020 menunjukkan bahwa 57,9% pengguna akhir sama sekali tidak yakin bahwa sebagian besar perusahaan mengambil langkah yang memadai untuk melindungi data pengguna. Pentingnya memahami dan menggunakan tanggung jawab adalah masalah yang ditargetkan dalam banyak penelitian (Chatfield et al., 2017 Fothergill et al., 2019 Jirotka et al., 2017 Pellé & Reber, 2015). Kepercayaan dan kontrol atas BD + AI sebagai masalah ditegaskan kembali oleh laporan ICO baru-baru ini yang menunjukkan bahwa sebagian besar warga Inggris tidak mempercayai organisasi dengan data mereka (ICO, 2017).

keadilan adalah perhatian utama dalam BD + AI (Johnson, 2014, 2018). Sebagai titik awal, keadilan terdiri dari memberi setiap orang haknya atau memperlakukan orang secara adil (De George, hlm. 101). Kekhawatiran utama adalah bahwa manfaat akan diperoleh oleh individu dan organisasi yang kuat, sementara bebannya sebagian besar jatuh pada anggota masyarakat yang lebih miskin (Taylor, 2017). BD + AI juga dapat mencerminkan intensionalitas manusia, menerapkan pola kekuasaan dan otoritas (Portmess & Tower, 2015, hal. 1). Pengetahuan yang ditawarkan oleh BD + AI seringkali berada di tangan beberapa perusahaan yang kuat (Wheeler, 2016). Ketidakseimbangan kekuatan meningkat karena perusahaan dan pemerintah dapat menggunakan BD + AI untuk pengawasan, invasi privasi, dan manipulasi, melalui upaya pemasaran yang dipersonalisasi dan strategi kontrol sosial (Lepri, Staiano, Sangokoya, Letouzé, & Oliver, 2017, hlm. 11). Mereka berperan dalam pendakian datafikasi, terutama ketika kelompok tertentu (seperti perusahaan, akademik, dan lembaga negara) memiliki akses tak terbatas yang lebih besar ke kumpulan data besar (van Dijck, 2014, hlm. 203).

Diskriminasi, dalam penggunaan BD + AI, dapat terjadi ketika individu diprofilkan berdasarkan pilihan dan perilaku online mereka, tetapi juga jenis kelamin, etnis, dan milik kelompok tertentu (Calders, Kamiran, & Pechenizkiy, 2009 Cohen et al., 2014 dan Danna & Gandi, 2002). Pengambilan keputusan algoritmik berbasis data dapat menyebabkan diskriminasi yang kemudian diadopsi oleh pengambil keputusan dan mereka yang berkuasa (Lepri, Staiano, Sangokoya, Letouzé, & Oliver, 2017, hlm. 4). Bias dan diskriminasi dapat berkontribusi pada ketidaksamaan. Beberapa kelompok yang sudah dirugikan mungkin menghadapi ketidaksetaraan yang lebih buruk, terutama jika mereka yang termasuk dalam kelompok yang secara historis terpinggirkan memiliki lebih sedikit akses dan representasi (Barocas & Selbst, 2016, hlm. 685 Schradie, 2017). Bias yang meningkatkan ketidaksetaraan dapat direproduksi dalam BD + AI, seperti penggunaan kepolisian prediktif untuk menargetkan lingkungan yang sebagian besar etnis minoritas atau kelompok yang secara historis terpinggirkan (O'Neil, 2016).

BD + AI menawarkan potensi besar untuk meningkatkan keuntungan, mengurangi beban fisik pada staf, dan menerapkan praktik keberlanjutan yang inovatif (Badri, Boudreau-Trudel, & Souissi, 2018). Mereka menawarkan potensi untuk membawa peningkatan dalam inovasi, sains, dan pengetahuan yang memungkinkan organisasi untuk maju, berkembang, dan mendapat manfaat ekonomi dari pengembangan dan penerapannya (Crawford et al., 2014). BD + AI digembar-gemborkan sebagai monumental bagi pertumbuhan ekonomi dan perkembangan berbagai industri di seluruh dunia (Einav & Levin, 2014). Manfaat ekonomi yang diperoleh dari BD + AI mungkin menjadi pendorong terkuat untuk penggunaannya, tetapi BD + AI juga berpotensi menyebabkan kerugian ekonomi untuk warga dan bisnis atau menciptakan masalah etika yang merugikan lainnya (Newman, 2013).

Namun, beberapa literatur melihat pengembangan bersama pekerjaan dan otomatisasi sebagai pandangan yang agak naif (Zuboff, 2015). Perusahaan BD + AI dapat mengambil manfaat dari ekonomi otomatisasi 'pasca-kerja', yang mungkin berdampak negatif pada pasar tenaga kerja (Bossman, 2016), menggantikan hingga 47% dari semua pekerjaan AS dalam 20 tahun ke depan (Frey & amp Osborne , 2017). Profesi yang paling berisiko mempengaruhi pekerjaan berkorelasi dengan tiga studi kasus kami: pertanian, dukungan administrasi dan sektor asuransi (Frey & Osborne, 2017).

Masalah jangka panjang

Isu-isu jangka panjang adalah isu-isu yang berkaitan dengan aspek fundamental dari hakikat realitas, masyarakat, atau kemanusiaan. Misalnya, AI akan mengembangkan kemampuan yang jauh melebihi manusia (Kurzweil, 2006). Pada titik ini, kadang-kadang disebut 'keganjilan' mesin mencapai kecerdasan manusia, diharapkan dapat meningkatkan diri mereka sendiri dan dengan demikian melampaui kecerdasan manusia dan menjadi super cerdas (Bostrom, 2016). Jika ini terjadi, maka itu mungkin memiliki konsekuensi dystopian bagi umat manusia seperti yang sering digambarkan dalam fiksi ilmiah. Juga, masuk akal bahwa superintelligent, atau bahkan hanya mesin yang biasanya cerdas dapat memperoleh status moral.

Harus jelas bahwa harapan-harapan ini tidak dimiliki secara universal. Mereka merujuk pada apa yang sering disebut 'kecerdasan umum buatan' (AGI), seperangkat teknologi yang meniru kapasitas penalaran manusia secara lebih luas. Catatan kaki 6

Selanjutnya, jika kita dapat memperoleh kemampuan baru, mis. dengan menggunakan implan teknis untuk meningkatkan sifat manusia. Makhluk yang dihasilkan bisa disebut sebagai transhuman, langkah selanjutnya dari evolusi atau perkembangan manusia. Sekali lagi, penting untuk digarisbawahi bahwa ini adalah ide yang diperdebatkan (Livingstone, 2015) tetapi ide yang semakin menarik dalam wacana publik dan akun sains populer (Harari, 2017).

Kami memilih perbedaan dari tiga kelompok masalah ini untuk memahami bagaimana strategi mitigasi dalam organisasi dapat dikontekstualisasikan. Kami mengakui bahwa ini adalah satu pembacaan literatur dan banyak lainnya yang mungkin. Dalam pembahasan literatur ini kami mencoba memahami wacana saat ini untuk memungkinkan kami memahami temuan empiris kami yang diperkenalkan di bagian berikut.


Studi Kasus Empat - Ini adalah tugas mingguan

Studi Kasus Empat Dalam lembar kerja studi kasus empat, Dr. Daniela Yeung adalah seorang psikolog kesehatan yang melakukan penelitian yang didanai oleh pemerintah federal pada pasangan di mana pasangan pria telah dipenjara karena kekerasan pasangan intim (IPV). Dr Yeung telah mempelajari 25 pasangan selama setahun, dan salah satu pasangan adalah Aiden, yang berusia 35 tahun dan telah dibebaskan dari penjara setelah menjelma untuk IPV melawan istrinya, Maya. Aiden dan Maya telah bertemu Dr. Yeung selama delapan sesi dan mulai merasakan dukungan sosial dari Dr saat mereka mengungkapkan perasaan mereka. Selama sesi ini, Aiden memiliki masalah minum, dan selama dia minum, dia cenderung pingsan. Selama pemadaman ini, dia diketahui menelepon istrinya dan membuat ancaman. Belum ada laporan tentang Aiden yang menindaklanjuti ancaman terhadap istrinya. Dr Yeung menerima pesan untuk Aiden melaporkan bahwa sekarang dia tahu siapa dia dan bahwa dia tidak dapat membantunya. Dia terus mengatakan bahwa botol itu adalah penyelamatnya, dan dia akan mengakhirinya dengan beberapa malam ini. Dr. Yeung memperhatikan bahwa selama pesan itu pidato Aiden tidak jelas. Dr. Yeung mencoba menelepon Aiden dan istrinya Maya tanpa jawaban. Setelah dua jam, Dr. Yeung belum mendengar kabar baik dari Aiden maupun Maya dan sedang mempertimbangkan untuk memanggil pihak berwenang untuk memeriksa Aiden dan istrinya. Mengapa ini menjadi dilema etika? Prinsip Etis APA mana yang membantu membingkai sifat dilema? Dilema etika Dr. Yeung di sini adalah dia bukan terapis Aiden dan Maya dan hanya melihat mereka melakukan penelitian tentang hubungan mereka karena kekerasan pasangan intim. Dia berkewajiban untuk tidak membahayakan kliennya, dan ini mengharuskan dia untuk menghubungi penegak hukum. Jika ada keyakinan bahwa Aiden akan melukai dirinya sendiri atau—

ini, bagaimanapun, tergantung pada negara bagian mana dia tinggal tergantung pada siapa dia harus melaporkannya. Di beberapa negara bagian, psikolog hanya diminta untuk melaporkan situasi tersebut kepada penegak hukum dan tidak ada orang lain. Beberapa negara bagian itu dapat diterima untuk melaporkan kepada orang yang diancam. Dalam hal ini Kode Standar 3.04a, Menghindari Bahaya, “Psikolog mengambil langkah-langkah yang wajar untuk menghindari merugikan peserta penelitian mereka, dan untuk meminimalkan bahaya yang dapat diduga dan tidak dapat dihindari” (APA, 2017 hlm. 6 para. 4). Sementara Dr. Yeung hanya seorang psikolog penelitian tidak boleh mempengaruhi keputusan etisnya untuk melaporkan ancaman tersebut. Dia masih seorang psikolog yang masih membuatnya menjadi laporan yang diamanatkan. Bagaimana Standar Etika APA 2.01a b, dan c 2.04 3.04 3.06 4.01 4.02 dan 10.10a relevan dengan kasus ini? Standar lain mana yang mungkin berlaku? Standar Etika 2.01a, b, c, dan 2.04 relevan dengan kasus ini karena Dr. Yeung adalah seorang psikolog kesehatan dan sedang melakukan penelitian tentang kekerasan pasangan intim yang telah dipelajari dan dilatihnya. Menurut APA, (2017) menyatakan bahwa 3. “(a) Psikolog mengambil langkah-langkah yang wajar untuk menghindari merugikan klien/pasien mereka, mahasiswa, supervisi, peserta penelitian, klien organisasi, dan orang lain dengan siapa mereka bekerja, dan untuk meminimalkan kerugian di mana itu dapat diperkirakan dan tidak dapat dihindari” (hal. 6 para. 4). Kode Etik 4.01 dan 4.02 juga relevan dengan kasus ini karena Dr. Yeung diwajibkan oleh hukum untuk menjaga kerahasiaan kecuali diwajibkan oleh kewajiban untuk melindungi patung. Dia juga diharuskan untuk melaporkan batas kerahasiaannya jika menyangkut persyaratan oleh hukum. Seperti yang dinyatakan oleh Fisher (2017) “Di bawah Standar 4.02a, psikolog harus berdiskusi dengan orang dan organisasi dengan siapa mereka bekerja melaporkan kewajiban dan batasan lain pada kerahasiaan informasi yang dapat diantisipasi secara wajar” (hal. 179). 10.10a juga relevan dengan kasus ini karena Dr. Yeung dapat menghentikan layanan karena potensi bahaya yang ditimbulkannya pada Aiden. Standar Etis lain yang relevan dengan kasus ini adalah 10.

dan 10,02. 10.01 adalah persetujuan lain untuk terapi dan pentingnya memastikan bahwa klien mengetahui semua informasi yang valid. 10.02 relevan karena fakta bahwa Dr. Yeung bekerja dengan Aiden dan istrinya Maya. Ketika bekerja dengan pasangan menurut 10.02, penting bagi psikolog untuk memperjelas siapa kliennya, dan hubungan dengan orang lain dalam terapi. Dalam hal ini 10..02a juga akan relevan karena fakta bahwa jika sesuatu terjadi pada Maya, Dr. Yeung banyak yang perlu bersaksi melawan Aiden.

Apa alternatif etis Dr. Yeung untuk menyelesaikan dilema ini? Alternatif mana yang paling mencerminkan prinsip aspirasi Kode Etik dan standar yang dapat ditegakkan, serta standar hukum dan kewajiban Dr. Yeung kepada pemangku kepentingan?

Alternatif Dr. Yeung untuk penyelesaian dilema ini adalah dengan menerapkan Kode Standar 3.09 dan 4.05. Dia bisa meminta saran dari seseorang yang lebih berpengetahuan untuk situasi seperti ini. Dalam menggunakan kode etik 4.05 dia diamanatkan untuk memberikan informasi sebagaimana diatur oleh undang-undang yang akan menjadi kewajibannya kepada para pemangku kepentingannya.

Langkah apa yang harus diambil Dr. Yeung untuk menerapkan keputusannya secara etis dan memantau dampaknya? Salah satu hal terpenting yang dapat dilakukan Dr. Yeung adalah mengikuti kode etik 3.04 yaitu tidak merugikan. Dia perlu memastikan bahwa batas kerahasiaan penelitiannya adalah apa yang diperintahkan oleh hukum. Jika dia yakin bahwa salah satu dari partisipasinya akan merugikan diri sendiri atau orang lain, dia diwajibkan untuk melaporkannya. Dalam kasus Aiden dia bisa merujuknya ke konseling individu dengan seseorang yang lebih memenuhi syarat untuk menangani penyalahgunaan zat dan perilaku kekerasan.


OBSERVASI PENUTUP

Pada bagian sebelumnya, komite telah menguraikan apa yang dimaksud dengan kesehatan populasi dalam hal pemahaman tidak hanya risiko berbagai paparan pada individu tetapi juga pentingnya menggabungkan konsep yang terkait dengan distribusi risiko dalam populasi. Bab ini telah menguraikan cara untuk memahami bagaimana kondisi sosial, lingkungan, dan biologis membentuk kesehatan penduduk. Intervensi berbasis populasi, seperti kebijakan pengendalian tembakau, menunjukkan bahwa adalah mungkin untuk menerapkan strategi hemat biaya yang menguntungkan masyarakat secara keseluruhan dan meningkatkan kesehatan banyak segmen populasi. Perbaikan kesehatan penduduk harus memusatkan perhatian pada peningkatan kesehatan bangsa secara keseluruhan dan pengurangan kesenjangan kesehatan, seperti yang direkomendasikan oleh Orang Sehat 2010. Untuk mencapai tujuan ini, negara harus mengembangkan strategi inovatif untuk intervensi untuk serangkaian determinan kesehatan yang luas. Banyak faktor penentu kesehatan adalah bagian dari konteks ekonomi dan sosial yang luas dan, dengan demikian, di luar kendali langsung administrator di organisasi perawatan kesehatan sektor publik dan swasta. Tindakan pada strategi ini di tingkat nasional akan membutuhkan penyelarasan kebijakan publik di sektor pertanian, perdagangan, pendidikan, dan perbendaharaan pemerintah, antara lain, untuk meningkatkan kesehatan. Ini termasuk menyediakan sumber daya untuk mendukung penelitian berbasis populasi yang diperlukan untuk memajukan pemahaman kita tentang etiologi sosial penyakit dan kecacatan. Upaya untuk mengekang penggunaan tembakau memiliki sejarah 50 tahun sejak munculnya laporan ahli bedah umum pertama. Sekarang ada tingkat konsensus dan kemauan politik yang tinggi untuk bertindak. Sistem kesehatan masyarakat yang efektif harus menjadi kendaraan untuk mempercepat upaya tersebut untuk menyelamatkan ribuan nyawa yang jika tidak akan hilang. Peran khusus dari infrastruktur kesehatan masyarakat pemerintah adalah untuk mengadvokasi dan mendidik orang lain tentang bukti untuk mendukung tindakan kebijakan tersebut dan untuk memastikan bahwa sistem kesehatan masyarakat beragam individu dan organisasi yang harus bertindak bersama untuk kesehatan di tingkat masyarakat& #x02014 berkomitmen dan siap untuk menerapkan serangkaian strategi terkoordinasi untuk mencapai tingkat kesehatan tertinggi bagi bangsa. Bab-bab selanjutnya dari laporan ini mengeksplorasi peran potensial dari setiap komponen sistem kesehatan masyarakat dalam mencapai tujuan ini.

Jaminan adalah salah satu dari tiga fungsi inti kesehatan masyarakat yang dikemukakan oleh laporan IOM 1988 Masa Depan Kesehatan Masyarakat. Peran khusus dari infrastruktur kesehatan masyarakat pemerintah dalam misi ini akan menjadi pelayan, fasilitator, dan pendukung daripada aktor dalam setiap situasi, karena menjamin bangsa yang sehat tidak dapat dicapai melalui satu rencana tindakan atau melalui upaya tunggal. lembaga pemerintah atau sektor ekonomi. Sebaliknya, ini akan membutuhkan seperangkat strategi terkoordinasi yang harus diterapkan oleh semua orang Amerika sebagai individu, keluarga dan anggota masyarakat, bisnis dan pekerja, dan warga negara. Dengan masing-masing sektor masyarakat memikul sebagian tanggung jawab untuk meningkatkan kesehatan bangsa, semakin mungkin untuk mencapai potensi bangsa yang sebenarnya untuk populasi dengan kesehatan yang sangat baik dan disparitas yang seminimal mungkin.

Bab-bab berikutnya membahas beberapa mitra dalam sistem kesehatan masyarakat yang telah didefinisikan ulang yang memiliki tulang punggung infrastruktur kesehatan masyarakat pemerintah tetapi itu mencakup sumber daya, perspektif, dan tindakan pemangku kepentingan lain yang merupakan mitra dalam sistem kesehatan masyarakat. Masing-masing mitra ini dapat meningkatkan relevansi kontribusinya terhadap kesehatan penduduk dengan mempertimbangkan berbagai determinan kesehatan, terutama yang berkontribusi terhadap peluang yang tidak setara untuk kesehatan yang baik.


Tonton videonya: Strategi Mengatasi Berbagai Ancaman terhadap Ipoleksosbudhankam dalam Membangun Integrasi Nasional (Agustus 2022).