شناسایی کلاسهای پیچیده از طریق یادگیری ماشینی – ScienceDaily


هر چیزی که زندگی می کند متابولیت دارد ، متابولیت تولید می کند و متابولیت مصرف می کند. این مولکول ها به عنوان واسطه ها و محصولات نهایی فرآیندهای شیمیایی در متابولیسم بدن بوجود می آیند. بنابراین ، آنها نه تنها از اهمیت زیادی برای زندگی ما برخوردارند ، بلکه اطلاعات ارزشمندی را در مورد وضعیت موجود زنده یا محیط زیست ارائه می دهند. به عنوان مثال ، از متابولیت ها می توان برای تشخیص بیماری ها یا در زمینه فن آوری های محیطی برای آزمایش نمونه های آب آشامیدنی استفاده کرد. با این حال ، تنوع این ترکیبات شیمیایی مشکلاتی را در تحقیقات ایجاد می کند. تا به امروز ، فقط چند مولکول و خواص آنها شناخته شده است. اگر یک نمونه در آزمایشگاه تجزیه و تحلیل شود ، فقط قسمت نسبتاً کمی از آن قابل شناسایی است ، در حالی که اکثر مولکول ها ناشناخته باقی مانده اند.

بیوانفورماتیک در دانشگاه فردریش شیلر در ینا ، آلمان ، به همراه همکارانش از فنلاند و ایالات متحده ، اکنون یک روش منحصر به فرد ایجاد کرده اند که می تواند تمام متابولیت های موجود در نمونه را در نظر بگیرد ، بنابراین دانش به دست آمده از مطالعه را به طور قابل توجهی افزایش می دهد. از این مولکول ها این تیم تحقیقات موفقیت آمیز خود را در مجله علمی گزارش می دهد بیوتکنولوژی طبیعی.

مطالعه ، شناسایی و تعیین خصوصیات ساختاری

“طیف سنجی جرمی ، یکی از پرکاربردترین روشهای تجربی برای تجزیه و تحلیل متابولیتها ، تنها مولکولهایی را شناسایی می کند که می توانند با مقایسه آنها با یک پایگاه داده به طور منحصر به فرد اختصاص داده شوند. تمام مولکولهای دیگر ، که تاکنون ناشناخته بودند ، موجود نیستند اطلاعات زیادی ، “پروفسور سباستین بوکر از دانشگاه ینا توضیح می دهد. “با این حال ، با روش تازه توسعه یافته خود به نام CANOPUS ، ما همچنین اطلاعات ارزشمندی را از متابولیت های ناشناخته در یک نمونه بدست می آوریم ، زیرا می توانیم آنها را به کلاسهای موجود ترکیبات اختصاص دهیم.”

CANOPUS در دو مرحله کار می کند: اول ، روش تولید “اثر انگشت مولکولی” از طیف تکه تکه شدن اندازه گیری شده توسط طیف سنجی جرمی. این شامل اطلاعاتی در مورد خواص ساختاری مولکول اندازه گیری شده است. در مرحله دوم ، این روش با استفاده از اثر انگشت مولکولی متابولیت را به طبقه خاصی از ترکیبات اختصاص می دهد بدون اینکه آن را شناسایی کند.

یادگیری از داده ها

“روشهای یادگیری ماشینی معمولاً نیاز به مقدار زیادی داده برای آموزش دارند. در مقابل ، فرایند دو مرحله ای ما در مرحله اول امکان آموزش مقدار نسبتاً کمی داده از دهها هزار طیف توده تکه تکه شدن را فراهم می کند. سپس ، در مرحله دوم دکتر کای دورکوپ از دانشگاه ینا توضیح می دهد: “خصوصیات ساختاری مشخصی که برای یک کلاس مرکب مهم هستند ، می توانند توسط میلیون ها ساختار تعیین شوند.”

بنابراین ، سیستم این خصوصیات ساختاری را در یک مولکول ناشناخته در نمونه شناسایی کرده و سپس آن را به یک کلاس خاص از ترکیب اختصاص می دهد. بوکر گفت: “این اطلاعات به تنهایی برای پاسخ به بسیاری از سوالات مهم کافی است.” “شناسایی دقیق یک متابولیت بسیار پیچیده تر است و اغلب به هیچ وجه لازم نیست.” روش CANOPUS از یک شبکه عصبی عمیق با پیش بینی حدود 2500 کلاس ترکیب استفاده می کند.

با استفاده از روش خود ، بیوانفورماتیک جنا ، به عنوان مثال ، فلور روده موش هایی را که در آن یک گروه آزمایش با آنتی بیوتیک تحت درمان قرار گرفتند ، مقایسه می کند. مطالعات نشان می دهد که کدام متابولیت ها توسط موش و فلور روده آن تولید می شوند. چنین نتایج تحقیقاتی می تواند اطلاعات مهمی در مورد سیستم هضم و متابولیسم انسان فراهم کند. دانشمندان Jena از طریق دو مثال کاربردی اضافی که در مطالعه خود ارائه می دهند ، عملکرد و قدرت روش CANOPUS را نشان می دهند.

مولکول یاب ینا میلیون ها بار استفاده شده است

با روش جدید ، اطلاعات زیستی Jena قابلیت های موتور جستجوی مولکولی CSI: FingerID را گسترش می دهد ، این موتورها حدود 5 سال است که به جامعه تحقیقاتی بین المللی ارائه می دهند. در حال حاضر ، محققان در سراسر جهان هزاران بار در روز از این سرویس برای مقایسه طیف جرمی یک نمونه با پایگاه های داده آنلاین مختلف برای شناسایی دقیق متابولیت استفاده می کنند. سباستین بوکر می گوید: “ما در حال نزدیک شدن به تقاضای 100 میلیون هستیم و مطمئن هستیم که CANOPUS تعداد کاربران را بیشتر خواهد کرد.”

روند جدید زمینه متابولیسم را تقویت می کند – یعنی. تحقیق در مورد این مولکول های کوچک همه جا حاضر – و پتانسیل آن را در بسیاری از زمینه های تحقیق مانند داروسازی افزایش می دهد. بسیاری از مواد دارویی فعال که برای دهه ها استفاده می شود ، مانند پنی سیلین ، متابولیت هستند. دیگران را می توان با کمک آنها توسعه داد.


منبع: packge-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>