پروتئین در قسمت اشتباه یک سلول می تواند به بیماری های مختلفی مانند آلزایمر ، فیبروز کیستیک و سرطان کمک کند. با این حال ، تقریباً ۷۰،۰۰۰ پروتئین و پروتئین مختلف در یک سلول واحد وجود دارد ، و از آنجا که دانشمندان می توانند به طور معمول تعداد انگشت شماری را در یک آزمایش آزمایش کنند ، برای شناسایی محل پروتئین ها به صورت دستی بسیار پر هزینه و زمان است.
تکنیک های محاسبه نسل جدید با استفاده از مدل های یادگیری ماشین که از خوشه های داده از جمله هزاران پروتئین اندازه گیری شده در رده های سلولی چندگانه بهره می برند ، فرایند را تسهیل می کند. یکی از بزرگترین خوشه های داده از این نوع ، اطلس پروتئین انسانی است که بیش از حد تحت رفتار سلول قرار می گیرد. ۱۳،۰۰۰ پروتئین در بیش از ۴۰ خط سلولیبشر با این حال ، و همچنین اطلس پروتئین انسانی عظیم ، تمام پروتئین ها و خطوط سلولی در بانک اطلاعاتی تنها ۰.۲۵ درصد از کل مسابقات ممکن را بررسی کردند.
اکنون ، محققان MIT ، دانشگاه هاروارد و مؤسسه گسترده MIT و هاروارد یک رویکرد محاسبه جدید ایجاد کرده اند که می تواند به طور مؤثر فضای کشف نشده باقی مانده را کشف کند. روشها می توانند محل پروتئین موجود در رده سلولی را تخمین بزنند ، حتی اگر پروتئین و سلول قبلاً هرگز آزمایش نشده باشند.
تکنیک ها با بومی سازی یک پروتئین در یک سطح واحد ، یک قدم فراتر از بسیاری از روشهای مبتنی بر هوش مصنوعی می روند ، نه به عنوان یک تخمین متوسط در تمام سلولهای یک نوع خاص. این محلی سازی تک سلولی می تواند محل پروتئین را در یک سلول سرطانی خاص پس از درمان تشخیص دهد.
محققان یک مدل پروتئین را با یک مدل دید رایانه ویژه ترکیب کرده اند تا جزئیات غنی در مورد پروتئین و سلول را ضبط کنند. در پایان ، کاربر تصویر یک سلول را با بخشی تأکید شده از مدل نشان می دهد که در آن پروتئین یافت می شود. از آنجا که محلی سازی یک پروتئین نشانه ای از وضعیت عملکردی آن است ، می تواند به محققان و پزشکان کمک کند تا بیماری ها را به طور مؤثرتر شناسایی کنند یا اهداف دارویی خود را شناسایی کنند ، در حالی که زیست شناسان می توانند بهتر درک کنند که چگونه فرآیندهای بیولوژیکی پیچیده با محلی سازی پروتئین ارتباط دارند.
وی گفت: “این آزمایشات محلی سازی پروتئین بدون نیاز به لمس یک بانک آزمایشگاهی بدون نیاز به لمس یک بانک آزمایشگاهی انجام می شود ، امیدوارم که بتوانید به عنوان اولین اسکن از آنچه برای آزمایش آزمایش می کنید عمل کنید.
اریک و وندی اشمیت مرکز در TSEO ، یک رهبر مشترک ، که دانشجوی فارغ التحصیل در گروه مهندسی برق و علوم رایانه (EEC) است. یونائو بای از موسسه گسترده ؛ ve harvard’da yardımcı doçent ve broad enstitüsü üyesi olan kıdemli yazarlar fei chen ve eec’lerde mühendislik profesörü ve mit veri ، sistemler ve toplum expled (idss) ، aynı zamanda schmidendy zamanda zamanda zamanda enerendy zamanda zamanda zamanda zamanda enendy zamanda zamanda zamanda Sistemlerinde (IDSS) (IDSS) (IDSS) ، Bilgi ve Karar Sistemlerinde (IDSS) (IDSS). امروز قابل مشاهده است روش های طبیعتبشر
مدل های همکاری
بسیاری از پیش بینی های پروتئین موجود فقط می توانند بر اساس داده های پروتئین و سلولی که در آن آموزش دیده اند یا نمی توان پروتئین را در یک سلول واحد جایگزین کرد ، پیش بینی کند.
به منظور غلبه بر این محدودیت ها ، محققان یک روش دو بخش را برای برآورد موقعیت زیر سلول پروتئین های نامرئی به نام توله سگ ایجاد کردند.
قسمت اول از یک مدل توالی پروتئین برای ضبط خواص تعیین کننده محلی سازی یک پروتئین و ساختار سه بعدی بر اساس زنجیره اسید آمینه که آن را تشکیل می دهد ، استفاده می کند.
قسمت دوم شامل یک مدل حمل و نقل تصویر است که برای پر کردن قسمت های گمشده یک تصویر طراحی شده است. این مدل بینایی رایانه به ظاهر سه گانه یک سلول برای جمع آوری اطلاعات در مورد وضعیت آن سلول ، مانند خصوصیات فردی و استرس ، نگاه می کند.
توله سگها به بازنمایی های ایجاد شده توسط هر مدل می پیوندند تا تخمین بزنند که پروتئین در یک سلول واحد قرار دارد و از یک حلال کد تصویر برای تولید تصویری تأکید شده که مکان پیش بینی شده را نشان می دهد ، استفاده می کند.
Tse گفت: “سلولهای مختلف در یک خط سلولی ویژگی های مختلفی را نشان می دهند و مدل ما می تواند این ظرافت را درک کند.
یکی از کاربر وارد یک آرایه اسید آمینه می شود ، که پروتئین و سه تصویر لکه های سلول را تشکیل می دهد – یکی برای هسته ها ، دیگری برای میکروتوبول ها و دیگری برای شبکه آندوپلاسمی. سپس توله سگ ها بقیه را انجام می دهند.
درک عمیق تری
در فرایند آموزش ، محققان از تعداد متعددی برای آموزش توله سگها برای آموزش اطلاعات از هر مدل استفاده کردند تا نحوه ترکیب اطلاعات از هر مدل را آموزش دهند ، حتی اگر قبلاً این پروتئین را ندیده باشد.
به عنوان مثال ، این مدل یک کار ثانویه را در حین آموزش اختصاص می دهد: برای نامگذاری صریح محفظه محلی سازی مانند دانه های سلولی. این کار در کنار کار نقاشی اولیه انجام می شود تا به مدل کمک کند تا به طور مؤثرتری بیاموزد.
یک قیاس خوب می تواند معلمی باشد که می خواهد دانش آموزان خود نام خود را بنویسند ، و همچنین تمام قطعات یک گل را ترسیم کنند. مشخص شده است که این مرحله اضافی به مدل کمک می کند تا درک کلی خود را از محفظه های سلولی احتمالی بهبود بخشد.
علاوه بر این ، آموزش توله سگ ها بر روی پروتئین ها و رده های سلولی به طور همزمان به ایجاد درک عمیق تری از جایی که تمایل به بومی سازی پروتئین ها در یک تصویر سلولی دارند ، کمک می کند.
توله سگ ها به تنهایی می توانند درک کنند که چگونه بخش های مختلف دنباله یک پروتئین به طور جداگانه در محلی سازی عمومی نقش دارند.
وی گفت: “بسیاری از روشهای دیگر اغلب شما را به داشتن لکه های پروتئین نیاز دارند ، بنابراین شما قبلاً در داده های آموزش خود دیده اید. رویکرد ما از نظر تعمیم پروتئین ها و خطوط سلولی در همان زمان بی نظیر است.
از آنجا که فرزندان می توانند پروتئین های نامرئی را تعمیم دهند ، انسان می تواند تغییراتی را در محلی سازی به کارگردانی جهش پروتئین منحصر به فرد که در اطلس پروتئین گنجانده نشده است ، ضبط کند.
محققان تأیید کرده اند که پروتئین های جدید در رده های سلولی نامرئی می توانند با انجام آزمایش های آزمایشگاهی توله سگ ها و مقایسه نتایج ، محل زیر سلول خطوط سلولی نامرئی را پیش بینی کنند. علاوه بر این ، هنگامی که یک خط پایه با روش AI مقایسه شد ، توله سگ ها خطای میانگین ویژگی بین پروتئین هایی را که آزمایش کرده اند نشان دادند.
در آینده ، محققان می خواهند توله سگ ها را توسعه دهند ، به طوری که این مدل می تواند تعامل پروتئین-محصول را درک کند و می تواند تخمین محلی سازی را برای پروتئین های متعدد در یک سلول انجام دهد. در دراز مدت ، آنها می خواهند اطمینان حاصل کنند که توله سگ ها به جای سلولهای فرهنگی از نظر پارچه انسان پیش بینی می کنند.
این تحقیق توسط مرکز اریک و وندی اشمیت ، مؤسسات بهداشت ملی ، بنیاد ملی علوم ، صندوق استقبال Burroughs ، بنیاد Searle Scholars ، موسسه سلولهای بنیادی هاروارد ، دفتر تحقیقات دریایی و وزارت انرژی تأمین می شود.