بیوانفورماتیکهوش مصنوعی

درک تعامل های میان RNA و پروتئین‌ ها به کمک هوش مصنوعی

دانشمندان یک ابزار محاسباتی جدید به نام NucleicNet طراحی‌کرده اند که با استفاده از هوش مصنوعی و یادگیری عمیق، ویژگی‌های اتصال RNA به پروتئین‌ها را بر اساس ساختار سه‌بعدی آن‌ها پیش‌بینی می‌کند. این نرم‌افزار که از سایر مدل‌های الگوریتمی عملکرد بهتری دارد، با ارائه‌ی بینش‌های جدید بیولوژیکی می‌تواند به طراحی و توسعه‌ی دارو و پاتولوژی بسیاری از بیماری‌ها کمک کند.


پروتئین‌ها به طور معمول با مولکول‌های RNA برای کنترل پردازش و انتقال رونوشت‌های ژن ارتباط برقرار می‌کنند و اگر این تعامل‌ها مختل شوند، جریان اطلاعات در داخل سلول به هم می‌ریزد و باعث ایجاد اختلال‌هایی ازجمله سرطان و بیماری‌های عصبی می‌شود.

یادگیری عمیق، دسته‌ای از الگوریتم‌های یادگیری ماشین است. در یادگیری ماشین، ما براساس داده‌ها مدلی را آموزش می‌دهیم یا به اصطلاح train می‌کنیم و سپس از مدل آموزش‌دیده برای پیش‌بینی بر روی داده‌های جدید استفاده می‌کنیم که این فرایند training به عنوان یک فرایند یادگیری در نظر گرفته‌ می‌شود.

ایده‌ی نحوه‌ی کار یادگیری عمیق از الگو‌های پردازش اطلاعاتی مغز انسان و نحوه کار visual cortex گرفته‌شده است به طوری که پس از استخراج ویژگی‌های چندین لایه، تمامی این ویژگی‌ها را با هم ترکیب می‌کند و هر سطح یاد می‌گیرد، داده‌های ورودی خود را به یک نمایش ترکیبی‌تر تبدیل کند و در نهایت پیش‌بینی را انجام دهد. واژه‌ی عمیق در یادگیری عمیق به تعداد لایه‌هایی که داده‌ها از آن‌ها منتقل می‌شوند، اشاره دارد.

برای درک بهتر اینکه کدام قسمت از یک مولکول RNA به نقاط مختلف سطح یک پروتئین متصل می‌شود، Homing Lam و همکارانش به یادگیری عمیق روی آوردند و الگوریتم خود را با استفاده از داده‌های ساختار سه‌بعدی 158 مجموعه پروتئین-RNA مختلف که در یک بانک اطلاعاتی عمومی موجود است، train کردند.

نرم‌افزار NucleicNet برخلاف مدل‌های دیگر با تجزیه و تحلیل در مدل اتمی پروتئین، اولویت اتصال اجزای RNA (فسفات، ریبوز و 4 پایه AUCG) را در هر قسمت از سطح پروتئین مورد نظر پیش‌بینی می‌کند. همچنین با دقت زیادی تشخیص می‌دهد که کدام قسمت‌ها بر روی سطح پروتئین به مولکول های RNA متصل می‌شوند.

دکتر هومینگ لام می‌گوید: “ویژگی‌های مبتنی بر ساختار، تا کنون بسیار کم، مورد توجه سایر چارچوب‌های محاسباتی (computational frameworks) قرار‌‌گرفته است. درحالی که ما با قدرت یادگیری عمیق به استنباط از این تعامل‌ها، بر اساس ساختار آن‌ها پرداختیم.”

در ادامه دانشمندان KAUST با همکاری پژوهشگران چین و ایالات متحده، الگوریتم خود را بر روی مجموعه متنوعی از اتصال‌های پروتئین و RNA، از جمله پروتئین‌های دخیل در سرطان لثه و اسکلروز جانبی آمیوتروفیک آزمایش‌کردند و بدین وسیله نشان دادند تعامل‌هایی که توسط NucleicNet پیش‌بینی شده بود، مطابق با یافته‌های آزمایش‌های تجربی است. آن‌ها در نهایت یافته‌های خود را درمجله‌ی Nature گزارش کردند. 

توسط
Phys.org
منبع
Nature
برچسب‌ها
نمایش بیشتر

نوشته‌های مشابه

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

+ چهـل یـک = چهـل سـه

دکمه بازگشت به بالا
EnglishIran
بستن
بستن