Algoritmus strojního učení může předpovědět, kam proteiny putují

Výzkumníci z Nara Institute of Science and Technology (NAIST) vyvinuli algoritmus strojního učení, který může přesně předpovědět umístění proteinů souvisejících s aktinem, který je klíčovou součástí buněčného skeletu. Algoritmus může předpovědět umístění proteinů na základě skutečného umístění aktinu. 

Studie byla zveřejněna v Frontiers in Cell and Developmental Biology. 

Důležitost aktinu

Aktin je klíčový pro poskytování tvaru a struktury buněk a hraje roli při tvorbě lamellipodií během buněčného pohybu. Lamellipodie jsou vějířovité struktury, které umožňují buňkám „chodit“ dopředu, a obsahují různé proteiny, které se váží na aktin, aby udržely buňky v pohybu.

Shiro Suetsugu je hlavní autor studie a přišel s nápadem během rozhovoru s Yoshinobem Satem v Data Science Center v NAIST. 

“Zatímco umělá inteligence byla dříve použita k předpovědi směru buněčné migrace na základě posloupnosti obrazů, dosud nebyla použita k předpovědi lokalizace proteinů,” říká Suetsugu. “Proto jsme se pokusili navrhnout algoritmus strojního učení, který může určit, kde proteiny budou v buňce na základě jejich vztahu s jinými proteiny.”

Vývoj systému AI

Výzkumníci vyškolili systém umělé inteligence, aby předpověděl, kde budou proteiny spojené s aktinem v buňce. Toho dosáhli tím, že systému ukázali obrázky buněk s proteiny označenými fluorescenčními markery, které systému ukázaly, kde se nacházejí. Systém pak dostal obrázky, na kterých byl označen pouze aktin, a byl požádán, aby lokalizoval spojené proteiny.

“Když jsme porovnali předpovězené obrázky s skutečnými obrázky, byla zde značná míra podobnosti,” říká Suetsugu. “Náš program přesně předpověděl lokalizaci tří proteinů spojených s aktinem uvnitř lamellipodií; a v případě jednoho z těchto proteinů i v jiných strukturách uvnitř buňky.”

Demonstrace specifických schopností systému, tým pak požádal, aby předpověděl, kde se nachází tubulin v buňce. Tubulin není přímo spojen s aktinem a program se s touto úlohou vyrovnal hůře.

“Naše zjištění naznačují, že strojové učení lze použít k přesné předpovědi lokalizace funkčně souvisejících proteinů a popisu fyzických vztahů mezi nimi,” říká Suetsugu.

Podle výzkumníků by program mohl být použit k rychlé a přesné identifikaci struktur z buněčných obrazů a mohl by fungovat jako umělá buněčná separační metoda, která by pomohla vyhnout se omezením současných metod.