Maskinlæringsalgoritme kan forudsige, hvor proteiner bevæger sig

Forskere ved Nara Institute of Science and Technology (NAIST) har udviklet en maskinlæringsalgoritme, der kan nøjagtigt forudsige lokalisationen af proteiner relateret til aktin, som er en afgørende del af celle-skelettet. Algoritmen kan forudsige lokalisationen af proteinerne baseret på den faktiske lokalisation af aktin.

Studiet blev offentliggjort i Frontiers in Cell and Developmental Biology.

Aktins betydning

Aktin er afgørende for at give form og struktur til celler, og det spiller en rol i dannelsen af lamellipodier under cellebevægelse. Lamellipodier er vifteformede strukturer, der ermögiller celler at “gå” fremad, og de indeholder forskellige proteiner, der binder til aktin for at holde cellerne i bevægelse.

Shiro Suetsugu er hovedforfatteren på studiet og fik idéen under en samtale med Yoshinobu Sato på Data Science Center i NAIST.

” Mens kunstig intelligens tidligere er blevet brugt til at forudsige retningen af celle-migration baseret på en række billeder, er det ikke blevet brugt til at forudsige protein-lokalisation,” siger Suetsugu. “Vi søger derfor at designe en maskinlæringsalgoritme, der kan bestemme, hvor proteiner vil optræde i cellen baseret på deres relation til andre proteiner.”

Udviklingen af AI-systemet

Forskerne trænede et kunstig intelligens-system (AI) til at forudsige, hvor aktin-associerede proteiner ville være i cellen. De gjorde dette ved at vise AI billeder af celler med proteinerne mærket med fluorescerende markører, der indikerede for systemet, hvor de var lokaliseret. Systemet blev derefter født billeder, hvor kun aktin var mærket, og det blev bedt om at lokalisere de associerede proteiner.

“Når vi sammenlignede de forudsagte billeder med de faktiske billeder, var der en betydelig grad af lighed,” siger Suetsugu. “Vores program forudsagde nøjagtigt lokalisationen af tre aktin-associerede proteiner inden for lamellipodier; og i tilfælde af en af disse proteiner, i andre strukturer inden for cellen.”

For at demonstrere systemets specifikke evner, bad holdet det om at forudsige, hvor tubulin var i cellen. Tubulin er ikke direkte relateret til aktin, og programmet fungerede dårligere ved denne opgave.

“Vore fund tyder på, at maskinlæring kan bruges til at nøjagtigt forudsige lokalisationen af funktionelt relaterede proteiner og beskrive de fysiske relationer mellem dem,” siger Suetsugu.

Ifølge forskerne kan programmet bruges til hurtigt og nøjagtigt at identificere strukturerne fra celle-billeder, og det kan fungere som en kunstig celle-stræning-metode, der hjælper med at undgå begrænsningerne af nuværende metoder.