Αλγόριθμος Μηχανικής Μάθησης Μπορεί να Προβλέψει Πού Πάνε οι Πρωτεΐνες

Ερευνητές στο Ινστιτούτο Επιστημών και Τεχνολογίας της Νάρα (NAIST) έχουν αναπτύξει einen αλγόριθμο μηχανικής μάθησης που μπορεί να προβλέψει με ακρίβεια την τοποθεσία των πρωτεϊνών που σχετίζονται με την ακτίνη, η οποία είναι ένα κρίσιμο μέρος του κυτταρικού σκελετού. Ο αλγόριθμος μπορεί να προβλέψει την τοποθεσία των πρωτεϊνών με βάση την πραγματική τοποθεσία της ακτίνης.

Η μελέτη δημοσιεύθηκε στο Frontiers in Cell and Developmental Biology.

Η Σημασία της Ακτίνης

Η ακτίνη είναι κρίσιμη για την παροχή σχήματος και δομής στα κύτταρα και παίζει ρόλο στη διαμόρφωση λαμελλιποδίων κατά τη κίνηση των κυττάρων. Τα λαμελλιπόδια είναι φαν-σχηματικές δομές που επιτρέπουν στα κύτταρα να «περπατούν» προς τα εμπρός και περιέχουν διάφορες πρωτεΐνες που δένουν στην ακτίνη για να διατηρήσουν τα κύτταρα σε κίνηση.

Ο Σίρο Σουετσούγκου είναι ο κύριος συγγραφέας της μελέτης και ήρθε με την ιδέα κατά τη διάρκεια μιας συνομιλίας με τον Јοσινόμπου Σάτο στο Κέντρο Επιστημών Δεδομένων του NAIST.

«Ενώ η τεχνητή νοημοσύνη έχει χρησιμοποιηθεί προηγουμένως για να προβλέψει την κατεύθυνση της μετανάστευσης των κυττάρων με βάση μια σειρά εικόνων, μέχρι τώρα δεν έχει χρησιμοποιηθεί για να προβλέψει την τοποθεσία των πρωτεϊνών», λέει ο Σουετσούγκου. «Επομένως, επιχειρήσαμε να σχεδιάσουμε έναν αλγόριθμο μηχανικής μάθησης που μπορεί να καθορίσει πού θα εμφανιστούν οι πρωτεΐνες στο κύτταρο με βάση τη σχέση τους με άλλες πρωτεΐνες.»

Ανάπτυξη του Συστήματος Τεχνητής Νοημοσύνης

Οι ερευνητές εκπαίδευσαν ένα σύστημα τεχνητής νοημοσύνης για να προβλέψει πού θα βρίσκονται οι πρωτεΐνες που σχετίζονται με την ακτίνη στο κύτταρο. Αυτό το έκαναν δείχνοντας στο σύστημα εικόνες κυττάρων με τις πρωτεΐνες που επισημαίνονταν με φθοριζουσές ενδείξεις, οι οποίες έδειχναν στο σύστημα πού βρίσκονταν. Το σύστημα στη συνέχεια έλαβε εικόνες στις οποίες μόνο η ακτίνη ήταν επισημασμένη και του ζητήθηκε να εντοπίσει τις σχετικές πρωτεΐνες.

«Όταν συγκρίναμε τις προβλεπόμενες εικόνες με τις πραγματικές εικόνες, υπήρχε ένα σημαντικό βαθμό ομοιότητας», λέει ο Σουετσούγκου. «Το πρόγραμμα μας προέβλεψε με ακρίβεια την τοποθεσία τριών πρωτεϊνών που σχετίζονται με την ακτίνη μέσα στα λαμελλιπόδια και, σε ένα από αυτά τα πρωτεΐνες, σε άλλες δομές μέσα στο κύτταρο.»

Αποδεικνύοντας τις συγκεκριμένες ικανότητες του συστήματος, η ομάδα στη συνέχεια του ζήτησε να προβλέψει πού βρίσκεται η τουβουλίνη στο κύτταρο. Η τουβουλίνη δεν σχετίζεται άμεσα με την ακτίνη και το πρόγραμμα εκτέλεσε χειρότερα σε αυτή τη δουλειά.

«Τα ευρήματά μας δείχνουν ότι η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για να προβλέψει με ακρίβεια την τοποθεσία των λειτουργικά σχετικών πρωτεϊνών και να περιγράψει τις φυσικές σχέσεις μεταξύ τους», λέει ο Σουετσούγκου.

Σύμφωνα με τους ερευνητές, το πρόγραμμα θα μπορούσε να χρησιμοποιηθεί για να αναγνωρίσει γρήγορα και ακριβώς τις δομές από εικόνες κυττάρων και θα μπορούσε να λειτουργήσει ως μια τεχνητή μέθοδος στελέχους κυττάρων, η οποία θα βοηθούσε να αποφευχθούν οι περιορισμοί των τρεχουσών μεθόδων.