Konenäön algoritmi voi ennustaa, mihin proteiinit menestyvät

Nara Institute of Science and Technologyn tutkijat ovat kehittäneet konenäön algoritmin, joka voi tarkasti ennustaa aktiiniin liittyvien proteiinien sijainnin, mikä on tärkeä osa solun luurankoa. Algoritmi voi ennustaa proteiinien sijainnin perustuen aktiinin todelliseen sijaintiin.

Tutkimus julkaistiin Frontiers in Cell and Developmental Biology.

Aktiinin merkitys

Aktiini on avainasemassa solun muodon ja rakenteen tarjoamisessa, ja se osallistuu lamellipodien muodostumiseen solun liikkuessa. Lamellipodit ovat tuulimurskamaiset rakenteet, jotka mahdollistavat solun “kävelyn” eteenpäin, ja ne sisältävät erilaisia proteiineja, jotka sitoutuvat aktiiniin solun liikuttamiseksi.

Shiro Suetsugu on tutkimuksen ensisijainen tekijä ja keksi idean keskustellessaan Yoshinobu Sato kanssa Data Science Centerissä NAISTissa.

“Vaikka tekoälyä on aiemmin käytetty solun muuttumissuunnan ennustamiseen kuvien perusteella, sitä ei ole aiemmin käytetty proteiinien sijainnin ennustamiseen,” sanoo Suetsugu. “Päätimme suunnitella konenäön algoritmin, joka voi määrittää, missä proteiinit ovat solussa perustuen niiden suhteeseen muihin proteiineihin.”

Teonäköjärjestelmän kehittäminen

Tutkijat kouluttivat tekoälyjärjestelmän ennustamaan, missä aktiiniin liittyvät proteiinit ovat solussa. He tekivät tämän näyttämällä tekoälylle kuvia soluista, joissa proteiinit oli merkitty fluoresoivilla merkkereillä, jotka osoittivat järjestelmälle, missä ne sijaitsivat. Järjestelmä sai sitten kuvia, joissa vain aktiini oli merkitty, ja se pyydettiin sijaintimaan liittyvät proteiinit.

“Kun vertasimme ennustettuja kuvia todellisiin kuviiin, niissä oli huomattava määrä yhtäläisyyttä,” sanoo Suetsugu. “Ohjelmamme ennusti tarkasti kolmen aktiiniin liittyvän proteiinin sijainnin lamellipodien sisällä; ja yhden näistä proteiineista tapauksessa myös muissa solun rakenteissa.”

Joukkue pyysi sitten järjestelmää ennustamaan, missä tubuliini on solussa. Tubuliini ei ole suoraan liitetty aktiiniin, ja ohjelma suoritti huonommin tässä tehtävässä.

“Tutkimuksemme osoittaa, että konenäköä voidaan käyttää tarkasti ennustamaan toiminnallisesti liittyvien proteiinien sijaintia ja kuvaamaan niiden välistä fysikaalista suhdetta,” sanoo Suetsugu.

Tutkijoiden mukaan ohjelmaa voidaan käyttää nopeasti ja tarkasti tunnistamaan rakenteet solukuvista, ja se voi toimia keinotekoisena solujen erottelumenetelmänä, joka auttaa välttämään nykyisten menetelmien rajoitukset.