Machine Learning-algoritme kan voorspellen waar eiwitten terechtkomen

Onderzoekers aan het Nara Institute of Science and Technology (NAIST) hebben een machine learning-algoritme ontwikkeld dat nauwkeurig kan voorspellen waar eiwitten gerelateerd aan actine zich in de cel bevinden. Actine is een cruciaal onderdeel van het cel-skelet. Het algoritme kan de locatie van de eiwitten voorspellen op basis van de werkelijke locatie van actine.

De studie is gepubliceerd in Frontiers in Cell and Developmental Biology.

Het belang van actine

Actine is essentieel voor het geven van vorm en structuur aan cellen en speelt een rol bij de vorming van lamellipodia tijdens celbeweging. Lamellipodia zijn waaiervormige structuren die cellen in staat stellen te “lopen” en bevatten verschillende eiwitten die aan actine binden om de cellen in beweging te houden.

Shiro Suetsugu is de hoofdauteur van de studie en kreeg het idee tijdens een gesprek met Yoshinobu Sato bij het Data Science Center in NAIST.

“Terwijl artificial intelligence eerder is gebruikt om de richting van celmigratie te voorspellen op basis van een reeks afbeeldingen, is het nog niet gebruikt om de localisatie van eiwitten te voorspellen,” zegt Suetsugu. “We wilden daarom een machine learning-algoritme ontwerpen dat kan bepalen waar eiwitten in de cel zullen verschijnen op basis van hun relatie met andere eiwitten.”

Ontwikkeling van het AI-systeem

De onderzoekers trainden een kunstmatig intelligentie (AI)-systeem om te voorspellen waar actine-geassocieerde eiwitten in de cel zouden zijn. Ze deden dit door het AI-systeem afbeeldingen van cellen te laten zien met de eiwitten gelabeld met fluorescentiemarkers, die aangaven waar ze zich bevonden. Het systeem kreeg vervolgens afbeeldingen te zien waarop alleen actine was gelabeld en moest de geassocieerde eiwitten lokaliseren.

“Toen we de voorspelde afbeeldingen vergeleken met de werkelijke afbeeldingen, was er een aanzienlijke mate van overeenkomst,” zegt Suetsugu. “Ons programma voorspelde nauwkeurig de localisatie van drie actine-geassocieerde eiwitten binnen lamellipodia; en, in het geval van een van deze eiwitten, in andere structuren binnen de cel.”

Om de specifieke mogelijkheden van het systeem te demonstreren, vroegen ze het vervolgens om te voorspellen waar tubuline in de cel was. Tubuline is niet direct gerelateerd aan actine en het programma presteerde minder goed bij deze taak.

“Onze bevindingen suggereren dat machine learning gebruikt kan worden om nauwkeurig de locatie van functioneel gerelateerde eiwitten te voorspellen en de fysieke relaties tussen hen te beschrijven,” zegt Suetsugu.

Volgens de onderzoekers kan het programma worden gebruikt om snel en nauwkeurig de structuren uit celafbeeldingen te identificeren en kan het dienen als een kunstmatige cel-afscheidingmethode, die zou helpen om de beperkingen van de huidige methoden te vermijden.