Maskinlæringsalgoritme kan forutsi hvor proteiner befinner seg

Forskere ved Nara Institute of Science and Technology (NAIST) har utviklet en maskinlæringsalgoritme som kan nøyaktig forutsi plasseringen av proteiner relatert til aktin, som er en kritisk del av celle-skjelettet. Algoritmen kan forutsi plasseringen av proteinene basert på den faktiske plasseringen av aktin.

Studien ble publisert i Frontiers in Cell and Developmental Biology.

Aktins betydning

Aktin er nøkkel til å gi form og struktur til celler, og det spiller en rolle i å danne lamellipodia under cellebevegelse. Lamellipodia er vifteformede strukturer som gjør det mulig for celler å “gå” fremover, og de inneholder forskjellige proteiner som binder til aktin for å holde cellene i bevegelse.

Shiro Suetsugu er hovedforfatteren av studien og kom opp med ideen under en samtale med Yoshinobu Sato ved Data Science Center i NAIST.

” Mens kunstig intelligens tidligere har blitt brukt til å forutsi retningen av celle-migrasjon basert på en sekvens av bilder, har det så langt ikke blitt brukt til å forutsi protein-lokaliseringsmønster,” sier Suetsugu. “Vi søkte derfor å designe en maskinlæringsalgoritme som kan bestemme hvor proteiner vil dukke opp i cellen basert på deres relasjon til andre proteiner.”

Utvikling av AI-systemet

Forskerne trenet et kunstig intelligens-system (AI) til å forutsi hvor aktin-assosierte proteiner ville være i cellen. De gjorde dette ved å vise AI bilder av celler med proteinene merket med fluorescerende markører, som indikerte til systemet hvor de var plassert. Systemet ble deretter matet med bilder hvor bare aktin var merket, og det ble bedt om å lokalisere de assosierte proteinene.

“Når vi sammenlignet de forutsagte bildene med de faktiske bildene, var det en betydelig grad av likhet,” sier Suetsugu. “Vårt program forutså nøyaktig lokaliseringsmønsteret til tre aktin-assosierte proteiner innen lamellipodia; og, i tilfelle ett av disse proteinene, i andre strukturer innen cellen.”

For å demonstrere systemets spesifikke evner, ba teamet det om å forutsi hvor tubulin var i cellen. Tubulin er ikke direkte relatert til aktin, og programmet fungerte dårligere på denne oppgaven.

“Våre funn tyder på at maskinlæring kan brukes til å nøyaktig forutsi lokaliseringsmønsteret til funksjonelt relaterte proteiner og beskrive de fysiske relasjonene mellom dem,” sier Suetsugu.

Ifølge forskerne kan programmet brukes til å raskt og nøyaktig identifisere strukturer fra cellebilder, og det kan fungere som en kunstig celle-straining-metode, som ville hjelpe med å unngå begrensningene til nåværende metoder.