Алгоритам машинског учења може да предвиди где иду протеини

Истраживачи са Института за науку и технологију Нара (НАИСТ) развили су алгоритам машинског учења који може прецизно предвидети локацију протеина повезаних са актином, који је кључни део ћелијског скелета. Алгоритам може предвидети локацију протеина на основу стварне локације актина. 

Студија је објављена у Границе у ћелијској и развојној биологији. 

Важност актина

Актин је кључан за обезбеђивање облика и структуре ћелијама, и игра улогу у формирању ламелиподије током кретања ћелија. Ламелиподије су структуре у облику лепезе које омогућавају ћелијама да „ходају“ напред, а садрже различите протеине који се везују за актин како би се ћелије кретале.

Широ Суетсугу је водећи аутор студије и дошао је на идеју током разговора са Јошинобу Сатоом у Центру за науку података у НАИСТ-у. 

„Иако је вештачка интелигенција раније коришћена за предвиђање правца миграције ћелија на основу низа слика, до сада није коришћена за предвиђање локализације протеина“, каже Суетсугу. „Због тога смо покушали да дизајнирамо алгоритам машинског учења који може да одреди где ће се протеини појавити у ћелији на основу њиховог односа са другим протеинима.

Развијање АИ система

Истраживачи су обучили систем вештачке интелигенције (АИ) да предвиде где ће се протеини повезани са актином налазити у ћелији. Они су то урадили тако што су приказали АИ слике ћелија са протеинима обележеним флуоресцентним маркерима, који су указивали на систем где се налазе. Систем је затим храњен сликама на којима је означен само актин и затражено је да лоцира повезане протеине.

„Када смо упоредили предвиђене слике са стварним сликама, постојао је значајан степен сличности“, каже Суетсугу. „Наш програм је тачно предвидео локализацију три протеина повезана са актином унутар ламелиподије; и, у случају једног од ових протеина, у другим структурама унутар ћелије.”

Демонстрирајући специфичне способности система, тим га је затим замолио да предвиди где се тубулин налази у ћелији. Тубулин није директно повезан са актином, а програм се лошије показао у овом задатку.

„Наши налази сугеришу да се машинско учење може користити за прецизно предвиђање локације функционално повезаних протеина и описивање физичких односа између њих“, каже Суетсугу.

Према истраживачима, програм би се могао користити за брзу и прецизну идентификацију структура са слика ћелија, а могао би да делује и као метода вештачког напрезања ћелија, што би помогло да се избегну ограничења тренутних метода.