Maskinlärningsalgoritm kan förutsäga var proteiner hamnar

Forskare vid Nara Institute of Science and Technology (NAIST) har utvecklat en maskinlärningsalgoritm som kan förutsäga läget för proteiner relaterade till aktin, som är en viktig del av cellens skelett. Algoritmen kan förutsäga läget för proteinerna baserat på aktins faktiska läge.

Studien publicerades i Frontiers in Cell and Developmental Biology.

Aktins betydelse

Aktin är avgörande för att ge celler form och struktur, och det spelar en roll i att bilda lamellipodier under cellrörelse. Lamellipodier är fläktformade strukturer som möjliggör för celler att “gå” framåt, och de innehåller olika proteiner som binder till aktin för att hålla cellerna i rörelse.

Shiro Suetsugu är studiens huvudförfattare och kom på idén under ett samtal med Yoshinobu Sato vid Data Science Center i NAIST.

“Medan artificiell intelligens tidigare har använts för att förutsäga riktningen för cellmigration baserat på en sekvens av bilder, har det inte använts för att förutsäga proteinlokalisering”, säger Suetsugu. “Vi sökte därför att utveckla en maskinlärningsalgoritm som kan bestämma var proteiner kommer att dyka upp i cellen baserat på deras relation till andra proteiner.”

Utveckling av AI-systemet

Forskarna tränade ett artificiellt intelligenssystem (AI) för att förutsäga var aktinassocierade proteiner skulle befinna sig i cellen. De gjorde detta genom att visa AI-bilder av celler med proteinerna märkta med fluorescerande markörer, som indikerade för systemet var de var belägna. Systemet matades sedan med bilder där endast aktin var märkt, och det ombads att lokalisera de associerade proteinerna.

“När vi jämförde de förutsagda bilderna med de faktiska bilderna, fanns det en betydande grad av likhet”, säger Suetsugu. “Vårt program förutsåg korrekt lokaliseringen av tre aktinassocierade proteiner inom lamellipodier; och i fallet med ett av dessa proteiner, i andra strukturer inom cellen.”

För att demonstrera systemets specifika förmågor bad teamet det sedan att förutsäga var tubulin var i cellen. Tubulin är inte direkt relaterat till aktin, och programmet presterade sämre på denna uppgift.

“Våra resultat tyder på att maskinlärning kan användas för att korrekt förutsäga lokaliseringen av funktionellt relaterade proteiner och beskriva de fysiska relationerna mellan dem”, säger Suetsugu.

Enligt forskarna kan programmet användas för att snabbt och korrekt identifiera strukturer från cellbilder, och det kan fungera som en artificiell cellsträckningsmetod, som skulle hjälpa till att undvika begränsningarna i nuvarande metoder.