با كمك هوش مصنوعی؛
کشف یک فناوری برای راه های جدید تشخیص بیماری
اسمارت کاور: دانشمندان روشی ارائه کردند که در آن با ترکیب نانوحفره های زیستی و یادگیری عمیق تغییرات پروتئین قابل تشخیص می شود. این فناوری راه های جدیدی برای تشخیص بیماری ارائه می دهد.
به گزارش اسمارت کاور به نقل از مهر، پروتئین ها را می توان نیروی کاری سلول دانست، آنها بعد از سنتز بطور معمول گرفتار تغییرات مختلفی می شوند. از آنجائیکه این اصلاحات می توانند به شدت بر نحوه عملکرد یک پروتئین در سلول تأثیر بگذارند، این «اصلاحات بعد از ترجمه» یا PTM در خیلی از فرآیندهای زیستی مهم هستند.
PTM ها همین طور به عنوان نشانگرهای زیستی برای شناسایی برخی بیماریها عمل می کنند، به این معنا که برای جلوگیری از تشخیص اشتباه می توانیم آنها را با دقت تشخیص داده و تحلیل و بررسی نماییم. اما روش های سنتی از نظر حساسیت و خاصیت محدود هستند، به ویژه هنگام برخورد با غلظت کم پروتئین ها و الگوهای پیچیده PTM این روش ها محدودیت های زیادی را تجربه می کنند.
به تازگی دانشمندان EPFL یک روش جدید به وجود آورده اند که حساسیت نانوحفره های زیستی را با دقت یادگیری عمیق ترکیب می کند. این رویکرد نوآورانه می تواند نحوه تشخیص و تحلیل و بررسی PTM ها را تغییر دهد.
این روش جدید از یک نانوحفره زیستی، برای تشخیص و تمایز پپتیدها بهره می برد. گروه دال پرارو قبل از این با نانوحفره های مبتنی بر آئرولیزین کار کرده بود تا حسگرهایی با وضوح بالا از مولکول های پیچیده تهیه کنند و حتی داده های رمزگذاری شده در ماکرومولکول های مصنوعی را بخوانند. این فناوری نانوحفره به اندازه کافی حساس است تا بتواند این پپتیدها را در غلظت های پیکومولار تشخیص دهد که یک پیشرفت قابل توجه نسبت به روش های موجود است.
اما این روش چگونه کار می کند؟ با عبور پپتیدها از نانوحفره، آنها موجب ایجاد تغییرات مشخص در جریان یون ها در نانوحفره می شوند که به این جریان عبوری از نانوحفره، «جریان یونی» گفته می شود. هر نوع PTM ساختار پپتید را به روشی منحصر به فرد تغییر می دهد و منجر به امضاهای متمایز در جریان می شود. با ضبط این تغییرات در جریان، این روش می تواند بین PTM های مختلف پپتیدها تمایز قائل شود.
آنچه موجب می شود این رویکرد از روش های پیشین متمایز شود، این است که در این فناوری از الگوریتم های یادگیری عمیق برای تحلیل و بررسی داده های پیچیده استفاده می شود. این مدل با اطمینان می تواند امضاهای فعلی پپتیدها و انواع PTM آنها را شناسایی کند و روشی سریع، اتوماتیک و بسیار دقیق برای طبقه بندی آنها فراهم آورد.
مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب