پژوهشگران داده‌های هوش مصنوعی قندگان شناسی را آماده می‌کنند

پژوهشگران دانشگاه سن‌دیگو کالیفرنیا ابزاری تولید کرده‌اند که مجموعه‌ داده‌های قندگان شناسی glycomics (گلیکومیکس) را با استفاده از سیستم‌های هوش مصنوعی توضیح‌پذیر و دیگر روش‌های یادگیری ماشین تحلیل می‌کند. در مقاله‌‌ای که به‌تازگی درNature Communications منتشر شده، این تیم نشان داده‌ است که داده‌های قندگان شناسی نیازمند دقت بیشتری است، تا به‌درستی در تحلیل‌های آماری یا یادگیری ماشین، استفاده شوند. آن‌ها همچنین راه‌حل پیش‌پردازش جدیدی برای آماده‌سازی داده‌های قندگان شناسی ارائه کرده‌اند، تا قدرت کاربرد آن‌ها در یادگیری ماشین و هوش مصنوعی به طور قابل‌ملاحظه‌ای افزایش یابد. آن‌ها نام این روش را GlyCompare گذاشته‌اند. این روش، دارای نگرشی در سطح سیستم است که مسیرهای بیوسنتز مشترک گلیکان‌ها را درون و در بین نمونه‌ها در نظر می‌گیرد.

این تیم، برای معرفی GlyCompare، با روشن ساختن روابط پنهان میان گلیکان‌ها در چندین بافت، از جمله بافت‌های سرطان معده، توانایی خود را در افزایش مقایسه مجموعه‌داده‌های قندگان شناسی نشان دادند. سرطان، با توجه به اهمیت تغییرات گلیکان در این بیماری و کاربرد آن در تشخیص زودهنگام سرطان، مثال مناسبی است.

ناتان لویس، استاد مهندسی زیستی و متخصص اطفال در دانشگاه سان‌دیگو و نویسنده مسئول مقاله می‌گوید: «ما GlyCompare را در بافت‌های سرطانی به کار بردیم و نشان دادیم بر خلاف روش‌های آماری استاندارد که گلیکان‌های ویژه سرطان یافت نمی‌شوند، از طریق پردازش به روش ما، نشانگرهای زیستی نوینی پدیدار می‌شوند.» لویس یکی از مدیران مرکز زیست‌شناسی سیستم‌های CHO است. خطوط سلولی CHO که مهندسی گلیکو شده ‌بودند، در تولید پروتئین‌های متنوع به‌کاررفته در این مطالعه، استفاده شدند.

روش کار GlyCompare

در تحلیل دیگری، این گروه نشان داد که روش ابداعی آن‌ها قدرت آماری را به مقدار قابل‌ملاحظه‌ای افزایش می‌دهد، به‌گونه‌ای که میزان نمونه موردنیاز برای تشخیص نشانگرهای زیستی، نصف می‌شود. پژوهشگران در این مقاله بیان کرده‌اند که چگونه روش کار GlyCompare به منظور انتقال قندگان شناسی به درمان بالینی، تحول‌بخش خواهد بود. در واقع، لویس بخشی از تیم بنیان‌گذار یک استارتاپ جدید است که مجوز مالکیت معنوی مربوط به تجاری‌سازی این فناوری را به منظور کاربردهای باارزش، از جمله تشخیص سرطان، صادر می‌کند.

یکی از کلیدی‌ترین ویژگی‌های رویکرد GlyCompare این است که به جای بررسی کلیت گلیکان‌ها، مراحل موردنیاز برای ترکیب زیرواحدهای سازنده گلیکان‌ها را بررسی می‌کند و این‌گونه دقت تجزیه و تحلیل آماری داده‌های قندگان شناسی را بسیار بهبود می‌بخشد. محققان بر این باورند که این رویکرد در بسیاری از زمینه‌ها، به تشخیص تغییرات ظریف‌تر در گلیکولیزدار شدن، از جمله در مراحل ابتدایی سرطان، منجر می‌شود. به علاوه، GlyCompare می‌تواند بینش‌ جدیدی از سازوکارهایی که در پس تغییرات مشاهده‌شده در گلیکان‌های موجود هستند، به دست بدهد.

بوکان بائو و بنجامین پی. کلمان، نویسندگان اول مقاله، هر دو عضو تحصیلات تکمیلی بیوانفورماتیک و زیست‌شناسی سیستم و همچنین عضو گروه مهندسی زیستی دانشکده مهندسی جیکوبِ دانشگاه سان‌دیگو هستند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید