استفاده از یادگیری ماشینی برای مطالعه توالی RNA

تاریخ : ۲۱ مهر ۱۳۹۹

تعداد بازدید : ۹۶

0 امتیاز از 0 رای
نسخه چاپی
موضوعات :

با استفاده از یادگیری ماشینی محققان ابزاری ارائه کردند که به آنها در تحلیل بهتر تاخوردگی رشته‌های RNA کمک می‌کند. این ابزار برای حل مسائل پزشکی و همچنین توسعه زیست‌شناسی مصنوعی قابل استفاده است.

DNA و RNA را به عنوان کتابچه دستورالعمل بدن می‌شناسند که حاوی اطلاعات لازم برای کار ماشین زنده است. دو تیم از موسسه وایس دانشگاه هاروارد و موسسه فناوری ماساچوست مسیر تازه‌ای برای کشف داده‌های مولکول‌ها ارائه کردند.

 

 آنها الگوریتم یادگیری ماشینی ایجاد کردند که می‌تواند توالی‌های تاخورده RNA را تجزیه و تحلیل کند و نشان دهد کدام توالی‌ها در پاسخ به توالی‌هدف پاسخ و حسگری موثرتری دارد.

 

در دو مقاله‌ای که این گروه در نشریه Nature Communications به چاپ رسانده است، محققان نشان دادند که این الگوریتم‌ها می‌توانند سایر مشکلات زیست‌شناسی مصنوعی را نیز حل کنند. از این فناوری برای توسعه ابزارهای زیست‌فناوری به منظور بهبود علم و پزشکی می‌توان استفاده کرد و به حفظ جان بسیاری کمک کرد.

 

لوئیز سونکسن می‌گوید: « این دستاوردها هیجان‌انگیز هستند چرا که آنها نقطه آغاز توانایی ما در پرسیدن سوالات بهتر در مورد اصول اساسی تاخوردگی RNA هستند که برای دستیابی به کشفیات معنادار و ارائه فناوری‌های جدید حوزه زیست‌فناوری ضروری هستند.»

 

همکاری میان محققان داده‌ها در موسسه وایس و متخصصان حوزه زیست‌شناسی سنتزی این موسسه و همچنین بهره‌برداری از قدرت محاسباتی یادگیری ماشینی موسسه فناوری ماساچوست، شبکه‌های عصبی و دیگر معماری‌های الگوریتمی، ابزاری برای مشکلات پیچیده زیست‌شناسی در اختیار محققان قرار داد.

 

برای اثبات عملکرد این فناوری، محققان مولکول‌های RNA مهندسی شده ویژه‌ای را که از نوعی تاخوردگی سنجاق سری برخوردار است، مورد بررسی قرار دادند. این ساختار در حال سنجاق‌سر به عنوان حالت خاموش در نظر گرفته می‌شود. زمانی که رشته مکمل RNA به یک توالی ماشه متصل می‌شود، سوئیچ از حالت خاموش به روشن تغییر وضعیت می‌دهد. با این کار RNA به ریبوزوم اجازه می‌دهد تا به بیان ژن پرداخته و مولکول مورد نظر (پروتئین) را تولید کند. این ساز و کار در تشخیص بیماری بسیار اهمیت دارد.

 

برای مطالعه این ساز و کار، ابزارهای توالی‌یابی و تحلیل ژنوم کارآمد نیست و نمی‌تواند به دانشمندان کمک زیادی کند. با استفاده از این فناوری جدید امکان بهره‌گیری از یادگیری ماشینی برای ارائه مدل‌هایی با توانایی پیش‌بینی بهتر فرآیند بوجود آمد.

 

یادگیری ماشینی به محققان کمک می‌کند تا تصویر بهتری از تاخوردگی RNAداشته باشند. این رویکرد به آنها اجازه می‌دهد تا در باره بد یا خوب بودن توالی مورد نظر قضاوت کنند.

 

 

 

منبع : https://www.technologynetworks.com/tn/news/deep-learning-gets-a-toehold-on-synthetic-biology-341383

نظر شما