یادگیری ماشینی به طراحی پروتئین‌های مهندسی شده کمک می‌کند

تاریخ : ۲۰ مهر ۱۴۰۰

تعداد بازدید : ۲۵۹

0 امتیاز از 0 رای
نسخه چاپی
موضوعات :

به تازگی پلتفرمی ارائه شده که در آن از یادگیری ماشینی برای بهبود طراحی پروتئین استفاده می‌شود پروتئین‌هایی که برای استفاده در حوزه‌های مختلف صنعتی و پزشکی کاربرد دارند.

پروتئین‌ها ماشین‌های مولکولی همه سلول‌های زنده هستند و برای استفاده در بسیاری از کاربردها، از جمله درمان و کاتالیزورهای صنعتی مورد استفاده قرار می‌گیرند. برای غلبه بر محدودیت‌های پروتئین‌های طبیعی، از مهندسی پروتئین برای بهبود ویژگی‌های پروتئین مانند پایداری و عملکرد استفاده می‌شود. در یک مطالعه جدید، محققان یک الگوریتم یادگیری ماشین ارائه کرده‌اند که روند مهندسی پروتئین را تسریع می کند. نتایج این مطالعه در مجله Nature Communications منتشر شده است.

 

الگوریتم‌های یادگیری ماشین با کاهش بار آزمایشی روش‌هایی مانند تکامل هدایت شده، که شامل دورهای متعددی از جهش‌زایی و غربالگری با توان بالا است، به مهندسی پروتئین کمک می‌کند. آنها پس از آموزش بر روی پایگاه‌های داده توالی پروتئین، با شبیه‌سازی و پیش بینی تناسب همه توالی‌های احتمالی پروتئین مورد نظر کار می‌کنند.

 

اگرچه بسیاری الگوریتم‌های یادگیری ماشین وجود دارد، تعداد کمی از آنها تاریخچه تکامل پروتئین مورد نظر را نیز در بر می گیرند. اینجاست که ECNet (شبکه عصبی یکپارچه با زمینه تکاملی)،  الگوریتم یادگیری عمیق، وارد می‌شود.

 

استیون ال میلر، پروفسور مهندسی شیمی و بیومولکولار هوییمین ژائو (BSD) می‌گوید: «با ECNet ، ما می توانیم پروتئین مورد نظر و تمام همولوگ‌های آن را بررسی کنیم تا ببینیم کدام بخش‌ها با هم ترکیب شده‌اند و بنابراین برای آن پروتئین خاص مهم هستند. سپس ما این اطلاعات را ترکیب کرده و از چارچوب یادگیری عمیق استفاده می‌کنیم تا دریابیم چه نوع جهش‌هایی برای عملکرد پروتئین هدف مهم هستند.»

 

در یک مطالعه، محققان نشان دادند ECNet از روش‌های فعلی جهش‌زایی عمیق بهتر عمل می‌کند. ECNet برای مهندسی TEM-1 β-lactamase-آنزیمی که در برابر آنتی بیوتیک های β-lactam مقاومت ایجاد می‌کند-مورد استفاده قرار گرفت و انواع مختلفی را که آمادگی جسمانی را بهبود بخشیده بودند و بنابراین در برابر آمپی‌سیلین مقاوم‌تر بودند را، شناسایی کرد.

 

علاوه بر این، ECNet جهش‌های مرتبه بالاتر و جدید را در تحلیل اولویت‌بندی می‌کند. ژائو گفت، داشتن یک ابزار محاسباتی که بتواند تعاملات مرتبه بالاتر را با موفقیت پیش بینی کند، می‌تواند تلاش‌های تجربی را کاهش دهد.

 

ژائو می‌گوید: «ما تمام پروتئین‌های موجود در پایگاه داده را با سابقه تکاملی خاص پروتئین هدف ترکیب می‌کنیم تا کارایی پیش بینی را بهبود بخشیم. سپس می‌توانیم از جهش‌ها برای بهبود و آموزش بیشتر مدل استفاده کنیم. این الگوریتم هنوز در حال پیشرفت است.»

 

ژائو گفت که محققان در حال حاضر از ECNet برای توسعه آنزیم‌های کاتالیزوری با انتخاب‌پذیری بالا استفاده می‌کنند.

منبع : https://phys.org/news/2021-10-deep-learning-algorithm-aims-protein.html

نظر شما