محققان ایرانی از هوش مصنوعی برای پیش بینی یک خاصیت سرطان استفاده کردند
کوتاه کننده لینک: گروهی از محققان با هوش مصنوعی روشی نوین جهت پیش بینی یکی از خاصیت های بارز انواع مختلف سرطان ابداع کردند.
به گزارش کوتاه کننده لینک به نقل از مهر، فسفاریلاسیون تیروزین ها از خاصیت های بارز خیلی از سرطان ها هستند بنابراین استفاده از ابزارهای رایانشی برای تحلیل جامع فسفاتئومرها و شناسایی فسفاریلاسیون های بالقوه ناکارآمد اهمیت زیادی دارد. فسفوریلاسیون به اضافه شدن یک گروه فسفات به پروتئین یا سایر مولکول های آلی گفته می شود. فسفریلاسیون پروتئین اهمیت بالای ی در خیلی از فرایندهای سلولی دارد. همین طور فسفریلاسیون توسط آنزیم های کیناز صورت می گیرد. آنزیم های فسفاتاز در راستای عکس کینازها برای زدودن گروه فسفات عمل می کنند. تیروزین کینار نیز یک آنزیم است که نقشش انتقال یک گروه فسفات از مولکول آدنوزین تری فسفات ATP به پروتئین است. در این راستا تعدادی از پژوهشگران با همکاری علیرضا مشاقی پژوهشگر ایرانی یک روش مبتنی بر یادگیری ماشینی ابداع نموده اند تا تغییرات با ثبات ترمودینامیکی که در نتیجه فسفاریلاسیون تیروزین به وجود می آید را پیش بینی کنند. این تکنیک مبتنی بر پیش بینی «فسفومیمتیک دلتا-دلتا-G» از خاصیت های ساختاری است که ارتباط قدرتمندی با داده های اسکن جهشی تجربی واکنش شیمیایی پروتئولیز cDNA دارد. فسفومیمتیک ها جایگزین های اسید آمینه ای هستند که پروتئین فسفریله شده را تقلید می کنند و در نتیجه پروتئین را فعال یا غیرفعال می کنند. پژوهشگران تأثیرات بی ثبات کننده ۳۸۴ هزار و ۸۵۷ رسوب تیروزین را از یک مخزن داده شامل بالاتر از ۶۰۰ فسفاریلاسیون تیروزین در ۱۱ زیرگروه سرطان با این تکنیک بررسی کردند. آنها فسفاریلاسیون بی ثبات کننده را هم در ژن تومور و هم سرکوب کننده های تومور پیش بینی کردند. این تکنیک می تواند غربالگری سریع فسفریلاسیون های بی ثبات کننده و جهش های فسفومیمتیک را امکانپذیر کند.
منبع: كوتاه كننده لینك
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان gph در مورد این مطلب