«هوش مصنوعی» و «نانوحفره» برای شناسایی پروتئین‌ها به کار گرفته شدند

دانشمندان EPFL روشی ارائه کردند که در آن با ترکیب نانوحفره‌های زیستی و یادگیری عمیق تغییرات پروتئین قابل تشخیص می‌شود. این فناوری راه‌های جدیدی برای تشخیص بیماری ارائه می‌دهد.

پروتئین‌ها را می‌توان نیروی کاری سلول دانست، آن‌ها پس از سنتز معمولا دچار تغییرات مختلفی می‌شوند. از آنجا که این اصلاحات می‌توانند به شدت بر نحوه عملکرد یک پروتئین در سلول تأثیر بگذارند، این «اصلاحات پس از ترجمه» یا PTM در بسیاری از فرآیندهای زیستی مهم هستند.

به گزارش ایسنا، PTMها همچنین به عنوان نشانگرهای زیستی برای شناسایی برخی بیماری‌ها عمل می‌کنند، به این معنی که برای جلوگیری از تشخیص اشتباه می‌توانیم آنها را با دقت تشخیص داده و تجزیه و تحلیل کنیم.

اما روش‌های سنتی از نظر حساسیت و ویژگی محدود هستند، به خصوص هنگام برخورد با غلظت کم پروتئین‌ها و الگوهای پیچیده PTM این روش‌ها محدودیت‌های زیادی را تجربه می‌کنند.

به تازگی دانشمندان EPFL یک روش جدید ایجاد کرده‌اند که حساسیت نانوحفره‌های زیستی را با دقت یادگیری عمیق ترکیب می‌کند. این رویکرد نوآورانه می‌تواند نحوه تشخیص و تجزیه و تحلیل PTM ها را تغییر دهد.

این روش جدید از یک نانوحفره زیستی، برای تشخیص و تمایز پپتیدها بهره‌ می‌برد. گروه دال پرارو پیش از این با نانوحفره‌های مبتنی بر آئرولیزین کار کرده بود تا حسگرهایی با وضوح بالا از مولکول‌های پیچیده تهیه کنند و حتی داده‌های رمزگذاری شده در ماکرومولکول‌های مصنوعی را بخوانند.

این فناوری نانوحفره به اندازه کافی حساس است تا بتواند این پپتیدها را در غلظت‌های پیکومولار تشخیص دهد که یک پیشرفت قابل توجه نسبت به روش‌های موجود است.

اما این روش چگونه کار می‌کند؟ با عبور پپتیدها از نانوحفره، آن‌ها باعث ایجاد تغییرات مشخص در جریان یون‌ها در نانوحفره می‌شوند که به این جریان عبوری از نانوحفره‌، «جریان یونی» گفته می‌شود. هر نوع PTM ساختار پپتید را به روشی منحصر به فرد تغییر می‌دهد و منجر به امضاهای متمایز در جریان می‌شود. با ضبط این تغییرات در جریان، این روش می‌تواند بین PTM های مختلف پپتیدها تمایز قائل شود.

به نقل از ستاد نانو، آنچه باعث می‌شود این رویکرد از روش‌های پیشین متمایز شود، این است که در این فناوری از الگوریتم‌های یادگیری عمیق برای تجزیه و تحلیل داده‌های پیچیده استفاده می‌شود. این مدل با اطمینان می‌تواند امضاهای فعلی پپتیدها و انواع PTM آنها را شناسایی کند و روشی سریع، اتوماتیک و بسیار دقیق برای طبقه‌بندی آنها فراهم کند.