پژوهشگران ایرانی از هوش مصنوعی برای پیشبینی یک خصوصیت سرطان استفاده کردند
به گزارش سایت امن، گروهی از محققان با هوش مصنوعی روشی نوین جهت پیشبینی یکی از خصوصیت های بارز انواع مختلف سرطان ابداع کردند.
به گزارش سایت امن به نقل از مهر، فسفاریلاسیون تیروزین ها از خصوصیت 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. همینطور فسفریلاسیون توسط آنزیم های کیناز صورت می گیرد. آنزیم های فسفاتاز در جهت عکس کینازها برای زدودن گروه فسفات عمل می کنند. تیروزین کینار هم 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 پیشبینی کنند. این شیوه مبتنی بر پیشبینی «فسفومیمتیک دلتا-دلتا-G» از خصوصیت 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. محققان تأثیرات بی ثبات کننده ۳۸۴ هزار و ۸۵۷ رسوب تیروزین را از یک مخزن داده شامل بیشتر از ۶۰۰ فسفاریلاسیون تیروزین در ۱۱ زیرگروه سرطان با این شیوه بررسی کردند. آنها فسفاریلاسیون بی ثبات کننده را هم در ژن تومور و هم سرکوب کننده های تومور پیشبینی کردند. این شیوه می تواند غربالگری سریع فسفریلاسیون های بی ثبات کننده و جهش های فسفومیمتیک را امکانپذیر کند.
منبع: سایت امن
اگر پسندیدید لاک کنید:
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان سایت امن در مورد این مطلب