Data science

เครื่องมือการเรียนรู้เชิงลึกแบบใหม่ทำนายฤทธิ์ทางชีวภาพ ระบุการรักษา

ในยุคโควิด ชีววิทยาเชิงคอมพิวเตอร์กำลังรุ่งเรือง และแมชชีนเลิร์นนิงมีบทบาทอย่างมาก ด้วยสารประกอบหลายพันล้านชนิดที่ต้องค้นหาเพื่อใช้ในการรักษา การจำลองด้วยกำลังเดรัจฉานอย่างเข้มงวดจึงเป็นไปไม่ได้อย่างยิ่ง จำเป็นต้องใช้วิธีการที่ชาญฉลาดกว่าในการกลั่นตัวเลือกต่างๆ ตอนนี้ นักวิจัยจากห้องปฏิบัติการชีววิทยาเชิงโครงสร้างและชีววิทยาเครือข่ายของ IRB Barcelona ได้พัฒนาวิธีการเรียนรู้เชิงลึกที่คาดการณ์กิจกรรมทางชีววิทยาของโมเลกุลใดก็ตาม แม้จะไม่มีข้อมูลการทดลองก็ตาม นักวิจัยที่นำโดย Patrick Aloy กำลังใช้ Deep Machine Learning กับชุดข้อมูลขนาดใหญ่: Chemical Checker ซึ่งให้ข้อมูลฤทธิ์ทางชีวภาพที่ประมวลผล กลมกลืน และบูรณาการบน 800,000 โมเลกุลขนาดเล็กและผลิตโดยห้องปฏิบัติการชีววิทยาเชิงโครงสร้างและชีววิทยาเครือข่าย โดยรวมแล้ว โมเลกุลใดๆ ก็ตามมี 25 ที่มีฤทธิ์ทางชีวภาพ “ช่องว่าง” แต่สำหรับโมเลกุลส่วนใหญ่ ข้อมูลเพียงไม่กี่อย่างเท่านั้นที่ทราบ – ถ้าเป็นเช่นนั้น การใช้เครื่องมือการเรียนรู้เชิงลึกแบบใหม่ที่เปลี่ยนแปลงไป ฐานข้อมูล Chemical Checker มีข้อมูลเกี่ยวกับช่องว่างทางชีวภาพทั้งหมด 25 จากแต่ละพื้นที่ 800, 000 โมเลกุลและเครื่องมือที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลนั้น สามารถทำนายช่องว่างการออกฤทธิ์ทางชีวภาพทั้งหมดของโมเลกุลใดๆ ที่มีข้อมูลการออกฤทธิ์ทางชีวภาพที่ไม่สมบูรณ์ “เครื่องมือใหม่ … ช่วยให้เราสามารถคาดการณ์ช่องว่างที่ออกฤทธิ์ทางชีวภาพของโมเลกุลใหม่ และนี่เป็นสิ่งสำคัญในกระบวนการค้นพบตัวยา เนื่องจากเราสามารถเลือกผู้สมัครที่เหมาะสมที่สุดและละทิ้งยาที่ไม่ได้ผลไม่ว่าจะด้วยเหตุผลใดก็ตาม” อธิบาย อาลอย. วิธีการเรียนรู้เชิงลึก (คลิกเพื่อขยาย) ได้รับความอนุเคราะห์จาก IRB Barcelona แน่นอนว่าการคาดคะเนนั้นไม่ได้สมบูรณ์แบบ และการประเมินโมเลกุลด้วยข้อมูลที่มีอยู่มากขึ้นจะช่วยให้เครื่องมือสร้างการคาดคะเนที่มีความมั่นใจสูงขึ้นได้ โมเลกุลบางชนิดก็พิสูจน์ได้ว่าเครื่องมือประเมินยากขึ้นหรือน้อยลง Martino Bertoni ผู้เขียนคนแรกของงานวิจัยนี้กล่าวว่า “แบบจำลองทั้งหมดไม่ถูกต้อง แต่บางรุ่นก็มีประโยชน์” กล่าว “การวัดความเชื่อมั่นช่วยให้เราตีความผลลัพธ์ได้ดีขึ้นและเน้นว่าช่องว่างของฤทธิ์ทางชีวภาพของโมเลกุลใดมีความถูกต้องแม่นยำและสามารถพิจารณาอัตราความผิดพลาดได้” นักวิจัยได้เลือกกรณีที่ท้าทายสำหรับการตรวจสอบความถูกต้อง: ปัจจัยการถอดรหัสที่เกี่ยวข้องกับมะเร็งซึ่งถือว่าเป็นเป้าหมายที่ “ไม่สามารถต้านทานได้” ในวงกว้าง เครื่องมือระบุ 131 สารประกอบที่เหมาะสมกับเป้าหมายโดยทำนายช่องว่างทางชีวภาพและความสามารถในการย่อยสลายเป้าหมายได้รับการยืนยันจากการทดลอง งานวิจัยที่อธิบายไว้ในบทความนี้ได้รับการตีพิมพ์เป็น “ตัวอธิบายฤทธิ์ทางชีวภาพสำหรับสารประกอบเคมีที่ไม่มีลักษณะเฉพาะ” ในนิตยสาร Nature Communications ฉบับเดือนมิถุนายน 2021 บทความนี้เขียนโดย Martino Bertoni, Miquel Duran-Frigola, Pau Badia-i-Mompel, Eduardo Pauls, Modesto Orozco-Ruiz, Oriol Guitart-Pla, Víctor Alcalde, Víctor M. Diaz, Antoni Berenguer-Llergo, Isabelle Brun-Heath , Núria Villegas, Antonio García de Herreros และ Patrick Aloy หากต้องการอ่านคลิกที่นี่

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button