PусскийПросмотры:0 Автор:Pедактор сайта Время публикации: 2022-12-30 Происхождение:Работает
Новая модель машинного обучения поможет ученым идентифицировать малые молекулы и найти применение в медицине, разработке лекарств и химии окружающей среды. Модель, разработанная исследователями из Университета Аалто и Университета Люксембурга, была обучена на данных десятков лабораторий и стала одним из наиболее точных инструментов для идентификации малых молекул.
Тысячи различных небольших молекул, известных как метаболиты, переносят энергию и передают клеточную информацию по всему человеческому телу. Поскольку они настолько малы, метаболиты трудно отличить друг от друга при анализе крови, но идентификация этих молекул важна для понимания того, как физические упражнения, питание, употребление алкоголя и метаболические нарушения влияют на самочувствие.
Метаболиты обычно идентифицируются путем анализа их массы и времени удерживания с помощью метода разделения, называемого жидкостной хроматографией, с последующей масс-спектрометрией. Этот метод сначала разделяет метаболиты, пропуская образец через колонку, что приводит к разным скоростям потока (или времени удерживания) через измерительное устройство. Затем используется масс-спектрометрия для точной настройки процесса идентификации путем сортировки метаболитов по их массе. Исследователи также могут разбить метаболиты на более мелкие части, чтобы проанализировать их состав, используя метод, называемый тандемной масс-спектрометрией.
«Даже самые лучшие методы не могут идентифицировать более 40% молекул в образцах без дополнительных предположений о молекулах-кандидатах», — говорит профессор Юхо Роусу из Университета Аалто.
Теперь группа Роусу разработала новую модель машинного обучения для идентификации малых молекул. Недавно оно было опубликовано в Природа Машинный интеллект.
«Эта новая модель с открытым исходным кодом предлагает всему исследовательскому сообществу расширенный взгляд на малые молекулы. Это поможет в исследованиях методов выявления метаболических нарушений, таких как диабет или даже рак», — говорит Роусу.
Новый подход элегантно обходит одну из проблем, с которыми сталкиваются традиционные методы. Поскольку время удерживания молекул варьируется от лаборатории к лаборатории, данные между лабораториями невозможно сравнивать. Эрик Бах, аспирант Аалто, во время своей докторской диссертации предложил альтернативу, которая решила проблему.
«Наше исследование показывает, что, хотя абсолютное время удерживания может различаться, порядок удерживания стабилен при измерениях, проведенных в разных лабораториях», — объясняет Бах. «Это позволило нам впервые объединить все общедоступные данные о метаболитах и ввести их в нашу модель машинного обучения».
Благодаря объединению данных из десятков лабораторий по всему миру, модель машинного обучения достаточно точна, чтобы различать молекулы в зеркальном отображении, известные как стереохимические варианты. До сих пор инструменты идентификации не могли отличить стереохимические варианты друг от друга, и ожидается, что новые возможности откроют новые возможности в разработке лекарств и других областях.
«Тот факт, что использование стереохимии улучшило эффективность идентификации, является открытием для всех разработчиков методов идентификации метаболитов», — говорит Эмма Шимански, доцент Люксембургского центра системной биомедицины (LCSB) Университета Люксембурга. «Этот метод также можно использовать для идентификации и отслеживания микрозагрязнителей в окружающей среде или для характеристики новых метаболитов в растительных клетках».