آخرین مطالب

ابزار یادگیری ماشینی جدید می تواند گیرنده های ایمنی را کشف کند که به آنتی ژن های مختلف واکنش نشان می دهند


ابزار یادگیری ماشینی جدید می تواند گیرنده های ایمنی را کشف کند که به آنتی ژن های مختلف واکنش نشان می دهند

شکل 1: مروری بر immuneML. اعتبار: DOI: 10.1038/s42256-021-00413-z

بیماری های مختلف روش های متفاوتی برای آزمایش دارند که آیا فرد مبتلا به این بیماری است یا خیر. immuneML، یک پلت فرم جدید یادگیری ماشینی منبع باز، به طور بالقوه می تواند بسیاری از بیماری ها را تنها در یک نمونه خون جستجو کند.

لونکه شفر می‌گوید: «وقتی بدانید که چگونه برای یک بیماری کار می‌کند، می‌توانید ابزارهای تشخیصی برای انواع دیگر بیماری‌ها نیز بسازید.»

میلنا پاولوویچ می‌گوید: “از نمونه خون، ما امیدواریم که بتوانیم تشخیص دهیم که آیا یک فرد بیماری دارد یا نه. در سطح گیرنده فردی می‌خواهیم ببینیم که آیا آن یک گیرنده خاص مختص کرونا است یا به چیز دیگری.”

شفر و پاولوویچ پژوهشگران دکتری در گروه انفورماتیک دانشگاه اسلو هستند. آنها بخشی از گروه تحقیقاتی برای انفورماتیک بیومدیکال هستند، جایی که آنها immuneML را توسعه داده اند.

پیش‌بینی اتصال گیرنده‌ها به کرونا

سلول های B و T در سیستم ایمنی ما همه گیرنده های کوچکی روی سطح دارند. میلیون ها گیرنده مختلف وجود دارد.

شفر به Titan.uio.no می گوید: «گیرنده ها شکل سه بعدی خاصی دارند که باعث می شود بتوانند به آنتی ژن های مختلف بچسبند.

پاولوویچ می‌گوید: «اگر این گیرنده‌ها را با استفاده از یادگیری ماشین تجزیه و تحلیل کنیم، امیدواریم بتوانیم بگوییم که هر یک از این گیرنده‌ها برای چه چیزی خاص هستند، کدام بیماری خاص، کدام ویروس یا باکتری خاص، حتی سرطان و خودایمنی.»

برای انجام این کار با استفاده از یادگیری ماشین، آنها باید گیرنده های سه بعدی شکل را به یک زبان ریاضی و به نمایش های ریاضی ترجمه کنند. گیرنده ها پروتئین هستند و همه پروتئین ها طرح اولیه خود را در DNA ما دارند.

“سپس ما به یک خط صاف از حروف کوچک نگاه می کنیم. این توالی های DNA همان چیزی است که ما وارد می کنیم، چیزی که می توانیم به دنباله های پروتئین در کامپیوتر ترجمه کنیم. برای پیش بینی اینکه آیا گیرنده به کرونا متصل می شود یا نه، شما واقعاً فقط به یکی نگاه کنید. شفر می‌گوید، و شما می‌خواهید بر اساس این متن پیش‌بینی کنید، آیا به کرونا مرتبط است یا خیر.

مجموعه ای از گیرنده های ایمنی

شفر و پاولوویچ فقط به گیرنده‌های منفرد و آنتی‌ژن‌هایی که ممکن است متصل شوند نگاه نمی‌کنند. آن‌ها همچنین می‌خواهند کل مجموعه گیرنده‌هایی را که یک فرد در بدن خود دارد، چیزی که مخزن گیرنده ایمنی تطبیقی ​​(AIRR) نامیده می‌شود، تجزیه و تحلیل کنند.

“آنچه در مورد این داده های AIRR جالب و منحصر به فرد است این است که می تواند برای بسیاری از بیماری های مختلف کار کند. این یک روش عمومی است.”

شفر می‌گوید: “این مجموعه‌ها بسیار متنوع هستند. به همین دلیل است که تجزیه و تحلیل آنها دشوار است، زیرا این مخزن‌ها دارای مقادیر بسیار زیادی گیرنده‌های ایمنی مختلف در داخل خود هستند، که از فردی به فرد دیگر نیز کاملاً متفاوت است.”

مدل‌های یادگیری ماشینی آن‌ها می‌توانند به دنبال الگوها در این مجموعه‌ها بگردند و پیش‌بینی‌های خود را انجام دهند.

پاولوویچ می‌گوید: «اساساً، کاری که مدل‌های یادگیری ماشین بر اساس بازنمایی انجام می‌دهند، یافتن الگوهایی است که در آن نمایش ظاهر می‌شوند، که برای پیش‌بینی کار مورد علاقه مفید خواهد بود.

شفر می گوید: “ما از این پلت فرم برای یادگیری الگوهایی استفاده می کنیم که به گلوتن متصل می شوند، که برای بیماری سلیاک مرتبط است. اگر فردی مجموعه داده ای در مورد کرونا داشته باشد، می تواند از immuneML روی آن استفاده کند.”

پلت فرم منبع باز

immuneML یک پلت فرم منبع باز است. هر کسی می تواند از آن استفاده کند. شفر و پاولوویچ برای افرادی که مانند آنها برنامه نویس نیستند، آموزش هایی ساخته اند.

شفر می‌گوید: «هدف immuneML این است که یک فضای کاری برای کسی داشته باشد که این نوع داده‌های ایمونولوژی را دارد و می‌خواهد دریابد که چه نوع روش‌های یادگیری ماشینی در مجموعه داده‌های آنها بهترین کارایی را دارد.

پاولوویچ می‌گوید: «ما امیدواریم که مردم را تشویق کند تا ابزارهای جدیدی را توسعه دهند که منبع باز بوده و با جامعه تحقیقاتی به اشتراک گذاشته می‌شود، تا بتواند درک ما را از نحوه تشخیص بیماری توسط سیستم ایمنی بهبود بخشد.»

تا اینجا خیلی امیدوار کننده

دانش ما در مورد گیرنده های ایمنی به سرعت در حال افزایش است، اما این یک زمینه تحقیقاتی نسبتاً جدید است. حدود ده سال پس از تجزیه و تحلیل DNA است که نشان می دهد کدام بخش از ماده ژنتیکی برای بیماری های مختلف مهم است.

پروفسور Geir Kjetil Sandve می‌گوید: «محدودیت اصلی آزمایش ژنتیکی این است که فقط می‌تواند خطر ابتلای فرد به بیماری را نشان دهد.»

از سوی دیگر، گیرنده‌های ایمنی به فرآیندهای بیماری در حال انجام واکنش نشان می‌دهند. آنها فقط به شما در مورد افزایش خطر ابتلا به یک بیماری نمی‌گویند. آنها می‌توانند به شما بگویند که یک بیماری در حال حاضر در بدن شما در حال توسعه است و شما ساندوه به Titan.uio.no می‌گوید احتمالاً طی چند سال متوجه علائم می‌شود.

او معتقد است که immuneML می تواند نقش مهمی برای توسعه بیشتر زمینه ای داشته باشد که در آن یادگیرندگان ماشینی با ایمونولوژیست ها ملاقات می کنند.

“بدون immuneML، محققان یادگیری ماشین در سراسر جهان زمان زیادی را صرف توسعه راه‌حل‌های خود برای بسیاری از مشکلات اساسی می‌کنند، زمان را تلف می‌کنند و به ابزارهای کاملاً ناسازگار می‌رسند. اگر قرار است این زمینه شتاب بیشتری بگیرد، باید بتوانیم برای مقایسه و ادغام موثر ایده ها در گروه ها.”

Sandve می‌گوید: «ما قبلاً دیده‌ایم که گروه‌های تحقیقاتی دیگر از immuneML استفاده می‌کنند، و چندین گروه می‌گویند که می‌خواهند پیشرفت‌های خود را با پلتفرم ما یکپارچه کنند. تا کنون بسیار امیدوارکننده به نظر می‌رسد.


گروه بندی گیرنده های سلولی ایمنی می تواند به رمزگشایی سابقه شخصی عفونت بیماران کمک کند


اطلاعات بیشتر:
Milena Pavlović و همکاران، اکوسیستم immuneML برای تجزیه و تحلیل یادگیری ماشینی مجموعه‌های گیرنده ایمنی تطبیقی، هوش ماشین طبیعت (2021). DOI: 10.1038/s42256-021-00413-z

ارائه شده توسط دانشگاه اسلو

نقل قول: ابزار یادگیری ماشینی جدید می‌تواند گیرنده‌های ایمنی را کشف کند که به آنتی‌ژن‌های مختلف واکنش نشان می‌دهند (۲۰۲۲، ۲۶ ژانویه) که در ۲۶ ژانویه ۲۰۲۲ از https://medicalxpress.com/news/2022-01-machine-tool-immune-receptors-react بازیابی شده است. html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.