loading...

layehsevom

بازدید : 388
جمعه 16 خرداد 1399 زمان : 9:21

محققان استنفورد الگوریتمی را ایجاد کرده اند که با هدایت تحقیقات قبلی ، توالی های DNA را ترسیم می کند که به احتمال زیاد با خواص ضد میکروبی مطابقت دارند.


با توجه به تهدید مقاومت در برابر آنتی بیوتیک ، میکروبیولوژیست ها تنها کسانی نیستند که در حال یافتن راه حل های جدید هستند. جیمز زو ، دکتری ، استادیار علوم داده های زیست پزشکی در استنفورد ، از یادگیری ماشین برای ایجاد الگوریتمی استفاده کرده است که هزاران دنباله DNA مجازی کاملاً جدید را با هدف ایجاد یک روز پروتئین های ضد میکروبی تولید می کند.

این الگوریتم ، به نام بازخورد GAN ، در اصل به عنوان تولید کننده انبوه قطعات DNA مختلف عمل می کند. و در حالی که این تلاش توالی تا حدی تصادفی است ، الگوریتم کورکورانه کار نمی کند. این پپتیدهای جدید ممکن است یا گروههای کوچکی از اسیدهای آمینه بر اساس تحقیقات قبلی که توالی های DNA را به احتمال زیاد با خواص ضد میکروبی تراز می کنند ، پایه گذاری شده است .

در حال حاضر ، این قالب ها ، که در طبیعت وجود ندارند ، نظری هستند و در رایانه تولید می شوند. اما با توجه به نگرانی های زیاد در مورد مقاومت در برابر میکروب ، Zou گفت فکر کردن در مورد راه حل هایی که قبلاً وجود ندارند بسیار مهم است.

زو گفت: "ما تصمیم گرفتیم پروتئین های ضد میکروبی را دنبال کنیم زیرا این یک مسئله بسیار مهم و با تأثیر زیاد است که یک مشکل نسبتاً قابل رقت برای الگوریتم است." "ابزارهای موجود در سیستم ما وجود دارد که ارزیابی می کند که آیا توالی جدید احتمالاً دارای خواص پروتئین ضد میکروبی موفق است ."

بازخورد GAN بر مبنای آن کار می کند ، تلاش می کند تا فقط تعادل مناسب شانس و دقت تصادفی را در خود جای دهد.

مقاله ای که الگوریتم را توصیف می کند ، در 11 فوریه به صورت آنلاین در Nature Machine Learning منتشر شد . آنویتا گوپتا ، دانشجوی رشته علوم کامپیوتر ، اولین نویسنده است؛ زو نویسنده ارشد است.

خود پالایش

الگوریتم گوپتا و زو فقط ترکیب های جدید DNA را برمی انگیزد. این نرم افزار همچنین به طور فعال خود را پالایش می کند ، یاد می گیرد که چه کارهایی انجام می شود و چه چیزی از طریق یک حلقه بازخورد انجام نمی شود: پس از الگوریتم طیف گسترده ای از توالی های DNA را تفریح می کند ، یک فرایند یادگیری و خطای یادگیری را اجرا می کند که از طریق پیشنهادات پپتید در می آید. براساس شباهت آنها با دیگر پپتیدهای ضد میکروبی شناخته شده ، "خوب" ها برای آگاهی از توالی های DNA آینده تولید شده از کد و به منظور تصفیه خود به درون الگوریتم تغذیه می شوند.

زو گفت: " یک داور داخلی وجود دارد و با داشتن این حلقه بازخورد ، سیستم یاد می گیرد که توالی های تازه تولید شده را پس از مواردی که به نظر می رسد دارای خاصیت ضد میکروبی هستند ، مدل کند." "بنابراین ایده هر دو توالی پپتید فردی است و نسل توالی ها بهتر و بهتر می شوند."

Zou همچنین یکی دیگر از اجزای اصلی پروتئین های فرضی را در نظر گرفته است: تاشو پروتئین. پروتئین ها در ساختارهای بسیار خاص مرتبط با عملکردشان قرار می گیرند. یک الگوریتم می تواند ترتیب مناسبی را ایجاد کند ، اما مگر اینکه بتواند آن را جمع کند ، بی فایده است - مانند حلق آویزهای یک ساعت که روی یک میز پخش می شود.

Zou می تواند الگوریتم را بهم بخورد به طوری که به جای تجزیه و تحلیل تمایل برای خواص ضد میکروبی ، احتمال تاشو صحیح را تعیین می کند.

Zou گفت: "ما در واقع می توانیم این دو کار را بطور موازی انجام دهیم که در آن به خواص ضد میکروبی یک دنباله و احتمال تاشو از دیگری نگاه کنیم." "ما هر دو را طوری اجرا می کنیم که خواص ضد میکروبی یا توانایی تاشو آن را بهینه کنیم.

در مرحله بعدی ، Zou امیدوار است که دو نوع الگوریتم را برای ایجاد توالی های پپتیدی که برای هر دو توانایی کشتن میکروب ها و همچنین توانایی تاشو شدن در یک پروتئین اصلی بهینه شده اند ، ادغام کند.

محققان استنفورد الگوریتمی را ایجاد کرده اند که با هدایت تحقیقات قبلی ، توالی های DNA را ترسیم می کند که به احتمال زیاد با خواص ضد میکروبی مطابقت دارند.


با توجه به تهدید مقاومت در برابر آنتی بیوتیک ، میکروبیولوژیست ها تنها کسانی نیستند که در حال یافتن راه حل های جدید هستند. جیمز زو ، دکتری ، استادیار علوم داده های زیست پزشکی در استنفورد ، از یادگیری ماشین برای ایجاد الگوریتمی استفاده کرده است که هزاران دنباله DNA مجازی کاملاً جدید را با هدف ایجاد یک روز پروتئین های ضد میکروبی تولید می کند.

این الگوریتم ، به نام بازخورد GAN ، در اصل به عنوان تولید کننده انبوه قطعات DNA مختلف عمل می کند. و در حالی که این تلاش توالی تا حدی تصادفی است ، الگوریتم کورکورانه کار نمی کند. این پپتیدهای جدید ممکن است یا گروههای کوچکی از اسیدهای آمینه بر اساس تحقیقات قبلی که توالی های DNA را به احتمال زیاد با خواص ضد میکروبی تراز می کنند ، پایه گذاری شده است .

در حال حاضر ، این قالب ها ، که در طبیعت وجود ندارند ، نظری هستند و در رایانه تولید می شوند. اما با توجه به نگرانی های زیاد در مورد مقاومت در برابر میکروب ، Zou گفت فکر کردن در مورد راه حل هایی که قبلاً وجود ندارند بسیار مهم است.

زو گفت: "ما تصمیم گرفتیم پروتئین های ضد میکروبی را دنبال کنیم زیرا این یک مسئله بسیار مهم و با تأثیر زیاد است که یک مشکل نسبتاً قابل رقت برای الگوریتم است." "ابزارهای موجود در سیستم ما وجود دارد که ارزیابی می کند که آیا توالی جدید احتمالاً دارای خواص پروتئین ضد میکروبی موفق است ."

بازخورد GAN بر مبنای آن کار می کند ، تلاش می کند تا فقط تعادل مناسب شانس و دقت تصادفی را در خود جای دهد.

مقاله ای که الگوریتم را توصیف می کند ، در 11 فوریه به صورت آنلاین در Nature Machine Learning منتشر شد . آنویتا گوپتا ، دانشجوی رشته علوم کامپیوتر ، اولین نویسنده است؛ زو نویسنده ارشد است.

خود پالایش

الگوریتم گوپتا و زو فقط ترکیب های جدید DNA را برمی انگیزد. این نرم افزار همچنین به طور فعال خود را پالایش می کند ، یاد می گیرد که چه کارهایی انجام می شود و چه چیزی از طریق یک حلقه بازخورد انجام نمی شود: پس از الگوریتم طیف گسترده ای از توالی های DNA را تفریح می کند ، یک فرایند یادگیری و خطای یادگیری را اجرا می کند که از طریق پیشنهادات پپتید در می آید. براساس شباهت آنها با دیگر پپتیدهای ضد میکروبی شناخته شده ، "خوب" ها برای آگاهی از توالی های DNA آینده تولید شده از کد و به منظور تصفیه خود به درون الگوریتم تغذیه می شوند.

زو گفت: " یک داور داخلی وجود دارد و با داشتن این حلقه بازخورد ، سیستم یاد می گیرد که توالی های تازه تولید شده را پس از مواردی که به نظر می رسد دارای خاصیت ضد میکروبی هستند ، مدل کند." "بنابراین ایده هر دو توالی پپتید فردی است و نسل توالی ها بهتر و بهتر می شوند."

Zou همچنین یکی دیگر از اجزای اصلی پروتئین های فرضی را در نظر گرفته است: تاشو پروتئین. پروتئین ها در ساختارهای بسیار خاص مرتبط با عملکردشان قرار می گیرند. یک الگوریتم می تواند ترتیب مناسبی را ایجاد کند ، اما مگر اینکه بتواند آن را جمع کند ، بی فایده است - مانند حلق آویزهای یک ساعت که روی یک میز پخش می شود.

Zou می تواند الگوریتم را بهم بخورد به طوری که به جای تجزیه و تحلیل تمایل برای خواص ضد میکروبی ، احتمال تاشو صحیح را تعیین می کند.

Zou گفت: "ما در واقع می توانیم این دو کار را بطور موازی انجام دهیم که در آن به خواص ضد میکروبی یک دنباله و احتمال تاشو از دیگری نگاه کنیم." "ما هر دو را طوری اجرا می کنیم که خواص ضد میکروبی یا توانایی تاشو آن را بهینه کنیم.

در مرحله بعدی ، Zou امیدوار است که دو نوع الگوریتم را برای ایجاد توالی های پپتیدی که برای هر دو توانایی کشتن میکروب ها و همچنین توانایی تاشو شدن در یک پروتئین اصلی بهینه شده اند ، ادغام کند.

نظرات این مطلب

تعداد صفحات : 0

درباره ما
موضوعات
آمار سایت
  • کل مطالب : 104
  • کل نظرات : 0
  • افراد آنلاین : 1
  • تعداد اعضا : 88
  • بازدید امروز : 4
  • بازدید کننده امروز : 1
  • باردید دیروز : 2
  • بازدید کننده دیروز : 0
  • گوگل امروز : 0
  • گوگل دیروز : 0
  • بازدید هفته : 9
  • بازدید ماه : 54
  • بازدید سال : 313
  • بازدید کلی : 48240
  • <
    پیوندهای روزانه
    آرشیو
    اطلاعات کاربری
    نام کاربری :
    رمز عبور :
  • فراموشی رمز عبور؟
  • خبر نامه


    معرفی وبلاگ به یک دوست


    ایمیل شما :

    ایمیل دوست شما :



    کدهای اختصاصی