محقق ایرانی از هوش مصنوعی برای پیش بینی یک ویژگی سرطان استفاده کرد

به گزارش خبرنگار مهر، فسفاریلاسیون تیروزین ها از ویژگی های بارز بسیاری از سرطان ها هستند به همین دلیل 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 نقش مهمی در بسیاری از فرایندهای سلولی دارد. همچنین فسفریلاسیون توسط آنزیم های کیناز انجام می شود. آنزیم های فسفاتاز در جهت عکس کینازها برای زدودن گروه فسفات عمل می کنند. تیروزین کینار نیز یک آنزیم است که نقشش انتقال یک گروه فسفات از مولکول آدنوزین تری فسفات ATP به پروتئین است.

در همین راستا گروهی از محققان با همکاری علیرضا مشاقی پژوهشگر ایرانی یک روش مبتنی بر یادگیری ماشینی ابداع کرده اند تا تغییرات با ثبات ترمودینامیکی که در نتیجه فسفاریلاسیون تیروزین به وجود می آید را پیش بینی کنند.

این روش مبتنی بر پیش بینی «فسفومیمتیک دلتا-دلتا-G» از ویژگی 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 تاثیرات بی ثبات کننده ۳۸۴ هزار و ۸۵۷ رسوب تیروزین را از یک مخزن داده شامل بیش از ۶۰۰ فسفاریلاسیون تیروزین در ۱۱ زیرگروه سرطان با این روش بررسی کردند.

آنها فسفاریلاسیون بی ثبات کننده را هم در ژن تومور و هم سرکوب کننده های تومور پیش بینی کردند. این روش می تواند غربالگری سریع فسفریلاسیون های بی ثبات کننده و جهش های فسفومیمتیک را امکان پذیر کند.