کاربرد هوش مصنوعی در زیست شناسی سلولی
دانشمندان الگوریتمی را طراحی نموده اند که اطلاعات جامعی را درباره جایگاه پروتئین در سلول ارائه می کند. این الگوریتم ممکنست در حوزه تشخیص بیماریها و غربالگری دارویی مفید خواهد بود.
به گزارش گروه علم و آموزش ایرنا از پایگاه خبری فیز (phys)، انسان ها به خوبی می توانند به تصاویر نگاه کنند، الگوها را بیابند و مقایسه کنند؛ بطورمثال اگر به مجموعه ای از عکس سگ ها نگاه نماییم، می توانیم آنها را بر طبق رنگ، اندازه گوش، شکل صورت و خصوصیات دیگر مرتب نماییم. اما آیا می توانیم آنها را از نظر کمّی مقایسه کنیم؟ آیا یک ماشین می تواند اطلاعات معناداری را از تصاویر استخراج کند که انسان ها نمی توانند؟
تیمی از دانشمندان مرکز پژوهشی چان زاکربرگ بیوهاب یک روش یادگیری ماشین برای تجزیه وتحلیل کمّی و مقایسه تصاویر (در این مورد تصاویر میکروسکوپی پروتئین ها) بدون دانش قبلی به وجود آورده اند. الگوریتم آنها سیتوسِلف (cytoself) نام دارد و اطلاعات غنی و دقیقی را درباره مکان و عملکرد پروتئین در سلول اراdه می دهد. این توانایی می تواند زمان تحقیق را برای زیست شناسان سلولی تسریع کند و در نهایت برای تسریع پروسه کشف و غربالگری دارویی از آن استفاده می شود.
سیتوسلف نه فقط قدرت الگوریتم های یادگیری ماشین را نشان می دهد، بلکه شناختی درباره سلول ها که بلوک های ساختمانی اساسی زندگی هستند و پروتئین ها که بلوک های سازنده مولکولی سلول ها هستند، نیز فراهم نموده است. هر سلول حاوی حدود ۱۰ هزار نوع پروتئین مختلف است. تعدادی از آنها به تنهایی کار می کنند و کارهای مختلفی را در قسمت های مختلف سلول انجام می دهند تا آنها را سالم نگه دارند.
مانوئل لئونتی (Manuel Leonetti)، یکی از همکاران این پژوهش اظهار داشت: سلول از نظر فضایی بسیار سازماندهی شده تر از آن چیزی است که قبلاً فکر می کردیم. این یک نتیجه بیولوژیکی مهم درباره سلول انسانی است.
سیتوسلف مانند بقیه ابزارهایی که در مرکز پژوهشی چان زاکربرگ طراحی می شوند، در دسترس همه قرار دارد. دانشمندان امیدواند این الگوریتم الهام بخش افراد زیادی باشد تا از الگوریتم های مشابه آن برای حل مشکلات تحلیل تصویر استفاده کنند.
نیازی به مدرک دکترا نیست؛ ماشین ها می توانند خودشان یاد بگیرند
سیتوسلف نمونه ای از چیزی است که به عنوان یادگیری خودنظارتی شناخته می شود، به این معنا که انسان ها چیزی درباره تصاویر پروتئینی به الگوریتم آموزش نمی دهند. این مسئله در یادگیری نظارت شده هم وجود دارد. بگفته دانشمندان در یادگیری نظارت شده، باید مطالب را یک به یک با مثال به ماشین آموزش دهید که کار بسیار زیاد و خسته کننده ای است و اگر ماشین محدود به مطالبی باشد که انسان ها به آن آموزش می دهند، می تواند سوگیری را وارد سیستم کند.
دانشمندان معتقد بودند که اطلاعات در تصاویر وجود دارد. آنها می خواستند ببینند ماشین به تنهایی چه چیزی را می تواند تشخیص دهد.
دانشمندان از میزان اطلاعاتی که الگوریتم قادر به استخراج از تصاویر بود، شگفت زده شدند.
این گروه پژوهشی، ابزارها و فناوری هایی را برای درک معماری سلولی طراحی می کنند. آنها متوجه شدند که میزان جزئیات در مکان یابی پروتئین بسیار بالاتر از چیزی بود که فکر می کردند. ماشین هر تصویر پروتئینی را به یک بردار ریاضی تبدیل می کند. بعد از آن می توان تصاویر یکسان را رتبه بندی کرد. با این کار می توان فقط با مقایسه تصاویر پیش بینی نمود کدام پروتئین ها با هم در سلول کار می کنند.
هدف این پروژه ایجاد نقشه کاملی از سلول انسانی همچون مشخص کردن حدود ۲۰ هزار نوع پروتئین بود که سوخت سلول های ما را تامین می کنند.
به گفته دانشمندان دانستن این نکات اساسی است: راه های ممکن به جهت اینکه یک پروتئین در سلول جای بگیرد، همه مکان هایی که پروتئین می تواند در آنها قرار بگیرد و همه انواع ترکیبات مکان ها. زیست شناسان طی دهه ها کوشیده اند تمام مکان های احتمالی و همه ساختارهای ممکن درون یک سلول را مشخص کنند. اما انسان ها همیشه این کار را با نگاه به داده انجام داده اند. سؤال این است: محدودیت های انسان و سوگیری ها چقدر این پروسه را ناقص کرده است؟
دانشمندان نشان دادند که ماشین ها بهتر از انسان ها می توانند این کار را انجام دهند. آنها می توانند دسته بندی های دقیق تری را پیدا کنند و تمایزهایی را در تصاویر تشخیص دهند که فوق العاده جزیی هستند.
هدف بعدی این تیم پژوهشی این است که با بهره گیری از سیتوسلف ردیابی کنند که چطور میتوان از تغییرات کوچک در قرارگیری پروتئین ها برای تشخیص حالات سلولی متفاوت (مثلاً یک سلول سالم در مقابل یک سلول سرطانی) استفاده نمود. این پژوهش ممکنست کلید درک بهتر خیلی از بیماریها و تسهیل کشف دارو باشد.
به گفته دانشمندان اساس غربالگری دارویی بر آزمون و خطا است. اما با سیتوسلف یک جهش بزرگ انجام شده است؛ برای اینکه نیازی به انجام آزمایش های یک به یک با هزاران پروتئین نخواهد بود. این یک روش کم هزینه است که می تواند سرعت تحقیق را تا حد زیادی افزایش دهد.
این مطلب آجاک را پسندیدید؟
(0)
(0)
تازه ترینهای مرتبط
نظرات بینندگان در این باره