Ученые используют машинное обучение, чтобы получить беспрецедентное представление о малых молекулах

Прочитано: 131 раз(а)


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 Люксембургского университета, была обучена на данных из десятков лабораторий, чтобы стать одним из самых точных инструментов для идентификации малых молекул.

Тысячи различных малых молекул, известных как метаболиты , транспортируют энергию и передают клеточную информацию по всему телу человека. Поскольку они очень малы, метаболиты трудно отличить друг от друга в анализе крови, но идентификация этих молекул важна для понимания того, как физические упражнения, питание, употребление алкоголя и нарушения обмена веществ влияют на самочувствие.

Метаболиты обычно идентифицируют 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 различной скорости потока или времени удерживания через измерительное устройство.

Затем масс-спектрометрия используется для точной настройки процесса идентификации путем сортировки метаболитов по их массе. Исследователи также могут разбивать метаболиты на более мелкие части для анализа их состава с помощью метода, называемого 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 он был опубликован в журнале Nature Machine Intelligence .

«Эта новая модель с открытым исходным кодом предлагает всему исследовательскому сообществу расширенное представление о малых молекулах . Она поможет исследовать методы выявления нарушений обмена веществ , 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 сравнивать нельзя. Эрик Бах, аспирант Аалто, во время работы над докторской диссертацией предложил альтернативу. исследование, решившее проблему.

«Наше исследование показывает, что, хотя абсолютное время удерживания может варьироваться, порядок удерживания стабилен при измерениях в разных лабораториях», — объясняет Бах. «Это позволило нам впервые объединить все общедоступные данные о метаболитах и ​​передать их в нашу модель машинного обучения».

Благодаря включению данных из десятков лабораторий по всему миру модель машинного обучения достаточно точна, чтобы различать молекулы зеркального отображения, известные как стереохимические варианты. До сих пор инструменты идентификации не могли различать стереохимические варианты, и ожидается, что новая возможность откроет 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) Люксембургского университета. «Этот метод также можно использовать. чтобы помочь идентифицировать и отслеживать микрозагрязнители в окружающей среде или охарактеризовать новые метаболиты в растительных клетках».

Ученые используют машинное обучение, чтобы получить беспрецедентное представление о малых молекулах



Новости партнеров