روشی مبتنی بر یادگیری ماشینی برای شناسایی نشانگرهای زیستی جدید
پژوهشگران آمریکایی، روش جدیدی برای شناسایی نشانگرهای زیستی ارایه داده اند که مبتنی بر یادگیری ماشینی است.
به گزارش لینک بگیر به نقل از ایسنا و به نقل از وب سایت رسمی دانشگاه ایلینوی در اربانا—شمپین، هنگامی که شرکت های کشاورزی و دارویی، محصولات جدیدی را تولید می کنند، باید قبل از گرفتن تاییدیه قانونی، میزان سمی بودن محصول را به شکل گسترده مورد آزمایش قرار دهند. این آزمایش معمولا به بررسی های طولانی و پرهزینه روی حیوانات نیاز دارد.
پژوهشگران "دانشگاه ایلینوی در اربانا—شمپین" (U of I)، یک روش شناسایی زیست نشانگر ژنتیکی ابداع نموده اند که در کنار حفظ سطح بالایی از دقت، روند آزمایش را به چند روز می کاهد.
"زینپ ماداک اردوغان"(Zeynep Madak-Erdogan)، استادیار بخش علوم غذایی و تغذیه انسانی دانشگاه ایلینوی و پژوهشگر ارشد این پروژه اظهار داشت: هدف از این پژوهش، شناسایی کوچکترین مجموعه شاخص ها از کبد برای پیش بینی میزان سمی بودن سرطان کبد است.
وی ادامه داد: صنایع کشاورزی شیمیایی، به لوله ای مجهز هستند که ترکیبات جدید را در آن آزمایش می کنند تا میزان سمی بودن آنها مشخص شود.
میزان سمی بودن کبد، یکی از مهم ترین نکات بشمار می رود برای اینکه کبد، اندامی است که ذخیره خون را دریافت می کند و به پاکسازی آن می پردازد.
اردوغان افزود: شرکتها معمولا این کار را بواسطه آزمایش های طولانی روی حیوانات انجام می دهند. آنها حیوانات را تا یک سال بررسی می کنند تا ببینند که آیا بعد از قرار گرفتن در معرض این ترکیبات، به سرطان کبد مبتلا می شوند یا خیر. این آزمایش ها، به هزاران موش نیاز دارد و همین طور انسان هایی که زمان خودرا برای مراقبت از این حیوانات، جمع آوری نمونه ها و تجزیه و تحلیل داده ها سپری کنند.
این پژوهش، یک نشانگر ژنتیکی زیستی را معرفی می کند که نشان میدهد میزان بالقوه سمی بودن کبد، فقط ۲۴ ساعت بعد از قرار گرفتن در معرض ترکیبات است.
اردوغان و همکارانش، اطلاعات پایگاه داده بزرگی را که "موسسه ملی علوم بهداشت محیط زیست آمریکا" (NIEHS) فراهم نموده است، تجزیه و تحلیل کردند. آنها با همکاری "مرکز ملی کاربردهای ابررایانش" (NCSA)، از روش های یادگیری ماشینی برای شناسایی نشانگرهای زیستی در آران ای پیام رسان استفاده کردند تا میزان سمی بودن را پیش بینی کنند.
"کالین بوشل"(Colleen Bushell)، از پژوهشگران این پروژه اظهار داشت: روش های یادگیری ماشینی از طراحی مولکول های جدید تا شناسایی اهداف بیولوژیکی جدید، نقشی اساسی در سرعت بخشیدن به شناسایی داروی مورد نظر و اعتبار بخشیدن به آن دارند.
اردوغان اظهار داشت: بااینکه این اولین پژوهشی نیست که از چنین روش هایی استفاده می نماید اما جامع ترین آنها است.
پژوهشگران در این پروژه، از مقدار قابل توجهی از داده ها و همین طور چندین روش یادگیری ماشینی استفاده کردند تا سریع ترین و دقیق ترین نتایج را فراهم آورند.
اردوغان افزود: ما در حال ارزیابی بهترین روش های پیش بینی و یافتن بهترین شاخص ها جهت بررسی میزان سمی بودن کبد هستیم. ما هم اکنون فقط می توانیم چند موش را به مدت ۲۴ ساعت درمان نماییم، به جمع آوری نمونه ها بپردازیم و زیست نشانگرهایی را که شناسایی کرده ایم، مورد بررسی قرار دهیم تا پیش بینی نماییم که حیوان بطور بالقوه به سرطان کبد مبتلا می شود یا خیر.
نتایج این پژوهش می تواند به شکل گسترده مورد استفاده سم شناسان و دانشمندان دیگر قرار بگیرد و به صنایع کشاورزی و دارویی کمک نماید تا قابلیت های آزمایشی خودرا بهبود ببخشند.
اردوغان اضافه کرد: یافته های ما نشان می دهند که روش های یادگیری ماشینی اساسا در تجزیه و تحلیل داده های بیولوژیکی که ما در پژوهش های خود ارائه می دهیم، نقش ارزشمندی دارند.
این پژوهش، در مجله "Scientific Reports" به چاپ رسید.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب