معرفی نویسنده

محمدامین ماه منظر

دانشجوی ارشد رشته بیوانفورماتیک( دانشگاه تربیت مدرس)

ردیابی وضعیت فعالیت فاکتورهای رونویسی در مقیاس سلولی به کمک دانش یادگیری ماشین

ردیابی وضعیت فعالیت فاکتورهای رونویسی در مقیاس سلولی به کمک دانش یادگیری ماشین

 

به تازگی محققان دانشگاه کالیفرنیا با طراحی و توسعه سیستمی مبتنی بر پردازش داده و یادگیری ماشین اقدام به طراحی چارچوبی برای پیشبینی وضعیت تنظیم بیان ژن، توسط فاکتورهای رونویسی(Transcription Factor) برای اولین بار در سطح سلول نمودند، بطوریکه این امر تا کنون در جمعیت سلولی(Bulck Cells) صورت پذیرفته بود.

عامل رونویسی (TF) پروتئینی است که ترجمه اطلاعات ژنتیکی از DNA به RNA را کنترل می‌کنند و با تنظیم بیان ژن‌ها از میزان RNA تولید شده در سلول اطمینان حاصل می‌کنند

این مطالعه که حاصل یک پژوهش میان رشته ای و با حضور محققان مختلف از حوزه‌های زیست شناسی، ریاضیات و کامپیوتر شکل گرفت، به تازگی در مجله Science Advances  به چاپ رسیده است.

فناوری توالی‌یابی تاکنون در عرصه‌های بسیاری ورود کرده است که از مهم ترین آن‌ها کشف جهش‌ها، تعیین الگوهای بیانی ژن‌ها، وضعیت متیلاسیون ژن‌ها و فاکتورهای رونویسی را می‌توان نام برد. این فناوری که در ابتدا از توده نمونه‌ها به عنوان ورودی استفاده می‌نمود  با وجود فناوری‌های بسیار پیشرفته، درصد خطایی را به همراه داشت. تصور کنید به دنبال جراحی، یک نمونه تومور برداشته شده است. این نمونه مطمئنا در ابعاد بسیار ریز حاوی تعداد زیادی از سلول‌های سالم مجاور تومور می باشد. این امر منجر به آن می‌شود که هنگام توالی یابی، ژنوم سلول‌های سالم نیز به آنالیز ورود پیدا کرده و خطایی را در جواب نهایی ایجاد کند. لذا محققان برای برطرف نمودن این مشکل اقدام به طراحی تکنولوژی جدیدتری کردند که در آن یک سلول مورد تحلیل و آنالیز قرار می‌گرفت. این فناوری تحت عنوان Single cell Sequencing شناخته می‌شود. این تکنولوژی و فرایند تحلیل داده‌های آن تاکنون برای مطالعات بررسی جهش و تعیین الگوی بیانی ژنی با موفقیت پیاده سازی  و اجرا شده است.

در مطالعه حاضر محققین دانشگاه کالیفرنیا موفق به طراحی چارچوبی شدند که به کمک دانش یادگیری عمیق و یادگیری ماشین تحلیل وضعیت فاکتورهای رونویسی، در سطح سلول ممکن گردید.

 به گفته نویسنده ارشد Xiaohui Xie ، استاد علوم کامپیوتر دانشگاه کالیفرنیا، "این چارچوب طراحی شده امکان مطالعه چگونگی اتصال فاکتورهای رونویسی در سطح سلولی را فراهم می‌کند، که قبلا به دلیل وجود نویزهای زیاد در تکنولوژی Single cell Sequencing  و پراکنده بودن داده ها، این کار غیرممکن بود."

لذا در این مطالعه با آموزش یک شبکه عصبی برای مجموعه داده‌های ژنومی و اپی ژنتیکی در مقیاس بزرگ و با استفاده از حضور متخصصین در سه بخش ریاضی، کامپیوتر و زیست شناسی الگوهای جدید ژنی را برای انواعی از سلول‌‌ها شناسایی گردید". نویسنده ارشد این مقاله اذعان داشت که " پیش بینی اینکه آیا برخی فاکتورهای رونویسی در یک نوع سلول خاص و یا در یک زمان خاص به DNA متصل می شوند ، امید بخش طراحی روش‌های جدید برای تحریک جمعیت‌های کوچک سلول را فراهم می‌کند که می‌تواند برای درک و درمان بیماری ها بسیار موثر باشد."

همچنین در پایان به این امر اشاره داشت كه دانشمندان می‌توانند از چارچوب یادگیری عمیق برای شناسایی سیگنالهای بیان ژن‌هایی که نقش کلیدی را در سلول‌های بنیادی سرطانی ایفا می‌کنند را به کمک روش حاضر شناسایی کرده و میزان گسترش و تهاجمی بودن آن تعیین گردد تا به دنبال آن معالجه بهینه‌ای صورت پذیرد.

منبع: https://advances.sciencemag.org/content/6/51/eaba9031

کلید واژه ها: #یادگیری ماشین #یادگیری عمیق #فاکتور رونویسی #سرطان #machine learning

telegram