دانشمندان EPFL روشی ارائه کردند که در آن با ترکیب نانوحفره های زیستی و یادگیری عمیق تغییرات پروتئین قابل تشخیص می شود. این فناوری راه های جدیدی برای تشخیص بیماری ارائه می دهد.
به گزارش ایسنا، پروتئین (Protein) ها را میتوان نیروی کاری سلول دانست، آن ها پس از سنتز معمولا دچار تغییرات مختلفی می شوند. از آنجا که این اصلاحات میتوانند به شدت بر نحوه عملکرد یک پروتئین در سلول تأثیر بگذارند، این «اصلاحات پس از ترجمه» یا PTM در بسیاری از فرآیندهای زیستی مهم هستند.
PTM ها همچنین به عنوان نشانگرهای زیستی برای شناسایی برخی بیماری ها عمل می کنند، به این معنی که برای جلوگیری از تشخیص اشتباه می توانیم آن ها را با دقت تشخیص داده و تجزیه و تحلیل کنیم. اما روش های سنتی از نظر حساسیت و ویژگی محدود هستند، به خصوص هنگام برخورد با غلظت کم پروتئین ها و الگوهای پیچیده PTM این روشها محدودیت های زيادي را تجربه می کنند.
به تازگی دانشمندان EPFL یک روش جدید ایجاد کرده اند که حساسیت نانوحفره های زیستی را با دقت یادگیری عمیق ترکیب می کند. این رویکرد نوآورانه میتواند نحوه تشخیص و تجزیه و تحلیل PTM ها را تغییر دهد.
این روش جدید از یک نانوحفره زیستی، برای تشخیص و تمایز پپتیدها بهره می برد. گروه دال پرارو پیش از این با نانوحفره های مبتنی بر آئرولیزین کار کرده بود تا حسگرهایی با وضوح بالا از مولکول های پیچیده تهیه کنند و حتی داده های رمزگذاری شده در ماکرومولکول های مصنوعی را بخوانند. این فناوری نانوحفره به اندازه کافی حساس است تا بتواند این پپتیدها را در غلظت های پیکومولار تشخیص دهد که یک پیشرفت قابل توجه نسبت به روش های موجود است.
ولی این روش چگونه کار می کند؟ با عبور پپتیدها از نانوحفره، آن ها باعث ایجاد تغییرات مشخص در جریان یون ها در نانوحفره می شوند که به این جریان عبوری از نانوحفره، «جریان یونی» گفته می شود. هر نوع PTM ساختار پپتید را به روشی منحصر به فرد تغییر می دهد و منجر به امضاهای متمایز در جریان می شود. با ضبط این تغییرات در جریان، این روش میتواند بین PTM های مختلف پپتیدها تمایز قائل شود.
به نقل از ستاد نانو، آنچه باعث می شود این رویکرد از روش های پیشین متمایز شود، این است که در این فناوری از الگوریتم های یادگیری عمیق برای تجزیه و تحلیل داده های پیچیده استفاده می شود. این مدل با اطمینان میتواند امضاهای فعلی پپتیدها و انواع PTM آن ها را شناسایی کند و روشی سریع، اتوماتیک و بسیار دقیق برای طبقه بندی آنها فراهم کند.
- 15
- 1
