یادگیری ماشین ساختار RNA را با استفاده از مجموعه داده کوچک پیش بینی می کند | پژوهش

اشتراک گذاری در telegram
اشتراک گذاری در whatsapp
اشتراک گذاری در facebook
اشتراک گذاری در twitter
اشتراک گذاری در linkedin
اشتراک گذاری در reddit
اشتراک گذاری در email
امتیاز دهید

*****توجه : ممکن است در ترجمه مشکلاتی وجود داشته باشد *****

دو تصویر دیجیتالی از ساختارهای RNA مارپیچ

تیمی از بیوشیمیست ها و دانشمندان کامپیوتر با استفاده از یک سیستم هوش مصنوعی که با تعداد کمی از اشکال RNA شناخته شده آموزش داده است ، روش جدیدی را برای پیش بینی دقیق ساختارهای سه بعدی مولکول های RNA توسعه داده اند.

کارشناسان این پیشرفت را به عنوان پیشرفت قابل ملاحظه ای در چالش پیش بینی محاسباتی ساختارهای RNA ارزیابی کرده و می گویند این می تواند به درک بهتر نقش RNA در عملکردهای سلولی و داروهای درمانی جدید منجر شود.

ریجو داس ، استادیار بیوشیمی در دانشگاه استنفورد در کالیفرنیا ، می گوید سیستم یادگیری ماشین جدید-موسوم به نمره معادل چرخشی از نظر اتمی (Ares)-از یک شبکه عصبی “معادل” برای تشخیص دقیق ساختار سه بعدی یک مولکول RNA استفاده می کند. به

داس توضیح می دهد که “نورون” های محاسباتی در شبکه های عصبی معادل تنها از اعداد برای فعال سازی استفاده نمی کنند ، مانند سایر انواع شبکه های عصبی ، بلکه از بردارها ، تنسورها و انواع دیگر اشیاء قابل اندازه گیری نیز استفاده می کنند. این به Ares اجازه می دهد تا نقوش ساختاری مولکولهای RNA ، مانند انواع مختلف مارپیچ ، “سنجاق مو” و ساقه را ارزیابی کند – روشی که “یادگیری عمیق هندسی” نامیده می شود.

آموزش اولیه

محققان سیستم Ares را فقط بر روی 18 RNA مفصل آموزش دادند ، که ساختار آنها به طور آزمایشی به دقت تعیین شد. سپس این سیستم بر روی ساختارهای RNA بسیار بزرگتری که در وب سایت RNA-Puzzles ، یک مسابقه علمی ده ساله قید شده ، آزمایش شد.

آنها از نسخه ای از نرم افزار مدل سازی مولکولی Rosetta برای تولید بیش از 1500 مدل ساختار مختلف برای شش RNA حل شده از وب سایت استفاده کردند ، در حالی که اطمینان حاصل کردند که حداقل 1 of از آنها “بومی” هستند – به این معنی که آنها با ساختار واقعی آنها مطابقت دارند. RNA

کارمند Daikin-America بر اثر تماس با مواد شیمیایی درگذشت | کسب و کار

سپس آنها از Ares برای محاسبه نمره هر یک از ساختارهای مدل و همچنین محاسبه نمرات آنها با توابع نمره گذاری نرم افزار Rosetta ، پروتکل آماری اسید ریبونوکلئیک (Rasp) و 3dRNAscore استفاده کردند. سیستم Ares به طور قابل ملاحظه ای از سه عملکرد دیگر امتیازدهی بهتر عمل کرد: Ares حداقل یکی از ساختارهای مدل “بومی” را در 81 of از 10 مدل بهترین نمره خود شامل می شود ، در مقایسه با 48 for برای Rosetta ، 48 for برای Rasp و 33 برای 3dRNAscore.

آرس همچنین در آزمایش هایی با مجموعه های بدون مدل “بومی” از سایر عملکردهای امتیازدهی پیشی گرفت. همچنین در چهار دور از مسابقات RNA-puzzles که ساختارهای واقعی RNA ها هنوز مشخص نبود ، پیش بینی های کورکورانه ای از خود نشان داد و دقیق ترین مدل ارائه شده در هر مورد را ارائه می دهد.

داس می گوید: “این بسیار شگفت انگیز بود که ما توانستیم شبکه Ares را از نمونه های بسیار اندک آموزشی آموزش دهیم و سپس نتایج فوق العاده ای را در مسابقات کور RNA-Puzzles بدست آوریم.”

بازی بازی گرفتن

محققان نوشتند که دانش علمی ساختار RNA بسیار عقب تر از ساختار پروتئین است ، که از سیستم های پیش بینی هوش مصنوعی مانند AlphaFold از شرکت DeepMind زیرمجموعه Google سود می برد. اینها ، در مقایسه ، اغلب بر روی مجموعه داده های عظیمی از هزاران ساختار آموزش می بینند.

“بخشی از ژنوم انسان رونویسی شده به RNA تقریباً 30 برابر کدگذاری پروتئین ها است ، اما تعداد ساختارهای RNA موجود کمتر از 1 of ساختار پروتئین ها است” ، عمدتا به این دلیل که ساختار RNA های مرتبط کمتر محتمل است. به گفته محققان ، پروتئین ها باید از پروتئین آنها بیشتر شناخته شوند و بنابراین نمی توانند به عنوان الگو استفاده شوند.

آنها اکنون امیدوارند که روش یادگیری عمیق هندسی که توسط آرس مطرح شده است به تحریک تحقیقات در مورد ساختارهای RNA کمک کند ، اگرچه ، تا کنون ، تنها یک قسمت از این فرایند را مورد بررسی قرار می دهد. داس می گوید: “مقاله ما هنوز متکی بر مدل های تولید شده با نسل قبلی نرم افزار Rosetta است که از شبکه های عصبی استفاده نمی کند.” “این فوق العاده خواهد بود که اکنون مدل های RNA 3D خود را با استفاده از ترفندهای یادگیری عمیق هندسی تولید کنیم.”

رادیو دکاموند شیمی | بسته دوشنبه 8 شهریور 1400/ شماره 349

و از آنجا که آرس تنها برای مختصات ورودی خود به مختصات اتمی و عناصر شیمیایی نیاز دارد ، همین رویکرد را می توان در زمینه های دیگر که دارای ساختار شیمیایی سه بعدی هستند نیز به کار برد. Das می گوید ، شبکه های عصبی مشابه مشابه در مقالات تحقیقاتی اخیر که از نرم افزار AlphaFold و Rosetta استفاده می کنند با موفقیت مورد استفاده قرار گرفته است.

الکس بتمن ، زیست شناس محاسباتی از موسسه بیوانفورماتیک اروپا ، که در این مطالعه مشارکت نداشت ، خاطرنشان می کند که پیش بینی ساختار RNA از پیشرفت هایی که در پیش بینی ساختار پروتئین توسط AlphaFold فعال شده است عقب مانده است. او می گوید: “توسعه Ares یک گام بزرگ رو به جلو در این زمینه نشان داده است و ما منتظر دسترسی به این مدل ها هستیم”.

او هشدار می دهد که آرس هنوز به بهبود دقت خود نیاز دارد. او می گوید: “شاید با الهام از انتشار روش AlphaFold 2.0 ، در ماه ها و سالهای آینده شاهد روشها و مدلهای بهتری باشیم.” “این زمان بسیار هیجان انگیز برای تحقیقات RNA است.”

منبع : www.chemistryworld.com
2021-09-07 18:00:00

امتیاز دهید

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

راه های ارتباطی با کارشناسان فروش

کارشناسان فروش:

خانم سپهری

مدیر فروش

خانم شایگان

کارشناس فروش

خانم سعادت

کارشناس فروش

شماره موبایل:

شماره تلفن:

پیغام در واتساپ:

5020 142 0919

3147 9501 031

2813 836 0910

3144 9501 031

5410 061 0912

3145 9501 031

راه های ارتباطی با کارشناسان فروش

خانم سپهری

مدیر فروش

شماره موبایل:

شماره تلفن:

پیام در واتساپ:

5020 142 0919

3147 9501 031

خانم شایگان

کارشناس فروش

شماره موبایل:

شماره تلفن:

پیام در واتساپ:

5020 142 0919

3147 9501 031

خانم سعادت

کارشناس فروش

شماره موبایل:

شماره تلفن:

پیام در واتساپ:

5020 142 0919

3147 9501 031

بیا ببین چه خبره اینجا

عضویت در خبرنامه هفتگی ما

مزایا عضویت :

  • جدید ترین مقالات و محصولات را در ایمیل خود به صورت هفتگی داشته باشید.
  • اخبار جشنواره و نمایشگاه های مربوطه را سریعتر از بقیه دریافت کنید.
  • مهم از همه فقط اینجا تخفیف محصولات را اعلام میکنیم
  • آخری هم با اجازه شما ماهی یک بار هم تبلیغ بفرستیم ( قول میدیم مزاحم نشیم و دست پر هم بیایم )
خبرنامه دکاموند شیمی

دانلود فقط با یک کلیک

با کلیک بر روی دانلود و اشتراک ، شما در خبرنامه مشتریان دکاموند شیمی مشترک خواهید شد.