محققان دانشگاه آلتو و دانشگاه لوکزامبورگ گزارش دادند که مدل جدیدی از هوش مصنوعی را توسعه داده‌اند که به شناسایی مولکول‌های کوچک کمک می‌کند و کاربردهایی در پزشکی، کشف دارو و شیمی محیطی دارد.یافته‌های آن‌ها، « حاشیه‌نویسی ساختاری مشترک مولکول‌های کوچک با استفاده از ترتیب حفظ کروماتوگرافی مایع و داده‌های طیف‌سنجی جرمی پشت سر هم» در مجله Nature Machine Intelligence منتشر شد.

محققان نوشتند: «تشخیص ساختاری مولکول‌های کوچک در نمونه‌های بیولوژیکی، علیرغم پیشرفت سریع در روش‌ها و ابزارهای پیش‌بینی در دهه گذشته، همچنان یک گلوگاه کلیدی در متابولومیک غیر هدفمند باقی مانده است». کروماتوگرافی مایع-طیف‌سنجی جرمی پشت سر هم، یکی از پرکاربردترین پلتفرم‌های آنالیز، می‌تواند هزاران مولکول را در یک نمونه شناسایی کند که اکثریت قریب به اتفاق آن‌ها حتی با بهترین روش‌های کلاس ناشناس باقی می‌مانند. در اینجا ما LC-MS2Struct را ارائه می کنیم، یک چارچوب هوش مصنوعی برای حاشیه نویسی ساختاری داده های مولکول کوچک ناشی از اندازه گیری های کروماتوگرافی مایع-طیف سنجی جرمی پشت سر هم (LC-MS2).

جوهو روسو، دکترای علوم کامپیوتر در دانشگاه آلتو، توضیح داد: «حتی بهترین روش‌ها نمی‌توانند بیش از 40 درصد از مولکول‌ها را در نمونه‌ها بدون ایجاد فرضیات اضافی در مورد مولکول‌های کاندید شناسایی کنند».

رویکرد جدید ممکن است قادر به شناسایی اختلالات متابولیک مانند دیابت یا حتی سرطان باشد.

اریک باخ، دانشجوی دکترای یادگیری ماشین و بیوانفورماتیک در دانشگاه آلتو، گفت: “تحقیق ما نشان می‌دهد که اگرچه زمان‌های ماندگاری مطلق ممکن است متفاوت باشد، اما ترتیب نگهداری در اندازه‌گیری‌های آزمایشگاه‌های مختلف ثابت است. این به ما امکان داد تا برای اولین بار تمام داده‌های در دسترس عموم را در مورد متابولیت‌ها ادغام کنیم و آن‌ها را به مدل یادگیری ماشینی خود وارد کنیم.”

دکتر اِما شیمانسکی، استادیار مرکز بیومدیک سیستم‌های لوکزامبورگ (LCSB) دانشگاه لوکزامبورگ، گفت: “این واقعیت که استفاده از استریوشیمی عملکرد شناسایی را بهبود می‌بخشد، برای همه توسعه‌دهندگان روش‌های شناسایی متابولیت آشکار است. این روش همچنین می تواند برای کمک به شناسایی و ردیابی ریزآلاینده ها در محیط یا مشخص کردن متابولیت های جدید در سلول های گیاهی استفاده شود.”

https://www.genengnews.com/artificial-intelligence/small-molecules-magnified-by-machine-learning/