Jeu d'artificial intelligence pour révolutionner l'inducteur de la protéomique

Utilisant l'artificial intelligence, les chercheurs à l'université de Munich technique (VENTRE) ont réussi à rendre l'analyse de masse des protéines à partir de n'importe quel organisme sensiblement plus rapide qu'avant et presque exempte d'erreurs. Cette approche neuve est réglée pour provoquer un changement considérable de l'inducteur de la protéomique, car elle peut être appliquée dans la recherche fondamentale et clinique.

Le génome de n'importe quel organisme contient les modèles pour des milliers de protéines qui règlent presque tous les fonctionnements de durée. Les protéines défectueuses mènent aux graves maladies, telles que le cancer, le diabète ou la démence. Par conséquent, les protéines sont également les objectifs les plus importants pour des médicaments.

Pour comprendre mieux des procédés et des maladies de durée et développer plus de traitements adaptés, il est que autant de protéines car possible de s'analyser simultanément. Actuellement, la spectrométrie de masse est employée afin de déterminer le type et la quantité de protéines dans un système biologique. Cependant, les méthodes actuelles d'analyse de caractéristiques continuent à produire beaucoup d'erreurs.

Une équipe à l'université de Munich technique a abouti par le scientifique Mathias Wilhelm de bio-informatique et le biochimiste Bernhard Küster, professeur de protéomique et Bioanalytics à l'université de Munich technique, a maintenant réussi à employer des caractéristiques proteomic pour former un réseau neuronal de telle manière qu'il puisse identifier des protéines beaucoup plus rapidement et avec presque aucune erreurs.

Une solution à un problème grave

Les spectromètres de masse ne mesurent pas des protéines directement. Ils analysent de plus petites pièces se composant des séquences des acides aminés avec jusqu'à 30 synthons. Les éventails mesurés de ces réseaux sont avec des bases de données afin de les affecter à une protéine spécifique. Cependant, le logiciel de bilan peut seulement employer une partie de l'information que les spectres contiennent. Par conséquent, certaines protéines ne sont pas identifiées ou sont identifiées inexactement.

« C'est un problème grave, » explique Küster. Le réseau neuronal développé par l'équipe de VENTRE emploie toute l'information des spectres pour le procédé de l'identification. « Nous manquons moins protéines et effectuons 100 fois moins erreurs, » dit Bernhard Küster.

Applicable à tous les organismes

« Prosit », car les chercheurs appellent le logiciel d'AI, s'applique « à tous les organismes dans le monde, même si leurs protéomes n'ont été jamais examinés avant, » explique Mathias Wilhelm. « Ceci active la recherche qui était précédemment inconcevable. »

Avec l'aide de 100 millions de spectres de masse, on a tellement considérable formé l'algorithme qu'il peut être employé pour tous les spectromètres de masse courants sans n'importe quelle formation complémentaire. « Notre système est le chef global dans ce domaine, » dit Küster.

Un marché en valeur des milliards

Les cliniques, les compagnies biotechnologiques, les sociétés pharmaceutiques et les instituts de recherches utilisent les dispositifs performants de ce genre ; le marché est déjà en valeur des milliards. Avec « Prosit », il sera possible de développer les instruments bien plus puissants à l'avenir. Les chercheurs et les médecins seront également mieux et plus rapidement capable rechercher des biomarqueurs dans le sang ou l'urine des patients, ou les traitements de moniteur leur efficacité.

Les chercheurs ont également des grandes espérances pour la recherche fondamentale.

La méthode peut être employée pour dépister les mécanismes de régulation neufs en cellules. Nous espérons acquérir une quantité considérable de connaissances ici, qui, à moyen et à long terme, sera réfléchie dans la demande de règlement des maladies souffertes par des êtres humains, des animaux et végétaux. »

Bernhard Küster, professeur de protéomique et Bioanalytics à l'université de Munich technique

Wilhelm compte également que les « méthodes d'AI telles que Prosit changeront bientôt l'inducteur de la protéomique, comme elles peuvent être employées dans presque chaque domaine de recherche de protéine ».

Source :

Université de Munich technique (VENTRE)

Référence de tourillon :

Gessulat, S. et autres (2019) Prosit : prévision de la taille du protéome des spectres de masse tandem de peptide en apprenant profondément. Méthodes de nature. doi.org/10.1038/s41592-019-0426-7