Grupo da inteligência artificial para revolucionar o campo do proteomics

Usando a inteligência artificial, os pesquisadores na universidade de Munich técnica (TUM) sucederam em fazer a análise em massa das proteínas de todo o organismo significativamente mais rápida do que antes e quase sem erros. Esta aproximação nova é ajustada para provocar uma mudança considerável no campo do proteomics, porque pode ser aplicada na pesquisa básica e clínica.

O genoma de todo o organismo contem os modelos para milhares de proteínas que controlam quase todas as funções da vida. As proteínas defeituosas conduzem às doenças sérias, tais como o cancro, o diabetes ou a demência. Conseqüentemente, as proteínas são igualmente os alvos os mais importantes para drogas.

Para compreender melhor processos e doenças da vida e desenvolver umas terapias mais apropriadas, é necessário que tantas como proteínas porque possível ser analisado simultaneamente. Presentemente, a espectrometria em massa é usada a fim determinar o tipo e a quantidade de proteínas em um sistema biológico. Contudo, os métodos actuais da análise de dados continuam a produzir muitos erros.

Uma equipe na universidade de Munich técnica conduziu pelo cientista Mathias Wilhelm da bioinformática e o bioquímico Bernhard Küster, professor de Proteomics e de Bioanalytics na universidade de Munich técnica, tem sucedido agora em usar dados proteomic para treinar uma rede neural de tal maneira que pode reconhecer proteínas muito mais rapidamente e com quase nenhuns erros.

Uma solução a um problema grave

Os espectrómetros em massa não medem proteínas directamente. Analisam as peças menores que consistem em seqüências de ácido aminado com até 30 blocos de apartamentos. Os espectros medidos destas correntes são comparados com as bases de dados a fim atribui-las a uma proteína específica. Contudo, o software da avaliação pode somente usar a parte da informação que os espectros contêm. Conseqüentemente, determinadas proteínas não são reconhecidas nem são reconhecidas incorrectamente.

“Este é um problema grave,” explica Küster. A rede neural desenvolvida pela equipe do TUM usa toda a informação dos espectros para o processo de identificação. “Nós faltamos menos proteínas e fazemos 100 vezes menos erros,” diz Bernhard Küster.

Aplicável a todos os organismos

“Prosit”, porque os pesquisadores chamam o software do AI, é “aplicável a todos os organismos no mundo, mesmo se seus proteomes foram examinados nunca antes,” explica Mathias Wilhelm. “Isto permite a pesquisa que era previamente inconcebível.”

Com a ajuda de 100 milhão espectros em massa, o algoritmo foi treinado tão extensivamente que pode ser usado para todos os espectrómetros em massa comuns sem nenhuma formação adicional. “Nosso sistema é o líder global neste campo,” diz Küster.

Biliões de um valor do mercado

As clínicas, as empresas de Biotech, as companhias farmacéuticas e os institutos de investigação estão usando dispositivos de capacidade elevada deste tipo; o mercado é já biliões do valor. Com o “Prosit”, será possível desenvolver no futuro instrumentos ainda mais poderosos. Os pesquisadores e os médicos igualmente serão melhor e mais rapidamente capaz de procurarar por biomarkers no sangue ou a urina dos pacientes, ou as terapias do monitor por sua eficácia.

Os pesquisadores igualmente têm grandes esperanças para a pesquisa fundamental.

O método pode ser usado para seguir para baixo mecanismos reguladores novos nas pilhas. Nós esperamos ganhar aqui uma quantidade considerável de conhecimento, que, seja reflectida a médio e longo prazo no tratamento das doenças sofridas por seres humanos, por animais e por plantas.”

Bernhard Küster, professor de Proteomics e de Bioanalytics na universidade de Munich técnica

Wilhelm igualmente espera que do “os métodos AI tais como Prosit mudarão logo o campo do proteomics, como podem ser usados em quase cada área da pesquisa da proteína”.

Source:

Universidade de Munich técnica (TUM)

Referência do jornal:

Gessulat, S. e outros (2019) Prosit: previsão proteome-larga de espectros em massa em tandem do peptide profundamente aprendendo. Métodos da natureza. doi.org/10.1038/s41592-019-0426-7