Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

el Máquina-aprendizaje de algoritmo ayuda a enormes cantidades de la clase fuera de datos para la investigación de la proteína

La clasificación de enormes cantidades de datos es un atascamiento en la investigación de la proteína, un campo que sea crucial hacer uso de la tecnología gen-que corrige CRISPR y entender completo enfermedades como cáncer, Alzheimer y Parkinson. Ahora, los investigadores en la universidad de Copenhague han hecho los primeros en el mundo para emplear la inteligencia artificial de hacer levantar pesado - y de hacer tan de una manera que puede asegurar patrones internacionales comunes mientras que hace ciencia avanzada de la proteína más accesible.

Usando la inteligencia artificial, los investigadores de UCPH han resuelto un problema que hasta ahora ha sido el escollo para la investigación importante de la proteína en la dinámica detrás de enfermedades tales como cáncer, Alzheimer y Parkinson, así como en el revelado de la química sostenible y de las nuevas tecnologías gen-que corregían.

Ha sido siempre una tarea que toma tiempo y desafiadora analizar los grupos de datos enormes cerco por los investigadores como utilizaron microscopia y la técnica del smFRET para considerar cómo las proteínas se mueven y obran recíprocamente con sus alrededores. Al mismo tiempo la tarea requirió un de alto nivel de la experiencia. Por lo tanto, la proliferación de servidores y de impulsiones duras rellenados. Ahora los investigadores en el departamento de la química, del centro de la Nano-Ciencia, del centro del asiento de Novo Nordisk para la investigación de la proteína y del Niels Bohr Institute, universidad de Copenhague, han desarrollado un algoritmo de máquina-aprendizaje para hacer levantar pesado.

Clasificación datos hasta que fuéramos locos. Ahora nuestros datos se analizan en el tacto del botón. Y, el algoritmo los hace por lo menos también o los mejora que podemos. Esto libera hacia arriba los recursos para que cerco más datos que siempre antes y consigamos resultados más rápidos.”

Simon BO Jensen, biofísico y estudiante del doctorado en el departamento de la química y de la Nano-Ciencia centra

El algoritmo ha aprendido reconocer configuraciones del movimiento de la proteína, permitiendo que clasifique conjuntos de datos en segundos -- un proceso que típicamente tarda a expertos varios días para lograr.

“Hasta ahora, nos sentamos con las cargas de informaciones en bruto bajo la forma de millares de configuraciones. Verificábamos con él manualmente, uno a la vez. De este modo, hicimos el atascamiento de nuestra propia investigación. Incluso para los expertos, el trabajo constante de conducto y alcanzar las mismas conclusiones es muchas veces difíciles. Con todo somos los seres humanos que cansan y son desvío propenso,” decimos a Simon BO Jensen.

Apenas el trabajo de un segundo para el algoritmo

Los estudios sobre el lazo entre los movimientos de la proteína y las funciones conducto por los investigadores de UCPH están internacionalmente - reconocido y esencial para entender cómo funciona el cuerpo humano. Por ejemplo, las enfermedades incluyendo cáncer, Alzheimer y Parkinson son causadas por las proteínas que agrupan hacia arriba o que cambian su comportamiento. La tecnología gen-que corrige CRISPR, que ganó el Premio Nobel En química este año, también confía en la capacidad de proteínas de cortar y de empalmar series específicas de la DNA. Cuando los investigadores de UCPH como Guillermo Montoya y Nikos Hatzakis estudian cómo ocurren estos procesos, hacen uso de datos de la microscopia.

“Antes de que podemos tratar enfermedades serias o aprovechar completo de CRISPR, necesitamos entender cómo las proteínas, los bloques huecos más pequeños, trabajo. Aquí es adonde el movimiento y las dinámicas de la proteína entran en el juego. Y aquí es donde está nuestra herramienta de enorme ayuda,” dice a Guillermo Montoya, profesor en el centro del asiento de Novo Nordisk para la investigación de la proteína.

Atención de todo el mundo

Aparece que los investigadores de la proteína de todo el mundo han faltado apenas tal herramienta. Varios grupos de investigación internacionales se han presentado y han mostrado ya un interés al usar el algoritmo.

“Esta herramienta del AI es un premio enorme para el campo en conjunto porque ofrece patrones comunes, unos antes de las cuales no había, porque cuando los investigadores a través del mundo necesitan comparar datos. Previamente, mucho del análisis fue basado en las opiniones subjetivas sobre las cuales las configuraciones eran útiles. Ésos pueden variar de grupo de investigación al grupo de investigación. Ahora, nos equipan de una herramienta que pueda asegurarnos todo el alcance las mismas conclusiones,” explicamos al director de investigación Nikos Hatzakis, profesor adjunto en el departamento de la química y profesor adjunto del afiliado en el centro del asiento de Novo Nordisk para la investigación de la proteína.

Él agrega que la herramienta ofrece una perspectiva distinta también:

“Mientras que analizar la coreografía del movimiento de la proteína sigue siendo un lugar, ha ganado esmerilado cada vez más mientras que los microscopios avanzados necesarios para hacer tan han llegado a ser más baratos. No obstante, analizar datos requiere un de alto nivel de la experiencia. Nuestra herramienta hace el método accesible a un mayor número de investigadores en la biología y biofísica, incluso ésas sin experiencia específica, si es investigación en el coronavirus o el revelado de nuevas drogas o de tecnologías verdes.”

Source:
Journal reference:

Thomsen, J., et al. (2020) DeepFRET, a software for rapid and automated single-molecule FRET data classification using deep learning. eLife. doi.org/10.7554/eLife.60404.