Использование глубокого обучения для предсказания мутаций, связанных с болезнями

Искусственный интеллект (ИИ) стал ключевым инструментом в таких областях, как разработка лекарств, помогая анализировать большие биологические данные. Методы ИИ, такие как глубокие нейронные сети, улучшают принятие решений в биологии и химии, включая предсказание болезнетворных белков и дизайн новых лекарств.

Исследовательская группа под руководством профессора Хунчже Суна с химического факультета Гонконгского университета (HKU) совместно с профессором Джунвеном Ваном из клиники Майо (Аризона, США) применила метод глубокого обучения для предсказания болезнетворных мутаций в металл-связывающих участках белков. Это первый подобный подход для металлопротеинов, и результаты опубликованы в журнале Nature Machine Intelligence.

Ионы металлов (цинк, железо, медь и др.) играют ключевую структурную и функциональную роль в физиологии человека. Мутации в ДНК могут нарушать металл-связывающие участки белков, что приводит к развитию тяжёлых заболеваний. Понимание таких мутаций важно для открытия новых лекарств.

Команда интегрировала омиксные данные из различных баз, чтобы создать обучающий набор. Анализ показал, что разные металлы ассоциированы с разными заболеваниями:

• Мутации в цинк-связывающих участках — рак молочной железы, печени, почек, болезни иммунной системы и простаты.
• Мутации в кальций- и магний-связывающих участках — мышечные и иммунные заболевания соответственно.
• Мутации в железо-связывающих участках — метаболические болезни.
• Мутации в марганец- и медь-связывающих участках — сердечно-сосудистые заболевания (мутации меди также связаны с болезнями нервной системы).

Исследователи использовали новый подход для извлечения пространственных признаков из металл-связывающих участков с помощью энергетической карты сродства. Эти пространственные признаки объединили с физико-химическими последовательностными признаками для обучения модели. Использование пространственных признаков повысило точность предсказания: площадь под кривой (AUC) составила 0.90, а точность — 0.82.

Этот подход предлагает метод интеграции экспериментальных данных с биоинформатическим анализом в области металломики и металлопротеинов. Он поможет учёным предсказывать мутации ДНК, связанные с такими заболеваниями, как рак, сердечно-сосудистые и генетические расстройства.

Профессор Сун отметил: «Машинное обучение и ИИ играют важную роль в современных биологических и химических науках. Мы разрабатываем подход на основе глубокого обучения, чтобы превращать сырые данные в ценные знания и раскрывать секреты болезней».