Uten å kjenne til alle de forskjellige proteinene som finnes i cellene, forskere er knapt i stand til å fastslå på molekylært nivå hva som er galt med kroppen vår, hvorfor sykdommer oppstår, informerer sciencealert.com.
Nylig utviklet forskere en ny metode som bruker kunstig intelligens til å behandle mikroskopiske bilder av individuelle celler og biokjemiske analysedata for å lage et «komplett kart» over cellekomponenter, hvis sider ser ut til å aldri ha blitt sett før.

«Forskere har lenge forstått at vi ikke vet mer enn vi gjør, men vi har endelig en måte å utvide kunnskapen vår på,» sa Trey Ideker, informatiker ved University of California, San Diego og nettverksforsker. .

Kraftige mikroskoper lar forskere se inn i celler og undersøke ulike organeller i større detalj, som mitokondrier, cellekraftverkene og ribosomer, proteinfabrikkene. Det er til og med mulig å bruke spesielle fluorescerende fargestoffer for å merke og spore proteiner.
Biokjemiske metoder lar oss imidlertid se enda dypere og isolere individuelle proteiner (ved å bruke for eksempel målrettede antistoffer som binder seg til proteinet), trekke ut et bestemt protein fra cellen og se hva som er festet til det.

Integreringen av disse to tilnærmingene er en reell utfordring for cellebiologer.

«Hvordan forene skalaer uttrykt i nanometer og mikron?» Dette problemet har lenge vært bekymret for representanter for biologiske vitenskaper, – forklarte T. Idekeris. «Det viser seg at alt du trenger å gjøre er å bruke kunstig intelligens, som analyserer data samlet inn fra ulike kilder og lager en modell av cellen.»

T. Ideker og hans samarbeidspartnere har lykkes i å transformere lærebokskjematiske tegninger av blodceller, som lar oss få et generelt bilde av strukturen til blodceller, til et sofistikert nettverk av proteininteraksjoner.

Ved å kombinere data fra Human Protein Atlas-databasen og tilgjengelige «kart» over proteininteraksjoner, fikk en maskinlæringsalgoritme i oppgave å beregne avstandene mellom proteinparene.

Målet med denne metoden er å identifisere proteinklynger som består av proteiner av forskjellige størrelser (fra mindre enn 50 nm til mer enn 1 μm). Etter å ha brukt den nevnte algoritmen, ble 69 proteinklynger klassifisert. Den kunstige intelligensen ble styrt av en referansedatabase over proteiner hvis diameter er kjent nøyaktig eller omtrentlig, og resultatene av studien ble bekreftet av andre eksperimenter.

Omtrent halvparten av de identifiserte proteinene ser ut til å være ukjente for vitenskapen, og har aldri blitt beskrevet i den vitenskapelige litteraturen, ifølge studieforfatterne.

En av proteinklyngene hadde en uvanlig struktur. Ifølge forskere er den sannsynligvis ansvarlig for å organisere den genetiske koden for proteinproduksjon. Blant de nye proteinene som ble oppdaget var en slags transmembrane «transportsystemer» som pumper næringsstoffer inn og ut av cellene, og proteiner som regulerer funksjonene til kromosomer og andre proteinkomplekser.

Dette er ikke første gang forskere har forsøkt å studere strukturen til menneskelige celler i dybden. Visst, mange nye proteiner har også blitt oppdaget i andre tester. Forskere har også utviklet metoder for å visualisere og følge interaksjoner og bevegelser av proteiner inne i cellene.

Denne pilotstudien tok neste steg ved å bruke maskinlæring for å analysere mikroskopiske bilder av celler og data fra proteininteraksjonsstudier, som søker etter et proteins nærmeste nano-nabo.

«Kombinasjonen av disse teknologiene er unik og kraftig fordi det er første gang at svært forskjellige skala dimensjoner har blitt kombinert,» sa bioinformatiker Yue Qin, også ved University of California, San Diego.

Dermed øker Multi-Scale Integrated Cell (MuSIC)-teknikken oppløsningen til bilder og gir romlig dimensjon til proteininteraksjoner, og tillater kombinasjonen av data fra forskjellige arter til cellulære kart i proteomskala, skriver T. Idekeris og hans kolleger. .

Det skal bemerkes at denne studien er veldig foreløpig: teamet fokuserte på å validere metoden deres og analyserte data fra 661 proteiner oppdaget i en enkelt type celle (nyreceller, som forskere har dyrket i laboratoriet i mer enn fem tiår).

Studieforfatterne planlegger å bruke den nye metoden for å studere andre celler også, sa Idekeris. Og foreløpig kan vi bare ydmykt akseptere det faktum at vi bare er inntrengere i våre egne celler og bare forstår en liten del av hele proteomet.

«Kanskje på sikt kan vi bedre forstå de molekylære årsakene til mange sykdommer ved å sammenligne forskjellene mellom friske og usunne celler», tror T. Idekeris.

Studien ble publisert i tidsskriftetNatur«.

Kilde: https://health.ucsd.edu/news/releases/Pages/2021-11-24-we-might-not-know-half-of-whats-in-our-cells-new-ai-technique-reveals. aspx