加州大學圣地亞哥分校的研究人員創(chuàng)建了一種工具，可以使用可解釋的人工智能 (AI) 系統(tǒng)和其他機器學習方法分析糖組學數(shù)據(jù)集。在最近發(fā)表在Nature Communications 上的一篇論文中，該團隊證明糖組學數(shù)據(jù)需要格外小心才能正確用于統(tǒng)計分析或機器學習。他們還提供了一種新的預處理解決方案來準備糖組學數(shù)據(jù)，以大大提高其在機器學習和人工智能中的使用能力。他們將該方法命名為 GlyCompare。它從系統(tǒng)層面的角度考慮了樣品內和樣品間聚糖的共享生物合成途徑。
為了介紹 GlyCompare，該團隊展示了他們通過揭示多種情況下多糖之間的隱藏關系(包括胃癌組織)來增強糖組學數(shù)據(jù)集比較的能力?？紤]到聚糖變化對癌癥的重要性及其在早期診斷中的效用，癌癥是一個有用的例子。
“我們將 GlyCompare 應用于癌癥組織，并表明雖然使用標準統(tǒng)計方法無法找到癌癥特異性聚糖，但使用我們的方法處理時會出現(xiàn)新的生物標志物，”加州大學圣地亞哥分校生物工程和兒科教授 Nathan Lewis 說，他是相應的作者在紙上。Lewis 共同指導CHO 系統(tǒng)生物學中心，并使用糖工程化 CHO 細胞系生產(chǎn)研究中使用的多種蛋白質。
在另一項分析中，該團隊表明該方法顯著提高了統(tǒng)計能力，因此需要一半的樣本才能獲得等效的能力來檢測生物標志物。在論文中，研究人員概述了 GlyCompare 背后的方法將如何變革性地將糖組學帶入臨床。事實上，Lewis 是一家新初創(chuàng)公司創(chuàng)始團隊的一員，該公司正在授權相關知識產(chǎn)權，將這項技術商業(yè)化，用于高價值應用，包括癌癥診斷。
GlyCompare 方法的關鍵之一是它著眼于合成構成聚糖的亞基所需的生物學步驟，而不是僅僅著眼于整個聚糖本身，大大提高了糖組學數(shù)據(jù)統(tǒng)計分析的準確性。研究人員認為，這種方法將能夠在包括早期癌癥在內的許多應用中檢測糖基化的更細微變化。此外，GlyCompare 可以對所觀察到的聚糖變化背后的機制產(chǎn)生新的見解。
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！