La svolta dell’intelligenza artificiale può portare a una medicina altamente personalizzata nel trattamento di malattie gravi
L’apprendimento automatico sta ora aiutando i ricercatori ad analizzare la composizione di cellule sconosciute, il che potrebbe portare a una medicina più personalizzata nel trattamento del cancro e di altre malattie gravi.
I ricercatori dell’Università di Waterloo hanno sviluppato GraphNovo, un nuovo programma che fornisce una comprensione più accurata delle sequenze peptidiche nelle cellule. I peptidi sono catene di amminoacidi all’interno delle cellule e costituiscono elementi costitutivi importanti e unici quanto il DNA o l’RNA.
Identificazione delle cellule irregolari o estranee
In una persona sana, il sistema immunitario può identificare correttamente i peptidi di cellule irregolari o estranee, come cellule tumorali o batteri nocivi, e quindi indirizzare quelle cellule per distruggerle. Per le persone il cui sistema immunitario è in difficoltà, il promettente campo dell’immunoterapia sta lavorando per riqualificare il loro sistema immunitario per identificare questi pericolosi invasori.
“Ciò che gli scienziati vogliono fare è sequenziare questi peptidi tra il tessuto normale e il tessuto canceroso per riconoscere le differenze”, ha affermato Zeping Mao, un dottorando presso la Cheriton School of Computer Science che ha sviluppato GraphNovo sotto la guida del dottor Ming Li.
Processo di sequenziamento
Questo processo di sequenziamento è particolarmente difficile per nuove malattie o cellule tumorali, che potrebbero non essere state analizzate prima. Mentre gli scienziati possono attingere a un database di peptidi esistente quando analizzano malattie o organismi che sono stati precedentemente studiati, il cancro e il sistema immunitario di ogni persona sono unici.
Per costruire rapidamente un profilo dei peptidi in una cellula sconosciuta, gli scienziati hanno utilizzato un metodo chiamato sequenziamento dei peptidi de novo, che utilizza la spettrometria di massa per analizzare rapidamente un nuovo campione. Questo processo può lasciare alcuni peptidi incompleti o del tutto mancanti dalla sequenza.
Il ruolo di GraphNovo
Utilizzando l’apprendimento automatico, GraphNovo migliora significativamente la precisione nell’identificazione delle sequenze peptidiche riempiendo queste lacune con la massa precisa della sequenza peptidica. Un simile salto di precisione sarà probabilmente immensamente vantaggioso in una varietà di aree mediche, in particolare nel trattamento del cancro e nella creazione di vaccini per malattie come l’Ebola e il COVID-19. I ricercatori hanno raggiunto questo traguardo grazie all’impegno di Waterloo nei confronti dei progressi nell’interfaccia tra tecnologia e salute.
“Se non abbiamo un algoritmo sufficientemente buono, non possiamo creare trattamenti”, ha detto Mao. “Per ora è tutto teorico. Ma presto saremo in grado di usarlo nel mondo reale”.
Lo studio, Mitigare il problema della frammentazione mancante nel sequenziamento de novo dei peptidi con un modello di deep learning basato su grafici a due stadi , è stato pubblicato su Nature Machine Intelligence.
