محققان دانشگاه کالیفرنیا سن دیگو ابزاری ایجاد کرده‌اند که امکان تجزیه و تحلیل مجموعه داده‌های گلیکومیک را با استفاده از سیستم‌های هوش مصنوعی (AI) و سایر رویکردهای یادگیری ماشینی فراهم می‌کند.

در مقاله‌ای که اخیراً در Nature Communications منتشر شد، این تیم نشان داد که داده‌های گلیکومیک نیاز به مراقبت بیشتری دارند تا به درستی برای تجزیه و تحلیل آماری یا یادگیری ماشین استفاده شوند. آنها همچنین یک راه حل پیش پردازش جدید برای آماده سازی داده های گلیکومیک ارائه می دهند تا به طور قابل توجهی قدرت استفاده از آن را با یادگیری ماشین و هوش مصنوعی افزایش دهند. آنها نام این رویکرد را GlyCompare گذاشتند.

این یک دیدگاه سطح سیستمی دارد که مسیرهای بیوسنتزی مشترک گلیکان ها را در داخل و بین نمونه ها در نظر می گیرد. برای معرفی GlyCompare، این تیم توانایی خود را در افزایش مقایسه مجموعه داده های گلیکومیک با تابش نور بر روابط پنهان بین گلیکان ها در چندین زمینه، از جمله بافت های سرطان معده، نشان دادند.

در تجزیه و تحلیل دیگری، تیم نشان داد که این روش به طور قابل‌توجهی قدرت آماری را افزایش می‌دهد، به طوری که برای بدست آوردن توان معادل برای شناسایی نشانگرهای زیستی به نصف نمونه‌های بیشتری نیاز است.

یکی از کلیدهای رویکرد GlyCompare این است که به گام‌های بیولوژیکی مورد نیاز برای سنتز زیر واحدهای سازنده گلیکان‌ها نگاه می‌کند، نه اینکه فقط به کل گلیکان‌ها نگاه کند، و دقت تحلیل‌های آماری داده‌های گلیکومیک را تا حد زیادی بهبود می‌بخشد.

محققان بر این باورند که این رویکرد امکان تشخیص تغییرات ظریف تر در گلیکوزیلاسیون را در بسیاری از کاربردها، از جمله سرطان در مراحل اولیه، فراهم می کند. علاوه بر این، GlyCompare می تواند به بینش های جدیدی در مورد مکانیسم های پشت تغییرات مشاهده شده در گلیکان های موجود منجر شود.

201000929.029