۲۲ شهریور ۱۴۰۲، ۱۴:۴۲
کد خبرنگار: 754
کد خبر: 85227859
T T
۰ نفر

برچسب‌ها

نرم‌افزار محققان دانشگاه تهران به پیشگویی آلزایمر و پارکینسون کمک می‌کند

تهران- ایرنا- محققان دانشکدگان علوم دانشگاه تهران موفق به طراحی نرم‌افزار ارتقایافته پیشگویی تمایل و استعداد تشکیل تجمعات پروتئینی- پپتیدی در جانداران شدند که امکان اتخاذ راهکارهای پیشگیرانه از بروز آلزایمر، پارکینسون و دیابت نوع ۲ را فراهم می کند.

به گزارش روز چهارشنبه گروه علم و آموزش ایرنا از روابط عمومی دانشگاه تهران، پژوهشگران دانشکده زیست‌شناسی با همکاری دانشکده ریاضی، آمار و علوم کامپیوتر دانشکدگان علوم دانشگاه تهران موفق به طراحی و ابداع نرم‌افزار پیش‌بینی تمایل شکل‌گیری تجمعات پپتیدی و پروتئینی با عنوان SqFt شدند.

این دستاورد طی همکاری بین‌رشته‌ای فاطمه اشعاری پژوهشگر آزمایشگاه بیوتکنولوژی پروتئین با پژوهشگران رشته‌های آمار و نیز مهندسی شیمی دانشگاه تهران به راهنمایی مشترک مهران حبیبی رضایی استاد دانشکده زیست‌شناسی و سودابه شمه سوار دانشیار دانشکده ریاضی آمار و علوم کامپیوتر دانشگاه تهران محقق شده است.

حبیبی رضایی، سرپرست این گروه پژوهشی، در خصوص اهمیت این دستاورد اظهار داشت: در شرایط استرس اکسیداتیو، بسیاری از پروتئین‌ها و پپتیدهای طبیعی با عملکردهای معلوم و بعضاً نامعلوم دارای درجات متفاوت تمایل به تشکیل تجمع آمیلوئیدی هستند. در نتیجه تشکیل تجمعات آمیلوئیدی، عملکرد طبیعی پروتئین‌ها از بین رفته و بعضاً سمی می‌شوند. این شرایط به صورت وابسته به سن در بیماری‌های وابسته به استرس‌های اکسیداتیو مانند دیابت نوع ۲ (T۲DM)، آلزایمر (AD) و پارکینسون (PD) که امروزه شاهد روند فزونی آنها در جوامع از جمله کشورمان هستیم، مشاهده می‌شود.

وی افزود: این تجمعات آمیلوئیدی در بیماری آلزایمر به صورت پلاک‌های آمیلوئیدی خارج سلولی و کلاف‌های رشته‌های درون سلولی و در بیماری پارکینسون به صورت رسوبات درون سلولی موسوم به اجسام لووی تشکیل می‌شود. تشکیل تجمع در پروتئین‌ها تابع ویژگی‌های شیمی فیزیکی و ساختار مولکولی پیچیده آنها است. از این رو، فراهم شدن امکان پیش‌بینی تجمع پروتئین‌ها برای اتخاذ راهکارهای پیشگیرانه برای بیماری‌های مرتبط با آمیلوئید و همچنین برای طراحی و فراوری و ارزیابی عملکردی داروهای زیستی در حوزه تخصصی مهندسی پروتئین حائز اهمیت است.

حبیبی رضایی تاکید کرد: تا کنون ابزارها و سرورهای متنوعی برای پیش‌بینی تجمع پروتئین‌ها و پپیتدها معرفی شده است؛ با این حال یافتن مدل یا سرور با حساسیت و دقت بالاتر مبتنی بر درک اثر هر یک از ویژگی‌های ذاتی و ساختاری پپتیدها و پروتئین‌ها همچنان مورد توجه پژوهشگران قرار دارد. در راستای دستیابی به این دستاورد، ابتدا اثر مستقیم هر یک از ویژگی‌ها در فرایند تجمع‌پذیری بررسی و مدل جدید برای پیش‌بینی تجمع هگزاپپتتیدها با استفاده از روش یادگیری ماشین (Machine Learning) ارائه شد.

نرم‌افزار محققان دانشگاه تهران به پیشگویی آلزایمر و پارکینسون کمک می‌کند

استاد دانشکده زیست‌شناسی دانشگاه تهران افزود: به منظور طراحی و آزمایش مدل، از سرور WALTZ DB-۲.۰ که متشکل از ۱۴۱۶ هگزاپپتید آمیلوئیدی و غیرآمیلوئیدی بود، استفاده شد. ابتدا با استفاده از رگرسیون لجستیک (Logistic Regression) مدل طراحی و از ۳۵۴ هگزاپپتید جهت آزمون نرم‌افزار استفاده و به منظور بررسی کارآیی مدل از شاخص‌ها و آنالیزهای آماری بهره‌برداری شد. در ادامه، کارآیی و پایایی مدل ابداع شده طی مقایسه کمیت‌های محاسباتی مورد نظر با مقادیر بدست آمده از سرورهای رایج و شناخته‌شده مانند Aggrescan، WALTZ، Metamyl و PASTA۲.۰ به اثبات رسید.

نتایج این پژوهش با عنوان“Prediction of protein aggregation propensity employing SqFt-based logistic regression model” اخیراً در مجله “International Journal of Biological Macromolecules” با ضریب تأثیر ۸.۲ منتشر شده است.

اخبار مرتبط

نظر شما

شما در حال پاسخ به نظر «» هستید.
captcha