ژن های Gikan گزینه های تشخیصی را باز می کنند

مولکولهای قند پیچیده ای که سلولهای ما جشنواره اغلب به عنوان کمی بیشتر از دکوراسیون بیولوژیکی درمان می شوند. یک مطالعه جدید نشان می دهد که آنها مدل های پنهان دارند – امضاهای باقیمانده که می توانند یک سرطان را از دیگری جدا کنند. این سند در مجله منتشر شده است گزارش های سلولیحرف

دانشمندان Caust با ردیابی ماشینهای ژنتیکی که این برچسب های قند به نام Gikans را مجسمه می کنند ، یک کد تشخیصی شیرین و ساده را نشان داده اند که می تواند شناسایی و طبقه بندی تومورها را سریعتر و دقیق تر کند.

زیست شناس سلولی یاس مرزابان ، که رهبری این مطالعه را انجام داده است ، می گوید: “ما بلوک های ساختمانی را برای یک سیستم طبقه بندی یک مرحله ای برای همه سرطانها ایجاد کرده ایم.”

این پروژه به عنوان همکاری بین مرزی و همکارش ، زیست شناس محاسبه کننده پسر گائو ، که در اجرای هوش مصنوعی به چالش های مرتبط با سلامتی تخصص دارد ، آغاز شد. آنها با هم ، الگوریتمی را برای یادگیری ماشین برای بیان ژن از هزاران نمونه از تومور- محفظه نه در کاتالوگ کامل گزارش ژن آموزش دادند ، همانطور که سازهای طبقه بندی سرطان هوش مصنوعی موجود را ساخت ، بلکه در مجموعه ای باریک از 71 ژن مسئول ساخت گلیکان. این گلیکوزیل ترانسفرازها یا CPGT ها نقش مهمی در نحوه گسترش و توزیع تومورها دارند.

مدل حاصل به طرز چشمگیری قدرتمند است: این تومورها را در 27 دسته با بیش از 95 ٪ دقت تولید می کند و در برخی موارد بیش از طبقه بندی کننده های ژنومی استاندارد طلا که به مجموعه های ژن بسیار بزرگتر متکی هستند. و بر خلاف بسیاری از سیستم های طبقه بندی سرطان که به مجموعه داده های گسترده و قدرت محاسبات سنگین نیاز دارند ، مدل Kaust به سرعت روی یک لپ تاپ استاندارد کار می کند. این نتایج را می توان در کمتر از نیم ساعت تولید کرد ، که امکان استفاده بیشتر در بیمارستان ها و آزمایشگاه هایی را فراهم می کند که منابع محاسباتی بسیار مؤثر ندارند.

پرداخت فقط با سرعت نبود. در گلیوما ، یک شکل مخصوصاً تهاجمی از بیان ژن مربوط به سرطان مغز-گلیکان از مدلها ، بقای بیمار را با اطمینان بیشتری نسبت به نشانگرهای بالینی استاندارد پیش بینی می کند. در سرطان پستان ، طبقه بندی کننده مبتنی بر CPGT تقریباً دقت آزمایش ژنوم به طور گسترده استفاده شده را برای تشخیص زیرگروه های تومور دو برابر کرده است.

جینگ کای ، دکتر علوم ، خاطرنشان می کند: “این بدان معنی است که CPGT می تواند نه تنها آنچه را که بیمار مبتلا به سرطان است ، نشان دهد ، بلکه همچنین چگونه این بیماری پیشرفت خواهد کرد.” یک دانشجوی گروه آزمایشگاه MERZABAN ، نویسنده اصلی این مطالعه. “کار ما در اینجا پتانسیل استفاده نشده برای استفاده از گلیکان ها در تشخیص و پیش بینی سرطان را نشان می دهد.”

علی آلزارانی ، متخصص سرطان تیروئید و همکار این مطالعه در بیمارستان تخصصی و مرکز تحقیقات پادشاه فیصل در ریاض ، موافق است. وی می گوید: “این مطالعه شواهدی از مفهوم جدید در تشخیص و طبقه بندی سرطان با برنامه های بالقوه گسترده است.”

برای نزدیک شدن این فناوری به استفاده بالینی ، تیم Kaust اکنون روشهای خود را برای تجزیه و تحلیل بیان CPGT و همکاری با آلزاران و سایر پزشکان سعودی بهینه می کند و مدل خود را در بیماران بیشتری از بیماران تأیید می کند. در همین زمان ، محققان برای حل و فصل ساختارهای سه بعدی CPGT ، تلاش برای شناسایی اهداف درمانی جدید که می تواند الهام بخش توسعه آینده داروها باشد ، به تلاش های خود با زیست شناس ساختاری Kaust Andreas Naschberger پیوسته اند.

Merzaban خاطرنشان می کند: “ابزار تشخیصی اولین قدم برای تبدیل زیست شناسی قند به یک ابزار عملی برای داروهای دقیق برای افراد مبتلا به سرطان است.” “این در نهایت ، ابزار ابزار را برای تشخیص اصلی و انکولوژی ترجمه گسترش می دهد.