از سوی پژوهشگران دانشگاه تهران محقق شد؛
طراحی نرم افزاری برای جلوگیری از بیماری های آلزایمر و پارکینسون
به گزارش ایت بال، پژوهشگران دانشگاه تهران نرم افزار ارتقاء یافته پیشگویی تمایل و استعداد تشکیل تجمعات پروتئینی- پپتیدی را برای جلوگیری از بیماری هایی مثل آلزایمر و پارکینسون طراحی کردند.
به گزارش ایت بال به نقل از دانشگاه تهران، پژوهشگران دانشکده زیست شناسی با همکاری دانشکده ریاضی، آمار و علوم کامپیوتر دانشکدگان علوم دانشگاه تهران موفق به طراحی و ابداع نرم افزار پیشبینی تمایل شکل گیری تجمعات پپتیدی و پروتئینی با عنوان SqFt شدند.
این دستاورد طی همکاری بین رشته ای فاطمه اشعاری پژوهشگر لابراتوار بیوتکنولوژی پروتئین با پژوهشگران رشته های آمار و هم مهندسی شیمی دانشگاه تهران به راهنمایی مشترک دکتر مهران حبیبی رضایی استاد دانشکده زیست شناسی و دکتر سودابه شمه سوار دانشیار دانشکده ریاضی آمار و علوم کامپیوتر دانشگاه تهران محقق شده است.
دکتر حبیبی رضایی، سرپرست این گروه پژوهشی، در مورد اهمیت این دستاورد عنوان کرد: در شرایط استرس اکسیداتیو، خیلی از پروتئین ها 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 پروتئین ها از بین رفته و بعضاً سمی می شوند. این شرایط به صورت وابسته به سن در بیماری های وابسته به استرس های اکسیداتیو مانند دیابت نوع ۲ (T۲DM)، آلزایمر (AD) و پارکینسون (PD) که امروزه شاهد روند فزونی آنها در جوامع همچون کشورمان هستیم، مشاهده می شود.
وی اضافه کرد: این تجمعات آمیلوئیدی در بیماری آلزایمر به صورت پلاک های آمیلوئیدی خارج سلولی و کلاف های رشته های درون سلولی و در بیماری پارکینسون به صورت رسوبات درون سلولی معروف به اجسام لووی تشکیل می شود. تشکیل تجمع در پروتئین ها تابع خصوصیت های شیمی فیزیکی و ساختار مولکولی پیچیده آنها است. ازاین رو، فراهم شدن امکان پیشبینی تجمع پروتئین ها برای اتخاذ راهکارهای پیشگیرانه برای بیماری های در رابطه با آمیلوئید و همینطور برای طراحی و فراوری و ارزیابی عملکردی داروهای زیستی در حوزه تخصصی مهندسی پروتئین حائز اهمیت می باشد.
حبیبی رضایی تصریح کرد: تا کنون ابزارها و سرورهای متنوعی جهت پیشبینی تجمع پروتئین ها و پپیتدها معرفی شده است؛ با این وجود یافتن مدل یا سرور با حساسیت و دقت بالاتر مبتنی بر درک اثر هر یک از خصوصیت های ذاتی و ساختاری پپتیدها و پروتئین ها همچنان مورد توجه پژوهشگران قرار دارد. در جهت دستیابی به این دستاورد، ابتدا اثر مستقیم هر یک از خصوصیت ها در فرآیند تجمع پذیری بررسی و مدل جدید جهت پیشبینی تجمع هگزاپپتتیدها با استفاده از روش یادگیری ماشین (Machine Learning) عرضه شد.
استاد دانشکده زیست شناسی دانشگاه تهران اضافه کرد: به منظور طراحی و آزمایش مدل با رهنمودهای دکتر سودابه شمه سوار دانشیار آمار، 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 نرم افزار استفاده و به منظور بررسی کارآیی مدل از شاخص ها و آنالیزهای آماری بهره برداری شد. در ادامه، کارآیی و پایایی مدل ابداع شده طی مقایسه کمیت های محاسباتی مورد نظر با مقادیر بدست آمده از سرورهای رایج و شناخته شده 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 تاثیر ۸.۲ انتشار یافته است.
منبع: ایت بال
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب