از سوی پژوهشگران دانشگاه تهران محقق شد؛
طراحی نرم افزاری برای پیش گیری از بیماریهای آلزایمر و پارکینسون
آزینیک: پژوهشگران دانشگاه تهران نرم افزار ارتقاء یافته پیشگویی تمایل و استعداد تشکیل تجمعات پروتئینی- پپتیدی را برای پیش گیری از بیماری هایی مثل آلزایمر و پارکینسون طراحی کردند.
به گزارش آزینیک 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 پیش بینی تمایل ایجاد 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 نیز 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، درباب اهمیت این دستاورد گفت: در وضعیت 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 بصورت وابسته به سن در بیماریهای 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 طور پلاک های آمیلوئیدی خارج سلولی و کلاف های رشته های درون سلولی و در بیماری پارکینسون به طور رسوبات درون سلولی موسوم به اجسام لووی تشکیل می شود. تشکیل تجمع در پروتئین ها تابع خاصیت های شیمی فیزیکی و ساختار مولکولی پیچیده آنها است. از ین جهت، فراهم شدن امکان پیش بینی تجمع پروتئین ها برای اتخاذ راهکارهای پیشگیرانه برای بیماریهای در رابطه با آمیلوئید و همین طور برای طراحی و فراوری و ارزیابی عملکردی داروهای زیستی در عرصه تخصصی مهندسی پروتئین حائز اهمیت می باشد.
حبیبی رضایی اشاره کرد: تا کنون ابزارها و سرورهای متنوعی جهت پیش بینی تجمع پروتئین ها و پپیتدها معرفی شده است؛ با اینحال یافتن مدل یا سرور با حساسیت و دقت بالاتر مبتنی بر درک اثر هر یک از خاصیت های ذاتی و ساختاری پپتیدها و پروتئین ها همچنان مورد توجه پژوهشگران قرار دارد. در امتداد دستیابی به این دستاورد، ابتدا اثر مستقیم هر یک از خاصیت ها در پروسه تجمع پذیری بررسی و مدل جدید جهت پیش بینی تجمع هگزاپپتتیدها با بهره گیری از روش یادگیری ماشین (Machine Learning) ارائه شد.
استاد دانشکده زیست شناسی دانشگاه تهران اضافه کرد: بمنظور 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 بهره گیری از رگرسیون لجستیک (Logistic Regression) مدل طراحی و از ۳۵۴ هگزاپپتید جهت آزمون نرم افزار استفاده و بمنظور 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 تأثیر ۸.۲ انتشار یافته است.
منبع: azinic.ir
این مطلب آزینیک را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط آزینیک
نظرات خوانندگان آزینیک در مورد این مطلب