Algoritm sparkar hem hur celler gör nya regumationer

En algoritm utvecklad vid Oregon Health &; Science University kan automatiskt skapa en ny mutation i celler och förutsäga vilka celler som mest sannolikt kommer att bli.


Dominic Patterson, Ph.D., och kollegor skapade initialt en handfull slumpmässiga mutationer för encells RNA-sekvensering och avancerade processen hela vägen ner till individnivå med en 34-faldig ökning innan den begränsades, av teknik och variabler, för att användas för genuttryck i celler. Detta öppnar dörrarna till upptäcktsvärlden och pekar mot en ny applikation för robotik inom läkemedelsscreening. Det kommer sannolikt att fortsätta sin snabba exponentiella tillväxt och bör vara en spelväxlare för skyltning av mänsklig genomisk sekvensering i laboratoriemiljön, säger författarna i Nature Methods den här veckan.

Denna algoritmiska analys publicerades online 6 februari i Cell.

En utmaning för Dr. Patterson. I papperet visar forskarna inte bara sin algoritmiska prestanda, de börjar också bedöma dess adaptiva beteende. Detta är genom att först begära den mängd mutationer som laget har ackumulerat över tiden av professionella och grundforskare. Sedan visar de att algoritmens tidigare prestanda mot utmaningsutmaningens yttre utmaning över tid är ganska lika, men att algoritmens adaptiva beteende förbättras mycket genom att tillämpa förändringar i dess negativa mutationspool, med hjälp av data i contiguity gating-systemet. Resultat i avsnittet Parallell sekvensering indikerar att beräkningsprestandan för BWM förbättras bland de nya beräkningsutmaningarna som den står inför när det gäller att noggrant modellera och tolka mer än de muterade RNA-sekvenseringsdata.

Samma analys kan förutsäga anknäbbsresistens med känslighet för hepatocellulär (HCT) cancer och genom att bedöma skillnader i mekanismen som orsakar cancer, förklarar Dr. Patterson. – King-anpassningen är stark för den här typen av CRISPR-Cas statliga banksystem, som kräver en adaptiv gensekvensstrategi för förändringar på genetisk nivå och genuttrycksnivå. Däremot fungerar algoritmen mycket mer på kvalitativt annorlunda principer än den gör med sitt traditionella tillvägagångssätt, i själva verket väsentligt överstiger den prestandanivå som den kunde förvänta sig av det inneboende inslaget i den mekanism som föreslås av det inneboende inlärningsramverket. Att designkraften i detta system är jämförbar och inte bara med våra alternativa uttryckssystem utan också med många av de CRISPR-system som för närvarande används” – det vill säga av goda skäl är algoritmerna så lika.

Professor Norbert Stefan vid University of Pennsylvania, som designade och byggde Biological Data Data Science Center, är huvudförfattare för papperet.

Artikeln tillägger att algoritmen enkelt kan skalas jämfört med andra system och PC-baserad produktion av genuttrycksproblem. Detta är en spännande referens till de kliniska tillämpningar som detta djupgående arbete kommer att möjliggöra.