과학자들은 기계 학습을 사용하여 소분자에 대한 전례 없는 시각을 얻습니다.

대사산물로 알려진 수천 개의 서로 다른 작은 분자는 에너지를 운반하고 인체 전체에 세포 정보를 전달합니다. 대사산물은 너무 작기 때문에 혈액 샘플 분석에서 서로 구별하기가 어렵습니다. 그러나 운동, 영양, 알코올 사용 및 대사 장애가 웰빙에 미치는 영향을 이해하려면 이러한 분자를 식별하는 것이 중요합니다.

대사산물은 일반적으로 액체 크로마토그래피와 질량 분석법이라는 분리 기술을 사용하여 질량과 체류 시간을 분석하여 식별됩니다. 이 기술은 먼저 샘플을 컬럼에 통과시켜 대사산물을 분리합니다. 이로 인해 측정 장치를 통과하는 유속 또는 머무름 시간이 달라집니다. 그런 다음 질량 분석법을 사용하여 질량에 따라 대사산물을 분류함으로써 식별 과정을 미세 조정합니다. 연구자들은 또한 탠덤 질량 분석법이라는 기술을 사용하여 대사산물을 더 작은 조각으로 분해하여 그 구성을 분석할 수도 있습니다.

Aalto University의 Juho Rousu 교수는 '가장 좋은 방법이라 할지라도 후보 분자에 대한 몇 가지 추가적인 가정을 하지 않고는 샘플에 있는 분자의 40% 이상을 식별할 수 없습니다.'라고 말했습니다.

이제 Rousu의 그룹은 작은 분자를 식별하기 위한 새로운 기계 학습 모델을 개발했습니다. 최근에 출판되었습니다. 자연 기계 지능.

'이 새로운 오픈 소스 모델은 전체 연구 커뮤니티에 소분자에 대한 풍부한 시각을 제공합니다. 이는 당뇨병이나 심지어 암과 같은 대사 장애를 식별하는 방법에 대한 연구에 도움이 될 것입니다.'라고 Rousu는 말합니다.

새로운 접근 방식은 기존 방법이 직면한 과제 중 하나를 우아하게 회피합니다. 분자의 머무름 시간은 실험실마다 다르기 때문에 실험실 간에 데이터를 비교할 수 없습니다. Aalto의 박사과정 학생인 Eric Bach는 박사 연구 중에 문제를 해결하는 대안을 생각해 냈습니다.

우리의 연구에 따르면 절대 머무름 시간은 다를 수 있지만 여러 실험실의 측정에 걸쳐 머무름 순서는 안정적입니다.'라고 Bach는 설명합니다. '이를 통해 우리는 최초로 대사산물에 대해 공개적으로 사용 가능한 모든 데이터를 병합하고 이를 우리의 기계 학습 모델에 제공할 수 있었습니다.

전 세계 수십 개의 실험실에서 얻은 데이터를 통합한 기계 학습 모델은 입체화학적 변형으로 알려진 거울 이미지 분자를 구별할 수 있을 만큼 정확합니다. 지금까지 식별 도구로는 입체화학적 변이체를 구분할 수 없었으며, 이 새로운 기능은 약물 설계 및 기타 분야에서 새로운 길을 열어줄 것으로 기대됩니다.

입체화학을 사용하면 식별 성능이 향상된다는 사실은 대사체 식별 방법의 모든 개발자에게 새로운 사실입니다.'라고 룩셈부르크 대학 시스템 생물의학 센터(LCSB)의 부교수인 Emma Schymanski는 말합니다. '이 방법은 또한 환경에서 미세 오염물질을 식별하고 추적하거나 식물 세포의 새로운 대사산물을 특성화하는 데 사용될 수 있습니다.