AI model pronalazi tragove raka brzinom munje

AI model pronalazi tragove raka brzinom munje

Istraživači sa Univerziteta u Geteborgu razvili su AI model koji povećava potencijal za otkrivanje raka kroz analizu šećera. AI model je brži i bolji u pronalaženju abnormalnosti od trenutne poluručne metode.

Glikani, ili strukture molekula šećera u našim ćelijama, mogu se meriti masenom spektrometrijom. Jedna važna upotreba je da strukture mogu ukazivati na različite oblike raka u ćelijama.

Međutim, ljudi moraju pažljivo analizirati podatke iz merenja masenog spektrometra da bi utvrdili strukturu fragmentacije glikana. Ovaj proces može da potraje od nekoliko sati do dana za svaki uzorak i može ga sprovoditi samo mali broj stručnjaka u svetu sa velikim poverenjem, jer je to u suštini detektivski rad koji se uči tokom mnogo godina.

Proces je stoga usko grlo u korišćenju analiza glikana, na primer za otkrivanje raka, kada postoji mnogo uzoraka za analizu.

Istraživači sa Univerziteta u Geteborgu razvili su AI model za automatizaciju ovog detektivskog rada. AI model, nazvan Candicrunch, rešava zadatak za samo nekoliko sekundi po testu. Rezultati su objavljeni u naučnom članku u časopisu Prirodne metode.

AI model je obučen korišćenjem baze podataka od preko 500.000 primera različitih fragmentacija i povezanih struktura molekula šećera.

„Obuka je omogućila Candicrunch-u da izračuna tačnu strukturu šećera u uzorku u 90% slučajeva“, kaže Daniel Bojar, viši predavač za bioinformatiku na Univerzitetu u Geteborgu.

To znači da bi AI model uskoro mogao da dostigne iste nivoe tačnosti kao sekvencioniranje drugih bioloških sekvenci, kao što su DNK, RNK ili proteini.

Pošto je AI model tako brz i tačan u svojim odgovorima, može ubrzati otkrivanje biomarkera na bazi glikana za dijagnozu i prognozu raka.

„Verujemo da će analize glikana postati veći deo bioloških i kliničkih istraživanja sada kada smo automatizovali najveće usko grlo“, kaže Bojar.

AI model Candicrunch je takođe u stanju da identifikuje strukture koje ljudske analize često propuštaju zbog njihove niske koncentracije. Model stoga može pomoći istraživačima da pronađu nove biomarkere na bazi glikana.