Algoritme bruger massespektrometridata til at forudsige molekylernes identitet

En algoritme designet af forskere fra Carnegie Mellon University's Computational Biology Department og St. Petersburg State University i Rusland kunne hjælpe videnskabsmænd med at identificere ukendte molekyler. Algoritmen, kaldet MolDiscovery, bruger massespektrometridata fra molekyler til at forudsige identiteten af ​​ukendte stoffer, tidligt i deres forskning at fortælle videnskabsmænd, om de er faldet over noget nyt eller blot har genfundet noget, der allerede er kendt.

Denne udvikling kan spare tid og penge i jagten på nye naturligt forekommende produkter, der kan bruges i medicin.

"Forskere spilder en masse tid på at isolere molekyler, der allerede er kendte, i det væsentlige genopdage penicillin, " sagde Hosein Mohimani, en adjunkt og en del af forskerholdet. "At opdage, om et molekyle er kendt eller ej tidligt, kan spare tid og millioner af dollars, og vil forhåbentlig gøre det muligt for farmaceutiske virksomheder og forskere bedre at søge efter nye naturlige produkter, der kan resultere i udvikling af nye lægemidler."

Teamets arbejde, "MolDiscovery:At lære massespektrometri-fragmentering af små molekyler, " blev for nylig offentliggjort i Naturkommunikation . Forskerholdet omfattede Mohimani; CMU Ph.D. studerende Liu Cao og Mustafa Guler; Yi-Yuan Lee, en forskningsassistent ved CMU; og Azat Tagirdzhanov og Alexey Gurevich, begge forskere ved Center for Algorithmic Biotechnology ved St. Petersburg State University.

Mohimani, hvis forskning i Metabolomics and Metagenomics Lab fokuserer på søgen efter nye, naturligt forekommende lægemidler, sagt efter at en videnskabsmand har opdaget et molekyle, der lover som et potentielt lægemiddel i en hav- eller jordprøve, for eksempel, det kan tage et år eller længere at identificere molekylet uden garanti for, at stoffet er nyt. MolDiscovery bruger massespektrometrimålinger og en forudsigelig maskinlæringsmodel til at identificere molekyler hurtigt og præcist.

Massespektrometrimålinger er fingeraftryk af molekyler, men i modsætning til fingeraftryk er der ingen enorm database at matche dem med. Selvom hundredtusindvis af naturligt forekommende molekyler er blevet opdaget, videnskabsmænd har ikke adgang til deres massespektrometridata. MolDiscovery forudsiger identiteten af ​​et molekyle ud fra massespektrometridata uden at være afhængig af en massespektredatabase til at matche den med.

Holdet håber, at MolDiscovery vil være et nyttigt værktøj for laboratorier i opdagelsen af ​​nye naturlige produkter. MolDiscovery kunne arbejde sammen med NRPminer, en maskinlæringsplatform udviklet af Mohimanis laboratorium, der hjælper videnskabsmænd med at isolere naturlige produkter. Forskning relateret til NRPminer blev også for nylig offentliggjort i Naturkommunikation .