به گزارش خبرگزاری صدا و سیما به نقل از نشریه Nature Methods، این روش با نام DeepMVP، عملکردی بسیار بهتر از مدل‌های پیشین دارد و می‌تواند به توسعه درمان‌های نوین کمک کند.
دکتر بینگ ژانگ، استاد ژنتیک مولکولی و انسانی و محقق مرکز سرطان دان ال دانکان، در این باره می‌گوید: «پروتئین‌ها مسئول تمام عملکردهای بدن هستند، از رشد بافت‌ها تا تنظیم متابولیسم و مبارزه با بیماری‌ها. عملکرد آن‌ها اغلب توسط تغییراتی که بعد از تولید پروتئین رخ می‌دهد، تنظیم می‌شود. این فرآیند که تغییرات پساترجمه‌ای (PTM) نام دارد، می‌تواند شامل افزودن گروه‌های شیمیایی مانند فسفات یا قند باشد که رفتار پروتئین، مکان آن در سلول و طول عمرش را تحت تأثیر قرار می‌دهد.»
وقتی تغییرات پساترجمه‌ای به درستی انجام نشوند، پروتئین‌ها ممکن است عملکرد طبیعی خود را از دست بدهند و به بیماری‌هایی مانند سرطان، مشکلات قلبی یا اختلالات عصبی منجر شوند. شناخت محل وقوع این تغییرات می‌تواند کمک کند پیش‌بینی کنیم جهش‌های ژنتیکی چگونه می‌توانند عملکرد پروتئین را تحت تأثیر قرار دهند. برای مثال، یک جهش DNA می‌تواند سایت PTM را حذف، یک سایت جدید ایجاد یا مناطق نزدیک به آن را تغییر دهد و در نتیجه عملکرد پروتئین را دگرگون کند.
دکتر چن‌وی وانگ، پژوهشگر پسادکترا در آزمایشگاه ژانگ، توضیح می‌دهد: «ما مدل DeepMVP را برای پیش‌بینی مکان‌های تغییرات پساترجمه‌ای در پروتئین‌ها و جهش‌هایی که این تغییرات را تحت تأثیر قرار می‌دهند، توسعه دادیم. برای آموزش این مدل، پایگاه داده‌ای با نام PTMAtlas ایجاد کردیم که شامل ۳۹۷,۵۲۴ سایت PTM از طریق پردازش دوباره ۲۴۱ مجموعه داده عمومی است و تمرکز ما بر شش نوع تغییر رایج بود.»
PTMAtlas شامل نزدیک به ۴۰۰ هزار سایت PTM در هزاران پروتئین انسانی است و نسبت به دیگر پایگاه‌های داده جامع‌تر و دقیق‌تر است. این پایگاه قادر است سایت‌های PTM در تمام پروتئین‌های انسانی و حتی پروتئین‌های ویروسی مانند SARS-CoV-2 را پیش‌بینی کند. آزمایش DeepMVP نشان داد که این مدل در پیش‌بینی محل PTM در ۸۱٪ موارد و جهت تغییر (افزایش یا کاهش) در ۹۷٪ موارد موفق عمل می‌کند.
دکتر ژانگ می‌گوید: «انتظار داریم DeepMVP در حوزه‌هایی مانند سرطان، بیماری‌های عصبی و قلبی-عروقی کاربرد داشته باشد و کشفیات در ژنتیک، زیست‌شناسی سرطان و توسعه دارو را سرعت بخشد.»
