Orgasme yang Segera Terjadi Pada Wanita Berhubungan Dengan Kaki Gelisah - ScienceDaily

165 gen kanker baru diidentifikasi dengan bantuan pembelajaran mesin – ScienceDaily


Algoritme baru dapat memprediksi gen mana yang menyebabkan kanker, bahkan jika urutan DNA-nya tidak berubah. Sebuah tim peneliti di Berlin menggabungkan berbagai macam data, menganalisanya dengan “Kecerdasan Buatan” dan mengidentifikasi banyak gen kanker. Ini membuka perspektif baru untuk terapi kanker yang ditargetkan dalam pengobatan yang dipersonalisasi dan untuk pengembangan biomarker.

Pada kanker, sel menjadi tidak terkendali. Mereka berkembang biak dan masuk ke jaringan, menghancurkan organ dan dengan demikian merusak fungsi vital yang esensial. Pertumbuhan tak terbatas ini biasanya dipicu oleh akumulasi perubahan DNA pada gen kanker – yaitu mutasi pada gen yang mengatur perkembangan sel. Tetapi beberapa kanker hanya memiliki sedikit gen yang bermutasi, yang berarti penyebab lain menyebabkan penyakit dalam kasus ini.

Sebuah tim peneliti di Institut Max Planck untuk Genetika Molekuler (MPIMG) di Berlin dan di Institut Biologi Komputasi Helmholtz Zentrum München mengembangkan algoritme baru menggunakan teknologi pembelajaran mesin untuk mengidentifikasi 165 gen kanker yang sebelumnya tidak dikenal. Urutan gen ini belum tentu diubah – ternyata, disregulasi gen ini sudah dapat menyebabkan kanker. Semua gen yang baru diidentifikasi berinteraksi erat dengan gen kanker terkenal dan telah terbukti penting untuk kelangsungan hidup sel tumor dalam percobaan kultur sel.

Target tambahan untuk obat yang dipersonalisasi

Algoritme, yang dijuluki “EMOGI” untuk Integrasi Grafik Multi-Omics yang Dapat Dijelaskan, juga dapat menjelaskan hubungan dalam mesin sel yang membuat gen menjadi gen kanker. Seperti yang dijelaskan tim peneliti yang diketuai Annalisa Marsico dalam jurnal tersebut Kecerdasan Mesin Alam, perangkat lunak mengintegrasikan puluhan ribu set data yang dihasilkan dari sampel pasien. Ini berisi informasi tentang metilasi DNA, aktivitas gen individu dan interaksi protein dalam jalur seluler selain data sekuens dengan mutasi. Dalam data ini, algoritme pembelajaran mendalam mendeteksi pola dan prinsip molekuler yang mengarah pada perkembangan kanker.

“Idealnya, kami memperoleh gambaran lengkap dari semua gen kanker di beberapa titik, yang dapat berdampak berbeda pada perkembangan kanker untuk pasien yang berbeda,” kata Marsico, kepala kelompok penelitian di MPIMG hingga saat ini dan sekarang di Helmholtz Zentrum München. “Ini adalah dasar untuk terapi kanker yang dipersonalisasi.”

Berbeda dengan pengobatan kanker konvensional seperti kemoterapi, terapi yang dipersonalisasi mendekati pengobatan yang sesuai dengan jenis tumor. “Tujuannya adalah untuk memilih terapi terbaik untuk setiap pasien – yaitu, pengobatan yang paling efektif dengan efek samping paling sedikit. Selain itu, kami akan dapat mengidentifikasi kanker pada tahap awal, berdasarkan karakteristik molekulernya.”

“Hanya jika kita mengetahui penyebab penyakit, kita dapat melawan atau memperbaikinya secara efektif,” kata peneliti. “Itulah mengapa sangat penting untuk mengidentifikasi sebanyak mungkin mekanisme yang dapat menyebabkan kanker.”

Hasil yang lebih baik dengan kombinasi

“Hingga saat ini, sebagian besar penelitian berfokus pada perubahan patogen dalam urutan genetik, yaitu dalam cetak biru sel,” kata Roman Schulte-Sasse, seorang mahasiswa doktoral di tim Marsico dan penulis pertama publikasi tersebut. “Pada saat yang sama, telah menjadi jelas dalam beberapa tahun terakhir bahwa gangguan epigenetik atau aktivitas gen yang tidak diatur dapat menyebabkan kanker juga.”

Inilah sebabnya mengapa para peneliti menggabungkan data urutan yang mencerminkan kesalahan dalam cetak biru dengan informasi yang mewakili kejadian di dalam sel. Awalnya, para ilmuwan memastikan bahwa mutasi, atau penggandaan segmen genom, memang merupakan pemicu utama kanker. Kemudian, pada langkah kedua, mereka menunjukkan kandidat gen yang berada dalam konteks yang kurang langsung ke gen pemicu kanker yang sebenarnya.

“Misalnya, kami menemukan gen yang urutannya sebagian besar tidak berubah pada kanker, namun sangat diperlukan untuk tumor karena mereka mengatur suplai energi,” kata Schulte-Sasse. Gen ini berada di luar kendali dengan cara lain, misalnya karena perubahan kimiawi pada DNA seperti metilasi. Modifikasi ini membiarkan informasi sekuens tetap utuh tetapi mengatur aktivitas gen. “Gen semacam itu menjanjikan target obat, tetapi karena mereka beroperasi di latar belakang, kami hanya dapat menemukannya dengan menggunakan algoritme yang kompleks.”

Mencari petunjuk untuk studi lebih lanjut

Program baru peneliti menambahkan sejumlah besar entri baru ke dalam daftar gen yang dicurigai sebagai kanker, yang telah berkembang menjadi antara 700 dan 1.000 dalam beberapa tahun terakhir. Hanya melalui kombinasi analisis bioinformatika dan metode Artificial Intelligence (AI) terbaru, para peneliti dapat melacak gen yang tersembunyi.

“Interaksi protein dan gen dapat dipetakan sebagai jaringan matematika, yang dikenal sebagai grafik,” kata Schulte-Sasse. “Anda dapat menganggapnya seperti mencoba menebak jaringan kereta api; setiap stasiun berhubungan dengan protein atau gen, dan setiap interaksi di antara mereka adalah hubungan kereta api.”

Dengan bantuan pembelajaran mendalam – algoritme yang telah membantu kecerdasan buatan membuat terobosan dalam beberapa tahun terakhir – para peneliti dapat menemukan bahkan koneksi kereta yang sebelumnya luput dari perhatian. Schulte-Sasse meminta komputer menganalisis puluhan ribu peta jaringan yang berbeda dari 16 jenis kanker yang berbeda, masing-masing berisi antara 12.000 dan 19.000 titik data.

Cocok untuk penyakit jenis lain juga

Tersembunyi dalam data ada banyak detail yang lebih menarik. “Kami melihat pola yang bergantung pada kanker dan jaringan tertentu,” kata Marsico. “Kami melihat ini sebagai bukti bahwa tumor dipicu oleh mekanisme molekuler yang berbeda di organ yang berbeda.”

Program EMOGI tidak terbatas pada kanker, para peneliti menekankan. Secara teori, ini dapat digunakan untuk mengintegrasikan beragam set data biologis dan menemukan pola di sana, jelas Marsico. “Mungkin berguna untuk menerapkan algoritme kami untuk penyakit yang sama kompleksnya dengan data multifaset yang dikumpulkan dan di mana gen memainkan peran penting. Contohnya mungkin penyakit metabolik kompleks seperti diabetes.”

Untuk Informasi Lebih lanjut silahkan Kunjungi : Lagu Togel