Een machine learning-programma ontwikkeld door een internationaal team van onderzoekers kan farmaceutische bedrijven helpen om grotere hoeveelheden geavanceerde medicijnen te produceren die nodig zijn voor medische behandelingen.

In een onderzoek, het team ontwikkelde een computeralgoritme met behulp van genexpressiegegevens van eierstokcellen van Chinese hamsters - een cellijn die vaak door biofarmaceutische onderzoekers wordt gebruikt voor medisch onderzoek - om de productie van eiwitten in die cellen te optimaliseren.

"De farmaceutische industrie vertrouwt meestal op eierstokcellen van een Chinese hamster - CHO-cellen - voor onderzoek om effectieve medicijnen te maken, maar, omdat de cellen niet veel eiwit per cel produceren, het vereist grootschalige productie, " zei Claudio Angione, hoofddocent informatica, Teesside-universiteit. "Wat we laten zien is dat, vergeleken met andere methoden, het combineren van deze metabolische modellering met gegevensgestuurde methoden zou een enorme verbetering kunnen zijn voor de automatisering van het ontwerp van culturen, door het nauwkeurig identificeren van optimale groeiomstandigheden voor het produceren van therapeutische doelverbindingen."

De onderzoekers, die hun bevindingen rapporteerden op de Tweede Internationale Elektronische Conferentie over Metabolomics, gecombineerde machine learning en een computermodel dat het metabolisme van de eierstokcellen van de Chinese hamster - CHO - reconstrueert om de efficiëntie van de cel te maximaliseren.

"Dit is een nieuwe stap omdat, Voor de eerste keer, we combineren twee methodologieën die gewoonlijk afzonderlijk worden gebruikt in bioprocessingstudies, ' zei Angione.

De onderzoekers waren in staat om de productie van lactaat - een giftig afvalproduct - in de cellen te voorspellen, in termen van zowel hun genetische als metabolische toestand.

"De productie van lactaat is over het algemeen ongewenst omdat het de celgroei belemmert en bijgevolg de opbrengst van gewenste producten beperkt, " zei Macauley Coggins, onderzoeksassistent, Teesside-universiteit. "Door de cellulaire omstandigheden te voorspellen waarin lactaataccumulatie wordt geminimaliseerd, is het mogelijk om lange reeksen experimentele onderzoeken te verminderen of mogelijk te vermijden."

therapeutische eiwitten, zoals die geproduceerd in CHO-cellen, hebben een breed scala aan toepassingen in de geneeskunde.

"Sommige van hen worden gebruikt in vaccins en beschermen tegen infectieuze agentia zoals virussen, " voegde Guido Zampieri eraan toe, een doctoraatsstudent in genomics en bioinformatica, CRIBI Biotechnologie Centrum, Universiteit van Padua. "Andere eiwitten met speciale targeting-activiteit kunnen worden gebruikt om patiënten te behandelen die die eiwitten missen vanwege genetische aandoeningen. Geneesmiddelen tegen kanker zijn een ander voorbeeld."

Machine learning is een vakgebied dat onderzoekt hoe computers kunnen leren hoe ze problemen kunnen oplossen en specifieke taken kunnen uitvoeren zonder te worden geprogrammeerd. volgens Coggins. Om dit te doen, onderzoekers ontwikkelen meestal een algoritme om een ​​computer te trainen om patronen te herkennen, een machine learning-techniek die vaak wordt aangeduid als gesuperviseerd leren.

"Het lijkt veel op hoe je een kind leert verschillende vormen te herkennen door ze te laten zien wat elke vorm is en hoe het eruit ziet"

In de toekomst, deze methode zou kunnen worden gebruikt om andere metabolieten of eiwitten te optimaliseren, suggereren de onderzoekers. Het produceren van grotere hoeveelheden medicijnen kan ook leiden tot goedkopere behandelingen.

"We zien verschillende interessante onderzoeksrichtingen, "zei Angione. "Voornamelijk, we streven naar het bevorderen van de integratie van verschillende computationele methodologieën zoals machine learning en biologische modellering. Dit is belangrijk omdat ze verschillende sterke punten hebben, die, indien gecombineerd, het mogelijk zouden kunnen maken om preciezere bio-engineeringinterventies aan te nemen.

Bijzonder, machine learning kan nuttige kennis extraheren uit experimentele gegevens, terwijl metabolische modellering inzichten verschaft over lokale en globale mechanismen in biochemische netwerken.

"We willen ook andere bio-engineeringstappen verkennen die baat kunnen hebben bij deze geïntegreerde optimalisatie. Het uiteindelijke doel is om een ​​reeks rekenhulpmiddelen te verkrijgen die industriële processen op meerdere niveaus kunnen begeleiden."

De onderzoekers gebruikten gegevens van een openbaar beschikbare grootschalige genexpressiedataset van twee verschillende CHO-cellijnen met 295 microarray-profielen met expressiewaarden voor 3592 genen uit 121 CHO-celculturen. For genome reconstruction, the researchers used a recently developed genome-scale metabolic model—GSMM—used to accurately predict growth phenotypes. The model is currently the largest reconstruction of CHO metabolism.

They then combined the model of CHO cell metabolism with the gene expression data to create condition and cell line-specific polyomics models.