Ihmiselimistön metaboliitit, pienenpienet molekyylit, voidaan nyt tunnistaa entistä paremmin. Kiitos kuuluu uudelle, erittäin tarkalle koneoppimiseen perustuvalle menetelmälle.

Metaboliittien rakenteesta uutta tietoa tarjoavan mallin rakensi Aalto-yliopiston professorin Juho Rousun tutkimusryhmä. Ryhmä on kehittänyt maailman johtavia laskennallisia ja koneoppimista hyödyntäviä pienten molekyylien tunnistusmenetelmiä jo vuosia.

Tuoreen tutkimuksen tulokset julkaisi arvostettu Nature Machine Intelligence -lehti.

Uusi menetelmä auttaa tutkijoita ja lääkäreitä ymmärtämään sairauksien syntyyn vaikuttavia solunsisäisiä prosesseja sekä ruokavalion, liikunnan ja alkoholinkäytön vaikutuksia terveyteen. Siitä voi olla hyötyä myös diagnostiikassa.

Lääketieteen lisäksi menetelmä sopii esimerkiksi huume- ja dopingvalvontaan, joissa sen avulla voidaan tunnistaa kiellettyjä aineita.

Maailman kaikkien tutkijoiden saatavilla

Ihmiskehon tuhannet metaboliitit kuljettavat energiaa ja solujen välittämää informaatiota. Metaboliitteja tutkitaan muun muassa verinäytteistä, mutta niitä on erittäin vaikeaa erottaa luotettavasti toisistaan, sillä ne ovat äärimmäisen pieniä. Vaikkapa glukoosin läpimitta on noin nanometri.

”Nykymenetelmät pystyvät parhaimmillaan tunnistamaan vain noin 40 prosenttia näytteen metaboliiteista”, Juho Rousu kertoo tiedotteessa.

Hänen mukaansa uusi malli tarjoaa yhden maailman tarkimmista pienten molekyylien tunnistamismenetelmistä.

”Avoimen lähdekoodin menetelmä voi auttaa tunnistamaan aineenvaihdunnan häiriöitä, jotka ovat monien sairauksien, kuten sydän- ja verisuonitautien ja aikuistyypin diabeteksen taustalla.”

Avoimen lähdekoodin menetelmä on kaikkien maailman tutkijoiden saatavilla.

Pullonkaulan ohitus tarjosi ennennäkemättömän datamäärän

Metaboliittien tunnistamiseen tarvitaan erityisen tarkkoja mittalaitteita. Yleisin tunnistustapa perustuu metaboliittien massan ja poistumisajan analyysiin. Laboratorioiden mittausmenetelmissä on kuitenkin eroja, jotka ovat estäneet mittausdatan laajamittaisen hyödyntämisen koneoppimismalleissa.

Rousun ryhmään kuuluva väitöskirjatutkija Eric Bach keksi keinon, jolla pullonkaula voidaan ohittaa.

”Pienten molekyylien poistumisajat vaihtelevat eri laboratorioiden välillä, mutta niiden poistumisjärjestys on vakio laboratoriosta riippumatta. Osoitimme, että tätä ominaisuutta voidaan hyödyntää koneoppimismallin opettamisessa”, Bach kertoo.

Kun tutkimusryhmä saattoi ensimmäistä kertaa yhdistää kymmenien laboratorioiden mittausdatan, sillä oli hyödynnettävissään ennennäkemätön tietomäärä. Ryhmä pääsi näin opettamaan koneoppimismallinsa kaikella saatavilla olevalla metaboliittidatalla.

Jopa stereokemiallisia löydöksiä

Huipputarkan mallin ansiosta Rousun ryhmä on onnistunut jopa metaboliittien stereokemiallisessa eli 3d–rakenteen erottelussa, mikä ei ole ennen ollut mahdollista.

”Stereokemiallisen erottelun löydökset ovat käänteentekeviä tieteilijöille, jotka ovat vuosia keskittyneet pelkkään 2d–dataan”, sanoo tutkimukseen osallistunut apulaisprofessori Emma Schymanski Luxemburgin yliopistosta.

”Tämä vie koko alaa eteenpäin.”

Schymanskin mukaan uutta menetelmää voidaan käyttää myös erittäin pienikokoisten haitta-aineiden tunnistamiseen luonnossa. Lisäksi sen avulla on mahdollista löytää kasvisoluista uusia lääkemolekyyleja.

(Kuvituskuva Matti Ahlgren/Aalto-yliopisto) Pikkuruisten metaboliittien tarkasta tunnistamisesta on hyötyä muun muassa lääketieteessä, lääkekehityksessä ja huume- ja dopingvalvonnassa.

Tilaa Kemiamedian uutiskirje!

Tilaajana saat sähköpostiisi kerran viikossa kiinnostavimmat uutiset ja tärkeimmät tiedot alan tapahtumista ja työpaikoista.

Arvomme uusien uutiskirjetilaajien kesken yhden yön kylpyläloman kahdelle.

Lue lisää ja tee tilaus täällä.

P.S. Oletko kemian seurojen jäsen? Jos haluat uutiskirjeemme myös vuonna 2023, käy uusimassa tilauksesi täällä.