Ett maskininlärningsprogram som utvecklats av ett internationellt team av forskare kan hjälpa läkemedelsföretag att producera större mängder spetskompetenta läkemedel som behövs för medicinska behandlingar.
I en studie, laget utvecklade en datoralgoritm med hjälp av genuttrycksdata från ovarieceller från kinesisk hamster - en cellinje som ofta används av biofarmaceutiska forskare för medicinsk forskning - för att optimera produktionen av proteiner i dessa celler.
"Läkemedelsindustrin förlitar sig vanligtvis på äggstockceller hos en kinesisk hamster - CHO -celler - för forskning för att skapa effektiva läkemedel, men, eftersom cellerna inte producerar mycket protein per cell, det kräver storskalig produktion, "sa Claudio Angione, universitetslektor i datavetenskap, Teesside University. "Det vi visar är att jämfört med andra metoder, att kombinera denna metaboliska modellering med datadrivna metoder kan vara en stor förbättring av automatiseringen av kulturer, genom att exakt identifiera optimala tillväxtförhållanden för att producera målterapeutiska föreningar. "
Forskarna, som rapporterade sina fynd vid den andra internationella elektroniska konferensen om metabolomik, kombinerat maskininlärning och en beräkningsmodell som rekonstruerar metabolismen av äggstockcellerna från kinesisk hamster - CHO - för att maximera cellens effektivitet.
"Detta är ett nytt steg eftersom, för första gången, vi kombinerar två metoder som vanligtvis används individuellt i bioprocessstudier, sa Angione.
Forskarna kunde förutsäga produktionen av laktat - en giftig avfallsprodukt - inuti cellerna, när det gäller både deras genetiska och metaboliska tillstånd.
"Produktion av laktat är i allmänhet oönskad eftersom det hindrar celltillväxt och följaktligen begränsar utbytet av önskade produkter, "sa Macauley Coggins, forskningsassistent, Teesside University. "Genom att förutsäga de cellulära förhållandena där laktatackumulering minimeras är det möjligt att minska - eller möjligen undvika - långa experimentförsök."
Terapeutiska proteiner, som de som produceras i CHO -celler, har ett brett spektrum av tillämpningar inom medicin.
"Några av dem används i vacciner och skyddar mot smittämnen som virus, "tillade Guido Zampieri, en doktorand i genomik och bioinformatik, CRIBI Biotechnology Center, University of Padua. "Andra proteiner med särskild inriktningsaktivitet kan användas för att behandla patienter som saknar dessa proteiner på grund av genetiska tillstånd. Anticancerläkemedel är ett annat exempel."
Maskininlärning är ett fält som utforskar hur datorer kan lära sig att lösa problem och utföra specifika uppgifter utan att vara programmerade, enligt Coggins. Att göra detta, forskare utvecklar vanligtvis en algoritm för att träna en dator för att känna igen mönster, en maskininlärningsteknik som ofta kallas övervakad inlärning.
"Det är ungefär som hur man lär ett barn att känna igen olika former genom att visa dem vad varje form är och hur det ser ut"
I framtiden, denna metod kan användas för att optimera andra metaboliter eller proteiner, forskarna föreslår. Att producera större mängder läkemedel kan också leda till billigare behandlingar.
"Vi ser flera intressanta forskningsinriktningar, "sa Angione." Främst, vi strävar efter att driva integrationen av olika beräkningsmetoder fram som maskininlärning och biologisk modellering. Detta är viktigt eftersom de har olika starka sidor, som om de kombineras kan göra det möjligt att anta mer exakta bioingenjörsinterventioner.
Särskilt, maskininlärning kan extrahera användbar kunskap från experimentella data, medan metabolisk modellering ger insikter om lokala och globala mekanismer i biokemiska nätverk.
"Vi vill också utforska andra steg inom bioingenjör som kan dra nytta av denna integrerade optimering. Det slutliga målet är att få en uppsättning beräkningsverktyg som kan styra industriella processer på flera nivåer."
The researchers used data from a publicly available large-scale gene expression dataset from two different CHO cell lines with 295 microarray profiles with expression values for 3592 genes from 121 CHO cell cultures. 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.
