Uutiset

Tutkijat kehittivät tarkan menetelmän kehon pienten molekyylien tunnistamiseen – voi auttaa monien sairauksien diagnoosissa

Koneoppimista hyödyntävä menetelmä antaa uutta tietoa pienten molekyylien rakenteesta. Lääketieteen lisäksi sitä voidaan jatkossa soveltaa esimerkiksi huume- ja dopingvalvonnassa. Avoimen lähdekoodin menetelmä on kaikkien maailman tutkijoiden saatavilla.
Illustration of small molecules and their connections.
Metaboliiteilla on useita tehtäviä ihmiskehossa: Ne kuljettavat energiaa, toimivat solujen rakennusaineena sekä kuljettavat viestejä solujen sisällä sekä niiden välillä. Kuvituskuva: Matti Ahlgren/Aalto-yliopisto.

Ihmiskehossa on tuhansia erilaisia metaboliiteiksi kutsuttuja pieniä molekyylejä, jotka kuljettavat energiaa ja solujen välittämää informaatiota. Metaboliitteja tutkitaan esimerkiksi verinäytteistä, mutta niitä on erittäin vaikeaa erottaa luotettavasti toisistaan niiden äärimmäisen pienen koon vuoksi. Esimerkiksi glukoosin läpimitta on noin nanometri, kun ihmishiuksen läpimitta on noin 100 000 nanometriä.

”Nykymenetelmät pystyvät parhaimmillaan tunnistamaan vain noin 40 prosenttia näytteen metaboliiteista”, sanoo Aalto-yliopiston tietotekniikan professori Juho Rousu. Rousun tutkimusryhmä on kehittänyt maailman johtavia laskennallisia ja koneoppimista hyödyntäviä pienien molekyylien tunnistusmenetelmiä jo vuosia.

Nyt ryhmä on kehittänyt uuden erittäin tarkan koneoppimismallin metaboliittien tunnistamiseen. Tutkimus julkaistiin juuri arvostetussa Nature Machine Intelligence -julkaisussa.

Metaboliittien tarkempi tunnistaminen voi auttaa tutkijoita ja lääkäreitä ymmärtämään esimerkiksi ruokavalion, liikunnan ja alkoholinkäytön vaikutuksia terveyteen sekä aineenvaihdunnan sairauksia. Rousun ryhmän malli auttaa ymmärtämään sairauksien syntyyn vaikuttavia solunsisäisiä prosesseja sekä tunnistamaan kiellettyjä aineita esimerkiksi huume- tai doping-näytteestä.

”Tutkimuksemme tarjoaa alan tutkijoille yhden maailman tarkimmista pienien molekyylien tunnistamismenetelmistä. Avoimen lähdekoodin menetelmä voi auttaa tunnistamaan aineenvaihdunnan häiriöitä, jotka ovat monien sairauksien, kuten sydän ja verisuonitautien ja aikuistyypin diabeteksen, taustalla.”, Rousu kertoo.

Ohi pullonkaulasta

Metaboliittien tunnistamiseen käytetään erityisen tarkkoja mittauslaitteita. Yleisin tunnistustapa perustuu metaboliittien massan sekä poistumisajan analyysiin.

Pienet mutta merkitsevät erot laboratorioiden mittausmenetelmissä ovat estäneet mittausdatan laajamittaisen hyödyntämisen koneoppimismalleissa. Rousun tutkimusryhmän väitöskirjatutkija Eric Bach keksi tavan, 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”, kertoo Bach.

Tutkimusryhmä pystyi näin ensimmäistä kertaa yhdistämään kymmenien laboratorioiden mittausdatan, mikä mahdollisti ennenäkemättömän datamäärän hyödyntämisen.

”Opetimme koneoppimismallimme kaikella saatavilla olevalla metaboliittidatalla. Lopputuloksena on avoimeen lähdekoodiin perustuva ja maailmaan tarkimpiin kuuluva koneoppimismalli metaboliittien tunnistamiseen”, Bach kertoo.

Malli on niin tarkka, että 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. Tämä vie koko alaa eteenpäin”, sanoo Emma Schymanski, apulaisprofessori Luxemburgin yliopistosta.

”Menetelmän sovellusalat eivät rajoitu pelkästään lääketieteeseen. Sitä voi myös käyttää erittäin pienikokoisten haitta-aineiden tunnistamiseen luonnossa tai sen avulla voidaan löytää kasvisoluista uusia molekyylejä lääkkeiden valmistukseen”, kertoo Schymanski.

Eric Bach

Väitöskirjatutkija
 Emma Schymanski

Emma Schymanski

Professori
  • Julkaistu:
  • Päivitetty:

Lue lisää uutisia

Joukko ihmisiä kävelee Lehmuskujaa pitkin kesällä
Tutkimus ja taide, Yliopisto Julkaistu:

Vahva kokonaistulos: Suomen Akatemialta 27,5 miljoonaa euroa tutkimukseen

Akatemiatutkija- ja akatemiahankerahoituksen sai yhteensä 52 aaltolaista. Aalto-yliopistolle myönnetty rahoitus on kokonaisuudessaan 27,5 miljoonaa euroa.
A logo. Photo: Mikko Raskinen
Nimitykset, Yhteistyö Julkaistu:

Kolme uutta professoria Sähkötekniikan korkeakouluun

Apulaisprofessorit Gopika Premsankar ja Johannes Arend sekä associate professori Marko Kosunen nimitettiin professorien urapolulle tammi-kesäkuun 2024 aikana.
Opiskelija Aallossa lukemassa kirjaa
Mediatiedotteet Julkaistu:

Aalto-yliopisto lisää toimenpiteitä päästöjen vähentämiseksi

Aalto-yliopisto on kartoittanut tärkeimpiä toimenpiteitä ilmastopäästöjen vähentämiseksi kaikilla yliopiston toiminnan alueilla. Suurimmat päästövähennykset saadaan energian hankinnasta ja käytöstä.
Puustoa kerrostaloalueella.
Mediatiedotteet Julkaistu: