Una pérdida funcional de proteínas SNARE se ha implicado en una variedad de enfermedades humanas

[C6.4-2]

Fig. I A. C6.4-1- La vida interior de la célula | The Inner Life of the Cell. Crédito imág (Harvard University – XVIVO). URL: https://youtu.be/wJyUtbn0O5Y

eu-ai-alliance-3_0.png

Autores:

| Drª De la Morena Vacas, Elena | https://orcid.org/0000-0003-1256-0382 | & | Juan Antonio Lloret Egea | Miembro de la Alianza Europea para la IA | https://orcid.org/0000-0002-6634-3351 |. © 2019. Licencia de uso y distribución: Creative Commons CC BY 4.0 |Escrito: 28/12/2019. Actualizado: 30/12/2019 | DOI: 10.6084/m9.figshare.11472030.v3


Fig. I A. C6.4-2- Manipulación de proteínas. Crédito Imág: (Innovació Educativa Universitat de València). URL: https://youtu.be/i_xZKLI0H2A

Las proteínas SNARE (Soluble NSF Attachment Protein) son un grupo de proteínas cuyo objetivo más importante es facilitar la fusión de las vesículas, encargadas del transporte de moléculas necesarias para el funcionamiento de las células, con los compartimentos celulares apropiados [C6.4-1].


Fig. I A. C6.4-3- La expresión de la proteína SNARE SNAP-23 es esencial para la supervivencia celular | Expression of the SNARE Protein SNAP-23 Is Essential for Cell Survival . Crédito Imág (DOI: 10.1371/journal.pone.0118311). URL: https://youtu.be/XzDnP5KIv_A

Las redes neurales tienen una arquitectura estratificada. Cada capa está formada por un número de nodos, y cada uno de éstos realiza de forma efectiva operaciones matemáticas sobre una entrada/s para calcular un resultado. La entrada de cualquier nodo es una suma ponderada de los resultados de la capa anterior (más un término de sesgo que normalmente es igual a uno o a cero). Éstas son las ponderaciones que el algoritmo aprende durante su capacitación. Para aprender estos parámetros el resultado de una ejecución de una capacitación se compara con el valor verdadero, y el error se retropropaga a lo largo de la red para actualizar las ponderaciones. La convolución es una operación matemática en la que una función se ‘aplica’ de alguna manera a otra función. El resultado se puede entender como una ‘mezcla’ de las dos funciones. [C6.4.1-1]


Fig. I A. C6.4-4- Redes neuronales convolucionales para reconocimiento visual | Convolutional Neural Networks for Visual Recognition. Crédito Imág (Stanford University School of Engineering). URL: https://youtu.be/vT1JzLTH4G4

Aplicación de deeplearning a las proteínas


El modelo SNARE-CNN es una arquitectura de red neuronal convolucional 2D para identificar proteínas SNARE a partir de datos de secuenciación de alto rendimiento. (“Sensibilidad alcanzada del 76,6%, especificidad del 93,5%, precisión del 89,7% y CCM de 0,7 en el conjunto de datos de validación cruzada” [C6.4-2]). Y este modelo está disponible Open Access en https://github.com/khanhlee/snare-cnn/


Fig. I A. C6.4-5- Repositorio Github y el modelo snare-cnn. Crédito imág (My own snapshot). URL: https://github.com/khanhlee/snare-cnn/

Flowchart for identifying SNARE proteins using two-dimensional convolutional neural networks.
Fig. I A. C6.4-6- Diagrama de flujo para identificar proteínas SNARE utilizando redes neuronales convolucionales bidimensionales. Crédito imág (DOI: 10.7717/peerjcs.177/fig-1). URL: https://dfzljdn9uc3pi.cloudfront.net/2019/cs-177/1/fig-1-1x.jpg

El modelo SNARE-CNN es uno de los trabajos más citados en 2019, según PeerJ

Desde 2019 PeerJ ha publicado más de 2.000 artículos revisados por pares y más de 8.000 publicaciones de Open Access desde que comenzaron a publicar en 2013, indican en su blog. Y de entre todas las áreas y artículos que se describen como los más citados, nosotros ponemos nuestro centro de atención sobre la inteligencia artificial (deeplearning) aplicada a la bioinformática y en este artículo: SNARE-CNN: a 2D convolutional neural network architecture to identify SNARE proteins from high-throughput sequencing data (by Le and Nguyen) [C6.4-3] .

Abstract

El aprendizaje profundo se ha utilizado cada vez más para resolver numerosos problemas en diversos campos con un rendimiento de vanguardia. También se puede aplicar en bioinformática para reducir el requisito de extracción de características y alcanzar un alto rendimiento. Este estudio intenta utilizar el aprendizaje profundo para predecir las proteínas SNARE, que es una de las funciones moleculares más vitales en las ciencias de la vida. Una pérdida funcional de proteínas SNARE se ha implicado en una variedad de enfermedades humanas (p. Ej., Neurodegenerativas, enfermedades mentales, cáncer, etc.). Por lo tanto, crear un modelo preciso para identificar sus funciones es un problema crucial para comprender estas enfermedades y diseñar los objetivos farmacológicos. Nuestro modelo SNARE-CNN que utiliza redes neuronales convolucionales bidimensionales y perfiles de matriz de puntuación de posición específica podría identificar proteínas SNARE con una sensibilidad alcanzada del 76,6%, especificidad del 93,5%, precisión del 89,7% y CCM de 0,7 en el conjunto de datos de validación cruzada. También evaluamos el rendimiento de nuestro modelo a través de un conjunto de datos independiente y el resultado muestra que somos capaces de resolver el problema de sobreajuste. En comparación con otros métodos de vanguardia, este enfoque logró una mejora significativa en todas las métricas. A lo largo del estudio propuesto, proporcionamos un modelo efectivo para identificar las proteínas SNARE y una base para futuras investigaciones que pueden aplicar el aprendizaje profundo en bioinformática, especialmente en la predicción de la función de las proteínas.

[C6.4-2]

Usando el modelo, en sus conclusiones, los autores señalan que las nuevas proteínas SNARE pueden identificarse con precisión y usarse para el desarrollo de fármacos. Y tratándose de enfermedades como las neurodegenerativas, mentales y el cáncer debemos interesarnos por este trabajo aplicado al campo de la bioinformática computacional, la minería de datos y el Machine Learning.


Fig. I A. C6.4-7- Identificando proteínas SNARE. Crédito imág (My own snapshot). URL: https://github.com/khanhlee/snare-cnn/blob/master/figures/Figure%201.pdf

Bibliografía


[C6.4-1]. SNARE (proteína). Wikipedia. [Recuperado (26/12/2019) de https://es.wikipedia.org/wiki/SNARE_(proteína) ]

[C6.4.1-1] James Cowley. Redes neuronales convolucionales Utilizar Python para implementar una red sencilla que clasifica dígitos escritos a mano. ( 07-12-2018). [Recuperado (26/12/2019) de https://www.ibm.com/developerworks/ssa/library/cc-convolutional-neural-network-vision-recognition/cc-convolutional-neural-network-vision-recognition-pdf.pdf ]

[C6.4-2]. Le NQK, Nguyen VN. 2019. SNARE-CNN: una arquitectura de red neuronal convolucional 2D para identificar proteínas SNARE a partir de datos de secuenciación de alto rendimiento. PeerJ Comput. Sci. 5: e177 http://doi.org/10.7717/peerj-cs.177

[C6.4-3]. PeerJ Community. (19/12/2019). PeerJ en Review 2019: los principales artículos citados del año. PeerJBlog. [Recuperado (26/12/2019) de https://peerj.com/blog/post/115284882038/peerj-in-review-2019-top-cited-papers-of-the-year/?utm_source=summary_email_blog&utm_medium=email&utm_campaign=connection