این پژوهش که در حال حاضر بازدهی مثبتی داشته، می‌تواند به درک بهتری از باکتری و در نهایت کشف درمان‌های جدید منجر شود.
این الگوریتم که به تازگی توسعه یافته و autoencoder نام دارد، در اصل برای انتخاب الگوها یا ویژگی‌های برجسته در مجموعه بزرگی از داده‌ها طراحی شده است. از این روش در گذشته برای اهداف مختلفی از جمله تجزیه و تحلیل مجموعه‌ای تصادفی از تصاویر YouTube برای شناسایی روند و ویژگی‌های مشترک استفاده شده است.
در حال حاضر، گروهی از دانشمندان دانشگاه پنسیلوانیا به دنبال استفاده از این روش در علوم زیستی هستند و می‌کوشند تا از آن برای کشف اطلاعات جدید در مورد موجودات زنده و ژن‌های آنها استفاده کنند.
دانشمندان این دانشگاه به مطالعه یک باکتری به نام سودوموناس آئروژینوزا پرداختند که با فیبروز کیستیک و سایر بیماری‌های مزمن ریه در ارتباط است. این باکتری انتخاب خوبی برای بررسی است زیرا نشان دهنده سطوح بالایی از مقاومت به درمان آنتی بیوتیک است.
این تجزیه و تحلیل با استفاده از اطلاعات جمع‌آوری شده از 109 مجموعه داده‌های جداگانه انجام شد که نشان‌دهنده هویت و سطوح مختلف بیان بیش از پنج هزار ژن بود.
هدف از این کار کشف چگونگی تأثیر این الگوریتم در تعیین الگوهای بیان ژن و چگونگی تغییر این الگوها تحت شرایط مختلف از جمله در زمان حضور یک آنتی بیوتیک بود.
استفاده از چنین سیستمی در مقیاس گسترده‌تر، می‌تواند به پیشرفت‌های قابل توجهی در این زمینه منجر شود.
به گزارش ایسنا، یافته‌های این پژوهش در مجله mSystems منتشر شده است.
No tags for this post.