به نقل از «ایسنا»

هوش مصنوعی و یادگیری عمیق، مطالعه تک مولکول‌ها را ساده‌تر کرده است

تاریخ انتشار: ۲۸ بهمن ۱۴۰۲ | کد خبر: ۳۹۷۶۹۲۷۹

محققان دانشگاه ملی سنگاپور (NUS) نشان دادند که هوش مصنوعی و یادگیری عمیق به آنها اجازه می‌دهد تا پویایی مولکول‌های منفرد را دقیق‌تر و با داده‌های کمتری نسبت به روش‌های ارزیابی رایج مشاهده کنند.

به گزارش ایسنا، این محققان از شبکه‌های عصبی حلقوی (CNN) برای مشاهده حرکت مولکول‌های منفرد در سیستم‌های مصنوعی، سلول‌ها و موجودات کوچک استفاده کردند.

بیشتر بخوانید: اخباری که در وبسایت منتشر نمی‌شوند!

این روش، اندازه‌گیری تک‌مولکول را در سیستم‌های پیچیده تسریع کرده و آن را برای طیف گسترده‌تری از محققان در دسترس قرار می‌دهد.

یک مولکول، اساسی‌ترین واحد قابل مشاهده در سیستم‌های بیولوژیکی است. درک رفتار و تعامل آن، بینش در مورد عملکرد سیستم‌های بیولوژیکی را ارتقاء داده و راه را برای درمان بیماری‌ها هموار می‌کند. یکی از قدرتمندترین راه‌ها برای مشاهده مولکول‌های منفرد، طیف‌سنجی فلورسانس است. به دلیل سیگنال و ویژگی قوی این طیف‌سنجی است که اجازه می‌دهد تا مولکول‌های دارای برچسب مشاهده شوند.

برای بیش از ۵۰ سال، طیف‌سنجی همبستگی فلورسانس (FCS) در این زمینه مورد استفاده قرار می‌گیرد و اندازه‌گیری تحرک و تعامل مولکول‌ها با دقت بالایی انجام می‌شود. تصویربرداری با طیف‌سنجی همبستگی فلورسانس چالش‌هایی دارد، زیرا به مقدار زیادی داده (برای هر اندازه‌گیری حدود ۱۰۰ مگابایت) نیاز دارد. این کار به پردازش محاسباتی گسترده نیاز دارد که منجر به ارزیابی آهسته کار می‌شود.

یک تیم تحقیقاتی از روش‌های یادگیری عمیق برای کاهش میزان داده‌ها استفاده کردند، به طوری که برای هر اندازه‌گیری به حدود ۵ مگابایت اطلاعات نیاز است.

این تکنیک از دو CNN به نام FCSNET و IMFCSNET ساخته شده توسط دکتر وای هون تانگ و شائو رن سیم، اعضای تیم تحقیق استفاده می‌کند. CNNها نوعی الگوریتم یادگیری عمیق را برای تجزیه و تحلیل داده‌های بصری نشان می‌دهند. آنها چندین لایه از فیلترهای تخصصی را به کار می‌گیرند که برای ویژگی‌های خاص مانند لبه‌ها، بافت‌ها و رنگ‌ها در سراسر تصویر استفاده می‌شوند. این گروه با استخراج و ترکیب این ویژگی‌ها درک بهتری از تصویر ایجاد می‌کنند و به آنها امکان می‌دهد الگوها و اشیاء موجود در داده‌های بصری را بشناسند.

به نقل از ستاد نانو، این تیم امیدوار است که روش آنها بتواند امکانات جدیدی را برای تسریع در تحقیقات تک‌مولکول باز کند و این فناوری را برای طیف وسیع‌تری از کاربران در دسترس قرار دهد.

انتهای پیام

منبع: ایسنا

کلیدواژه: فناوري نانو هوش مصنوعی مولکول فناوري نانو ناسا شرکت های دانش بنیان یادگیری عمیق اندازه گیری مولکول ها طیف سنجی داده ها

درخواست حذف خبر:

«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.isna.ir دریافت کرده‌است، لذا منبع این خبر، وبسایت «ایسنا» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۹۷۶۹۲۷۹ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.

با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.

خبر بعدی:

یک عملکرد غیرمنتظره در مخچه کشف شد

دانشمندان خبر از کشف یک عملکرد غیرمنتظره در مخچه انسان که «مغز کوچک» نیز نامیده می‌شود، داده‌اند.

به گزارش ایسنا، مخچه(cerebellum) با نامی که در زبان لاتین به معنای «مغز کوچک» است، تنها ۱۰ درصد از کل جرم مغز انسان را تشکیل می‌دهد. با این حال نباید اجازه داد اندازه کوچک آن ما را فریب دهد، چرا که بیش از سه چهارم نورون‌های مغز در این فضای کوچک جمع شده‌اند و چیزهای زیادی داخل آن اتفاق می‌افتد.

به نقل از اس‌ای، از قدیم این گونه تصور می‌شود که این قسمت از سیستم عصبی که در پایه جمجمه قرار دارد، بیشتر به هماهنگ کردن عملکردهای حرکتی مانند تعادل و حرکت مربوط می‌شود. اکنون تحقیقات جدید از فرضیه‌ای حمایت می‌کند که در حال اعتبار گرفتن است. این فرضیه نقش کلیدی مخچه را در یادگیری برجسته می‌کند.

پژوهشگران دانشگاه پیتسبورگ و دانشگاه کلمبیا در این مطالعه جدید می‌خواستند بر اساس تحقیقات قبلی که منطقه خلفی-جانبی مخچه را به عنوان نقشی در اتصال آنچه می‌بینیم به حرکاتی که انجام می‌دهیم، شناسایی کنند.

آندریا بوستان، نوروبیولوژیست دانشگاه پیتسبورگ می‌گوید: فرض دیرینه درباره عملکرد مخچه این بوده است که تنها نحوه حرکت ما را کنترل می‌کند. با این حال ما اکنون می‌دانیم که بخش‌هایی از مخچه وجود دارد که به هم متصل هستند و به نظر می‌رسد که همراه با مناطقی از مخ تکامل یافته‌اند که نحوه تفکر ما را کنترل می‌کنند.

این تیم به میمون‌ها آموزش دادند که دست چپ یا دست راست خود را در پاسخ به تصاویر روی صفحه حرکت دهند و هنگامی که حرکات را درست انجام می‌دهند، به عنوان پاداش آبمیوه دریافت می‌کردند.

استفاده از داروها برای از کار انداختن موقت قسمت خلفی-جانبی مخچه میمون‌ها به طور قابل توجهی بر یادگیری آنها تأثیر گذاشت. حیوانات حتی با پاداش آبمیوه، به سختی به یاد می‌آوردند که قرار بود کدام دستشان را در واکنش به تصویر حرکت دهند. با این حال، آن یادگیری که قبلاً حاصل شده بود، هنوز قابل یادآوری بود.

بوستان می‌گوید: وقتی این ناحیه مخچه را غیرفعال می‌کنید، در واقع یادگیری جدید را مختل می‌کنید. یادگیری در این حالت بسیار کندتر است، بیشتر طول می‌کشد و عملکرد به سطح قبلی نمی‌رسد. این یک مثال عینی از عملکرد مخچه است که از اطلاعات پاداش برای شکل دادن به عملکرد شناختی در پستانداران استفاده می‌کند.

آزمایش‌های بیشتر نشان داد که عملکرد حرکات تحت تأثیر خارج شدن مخچه خلفی-جانبی قرار نمی‌گیرد و به نظر می‌رسد خاموش کردن سایر قسمت‌های مخچه هیچ تفاوتی در روند یادگیری نداشته باشد.

همه اینها اطلاعات اضافی مهمی هستند تا بفهمیم مغز چگونه کار می‌کند و چگونه با دنیای اطراف سازگار می‌شود و همچنین چگونه بهتر می‌توانیم با شرایط ناشی از اختلال عملکرد طبیعی مغز مقابله کنیم.

بوستان می‌گوید: پژوهش ما شواهد روشنی ارائه می‌دهد که مخچه نه تنها برای یادگیری نحوه انجام اعمال ماهرانه مهم است، بلکه برای یادگیری اینکه کدام اعمال در موقعیت‌های خاص ارزشمندتر هستند نیز نقش مهمی ایفا می‌کند.

این پژوهش به توضیح برخی از مشکلات غیر حرکتی در افراد مبتلا به اختلالات مخچه کمک می‌کند.

این مطالهه در مجله Nature Communications منتشر شده است.

انتهای پیام