Nature子刊：研究人员利用人工智能分析糖代谢数据

　　

加州大学圣地亚哥分校的研究人员开发了一种工具，可以使用可解释的人工智能(AI)系统和其他机器学习方法分析糖漫画数据集。在最近发表在《自然通讯》(Nature Communications)杂志上的一篇论文中，该团队证明，糖基漫画数据需要额外小心，才能正确地用于统计分析或机器学习。他们还提供了一种新的预处理解决方案来准备糖漫画数据，从而大大提高其与机器学习和人工智能的使用能力。他们将这种方法命名为GlyCompare。它采取了一个系统水平的观点，说明了共享的生物合成途径聚糖内和跨样本。

为了介绍GlyCompare，该团队展示了他们增强glycomics数据集比较的能力，方法是在多种情况下(包括胃癌组织)揭示聚糖之间的隐藏关系。癌症是一个很有用的例子，因为糖聚糖变化对癌症的重要性及其在早期诊断中的作用。

“我们将GlyCompare应用于癌症组织，结果表明，虽然使用标准统计方法无法发现癌症特异性的聚糖，但使用我们的方法处理后，新的生物标志物出现了，”加州大学圣地亚哥分校生物工程和儿科学教授内森·刘易斯(Nathan Lewis)说，他是这篇论文的通信作者。Lewis是CHO系统生物学中心的共同主任，糖工程CHO细胞系被用于生产研究中使用的多种蛋白质。

在另一项分析中，该团队表明，该方法大大提高了统计能力，例如，需要一半的样本才能获得相同的能力来检测生物标志物。在这篇论文中，研究人员概述了GlyCompare背后的方法将如何将glycomics带入临床。事实上，Lewis是一家初创公司的创始团队成员，该公司授权相关知识产权，将该技术商业化，用于高价值的应用，包括癌症诊断。

GlyCompare方法的关键之一是，它着眼于合成构成多糖的亚基所需的生物步骤，而不仅仅是整个多糖本身，极大地提高了糖数据统计分析的准确性。研究人员认为，这种方法将使在许多应用中发现更细微的糖基化变化成为可能，包括早期癌症。此外，GlyCompare可能导致对所观察到的多糖变化背后的机制的新见解。

Bokan Bao和Benjamin P. Kellman是这篇论文的第一作者之一，他们都是生物信息学和系统生物学研究生项目的成员，也是加州大学圣地亚哥雅各布斯工程学院生物工程系的成员。

论文标题

Correcting for sparsity and interdependence in glycomics by accounting for glycan biosynthesis