Детектирование состояний ионных каналов на мембране клетки с помощью нейронных сетей

Тумаков Дмитрий Николаевич; Каннуников Георгий Владимирович; Минлебаев Марат Гусманович

doi:10.25209/2079-3316-2022-13-3-275-290

Научные статьи \ Общие вопросы науки и культуры \ Информационные технологии. Вычислительная техника. Обработка данных \ Специальные определители для вычислительной техники

Детектирование состояний ионных каналов на мембране клетки с помощью нейронных сетей

Тумаков Дмитрий Николаевич Каннуников Георгий Владимирович Минлебаев Марат Гусманович

Журнал: Программные системы: теория и приложения @programmnye-sistemy

Рубрика: Искусственный интеллект, интеллектуальные системы, нейронные сети

Статья в выпуске: 3 (54) т.13, 2022 года.

Бесплатный доступ

Рассмотрена задача автоматизации процесса анализа открытых состояний каналов на мембране нейрона живого организма. Учитывая, что регистрация электрической активности клетки сделана методом патч-кламп при различных значениях приложенного потенциала, проведено разбиение на интервалы с постоянным потенциалом. Далее для устранения шумов к данным применены режекторный фильтр, низкочастотный и высокочастотный фильтры Чебышёва. К нормированным данным применена нейронная сеть, на основе результатов работы которой, данные изменены и повторно обработаны той же нейронной сетью. В результате работы алгоритма получена динамика состояний каналов, позволяющая регистрировать до нескольких открытых каналов одновременно.

нейронные сети \ ионные каналы \ детектирование состояний каналов \ живой организм

Список литературы Детектирование состояний ионных каналов на мембране клетки с помощью нейронных сетей

K. Qu, F. Guo, X. Liu, Y. Lin, Q. Zou Application of machine learning in microbiology // Frontiers in Microbiology.– 2019.– Т. 10.– 827.– 19 с. https://doi.org/10.3389/fmicb.2019.00827
A. Egli Digitalization, clinical microbiology and infectious diseases // Clinical Microbiology and Infection.– 2020.– Т. 26.– №10.– с. 1289–1290. https://doi.org/10.1016/j.cmi.2020.06.031
S. J. Goodswen, J. L. N. Barratt, P. J. Kennedy, A. Kaufer, L. Calarco, J. T. Ellis Machine learning and applications in microbiology // FEMS Microbiology Reviews.– 2021.– Т. 45.– №5.– fuab015.– 19 с. https://doi.org/10.1093/femsre/fuab015
N. Peiffer-Smadja, S. Delli`ere, C. Rodriguez, G. Birgand, F.-X. Lescure, S. Fourati, E. Rupp´e Machine learning in the clinical microbiology laboratory: Has the time come for routine practice?Clinical Microbiology and Infection.– 2020.– Т. 26.– №10.– с. 1300–1309. https://doi.org/10.1016/j.cmi.2020.02.006
A. N. Nielsen, D. M. Barch, S. E. Petersen, B. L. Schlaggar, D. J. Greene Machine learning with neuroimaging: Evaluating its applications in psychiatry // Biological Psychiatry: Cognitive Neuroscience and Neuroimaging.– 2020.– Т. 5.– №8.– с. 791–798. https://doi.org/10.1016/j.bpsc.2019.11.007
O. Barak Recurrent neural networks as versatile tools of neuroscience research // Current Opinion in Neurobiology.– 2017.– Т. 46.– с. 1–6. https://doi.org/10.1016/j.conb.2017.06.003
G. R. Yang, X.-J. Wang Artificial neural networks for neuroscientists: A primer // Neuron.– 2020.– Т. 107.– №6.– с. 1048–1070. https://doi.org/10.1016/j.neuron.2020.09.005
B. Sakmann, E. Neher Single-Channel Recording, 2nd ed.– New York: Springer.– 1995.– ISBN 978-0-306-44870-6.– 700 с. https://doi.org/10.1007/978-1-4419-1229-9
Md. Ashrafuzzaman Artificial intelligence, machine learning and deep learning in ion channel bioinformatics // Membranes.– 2021.– Т. 11.– №9.– 672.– 35 с. https://doi.org/10.3390/membranes11090672
L. Venkataramanan, R. Kuc, F. J. Sigworth Identification of hidden Markov models for ion channel currents. II. State-dependent excess noise // IEEE Transactions on Signal Processing.– 1998.– Т. 46.– №7.– с. 1916–1929. https://doi.org/10.1109/78.700964
F. Qin, A. Auerbach, F. Sachs Hidden Markov modeling for single channel kinetics with filtering and correlated noise // Biophysical Journal.– 2000.– Т. 79.– №4.– с. 1928–1944. https://doi.org/10.1016/S0006-3495(00)76442-3
F. Pein, B. Eltzner, A. Munk Analysis of patchclamp recordings: Model-free multiscale methods and software // European Biophysics Journal.– March 2021.– Т. 50.– №2.– с. 187–209. https://doi.org/10.1007/s00249-021-01506-8
N. Celik, F. O’Brien, S. Brennan, R. D. Rainbow, C. Dart, Y. Zheng, F. Coenen, R. Barrett-Jolley Deep-Channel uses deep neural networks to detect single-molecule events from patch-clamp data // Communications Biology.– 2020.– Т. 3.– 3.– 10 с. https://doi.org/10.1038/s42003-019-0729-3
L. Moffatt Estimation of ion channel kinetics from fluctuations of macroscopic currents // Biophysical Journal.– 2007.– Т. 93.– №1.– с. 74–91. https://doi.org/10.1529/BIOPHYSJ.106.101212
F.Pein,A.Bartsch,C.Steinem,A.MunkHeterogeneousidealization ofionchannel recordings – Open channel noise // IEEE Transactions on NanoBioscience.– 2021.– Т. 20.– с. 57–78. https://doi.org/10.1109/TNB.2020.3031202
M. A. Navarro, M. Amirshenava, A. Salari, M. Milescu, L. S. Milescu Parameter optimization for ion channel models: Integrating new data with known channel properties // Computational Methods for Estimating the Kinetic Parameters of Biological Systems, Methods in Molecular Biology.– т. 2385, New York: Humana.– 2021.– ISBN 978-1-0716-1766-3.– с. 353–375. https://doi.org/10.1007/978-1-0716-1767-0_17
Е. И. Бонь, Н. Е. Максимович Структурно-функциональная характеристика ионных каналов и методы исследования их активности // Биомедицина.– 2021.– Т. 17.– №1.– с. 35–42. https://doi.org/10.33647/2074-5982-17-1-35-42
A. Mumuni, F. Mumuni CNN Architectures for geometric transformationinvariant feature representation in computer vision: A review // SN Computer Science.– 2021.– Т. 2.– 340.– 23 с. https://doi.org/10.1007/s42979-021-00735-0
Z. Kayumov, D. Tumakov, S. Mosin Hierarchical convolutional neural network for handwritten digits recognition // Procedia Computer Science.– 2020.– Т. 171.– с. 1927–1934. https://doi.org/10.1016/j.procs.2020.04.206
W. Tang, G. Long, L. Liu, T. Zhou, J. Jiang, M. Blumenstein Rethinking 1D-CNN for time series classification: A stronger baseline // Proc. on The Tenth International Conference on Learning Representations, ICLR 2022 (25–29 April 2022, Virtual-only).– 2022.– 17 с. hUtRtpLs://www.arxiv-vanity.com/papers/2002.10061
F.-C. Tsui, M. Sun, C.-C. Li, R. J. Sclabassi Recurrent neural networks and discrete wavelet transform for time series modeling and prediction // Proc. on 1995 International Conference on Acoustics, Speech, and Signal Processing.– Т. 5 (09–12 May 1995, Detroit, MI, USA).– IEEE.– 1995.– ISBN 0-7803-2431-5.– с. 3359–3362. https://doi.org/10.1109/ICASSP.1995.479705
S.Hochreiter, J. SchmidhuberLong short-termmemory// Neural Computation.– 1997.– Т. 9.– №8.– с. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
C.Fahlke, D.Kortzak, J.-P.Machtens Molecular physiology ofEAATanion channels // Pfl¨ugers Archiv – European Journal of Physiology.– 2016.– Т. 468.–№3.– с. 491–502. https://doi.org/10.1007/s00424-015-1768-3
M. Biel, C. Wahl-Schott, S. Michalakis, X. Zong Hyperpolarization-activated cation channels: From genes to function // Physiological Reviews.– 2009.–Т. 89.– №3.– с. 847–885. https://doi.org/10.1152/physrev.00029.2008

Еще

Детектирование состояний ионных каналов на мембране клетки с помощью нейронных сетей

Похожие статьи в разделе Специальные определители для вычислительной техники

Список литературы Детектирование состояний ионных каналов на мембране клетки с помощью нейронных сетей