گروهی از پژوهشگران با هوش مصنوعی روشی نوین جهت پیش بینی یکی از ویژگی‌های بارز انواع مختلف سرطان ابداع کردند.
به گزارش دانشجو، فسفاریلاسیون تیروزین‌ها از ویژگی‌های بارز بسیاری از سرطان‌ها هستند به همین دلیل استفاده از ابزار‌های رایانشی برای تحلیل جامع فسفاتئومر‌ها و شناسایی فسفاریلاسیون‌های بالقوه ناکارآمد اهمیت زیادی دارد.
فسفوریلاسیون به اضافه شدن یک گروه فسفات به پروتئین یا سایر مولکول‌های آلی گفته می‌شود. فسفریلاسیون پروتئین نقش مهمی در بسیاری از فرایند‌های سلولی دارد. همچنین فسفریلاسیون توسط آنزیم‌های کیناز انجام می‌شود. آنزیم‌های فسفاتاز در جهت عکس کیناز‌ها برای زدودن گروه فسفات عمل می‌کنند. تیروزین کینار نیز یک آنزیم است که نقشش انتقال یک گروه فسفات از مولکول آدنوزین تری فسفات ATP به پروتئین است.
در همین راستا گروهی از محققان با همکاری علیرضا مشاقی پژوهشگر ایرانی یک روش مبتنی بر یادگیری ماشینی ابداع کرده اند تا تغییرات با ثبات ترمودینامیکی که در نتیجه فسفاریلاسیون تیروزین به وجود می‌آید را پیش بینی کنند.
این روش مبتنی بر پیش بینی «فسفومیمتیک دلتا-دلتا-G» از ویژگی‌های ساختاری است که ارتباط قدرتمندی با داده‌های اسکن جهشی تجربی واکنش شیمیایی پروتئولیز cDNA دارد. فسفومیمتیک‌ها جایگزین‌های اسید آمینه‌ای هستند که پروتئین فسفریله شده را تقلید می‌کنند و در نتیجه پروتئین را فعال یا غیرفعال می‌کنند.
محققان تأثیرات بی ثبات کننده ۳۸۴ هزار و ۸۵۷ رسوب تیروزین را از یک مخزن داده شامل بیش از ۶۰۰ فسفاریلاسیون تیروزین در ۱۱ زیرگروه سرطان با این روش بررسی کردند.
آنها فسفاریلاسیون بی ثبات کننده را هم در ژن تومور و هم سرکوب کننده‌های تومور پیش بینی کردند. این روش می‌تواند غربالگری سریع فسفریلاسیون‌های بی ثبات کننده و جهش‌های فسفومیمتیک را  امکان پذیر کند.