ทีมไทยพัฒนา MIF-MAPMS เพื่อจำแนกเปปไทด์ไมอีลินที่อาจเป็น autoantigen ใน multiple sclerosis โดยผสานลำดับเปปไทด์ รูปแบบ SMILES descriptors, fingerprints และ embeddings จากโมเดลชีวโมเลกุล ผลบน benchmark และ independent test ให้ MCC สูงกว่าวิธีเดิม และเปิดโค้ด/ข้อมูล แต่เป็นเครื่องมือ in silico ยังไม่ยืนยันการตอบสนอง T-cell ในห้องปฏิบัติการหรือผู้ป่วย
ข้อค้นพบสำคัญ
- บนชุด benchmark หลักและทางเลือก MCC อยู่ที่ 0.931-0.968 และ 0.812-0.928 ตามลำดับ สูงกว่าวิธีเดิม 5.78-8.04% และ 1.22-2.98% Ablation สนับสนุนว่าการผสานหลาย modality เพิ่ม representation และผลทำนาย โค้ดกับชุดข้อมูลเผยแพร่ที่ GitHub เพื่อทำซ้ำ
ทำไมจึงมีความสำคัญระดับโลก
การคัดกรองเปปไทด์อัตโนมัติอาจลดจำนวนการทดลองราคาแพงและเร่งการศึกษากลไกภูมิคุ้มกันของ MS แนวคิด multimodal ยังประยุกต์กับวัคซีนและภูมิคุ้มกันวิทยาอื่นได้ แต่ผลกระทบทางคลินิกต้องผ่านการทดลอง functional assay และ validation ข้ามประชากร
บทบาทของนักวิจัยไทย
มหาวิทยาลัยมหิดล มหาวิทยาลัยเกษตรศาสตร์ และมหาวิทยาลัยราชภัฏจันทรเกษมร่วมพัฒนาวิธี ชีวสารสนเทศ และซอฟต์แวร์แบบเปิด แสดงศักยภาพไทยด้าน AI ชีวการแพทย์ที่ตรวจสอบซ้ำได้
ข้อจำกัดที่ควรรู้
ประสิทธิภาพขึ้นกับนิยาม positive/negative และความเป็นอิสระของ benchmark เปปไทด์คล้ายกันระหว่าง train/test อาจทำให้คะแนนสูง แม้เรียก independent test ก็อาจมาจากฐานข้อมูลเดียวกัน MCC ไม่บอก calibration หรือประโยชน์ในการเลือกทดลอง และยังไม่มี wet-lab binding/T-cell assay หรือ validation ในตัวอย่างผู้ป่วย
ตรวจสอบแหล่งต้นทาง
Protein ScienceProtein Science↗DOI: 10.1002/pro.70695