Передовая вычислительная платформа расширяет возможности методов криоконсервации в биобанкировании

Исследователи из Университета Уорика (University of Warwick) и Манчестерского университета (University of Manchester) представили инновационную вычислительную систему, призванную улучшить криоконсервацию медицинских материалов, включая вакцины и донорскую кровь. Исследование, опубликованное в журнале Nature Communications, использует машинное обучение для изучения огромного количества потенциальных молекул-криопротекторов, решая важную задачу в области биобанкирования и хранения медицинских материалов.

Криопротекторы необходимы для сохранения эффективности методов лечения, требующих быстрого замораживания. Исследовательская группа успешно идентифицировала новую молекулу, которая эффективно ингибирует образование кристаллов льда в процессе замораживания, что является важным достижением, поскольку рост кристаллов льда создает значительные проблемы при сохранении биообразцов и терапевтических препаратов.

Профессор Gabriele Sosso подчеркнул, что интеграция машинного обучения с традиционными экспериментальными методиками сыграла решающую роль в успехе, сделав модель бесценным инструментом в научном процессе. Такой синергетический подход позволяет исследователям быстро находить перспективные соединения, что может произвести революцию в открытии и тестировании криопротекторов.

Доктор Matt Warren, ведущий аспирант проекта, отметил, что модель способна оптимизировать исследовательскую работу, сокращая время на трудоемкие эксперименты и позволяя ученым сосредоточиться на более сложных задачах. Результаты работы команды показывают, что количество обычного криопротектора, необходимого для хранения крови, может быть значительно уменьшено, что ускорит важнейшие процессы в биобанкировании.

Профессор Matthew Gibson отметил неожиданную эффективность модели в выявлении активных молекул, которые традиционные методы могли бы пропустить. Этот прорыв не только знаменует собой значительное достижение в области криобиологии, но и подчеркивает трансформационный потенциал машинного обучения в совершенствовании методов биобанкирования и обеспечении целостности жизненно важных биообразцов.

 

Первоисточник: https://www.biobanking.com/news/research-news/