پژوهشگران دانشکده زیست شناسی با همکاری دانشکده ریاضی، آمار و علوم کامپیوتر دانشکدگان علوم، دانشگاه تهران موفق به طراحی و ابداع نرم افزار پیش بینی تمایل شکل گیری تجمعات پپتیدی و پروتئینی با عنوان SqFt شدند. این دستاورد مرهون همکاری بین رشته ای خانم فاطمه اشعاری پژوهشگر آزمایشگاه بیوتکنولوژی پروتئین با پژوهشگران رشته های آمار و نیز مهندسی شیمی دانشگاه تهران به راهنمائی مشترک دکتر مهران حبیبی رضائی، استاد دانشکده زیست شناسی و دکتر سودابه شمه سوار دانشیار دانشکده ریاضی آمار و علوم کامپیوتر دانشگاه تهران است. دکتر حبیبی رضائی سرپرست این گروه پژوهشی، در خصوص اهمیت این دستاورد اظهار داشت که در شرایط استرس اکسیداتیو بسیاری از پروتئین ها و پپتید های طبیعی با عملکرد های معلوم و بعضا نا معلوم با درجات متفاوت تمایل به تشکیل تجمع آمیلوئیدی و در نتیجه از بین رفتن عملکرد  طبیعی  و بعضا سمی شدن آنها می شود. وی در ادامه افزود، این شرایط به صورت وابسته به سن در بیماری های وابسته به استرس های اکسیداتیو مانند دیابت نوع 2 (T2DM)، آلزایمر (AD) و پارکینسون (PD) که امروزه شاهد روند فزونی آنها در جوامع از جمله کشور مان هستیم، می شود. این تجمعات آمیلوئیدی در بیماری آلزایمر بصورت پلاک های آمیلوئیدی خارج سلولی و کلاف های رشته های درون سلولی  و در بیماری پارکینسون بصورت رسوبات درون سلولی موسوم به اجسام لووی تشکیل می شود. تشکیل تجمع در پروتئین‌ها تابع  ویژگی های شیمی فیزیکی و ساختار مولکولی پیچیده آنها است. از اینرو، فراهم شدن امکان پیش‌بینی تجمع پروتئین‌ها برای اتخاذ راهکار های  پیشگیرانه برای بیماری‌های مرتبط با آمیلوئید و همچنین برای طراحی و فراوری و ارزیابی عملکردی داروهای زیستی در حوزه تخصصی مهندسی پروتئین حائز اهمیت است. وی تاکید کرد که تا کنون ابزار ها و سرور های متنوعی جهت پیش بینی تجمع پروتئین ها و پپیتد ها معرفی شده است با این حال یافتن مدل یا سرور با حساسیت و دقت بالاتر مبتنی بر درک اثر هر یک از ویژگی های ذاتی و ساختاری پپتید ها و پروتئین ها همچنان مورد توجه پژوهشگران است. در راستای دست یابی به این دستاورد، ابتدا اثر مستقیم هریک از ویژگی ها در فرایند تجمع پذیری بررسی و مدل جدید جهت پیش بینی تجمع هگزاپپتتید ها با استفاده از روش یادگیری ماشین (Machine Learning) ارائه شد. استاد دانشکده زیست شناسی دانشگاه تهران افزود، به منظور طراحی و آزمایش مدل با رهنمود های خانم دکتر سودابه شمه سوار دانشیار آمار، از سرور WALTZ DB-2.0 که متشکل از 1416 هگزاپپتید آمیلوئیدی و غیرآمیلوئیدی بود، استفاده شد. ابتدا با استفاده از رگرسیون لجستیک (Logistic Regression) مدل طراحی و از 354 هگزاپپتید جهت آزمون نرم افزار استفاده  و به منظور بررسی کارآیی مدل از شاخص ها و آنالیز های آماری بهره برداری شد. در ادامه کارآیی و پایایی مدل ابداع شده طی مقایسه کمیت های محاسباتی مورد نظر با مقادیر بدست آمده از سرور های رایج و شناخته شده مانند Aggrescan،  WALTZ،  Metamyl و   PASTA2.0 به اثبات رسید. نتایج این پژوهش در با عنوان"Prediction of protein aggregation propensity employing SqFt-based logistic regression model"  اخیرا در مجله "International Journal of Biological Macromolecules" با ضریب تاثیر 8.2 منتشر شده است.

https://www.sciencedirect.com/science/article/pii/S0141813023029318