Il nuovo strumento, sviluppato da Area Science Park, migliora l’annotazione delle sequenze proteiche e promuove scoperte nel campo della metagenomica.
Il Laboratorio di Data Engineering (LADE) di Area Science Park ha recentemente pubblicato su Nature – Scientific Data un importante articolo riguardante l’annotazione delle sequenze proteiche.
Grazie ai progressi tecnologici nel sequenziamento genomico, il numero di sequenze proteiche conosciute è cresciuto esponenzialmente.
Molte di queste sequenze provengono da progetti metagenomici che analizzano campioni ambientali e clinici.
Tra i dataset più rilevanti in questo ambito, si distingue il catalogo del Proteoma Gastrointestinale Umano Unificato (UHGP), con svariate applicazioni in medicina e biologia. Tuttavia, la limitata annotazione di queste sequenze ne riduce l’efficacia.
Per ovviare a questo problema, è stato sviluppato il dataset DPCfam-UHGP, che classifica le sequenze UHGP in famiglie proteiche, che tipicamente raggruppano proteine che condividono la stessa funzione biologica. Il dataset contiene 10.778 famiglie, generate attraverso il clustering DPCfam, un metodo non supervisionato che organizza le sequenze in architetture a singolo o multi-dominio.
Questo lavoro, che costituisce parte del lavoro di dottorato di Federico Barone supervisionato da Alessio Ansuini e Alberto Cazzaniga, è un esempio emblematico di interazione proficua tra data management e data science. In questo contesto, la costruzione di un database curato di proteine dell’apparato gastrointestinale ha portato ad una catalogazione più raffinata tramite algoritmi avanzati di machine learning, permettendo di aggiornare nuovamente il database, in un ciclo continuo di feedback interdisciplinare.
Il dataset DPCfam-UHGP, navigabile attraverso un web server, è stato costruito seguendo le migliori pratiche FAIR (Findable, Accessible, Interoperable, Reusable) e ha l’obiettivo di favorire nuove scoperte nel campo della metagenomica del tratto gastrointestinale umano.
In precedenza, il LADE aveva già prodotto il database DPCfam-UR50 accompagnato da una pubblicazione su PLOS – Computational Biology
fonte testo e foto: Area Science Park
