Рибонуклеиновая кислота-мессенджер (мРНК) в качестве терапевтического подхода набирает обороты благодаря возможности быстрого производства и многообещающим результатам. Например, вакцины на основе мРНК сыграли решающую роль в борьбе с COVID-19 во многих частях мира.
Однако терапевтические средства на основе мРНК могут столкнуться с проблемами из-за их термической нестабильности, что делает их восприимчивыми к химическому разложению . В результате мРНК-вакцины требуют жестких условий для производства, хранения и доставки по всему миру. Чтобы сделать мРНК-вакцины более доступными, крайне важно понять и улучшить их стабильность.
Доктор Цин Сун, профессор кафедры химического машиностроения Арти Макферрина в Техасском университете A&M, и группа аспирантов создали эффективную и интерпретируемую архитектуру модели, используя методы глубокого обучения, которые могут предсказывать деградацию РНК более точно, чем предыдущие лучшие методы. , такие как модели Degscore, алгоритмы сворачивания РНК и другие модели машинного обучения .
Их модель была протестирована, чтобы показать ее эффективность, и результаты недавно были опубликованы в Briefings in Bioinformatics.
«Присущая мРНК термическая нестабильность препятствует распространению мРНК-вакцин по всему миру из-за встроенного гидролиза, химической реакции разложения», — сказал Сан. «По этой причине наше исследование направлено на то, чтобы понять и предсказать деградацию мРНК».
Чтобы решить эту проблему, Сан и ее команда обратились к методам глубокого обучения, в рамках которых они разработали RNAdegformer — основанную на глубоком обучении модель, работающую на основе искусственных нейронных сетей , способных извлекать данные и использовать эти идеи для прогнозирования.
По словам Сан, RNAdegformer обрабатывает последовательности РНК с вниманием к себе и сверткам, двум методам глубокого обучения, которые оказались доминирующими в области компьютерного зрения и обработки естественного языка, используя при этом биофизические особенности особенностей вторичной структуры РНК и вероятности спаривания оснований.
«Формирователь РНК-дег превосходит предыдущие лучшие методы в прогнозировании свойств деградации на уровне нуклеотидов, которые подобны буквам предложения, которые объединяются в мРНК», — сказал Сан. «Мы можем делать прогнозы относительно каждого нуклеотида в мРНК-вакцинах COVID-19. Прогнозы РНКдегформера также демонстрируют улучшенную корреляцию с периодом полураспада РНК in vitro по сравнению с предыдущими лучшими методами».
Кроме того, исследование показывает, как прямая визуализация карт внутреннего внимания помогает принимать обоснованные решения. По словам Шуджун Хе, аспиранта группы Сан и первого автора статьи, карты внимания показывают, как модель «думает» с использованием входной информации, что помогает принимать обоснованные решения на основе предсказаний модели.
Кроме того, их модель обнаруживает важные особенности в определении скорости деградации мРНК.
Команда работала с Риджу Дасом, адъюнкт-профессором биохимии Стэнфордского университета, чьи высококачественные данные о деградации мРНК послужили отправной точкой для этого исследования.
«Мы надеемся, что с помощью нашего исследования мы сможем разработать более стабильные мРНК-вакцины, используя нашу модель, чтобы обеспечить более справедливое и более широкое использование мРНК-терапевтических средств», — сказал Сан.
