Mesindžer ribonukleinska kiselina (mRNA) kao terapijski pristup dobija na zamahu zbog svoje sposobnosti da se brzo proizvodi i obećavajućih rezultata. Vakcine zasnovane na mRNA, na primer, igrale su ključnu ulogu u borbi protiv COVID-19 u mnogim delovima sveta.
Međutim, terapeutici zasnovani na mRNA mogu se suočiti sa izazovima zbog svoje termičke nestabilnosti, što ih čini podložnim hemijskoj degradaciji. Kao rezultat toga, mRNA vakcine zahtevaju stroge uslove za proizvodnju, skladištenje i isporuku širom sveta. Da bi mRNA vakcine bile šire dostupne, ključno je razumeti i poboljšati njihovu stabilnost.
Dr King Sun, profesor na Katedri za hemijsko inženjerstvo Artie McFerrin na Teksaškom A&M univerzitetu, i tim diplomiranih studenata kreirali su efikasnu i razumljivu arhitekturu modela koristeći tehnike dubokog učenja koje mogu preciznije predvideti degradaciju RNK od prethodnih najboljih metoda , kao što su modeli Degscore, algoritmi savijanja RNK i drugi modeli mašinskog učenja.
Njihov model je testiran kako bi pokazao njegovu efikasnost, a nalazi su nedavno objavljeni u Briefings in Bioinformatics.
„Inherentna termička nestabilnost mRNK ometa distribuciju mRNK vakcina širom sveta zbog hidrolize u liniji, reakcije hemijske degradacije“, rekao je Sun. „Iz tog razloga, naše istraživanje nastoji da razume i predvidi degradacije mRNA.“
Da bi se izborili sa ovim problemom, Sun i njen tim su se okrenuli tehnikama dubokog učenja, u kojima su razvili RNAdegformer – model zasnovan na dubokom učenju koji pokreće veštačke neuronske mreže sposobne da izvlače podatke i koriste ove uvide za predviđanje.
Prema Sunu, RNAdegformer obrađuje RNK sekvence sa samopažnjom i konvolucijama, dve tehnike dubokog učenja koje su se pokazale dominantnim u oblastima kompjuterskog vida i obrade prirodnog jezika, koristeći biofizičke karakteristike karakteristika sekundarne strukture RNK i verovatnoće uparivanja baza.
„RNAdegformer nadmašuje prethodne najbolje metode u predviđanju svojstava degradacije na nivou nukleotida, koja su poput slova rečenice koja se kombinuju da bi formirali iRNK“, rekao je Sun. „Možemo da predvidimo svaki nukleotid u mRNA vakcinama COVID-19. Predviđanja RNAdegformera takođe pokazuju poboljšanu korelaciju sa poluživotom RNK in vitro u poređenju sa prethodnim najboljim metodama.“
Pored toga, istraživanje pokazuje kako direktna vizualizacija mapa samopažnje pomaže informisanom donošenju odluka. Prema Šujunu Heu, studentu diplomskog studija u Sunovoj grupi i prvom autoru rada, mape pažnje pokazuju kako model „razmišlja“ koristeći ulazne informacije, što pomaže u informisanom donošenju odluka na osnovu predviđanja modela.
Dalje, njihov model otkriva bitne karakteristike u određivanju stopa degradacije mRNA.
Tim je radio sa Rhiju Dasom, vanrednim profesorom biohemije na Univerzitetu Stanford, čiji su visokokvalitetni podaci o degradaciji mRNA poslužili kao polazna tačka za ovu studiju.
„Sa našim istraživanjem, nadamo se da ćemo moći da dizajniramo stabilnije mRNK vakcine koristeći naš model kako bismo omogućili više pravičnosti i širu upotrebu mRNA terapije“, rekao je Sun.
