پیش‌بینی تخریب mRNA برای بهبود پایداری واکسن

پیام رسان ریبونوکلئیک اسید (mRNA) به عنوان یک رویکرد درمانی به دلیل توانایی آن در تولید سریع و نتایج امیدوارکننده آن، در حال افزایش است. به عنوان مثال، واکسن‌های مبتنی بر mRNA نقش مهمی در مبارزه با COVID-19 در بسیاری از نقاط جهان ایفا کردند.

با این حال، درمان‌های مبتنی بر mRNA می‌توانند به دلیل ناپایداری حرارتی خود با چالش‌هایی مواجه شوند که آنها را مستعد تخریب شیمیایی می‌کند. در نتیجه، واکسن‌های mRNA نیازمند شرایط سخت‌گیرانه برای ساخت، ذخیره‌سازی و تحویل در سراسر جهان هستند. برای دسترسی بیشتر به واکسن‌های mRNA، درک و بهبود پایداری آنها بسیار مهم است.

دکتر چینگ سان، استاد دپارتمان مهندسی شیمی Artie McFerrin در دانشگاه A&M تگزاس، و تیمی از دانشجویان فارغ التحصیل، یک معماری مدل موثر و قابل تفسیر با استفاده از تکنیک های یادگیری عمیق ایجاد کرده اند که می تواند تخریب RNA را با دقت بیشتری نسبت به بهترین روش های قبلی پیش بینی کند. مانند مدل‌های Degscore، الگوریتم‌های تاشو RNA و سایر مدل‌های یادگیری ماشینی.

مدل آنها برای نشان دادن کارایی آن مورد آزمایش قرار گرفت و یافته ها اخیراً در منتشر شده است جلسات توجیهی در بیوانفورماتیک.

سان گفت: «ناپایداری حرارتی ذاتی mRNA، توزیع واکسن‌های mRNA را در سراسر جهان به دلیل هیدرولیز درون خطی، یک واکنش تخریب شیمیایی، مختل کرده است. به همین دلیل، تحقیقات ما به دنبال درک و پیش‌بینی تخریب mRNA است.»

برای مبارزه با این مشکل، سان و تیمش به تکنیک‌های یادگیری عمیق روی آوردند، که در آن RNAdegformer را توسعه دادند – یک مدل مبتنی بر یادگیری عمیق که توسط شبکه‌های عصبی مصنوعی که قادر به استخراج داده‌ها و استفاده از این بینش‌ها برای پیش‌بینی هستند، نیرو می‌گیرد.

به گفته Sun، RNAdegformer توالی‌های RNA را با توجه به خود و کانولوشن پردازش می‌کند، دو تکنیک یادگیری عمیق که در زمینه‌های بینایی کامپیوتری و پردازش زبان طبیعی ثابت شده‌اند در حالی که از ویژگی‌های بیوفیزیکی ویژگی‌های ساختار ثانویه RNA و احتمالات جفت شدن پایه استفاده می‌کنند.

سان می‌گوید: «RNAdegformer در پیش‌بینی خواص تخریب در سطح نوکلئوتید، که مانند حروف یک جمله هستند که برای تشکیل mRNA ترکیب می‌شوند، از بهترین روش‌های قبلی بهتر عمل می‌کند. ما می‌توانیم درباره هر نوکلئوتید در واکسن‌های mRNA COVID-19 پیش‌بینی کنیم. پیش‌بینی‌های RNAdegformer همبستگی بهبود یافته‌ای با RNA نشان می‌دهند. درونکشتگاهی نیمه عمر در مقایسه با بهترین روش های قبلی.”

علاوه بر این، این تحقیق نشان می دهد که چگونه تجسم مستقیم نقشه های توجه به خود به تصمیم گیری آگاهانه کمک می کند. به گفته شوجون هی، دانشجوی کارشناسی ارشد در گروه Sun و نویسنده اول مقاله، نقشه های توجه نشان می دهد که چگونه مدل با استفاده از اطلاعات ورودی “فکر می کند”، که به تصمیم گیری آگاهانه بر اساس پیش بینی های مدل کمک می کند.

علاوه بر این، مدل آنها ویژگی های اساسی را در تعیین نرخ تخریب mRNA نشان می دهد.

این تیم با Rhiju Das، دانشیار بیوشیمی در دانشگاه استنفورد کار کردند که داده‌های تجزیه mRNA با کیفیت بالا نقطه شروعی برای این مطالعه بود.

سان گفت: «با تحقیقات خود، امیدواریم بتوانیم واکسن‌های mRNA پایدارتری را با استفاده از مدل خود طراحی کنیم تا بتوانیم برابری بیشتر و استفاده گسترده‌تر از داروهای mRNA را فراهم کنیم.»