پیش‌بینی زمان تخریب mRNA برای بهبود پایداری واکسن

به گزارش سیناپرس همدان، ریبونوکلئیک اسید پیام رسان (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 مدل معماری 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 مانند مدل‌های Degscore، الگوریتم‌های تاشو RNA و سایر مدل‌های یادگیری ماشینی پیش بینی کند.

مدل آنها برای نشان دادن کارایی آزمایش شد و یافته ها اخیراً در Briefings in Bioinformatics منتشر شده است.

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 نکات برای پیش‌بینی هستند، نیرو می‌گیرد.

به گفته سان، RNAdegformer توالی‌های RNA را با توجه به خود و پیچیدگی ها پردازش می‌کند، دو تکنیک یادگیری عمیق که در زمینه‌های بینایی کامپیوتری و پردازش زبان طبیعی ثابت شده‌اند و در عین حال از ویژگی‌های بیوفیزیکی ویژگی‌های ساختار ثانویه RNA و احتمالات جفت شدن بازها 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 در مورد هر نوکلئوتید در واکسن‌های mRNA COVID-19 پیش‌بینی مجزایی انجام دهیم. پیش‌بینی‌های RNAdegformer همچنین در مقایسه با بهترین روش‌های قبلی، همبستگی بهبود یافته‌ای با نیمه‌عمر RNA در شرایط آزمایشگاهی نشان می‌دهند.

علاوه بر این، این تحقیق نشان می‌دهد که چگونه تجسم direct visualization of self-attention maps به تصمیم‌گیری آگاهانه کمک می‌کند. به گفته شوجون هی، دانشجوی کارشناسی ارشد در گروه سان و نویسنده اول مقاله، self-attention maps، نشان می‌دهند که چگونه مدل با استفاده از اطلاعات ورودی، فکر می‌کند که به تصمیم‌گیری آگاهانه بر اساس پیش‌بینی‌های مدل کمک می‌کند.

علاوه بر این، مدل آنها ویژگی های اساسی را در تعیین نرخ تخریب mRNA نشان می دهد. این تیم با ریجو داس، دانشیار بیوشیمی در دانشگاه استنفورد کار کردند که داده‌های تخریب mRNA با کیفیت بالا، نقطه شروعی برای این مطالعه بود.

سان گفت: با تحقیقات خود، امیدواریم بتوانیم واکسن های mRNA پایدارتری را با استفاده از این مدل ها طراحی کنیم تا بتوانیم برابری بیشتر و استفاده گسترده تر از درمان های mRNA را فراهم کنیم.

منبع: ژورنال Briefings in Bioinformatics

مترجم: کیانوش کرمی