mRNA Θεραπεία: Το αγγελιοφόρο ριβονουκλεϊκό οξύ (mRNA) ως θεραπευτική προσέγγιση κερδίζει συνεχώς έδαφος λόγω της ικανότητάς του να παρασκευάζεται γρήγορα και των πολλά υποσχόμενων αποτελεσμάτων του. Τα εμβόλια με βάση το mRNA, για παράδειγμα, έπαιξαν καθοριστικό ρόλο στην καταπολέμηση του COVID-19 σε πολλά μέρη του κόσμου. Ωστόσο, τα θεραπευτικά με βάση το mRNA μπορεί να αντιμετωπίσουν προκλήσεις λόγω της θερμικής τους αστάθειας, η οποία τα καθιστά ευάλωτα στη χημική αποικοδόμηση. Ως αποτέλεσμα, τα εμβόλια mRNA απαιτούν αυστηρές συνθήκες για την κατασκευή, την αποθήκευση και την παγκόσμια παράδοση.
Για να καταστούν τα εμβόλια mRNA ευρύτερα προσβάσιμα, είναι ζωτικής σημασίας η κατανόηση και η βελτίωση της σταθερότητάς τους. Ο Δρ Qing Sun, καθηγητής στο Τμήμα Χημικής Μηχανικής Artie McFerrin του Πανεπιστημίου Texas A&M, και μια ομάδα μεταπτυχιακών φοιτητών δημιούργησαν μια αποτελεσματική και ερμηνεύσιμη αρχιτεκτονική μοντέλου χρησιμοποιώντας τεχνικές βαθιάς μάθησης που μπορεί να προβλέψει την αποικοδόμηση του RNA με μεγαλύτερη ακρίβεια από τις προηγούμενες καλύτερες μεθόδους, όπως τα μοντέλα Degscore, οι αλγόριθμοι αναδίπλωσης RNA και άλλα μοντέλα μηχανικής μάθησης. Το μοντέλο τους δοκιμάστηκε για να δείξει την αποτελεσματικότητά του και τα ευρήματα δημοσιεύθηκαν πρόσφατα στο Ενημέρωση στη βιοπληροφορική Briefings in Bioinformatics. “Η εγγενής θερμική αστάθεια του mRNA έχει παρεμποδίσει τη διανομή εμβολίων mRNA παγκοσμίως λόγω της εν σειρά υδρόλυσης, μιας χημικής αντίδρασης αποικοδόμησης”, δήλωσε ο Sun. “Για τον λόγο αυτό, η έρευνά μας επιδιώκει να κατανοήσει και να προβλέψει τις αποικοδομήσεις του mRNA”. Για να καταπολεμήσουν αυτό το πρόβλημα, ο Sun και η ομάδα του στράφηκαν στις τεχνικές βαθιάς μάθησης, στο πλαίσιο των οποίων ανέπτυξαν το RNAdegformer – ένα μοντέλο βασισμένο στη βαθιά μάθηση που τροφοδοτείται από τεχνητά νευρωνικά δίκτυα, ικανό να εξάγει δεδομένα και να χρησιμοποιεί αυτές τις γνώσεις για να κάνει προβλέψεις. Σύμφωνα με τον Sun, το RNAdegformer επεξεργάζεται τις ακολουθίες RNA με αυτοπροσοχή και συρράξεις, δύο τεχνικές βαθιάς μάθησης που έχουν αποδειχθεί κυρίαρχες στους τομείς της όρασης υπολογιστών και της επεξεργασίας φυσικής γλώσσας, ενώ παράλληλα χρησιμοποιεί τα βιοφυσικά χαρακτηριστικά των χαρακτηριστικών της δευτεροταγούς δομής του RNA και τις πιθανότητες σύζευξης βάσεων.
“Ο RNAdegformer ξεπερνά τις προηγούμενες καλύτερες μεθόδους στην πρόβλεψη των ιδιοτήτων αποικοδόμησης σε επίπεδο νουκλεοτιδίων, τα οποία είναι σαν τα γράμματα μιας πρότασης που συνδυάζονται για να σχηματίσουν το mRNA”, δήλωσε ο Sun. “Μπορούμε να κάνουμε προβλέψεις για κάθε νουκλεοτίδιο στα εμβόλια COVID-19 mRNA. Οι προβλέψεις του RNAdegformer παρουσιάζουν επίσης βελτιωμένη συσχέτιση με τον in vitro χρόνο ημιζωής του RNA σε σύγκριση με τις προηγούμενες καλύτερες μεθόδους”. Επιπλέον, η έρευνα δείχνει πώς η άμεση απεικόνιση των χαρτών αυτοπροσοχής βοηθά στην τεκμηριωμένη λήψη αποφάσεων. Σύμφωνα με τον Shujun He, μεταπτυχιακό φοιτητή στην ομάδα του Sun και πρώτο συγγραφέα της δημοσίευσης, οι χάρτες προσοχής δείχνουν πώς το μοντέλο “σκέφτεται” χρησιμοποιώντας πληροφορίες εισόδου, γεγονός που βοηθά στην τεκμηριωμένη λήψη αποφάσεων με βάση τις προβλέψεις του μοντέλου. Περαιτέρω, το μοντέλο τους αποκαλύπτει ουσιώδη χαρακτηριστικά στον καθορισμό των ρυθμών αποικοδόμησης του mRNA. Η ομάδα συνεργάστηκε με τον Rhiju Das, αναπληρωτή καθηγητή βιοχημείας στο Πανεπιστήμιο του Στάνφορντ, του οποίου τα υψηλής ποιότητας δεδομένα αποικοδόμησης mRNA χρησίμευσαν ως αφετηρία για την παρούσα μελέτη. “Με την έρευνά μας, ελπίζουμε ότι θα είμαστε σε θέση να σχεδιάσουμε πιο σταθερά εμβόλια mRNA χρησιμοποιώντας το μοντέλο μας, ώστε να επιτρέψουμε μεγαλύτερη ισότητα και ευρύτερη χρήση των θεραπευτικών mRNA”, δήλωσε ο Sun.