Predicción de la degradación del ARNm para mejorar la estabilidad de la vacuna

El ácido ribonucleico mensajero (ARNm) como enfoque terapéutico está cobrando impulso debido a su capacidad para fabricarse rápidamente y sus resultados prometedores. Las vacunas basadas en ARNm, por ejemplo, desempeñaron un papel crucial en la lucha contra la COVID-19 en muchas partes del mundo.

Sin embargo, las terapias basadas en mRNA pueden enfrentar desafíos debido a su inestabilidad térmica, lo que las hace susceptibles a la degradación química. Como resultado, las vacunas de ARNm requieren condiciones estrictas para su fabricación, almacenamiento y distribución en todo el mundo. Para que las vacunas de ARNm sean más accesibles, es fundamental comprender y mejorar su estabilidad.

El Dr. Qing Sun, profesor del Departamento de Ingeniería Química Artie McFerrin de la Universidad Texas A&M, y un equipo de estudiantes de posgrado han creado una arquitectura de modelo eficaz e interpretable utilizando técnicas de aprendizaje profundo que pueden predecir la degradación del ARN con mayor precisión que los mejores métodos anteriores. , como modelos Degscore, algoritmos de plegamiento de ARN y otros modelos de aprendizaje automático.

Su modelo fue probado para mostrar su eficiencia, y el hallazgos fueron publicados recientemente en Briefings en Bioinformática.

«La inestabilidad térmica inherente del ARNm ha obstaculizado la distribución de vacunas de ARNm en todo el mundo debido a la hidrólisis en línea, una reacción de degradación química», dijo Sun. «Por esta razón, nuestra investigación busca comprender y predecir las degradaciones del ARNm».

Para combatir este problema, Sun y su equipo recurrieron a técnicas de aprendizaje profundo, en las que desarrollaron RNAdegformer, un modelo basado en aprendizaje profundo impulsado por redes neuronales artificiales capaces de extraer datos y utilizar estos conocimientos para hacer predicciones.

Según Sun, el RNAdegformer procesa secuencias de ARN con autoatención y convoluciones, dos técnicas de aprendizaje profundo que han demostrado ser dominantes en los campos de la visión por computadora y el procesamiento del lenguaje natural al utilizar las características biofísicas de las características de la estructura secundaria del ARN y las probabilidades de emparejamiento de bases.

«El RNAdegformer supera a los mejores métodos anteriores en la predicción de las propiedades de degradación a nivel de nucleótidos, que son como letras de una oración que se combinan para formar ARNm», dijo Sun. «Podemos hacer predicciones sobre cada nucleótido en las vacunas de ARNm de COVID-19. Las predicciones de RNAdegformer también exhiben una correlación mejorada con el ARN in vitro vida media en comparación con los mejores métodos anteriores».

Además, la investigación muestra cómo la visualización directa de mapas de autoatención ayuda a tomar decisiones informadas. Según Shujun He, estudiante de posgrado en el grupo de Sun y primer autor del artículo, los mapas de atención muestran cómo «piensa» el modelo utilizando información de entrada, lo que ayuda a tomar decisiones informadas basadas en las predicciones del modelo.

Además, su modelo revela características esenciales para determinar las tasas de degradación del ARNm.

El equipo trabajó con Rhiju Das, profesor asociado de bioquímica en la Universidad de Stanford, cuyos datos de degradación de ARNm de alta calidad sirvieron como punto de partida para este estudio.

«Con nuestra investigación, esperamos poder diseñar vacunas de ARNm más estables utilizando nuestro modelo para permitir una mayor equidad y un uso más amplio de las terapias de ARNm», dijo Sun.