Kredit: Domain Publik Pixabay/CC0
Messenger Ribonucleic Acid (mRNA) sebagai pendekatan terapeutik mendapatkan momentum karena kemampuannya untuk diproduksi dengan cepat dan hasil yang menjanjikan. vaksin berbasis mRNA, misalnya, memainkan peran penting dalam perang melawan COVID-19 di banyak bagian dunia.
Namun, terapi berbasis mRNA dapat menghadapi tantangan karena ketidakstabilan termalnya, yang membuatnya rentan terhadap degradasi kimia. Akibatnya, vaksin mRNA memerlukan kondisi yang ketat untuk pembuatan, penyimpanan, dan pengiriman ke seluruh dunia. Untuk membuat vaksin mRNA lebih mudah diakses, penting untuk memahami dan meningkatkan stabilitasnya.
Qing Sun, seorang profesor di Departemen Teknik Kimia Artie McFerrin di Texas A&M University, dan tim mahasiswa pascasarjana telah menciptakan arsitektur model yang efektif dan dapat ditafsirkan menggunakan teknik pembelajaran mendalam yang dapat memprediksi degradasi RNA lebih akurat daripada metode terbaik sebelumnya. , seperti model Degscore, algoritma pelipatan RNA, dan model pembelajaran mesin lainnya.
Model mereka diuji untuk menunjukkan efisiensinya, dan temuannya baru-baru ini dipublikasikan di Briefings in Bioinformatics.
“Ketidakstabilan termal mRNA yang melekat telah menghambat distribusi vaksin mRNA di seluruh dunia karena hidrolisis in-line, reaksi degradasi kimiawi,” kata Sun. “Untuk alasan ini, penelitian kami berupaya memahami dan memprediksi degradasi mRNA.”
Untuk mengatasi masalah ini, Sun dan timnya beralih ke teknik pembelajaran mendalam, di mana mereka mengembangkan RNAdegformer—model berbasis pembelajaran mendalam yang didukung oleh jaringan syaraf tiruan yang mampu mengekstraksi data dan menggunakan wawasan ini untuk membuat prediksi.
Menurut Sun, RNAdegformer memproses urutan RNA dengan perhatian diri dan konvolusi, dua teknik pembelajaran mendalam yang telah terbukti dominan di bidang visi komputer dan pemrosesan bahasa alami sambil memanfaatkan fitur biofisik fitur struktur sekunder RNA dan probabilitas pasangan basa.
“RNAdegformer mengungguli metode terbaik sebelumnya dalam memprediksi sifat degradasi pada tingkat nukleotida, seperti huruf kalimat yang bergabung membentuk mRNA,” kata Sun. “Kami dapat membuat prediksi tentang setiap nukleotida dalam vaksin mRNA COVID-19. Prediksi RNAdegformer juga menunjukkan peningkatan korelasi dengan waktu paruh RNA in vitro dibandingkan dengan metode terbaik sebelumnya.”
Selain itu, penelitian menunjukkan bagaimana visualisasi langsung dari peta perhatian diri membantu pengambilan keputusan yang terinformasi. Menurut Shujun He, seorang mahasiswa pascasarjana dalam kelompok Sun dan penulis pertama makalah tersebut, peta perhatian menunjukkan bagaimana model “berpikir” menggunakan informasi masukan, yang membantu dalam pengambilan keputusan berdasarkan prediksi model.
Selanjutnya, model mereka mengungkapkan fitur penting dalam menentukan tingkat degradasi mRNA.
Tim bekerja dengan Rhiju Das, seorang profesor biokimia di Universitas Stanford yang data degradasi mRNA berkualitas tinggi menjadi titik awal untuk penelitian ini.
“Dengan penelitian kami, kami berharap dapat merancang vaksin mRNA yang lebih stabil menggunakan model kami untuk memungkinkan lebih banyak pemerataan dan penggunaan terapeutik mRNA yang lebih luas,” kata Sun.
Informasi lebih lanjut: Shujun He et al, RNAdegformer: prediksi akurat degradasi mRNA pada resolusi nukleotida dengan pembelajaran mendalam, Pengarahan dalam Bioinformatika (2023). DOI: 10.1093/bib/bbac581
Disediakan oleh Texas A&M University College of Engineering
Kutipan: Memprediksi degradasi mRNA untuk meningkatkan stabilitas vaksin (2023, 8 April) diambil 8 April 2023 dari https://medicalxpress.com/news/2023-04-mrna-degradation-vaccine-stability.html
Dokumen ini tunduk pada hak cipta. Terlepas dari kesepakatan yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.