STUDIU. Dezvoltarea vaccinurilor ARNm poate fi eficientizată prin implicarea inteligenței artificiale

  • Medicina digitală



Oamenii de știință de la Universitatea Princeton au dezvoltat un model de învățare automată, UTR-LM (5’ untranslated region language model), care poate avea reale implicații în dezvoltarea vaccinurilor bazate pe ARNm cu eficacitate ridicată.

Comparativ cu alte modele AI cu aplicații în jurul ARN-ului mesager, sau a decodării diverselor secvențe biologice, UTR-LM este primul instrument digital care se concentrează pe regiunea netranslatată 5` a ARNm.

abonare

Conform rezultatelor studiului publicat în jurnalul Nature Machine Intelligence, UTR-LM a depășit performanțele celor mai bune modele de referință utilizate în dezvoltarea vaccinurilor ARNm, conducând la o:

  • îmbunătățire cu 5% în predicția încărcărturii ribozomale;
  • îmbunătățire cu 8% în predicția eficacității procesului de translație;
  • creștere cu 32,5% a eficienței procesului de producție de proteine.

Mai mult decât atât, instrumentul digital a fost utilizat pentru proiectarea unei librării care conține 211 noi regiuni netranslatate 5`. Secvențele au fost optimizate pentru îndeplinirea unor anumite funcții (cu precădere pentru eficientizarea procesului de translație) și ulterior evaluate în laborator. Rezultatele au arătat o îmbunătățire cu aproximativ 33% în eficientizarea producției de proteine, comparativ cu performanțele celor mai bine optimizate secvențe UTR 5` utilizate curent în dezvoltarea vaccinurilor ARNm. Creșterea eficienței sintezei proteice chiar și într-o mică măsură reprezintă un avans major în obținerea unor noi și îmbunătățite produse terapeutice.

UTR-LM a fost antrenat pe regiuni UTR 5` endogene, provenind de la diverse specii. De asemenea, pregătirea modelului a inclus și integrarea informațiilor despre procesul de sinteză a proteinelor, precum și structura și energia acestora. Cea mai dificilă parte în procesul de antrenare a modelului a constat în crearea bazei de date, aceasta fiind pusă laolaltă pe bucăți, din serii mai mici de date provenite din multiple studii.

„O parte a bazei de date folosite pentru antrenarea modelului provine dintr-un studiu care conține măsurători ale eficacității, în timp ce o altă parte a bazei de date provine dintr-un alt studiu care a măsurat nivelul de expresie. Am colectat și date neetichetate din surse multiple.Antrenarea unui astfel de model nu constă numai în alăturarea tuturor acestor secvențe, ci și în alăturarea secvențelor cu etichetele (labels) care au fost colectate până în prezent. Acest lucru nu a mai fost realizat până acum” – afirmă coordonatoarea studiului Mengdi Wang, expertă în machine learning.

Instrumentul digital UTR-LM funcționează mai mult sau mai puțin după același principiu ca LLM-urile utilizate în dezvoltarea chat-boților precum ChatGPT. Un element care le diferențiază este setul de date cu care sunt antrenate. În timp ce asistenții virtuali sunt antrenați cu miliarde de informații text de pe internet, UTR-LM este antrenat cu sute de mii de secvențe biologice.

STUDIU. Dezvoltarea vaccinurilor ARNm poate fi eficientizată prin implicarea inteligenței artificiale
Srusă imagine: freepik.com

Dogma centrală a biologiei definește direcția în care circulă informația genetică astfel: ADN – ARN – proteine. Printr-un proces numit transcripție, ARN-ul mesager preia informația genetică din ADN și o transportă mai departe prin translație structurilor celulare responsabile de sinteza proteinelor. Numai o parte din ARNm conține codul genetic necesar viitoarei proteine, porțiune care este și translatată. Specific, regiunea netranslatată 5` se află la începutul moleculei de ARNm și joacă un rol crucial în reglarea procesului de translație, afectând și nivelul de exprimare genetică al proteinelor.

Citește și:

Vaccinurile bazate pe ARN mesager au început să intre în atenția publicului odată cu pandemia COVID-19, având însă peste 20 de ani de cercetare în spate. În prezent, studiile urmăresc implicațiile acestor vaccinuri în tratamentul cancerului: