Prevendo a degradação do mRNA para melhorar a estabilidade da vacina

O ácido ribonucleico mensageiro (mRNA) como uma abordagem terapêutica está ganhando força devido à sua capacidade de ser fabricado rapidamente e seus resultados promissores. As vacinas baseadas em mRNA, por exemplo, desempenharam um papel crucial na luta contra o COVID-19 em muitas partes do mundo.

No entanto, a terapêutica baseada em mRNA pode enfrentar desafios devido à sua instabilidade térmica, o que os torna suscetíveis a degradação química. Como resultado, as vacinas de mRNA requerem condições rigorosas para fabricação, armazenamento e entrega em todo o mundo. Para tornar as vacinas de mRNA mais acessíveis, é fundamental entender e melhorar sua estabilidade.

O Dr. Qing Sun, professor do Departamento Artie McFerrin de Engenharia Química da Texas A&M University, e uma equipe de alunos de pós-graduação criaram uma arquitetura de modelo eficaz e interpretável usando técnicas de aprendizado profundo que podem prever a degradação do RNA com mais precisão do que os melhores métodos anteriores , como modelos Degscore, algoritmos de dobramento de RNA e outros modelos de aprendizado de máquina.

Seu modelo foi testado para mostrar sua eficiência, e o descobertas foram publicadas recentemente em Briefings em Bioinformática.

“A instabilidade térmica inerente do mRNA dificultou a distribuição de vacinas de mRNA em todo o mundo devido à hidrólise em linha, uma reação de degradação química”, disse Sun. “Por esta razão, nossa pesquisa busca entender e prever as degradações do mRNA.”

Para combater esse problema, Sun e sua equipe recorreram a técnicas de aprendizado profundo, nas quais desenvolveram o RNAdegformer – um modelo baseado em aprendizado profundo alimentado por redes neurais artificiais capaz de extrair dados e usar esses insights para fazer previsões.

De acordo com Sun, o RNAdegformer processa sequências de RNA com autoatenção e convoluções, duas técnicas de aprendizado profundo que se mostraram dominantes nos campos de visão computacional e processamento de linguagem natural, enquanto utiliza os recursos biofísicos da estrutura secundária do RNA e probabilidades de pareamento de bases.

“O RNAdegformer supera os melhores métodos anteriores na previsão de propriedades de degradação no nível de nucleotídeos, que são como letras de uma frase que se combinam para formar o mRNA”, disse Sun. “Podemos fazer previsões sobre cada nucleotídeo nas vacinas de mRNA da COVID-19. As previsões do RNAdegformer também exibem uma correlação melhorada com o RNA em vitro meia-vida em comparação com os melhores métodos anteriores.”

Além disso, a pesquisa mostra como a visualização direta dos mapas de auto-atenção auxilia na tomada de decisões informadas. De acordo com Shujun He, aluno de pós-graduação do grupo de Sun e primeiro autor do artigo, os mapas de atenção mostram como o modelo “pensa” usando informações de entrada, o que auxilia na tomada de decisões informadas com base nas previsões do modelo.

Além disso, seu modelo revela características essenciais na determinação das taxas de degradação do mRNA.

A equipe trabalhou com Rhiju Das, professor associado de bioquímica na Universidade de Stanford, cujos dados de degradação de mRNA de alta qualidade serviram como ponto de partida para este estudo.

“Com nossa pesquisa, esperamos poder projetar vacinas de mRNA mais estáveis ​​usando nosso modelo para permitir mais equidade e uso mais amplo da terapêutica de mRNA”, disse Sun.