通過AI模型預測mRNA降解，提高mRNA疫苗穩定性

（圖片來源：攝圖網）

作者|生物世界 來源|生物世界(ID：ibioworld)

mRNA新冠疫苗在抗擊COVID-19過程中發揮了非常關鍵的作用。由于其可快速生產的能力以及在多項臨床研究中有前景的結果，基于mRNA技術的疫苗和治療方法，正在獲得越來越多的關注。

然而，由于mRNA的熱不穩定性，這使它們容易受到化學降解的影響，這也是基于mRNA的疫苗或療法面臨的一大挑戰。mRNA疫苗的生產、儲存和運輸都需要嚴格的條件。為了使mRNA疫苗能夠更廣泛地獲取，了解和提高mRNA的穩定性至關重要。

近日，德克薩斯農工大學 Sun Qing 團隊在 Briefings in Bioinformatics 期刊發表了題為：RNAdegformer: accurate prediction of mRNA degradation at nucleotide resolution with deep learning 的研究論文。

研究團隊使用深度學習（Deep Learning）技術創建了一個有效且可解釋的模型架構——RNAdegformer，該技術可以比以前的最佳方法（如Degscore模型、RNA折疊算法和其他機器學習模型）更準確地預測RNA降解。

Sun Qing 教授表示，mRNA固有的熱不穩定性帶來的化學降解反應，阻礙了mRNA疫苗在全球范圍內的分發，因此，我們這項研究試圖理解和預測mRNA降解。

為了解決mRNA降解問題，研究團隊轉向了深度學習技術，他們開發了RNAdegformer，這是一種基于深度學習（Deep Learning）的模型，由人工神經網絡驅動，能夠提取數據并使用這些見解進行預測。

RNAdegformer利用RNA二級結構特征和堿基配對概率的生物物理特征，利用自注意力和卷積處理RNA序列，這兩種深度學習技術已被證明在計算機視覺和自然語言處理領域占據主導地位。

RNAdegformer在預測核苷酸水平的降解特性方面優于之前的最佳方法，RNAdegformer可以預測新冠mRNA疫苗中的每個核苷酸。與之前的最佳方法相比，RNAdegformer預測與RNA體外半衰期的相關性也有所改善。

RNAdegformer結合了卷積和自注意力來預測RNA降解

此外，該研究還顯示了自注意力圖像的直接可視化如何有助于明智的決策。注意力圖顯示了模型如何使用輸入信息“思考”，這有助于基于模型預測的知情決策。此外，這一模型還揭示了決定mRNA降解速率的基本特征。該團隊與斯坦福大學生物化學副教授Rhiju Das合作，他的高質量mRNA降解數據是這項研究的起點。

Sun Qing 教授表示，通過這項研究，希望能夠使用我們的模型設計出更穩定的mRNA疫苗，使mRNA療法更加公平和更廣泛地使用。

論文鏈接：

https://doi.org/10.1093/bib/bbac581

編者按：本文轉載自微信公眾號：生物世界(ID：ibioworld)，作者：生物世界