预测mRNA降解以提高疫苗稳定性

然而，基于mRNA的疗法由于其热不稳定性而面临挑战，这使得它们容易受到化学降解的影响。因此，mRNA疫苗需要严格的制造、储存和全球交付条件。为了使mRNA疫苗更广泛地获得，了解和提高它们的稳定性至关重要。

德克萨斯A&M大学ArtieMcFerrin化学工程系教授QingSun博士和一个研究生团队使用深度学习技术创建了一个有效且可解释的模型架构，可以比以前的最佳方法更准确地预测RNA降解，例如Degscore模型、RNA折叠算法和其他机器学习模型。

他们的模型经过测试以显示其效率，研究结果最近发表在《生物信息学简报》上。

“由于在线水解，一种化学降解反应，mRNA固有的热不稳定性阻碍了mRNA疫苗在世界范围内的分布，”Sun说。“出于这个原因，我们的研究旨在了解和预测mRNA的降解。”

为了解决这个问题，Sun和她的团队转向了深度学习技术，他们开发了RNAdegformer——一种基于深度学习的模型，由人工神经网络提供支持，能够提取数据并利用这些洞察力进行预测。

据Sun介绍，RNAdegformer通过自注意力和卷积来处理RNA序列，这两种深度学习技术已被证明在计算机视觉和自然语言处理领域占据主导地位，同时利用了RNA二级结构特征和碱基配对概率的生物物理特性。

“在预测核苷酸水平的降解特性方面，RNAdegformer优于以前的最佳方法，这就像句子中的字母结合形成mRNA，”Sun说。“我们可以对COVID-19mRNA疫苗中的每个核苷酸进行预测。与以前的最佳方法相比，RNAdegformer预测还显示出与RNA体外半衰期的相关性得到改善。”

此外，该研究还展示了自注意力图的直接可视化如何帮助做出明智的决策。根据Sun小组的研究生和论文的第一作者ShujunHe的说法，注意力图显示了模型如何使用输入信息“思考”，这有助于根据模型预测做出明智的决策。

此外，他们的模型揭示了确定mRNA降解率的基本特征。

该团队与斯坦福大学生物化学副教授RhijuDas合作，他的高质量mRNA降解数据是这项研究的起点。

“通过我们的研究，我们希望能够使用我们的模型设计更稳定的mRNA疫苗，以实现更公平和更广泛地使用mRNA疗法，”Sun说。

标签：