حفاظت از ریبونوکلئیک اسید پیام رسان برای بهبود واکسن
به گزارش واحد ژنتیک پایگاه اطلاع رسانی علوم آزمایشگاهی ایران، ریبونوکلئیک اسید پیام رسان (mRNA) به عنوان یک رویکرد درمانی به دلیل توانایی آن در تولید سریع و نتایج امیدوارکننده آن، در حال افزایش است. به عنوان مثال، واکسن های مبتنی بر mRNA نقش مهمی در مبارزه با COVID-19 در بسیاری از نقاط جهان ایفا کردند. با این حال، درمان های مبتنی بر mRNA می توانند به دلیل ناپایداری حرارتی خود با چالش هایی مواجه شوند که آنها را مستعد تخریب شیمیایی می کند. در نتیجه، واکسن های mRNA نیازمند شرایط سخت گیرانه برای ساخت، ذخیره سازی و تحویل در سراسر جهان هستند. برای دسترسی بیشتر به واکسن های mRNA، درک و بهبود پایداری آنها بسیار مهم است.
دکتر چینگ سان، استاد دپارتمان مهندسی شیمی Artie McFerrin در دانشگاه A&M تگزاس، و تیمی از دانشجویان فارغ التحصیل، یک معماری مدل موثر و قابل تفسیر با استفاده از تکنیک های یادگیری عمیق ایجاد کرده اند که می تواند تخریب RNA را با دقت بیشتری نسبت به بهترین روش های قبلی پیش بینی کند. مدل آنها برای نشان دادن کارایی آن آزمایش شد و یافته ها اخیراً در Briefings in Bioinformatics منتشر شده است. ناپایداری حرارتی ذاتی mRNA، توزیع واکسن های mRNA را در سراسر جهان به دلیل هیدرولیز درون خطی، یک واکنش تخریب شیمیایی، مختل کرده است. به همین دلیل، تحقیقات به دنبال درک و پیش بینی تخریب mRNA است. برای مبارزه با این مشکل، سان و تیمش به تکنیک های یادگیری عمیق روی آوردند، که در آن RNAdegformer را توسعه دادند.
RNAdegformer در پیش بینی خواص تخریب در سطح نوکلئوتید، که مانند حروف یک جمله هستند که برای تشکیل mRNA ترکیب می شوند، از بهترین روش های قبلی بهتر عمل می کند. ما می توانیم در مورد هر نوکلئوتید در واکسن های mRNA COVID-19 پیش بینی کنیم. پیش بینی های RNAdegformer همچنین در مقایسه با بهترین روش های قبلی، همبستگی بهبود یافته ای با نیمه عمر RNA در شرایط آزمایشگاهی نشان می دهند. علاوه بر این، مدل اخیر ویژگی های اساسی را در تعیین نرخ تخریب mRNA نشان می دهد. با این احقیقات امید است بتوانیم واکسن های mRNA پایدارتری را با استفاده از این طراحی کرده و بتوان استفاده گسترده تر از درمان های mRNA را فراهم کرد.