LOCAS: localización de ARNm multietiqueta con aprendizaje por contraste supervisado | JoVE Visualize

Área de la Ciencia:

Biología computacional
Biología molecular
La bioinformática

Sus antecedentes:

La localización subcelular del ARN mensajero (ARNm) es vital para la regulación génica y el control de la síntesis de proteínas.
Los métodos computacionales existentes a menudo utilizan la clasificación de una sola etiqueta, sin abordar la naturaleza de múltiples etiquetas de la localización del ARNm.
Los enfoques actuales de aprendizaje profundo luchan para modelar las relaciones entre múltiples sitios de localización de ARNm.

Objetivo del estudio:

Desarrollar un nuevo marco computacional, Localización con Aprendizaje Contrastivo Supervisado (LOCAS), para una predicción precisa de la localización subcelular de ARNm multietiqueta.
Mejorar el modelado de las relaciones entre múltiples sitios de localización utilizando el aprendizaje contrastivo supervisado.
Mejorar la precisión del control espacial y temporal de la síntesis de proteínas a través de una mejor predicción de la localización del ARNm.

Principales métodos:

Integración de un modelo de lenguaje de ARN (RiNALMo) para incrustaciones de secuencias de alta calidad.
Aplicación del aprendizaje por contraste supervisado (SCL) para refinar los espacios de incrustación y garantizar un agrupamiento biológicamente significativo.
Introducción de una medida de similitud basada en el umbral de superposición para manejar las etiquetas de localización superpuestas.
Utilización de un decodificador ML con un mecanismo de atención cruzada para una clasificación multietiqueta mejorada.

Principales resultados:

LOCAS logró un rendimiento de vanguardia en los conjuntos de datos de referencia RNALocate y RNALocate V2.0 en todas las métricas de evaluación.
Los estudios de ablación confirmaron las contribuciones significativas del aprendizaje por contraste y el decodificador ML a la mejora de la precisión de la clasificación multietiqueta.
El método propuesto modela efectivamente las relaciones entre múltiples sitios de localización de ARNm.

Conclusiones:

LOCAS proporciona una solución potente y escalable para la predicción de la localización subcelular de ARNm multietiqueta.
La integración del aprendizaje de la representación de secuencias de ARN con SCL avanza significativamente en el campo de la predicción de la localización del ARNm.
Los hallazgos allanan el camino para una comprensión y un control más precisos de la expresión génica a través de una localización precisa del ARNm.