La información estructural a escala fina mejora sustancialmente el modelo de regresión multivariado para la...

Área de la Ciencia:

• La bioquímica
• Biología molecular
• La bioinformática

Sus antecedentes:

• La eficacia de las vacunas de ARNm COVID-19 pone de relieve la necesidad de moléculas de ARNm estables.
• Comprender las métricas de secuencia que rigen la estabilidad del ARNm en solución es esencial para el desarrollo y almacenamiento de la vacuna.
• Los métodos actuales para predecir la estabilidad del ARNm a menudo pasan por alto las variaciones estructurales locales cruciales para la resistencia a la degradación.

Objetivo del estudio:

• Identificar las métricas clave de la secuencia que influyen en la estabilidad del ARNm en solución.
• Desarrollar un modelo mejorado para predecir la estabilidad del ARNm incorporando características estructurales locales.
• Mejorar el diseño de las moléculas de ARNm para mejorar la estabilidad en la solución.

Principales métodos:

• Análisis de la estructura secundaria del ARN y su correlación con la degradación.
• Utilizando la probabilidad de emparejamiento de bases (cuotas de logaritmos) como una métrica de escala fina para el análisis estructural.
• Desarrollo de un modelo de regresión (STRAND) que combine características de secuencia global y local.

Principales resultados:

• Las características estructurales locales, particularmente la probabilidad de emparejamiento de bases, ofrecen ideas ortogonales más allá de las métricas globales como la energía libre mínima.
• El modelo STRAND, que integra cuatro características clave, supera significativamente los métodos existentes para predecir la estabilidad del ARNm.
• STRAND proporciona un marco compacto e interpretable para el diseño de ARNm centrado en la estabilidad.

Conclusiones:

• La probabilidad de emparejamiento de bases es una métrica crítica y de escala fina para predecir la estabilidad del ARNm.
• El modelo STRAND ofrece un enfoque práctico y eficaz para diseñar moléculas de ARNm más estables.
• Se puede lograr una mayor estabilidad del ARNm a través de una comprensión más profunda de los determinantes estructurales locales.