La integración de la retroalimentación experimental mejora los modelos generativos para las secuencias biológicas

Área de la Ciencia:

• Biología computacional
• Biología molecular
• Ingeniería biomolecular

Sus antecedentes:

• Los modelos probabilísticos generativos muestran potencial para el diseño de secuencias de ARN y proteínas artificiales.
• Una limitación importante es una alta tasa de falsos positivos, donde las secuencias funcionales predichas fallan en la validación experimental.

Objetivo del estudio:

• Para abordar el desafío de los falsos positivos en el diseño biomolecular generativo.
• Explorar el impacto de la reintegración de la retroalimentación experimental en el diseño del modelo.
• Mejorar la generación de secuencias biomoleculares funcionales.

Principales métodos:

• Propuso un esquema de reintegración basado en la probabilidad.
• Realizó extensos experimentos computacionales en conjuntos de datos de ARN y proteínas.
• Realizó experimentos de laboratorio húmedo en ribozimas de autoadhesión de ARN intrónico del Grupo I.

Principales resultados:

• El enfoque basado en retroalimentación mejoró significativamente la capacidad del modelo para generar secuencias funcionales.
• Los diseños activos aumentaron del 6,7% al 63,7% (con 45 mutaciones) después de integrar los datos experimentales.
• El método demostró una eficacia particular en el diseño de ribozimas autodesconectadas.

Conclusiones:

• La integración de datos experimentales recientes aborda directamente el reto de los falsos positivos en el diseño biomolecular.
• Este enfoque basado en retroalimentación ofrece una mejora significativa para el diseño de secuencias de ARN y proteínas funcionales.
• El esquema propuesto mejora la fiabilidad y la tasa de éxito del diseño biomolecular generativo.