codonGPT: el aprendizaje por refuerzo en un modelo de lenguaje generativo permite el diseño escalable de ARNm

Área de la Ciencia:

• Biología Computacional
• Bioinformática
• Biología Sintética

Sus antecedentes:

• El aprendizaje por refuerzo (AR) está establecido en el diseño de ingeniería pero poco explorado en aplicaciones biológicas.
• Los modelos de lenguaje generativos actuales para biología se centran principalmente en ADN, ARN o proteínas, descuidando el ARN mensajero (ARNm).
• La falta de modelos generativos para ARNm dificulta el diseño escalable para terapéutica y biología sintética.

Objetivo del estudio:

• Presentar el primer modelo de lenguaje generativo, codonGPT, entrenado específicamente en secuencias de ARNm.
• Desarrollar un método para el diseño de ARNm como una tarea de modelado de lenguaje con restricciones.
• Demostrar la optimización de secuencias de ARNm utilizando AR y codonGPT.

Principales métodos:

• Entrenamos codonGPT exclusivamente con 338.417 secuencias de ARNm de organismos modelo.
• Introdujimos un método de enmascaramiento en tiempo de inferencia para restringir secuencias sinónimas para ARNm.
• Aplicamos aprendizaje por refuerzo (AR) a codonGPT para optimizar secuencias de ARNm basándonos en restricciones biológicas (expresión, estabilidad, contenido GC).

Principales resultados:

• Desarrollamos codonGPT, el primer modelo de lenguaje generativo para ARNm.
• Demostramos la optimización exitosa de secuencias de ARNm para los genes HLA-A y ACTB.
• Validamos el enfoque para optimizar genes reporteros como GFP y beta-lactamasa.

Conclusiones:

• codonGPT representa un avance significativo en el modelado generativo para ARNm.
• El marco de optimización basado en AR permite el diseño de ARNm a medida para diversas aplicaciones biológicas.
• Este trabajo allana el camino para mejorar la terapéutica, la biología sintética y la ingeniería de proteínas a través de secuencias de ARNm optimizadas.