Modelos informados por la estructura para la predicción de corriente iónica en la secuenciación de nanoporos de...

Área de la Ciencia:

• Biotecnología; Bioinformática; Biología Sintética

Sus antecedentes:

• La secuenciación por nanoporos ofrece un análisis directo de biomoléculas individuales como el ADN y el ARN.
• Los xenonucleicos (XNA) amplían las capacidades del ADN para diagnósticos, terapéuticos y almacenamiento de datos.
• Los métodos actuales de secuenciación por nanoporos para bases modificadas requieren una calibración experimental extensa y costosa.

Objetivo del estudio:

• Desarrollar métodos computacionales para predecir señales de corriente iónica durante la secuenciación de XNA por nanoporos.
• Reducir la dependencia de la calibración empírica para la secuenciación de bases de ADN no canónicas.
• Evaluar la efectividad de los modelos predictivos basados en secuencia frente a los conscientes de la estructura.

Principales métodos:

• Se comparó un modelo predictivo basado en secuencia con dos modelos conscientes de la estructura.
• Se utilizaron representaciones moleculares basadas en grafos para un enfoque consciente de la estructura.
• Se adaptó un modelo de lenguaje generativo utilizando SMILES moleculares para otro enfoque consciente de la estructura.

Principales resultados:

• El contexto de la secuencia explica la variabilidad significativa de la señal en la secuenciación de XNA por nanoporos.
• Los modelos conscientes de la estructura, que incorporan información química y estructural, mejoraron la precisión predictiva.
• Los hallazgos demuestran el potencial de los enfoques computacionales para mejorar la escalabilidad de la secuenciación de XNA.

Conclusiones:

• El modelado computacional puede reducir significativamente la calibración experimental para la secuenciación de XNA por nanoporos.
• La integración de datos estructurales y químicos en modelos predictivos es crucial para la precisión.
• Este marco puede ser aplicable al modelado de corrientes iónicas para otras biomoléculas complejas, incluidas las proteínas.