Evolución de ARN aptámeros en una sola ronda con GRAPE-LM

Área de la Ciencia:

• Bioquímica
• Biología Molecular
• Inteligencia Artificial

Sus antecedentes:

• La evolución dirigida es crucial para el desarrollo de biomoléculas, pero la evolución de ARN está por detrás de la evolución de proteínas.
• El descubrimiento tradicional de ARN aptámeros implica procesos laboriosos de cribado multirredondo.
• Los avances en los modelos de lenguaje han acelerado la evolución de proteínas, lo que pone de manifiesto la necesidad de herramientas similares para el ARN.

Objetivo del estudio:

• Presentar GRAPE-LM, un marco novedoso de IA generativa para la evolución de ARN aptámeros en una ronda.
• Demostrar la capacidad de GRAPE-LM para descubrir rápidamente ARN aptámeros de alta afinidad.
• Superar las limitaciones de los métodos tradicionales de cribado multirredondo en la selección de ARN aptámeros.

Principales métodos:

• GRAPE-LM integra un autoencoder condicional basado en transformadores con modelos de lenguaje de ácidos nucleicos.
• El marco utiliza datos de cribado de ARN aptámeros basados en CRISPR-Cas de entornos intracelulares para la orientación.
• El sistema está diseñado para la evolución eficiente de ARN aptámeros en una ronda.

Principales resultados:

• GRAPE-LM generó con éxito ARN aptámeros para tres objetivos distintos: CD3ε, RBD de SARS-CoV-2 y c-Myc.
• Los ARN aptámeros generados por IA superaron a los obtenidos mediante múltiples rondas de selección y optimización humanas.
• El marco demostró eficacia incluso con datos de cribado limitados (una sola ronda).

Conclusiones:

• GRAPE-LM ofrece un avance significativo en la evolución de ARN aptámeros, permitiendo el descubrimiento rápido en una ronda.
• El marco de IA proporciona una alternativa potente a los métodos tradicionales y lentos de selección de ARN aptámeros.
• El éxito de GRAPE-LM con objetivos desafiantes como las proteínas intracelulares desordenadas amplía su aplicabilidad.