CodonRL: Optimización de secuencias de codones mediante aprendizaje por refuerzo guiado por demostración multi-objetivo | JoVE Visualize

Área de la Ciencia:

Biología computacional
Biología sintética
Bioinformática

Sus antecedentes:

La optimización de secuencias de ARNm para la eficiencia de la traducción, la estabilidad del ARN y las propiedades compositivas es compleja debido a los vastos espacios de búsqueda y los objetivos interactuantes.
Los métodos existentes como la programación dinámica luchan con la extensibilidad, mientras que los modelos generativos profundos requieren datos de entrenamiento extensos, y el aprendizaje por refuerzo enfrenta desafíos con recompensas retrasadas y grandes espacios de acción.

Objetivo del estudio:

Desarrollar un marco de aprendizaje por refuerzo, CodonRL, para la optimización eficiente y personalizable de secuencias de ARNm.
Abordar las limitaciones de los métodos existentes incorporando priors estructurales y permitiendo compensaciones multi-objetivo durante la inferencia.

Principales métodos:

CodonRL utiliza aprendizaje por refuerzo con retroalimentación de plegamiento eficiente y repetición guiada por demostración para aprender priors estructurales para el diseño de ARNm.
Emplea LinearFold para una rápida computación de recompensas intermedias durante el entrenamiento y ViennaRNA para la evaluación final.
Las recompensas intermedias basadas en hitos y el calentamiento de secuencias expertas aceleran la convergencia y manejan la retroalimentación retrasada en la optimización a largo plazo.

Principales resultados:

CodonRL demostró un rendimiento superior en comparación con GEMORNA en 55 proteínas humanas.
Logró un índice de adaptación de codones (CAI) promedio un 9,5% más alto, una energía libre mínima (MFE) 25,4 kcal/mol más favorable y un contenido de uridina un 3,4% más bajo.
Mejoró el coeficiente de estabilización de codones (CSC) en más del 90% de las proteínas de referencia bajo restricciones coincidentes.

Conclusiones:

CodonRL proporciona un marco potente para diseñar secuencias de ARNm con eficiencia de traducción mejorada, estabilidad estructural y menor inmunogenicidad.
El método permite la reponderación continua de objetivos en el momento de la inferencia, ofreciendo flexibilidad en el diseño de ARNm.
CodonRL representa un avance significativo en el diseño computacional de ARNm, particularmente en escenarios con datos de entrenamiento escasos.