CodonRL: Optimización de secuencias de codones mediante aprendizaje por refuerzo guiado por demostración...

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.