CodonRL: マルチ目的コドン配列最適化のためのデモンストレーション誘導型強化学習

科学分野:

• 計算生物学
• 合成生物学
• バイオインフォマティクス

背景:

• mRNA配列を翻訳効率、RNA安定性、および組成特性に合わせて最適化することは、広大な検索空間と相互作用する目的のために複雑です。
• 動的計画法などの既存の方法は拡張性に苦労し、深層生成モデルは広範なトレーニングデータを必要とし、強化学習は遅延報酬と大きなアクションスペースの問題に直面します。

研究 の 目的:

• 効率的でカスタマイズ可能なmRNA配列最適化のための強化学習フレームワークであるCodonRLを開発すること。
• 構造的先行知識を組み込み、推論中にマルチ目的トレードオフを可能にすることで、既存の方法の制限に対処すること。

主な方法:

• CodonRLは、効率的なフォールディングフィードバックとデモンストレーション誘導型リプレイを備えた強化学習を利用して、mRNA設計のための構造的先行知識を学習します。
• トレーニング中の迅速な中間報酬計算のためにLinearFoldを、最終評価のためにViennaRNAを使用します。
• マイルストーンベースの中間報酬と専門家シーケンスウォームアップは、収束を加速し、長距離最適化における遅延フィードバックを処理します。

主要な成果:

• CodonRLは、55のヒトタンパク質においてGEMORNAと比較して優れたパフォーマンスを示しました。
• 平均で9.5%高いコドン適応指数（CAI）、25.4 kcal/molより有利な最小自由エネルギー（MFE）、および3.4%低いウリジン含有量を達成しました。
• 一致した制約下で、ベンチマークタンパク質の90%以上でコドン安定化係数（CSC）を改善しました。

結論:

• CodonRLは、翻訳効率、構造的安定性、および免疫原性の低下を改善したmRNA配列を設計するための強力なフレームワークを提供します。
• この方法は、mRNA設計における柔軟性を提供し、推論時間での連続的な目的の再重み付けを可能にします。
• CodonRLは、特にトレーニングデータが不足しているシナリオにおいて、計算mRNA設計における重要な進歩を表します。