对属性矩阵和LLM嵌入的两阶段概率增强回归使得通过修改的siRNAs能够对基因敲除进行最先进的预测

科学领域:

• 生物技术和生物信息学
• 计算化学计算化学
• 基因组医学是基因组医学.

背景情况:

• 自2018年以来批准的六种小型干扰RNA (siRNA) 突出显示了它们通过选择性基因淘汰的治疗潜力.
• siRNA设计复杂,化学修饰对稳定性和治疗半衰期至关重要.
• 机器学习 (ML) 为预测siRNA有效性和非目标效应提供了先进的分析.

研究的目的:

• 开发一种用于预测化学修饰siRNAs基因淘汰活性的新管道.
• 为了利用构成意识的属性矩阵和大型语言模型 (LLM) 嵌入来增强siRNA设计.
• 为了对预测siRNA活性中的目标基因编码进行各种LLM的基准测试.

主要方法:

• 一个新的管道,集成siRNA化学成分感知性质矩阵和LLM嵌入用于目标基因编码.
• 对包括Mistral 7B在内的通用和特定领域的LLM进行基准测试,以预测siRNA活动.
• 一个两阶段的概率增强模型,以解决数据不平衡并提高预测准确性.

主要成果:

• 与在基因组数据上预先训练的模型相比,Mistral 7B LLM表现出卓越的性能.
• 提出的模型在未见的数据上实现了R2 = 0.84和RMSE = 12.27%的最先进的质量.
• 留下一个基因的实验证实了该模型对未见的基因进行概括的能力,表明了强大的特征和嵌入式表示.

结论:

• 开发的管道有效地预测了化学修饰siRNAs的基因淘汰活性.
• 该模型通过整合化学特性和基因嵌入来增强siRNA设计,提高治疗疗效.
• 这项工作推进了下一代核酸疗法的组成意识siRNA设计领域.