mRNA新冠疫苗在抗击COVID-19过程中发挥了非常关键的作用。由于其可快速生产的能力以及在多项临床研究中有前景的结果，基于mRNA技术的疫苗和治疗方法，正在获得越来越多的关注。
然而，由于mRNA的热不稳定性，这使它们容易受到化学降解的影响，这也是基于mRNA的疫苗或疗法面临的一大挑战。mRNA疫苗的生产、储存和运输都需要严格的条件。为了使mRNA疫苗能够更广泛地获取，了解和提高mRNA的稳定性至关重要。
近日，德克萨斯农工大学Sun Qing团队在Briefings in Bioinformatics期刊发表了题为：RNAdegformer: accurate prediction of mRNA degradation at nucleotide resolution with deep learning的研究论文。
(相关资料图)
研究团队使用深度学习（Deep Learning）技术创建了一个有效且可解释的模型架构——RNAdegformer，该技术可以比以前的最佳方法（如Degscore模型、RNA折叠算法和其他机器学习模型）更准确地预测RNA降解。
Sun Qing教授表示，mRNA固有的热不稳定性带来的化学降解反应，阻碍了mRNA疫苗在全球范围内的分发，因此，我们这项研究试图理解和预测mRNA降解。
为了解决mRNA降解问题，研究团队转向了深度学习技术，他们开发了RNAdegformer，这是一种基于深度学习（Deep Learning）的模型，由人工神经网络驱动，能够提取数据并使用这些见解进行预测。
RNAdegformer利用RNA二级结构特征和碱基配对概率的生物物理特征，利用自注意力和卷积处理RNA序列，这两种深度学习技术已被证明在计算机视觉和自然语言处理领域占据主导地位。
RNAdegformer在预测核苷酸水平的降解特性方面优于之前的最佳方法，RNAdegformer可以预测新冠mRNA疫苗中的每个核苷酸。与之前的最佳方法相比，RNAdegformer预测与RNA体外半衰期的相关性也有所改善。
RNAdegformer结合了卷积和自注意力来预测RNA降解
此外，该研究还显示了自注意力图像的直接可视化如何有助于明智的决策。注意力图显示了模型如何使用输入信息“思考”，这有助于基于模型预测的知情决策。此外，这一模型还揭示了决定mRNA降解速率的基本特征。该团队与斯坦福大学生物化学副教授Rhiju Das合作，他的高质量mRNA降解数据是这项研究的起点。
Sun Qing教授表示，通过这项研究，希望能够使用我们的模型设计出更稳定的mRNA疫苗，使mRNA疗法更加公平和更广泛地使用。
