RNT adlanan ribonuklein turşusu bütün canlı hüceyrələrdə mövcud olan bir molekuldur. DNT-dən genetik təlimatların ötürülməsində və zülalların yaradılmasında mühüm rol oynayır. Çoxsaylı funksiyaları yerinə yetirmək gücü ilə kiçik RNT “messenceri” terapevtik, diaqnostika və peyvəndlərdə mühüm yeniliklərə səbəb oldu və bizi həyatın özü haqqında anlayışımızı yenidən düşünməyə vadar etdi.

Boston Universitetinin Bioloji Dizayn Mərkəzindən və Biotibbi Mühəndislik Departamentindən bir qrup tədqiqatçı bu yaxınlarda yeni nəsil hesablama RNT alətlərinin inkişafında mühüm addımlar atdı. Onlar bu yaxınlarda Nature Communications -da təkmilləşdirilmiş funksiyaya malik müxtəlif növ RNT molekullarının dizaynı üçün generativ süni intellekt texnikasını təsvir edən bir araşdırma dərc etdilər .

Tamamilə yeni mətnlər yaratmaq üçün istifadə edilə bilən böyük bir dil modeli kimi , model hüceyrədə və ya diaqnostik analizdə xüsusi tapşırıqlar üçün uyğunlaşdırılmış yeni RNT ardıcıllıqlarını tərtib edə bilər. Onların tədqiqatı göstərdi ki, potensial tətbiqlərin geniş spektrində xüsusi funksiyaları olan RNT ardıcıllığını proqnozlaşdırmaq və yaratmaq mümkündür.

Bu sual-cavabda BU-nun Biotibbi Mühəndislik üzrə Dosenti Dr. Alex Green, təkmilləşdirilmiş funksiyaları olan diaqnostik və terapevtik RNT-lərin inkişafında yeni vasitələr kimi RNT molekullarının (QUM Fırtınası) və Generativ Düşmən RNT Dizayn Şəbəkələrinin (GARDN) ardıcıllığının və strukturunun gücünü müzakirə edir.

Niyə yeni funksiyaları olan RNT mühəndisliyi ilə maraqlanırsınız?

RNT mühəndisliyi böyük potensiala malikdir, çünki RNT orqanizmdə həm genetik məlumatı kodlayan, həm də geniş hüceyrə proseslərində müxtəlif funksional fəaliyyət göstərən yeganə sistemdir. Mühəndis RNT-lərin tədqiqat və ya terapevtik məqsədlər, diaqnostika və sintetik bioloji sistemlər üçün gen redaktorunda tətbiqləri var.

Bundan əlavə, RNT mühəndisliyi hüceyrələrin doğru zamanda lazımi miqdarda protein istehsal etməsini təmin etmək üçün daha sadə və rasional yanaşma təmin edə bilər ki, bu da yeni zülal əsaslı terapevtiklər və məqsədyönlü müalicələri təmin etmək üçün böyük potensiala malikdir.

Yaşıl laboratoriya proqramlaşdırıla bilən bir şəkildə mühəndislik RNT-yə diqqət yetirir ki, o, müəyyən bir son məqsədə çatmaq üçün bir cihaz kimi fəaliyyət göstərə bilsin. Məsələn, bir terapiya yaratmaq üçün xərçəng hüceyrələrində aktiv olan, lakin sağlam hüceyrə ilə qarşılaşdıqda tamamilə səssiz qalan RNT-lərin dizaynı üzərində işləyirik ki, bu da arzuolunmaz yan təsirləri minimuma endirir.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=8188791252&adk=1645945215&adf=4054963813&pi=t.ma~as.8188791252&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1747296392&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Fphys.org%2Fnews%2F2025-05-qa-generative-ai-technique-rna.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM2LjAuNzEwMy45MyIsbnVsbCwwLG51bGwsIjY0IixbWyJDaHJvbWl1bSIsIjEzNi4wLjcxMDMuOTMiXSxbIkdvb2dsZSBDaHJvbWUiLCIxMzYuMC43MTAzLjkzIl0sWyJOb3QuQS9CcmFuZCIsIjk5LjAuMC4wIl1dLDBd&dt=1747296390108&bpp=1&bdt=72&idt=148&shv=r20250513&mjsv=m202505070101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Df22668bce9793ae4%3AT%3D1735196613%3ART%3D1747296111%3AS%3DALNI_Mb4Xpwl1SO1AcvqroR6xccDm_sheQ&gpic=UID%3D00000f7c5320f40b%3AT%3D1735196613%3ART%3D1747296111%3AS%3DALNI_Mb1dz_DHiT2yDzXLMaB9CDkQl4XGg&eo_id_str=ID%3Dcdf7f2f01784f52d%3AT%3D1735196613%3ART%3D1747296111%3AS%3DAA-Afjb8kbeupLLyQ0QHQmZxpM4v&prev_fmts=0x0&nras=1&correlator=3085000130130&frm=20&pv=1&rplot=4&u_tz=240&u_his=4&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=2330&biw=1905&bih=945&scr_x=0&scr_y=0&eid=95353386%2C31092429%2C95360960%2C95340253%2C95340255&oid=2&pvsid=4666226559442846&tmod=1849028334&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C0%2C0%2C1920%2C945&vis=1&rsz=%7Co%7CpeEbr%7C&abl=NS&pfx=0&fu=128&bc=31&bz=0&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=2091

RNT mühəndisliyinin potensialını reallaşdırmaqda bu günə qədər hansı çətinliklər olub?

Əsas problem eksperimental sistemlərdə RNT-nin sintezi və ekranlaşdırılması zərurəti olmuşdur ki, bu da həm vaxt aparan, həm də məsrəf/resurs tələb edən ola bilər. Eksperimental yanaşmaların çətinliklərini aradan qaldırmaq üçün bir neçə hesablama alətləri hazırlanmışdır, lakin onların hamısı müxtəlif kodlaşdırma platformaları və arxitekturalarından istifadə edir ki, bu da onların inteqrasiyasını çox çətinləşdirir.

Bundan əlavə, bu mövcud metodların əksəriyyəti müəyyən RNT növlərinin funksiyasını proqnozlaşdırmaq üçün nəzərdə tutulmuşdur, yəni bütün suallara cavab vermək və etmək istədiyimiz bütün proqnozları vermək üçün geniş şəkildə tətbiq oluna bilən bir vasitə yoxdur.

SANDSTORM və GARDN bu çətinliklərin öhdəsindən necə gəlir?

SANDSTORM müxtəlif RNT siniflərinin funksiyasını proqnozlaşdırmaq üçün RNT ardıcıllığı və RNT ikincil strukturu haqqında məlumatları özündə birləşdirən dərin ML yanaşmasıdır. Biz daha çox məlumat əldə etdikcə zamanla öyrənən və təkmilləşən SANDSTORM neyron şəbəkələrindən RNT molekullarının uclarının (RNT sabitliyində, ticarətində və tərcüməsində mühüm rol oynayan), RNT-nin ribosomlarla qarşılıqlı əlaqədə olan hissələrinin və CRISPR diaqnostikasında istifadə olunan RNT-lərin funksional fəaliyyətini proqnozlaşdırmaq üçün istifadə edə bilərik.

GARDN, funksional RNT-nin real nümunələrini yaratmaq və real və qeyri-real nümunələr arasında ayrı-seçkilik etmək vəzifəsi daşıyan sistem olan generativ rəqib şəbəkə memarlığıdır.

SANDSTORM-u GARDN ilə birləşdirdiyimiz zaman, yüksək hesablama səmərəliliyi ilə yanaşı, istənilən funksiyaları təmin edən RNT ardıcıllıqlarını yarada və seçə bilən güclü sistemimiz var. Digər hesablama yanaşmaları ilə müqayisədə təlim və proqnozlaşdırma üçün daha az parametr tələb olunur ki, bu da sistemi daha sürətli və əlaqəli iş axınlarını asanlaşdırır.

Magistr tələbəsi bu sistemdən şəxsi kompüterində istifadə edə bilər, çünki Ph.D Aidan Riley. laboratoriyamdakı işi müdafiə edən tələbə təsdiq edə bilər. Əslində, Aidan bu layihənin sürücüsü idi, çünki o, dizayn edilmiş RNT-ni daha sürətli və daha səmərəli şəkildə ekranlaşdırmaq və sınamaq üçün ML-dən istifadə etmək istəyirdi və onun ML-dəki keçmişi sistemin son dizaynında mühüm rol oynadı.

Gündəlik anlayışlar üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosda ən son yenilikləri kəşf edin . Pulsuz xəbər bülleteni üçün qeydiyyatdan keçin və mühüm nailiyyətlər, yeniliklər və tədqiqatlar haqqında gündəlik və ya həftəlik yeniləmələr əldə edin .Abunə ol

Bu araşdırmada növbəti addımlar hansılardır?

Bu günə qədər biz RNT molekullarının uclarının (5-əsas və 3-əsas uc kimi tanınır) mühəndisliyində SANDSTORM və GARDN-in faydasını nümayiş etdirmişik. Hazırkı diqqətimizin bir hissəsi iki uc arasındakı kodlaşdırma bölgəsini dizayn etməkdir. Bu məqsədlə biz bu hesablama alətlərini BU-da digər inkişaflarla, o cümlədən özünü gücləndirən RNT texnologiyası və terapevtiklərin daha spesifik çatdırılması ilə birləşdiririk. Özünü gücləndirən RNT texnologiyası eksperimental sistemlərdə qiymətləndirmək istədiyimiz RNT-ləri yaratmaq üçün daha səmərəli üsuldur.

Bundan sonra, biz həmçinin protein istehsalının səmərəliliyini artırmaq üçün RNT mühəndisliyi etmək istəyirik ki, bu da yeni hədəflənmiş müalicələrə imkan yaratmaqda və terapevtik zülalların istehsalını daha səmərəli etməkdə mühüm təsir göstərə bilər.

Bu tədqiqat peyvəndlərin və ya dərman müalicəsinin inkişafına və ya xəstəliklərin müalicəsinə hansı yollarla kömək edə bilər?

Bu tədqiqat vaksinləri və müalicələri daha ağıllı və effektiv etməyə kömək edə bilər. Modellərimizdən istifadə edərək, bir mRNT-nin yaratdığı faydalı yük zülalının miqdarını əhəmiyyətli dərəcədə artıra biləcəyimizi tapırıq. Bu dəyərlidir, çünki daha güclü müalicələrə səbəb ola bilər və ya terapiya üçün tələb olunan RNT miqdarını azaltmaq, xərcləri azaltmaq və potensial olaraq yan təsirləri azaltmaq üçün istifadə edilə bilər.

Biz həmçinin modellərdən yalnız aşkar etdikləri müxtəlif biomarkerlərə cavab olaraq aktivləşən RNT-lərin dizaynı üçün istifadə edirik. Bu qabiliyyət, məsələn, yalnız xüsusi toxumalarda və ya yalnız şiş hüceyrələrində aktivləşən müalicələri inkişaf etdirmək üçün istifadə edilə bilər.

Biotexnoloji şirkətlər bu tədqiqatın əldə etdiyi biliklərdən potensial olaraq necə faydalana bilər?

Texnologiyamız biotexnoloji şirkətlərə RNT dərman namizədlərini daha sürətli və daha səmərəli şəkildə inkişaf etdirməyə kömək etmək üçün istifadə edilə bilər. Yeni maşın öyrənmə modellərinin hazırlanması çox vaxt on minlərlə fərqli namizədin sınaqdan keçirilməsini tələb edir, bu da bahalı və vaxt aparan işdir. SANDSTORM ilə biz yalnız bir neçə yüz sınaq ardıcıllığından effektiv modellər yarada biləcəyimizi aşkar etdik ki, bu, mümkün olacağını düşündüyümdən xeyli kiçikdir. Xüsusilə kiçik biotexnoloji şirkətlər üçün bu xərc və vaxt faydası yeni dərmanın bazara çıxarılmasında həlledici ola bilər.

Ətraflı məlumat: Aidan T. Riley və digərləri, Funksional RNT molekullarının dizaynı üçün generativ və proqnozlaşdırıcı neyron şəbəkələri, Təbiət Əlaqələri (2025). DOI: 10.1038/s41467-025-59389-8

Jurnal məlumatı: Nature Communications 

Boston Universiteti tərəfindən təmin edilmişdir