Desarrollan un nuevo algoritmo de diseño computacional de ARN
- La investigación de la UEx, publicada en acceso abierto en la revista IEEE Transactions on Evolutionary Computation, propone un nuevo algoritmo llamado GREED-RNA de diseño de ARN. EL algoritmo ayuda a generar secuencias de ARN que se pliegan en una estructura deseada
- Esta herramienta bioinformática tiene un campo de aplicación muy amplio en investigación biomédica, terapias génicas, vacunas, diagnósticos y terapias personalizadas, entre otros. Está disponible para la comunidad investigadora en https://github.com/iARN-unex/GREED-RNA
04/12/2024. El algoritmo GREED-RNA está basado en una “estrategia evolutiva avariciosa” que resuelve el problema de diseño de ARN, también denominado plegado inverso de ARN, con una fiabilidad muy alta. GREED-RNA resuelve 98 de las 100 estructuras de ARN en Eterna100-V1, el juego de puzles en el que los científicos resuelven desafíos relacionados con el plegamiento de las moléculas de ARN contribuyendo a diseñar estructuras de ARN.
Este logro representa el mejor rendimiento obtenido hasta ahora y es la principal novedad que aporta el equipo de investigadores del grupo “Arquitectura de computadores y diseño lógico” en la Escuela Politécnica de la UEx. “Nuestro algoritmo se rige por una estrategia evolutiva avariciosa y no necesita un entrenamiento como otros mecanismos de Deep learning en Inteligencia Artificial. Se inspira en la biología evolutiva y elige las mejores soluciones (en este caso, secuencias de ARN) en cada generación para mejorar repetidamente”, indica el investigador de la UEx, José María Granado Criado. “Se adapta a la estructura objetivo y emplea una estrategia evolutiva dinámica, donde las decisiones en cada iteración están guiadas por funciones objetivo que ajustan sus pesos según las condiciones del problema. Este enfoque avaricioso prioriza soluciones locales óptimas con el objetivo de alcanzar una conformación global eficiente y estable”, añade el investigador Álvaro Rubio Largo.
Diseño de ARN o plegado inverso del ARN
El diseño de ARN tiene un gran potencial en el ámbito de la investigación biomédica, y los avances logrados por herramientas como GREED-RNA pueden tener aplicaciones prácticas en terapias basadas en ARN.
El ARN (ácido ribonucleico) es una molécula esencial en la síntesis de proteínas, el almacenamiento y la regulación de información genética, y en otros procesos biológicos clave. “El ARN es ahora famoso por las vacunas de ARN, en ellas la molécula de ARN es del tipo mensajero y a efectos prácticos se puede considerar linear, dado que su importancia radica en la información que codifica y transporta”, contextualiza la bióloga y bioinformática Nuria Lozano García, autora principal del estudio.
La investigadora explica que hay otros tipos de ARN llamados “no codificantes” (ARNnc) que no transportan información, no dan lugar a proteínas, pero son importantes por la estructura que adoptan en el espacio tras plegarse a causa de las interacciones químicas que se producen entre las bases nitrogenadas, de las que hay 4 tipos y se representan por las letras A, G, C, y U. Si se tiene la secuencia de bases que forman un ARN no codificante, se puede predecir entre qué bases se van a dar esas interacciones y, por tanto, cómo se va a plegar la molécula en el espacio.
“El plegado inverso del ARN es el proceso contrario. Lo que se quiere conseguir es una molécula de ARN con una estructura determinada, para lo que se necesitará una secuencia concreta de bases. Por ello, el producto de este proceso es una o varias secuencias de bases que conformarían un ARN que al plegarse se espera que lo haga tomando la forma deseada. Por ese motivo también se le llama “diseño de ARN”. Es importante porque la estructura que adopte al plegarse determinará en gran medida la función que desempeñe”, explica Lozano.
El ARN no codificante participa de muchos procesos cruciales en el organismo y actualmente no es difícil sintetizarlos artificialmente. Por tanto, el diseño computacional de ARN tiene un campo de aplicación muy amplio. Por ejemplo, se puede diseñar un ARN para unirse específicamente a una proteína concreta relacionada con el proceso de una enfermedad y ayudar en el desarrollo de una medicina para tratar dicha patología. También es posible diseñar ARN que se una a un determinado compuesto específico involucrado en una enfermedad, facilitando el diagnóstico. El ARN no codificante está también implicado en la regulación del sistema inmune, lo que puede ser útil en la lucha contra el cáncer.
Esta herramienta bioinformática, su código fuente y resultados, está disponible para la comunidad investigadora en áreas de biomedicina en https://github.com/iARN-unex/GREED-RNA
Proyecto de investigación financiado por la Junta de Extremadura (España) y el Fondo Europeo de Desarrollo Regional (FEDER, UE), bajo el contrato IB20047 (proyecto iARN: Inteligencia Artificial de Altas Prestaciones para optimizar el diseño de secuencias de ARN).
Referencia bibliográfica
Lozano-Garcia N, Rubio-Largo A, Granado-Criado JM. A Simple yet Effective Greedy Evolutionary Strategy for RNA Design. IEEE transactions on evolutionary computation. 2024;1–1. DOI:10.1109/TEVC.2024.3461509
Escuchar