用于预测COVID-19 mRNA疫苗降解的深度序列建模( Deep sequence modelling for predicting COVID-19 mRNA vaccine degradation )

Talal S. Qaid Hussein Mazaar Mohammed S. Alqahtani Abeer A. Raweh Wafaa Alakwaa

全球冠状病毒（新冠肺炎）疫情在2020年取得了巨大而快速的进展，需要全球紧急努力加快疫苗的开发，以阻止日常感染和死亡。已经设计了几种类型的疫苗来教会免疫系统如何击退某些种类的病原体。mRNA疫苗是最重要的候选疫苗，因为它们具有快速开发、高效能、安全给药和低成本生产的潜力。mRNA疫苗通过训练身体识别和响应病毒或细菌等致病微生物产生的蛋白质来发挥作用。这种类型的疫苗是治疗新冠肺炎的最快候选疫苗，但目前面临几个限制。特别是，由于mRNA的低效体内递送、其自发降解的趋势和低蛋白表达水平，设计稳定的mRNA分子是一个挑战。这项工作设计并实现了一个基于双向GRU和LSTM模型的序列深度模型，该模型应用于斯坦福新冠肺炎mRNA疫苗数据集，通过预测序列中每个位置的五个反应性值来预测负责降解的mRNA序列。这些值中的四个确定在高pH（pH 10）和高温（50摄氏度）下有/没有镁降解的可能性，第五个反应性值用于确定RNA样品可能的二级结构。该模型依赖于两种类型的特征，即数字特征和分类特征，其中分类特征是从mRNA序列、结构和预测环中提取的。这些特征用数字表示和编码，然后利用嵌入层学习提取特征。根据RNA中每对核苷酸的可能性，有五个数字特征。该模型给出了有希望的结果，因为它使用增强的LSTM模型和密码子编码方法预测了5个反应性值，验证平均列均方根误差（MCRMSE）为0.125。使用LSTM模型，密码子编码在MCRMSE验证误差中优于碱基编码，同时碱基编码由于较少的过拟合而优于密码子编码，并且训练和验证损失误差之间的差异为0.008。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate