في عالم البحوث البيولوجية الحديثة، تعتبر تحسينات RNA الرسومي (mRNA) أمرًا بالغ الأهمية لنجاح اللقاحات والعلاجات البروتينية. وقد طور الباحثون مؤخرًا نموذج RNop، وهو نموذج تعلم عميق يسعى لتجاوز التحديات التقليدية في هذا المجال.

تواجه الطرق الحالية صعوبات في تحقيق التوازن بين عدة أهداف حيوية، بما في ذلك تجنب تغييرات الأحماض الأمينية غير المرغوب فيها وتعزيز الكفاءة الحسابية. لذا، تميل هذه الطرق إلى التنازل عن بعض الأهداف في عملية التصميم، مما يُعرف بـ"مثلث المستحيل".

هنا يأتي دور نموذج RNop، الذي يستخدم ما يُسمى بـ“تعزيز المعرفة” (knowledge infusion). هذا النموذج يقوم بدمج المعرفة البيولوجية ضمن الخسائر المستخدمة أثناء التدريب، مما يسهل السيطرة على التركيز الأمثل.

تم تدريب RNop على أكثر من 6 مليون تسلسل، وأظهرت التحليلات الحاسوبية أنه يتجاوز "مثلث المستحيل" بينما يحافظ على دقة التسلسل، ويحقق مقاييس بيولوجية متطورة، بالإضافة إلى إنتاجية عالية.

وقد لاحظت الدراسات المبدئية أن RNop يمكن أن يقدم تحسينًا يصل إلى 2.28 ضعفًا في مستوى التعبير. كما تكشف الدراسات الاستبعاد عن كيفية مساهمة كل عنصر معرفي في تحسينات مستهدفة، مما يمنحنا تفسيرًا على مستوى الآلية.

من خلال هذا الابتكار، يتم تحويل تصميم mRNA، الذي كان يُعتبر سابقًا كمسألة معقدة وغامضة، إلى عملية هندسية يمكن التنبؤ بها وتفسيرها بسهولة. ونظرًا لطبيعته القابلة للتوسع، يمكن لنموذج RNop أن يتكيف مع مستقبل تحسين تصميم تسلسلات mRNA الإضافية مع دمج وظائف خسائر جديدة تتماشى مع الآلية.