[논문 리뷰] Predicting Hydroxyl Mediated Nucleophilic Degradation and Molecular Stability of RNA Sequences through the Application of Deep Learning Methods

Ankit Singhal|arXiv (Cornell University)|2020. 11. 09.

RNA and protein synthesis mechanisms참고 문헌 22인용 수 6

한 줄 요약

이 연구는 스탠포드 오픈바이오백신 데이터셋을 사용하여 히드록실기 매개 핵산화성 분해와 mRNA 서열의 화학적 안정성을 예측하기 위해 딥러닝 모델 세 종류—LSTM, GRU, 그래프 컨volution 네트워크(GCN)—를 제안하고 평가한다. GRU 모델은 분해 위험 예측에서 76%의 정확도와 가장 낮은 RMSE(0.266)를 기록하여 안정적인 mRNA 치료제를 위한 시뮬레이션 스크리닝의 가능성을 입증한다.

ABSTRACT

Synthesis and efficient implementation mRNA strands has been shown to have wide utility, especially recently in the development of COVID vaccines. However, the intrinsic chemical stability of mRNA poses a challenge due to the presence of 2'-hydroxyl groups in ribose sugars. The -OH group in the backbone structure enables a base-catalyzed nucleophilic attack by the deprotonated hydroxyl on the adjacent phosphorous and consequent self-hydrolysis of the phosphodiester bond. As expected for in-line hydrolytic cleavage reactions, the chemical stability of mRNA strands is highly dependent on external environmental factors, e.g. pH, temperature, oxidizers, etc. Predicting this chemical instability using a computational model will reduce the number of sequences synthesized and tested through identifying the most promising candidates, aiding the development of mRNA related therapies. This paper proposes and evaluates three deep learning models (Long Short Term Memory, Gated Recurrent Unit, and Graph Convolutional Networks) as methods to predict the reactivity and risk of degradation of mRNA sequences. The Stanford Open Vaccine dataset of 6034 mRNA sequences was used in this study. The training set consisted of 3029 of these sequences (length of 107 nucleotide bases) while the testing dataset consisted of 3005 sequences (length of 130 nucleotide bases), in structured (Lowest Entropy Base Pair Probability Matrix) and unstructured (Nodes and Edges) forms. The stability of mRNA strands was accurately generated, with the Graph Convolutional Network being the best predictor of reactivity ($RMSE = 0.249$) while the Gated Recurrent Unit Network was the best at predicting risks of degradation ($RMSE = 0.266$). Combining all target variables, the GRU performed the best with 76% accuracy. Results suggest these models can be applied to understand and predict the chemical stability of mRNA in the near future.

연구 동기 및 목표

• 2'-히드록실기 매개 인산디에스터 결합의 자가수해로 인한 내재적 mRNA 불안정성 문제를 해결하기 위해.
• mRNA 치료제 개발에서 실험적 부담을 줄이기 위해 시퀀스 안정성을 시뮬레이션 예측할 수 있도록 하기 위해.
• LSTM, GRU, GCN 등의 딥러닝 모델이 다양한 환경 조건에서 반응성과 분해 위험을 예측하는 성능을 평가하기 위해.
• 다양한 pH, 온도, 금속 이온 조건에서 mRNA 안정성을 예측하는 데 가장 효과적인 딥러닝 아키텍처를 특정하기 위해.
• 합성 이전에 불안정한 서열을 걸러내기 위해 거짓 음성(false negative)을 최소화하는 이진 분류 확장을 제안하기 위해.

제안 방법

• 스탠포드 오픈바이오백신 데이터셋의 6034개 mRNA 서열을 기반으로 장기 단기 기억(LSTM), 게이트드 순환 유닛(GRU), 그래프 컨볼루션 네트워크(GCN) 모델을 훈련시켰다.
• 구조화된 데이터로 최소 엔트로피 기반 쌍결합 확률 행렬을 사용하고, GCN 입력으로는 노드와 엣지를 갖는 비구조화된 데이터를 활용하였다.
• k-폴드 교차검증을 적용하고, 훈련 세트는 107개 뉴클레오티드, 테스트 세트는 130개 뉴클레오티드의 서열로 모델을 훈련시켰다.
• 다양한 환경 조건—pH 10, pH 10에 Mg2+가 첨가된 조건, 50°C, 50°C에 Mg2+가 첨가된 조건—에서 RMSE와 MAE를 평가 지표로 사용하여 모델을 최적화하였다.
• 다중 목표 예측을 통합하고, 모든 조건에서 평균 RMSE와 MAE를 사용하여 전체 성능을 평가하였다.
• 불안정한 서열 스크리닝에서 거짓 음성을 최소화하기 위해 이진 분류 확장을 제안하였으며, 고위험 서열 식별에 중점을 두었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 다양한 환경 조건에서 mRNA 서열의 반응성과 분해 위험을 정확하게 예측할 수 있는가?
• RQ2 LSTM, GRU, GCN 아키텍처는 mRNA 안정성과 분해 경향 예측에서 어떻게 비교되는가?
• RQ3 다양한 분해 조건에서 어떤 딥러닝 모델이 가장 낮은 예측 오차(RMSE 및 MAE)를 기록하는가?
• RQ4 이 모델들은 mRNA 치료제 개발에서 실험적 테스트의 필요성을 얼마나 줄일 수 있는가?
• RQ5 이진 분류 확장은 불안정한 mRNA 서열 스크리닝의 신뢰도를 향상시킬 수 있는가?

주요 결과

• 그래프 컨볼루션 네트워크(GCN)는 반응성 예측에서 가장 뛰어난 성능을 보였으며, RMSE가 0.249였다.
• 게이트드 순환 유닛(GRU) 모델은 분해 위험 예측에서 가장 우수한 성능을 보였으며, RMSE가 0.266였다.
• 모든 목표 변수를 통합했을 때 GRU 모델은 전체 정확도가 76%로 가장 높았다.
• GRU 모델은 여러 조건에서 가장 낮은 MAE를 기록하여 큰 예측 오차가 적다는 점을 보였다.
• GCN 모델은 여러 조건에서 낮은 MAE 값을 기록하여 개별 예측 오차가 큰 경향이 적다는 점에서 안정성이 높았다.
• 강한 성능에도 불구하고 예측 값의 스케일(0.5–4)으로 인해 24%의 평균 절대 퍼센티지 오차(MAPE)를 보이며 여전히 의미 있는 잔차 오차가 존재함을 시사했다.