برای عملکرد بسیاری از مولکول های زیستی، ساختار سه بعدی آنها بسیار مهم است. بنابراین محققان نه تنها به دنباله‌ای از واحدهای سازنده بیومولکول‌ها، بلکه به ساختار فضایی آنها نیز علاقه‌مند هستند. با کمک هوش مصنوعی (AI)، بیوانفورماتیکان می توانند ساختار سه بعدی یک پروتئین را از روی توالی اسید آمینه آن به طور قابل اعتماد پیش بینی کنند.
اما برای مولکول‌های RNA، این فناوری هنوز در مراحل ابتدایی است. محققان دانشگاه روهر بوخوم (RUB) راهی را برای استفاده از هوش مصنوعی برای پیش‌بینی قابل اعتماد ساختار مولکول‌های RNA خاص از توالی نوکلئوتیدی آنها در مجله PLOS Computational Biology توصیف می‌کنند.
اکسل موسیگ می گوید: «RNA اغلب تنها به عنوان یک پیام رسان بین DNA ژنومی و پروتئین ها دیده می شود. اما بسیاری از مولکول های RNA وظایف سلولی را بر عهده می گیرند. ساختار فضایی آنها برای این مهم است. مناطق مشابه در یک توالی نوکلئوتیدی می توانند در کنار هم قرار بگیرند و آرایش های سه بعدی را تشکیل دهند.
ویویان براندنبورگ توضیح می‌دهد: «شناسایی این شباهت‌ها در یک توالی RNA مانند یک پازل ریاضی است. یک مدل بیوفیزیکی برای این پازل با الگوریتم های پیش بینی مربوطه وجود دارد. با این حال، این مدل نمی تواند محیط سلولی RNA را در نظر بگیرد – و این نیز بر روند تا شدن تاثیر می گذارد. براندنبورگ می‌گوید: «اگر RNA جدا شده و در محلول آبی شناور باشد، مدل می‌تواند ساختار را بسیار دقیق پیش‌بینی کند». اما یک سلول زنده حاوی بسیاری از اجزای دیگر است.
اینجاست که هوش مصنوعی وارد عمل می شود. هوش مصنوعی می تواند الگوهای ظریفی را از محیط سلولی بر اساس ساختارهای شناخته شده بیاموزد. سپس می تواند این یافته ها را در پیش بینی های ساختاری خود بگنجاند. با این حال، برای فرآیند یادگیری، هوش مصنوعی به داده های آموزشی کافی نیاز دارد – و این در عمل وجود ندارد.
برای حل مشکل داده های آموزشی از دست رفته، تیم بوخوم از ترفندی استفاده کرد: محققان با موتیف های ساختاری RNA شناخته شده کار کردند. با استفاده از نوعی چرخ دنده معکوس، آنها می توانند تقریباً هر تعداد توالی نوکلئوتیدی را از مدل های انرژی این ساختارها تولید کنند که در این ساختارهای فضایی جمع می شوند. با کمک این به اصطلاح تاشوی معکوس، محققان جفت‌های زیادی از توالی‌ها و ساختارهای نوکلئوتیدی را تولید کردند که با آنها می‌توانستند هوش مصنوعی را آموزش دهند.
سپس محققان هوش مصنوعی را با یک وظیفه جدید مواجه کردند: این هوش مصنوعی باید ساختار مولکول‌های RNA باکتریایی خاص را پیش‌بینی می‌کرد. این مولکول‌ها که پایان‌دهنده‌های رونویسی نامیده می‌شوند، سیگنال‌های توقف مهم در ترجمه DNA ژنومی در باکتری‌ها هستند. اغلب، مانند بسیاری از مولکول‌های RNA دیگر با عملکردهای مهم سلولی، در ژنوم پنهان هستند و تشخیص آنها از مناطقی با عملکردهای دیگر دشوار است.
هوش مصنوعی قادر بود ساختار آنها را به‌طور قابل اعتماد تشخیص دهد و پیش‌بینی کند. تیم تحقیقاتی توانست این را با استفاده از داده های تجربی در دسترس عموم ثابت کند.
