Un nuevo enfoque de aprendizaje profundo mejora enormemente la predicción de la estructura del ARN

Los investigadores presentan ARES (Atomic Rotationally Equivariant Scorer), un método de aprendizaje automático que mejora significativamente la predicción computacional de las estructuras de ARN respecto a enfoques anteriores. Al igual que las proteínas, las moléculas de ARN se enroscan y doblan en intrincadas formas tridimensionales que son cruciales para su función. La comprensión de estas estructuras podría ayudar a descubrir las funciones biológicas del ARN, incluido el ARN no codificante, y allanar el camino hacia el descubrimiento de nuevos fármacos para enfermedades que siguen siendo intratables. Sin embargo, la resolución experimental de la estructura del ARN sigue siendo un reto a pesar de décadas de esfuerzo, y actualmente solo se conocen unas pocas estructuras de ARN. Además, el uso del aprendizaje automático para predecir la estructura del ARN ha resultado mucho más difícil, y menos exitoso, que para la predicción de la estructura de las proteínas. Para hacer frente a estos retos, Raphael Townshend y sus colegas desarrollaron ARES, una red neuronal profunda que puede producir de manera uniforme modelos estructurales de ARN precisos, a pesar de haber sido entrenada utilizando datos de tan solo 18 estructuras de ARN recientemente determinadas de forma experimental. Según los autores, ARES obtuvo un rendimiento significativamente superior al de otros enfoques computacionales ante el desafío de predicción de las estructuras de RNA-Puzzles a escala comunitaria. Townshend et al. señalan que el rendimiento de ARES es especialmente notable porque aprendió a hacer sus predicciones basándose únicamente en la estructura atómica y no incorpora suposiciones previas sobre qué características estructurales específicas del ARN podrían ser importantes, como los pares de bases, los nucleótidos o los enlaces de hidrógeno. Además, fue capaz de predecir con exactitud estructuras de ARN más grandes y complejas que aquellas para las que se le entrenó. «ARES aún no alcanza el nivel de resolución atómica ni es suficiente para guiar la identificación de sitios funcionales clave o las iniciativas de descubrimiento de fármacos, pero Townshend et al. han logrado un avance notable en un campo que ha demostrado ser reticente a los avances transformadores», escribe Kevin Weeks en un artículo de Perspective relacionado.