SamplingDesign: עיצוב RNA באמצעות אופטימיזציה רציפה עם משתנים מקושרים ודגימת מונטה־קרלו

עיצוב RNA ככלי חדש לרפואה

RNA אינו רק שליח פסיבי של מידע גנטי; הוא יכול להתקפל לצורות מורכבות שמווסתות גנים, קטליזות תגובות ואף משמשות כבסיס לחיסונים. אם מדענים יוכלו לעצב באופן אמין רצפי RNA שמתקפלים לצורות נבחרות, הם יוכלו לבנות כלי מולקולרי מותאם לרפואה — מחיסונים חכמים יותר ועד מתגים גנטיים ניתנים לתכנות. מאמר זה מציג את SamplingDesign, שיטה חישובית חדשה המתמודדת עם הקושי העצום שבעיצוב RNA על ידי שילוב רעיונות מפיזיקה, סטטיסטיקה ולמידת מכונה מודרנית.

מדוע עיצוב צורות RNA כל כך קשה

עיצוב RNA דומה לניסיון לבחור מחרוזת אותיות כך שכאשר היא מקופלת, היא יוצרת בדיוק את דמות האוריגמי הרצויה — וכמעט שום דבר אחר. עבור גדיל באורך n קיימות 4ⁿ רצפים אפשריים, כך שגם אורכים מתונים מתפוצצים למספרים אסטרונומיים. בנוסף, לכל רצף יכולים להיות המון צורות חלופיות התכולת תחרות לא רצויה. עיצוב שימושי חייב לא רק להעדיף את הצורה המטרה כמצב האנרגיה הנמוך ביותר אלא גם להפוך צורות מתחרות לפחות סבירות משמעותית, כך שבקהל האפשרויות המבנה הנכון יחרוג. שיטות חיפוש מסורתיות משנות מיקום או כמה מקומות בכל פעם ומתפספסות במהירות במבוך הזה של אפשרויות, במיוחד עבור RNA ארוכים ומורכבים.

דרך חדשה לחקור אפשרויות בבת אחת

במקום ללכת מרצף מועמד אחד לשני, SamplingDesign חושבת במונחים של ענן מלא של אפשרויות. היא מתחילה בהתפלגות הסתברויות הפרוסה על כל הרצפים התואמים למבנה המטרה — כלומר רצפים שבהם העמדות המזווגות יכולות ליצור זוגות בסיס כימיים אמיתיים. השיטה משתמשת באופטימיזציה מבוססת גרדיאנט, שיטה מרכזית בלמידת מכונה, כדי לעצב בהדרגה את ההתפלגות כך שרצפים הסבירים להתקפל היטב למבנה המטרה ירוויחו בסבירות בעוד מועמדים חלשים יאבדו. באופן מהותי, המחברים אינם ממקסמים ציון יחיד לרצף יחיד; הם ממקסמים את הביצוע הממוצע של כל הרצפים תחת ההתפלגות הנוכחית, מה שמעודד חקירה רחבה בשלבים מוקדמים וכיול מדויק לאחר מכן.

לתפוס כיצד הבסיסים פועלים יחד

מרכיב מרכזי בגישה זו הוא דרך ריאליסטית יותר לייצג כיצד עמדות לאורך ה‑RNA תלויות זו בזו. במקום להתייחס לכל נוקלאוטיד כבחירה עצמאית, SamplingDesign מאגדת עמדות מסוימות ל"משתנים מקושרים". עבור כל זוג בסיסים, שני השותפים חולקים טבלת הסתברות משותפת קטנה על ששת סוגי הזיווג הכימיים המותרים, ובכך מפסלים באופן אוטומטי קומבינציות לא חוקיות. חיבור דומה נעשה לעמדות שכנות המשפיעות זו על אנרגיית זו, כגון קבוצות אי‑התאמות וסדרות של שלוש אי‑התאמות סביב לולאות. זה מצמצם את מרחב העיצוב לרק רצפים תקפים והופך את האופטימיזציה לחלקה יותר, כי העדכונים פועלים ישירות על בחירות משמעותיות של זוגות בסיס ואי‑התאמות במקום על אותיות מבודדות.

לתת לאקראיות להנחות בחירות חכמות יותר

מכיוון שאי‑אפשר לחשב ממוצעים מדויקים על פני המרחב העצום של רצפים וקיפולים, SamplingDesign נשענת על דגימת מונטה‑קרלו. בכל צעד היא מושכת מספר סביר של רצפים מההתפלגות הנוכחית, מעריכה עד כמה כל אחד מתקפל לפי מודלים תרמודינמיים, ומשתמשת במדגמים אלה כדי לאמוד הן את המטרה הממוצעת (כגון ההסתברות של המבנה המטרה) והן כיצד לכוונן את ההתפלגות. לאורך איטרציות מרובות מסת ההסתברות זזה לכיוון רצפים טובים יותר וההתפלגות מתקננת. במקום פשוט לבחור בסוף את הרצף הבודד הסביר ביותר, השיטה עוקבת אחר כל המדגמים שנצפו ובוחרת את זה שבאמת נותן את הביצועים הטובים ביותר לפי המדד הנבחר, ובכך נהנית מהיתרונות של חקירה רחבה מבלי לאבד מיקוד.

עוקפת כלים קיימים בחידות קשות

המחברים בחנו את SamplingDesign על מספר אוספים סטנדרטיים של "חידות" RNA, כולל את מאגר הבדיקה Eterna100 הנפוץ, שמכיל החל ממסלולים פשוטים ועד צורות ארוכות ומורכבות באורך של עד 400 נוקלאוטידים. על פני כמעט כל המדדים שבוחנים אנסמבלים שלמים של מבנים — במיוחד ההסתברות בולצמן של המבנה המטרה ו"חסר האנסמבל" (ensemble defect), שמודד כמה פעמים נוקלאוטידים מתקפלים שלא כהלכה — SamplingDesign סיפקה תוצאות טובות יותר מכלי העיצוב המתקדמים שמסתמכים על חיפוש מקומי או שיטות רציפות פשוטות יותר. היתרון בלט במיוחד עבור החידות הארוכות והקשות ביותר, שבהן האלגוריתמים המסורתיים לעתים נתקעים בפתרונות גרועים בעוד SamplingDesign ממשיכה למצוא רצפים שבהם המבנה המטרה בולט בבירור על פני המתחרים.

מה משמעות הדבר לטכנולוגיות RNA עתידיות

באופן פשוט, עבודה זו מראה שעיבוד עיצוב RNA כחיפוש מודרך של הרבה רצפים בבת אחת, במקום כמשחק עריכה שלב‑אחר‑שלב, יכול להניב קיפולים נקיים ואמינים יותר — במיוחד עבור מטרות גדולות ומאתגרות. על‑ידי דוגמנות האינטראקציות בין בסיסים בזוגות וקבוצות, ובשימוש בדגימה כדי לנווט בנוף שלא ניתן לפתור ישירות, SamplingDesign מספקת מסגרת גמישה היכולה למקסם מטרות עיצוב שונות. המחברים מציעים שניתן להרחיב אותה להתאמת mRNA עבור חיסונים או טיפולים ולשילוב מגבלות ניסיוניות. כשהעיצוב החישובי המשופר יפגוש את הבדיקה במעבדה, שיטות כאלה עשויות לסייע להפוך שרטוטי RNA מופשטים לכלים מולקולריים מעשיים ברפואה.

ציטוט: Tang, W.Y., Dai, N., Zhou, T. et al. SamplingDesign: RNA design via continuous optimization with coupled variables and Monte-Carlo sampling. Nat Commun 17, 2950 (2026). https://doi.org/10.1038/s41467-025-67901-3

מילות מפתח: עיצוב RNA, קיפול הפוך, דגימת מונטה קרלו, אופטימיזציה רציפה, תרפיות mRNA