نموذج تعلّم عميق تنبّؤي بتلف لقاح الرنا المرسال (mRNA): تحليل قاعدة بيانات ستانفورد للقاح الرنا المرسال المضاد لكوفيد-19
محتوى المقالة الرئيسي
الملخص
أدى ظهور فيروسSARS-CoV-2 ، الفيروس المسؤول عن جائحة كوفيد-19، إلى أزمة صحية عالمية أدت إلى انتشار المرض والوفاة واضطرابات واسعة النطاق في الحياة اليومية. يعد الحصول على لقاح لجائحة كوفيد-19أمراً بالغ الأهمية في السيطرة على انتشار الفيروس مما سيساعد على إنهاء الوباء واستعادة الحياة الطبيعية للمجتمع. يعد لقاح الرنا المرسال (mRNA) من اللقاحات الأكثر حظاً للاستخدام كلقاح مضاد لفيروس كوفيد-19، إلا أنه يواجه عدد من قيود الاستخدام المرتبطة بالتلف التلقائي. قام أكاديميون من جامعة ستانفورد ومجتمع Eterna برعاية مسابقة عبر منصةKaggle لدراسة مسألة التلف التلقائي لجزيء الرنا المرسال. يهدف هذا البحث إلى بناء نموذج تعلّم عميق تنبّؤي بمعدل التلف الحاصل عند كل جزيء من جزئيات لقاح الرنا المرسال. تم بناء نموذج تعلم عميق باستخدام الشبكات العصبونية التكرارية ثنائية الاتجاه واستخدام هذا النموذج على قاعدة بيانات الرنا المرسال التي وفرتها جامعة ستانفورد على الانترنت كلقاح مضاد للكوفيد-19 للتنبؤ بمعدل التلف الحاصل لتسلسل الرنا المرسال. فقد تم التنبؤ بخمسة قيم فعالية عند كل جزيء في تسلسل الرنا المرسال. شملت القيم التي تم التنبؤ بها معدل التلف التلقائي عند: ارتفاع درجة الحموضة، ارتفاع درجة الحرارة، ارتفاع درجة الحموضة بوجود المغنيسيوم وارتفاع درجة الحرارة بوجود المغنيسيوم. تمت تجزئة قاعدة بيانات ستانفورد للقاح الرنا المرسال المضاد لكوفيد-19 إلى ثلاث مجموعات رئيسة تشمل: التدريب والتحقق ومجموعة الاختبار. بلغت قيمة متوسط جذر الخطأ التربيعي لقيم معدل التلف التلقائي عند كل جزيء من تتابع جزئيات لقاح الرنا المرسال 0.32086 في مجموعة الاختبار. وقد تفوقت هذه القيمة على النماذج الفائزة في المسابقة بهامش0.02112. تساعد هذه الدراسة الباحثين الآخرين على فهم أفضل لكيفية التنبؤ بخصائص جزيء تسلسل الرنا المرسال لتطوير لقاح مستقر كوفيد-19.
Received 02/02/2023,
Revised 04/08/2023,
Accepted 06/08/2023,
Published 31/08/2023
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Cucinotta D, Vanelli M. WHO declares COVID-19 a pandemic. Acta Bio Medica: Atenei Parmensis. 2020; 91(1): 157. https://dx.doi.org/10.23750/abm.v91i1.9397
Sulayman N. Comparative study for automated coronavirus detection in CT images with transfer learning. Damascus Uni J Eng Sci, 2022; 38(5): 245-255. http://journal.damascusuniversity.edu.sy/index.php/engj/article/download/2248/1775
Mohammed SK, Taha MM, Taha EM, Mohammad MN. Cluster analysis of biochemical markers as predictor of COVID-19 severity. Baghdad Sci J. 2022; 19(6 (Suppl.)): 1423-1429 https://dx.doi.org/10.21123/bsj.2022.4242
Zaki SM, Jaber MM, Kashmoola MA. Diagnosing COVID-19 Infection in Chest X-Ray Images Using Neural Network. Baghdad Sci J. 2022; 19(6): 1356-1361. http://dx.doi.org/10.21123/bsj.2022.5965
Mohammed TS, Sultan AI, Alheeti KM, Aljebory KM, Sultan HI, Al-Ani MS. COVID-19 Diagnosis Using Spectral and Statistical Analysis of Cough Recordings Based on the Combination of SVD and DWT. Baghdad Sci J. 2022; 0372-. https://doi.org/10.21123/bsj.2022.6516
WHO Coronavirus (COVID-19) Dashboard, https://covid19.who.int/ (accessed on 11 August 2022)
Corbett KS, Edwards DK, Leist SR, Abiona OM, Boyoglu-Barnum S, Gillespie RA, Himansu S, Schäfer A, Ziwawo CT, DiPiazza AT, Dinnon KH. SARS-CoV-2 mRNA vaccine design enabled by prototype pathogen preparedness. Nature. 2020; 586(7830): 567-71. https://doi.org/10.1038/s41586-020-2622-0
Kremsner PG, Mann P, Kroidl A, Leroux-Roels I, Schindler C, Gabor JJ, et al. Safety and immunogenicity of an mRNA-lipid nanoparticle vaccine candidate against SARS-CoV-2: A phase 1 randomized clinical trial. Wien Klin Wochenschr. 2021; 133(17-18): 931-41. https://doi.org/10.1007/s00508-021-01922-y
Ribonucleic Acid (RNA). https://www.genome.gov/genetics-glossary/RNA-Ribonucleic-Acid (Accessed on 11 August 2022)
Lyngsø RB, Pedersen CN. RNA pseudoknot prediction in energy-based models. J Comput Biol. 2000; 7(3-4): 409-27. https://doi.org/10.1089/106652700750050862
Pardi N, Hogan MJ, Porter FW, Weissman D. mRNA vaccines—a new era in vaccinology. Nat Rev Drug Discov. 2018; 17(4): 261-79. https://doi.org/10.1038/nrd.2017.243
Bouarara HA. N-Gram-Codon and Recurrent Neural Network (RNN) to Update Pfizer-BioNTech mRNA Vaccine. Int J Comput Intell Syst. 2022; 14(1): 1-24. http://doi.org/10.4018/IJSSCI.305838
Ing SH, Abdullah AA, Harun NH, Kanaya S. COVID-19 mRNA Vaccine Degradation Prediction Using LR and LGBM Algorithms. J Phys Conf Ser. 2021; 1997(1): 012005. IOP Publishing. http://doi.org/10.1088/1742-6596/1997/1/012005
Muneer A, Fati SM, Akbar NA, Agustriawan D, Wahyudi ST. iVaccine-Deep: Prediction of COVID-19 mRNA vaccine degradation using deep learning. J King Saud Univ- Comput. Inf Sci. 2022; 34(9): 7419-32. https://doi.org/10.1016/j.jksuci.2021.10.001
Krishna UV, Premjith B, Soman KP. A Comparative Study of Pre-trained Gene Embeddings for COVID-19 mRNA Vaccine Degradation Prediction. Proc 7th Int Conf Math Comput : pp. 301-308. Singapore: Springer Singapore. https://doi.org/10.1007/978-981-16-6890-6_22
Imran SA, Islam MT, Shahnaz C, Islam MT, Imam OT, Haque M. COVID-19 mRNA Vaccine Degradation Prediction using Regularized LSTM Model. Int Women Eng Conf. 2020; (pp. 328-331). IEEE. https://doi.org/10.1109/WIECON-ECE52138.2020.9398044
Openvaccine: Covid-19 mrna vaccine degradation prediction, Sep. 2020; https://www.kaggle.com/ competitions/stanford-covid-vaccine/data
Danaee P, Rouches M, Wiley M, Deng D, Huang L, Hendrix D. bpRNA: large-scale automated annotation and analysis of RNA secondary structure. Nucleic Acids Res. 2018; 46(11): 5381-94. https://doi.org/10.1093/nar/gky285
Qaid TS, Mazaar H, Alqahtani MS, Raweh AA, Alakwaa W. Deep sequence modelling for predicting COVID-19 mRNA vaccine degradation. Peer J Comput Sci. 2021; 7: e597. https://doi.org10.7717/peerj-cs.597
Cho K, Van Merriënboer B, Gulcehre C, Bahdanau D, Bougares F, Schwenk H, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation. Proc Conf Empir Methods Nat Lang Proc. 2014; 1406.1078. https://doi.org/10.48550/arXiv.1406.1078
Cho K, Van Merriënboer B, Bahdanau D, Bengio Y. On the properties of neural machine translation: Encoder-decoder approaches. Proceedings of SSST-8, Eighth Workshop on Syntax, Semantics and Structure in Statistical Translation. 2014; 1409.1259. https://doi.org/10.48550/arXiv.1409.1259
Schoenmaker L, Witzigmann D, Kulkarni JA, Verbeke R, Kersten G, Jiskoot W, et al. mRNA-lipid nanoparticle COVID-19 vaccines: Structure and stability. Int J Pharm X. 2021; 601:120586. https://doi.org/10.1016/j.ijpharm.2021.120586