Model BINND předpovídá vazby DNA s přesností 83,5 procenta

Vědci z North Carolina State University vyvinuli nový model hlubokého učení nazvaný BINND (Binding and Interaction Neural Network for DNA), který dokáže s přesností 83,5 procenta předpovídat komplexní chování vazby DNA-DNA. Studie byla publikována 14. července 2026 v odborném časopise Nature Communications a představuje podle autorů výrazný posun v možnostech predikce interakcí mezi sekvencemi DNA.

Model BINND byl trénován na datasetu čítajícím 144 milionů sekvenčních párů, což mu umožňuje zachytit složité vzorce vazebného chování, které dosavadní nástroje nedokázaly spolehlivě modelovat. Oproti stávajícím modelům dosahuje BINND zlepšení přesnosti minimálně o deset procent, což autoři považují za zásadní krok kupředu v oblasti prediktivního modelování DNA.

Hlavními autory studie jsou Albert Keung, Gunavaran Brihadiswaran, Karishma Matange a James Tuck. Výzkum byl financován z prostředků National Science Foundation, National Institutes of Health, Department of Education a Simons Foundation.

Cílem modelu je předpovídat, jak se jednotlivé sekvence DNA váží na jiné sekvence, a to včetně různých stupňů intenzity těchto interakcí. Jak vysvětlil Albert Keung, jeden z hlavních autorů studie: „Molekula A se může vázat na desítky dalších molekul, v různých stupních. Právě tato komplexita dosud představovala pro výpočetní modely zásadní překážku. Tradiční přístupy totiž většinou pracovaly se zjednodušeným binárním pohledem na vazbu, tedy zda k ní dochází, nebo ne, aniž by braly v úvahu jemné rozdíly v síle a specificitě interakcí.

Součástí výzkumu je také vytvoření interaktivní databáze, která mapuje vazebné chování 96 sekvencí DNA o délce 20 znaků vůči 26 dalším sekvencím. Tato databáze má sloužit jako praktický nástroj pro výzkumníky, kteří potřebují rychle ověřit nebo odhadnout vazebné vlastnosti konkrétních sekvencí bez nutnosti provádět časově náročné laboratorní experimenty. Kód modelu je veřejně dostupný v repozitáři na platformě GitHub pod adresou github.com/dna-storage/BINND.

Schopnost přesně předpovídat interakce mezi sekvencemi DNA má potenciální uplatnění v celé řadě oblastí. Patří mezi ně vývoj nových terapeutických přístupů, návrh syntetických biologických systémů nebo oblast DNA datového úložiště, kde je přesná kontrola vazebného chování klíčová pro spolehlivé kódování a čtení informací. Právě DNA storage je jednou z perspektivních technologií pro dlouhodobé uchovávání dat, přičemž specifičnost vazeb mezi sekvencemi přímo ovlivňuje kapacitu a spolehlivost takových systémů.

Výzkumný tým z North Carolina State University se zaměřil na to, aby model byl nejen přesný, ale také prakticky použitelný. Hloubkové učení umožnilo zachytit nelineární vztahy v datech, které by klasické statistické metody jen těžko odhalily. Trénink na tak rozsáhlém datasetu, jaký BINND využívá, přitom vyžadoval značné výpočetní kapacity, a proto hrála klíčovou roli podpora ze strany zmíněných vědeckých a vzdělávacích institucí.

Publikace v Nature Communications, jednom z předních multidisciplinárních vědeckých časopisů, naznačuje, že výsledky prošly přísným recenzním procesem a jsou považovány za dostatečně robustní a relevantní pro širší vědeckou komunitu. Model BINND tak může v blízké budouc