Nový AI nástroj zpřesňuje mapování vazeb microRNA na cirkulární RNA

Vědci vyvinuli nástroj využívající umělou inteligenci, který má zpřesnit mapování vazebných míst pro microRNA na cirkulárních RNA, tedy na molekulách s uzavřenou smyčkovitou strukturou. Právě způsob, jakým jsou tyto molekuly dosud zpracovávány v bioinformatických analýzách, podle autorů vedl k tomu, že se část relevantní informace ztrácela.

Cirkulární RNA, zkráceně circRNA, se od klasických lineárních transkriptů liší tím, že jejich konce nejsou volné. Jsou spojeny do uzavřeného kruhu, a tvoří tak smyčku. Tyto molekuly mohou ovlivňovat regulaci genů, a to mimo jiné prostřednictvím interakcí s microRNA, označovanými zkratkou miRNA. Jde o krátké molekuly RNA, které se podílejí na řízení genové aktivity, a vazba na circRNA může jejich působení změnit. Proto je důležité vědět, kde přesně se na circRNA miRNA váží.

Určení vazebných míst však komplikuje několik okolností. Jednou z nich je, že circRNA mohou existovat v několika různých plnodélkových izoformách. Stejný gen tak může dát vzniknout více variantám cirkulární molekuly, které se liší složením a sekvencí. Pokud se analýza opírá pouze o jednu zjednodušenou podobu, nemusí zachytit rozdíly mezi izoformami, a tedy ani rozdíly v možných vazebných místech.

Druhou a pro nový nástroj klíčovou okolností je takzvaný zpětný spoj, anglicky back-splice junction, zkráceně BSJ. Jde o místo, kde se spojují dva konce molekuly RNA a vzniká tak kruh. Tento spoj je pro circRNA charakteristický a u lineárního transkriptu žádný ekvivalent nemá. Sekvence v jeho těsném okolí je přitom specifická: obsahuje úseky, které by se v lineární molekule nacházely na jejích opačných koncích, a v cirkulární podobě tak leží vedle sebe.

Pokud se s circRNA zachází jako s běžným lineárním transkriptem, může dojít k přehlédnutí sekvenční informace v okolí zpětného spoje. V praxi to znamená, že analytické postupy navržené pro lineární RNA mohou opomenout potenciální vazebná místa, která vznikají právě přes tento spoj. Takové místo by se v lineárním zápisu neobjevilo, protože příslušné úseky v něm nejsou sousední. Předpovědi interakcí mezi circRNA a miRNA by tak mohly být neúplné.

Nový nástroj se proto snaží s circRNA zacházet jako s tím, čím skutečně jsou, tedy s kruhovými molekulami. Využívá umělou inteligenci k mapování míst, kde se microRNA mohou na circRNA vázat, a zohledňuje přitom sekvenční informaci kolem zpětného spoje i existenci více izoforem. Díky tomu by měl poskytovat úplnější obraz možných interakcí než přístupy, které se na cirkulární povahu těchto molekul neohlížejí.

Význam takového nástroje spočívá hlavně v tom, že může pomoci vědcům zaměřit experimentální práci. Ověřování interakcí mezi miRNA a circRNA v laboratoři je náročné a časově nákladné, a kvalitní počítačová předpověď proto může zúžit okruh kandidátních vazebných míst, která stojí za podrobnější zkoumání. Pochopení toho, jak circRNA se svými partnery interagují, přitom přispívá k širšímu poznání mechanismů, jimiž se reguluje aktivita genů.

Dostupné informace se týkají především principu a cíle nástroje. Nelze z nich vyčíst, jak přesně jsou předpovědi vazebných míst ve srovnání s dosavadními metodami, ani na jakých datech byl model trénován, a tyto údaje proto nelze uvést. Zřejmé je však východisko celého vývoje: circRNA nejsou pouhou variantou lineárních transkriptů a jejich specifické rysy, především zpětný spoj a různé izoformy, je třeba při analýze brát v úvahu.

Zacházení s circRNA jako s lineárním transkriptem může vést k přehlédnutí sekvenční informace v okolí zpětného spoje, a právě tuto mezeru má nový přístup zaplnit. Pokud se jeho přednosti potvrdí v praxi, může se stát užitečným doplňkem nástrojů, které výzkumníci využívají při studiu regulace genů pomocí nekódujících RNA.