Redesigning the Eterna100 RNA design benchmark for the Vienna 2 folding engine
Este estudio demuestra que el rendimiento de los algoritmos de diseño de ARN está intrínsecamente vinculado a los modelos termodinámicos utilizados en los motores de plegamiento, lo que conduce a la creación de un benchmark revisado Eterna100-V2 que revela que tanto el original como el actualizado permanecen sin resolver bajo sus configuraciones previstas debido a errores de evaluación previos y desafíos específicos de los motores.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
El ARN es una molécula que actúa como un trabajador versátil dentro de las células vivas, transportando instrucciones genéticas, ayudando a construir proteínas e incluso realizando reacciones químicas por sí misma. Para realizar estos trabajos, las hebras de ARN deben plegarse en formas específicas e intrincadas, de forma muy similar a cómo un trozo de papel se arruga para convertirse en una figura de origami precisa. La forma está determinada por la secuencia de letras químicas que componen la hebra. Los científicos están intentando ahora diseñar sus propias moléculas de ARN desde cero para crear nuevas medicinas y herramientas biológicas. Para hacer esto, necesitan resolver un rompecabezas difícil: dada una forma deseada, ¿qué secuencia de letras se plegará en ella? Esto se conoce como el problema del plegamiento inverso. Durante años, los investigadores han dependido de programas informáticos, llamados motores de plegamiento, para predecir cómo se plegará una secuencia. Estos programas utilizan reglas complejas basadas en la energía de la molécula para adivinar la forma final. Sin embargo, al igual que un mapa puede quedar desactualizado a medida que se descubren nuevas carreteras, las reglas que estos programas informáticos utilizan han cambiado con el tiempo, y este cambio ha creado confusión en el campo.
Un conjunto ampliamente utilizado de cien desafiantes rompecabezas de ARN, conocido como Eterna100, fue creado para probar qué tan bien diferentes algoritmos informáticos podían resolver este problema de diseño. Estos rompecabezas fueron construidos originalmente utilizando una versión más antigua del motor de plegamiento. A medida que el campo avanzaba hacia una versión más nueva y precisa del motor, los investigadores comenzaron a preguntarse si los viejos rompecabezas seguirían funcionando. Un equipo de científicos, trabajando con una comunidad en línea de científicos ciudadanos que juegan juegos de diseño de ARN, se propuso encontrar la respuesta. Descubrieron que el cambio en las reglas informáticas no era un detalle menor; alteró fundamentalmente la física de los rompecabezas. Cuando intentaron resolver los cien rompecabezas originales utilizando el nuevo motor, descubrieron que diecinueve de ellos eran imposibles. Las nuevas reglas hicieron que ciertas características estructurales fueran demasiado inestables, lo que significa que ninguna secuencia de letras podría plegarse en esas formas específicas bajo las condiciones actualizadas.
Para solucionar esto, los investigadores recurrieron a los jugadores humanos del juego Eterna. Pidieron a la comunidad que rediseñara esos diecinueve rompecabezas imposibles, realizando los cambios más pequeños posibles a las formas objetivo para que pudieran ser resueltos por el nuevo motor. Los jugadores tuvieron éxito, creando una versión modernizada del referente llamada Eterna100-V2. Estos nuevos rompecabezas mantuvieron el mismo espíritu difícil que los originales, pero fueron ajustados para adaptarse a la comprensión actual de la física del ARN. El equipo luego probó seis de los algoritmos de diseño computacional más avanzados contra los viejos y nuevos referentes. Encontraron que el rendimiento de estos programas era altamente sensible a qué conjunto de reglas estaban utilizando. Algunos algoritmos que previamente parecían ser los mejores en rendimiento, de repente tuvieron dificultades al cambiar al nuevo motor, mientras que otros se mantuvieron firmes. Esto sucedió porque muchos de los programas informáticos habían aprendido trucos específicos basados en las reglas antiguas, y esos trucos no funcionaban cuando la física subyacente cambiaba.
La investigación también descubrió un error significativo en la forma en que estudios previos habían afirmado resolver los rompecabezas originales. Varios grupos de investigación habían reportado que sus algoritmos podían resolver los cien rompecabezas originales. Sin embargo, cuando los autores de este artículo reexaminaron esas soluciones utilizando la configuración correcta y estricta del motor antiguo, encontraron que las soluciones eran en realidad incorrectas. Los investigadores habían estado utilizando el nuevo motor pero habían intentado imitar las reglas antiguas sin configurar correctamente un ajuste crucial, lo que llevó a falsos positivos. Esto significó que el campo había estado sobreestimando el éxito de estas herramientas de diseño. Incluso con el nuevo referente corregido, ningún algoritmo computacional individual ha logrado aún resolver los cien rompecabezas. Los mejores programas pueden resolver la mayoría de ellos, pero algunos siguen sin resolverse, incluso después de ejecutarse durante días.
El estudio concluye que la dificultad de diseñar ARN está profundamente ligada al modelo termodinámico específico utilizado para predecir su comportamiento. A medida que nuestra comprensión de la física del ARN mejora y los modelos computacionales se vuelven más precisos, los referentes utilizados para probar las herramientas de diseño deben evolucionar junto con ellos. Los investigadores sugieren que los algoritmos futuros necesitan ser lo suficientemente flexibles como para adaptarse a estos modelos cambiantes en lugar de depender de reglas fijas del pasado. Al proporcionar un conjunto de rompecabezas corregido y modernizado que refleja el conocimiento científico actual, el equipo ha dado al campo una forma fiable de medir el progreso. El trabajo destaca que, en la búsqueda de diseñar los bloques de construcción de la vida, las herramientas que usamos para medir el éxito deben ser tan precisas como los diseños que esperamos crear.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.