CodonMamba: a foundation model for programmable mRNA coding sequence design

Dentro de cada célula viva, una compleja línea de ensamblaje convierte las instrucciones genéticas en las proteínas que mantienen la vida en movimiento. Estas instrucciones están escritas en un lenguaje compuesto por cuatro letras químicas, agrupadas en tripletes llamados codones. Si bien el código genético es universal, la forma en que diferentes organismos utilizan estos tripletes varía; algunos prefieren ciertas combinaciones sobre otras, de forma muy similar a cómo diferentes dialectos favorecen palabras específicas para una misma idea. Los científicos han buscado durante mucho tiempo reescribir estos mensajes genéticos para crear medicamentos potentes, particularmente el ARN mensajero, o ARNm, que actúa como un plano temporal para la fabricación de proteínas terapéuticas. Sin embargo, diseñar estas secuencias es un delicado acto de equilibrio. El código no solo debe producir la proteína correcta, sino también plegarse correctamente, permanecer estable y ser leído eficientemente por la célula huésped específica en la que ingresa. Durante años, los investigadores han dependido de programas informáticos para optimizar estas secuencias, pero estas herramientas a menudo requerían una revisión completa cada vez que un científico quería cambiar las reglas para un nuevo huésped o una aplicación médica diferente.

Un equipo de investigadores ha introducido ahora un nuevo enfoque llamado CodonMamba, un sistema diseñado para comprender y generar estas secuencias genéticas con una flexibilidad sin precedentes. En lugar de simplemente memorizar patrones a partir de datos existentes, este sistema funciona como un modelo fundacional, un tipo de inteligencia artificial entrenada en una vasta biblioteca de secuencias de codificación naturales para comprender las reglas subyacentes del lenguaje biológico. Los investigadores probaron este modelo contra un conjunto exhaustivo de doce tareas diferentes relacionadas con la predicción de cómo se comporta el ARNm. En estas pruebas, CodonMamba funcionó mejor que cualquier método anterior, ocupando el primer lugar en diez de las doce categorías. Este éxito sugiere que el modelo ha aprendido una comprensión profunda y generalizable de cómo funcionan las secuencias genéticas, lo que le permite predecir resultados con un alto grado de precisión en una amplia gama de escenarios biológicos.

Lo que distingue a este trabajo no es solo su precisión, sino su capacidad de ser dirigido por el usuario en el momento de la creación. Tradicionalmente, si un científico quería diseñar una secuencia para un organismo específico, tenía que reentrenar todo el modelo informático con nuevos datos, un proceso lento y rígido. CodonMamba cambia esta dinámica al permitir que los científicos especifiquen sus preferencias directamente durante la fase de generación. Al introducir reglas definidas por el usuario sobre la frecuencia con la que deben aparecer ciertos codones, el sistema puede adaptarse instantáneamente a las necesidades de un huésped o aplicación específica sin necesidad de ser reentrenado. Esto significa que un solo modelo puede utilizarse para diseñar secuencias para diferentes entornos simplemente ajustando las instrucciones que se le dan, preservando la lógica biológica central mientras se desplazan las elecciones estilísticas para adaptarse al nuevo contexto.

En sus experimentos, los investigadores demostraron que este sistema podía coordinar múltiples objetivos de diseño a la vez, optimizando varias propiedades de la secuencia simultáneamente. Mostraron que el modelo podía tomar un diseño genético destinado a un huésped y reorientarlo para otro, cambiando las preferencias subyacentes mientras mantenía intactas las elecciones estructurales esenciales. Esta capacidad marca un cambio de la optimización estática a un marco programable, donde el proceso de diseño se convierte en una conversación entre el científico y el modelo. Los resultados indican que este modelo fundacional ofrece una herramienta precisa y adaptable para la ingeniería de ARNm, moviendo el campo hacia un futuro donde las secuencias genéticas puedan diseñarse con un nivel de especificidad y facilidad que antes estaba fuera de alcance.