TOXsiRNA: A web server to predict the toxicity of chemically modified siRNAs

De auteurs hebben TOXsiRNA ontwikkeld, een gratis webserver die met behulp van machine learning-modellen, met name een op mononucleotide-samenstelling gebaseerde SVM, de toxiciteit en off-target-effecten van chemisch gemodificeerde siRNAs voorspelt om experimentele kosten te verlagen.

De kern

Stel je voor dat je een boodschapper (een siRNA) hebt die een heel specifiek bericht moet brengen naar een cel in je lichaam, bijvoorbeeld om een ziekte te genezen. Maar deze boodschapper is kwetsbaar. Om hem sterker en slimmer te maken, plakt de wetenschap er kleine chemische stickers op. Dit is als het geven van een superkrachtig pak aan je boodschapper.

Het probleem is echter: soms werken die stickers niet alleen als versterking, maar ook als gif. Ze kunnen de boodschapper dwarslaten, waardoor hij per ongeluk verkeerde deuren openmaakt in de cel (off-targets) of de cel zelfs ziek maakt.

Vroeger was het vinden van de perfecte combinatie van stickers een enorme zoektocht. Wetenschappers moesten duizenden experimenten doen in het lab, wat veel tijd, geld en geduld kostte. Het was alsof je blindelings duizenden verschillende auto's zou bouwen om te zien welke niet ontploft.

TOXsiRNA is de oplossing voor dit probleem. Het is een slimme, digitale voorspeller (een webserver) die als een ervaren proefkonijn fungeert, maar dan in de computer.

Hier is hoe het werkt, in simpele termen:

1. De Grote Database: De makers hebben een enorme verzameling van bijna 3.000 verschillende "sticker-ontwerpen" verzameld. Ze hebben gekeken naar welke combinaties van chemische modificaties veilig waren en welke niet.
2. De Slimme Dieren: Om patronen te vinden, hebben ze vier verschillende soorten "digitale hersenen" (machine learning-modellen) ingezet:
   • Een SVM (een strenge leraar die patronen herkent),
   • Een LR (een lineaire denker),
   • Een KNN (een imitator die kijkt naar wat er eerder gebeurd is),
   • En een ANN (een kunstmatig brein dat net als ons leert).
3. De Winnaar: De "strenge leraar" (SVM) bleek de slimste. Hij kon met een betrouwbaarheid van wel 91-92% voorspellen of een nieuw ontwerp veilig zou zijn, puur door te kijken naar de bouwstenen van de boodschapper.
4. Het Gereedschap: Vandaag de dag kun je als wetenschapper naar de website gaan. Je voert je eigen ontwerp in, en TOXsiRNA zegt je direct: "Dit ontwerp is veilig, dit is een goede boodschapper" of "Pas op, dit ontwerp is te giftig, probeer iets anders."

Kortom: TOXsiRNA is als een veiligheidscontroleur aan de poort van de biotechnologie. In plaats van dat wetenschappers jarenlang in het lab moeten experimenteren om giftige combinaties te vinden, laat deze website je zien welke ontwerpen veilig zijn voordat je überhaupt begint. Het bespaart tijd, geld en zorgt ervoor dat geneesmiddelen sneller en veiliger de mensheid kunnen bereiken.

Je kunt deze gratis tool vinden op: http://bioinfo.imtech.res.in/manojk/toxsirna.

Technische samenvatting

Probleemstelling

Kleine interfererende RNA's (siRNA's) worden in moleculaire biologisch onderzoek en therapeutische toepassingen vaak chemisch gemodificeerd om hun stabiliteit en specifieke eigenschappen te verbeteren. Deze chemische modificaties kunnen echter ongewenste toxiciteitseffecten veroorzaken, zowel door de chemische groepen zelf als door sequentie-afhankelijke off-target effecten op cellulair niveau. Het experimenteel testen van de toxiciteit van alle mogelijke combinaties van chemische modificaties vereist enorme resources en is tijdrovend. Er is dus een dringende behoefte aan een computergestuurde methode om deze toxiciteit voorspellen voordat er experimenten worden uitgevoerd.

Methodologie

Om dit probleem aan te pakken, hebben de auteurs de TOXsiRNA-webserver ontwikkeld. De aanpak omvatte de volgende stappen:

• Dataset: Er werd een dataset geselecteerd van 2749 siRNA's die waren ontworpen met verschillende permutaties en combinaties van 21 verschillende chemische modificaties.
• Machine Learning-modellen: Er werden vier verschillende machine learning-algoritmen getraind en geëvalueerd:
  • Support Vector Machine (SVM)
  • Lineaire Regressie (LR)
  • K-Nearest Neighbor (KNN)
  • Kunstmatige Neuronale Netwerken (ANN)
• Functie-ontwerp: De modellen gebruikten verschillende sequentiekenmerken, waaronder:
  • Mononucleotide samenstelling (mononucleotide composition).
  • Dinucleotide samenstelling.
  • Binaire patronen en combinaties hiervan.

Belangrijkste Resultaten

De prestaties van de verschillende modellen werden vergeleken op basis van de Pearson-correlatiecoëfficiënt (PCC):

• Het SVM-model gebaseerd op mononucleotide-samenstelling bleek de beste prestaties te leveren.
• De correlatiecoëfficiënten waren als volgt:
  • Training: PCC van 0,91.
  • Testset: PCC van 0,92.
  • Onafhankelijke validatie: PCC van 0,92.
• Andere kenmerken, zoals dinucleotide-compositie en binaire patronen, werden ook getest, maar leverden niet dezelfde hoge nauwkeurigheid op als het mononucleotide-SVM-model.

Kernbijdragen

De belangrijkste bijdragen van dit werk zijn:

1. Ontwikkeling van TOXsiRNA: Een gratis, online webserver die specifiek is ontworpen om de toxiciteit van chemisch gemodificeerde siRNA's en hun off-target effecten te voorspellen.
2. Geïntegreerde Voorspellingsmodellen: Implementatie van drie modellen voor chemisch gemodificeerde siRNA's, gebaseerd op de best presterende machine learning-algoritmen.
3. Uitgebreide Functionaliteit: Naast toxiciteitsvoorspelling integreert de server ook algoritmen voor het voorspellen van de knockdown-efficacy (zowel voor normale als chemisch gemodificeerde siRNA's) en off-target effecten.
4. Open Toegang: De tool is vrij beschikbaar voor wetenschappelijk gebruik via de URL: http://bioinfo.imtech.res.in/manojk/toxsirna.

Betekenis en Impact

De TOXsiRNA-server biedt een krachtig en kostenefficiënt hulpmiddel voor onderzoekers en therapeutische ontwikkelaars. Door de toxiciteit van chemische modificaties in silico te voorspellen, kunnen onderzoekers:

• De noodzaak voor uitgebreide en dure experimentele screening van toxiciteit verminderen.
• Sneller veilige en effectieve siRNA-therapieën ontwerpen.
• Risico's van off-target effecten en chemische toxiciteit vroegtijdig identificeren en minimaliseren.

Dit werk vormt een belangrijke stap in de rationalisatie van het siRNA-ontwerpproces, waarbij computationele modellen worden gebruikt om de veiligheid van genetische therapieën te waarborgen.