Assessing Codon Language Models for Context-Aware Codon Optimization in Nucleic Acid-Based Medicines

Stel je je lichaam voor als een enorme, drukke fabriek waar piepkleine machines genaamd ribosomen constant eiwitten bouwen—de essentiële gereedschappen en structuren die je in leven houden. Om deze machines aan het werk te krijgen, ontvangt de fabriek een set instructies geschreven in een speciale code genaamd DNA. Deze code bestaat uit woorden genaamd "codons", die als drieletterige woorden in een zin fungeren. Hier komt de twist: net zoals je "groot", "enorm" of "reusachtig" kunt zeggen om hetzelfde te betekenen, heeft de genetische code veel verschillende drieletterige woorden die allemaal precies hetzelfde aminozuur betekenen (de bouwsteen van een eiwit). Dit wordt "synonieme" variatie genoemd.

Jarenlang hebben wetenschappers die medicijnen proberen te maken uit deze instructies (nucleïnezuur-gebaseerde medicijnen), een eenvoudige strategie gebruikt om de fabriek sneller te laten werken: ze vervangen zeldzame woorden door veelvoorkomende woorden, uitgaande van de veronderstelling dat de machine het sneller leest als het woord vaker voorkomt. Het is alsof je een recept herschrijft zodat er alleen ingrediënten worden gebruikt die in elke lokale supermarkt te vinden zijn. Maar onlangs is er een nieuw type computerbrein, een "Masked Language Model" (MLM), in de chat gekomen. Dit zijn dezelfde soorten AI die je tekstberichten kunnen afmaken of verhalen kunnen schrijven omdat ze begrijpen hoe woorden in een zin bij elkaar passen, en niet alleen hoe vaak ze voorkomen. De grote vraag is: weten deze slimme AI's eigenlijk iets wat de eenvoudige "veelvoorkomende woord"-strategie mist? Als ze dat doen, zou dit kunnen betekenen dat we betere, effectievere medicijnen kunnen bouwen die ons lichaam efficiënter kan produceren.

Dit artikel zet drie van deze chique AI-modellen—CaLM, EnCodon en CodonTransformer—op de proef om te zien of ze echt de volgende grote hit zijn in codon-optimalisatie. De onderzoekers behandelden deze modellen als deelnemers aan een talentenjacht en testten ze op negen verschillende uitdagingen, waaronder hoe goed ze bestaande genetische zinnen konden herschrijven zonder de betekenis te veranderen (backtranslation) en hoe nauwkeurig ze konden voorspellen hoe een eiwit zich zou gedragen. Ze voerden ook echte experimenten uit in een laboratorium, waarbij ze een lichtgevend reporter-eiwit genaamd SEAP gebruikten om te zien of de door de AI ontworpen sequenties cellen daadwerkelijk meer eiwit lieten produceren dan de ouderwetse methoden.

De resultaten waren een beetje gemengd, maar met een zeer veelbelovende wending. De drie AI-modellen waren allemaal verschillend van elkaar; ze kozen niet alleen dezelfde "veelvoorkomende woorden", maar creëerden unieke sequenties met verschillende smaken. Interessant genoeg was er geen enkel AI-model de onbetwiste kampioen van elke test. In sommige gevallen hielden de eenvoudige, ouderwetse methoden gebaseerd op woordfrequentie nog steeds hun eigen. Echter, toen de onderzoekers onder de motorkap keken, ontdekten ze dat de AI-modellen iets speciaals deden: ze keken naar een veel breder "venster" van context, waarbij ze begrepen hoe een woord bij zijn buren past, in plaats van alleen te tellen hoe vaak een woord in een woordenboek voorkomt.

De echte beslissende factor kwam uit de laboratoriumexperimenten. De door deze AI-modellen ontworelde sequenties presteerden daadwerkelijk beter dan zowel de conventionele methoden als de sequenties geleverd door commerciële leveranciers. Dit gold zowel wanneer de cellen het eiwit voor een korte burst maakten (transiënt) als wanneer de instructies permanent aanwezig waren (stabiel geïntegreerd). Dit suggere wordt dat de AI-modellen inderdaad een diepere laag van "translationele context" vatten die eenvoudige frequentietellingen missen. Het artikel concludeert dat hoewel geen enkel model perfect is, deze AI-tools effectief en complementair zijn. De beste strategie, zo suggereert het, is om een paar verschillende modellen een poging te laten wagen tot het probleem, waardoor de kans op het vinden van de perfecte genetische sequentie voor een nieuw medicijn wordt vergroot.