Neues RL-Framework verbessert RNA-Design mit Latent Diffusion

Die Gestaltung von RNA-Sequenzen, die exakt vorgegebene 3‑D‑Strukturen bilden, ist ein zentrales Ziel in der Therapieentwicklung, der Genregulation und der synthetischen Biologie. Traditionelle Ansätze konzentrieren sich vor allem auf die Wiederherstellung der Sequenz und vernachlässigen dabei wichtige strukturelle Ziele wie die Konsistenz der Sekundärstruktur, die minimale freie Energie oder die lokale Distanzunterschiedstests. Diese Lücken führen zu suboptimalen strukturellen Ergebnissen.

Um diese Herausforderungen zu überwinden, hat ein Forschungsteam ein neues Reinforcement‑Learning‑Framework entwickelt, das mit einem Latent Diffusion Model (LDM) kombiniert wird. Das Modell nutzt vortrainierte RNA‑FM‑Einbettungen, die aus großen RNA‑Datensätzen co‑evolutionäre Muster erfassen und damit die Genauigkeit der Sequenzwiederherstellung deutlich steigern.

Ein entscheidender Vorteil des Ansatzes ist die Fähigkeit von Reinforcement Learning, nicht differenzierbare strukturelle Ziele zu optimieren. Im Gegensatz zu herkömmlichen Diffusionsmethoden, die Schwierigkeiten haben, solche Ziele zu berücksichtigen, navigiert das RL‑System gezielt durch die Belohnungslandschaft und erzielt dadurch bessere Ergebnisse.

Der neue Ansatz, genannt Step‑wise Optimization of Latent Diffusion Model (SOLD), optimiert die Rauschschritte einzeln, ohne die gesamte Diffusionstour zu simulieren. Dadurch wird die Berechnung erheblich beschleunigt und gleichzeitig die Qualität der strukturellen Optimierung maximiert.

Experimentelle Tests zeigen, dass SOLD die Leistung seiner LDM‑Basis sowie aller aktuellen Spitzenmethoden in allen relevanten Metriken übertrifft. Damit stellt das Verfahren einen bedeutenden Fortschritt im Bereich des RNA‑Designs dar und eröffnet neue Möglichkeiten für die Entwicklung präziser therapeutischer RNA‑Strukturen.