Wissenschaftler der Keio University haben eine neue Methode zur inversen Faltung von RNA entwickelt. Sie basiert auf dem Factorization Machine with Quadratic Optimization Annealing (FMQA) und soll die Suche nach geeigneten RNA-Sequenzen effizienter machen.
RNA-Moleküle spielen eine zentrale Rolle bei mRNA-Impfstoffen, Gentherapien und synthetischer Biologie. Die gezielte Gestaltung von RNA-Sequenzen, die zu einer gewünschten Sekundärstruktur falten, ist jedoch rechnerisch aufwendig, da die Zahl möglicher Nukleotidkombinationen exponentiell wächst. Herkömmliche Verfahren erfordern oft viele Evaluierungen, was experimentelle Validierungen teuer und zeitintensiv macht.
Das Team um Project Lecturer Shuta Kikuchi und Professor Shu Tanaka von der Graduate School of Science and Technology setzte FMQA als Black-Box-Optimierungsverfahren ein. Dabei wurde die RNA-Inverse-Faltung als Optimierungsproblem formuliert. Die Forscher testeten vier binäre Kodierungsstrategien (One-hot, Domain-wall, Binary und Unary) sowie verschiedene Zuordnungen der Nukleotide A, U, G und C.
Die Ergebnisse zeigen, dass die Wahl der Kodierung einen erheblichen Einfluss auf die Leistungsfähigkeit des Verfahrens hat. One-hot- und Domain-wall-Kodierungen schnitten deutlich besser ab als Binary- und Unary-Varianten. Insbesondere die Domain-wall-Kodierung begünstigte bei bestimmten Zuordnungen die Bildung stabiler G-C-Basenpaare, was zu thermodynamisch stabileren Strukturen führte.
FMQA erreichte bei den Tests höhere Erfolgsraten und bessere Werte beim Normalized Ensemble Defect (NED) als Zufallssuche, genetische Algorithmen und Bayesian Optimization – und das bei deutlich weniger Evaluierungen.
Die Studie, die am 3. Mai 2026 im Fachjournal „Scientific Reports“ erschienen ist, unterstreicht, dass die Kodierung biologischer Sequenzen nicht nur ein technischer Vor Schritt, sondern eine entscheidende Design-Variable darstellt. Die Autoren sehen Anwendungspotenzial bei Biosensoren, Aptameren, Ribozymen und weiteren funktionalen RNA-Molekülen. Das Verfahren könne auch auf DNA, Proteine und andere diskrete Design-Probleme mit teuren Evaluierungen übertragen werden.
Die Arbeit weise zudem auf mögliche zukünftige Verbindungen zu Quanten-Computing und quanteninspirierten Methoden im Bereich „Quantum for Biology“ hin.
