Naukowcy z Oak Ridge National Laboratory udoskonalili technologię CRISPR Cas9 do edycji genomu drobnoustrojów przy użyciu biologii kwantowej i zrozumiałej sztucznej inteligencji. Ten przełom pozwala na bardziej precyzyjne modyfikacje genetyczne drobnoustrojów, zwiększając potencjał produkcji paliw odnawialnych i środków chemicznych.

Badania Oak Ridge National Laboratory w zakresie biologii kwantowej i sztucznej inteligencji znacznie poprawiły skuteczność edycji genomu CRISPR Cas9 u drobnoustrojów, pomagając w rozwoju energii odnawialnej.

Naukowcy z Oak Ridge National Laboratory (ORNL) wykorzystali swoją wiedzę specjalistyczną z zakresu biologii kwantowej, sztucznej inteligencji i bioinżynierii, aby ulepszyć sposób, w jaki narzędzia do edycji genomu CRISPR Cas9 działają na organizmy takie jak mikroby, które można modyfikować w celu produkcji paliw odnawialnych i chemikaliów.

CRISPR to potężne narzędzie bioinżynierii, służące do modyfikacji kodu genetycznego w celu poprawy wydajności organizmu lub skorygowania mutacji. Narzędzie CRISPR Cas9 opiera się na jednym, unikalnym przewodniku RNA który kieruje enzymem Cas9 do wiązania się i rozszczepiania odpowiedniego docelowego miejsca w genomie. Istniejące modele do obliczeniowego przewidywania skutecznych przewodników RNA dla narzędzi CRISPR zbudowano na danych z zaledwie kilku modeli gatuneko słabej, niespójnej skuteczności po zastosowaniu na drobnoustroje.

Badania CRISPR skoncentrowane na drobnoustrojach

„Wiele narzędzi CRISPR opracowano dla komórek ssaków, muszek owocowych i innych gatunków modelowych. Niewiele z nich było ukierunkowanych na drobnoustroje, których struktury i rozmiary chromosomów są bardzo różne” – powiedziała Carrie Eckert, liderka grupy biologii syntetycznej w ORNL. „Zaobserwowaliśmy, że modele służące do projektowania maszyn CRISPR Cas9 zachowują się inaczej podczas pracy z drobnoustrojami, a to badanie potwierdza to, co wiedzieliśmy anegdotycznie”.

Naukowcy z projektu ORNL opracowali metodę poprawiającą dokładność narzędzia do edycji genów CRISPR Cas9 wykorzystywanego do modyfikowania drobnoustrojów na potrzeby produkcji paliw odnawialnych i chemikaliów. W badaniach tych wykorzystano wiedzę laboratorium z zakresu biologii kwantowej, sztucznej inteligencji i biologii syntetycznej. Źródło: Philip Gray/ORNL, Departament Energii USA

Aby ulepszyć modelowanie i projektowanie kierującego RNA, naukowcy z ORNL starali się lepiej zrozumieć, co dzieje się na najbardziej podstawowym poziomie w jądrach komórkowych, gdzie przechowywany jest materiał genetyczny. Zwrócili się w stronę biologii kwantowej, dziedziny łączącej biologię molekularną i chemię kwantową, która bada wpływ, jaki może mieć struktura elektronowa na właściwości chemiczne i interakcje nukleotydów – cząsteczek tworzących elementy budulcowe DNA i RNA.

Sposób rozmieszczenia elektronów w cząsteczce wpływa na reaktywność i stabilność konformacyjną, w tym na prawdopodobieństwo, że kompleks RNA prowadzący enzym Cas9 skutecznie zwiąże się z DNA drobnoustroju, powiedziała Erica Prates, biolog systemów obliczeniowych w ORNL.

Wykorzystanie zrozumiałej sztucznej inteligencji w badaniach CRISPR

Naukowcy zbudowali możliwy do wyjaśnienia model sztucznej inteligencji zwany iteracyjnym lasem losowym. Wytrenowali model na zbiorze danych obejmującym około 50 000 kierujących RNA ukierunkowanych na genom E coli bakterie, biorąc jednocześnie pod uwagę właściwości chemii kwantowej, w podejściu opisanym w czasopiśmie Badania kwasów nukleinowych.

Model ujawnił kluczowe cechy nukleotydów, które mogą umożliwić wybór lepszych RNA kierujących. „Model pomógł nam zidentyfikować wskazówki dotyczące mechanizmów molekularnych leżących u podstaw wydajności naszych przewodników RNA” – powiedział Prates, „dając nam bogatą bibliotekę informacji molekularnych, które mogą pomóc nam ulepszyć technologię CRISPR”.

Badacze z ORNL zweryfikowali możliwy do wytłumaczenia model sztucznej inteligencji, przeprowadzając eksperymenty z wycinaniem CRISPR Cas9 E coli z dużą grupą przewodników wybranych przez modelkę.

Wykorzystanie wyjaśnialnej sztucznej inteligencji pozwoliło naukowcom zrozumieć mechanizmy biologiczne, które wpływają na wyniki, a nie model głębokiego uczenia się oparty na algorytmie „czarnej skrzynki”, któremu brakuje możliwości interpretacji, powiedziała Jaclyn Noshay, była biolog systemów obliczeniowych ORNL, która jest pierwszą autorką artykułu .

„Chcieliśmy lepiej zrozumieć zasady projektowania prowadnic w celu uzyskania optymalnej wydajności cięcia, skupiając się na gatunkach drobnoustrojów, biorąc pod uwagę wiedzę na temat niekompatybilności modeli przeszkolonych w różnych [biological] królestw” – powiedział Noshay.

Wyjaśnialny model sztucznej inteligencji, z tysiącami funkcji i iteracyjnym charakterem, został przeszkolony przy użyciu superkomputera Summit w Oak Ridge Leadership Computer Facility (OLCF) w ORNL, obiekcie użytkownika Biura Naukowego DOE.

Eckert powiedziała, że ​​jej zespół biologii syntetycznej planuje współpracować z kolegami z dziedziny nauk obliczeniowych w ORNL, aby wykorzystać to, czego się nauczyli dzięki nowemu mikrobiologicznemu modelowi CRISPR Cas9 i ulepszyć go dalej, wykorzystując dane z eksperymentów laboratoryjnych lub różnych gatunków drobnoustrojów.

Udoskonalanie narzędzi CRISPR Cas9 dla różnych gatunków

Uwzględnienie właściwości kwantowych otwiera drzwi do ulepszeń przewodnika Cas9 dla każdego gatunku. „Ten artykuł ma nawet konsekwencje na skalę ludzką” – powiedział Eckert. „Jeśli na przykład zastanawiasz się nad jakimkolwiek rodzajem opracowywania leków, w którym używasz CRISPR do celowania w konkretny region genomu, musisz mieć najdokładniejszy model, aby przewidzieć te wskazówki”.

Udoskonalenie modeli CRISPR Cas9 zapewnia naukowcom możliwość powiązania genotypu z fenotypem lub genów z cechami fizycznymi o większej przepustowości, co jest dziedziną znaną jako genomika funkcjonalna. Badanie ma wpływ na prace Centrum Innowacji Bioenergii (CBI) pod przewodnictwem ORNL, na przykład w celu ulepszenia zakładów produkujących surowce do bioenergii i fermentacji bakteryjnej biomasy.

„Dzięki tym badaniom znacznie udoskonalamy nasze przewidywania dotyczące RNA kierującego” – powiedział Eckert. „Im lepiej rozumiemy zachodzące procesy biologiczne i im więcej danych możemy uwzględnić w naszych przewidywaniach, tym lepsze będą nasze cele, co poprawi precyzję i szybkość naszych badań”.

„Głównym celem naszych badań jest poprawa możliwości predykcyjnej modyfikacji DNA większej liczby organizmów przy użyciu narzędzi CRISPR. To badanie stanowi ekscytujący postęp w kierunku zrozumienia, w jaki sposób możemy uniknąć kosztownych „literówek” w kodzie genetycznym organizmu” – powiedział Paul Abraham z ORNL, chemik bioanalityczny, który kieruje obszarem zainteresowania inżynierii i projektowania bezpiecznego ekosystemu w programie DOE Genomic Science Program lub SEED SFA, które wsparły badania CRISPR. „Chcę się dowiedzieć, o ile jeszcze te prognozy mogą ulepszyć, w miarę generowania dodatkowych danych szkoleniowych i dalszego korzystania z wyjaśnialnego modelowania sztucznej inteligencji”.

Odniesienie: „Kwantowe spostrzeżenia biologiczne na temat wydajności sgRNA CRISPR-Cas9 na podstawie inżynierii cech opartej na wyjaśnialnej sztucznej inteligencji” autorstwa Jaclyn M. Noshay, Tyler Walker, William G. Alexander, Dawn M. Klingeman, Jonathon Romero, Angelica M. Walker, Erica Prates, Carrie Eckert, Stephan Irle, David Kainer i Daniel A Jacobson, 20 września 2023 r., Badania kwasów nukleinowych.
DOI: 10.1093/nar/gkad736

Współautorami publikacji byli William Alexander, Dawn Klingeman, Erica Prates, Carrie Eckert, Stephan Irle i Daniel Jacobson z ORNL; Tyler Walker, Jonathan Romero i Angelica Walker z Bredesen Center for Interdyscyplinarnych Badań i Kształcenia Absolwentów na Uniwersytecie Tennessee w Knoxville; oraz Jaclyn Noshay i David Kainer, którzy wcześniej pracowali odpowiednio w ORNL, a obecnie w firmie Bayer i na Uniwersytecie Queensland.

Finansowanie projektu zapewniły SEED SFA i CBI, oba będące częścią Programu badań biologicznych i środowiskowych Biura Naukowego DOE, program badań i rozwoju ukierunkowany na laboratorium ORNL oraz zasoby obliczeniowe o wysokiej wydajności OLCF i Compute oraz Data Environment for Science, oba również wspierane przez Biuro Nauki.