Wissenschaftler nutzen Quantenbiologie und KI, um Genom-Editing-Tool zu verbessern
"Diese Studie stellt einen aufregenden Fortschritt dar, um zu verstehen, wie wir kostspielige 'Tippfehler' im genetischen Code eines Organismus vermeiden können"
Wissenschaftler des Oak Ridge National Laboratory nutzten ihr Fachwissen in den Bereichen Quantenbiologie, künstliche Intelligenz und Biotechnik, um die Funktionsweise der CRISPR-Cas9-Genom-Editierwerkzeuge bei Organismen wie Mikroben zu verbessern, die zur Herstellung erneuerbarer Brennstoffe und Chemikalien verändert werden können.
CRISPR ist ein leistungsstarkes Werkzeug für das Bio-Engineering, mit dem der genetische Code verändert werden kann, um die Leistung eines Organismus zu verbessern oder Mutationen zu korrigieren. Das CRISPR-Cas9-Tool basiert auf einer einzigen, einzigartigen Leit-RNA, die das Cas9-Enzym anweist, sich mit der entsprechenden Zielstelle im Genom zu verbinden und diese zu schneiden. Bestehende Modelle zur rechnerischen Vorhersage effektiver Leit-RNAs für CRISPR-Werkzeuge wurden auf der Grundlage von Daten aus nur wenigen Modellarten entwickelt und waren bei der Anwendung auf Mikroben nur wenig effizient und uneinheitlich.
"Viele der CRISPR-Tools wurden für Säugetierzellen, Fruchtfliegen oder andere Modellarten entwickelt. Nur wenige sind auf Mikroben ausgerichtet, deren Chromosomenstrukturen und -größen sehr unterschiedlich sind", sagt Carrie Eckert, Leiterin der Gruppe Synthetische Biologie am ORNL. "Wir hatten beobachtet, dass sich die Modelle für das Design der CRISPR-Cas9-Maschinerie bei der Arbeit mit Mikroben anders verhalten, und diese Forschung bestätigt, was wir anekdotisch wussten."
Um die Modellierung und das Design der Leit-RNA zu verbessern, suchten die ORNL-Wissenschaftler nach einem besseren Verständnis dessen, was auf der grundlegendsten Ebene in den Zellkernen vor sich geht, wo das genetische Material gespeichert ist. Sie wandten sich der Quantenbiologie zu, einem Gebiet, das eine Brücke zwischen Molekularbiologie und Quantenchemie schlägt und die Auswirkungen untersucht, die die elektronische Struktur auf die chemischen Eigenschaften und Wechselwirkungen von Nukleotiden, den Molekülen, die die Bausteine von DNA und RNA bilden, haben kann.
Die Art und Weise, wie die Elektronen im Molekül verteilt sind, beeinflusst die Reaktivität und die Konformationsstabilität, einschließlich der Wahrscheinlichkeit, dass der Cas9-Enzym-Guide-RNA-Komplex effektiv an die DNA der Mikrobe bindet, so Erica Prates, Computational Systems Biologist am ORNL.
Der beste Wegweiser durch einen Wald von Entscheidungen
Die Wissenschaftler erstellten ein erklärbares Modell der künstlichen Intelligenz, den sogenannten iterativen Zufallswald. Sie trainierten das Modell auf einem Datensatz von rund 50.000 Leit-RNAs, die auf das Genom von E. coli-Bakterien abzielen, und berücksichtigten dabei auch quantenchemische Eigenschaften, wie in der Zeitschrift Nucleic Acids Research beschrieben.
Das Modell enthüllte Schlüsselmerkmale über Nukleotide, die die Auswahl besserer Leit-RNAs ermöglichen können. "Das Modell hat uns geholfen, Hinweise auf die molekularen Mechanismen zu finden, die der Effizienz unserer Leit-RNAs zugrunde liegen", so Prates, "damit haben wir eine reichhaltige Bibliothek an molekularen Informationen, die uns helfen können, die CRISPR-Technologie zu verbessern."
Die ORNL-Forscher validierten das Modell der erklärbaren KI, indem sie CRISPR-Cas9-Schneidexperimente an E. coli mit einer großen Gruppe von durch das Modell ausgewählten Leitsequenzen durchführten.
Die Verwendung von erklärbarer KI ermöglichte den Wissenschaftlern ein Verständnis der biologischen Mechanismen, die zu den Ergebnissen führten, im Gegensatz zu einem Deep-Learning-Modell, das auf einem "Black-Box"-Algorithmus basiert, dem es an Interpretierbarkeit mangelt, sagte Jaclyn Noshay, eine ehemalige ORNL-Systembiologin und Erstautorin der Studie.
"Wir wollten unser Verständnis von Designregeln für eine optimale Schnitteffizienz mit Fokus auf mikrobielle Spezies verbessern, da wir wussten, dass Modelle, die in verschiedenen [biologischen] Königreichen trainiert wurden, nicht kompatibel sind", sagte Noshay.
Das erklärbare KI-Modell mit seinen Tausenden von Merkmalen und seiner iterativen Natur wurde mit dem Summit-Supercomputer in der Oak Ridge Leadership Computer Facility (OLCF) des ORNL, einer Einrichtung des DOE Office of Science, trainiert.
Eckert sagte, dass ihr Team für synthetische Biologie plant, mit Kollegen aus der Computerwissenschaft am ORNL zusammenzuarbeiten, um die Erkenntnisse aus dem neuen mikrobiellen CRISPR-Cas9-Modell zu nutzen und es anhand von Daten aus Laborexperimenten oder einer Vielzahl von Mikrobenarten weiter zu verbessern.
Bessere CRISPR-Cas9-Werkzeuge für jede Spezies
Die Berücksichtigung von Quanteneigenschaften öffnet die Tür zu Verbesserungen der Cas9-Anleitungen für jede Spezies. "Diese Arbeit hat sogar Auswirkungen auf die menschliche Ebene", so Eckert. "Wenn man sich zum Beispiel mit der Entwicklung von Medikamenten befasst, bei denen CRISPR auf eine bestimmte Region des Genoms abzielt, muss man ein möglichst genaues Modell haben, um diese Guides vorherzusagen."
Die Verfeinerung der CRISPR-Cas9-Modelle gibt den Wissenschaftlern eine Pipeline mit höherem Durchsatz für die Verknüpfung von Genotyp und Phänotyp oder von Genen und physischen Merkmalen an die Hand - ein Bereich, der als funktionelle Genomik bekannt ist. Die Forschung hat Auswirkungen auf die Arbeit des vom ORNL geleiteten Zentrums für Bioenergie-Innovation (CBI), das sich beispielsweise mit der Verbesserung von Bioenergie-Rohstoffpflanzen und der bakteriellen Fermentation von Biomasse befasst.
"Mit dieser Forschung verbessern wir unsere Vorhersagen für die Leit-RNA erheblich", so Eckert. "Je besser wir die biologischen Prozesse verstehen, die dabei eine Rolle spielen, und je mehr Daten wir in unsere Vorhersagen einfließen lassen können, desto besser werden unsere Ziele sein und desto präziser und schneller wird unsere Forschung sein."
"Ein wichtiges Ziel unserer Forschung ist es, die Fähigkeit zu verbessern, die DNA von mehr Organismen mithilfe von CRISPR-Werkzeugen vorausschauend zu verändern. Diese Studie stellt einen spannenden Fortschritt dar, wenn es darum geht zu verstehen, wie wir kostspielige 'Tippfehler' im genetischen Code eines Organismus vermeiden können", sagte Paul Abraham vom ORNL, ein bioanalytischer Chemiker, der die Secure Ecosystem Engineering and Design Science Focus Area (SEED SFA) des DOE Genomic Science Program leitet, die die CRISPR-Forschung unterstützt hat. "Ich bin gespannt, wie sehr sich diese Vorhersagen noch verbessern lassen, wenn wir weitere Trainingsdaten generieren und die erklärbare KI-Modellierung weiter nutzen."
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Jaclyn M Noshay, Tyler Walker, William G Alexander, Dawn M Klingeman, Jonathon Romero, Angelica M Walker, Erica Prates, Carrie Eckert, Stephan Irle, David Kainer, Daniel A Jacobson; "Quantum biological insights into CRISPR-Cas9 sgRNA efficiency from explainable-AI driven feature engineering"; Nucleic Acids Research, Volume 51, 2023-9-20
Weitere News aus dem Ressort Wissenschaft
![[Fe]-Hydrogenase-Katalyse mittels Parawasserstoff-verstärkter Kernmagnetresonanzspektroskopie sichtbar gemacht](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Holen Sie sich die Analytik- und Labortechnik-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für Analytik und Labortechnik bringt Sie jeden Dienstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
