Per combattere virus, batteri e altri agenti patogeni, la biologia di sintesi offre nuovi approcci tecnologici le cui prestazioni vengono convalidate sperimentalmente. I ricercatori dell’Istituto Helmholtz di Würzburg per la ricerca sulle infezioni basate sull’RNA e della Cooperativa Helmholtz AI hanno applicato l’integrazione dei dati e l’intelligenza artificiale (AI) per sviluppare un approccio di apprendimento automatico in grado di prevedere l’efficacia delle tecnologie CRISPR in modo più accurato di prima. I risultati sono stati pubblicati oggi sulla rivista Biologia del genoma.
Il genoma o DNA di un organismo incorpora il modello delle proteine e orchestra la produzione di nuove cellule. Con l’obiettivo di combattere gli agenti patogeni, curare malattie genetiche o ottenere altri effetti positivi, le tecnologie biomolecolari CRISPR vengono utilizzate per alterare o silenziare specificamente i geni e inibire la produzione di proteine.
Uno di questi strumenti biologici molecolari è CRISPRi (da “interferenza CRISPR”). CRISPRi blocca i geni e l’espressione genica senza modificare la sequenza del DNA. Come con il sistema CRISPR-Cas noto anche come “forbici genetiche”, questo strumento coinvolge un acido ribonucleico (RNA), che funge da RNA guida per dirigere una nucleasi (Cas). A differenza delle forbici genetiche, tuttavia, la nucleasi CRISPRi si lega solo al DNA senza tagliarlo. Questo legame fa sì che il gene corrispondente non venga trascritto e quindi rimanga silenzioso.
Finora è stato difficile prevedere le prestazioni di questo metodo per un gene specifico. I ricercatori dell’Istituto Helmholtz di Würzburg per la ricerca sulle infezioni basate su RNA (HIRI), in collaborazione con l’Università di Würzburg e l’Unità di cooperazione sull’intelligenza artificiale di Helmholtz (Helmholtz AI), hanno ora sviluppato un approccio di apprendimento automatico che utilizza l’integrazione dei dati e l’intelligenza artificiale (AI) per migliorare tali previsioni in futuro.
L’approccio
Gli schermi CRISPRi sono uno strumento altamente sensibile che può essere utilizzato per studiare gli effetti della ridotta espressione genica. Nel loro studio, pubblicato oggi sulla rivista Biologia del genoma, gli scienziati hanno utilizzato i dati provenienti da più screening dell’essenzialità CRISPRi sull’intero genoma per addestrare un approccio di apprendimento automatico. Il loro obiettivo: prevedere meglio l’efficacia degli RNA guida ingegnerizzati utilizzati nel sistema CRISPRi.
“Sfortunatamente, gli screening dell’intero genoma forniscono solo informazioni indirette sull’efficienza della guida. Pertanto, abbiamo applicato un nuovo metodo di apprendimento automatico che districa l’efficacia dell’RNA guida dall’impatto del gene silenziato”, spiega Lars Barquist. Il biologo computazionale ha avviato lo studio e dirige un gruppo di ricerca bioinformatica presso l’Istituto Helmholtz di Würzburg, una sede del Centro Helmholtz di Braunschweig per la ricerca sulle infezioni in collaborazione con la Julius-Maximilians-Universität Würzburg.
Supportato da ulteriori strumenti di intelligenza artificiale (“Explainable AI”), il team ha stabilito regole di progettazione comprensibili per i futuri esperimenti CRISPRi. Gli autori dello studio hanno convalidato il loro approccio conducendo uno screening indipendente mirato ai geni batterici essenziali, dimostrando che le loro previsioni erano più accurate rispetto ai metodi precedenti.
“I risultati hanno dimostrato che il nostro modello supera i metodi esistenti e fornisce previsioni più affidabili delle prestazioni di CRISPRi quando prende di mira geni specifici”, afferma Yanying Yu, dottorando nel gruppo di ricerca di Lars Barquist e primo autore dello studio.
Gli scienziati sono rimasti particolarmente sorpresi nello scoprire che l’RNA guida in sé non è il fattore principale nel determinare l’esaurimento di CRISPRi negli screening dell’essenzialità. “Alcune caratteristiche gene-specifiche legate all’espressione genica sembrano avere un impatto maggiore di quanto precedentemente ipotizzato”, spiega Yu.
Lo studio rivela inoltre che l’integrazione di dati provenienti da più set di dati migliora significativamente l’accuratezza predittiva e consente una valutazione più affidabile dell’efficienza degli RNA guida. “Espandere i nostri dati di addestramento riunendo più esperimenti è essenziale per creare modelli di previsione migliori. Prima del nostro studio, la mancanza di dati era un importante fattore limitante per l’accuratezza della previsione”, riassume il professore junior Barquist. L’approccio ora pubblicato sarà molto utile per pianificare esperimenti CRISPRi più efficaci in futuro e servirà sia alla biotecnologia che alla ricerca di base. “Il nostro studio fornisce un modello per lo sviluppo di strumenti più precisi per manipolare l’espressione genetica dei batteri e, in definitiva, per aiutare a comprendere e combattere meglio gli agenti patogeni”, afferma Barquist.
I risultati in sintesi
• Le caratteristiche genetiche contano: le caratteristiche dei geni presi di mira hanno un impatto significativo sulla deplezione dell’RNA guida negli screening dell’intero genoma.
• L’integrazione dei dati migliora le previsioni: la combinazione dei dati provenienti da più schermate CRISPRi migliora significativamente l’accuratezza dei modelli di previsione e consente stime più affidabili dell’efficienza dell’RNA guida.
• Progettazione di esperimenti CRISPRi migliori: lo studio fornisce preziose informazioni per la progettazione di esperimenti CRISPRi più efficaci prevedendo l’efficienza dell’RNA guida e consentendo precise strategie di silenziamento genetico.
Finanziamento
Lo studio è stato sostenuto con fondi del Ministero bavarese della Scienza e dell’Arte attraverso il bayresq.net rete di ricerca.
Da un’altra testata giornalistica. news de www.sciencedaily.com
