KI in Kombination mit CRISPR steuert präzise die Genexpression

Laut einer neuen Studie, die in veröffentlicht wurde, kann künstliche Intelligenz die On- und Off-Target-Aktivität von CRISPR-Tools vorhersagen, die auf RNA statt auf DNA abzielen Naturbiotechnologie.

Die Studie von Forschern der New York University, der Columbia University und dem New York Genome Center kombiniert ein Deep-Learning-Modell mit CRISPR-Screenings, um die Expression menschlicher Gene auf unterschiedliche Weise zu steuern – etwa durch Betätigen eines Lichtschalters, um sie vollständig auszuschalten oder indem Sie einen Dimmerknopf verwenden, um ihre Aktivität teilweise zu reduzieren. Diese präzisen Genkontrollen könnten zur Entwicklung neuer CRISPR-basierter Therapien genutzt werden.

CRISPR ist eine Gen-Editing-Technologie mit vielfältigen Einsatzmöglichkeiten in der Biomedizin und darüber hinaus Behandlung von Sichelzellenanämie um schmackhafteres Senfgrün zu entwickeln. Es funktioniert oft, indem es mithilfe eines Enzyms namens Cas9 auf DNA abzielt. In den letzten Jahren haben Wissenschaftler eine andere Art von CRISPR entdeckt, die stattdessen mithilfe eines Enzyms namens Cas13 auf RNA abzielt.

Auf RNA ausgerichtete CRISPRs können in einer Vielzahl von Anwendungen eingesetzt werden, darunter RNA-Editierung, Abbau von RNA zur Blockierung der Expression eines bestimmten Gens und Hochdurchsatz-Screening zur Ermittlung vielversprechender Arzneimittelkandidaten. Forscher der NYU und des New York Genome Center haben eine Plattform für RNA-Targeting-CRISPR-Screenings mithilfe von Cas13 entwickelt, um die RNA-Regulation besser zu verstehen und die Funktion nicht-kodierender RNAs zu identifizieren. Da RNA das wichtigste genetische Material in Viren wie SARS-CoV-2 und Grippe ist, Auf RNA gerichtete CRISPRs versprechen auch die Entwicklung neuer Methoden zur Vorbeugung oder Behandlung von Virusinfektionen. Auch in menschlichen Zellen ist einer der ersten Schritte bei der Expression eines Gens die Bildung von RNA aus der DNA im Genom.

Ein Hauptziel der Studie besteht darin, die Aktivität von RNA-zielenden CRISPRs auf die vorgesehene Ziel-RNA zu maximieren und die Aktivität auf andere RNAs zu minimieren, die schädliche Nebenwirkungen für die Zelle haben könnten. Zu den Off-Target-Aktivitäten zählen sowohl Fehlpaarungen zwischen Leit- und Ziel-RNA als auch Insertions- und Deletionsmutationen.

Frühere Studien zu RNA-Targeting-CRISPRs konzentrierten sich nur auf zielgerichtete Aktivität und Fehlpaarungen; Die Vorhersage der Off-Target-Aktivität, insbesondere von Insertions- und Deletionsmutationen, wurde nicht ausreichend untersucht. In menschlichen Populationen handelt es sich bei etwa jeder fünften Mutation um Insertionen oder Deletionen, daher handelt es sich hierbei um wichtige Arten potenzieller Off-Targets, die beim CRISPR-Design berücksichtigt werden müssen.

„Ähnlich wie DNA-zielende CRISPRs wie Cas9 gehen wir davon aus, dass RNA-zielende CRISPRs wie Cas13 in den kommenden Jahren einen übergroßen Einfluss auf die Molekularbiologie und biomedizinische Anwendungen haben werden“, sagte Neville Sanjana, außerordentlicher Professor für Biologie an der NYU Professor für Neurowissenschaften und Physiologie an der NYU Grossman School of Medicine, Kernfakultätsmitglied am New York Genome Center und Co-Senior-Autor der Studie. „Eine genaue Orientierungsvorhersage und die Identifizierung von Fehlzielen werden für dieses sich neu entwickelnde Feld und diese Therapeutika von immensem Wert sein.“

In ihrer Studie in NaturbiotechnologieSanjana und seine Kollegen führten eine Reihe gepoolter RNA-Targeting-CRISPR-Screens in menschlichen Zellen durch. Sie haben die Aktivität von 200.000 Leit-RNAs gemessen, die auf essentielle Gene in menschlichen Zellen abzielen, darunter sowohl „perfekt passende“ Leit-RNAs als auch Off-Target-Fehlpaarungen, -Insertionen und -Deletionen.

Sanjanas Labor arbeitete mit dem Labor des Experten für maschinelles Lernen, David Knowles, zusammen, um ein Deep-Learning-Modell namens TIGER (Targeted Inhibition of Gene Expression via Guide RNA Design) zu entwickeln, das auf den Daten der CRISPR-Screens trainiert wurde. Durch den Vergleich der Vorhersagen, die durch das Deep-Learning-Modell und Labortests in menschlichen Zellen generiert wurden, war TIGER in der Lage, sowohl Aktivitäten auf dem Ziel als auch außerhalb des Ziels vorherzusagen. Damit übertraf es frühere Modelle, die für das Cas13-Ziel-Guide-Design entwickelt wurden, und stellte das erste Werkzeug für die Vorhersage außerhalb des Ziels bereit -Zielaktivität von RNA-Targeting-CRISPRs.

„Maschinelles Lernen und Deep Learning zeigen ihre Stärke in der Genomik, weil sie die riesigen Datensätze nutzen können, die jetzt durch moderne Hochdurchsatzexperimente generiert werden können. Wichtig ist, dass wir auch ‚interpretierbares maschinelles Lernen‘ nutzen konnten, um zu verstehen, warum das Das Modell sagt voraus, dass ein bestimmter Leitfaden gut funktionieren wird“, sagte Knowles, Assistenzprofessor für Informatik und Systembiologie an der School of Engineering and Applied Science der Columbia University, Kernfakultätsmitglied am New York Genome Center und Co-Senior-Autor der Studie.

„Unsere frühere Forschung hat gezeigt, wie man Cas13-Leitfäden entwickelt, die eine bestimmte RNA ausschalten können. Mit TIGER können wir jetzt Cas13-Leitfäden entwerfen, die ein Gleichgewicht zwischen dem Ausschalten am Ziel und der Vermeidung von Aktivitäten außerhalb des Ziels herstellen“, sagte Hans-Hermann (Harm ) Wessels, Co-Erstautor der Studie und leitender Wissenschaftler am New York Genome Center, der zuvor Postdoktorand in Sanjanas Labor war.

Die Forscher zeigten auch, dass die Off-Target-Vorhersagen von TIGER zur präzisen Modulation der Gendosis – der Menge eines bestimmten Gens, das exprimiert wird – verwendet werden können, indem eine teilweise Hemmung der Genexpression in Zellen mit Mismatch-Guides ermöglicht wird. Dies kann bei Krankheiten nützlich sein, bei denen es zu viele Kopien eines Gens gibt, wie zum Beispiel beim Down-Syndrom, bei bestimmten Formen der Schizophrenie, bei der Charcot-Marie-Tooth-Krankheit (einer erblichen Nervenstörung) oder bei Krebsarten, bei denen eine fehlerhafte Genexpression dazu führen kann unkontrolliertes Tumorwachstum.

„Unser Deep-Learning-Modell kann uns nicht nur sagen, wie wir eine Leit-RNA entwerfen können, die ein Transkript vollständig ausschaltet, sondern wir können sie auch „abstimmen“ – zum Beispiel so, dass sie nur 70 % des Transkripts eines bestimmten Gens produziert“, sagte er Andrew Stirn, ein Ph.D. Student am Columbia Engineering und am New York Genome Center und Co-Erstautor der Studie.

Durch die Kombination künstlicher Intelligenz mit einem RNA-Targeting-CRISPR-Screening gehen die Forscher davon aus, dass die Vorhersagen von TIGER dazu beitragen werden, unerwünschte CRISPR-Aktivitäten außerhalb des Ziels zu vermeiden und die Entwicklung einer neuen Generation von RNA-Targeting-Therapien weiter voranzutreiben.

„Da wir größere Datensätze von CRISPR-Bildschirmen sammeln, werden die Möglichkeiten zur Anwendung anspruchsvoller Modelle für maschinelles Lernen immer schneller. Wir haben das Glück, Davids Labor neben unserem zu haben, um diese wunderbare, interdisziplinäre Zusammenarbeit zu ermöglichen. Und mit TIGER können wir das.“ „Off-Targets vorhersagen und die Gendosis präzise modulieren, was viele spannende neue Anwendungen für RNA-Targeting-CRISPRs für die Biomedizin ermöglicht“, sagte Sanjana.

Diese neueste Studie treibt die breite Anwendbarkeit von RNA-Targeting-CRISPRs für die Humangenetik und Arzneimittelentwicklung weiter voran und baut auf der früheren Arbeit des NYU-Teams zur Entwicklung von Leitregeln für das RNA-Design auf. Ziel-RNAs in verschiedenen Organismen einschließlich Viren wie SARS-CoV-2, technische Protein- und RNA-Therapeutika und Nutzen Sie die Einzelzellbiologie synergistische Arzneimittelkombinationen gegen Leukämie aufzudecken.