Forschende der Universität Zürich haben ein neues Tool entwickelt, das mithilfe künstlicher Intelligenz die Wirksamkeit verschiedener Reparaturoptionen der Genom-Editierung vorhersagt. Unbeabsichtigte Fehler bei der Korrektur von DNA-Mutationen genetischer Erkrankungen können so reduziert werden.
Genome-Editing-Technologien bieten große Möglichkeiten zur Behandlung genetischer Krankheiten. Methoden wie die weit verbreitete Genschere CRISPR/Cas9 setzen direkt an der Krankheitsursache in der DNA an. Die Schere wird im Labor eingesetzt, um das Erbgut in Zelllinien und Modellorganismen gezielt zu verändern und biologische Prozesse zu studieren.
Eine Weiterentwicklung dieser klassischen CRISPR/Cas9-Methode heißt Prime Editing. Im Gegensatz zur herkömmlichen Genschere, die einen Bruch in beiden Strängen des DNA-Moleküls erzeugt, schneidet und repariert Prime Editing DNA nur an einem einzigen Strang. Die Prime Editing Guide RNA (pegRNA) zielt genau auf die relevante Stelle im Genom und liefert die neue genetische Information, die dann von einem „Translationsenzym“ transkribiert und in die DNA eingebaut wird.
Suche nach den effizientesten DNA-Reparaturoptionen
Prime Editing verspricht eine effektive Methode zur Reparatur krankheitsverursachender Mutationen im Genom von Patienten zu sein. Für eine erfolgreiche Anwendung ist es jedoch wichtig, unbeabsichtigte Nebenwirkungen wie Fehler bei der DNA-Korrektur oder DNA-Veränderungen an anderer Stelle im Genom zu minimieren. Prime Editing führt ersten Studien zufolge zu einer deutlich geringeren Anzahl unbeabsichtigter Änderungen als herkömmliche CRISPR/Cas9-Ansätze.
Allerdings müssen Forscher derzeit noch viel Zeit damit verbringen, die pegRNA für ein bestimmtes Ziel im Genom zu optimieren. „Pro Mutation gibt es über 200 Reparaturmöglichkeiten. Theoretisch müssten wir jedes Mal jede einzelne Designoption testen, um die effizienteste und genaueste pegRNA zu finden“, sagt Gerald Schwank, Professor am Institut für Pharmakologie und Toxikologie der Universität von Stuttgart Zürich (UZH).
Analysieren eines großen Datensatzes mit KI
Schwank und seine Forschungsgruppe mussten eine einfachere Lösung finden. Zusammen mit Michael Krauthammer, UZH-Professor am Departement für Quantitative Biomedizin, und seinem Team haben sie eine Methode entwickelt, die die Effizienz von pegRNAs vorhersagen kann. Durch das Testen von über 100.000 verschiedenen pegRNAs in menschlichen Zellen konnten sie einen umfassenden Prime-Editing-Datensatz generieren. So konnten sie bestimmen, welche Eigenschaften einer pegRNA – etwa die Länge der DNA-Sequenz, die Abfolge der DNA-Bausteine oder die Form des DNA-Moleküls – den Prime-Editing-Prozess positiv oder negativ beeinflussen.
Anschließend entwickelte das Team einen KI-basierten Algorithmus, um effizienzrelevante Muster in der pegRNA zu erkennen. Basierend auf diesen Mustern kann das trainierte Tool sowohl die Effektivität als auch die Genauigkeit der Genombearbeitung mit einer bestimmten pegRNA vorhersagen. „Das heißt, der Algorithmus kann die effizienteste pegRNA ermitteln, um eine bestimmte Mutation zu korrigieren“, sagt Michael Krauthammer. Das Tool wurde bereits erfolgreich in menschlichen und Mäusezellen getestet und steht Forschern frei zur Verfügung.
Weitere vorklinische Studien sind noch erforderlich, bevor das neue Prime-Editing-Tool beim Menschen eingesetzt werden kann. Die Forscher sind jedoch zuversichtlich, dass es in absehbarer Zeit möglich sein wird, die DNA-Mutationen von häufigen Erbkrankheiten wie Sichelzellenanämie, Mukoviszidose oder Stoffwechselerkrankungen mittels Prime Editing zu reparieren.
Die Studie wird in der Zeitschrift veröffentlicht Naturbiotechnologie.
Mehr Informationen:
Nicolas Mathis et al, Vorhersage von erstklassiger Bearbeitungseffizienz und Produktreinheit durch Deep Learning, Naturbiotechnologie (2023). DOI: 10.1038/s41587-022-01613-7