生物體的基因組或 DNA 包含蛋白質的藍圖并協(xié)調新細胞的產生。為了對抗病原體、治愈遺傳疾病或實現(xiàn)其他積極效果，分子生物學 CRISPR 技術被用來特異性改變或沉默基因并抑制蛋白質產生。

這些分子生物學工具之一是 CRISPRi(來自“CRISPR 干擾”)。CRISPRi 阻斷基因和基因表達而不修改 DNA 序列。與也被稱為“基因剪刀”的 CRISPR-Cas 系統(tǒng)一樣，該工具涉及核糖核酸 (RNA)，它作為指導 RNA 來指導核酸酶 (Cas)。然而，與基因剪刀不同的是，CRISPRi 核酸酶僅與 DNA 結合，而不對其進行切割。這種結合導致相應的基因不被轉錄，從而保持沉默。

到目前為止，預測該方法對特定基因的性能一直具有挑戰(zhàn)性。維爾茨堡亥姆霍茲 RNA 感染研究所 (HIRI) 的研究人員與維爾茨堡大學和亥姆霍茲人工智能合作單位 (Helmholtz AI) 合作，現(xiàn)已開發(fā)出一種利用數(shù)據(jù)集成和人工智能 (AI) 的機器學習方法，以未來改進此類預測。

CRISPRi 篩選方法

是一種高度靈敏的工具，可用于研究基因表達減少的影響。在今天發(fā)表在《基因組生物學》雜志上的研究中，科學家們使用來自多個全基因組 CRISPRi 必要性篩選的數(shù)據(jù)來訓練機器學習方法。他們的目標：更好地預測 CRISPRi 系統(tǒng)中部署的工程指導 RNA 的功效。

“不幸的是，全基因組篩選只能提供有關引導效率的間接信息。因此，我們應用了一種新的機器學習方法，將引導 RNA 的功效與沉默基因的影響分開，”Lars Barquist 解釋道。這位計算生物學家發(fā)起了這項研究，并領導了維爾茨堡亥姆霍茲研究所的生物信息學研究小組，該研究所是不倫瑞克亥姆霍茲感染研究中心與維爾茨堡大學合作的所在地。

在其他人工智能工具(“可解釋的人工智能”)的支持下，該團隊為未來的 CRISPRi 實驗建立了易于理解的設計規(guī)則。研究作者通過針對必需細菌基因進行獨立篩選來驗證他們的方法，表明他們的預測比以前的方法更準確。

“結果表明，我們的模型優(yōu)于現(xiàn)有方法，并且在針對特定基因時提供了更可靠的 CRISPRi 性能預測，”Lars Barquist 研究小組的博士生、該研究的第一作者 Yanying Yu 說。

科學家們特別驚訝地發(fā)現(xiàn)，引導 RNA 本身并不是在必要性篩選中決定 CRISPRi 缺失的主要因素。“與基因表達相關的某些基因特異性特征似乎比之前假設的影響更大，”Yu 解釋道。

該研究還表明，整合多個數(shù)據(jù)集的數(shù)據(jù)可顯著提高預測準確性，并能夠更可靠地評估向導 RNA 的效率。“通過整合多個實驗來擴展我們的訓練數(shù)據(jù)對于創(chuàng)建更好的預測模型至關重要。在我們的研究之前，缺乏數(shù)據(jù)是預測準確性的主要限制因素，”初級教授巴奎斯特總結道。目前發(fā)表的方法對于規(guī)劃未來更有效的CRISPRi實驗非常有幫助，并服務于生物技術和基礎研究。“我們的研究為開發(fā)更精確的工具來操縱細菌基因表達提供了藍圖，并最終幫助更好地了解和對抗病原體，”巴奎斯特說。