به گزارش پایگاه اطلاع رسانی بنیان، محققان مدل‌های پیش‌بینی مبتنی بر RNA را توسعه داده‌اند که از هوش مصنوعی برای تعیین فعالیت درون و خارج از هدف ابزارهای CRISPR استفاده می‌کنند که RNA را به جای DNA هدف قرار می‌دهند. این مدل برای تسهیل کنترل دقیق بیان ژن طراحی شده است که می‌تواند تحولی در توسعه درمان‌های جدید مبتنی بر CRISPR ایجاد کند. این مطالعه که در مجله Nature Biotechnology و توسط محققان دانشگاه نیویورک، مهندسی کلمبیا و مرکز ژنوم نیویورک، منتشر شده است، یک مدل یادگیری عمیق را با صفحه‌های CRISPR ترکیب می‌کند تا بیان ژن‌های انسانی را به روش‌های مختلف کنترل کند، مانند تکان دادن کلید یک چراغ برای خاموش کردن کامل آ‌ن‌ها یا با استفاده از یک دکمه دیمر برای کاهش بخشی از فعالیت آن‌ها. این کنترل‌های ژنی دقیق می‌تواند برای توسعه درمان‌های جدید مبتنی بر CRISPR استفاده شود.

Cas13

CRISPR یک فناوری ویرایش ژن با کاربردهای فراوان در زیست پزشکی و فراتر از آن، از درمان کم خونی سلول داسی شکل گرفته تا مهندسی سبزیجات است و اغلب با هدف قرار دادن DNA با استفاده از آنزیمی به نام Cas9 کار می‌کند. در سال‌های اخیر، دانشمندان نوع دیگری از CRISPR را کشف کردند که در عوض RNA را با استفاده از آنزیمی به نام Cas13 هدف قرار می‌دهد. CRISPRهای هدف‌گیری RNA را می‌توان در طیف وسیعی از کاربردها، از جمله ویرایش RNA، از بین بردن RNA برای جلوگیری از بیان یک ژن خاص، و غربالگری با توان عملیاتی بالا برای تعیین نامزدهای دارویی امیدوارکننده استفاده کرد. محققان دانشگاه نیویورک و مرکز ژنوم نیویورک، پلتفرمی را برای صفحه‌های CRISPR هدف‌گیری RNA با استفاده از Cas13 برای درک بهتر مقررات RNA و شناسایی عملکرد RNA‌های غیر کدکننده ایجاد کردند. از آنجایی که RNA ماده ژنتیکی اصلی در ویروس‌ها از جمله SARS-CoV-2 و آنفولانزا است، CRISPRهای هدف‌گیری RNA نیز نویدبخش توسعه روش‌های جدید برای پیشگیری یا درمان عفونت‌های ویروسی هستند. همچنین در سلول‌های انسانی، زمانی که یک ژن بیان می‌شود، یکی از اولین مراحل، ایجاد RNA از DNA موجود در ژنوم است. هدف اصلی این مطالعه به حداکثر رساندن فعالیت CRISPRهای هدف‌گیری RNA بر روی RNA هدف مورد نظر و به حداقل رساندن فعالیت بر روی RNA‌های دیگر است که می‌تواند عوارض جانبی مضری برای سلول داشته باشد.

اهداف

فعالیت خارج از هدف شامل هر دو عدم تطابق بین RNA راهنما و هدف و همچنین جهش‌های درج و حذف است. مطالعات قبلی در مورد CRISPRهای هدف گیری RNA تنها بر فعالیت روی هدف و عدم تطابق متمرکز بود؛ پیش بینی فعالیت خارج از هدف، به ویژه جهش‌های درج و حذف، به خوبی مورد مطالعه قرار نگرفته است. در جمعیت‌های انسانی، حدود یک جهش از هر پنج جهش، درج یا حذف هستند، بنابراین اینها انواع مهمی از اهداف بالقوه هستند که باید برای طراحی CRISPR در نظر گرفته شوند. نویل سانجانا، استادیار زیست شناسی در دانشگاه نیویورک، استادیار علوم اعصاب و فیزیولوژی در دانشکده پزشکی گروسمن، عضو ارشد هیات علمی مرکز ژنوم نیویورک، گفت: " مشابه با CRISPR‌های هدف گیری DNA مانند Cas9، ما پیش بینی می‌کنیم که CRISPR‌های هدف گیری RNA مانند Cas13 تاثیر زیادی در زیست شناسی مولکولی و کاربردهای پزشکی در سال‌های آینده خواهند داشت. پیش‌بینی دقیق راهنمای و شناسایی خارج از هدف برای این رشته و درمان جدید در حال توسعه ارزش بسیار زیادی دارد." سانجا و همکارانش در مطالعه خود در Nature Biotechnology، مجموعه‌ای از غربالگری‌های CRISPR با هدف گیری RNA را در سلول‌های انسانی انجام دادند. آن‌‌ها فعالیت ۲۰۰ هزار RNA راهنما که ژن‌های ضروری در سلول‌های انسانی را هدف قرار می‌دهند، از جمله RNA‌های راهنمای تطابق کامل و عدم تطابق، درج و حذف خارج از هدف را اندازه گیری کردند.

TIGER

آزمایشگاه سانجا با متخصص آزمایشگاه یادگیری ماشین، دیوید نولز، همکاری کرد تا یک مدل یادگیری عمیق را مهندسی کند که آن‌ها آنرا TIGER  (بازداری هدفمند بیان ژن از طریق طراحی RNA راهنما) نامیدند، که براساس داده‌های صفحات  CRISPR آموزش دیده بود. با مقایسه پیش‌بینی‌های ایجاد شده توسط مدل یادگیری عمیق و آزمایش‌های آزمایشگاهی در سلول‌های انسانی، TIGER توانست هم فعالیت روی هدف و هم فعالیت خارج از هدف را پیش‌بینی کند، و از مدل‌های قبلی توسعه‌یافته برای طراحی راهنمای Cas13 روی هدف بهتر عمل کند و اولین ابزار برای پیش بینی فعالیت خارج از هدف CRISPR‌های هدف گیری RNA را فراهم کند. یادگیری ماشینی و یادگیری عمیق قدرت خود را در ژنومیک نشان می‌دهند زیرا می‌توانند از مجموعه داده‌های عظیمی‌که اکنون می‌توانند توسط آزمایش‌های پیشرفته مدرن تولید شوند، استفاده کنند. نولز، استادیار علوم کامپیوتر و زیست‌شناسی سیستم در مهندسی کلمبیا، یکی از اعضای هیئت علمی‌در نیویورک و نویسنده ارشد این مطالعه، گفت: " نکته مهم این است که ما همچنین توانستیم از یادگیری ماشینی قابل تفسیر برای درک اینکه چرا مدل پیش‌بینی می‌کند که یک راهنمای خاص به خوبی کار خواهد کرد، استفاده کنیم. تحقیقات قبلی ما نشان داد که چگونه می‌توان راهنماهای Cas13 را طراحی کرد که می‌توانند یک RNA خاص را از بین ببرند". هانس هرمان، نویسنده اول این مطالعه و دانشمند ارشد در ژنوم نیویورک كه قبلاً دانشجوي فوق دكترا در آزمايشگاه سانجا بود، گفت: " با TIGER، ما اکنون می‌توانیم راهنماهای Cas13 را طراحی کنیم که تعادلی بین ناک داون در هدف و اجتناب از فعالیت خارج از هدف ایجاد کند. "

استفاده در بیماری‌های ژنتیکی

محققان همچنین نشان دادند که پیش بینی های خارج از هدف TIGER می‌تواند برای تعدیل دقیق دوز ژن، مقدار یک ژن خاص که بیان می شود، با فعال کردن مهار نسبی بیان ژن در سلول‌هایی با راهنمای عدم تطابق استفاده شود این ممکن است برای بیمار‌‌هایی که در آن‌ها نسخه‌های زیادی از یک ژن وجود دارد، مانند سندرم داون، اشکال خاصی از اسکیزوفرنی، بیماری شارکو ماری توث (یک اختلال عصبی ارثی)، یا در سرطان‌هایی که در آن‌ها بیان نابجای ژن می‌تواند منجر به رشد کنترل نشده تومور شود، مفید باشد. اندرو استیرن، دانشجوی دکترای مهندسی کلمبیا و مرکز ژنوم نیویورک گفت: "مدل یادگیری عمیق نه تنها می‌تواند به ما بگوید که چگونه یک RNA راهنما طراحی کنیم که یک رونوشت را به طور کامل از بین ببرد، بلکه می‌تواند آن را تنظیم  کند، برای مثال، داشتن آن، تنها ۷۰ درصد از رونوشت یک ژن خاص را تولید می‌کند" با ترکیب هوش مصنوعی با صفحه نمایش CRISPR هدف‌گیری RNA، محققان تصور می‌کنند که پیش‌بینی‌های TIGER به جلوگیری از فعالیت ناخواسته CRISPR خارج از هدف کمک می‌کند و باعث توسعه بیشتر نسل جدیدی از درمان‌های هدف‌گیری RNA می‌شود. با جمع‌آوری مجموعه داده‌های بزرگ‌تر از صفحه‌های CRISPR، فرصت‌های اعمال مدل‌های یادگیری ماشینی پیچیده به سرعت در حال رشد است. استیرن ادامه داد:" ما خوش شانس هستیم که آزمایشگاه دیوید را در کنار آزمایشگاه خود داریم تا این همکاری فوق العاده و بین رشته‌ای را تسهیل کنیم. و با TIGER می‌توانیم اهداف خارج از هدف را پیش‌بینی کنیم و دوز ژن را دقیقاً تعدیل کنیم که بسیاری از کاربردهای جدید و هیجان‌انگیز را برای CRISPRهای هدف‌دار RNA برای زیست‌پزشکی ممکن می‌سازد."

پایان مطلب./