Ученые разрабатывают новый подход к машинному обучению для борьбы с вирусами и патогенами

Для борьбы с вирусами, бактериями и другими патогенами синтетическая биология предлагает новые технологические подходы, эффективность которых проверяется экспериментально. Исследователи применили интеграцию данных и искусственный интеллект (ИИ) для разработки подхода машинного обучения, который может прогнозировать эффективность технологий CRISPR более точно, чем раньше. Результаты были опубликованы в журнале Genome Biology.

Геном или ДНК организма включает в себя схему белков и управляет производством новых клеток. С целью борьбы с патогенами, лечения генетических заболеваний или достижения других положительных эффектов молекулярно-биологические технологии CRISPR используются для специфического изменения или подавления генов и ингибирования производства белка.

Одним из таких молекулярно-биологических инструментов является CRISPRi (от «CRISPR interference»). CRISPRi блокирует гены и экспрессию генов, не изменяя последовательность ДНК. Как и в случае с системой CRISPR-Cas, также известной как «генные ножницы», этот инструмент включает в себя рибонуклеиновую кислоту (РНК), которая служит направляющей РНК для направления нуклеазы (Cas). Однако, в отличие от генных ножниц, нуклеаза CRISPRi только связывается с ДНК, не разрезая ее. Это связывание приводит к тому, что соответствующий ген не транскрибируется и, таким образом, остается молчащим.

До сих пор было сложно предсказать эффективность этого метода для конкретного гена. Исследователи из Вюрцбургского института исследований инфекций на основе РНК (HIRI) в сотрудничестве с Вюрцбургским университетом и Группой сотрудничества в области искусственного интеллекта имени Гельмгольца (Helmholtz AI) разработали подход машинного обучения, использующий интеграцию данных и искусственный интеллект (ИИ), чтобы улучшить такие прогнозы в будущем.

Подход

Скрининг CRISPRi — высокочувствительный инструмент, который можно использовать для изучения последствий снижения экспрессии генов. В своем исследовании, опубликованном сегодня в журнале Genome Biology, ученые использовали данные нескольких полногеномных скринингов сущности CRISPRi для обучения подходу машинного обучения. Их цель: лучше прогнозировать эффективность спроектированных направляющих РНК, используемых в системе CRISPRi.

«К сожалению, полногеномные экраны предоставляют лишь косвенную информацию об эффективности направляющей. Поэтому мы применили новый метод машинного обучения, который отделяет эффективность направляющей РНК от воздействия молчащего гена», — объясняет Ларс Барквист. Биолог инициировал исследование и возглавляет исследовательскую группу по биоинформатике в Вюрцбургском институте имени Гельмгольца, расположенном в Брауншвейгском центре исследований инфекций имени Гельмгольца в сотрудничестве с Университетом Юлиуса-Максимилиана в Вюрцбурге.

При поддержке дополнительных инструментов ИИ («Объяснимый ИИ») команда установила понятные правила проектирования для будущих экспериментов CRISPRi. Авторы исследования подтвердили свой подход, проведя независимый скрининг основных бактериальных генов, показав, что их прогнозы были более точными, чем предыдущие методы.

«Результаты показали, что наша модель превосходит существующие методы и обеспечивает более надежные прогнозы эффективности CRISPRi при воздействии на определенные гены», — говорит Яньин Ю, аспирант исследовательской группы Ларса Барквиста и первый автор исследования.

Ученые были особенно удивлены, обнаружив, что сама по себе направляющая РНК не является основным фактором, определяющим истощение CRISPRi при скрининге эссенциальности. «Определенные геноспецифические характеристики, связанные с экспрессией генов, оказывают большее влияние, чем предполагалось ранее», — объясняет Яньин Ю.

Исследование также показывает, что интеграция данных из нескольких наборов данных значительно повышает точность прогнозирования и позволяет более надежно оценить эффективность направляющих РНК. «Расширение наших обучающих данных за счет объединения нескольких экспериментов необходимо для создания лучших моделей прогнозирования. До нашего исследования недостаток данных был основным ограничивающим фактором точности прогнозов», — резюмирует младший профессор Барквист. Опубликованный сейчас подход будет очень полезен при планировании более эффективных экспериментов CRISPRi в будущем и послужит как биотехнологиям, так и фундаментальным исследованиям. «Наше исследование представляет собой основу для разработки более точных инструментов для управления экспрессией бактериальных генов и, в конечном итоге, для лучшего понимания патогенов и борьбы с ними», — говорит Барквист.

Результаты с первого взгляда

• Характеристики генов имеют значение: характеристики целевых генов оказывают значительное влияние на истощение направляющей РНК при полногеномном скрининге.

• Интеграция данных улучшает прогнозы: объединение данных нескольких скринингов CRISPRi значительно повышает точность моделей прогнозирования и позволяет более надежно оценивать эффективность направляющей РНК.

• Разработка более эффективных экспериментов CRISPRi: исследование дает ценную информацию для разработки более эффективных экспериментов CRISPRi путем прогнозирования эффективности направляющей РНК, что позволяет использовать точные стратегии подавления генов.