Souhrn
Technologie úpravy genomu založené na systému CRISPR-Cas umožňují cílené zásahy do DNA a otevírají cestu k léčbě dědičných onemocnění. Umělá inteligence (AI), zejména metody strojového a hlubokého učení, nyní výrazně zvyšuje efektivitu a přesnost těchto nástrojů. Recenze publikovaná v časopise Nature shrnuje, jak AI pomáhá optimalizovat návrh naváděcích RNA, inženýrovat nové editační enzymy a předpovídat funkční důsledky genetických zásahů.
Klíčové body
- AI zlepšuje návrh naváděcích RNA (gRNA), což zvyšuje úspěšnost a snižuje mimoúčelové efekty úprav genomu.
- Hluboké neuronové sítě pomáhají modelovat strukturu a funkci editačních proteinů pro jejich cílenou úpravu.
- AI podporuje objev nových CRISPR enzymů s lepšími vlastnostmi než dosavadní Cas9 nebo Cas12.
- Vznikají virtuální buněčné modely řízené AI, které předpovídají dopady genetických editací na úrovni celého organismu.
Podrobnosti
CRISPR technologie zahrnují několik přístupů: klasické nukleázové štěpení DNA, tzv. base editing (přímá chemická změna jednotlivých bází bez přerušení řetězce DNA) a prime editing (přesnější metoda umožňující vložení nebo nahrazení delších sekvencí). Každý z těchto přístupů vyžaduje přesný výběr cílové sekvence a naváděcí RNA, která určuje, kde dojde ke změně. Zde vstupuje AI: modely strojového učení analyzují obrovské sady experimentálních dat a učí se předpovídat, které gRNA budou nejúčinnější a nejméně toxické. Například nástroje jako DeepCRISPR nebo Elevation využívají konvoluční neuronové sítě k analýze genomického kontextu a sekundární struktury RNA.
Dále AI pomáhá při proteinovém inženýrství – optimalizaci struktury Cas proteinů pro lepší specifičnost nebo schopnost proniknout do jader buněk. Výzkumníci také využívají generativní modely k návrhu zcela nových enzymů, které by mohly překonat omezení současných systémů, například velikostní omezení pro doručení do buněk.
Proč je to důležité
Integrace AI do genomového inženýrství zkracuje vývojové cykly terapií a snižuje náklady na výzkum. To má přímý dopad na vývoj léčeb genetických chorob jako cystická fibróza, srpkovitá anémie nebo určité formy slepoty. Zároveň však vyvstávají otázky týkající se spolehlivosti AI modelů – chybná predikce může vést k nežádoucím mutacím. Proto je klíčové, aby AI systémy byly trénovány na kvalitních, diverzifikovaných datech a aby jejich výstupy byly experimentálně validovány. Tento směr ukazuje, jak AI přestává být jen analytickým nástrojem a stává se aktivním partnerem v biologickém výzkumu.
Zdroj: 📰 Nature.com
| 