Pour lutter contre les virus, bactéries et autres pathogènes, la biologie synthétique suggest de nouvelles approches technologiques dont les performances sont validées expérimentalement. Des chercheurs de l’Institut Helmholtz de Würzburg pour la recherche sur les infections à base d’ARN et de la Helmholtz AI Cooperative ont appliqué l’intégration de données et l’intelligence artificielle (IA) pour développer une approche d’apprentissage automatique able de prédire l’efficacité des systems CRISPR avec in addition de précision qu’auparavant. Les résultats ont été publiés aujourd#39hui dans la revue Genome Biology.
- Approche d'apprentissage automatique : Des chercheurs ont développé une approche d'apprentissage automatique pour prédire l'efficacité des systèmes CRISPR avec in addition de précision.
- Résultats clés : Les caractéristiques des gènes ciblés influencent la déplétion des ARN guides, l'intégration des données améliore les prédictions et permet de concevoir des expériences CRISPRi plus efficaces.
- Importance de l'étude : Permettra de mieux manipuler l'expression génétique bactérienne, de comprendre et combattre les agents pathogènes, tout en fournissant un modèle pour développer des outils plus précis.
Le génome ou l#39ADN d#39un organisme intègre le modèle des protéines et orchestre la output de nouvelles cellules. Visant à combattre les agents pathogènes, à guérir les maladies génétiques ou à obtenir d’autres effets positifs, les technologies de biologie moléculaire CRISPR sont utilisées pour modifier ou faire taire spécifiquement les gènes et inhiber la production de protéines.
L#39un de ces outils de biologie moléculaire est CRISPRi (de « CRISPR interférence »). CRISPRi bloque les gènes et leur expression sans modifier la séquence d#39ADN. Comme pour le système CRISPR-Cas, également connu sous le nom de « ciseaux à gènes », cet outil implique un acide ribonucléique (ARN), qui sert d#39ARN guideline pour diriger une nucléase (Cas). Contrairement aux ciseaux génétiques, la nucléase CRISPRi se lie uniquement à l’ADN sans le couper. Cette liaison a pour conséquence que le gène correspondant n#39est pas transcrit et reste donc silencieux.
Jusqu’à présent, il était difficile de prédire les performances de cette méthode pour un gène spécifique. Des chercheurs de l#39Institut Helmholtz de Würzburg pour la recherche sur les infections à base d#39ARN (HIRI), en coopération avec l#39Université de Würzburg et l#39unité de coopération en intelligence artificielle de Helmholtz (Helmholtz AI), ont développé une approche d#39apprentissage automatique utilisant l#39intégration de données et l#39intelligence artificielle (IA) pour améliorer ces prévisions à l’avenir.
L#39approche
Les écrans CRISPRi sont un outil très practical qui peut être utilisé pour étudier les effets d’une expression génétique réduite. Dans leur étude, publiée aujourd#39hui dans la revue Genome Biology, les scientifiques ont utilisé les données de plusieurs écrans d#39essentialité CRISPRi à l#39échelle du génome pour former une approche d#39apprentissage automatique. Leur objectif : mieux prédire l’efficacité des ARN guides modifiés déployés dans le système CRISPRi.
« Malheureusement, les écrans à l#39échelle du génome ne fournissent que des informations indirectes sur l#39efficacité du information. C#39est pourquoi nous avons appliqué une nouvelle méthode d#39apprentissage automatique qui dissocie l#39efficacité de l#39ARN tutorial de l#39impact du gène inhibé », explique Lars Barquist. Le biologiste computationnel a lancé l#39étude et dirige un groupe de recherche en bioinformatique à l#39Institut Helmholtz de Würzburg, un internet site du Centre Helmholtz de Braunschweig pour la recherche sur les bacterial infections en coopération avec la Julius-Maximilians-Universität Würzburg.
Soutenue par des outils d#39IA supplémentaires (« Explainable AI »), l#39équipe a établi des règles de conception compréhensibles pour les futures expériences CRISPRi. Les auteurs de l#39étude ont validé leur approche en effectuant un criblage indépendant ciblant les gènes bactériens essentiels, montrant que leurs prédictions étaient moreover précises que les méthodes précédentes.
« Les résultats ont montré que notre modèle surpasse les méthodes existantes et fournit des prédictions in addition fiables des performances de CRISPRi lors du ciblage de gènes spécifiques », explique Yanying Yu, doctorant dans le groupe de recherche de Lars Barquist et premier auteur de l#39étude.
Les scientifiques ont été particulièrement surpris de constater que l’ARN guidebook lui-même n’est pas le principal facteur déterminant l’épuisement de CRISPRi dans les checks d’essentialité. « Certaines caractéristiques spécifiques aux gènes liées à l#39expression des gènes semblent avoir un effect as well as essential qu#39on ne le pensait auparavant », explique Yu.
L’étude révèle également que l’intégration de données provenant de plusieurs ensembles de données améliore considérablement la précision prédictive et permet une évaluation moreover fiable de l’efficacité des ARN guides. « Il est essentiel d#39élargir nos données de formation en regroupant plusieurs expériences pour créer de meilleurs modèles de prédiction. Avant notre étude, le manque de données constituait un facteur limitant majeur pour la précision des prédictions », résume le professeur junior Barquist. L#39approche maintenant publiée sera très utile pour planifier des expériences CRISPRi in addition efficaces à l#39avenir et servira à la fois à la biotechnologie et à la recherche fondamentale. « Notre étude fournit un modèle pour développer des outils moreover précis pour manipuler l#39expression des gènes bactériens et, à terme, aider à mieux comprendre et combattre les agents pathogènes », explique Barquist.
Les résultats en un coup d#39œil
Financement
L’étude a été financée par le ministère bavarois des Sciences et des Arts via le réseau de recherche bayresq.web.
