Les scientifiques du laboratoire countrywide d’Oak Ridge ont utilisé leur know-how en biologie quantique, en intelligence artificielle et en bio-ingénierie pour améliorer le fonctionnement des outils d’édition du génome CRISPR Cas9 sur des organismes tels que les microbes qui peuvent être modifiés pour produire des carburants et des produits chimiques renouvelables.
CRISPR est un outil puissant de bio-ingénierie, utilisé pour modifier le code génétique afin d’améliorer les performances d’un organisme ou de corriger des mutations. L’outil CRISPR Cas9 repose sur un ARN information one of a kind et one of a kind qui demande à l’enzyme Cas9 de se lier et de cliver le internet site ciblé correspondant dans le génome. Les modèles existants permettant de prédire par ordinateur les ARN guides efficaces pour les outils CRISPR ont été construits sur les données de quelques espèces modèles seulement, avec une efficacité faible et incohérente lorsqu’ils sont appliqués aux microbes.
« De nombreux outils CRISPR ont été développés pour les cellules de mammifères, les mouches des fruits ou d’autres espèces modèles. Rares sont ceux qui ont été adaptés aux microbes dont les buildings et les tailles chromosomiques sont très différentes », a déclaré Carrie Eckert, responsable du groupe de biologie synthétique à l’ORNL.. « Nous avions observé que les modèles de conception de la machinerie CRISPR Cas9 se comportaient différemment lorsqu’on travaillait avec des microbes, et cette recherche valide ce que nous savions de manière anecdotique. »
Pour améliorer la modélisation et la conception de l’ARN guidebook, les scientifiques de l’ORNL ont cherché à mieux comprendre ce qui se passe au niveau le moreover élémentaire des noyaux cellulaires, où le matériel génétique est stocké. Ils se sont tournés vers la biologie quantique, un domaine reliant la biologie moléculaire et la chimie quantique qui étudie les effets que la composition électronique peut avoir sur les propriétés chimiques et les interactions des nucléotides, les molécules qui forment les éléments constitutifs de l’ADN et de l’ARN.
La façon dont les électrons sont distribués dans la molécule affect la réactivité et la stabilité conformationnelle, y compris la probabilité que le complexe ARN guide-enzyme Cas9 se lie efficacement à l’ADN du microbe, a déclaré Erica Prates, biologiste des systèmes informatiques à l’ORNL.
Le meilleur information à travers une forêt de décisions
Les scientifiques ont construit un modèle d’intelligence artificielle explicable appelé forêt aléatoire itérative. Ils ont entraîné le modèle sur un ensemble de données d’environ 50 000 ARN guides ciblant le génome de la bactérie E. coli tout en prenant également en compte les propriétés chimiques quantiques, selon une approche décrite dans la revue Nucleic Acids Exploration.
Le modèle a révélé des caractéristiques clés des nucléotides qui peuvent permettre la sélection de meilleurs ARN guides. « Le modèle nous a aidé à identifier des indices sur les mécanismes moléculaires qui sous-tendent l’efficacité de nos ARN guides », a déclaré Prates, « nous fournissant une riche bibliothèque d’informations moléculaires qui peuvent nous aider à améliorer la technologie CRISPR. »
Les chercheurs de l’ORNL ont validé le modèle d’IA explicable en menant des expériences de découpe CRISPR Cas9 sur E. coli avec un grand groupe de guides sélectionnés par le modèle.
L’utilisation de l’IA explicable a permis aux scientifiques de comprendre les mécanismes biologiques qui ont conduit aux résultats, plutôt qu’un modèle d’apprentissage profond ancré dans un algorithme de « boîte noire » qui manque d’interprétabilité, a déclaré Jaclyn Noshay, ancienne biologiste des systèmes informatiques de l’ORNL et leading auteur de l’article..
« Nous voulions améliorer notre compréhension des règles de conception des guides pour une efficacité de coupe optimale en mettant l’accent sur les espèces microbiennes, compte tenu de la connaissance de l’incompatibilité des modèles formés à travers royaumes », a déclaré Noshay.
Le modèle d’IA explicable, avec ses milliers de fonctionnalités et sa nature itérative, a été formé à l’aide du supercalculateur Summit de l’Oak Ridge Management Computer system Facility de l’ORNL, ou OLCF, une set up utilisateur du DOE Office of Science.
Eckert a déclaré que son équipe de biologie synthétique prévoit de travailler avec des collègues en informatique de l’ORNL pour prendre ce qu’ils ont appris avec le nouveau modèle microbien CRISPR Cas9 et l’améliorer davantage en utilisant les données d’expériences en laboratoire ou une variété d’espèces microbiennes.
De meilleurs outils CRISPR Cas9 pour chaque espèce
vous devez disposer du modèle le additionally précis pour prédire ces guides. »
L’amélioration des modèles CRISPR Cas9 offre aux scientifiques un pipeline à moreover haut débit pour relier le génotype au phénotype, ou les gènes aux attributes physiques, un domaine connu sous le nom de génomique fonctionnelle. La recherche a des implications pour les travaux du Centre d’innovation en bioénergie (CBI) dirigé par l’ORNL, par exemple pour améliorer les usines de matières premières bioénergétiques et la fermentation bactérienne de la biomasse.
« Nous améliorons considérablement nos prévisions sur l’ARN information grâce à cette recherche », a déclaré Eckert. « Mieux nous comprendrons les processus biologiques en jeu et as well as nous pourrons alimenter nos prévisions en données, meilleures seront nos cibles, améliorant ainsi la précision et la rapidité de nos recherches. »
« L’un des principaux objectifs de notre recherche est d’améliorer la capacité de modifier de manière prédictive l’ADN d’un as well as grand nombre d’organismes à l’aide des outils CRISPR. Cette étude représente une avancée passionnante vers la compréhension de la manière dont nous pouvons éviter de commettre des « fautes de frappe » coûteuses dans le code génétique d’un organisme. » a déclaré Paul Abraham de l’ORNL, un chimiste bioanalytique qui dirige le domaine d’intervention scientifique sur l’ingénierie et la conception des écosystèmes sécurisés du programme de sciences génomiques du DOE, ou SEED SFA, qui a soutenu la recherche CRISPR. « Je suis impatient de savoir dans quelle mesure ces prédictions peuvent s’améliorer à mesure que nous générons des données de development supplémentaires et continuons à exploiter la modélisation explicable de l’IA. »
Les co-auteurs de la publication comprenaient William Alexander, Dawn Klingeman, Erica Prates, Carrie Eckert, Stephan Irle et Daniel Jacobson de l’ORNL Tyler Walker, Jonathan Romero et Angelica Walker du Centre Bredesen pour la recherche interdisciplinaire et l’enseignement supérieur de l’Université du Tennessee, Knoxville et Jaclyn Noshay et David Kainer, qui travaillaient respectivement pour ORNL et maintenant pour Bayer et l’Université du Queensland.
Le financement du projet a été fourni par le SEED SFA et le CBI, tous deux faisant partie du programme de recherche biologique et environnementale du DOE Place of work of Science, par le programme de recherche et de développement dirigé en laboratoire de l’ORNL, et par les ressources de calcul haute effectiveness de l’OLCF et de Compute. et Information Surroundings for Science, tous deux également soutenus par le Bureau de la science.
