生物体的基因组或 DNA 包含蛋白质的蓝图并协调新细胞的产生。为了对抗病原体、治愈遗传疾病或实现其他积极效果，分子生物学 CRISPR 技术被用来特异性改变或沉默基因并抑制蛋白质产生。
这些分子生物学工具之一是 CRISPRi(来自“CRISPR 干扰”)。CRISPRi 阻断基因和基因表达而不修改 DNA 序列。与也被称为“基因剪刀”的 CRISPR-Cas 系统一样，该工具涉及核糖核酸 (RNA)，它作为指导 RNA 来指导核酸酶 (Cas)。然而，与基因剪刀不同的是，CRISPRi 核酸酶仅与 DNA 结合，而不对其进行切割。这种结合导致相应的基因不被转录，从而保持沉默。
到目前为止，预测该方法对特定基因的性能一直具有挑战性。维尔茨堡亥姆霍兹 RNA 感染研究所 (HIRI) 的研究人员与维尔茨堡大学和亥姆霍兹人工智能合作单位 (Helmholtz AI) 合作，现已开发出一种利用数据集成和人工智能 (AI) 的机器学习方法，以未来改进此类预测。
CRISPRi 筛选方法
是一种高度灵敏的工具，可用于研究基因表达减少的影响。在今天发表在《基因组生物学》杂志上的研究中，科学家们使用来自多个全基因组 CRISPRi 必要性筛选的数据来训练机器学习方法。他们的目标：更好地预测 CRISPRi 系统中部署的工程指导 RNA 的功效。
“不幸的是，全基因组筛选只能提供有关引导效率的间接信息。因此，我们应用了一种新的机器学习方法，将引导 RNA 的功效与沉默基因的影响分开，”Lars Barquist 解释道。这位计算生物学家发起了这项研究，并领导了维尔茨堡亥姆霍兹研究所的生物信息学研究小组，该研究所是不伦瑞克亥姆霍兹感染研究中心与维尔茨堡大学合作的所在地。
在其他人工智能工具(“可解释的人工智能”)的支持下，该团队为未来的 CRISPRi 实验建立了易于理解的设计规则。研究作者通过针对必需细菌基因进行独立筛选来验证他们的方法，表明他们的预测比以前的方法更准确。
“结果表明，我们的模型优于现有方法，并且在针对特定基因时提供了更可靠的 CRISPRi 性能预测，”Lars Barquist 研究小组的博士生、该研究的第一作者 Yanying Yu 说。
科学家们特别惊讶地发现，引导 RNA 本身并不是在必要性筛选中决定 CRISPRi 缺失的主要因素。“与基因表达相关的某些基因特异性特征似乎比之前假设的影响更大，”Yu 解释道。
该研究还表明，整合多个数据集的数据可显着提高预测准确性，并能够更可靠地评估向导 RNA 的效率。“通过整合多个实验来扩展我们的训练数据对于创建更好的预测模型至关重要。在我们的研究之前，缺乏数据是预测准确性的主要限制因素，”初级教授巴奎斯特总结道。目前发表的方法对于规划未来更有效的CRISPRi实验非常有帮助，并服务于生物技术和基础研究。“我们的研究为开发更精确的工具来操纵细菌基因表达提供了蓝图，并最终帮助更好地了解和对抗病原体，”巴奎斯特说。
免责声明：本文由用户上传，如有侵权请联系删除！
