Новый подход машинного обучения для предсказания эффективности CRISPRi
Исследователи из Вюрцбургского института Гельмгольца по исследованию инфекций на основе РНК (HIRI) и кооперации Helmholtz AI разработали подход машинного обучения, который точнее предсказывает эффективность технологии CRISPRi (CRISPR interference).
Суть технологии CRISPRi
CRISPRi — это молекулярно-биологический инструмент для блокировки работы генов без изменения последовательности ДНК. В отличие от "генетических ножниц" (CRISPR-Cas), нуклеаза CRISPRi только связывается с ДНК, не разрезая её, что приводит к "замолканию" гена.
Проблема и решение
До сих пор было сложно предсказать эффективность CRISPRi для конкретного гена. Учёные использовали данные нескольких полногеномных скринингов CRISPRi для обучения модели машинного обучения. Их цель — лучше предсказывать эффективность направляющих РНК (guide RNA), используемых в системе.
Ключевые особенности подхода
- Применён новый метод машинного обучения, который разделяет влияние эффективности направляющей РНК и эффекта от "замолчавшего" гена.
- С помощью инструментов "объяснимого ИИ" (Explainable AI) установлены понятные правила для планирования будущих экспериментов CRISPRi.
- Подход валидирован независимым скринингом на бактериальных генах и показал более высокую точность по сравнению с существующими методами.
Важные выводы исследования
- Не главный фактор: Оказалось, что сама направляющая РНК — не основной фактор, определяющий эффективность CRISPRi в скринингах на жизненно важные гены.
- Роль экспрессии генов: Определённые характеристики, связанные с экспрессией гена, имеют большее влияние, чем предполагалось ранее.
- Сила интеграции данных: Объединение данных из нескольких наборов значительно улучшает точность прогноза и позволяет надёжнее оценивать эффективность направляющих РНК. До этого исследования нехватка данных была главным ограничивающим фактором для точности предсказаний.
Значение работы
Разработанный подход станет полезным для планирования более эффективных экспериментов CRISPRi в будущем и послужит как биотехнологии, так и фундаментальным исследованиям. Он предоставляет план для создания более точных инструментов управления экспрессией бактериальных генов, что в конечном итоге поможет лучше понимать и бороться с патогенами.