Nueva red neuronal para una edición de ADN más precisa
El diagrama de secuencia UML (Lenguaje de modelado unificado) de un caso de uso de entrada única para la arquitectura GuideHOM. Primero, el usuario proporciona al modelo una entrada a través del objeto Dataset. El objeto Dataset proporciona al módulo de preprocesamiento preseleccionado una secuencia o un par codificado en caliente. Cualquiera de los módulos de preprocesamiento suministra la capa de cápsula HOM con la salida de preprocesamiento. La capa de la cápsula HOM calcula las coordenadas de los pares gRNA/gRNA en el espacio guía y luego envía las coordenadas al proceso gaussiano. El proceso gaussiano toma muestras de actividades de la distribución aproximada que ha aprendido, calcula la media y la varianza y luego envía los resultados al usuario. Crédito: DOI: 10.1093/nar/gkab1065
Los bioinformáticos rusos han propuesto una nueva arquitectura de red neuronal capaz de evaluar qué tan bien se ha elegido un ARN guía para un experimento de edición de genes. Su enfoque facilitará una modificación del ADN más eficiente con el popular método CRISPR/Cas y, por lo tanto, ayudará a desarrollar nuevas estrategias para crear organismos modificados genéticamente y encontrar formas de tratar trastornos hereditarios graves. El estudio, apoyado por una subvención de la Fundación de Ciencias de Rusia, se publicó en la revista Nucleic Acids Research.
La edición genómica, y el método CRISPR/Cas en particular, se usa ampliamente en varias áreas de la biología experimental, así como en la agricultura y la biotecnología.
CRISPR/Cas es una de las muchas bacterias armas utilizar para combatir virus. A medida que se produce la infección, el ADN del patógeno penetra en la célula y, dado que sus secuencias difieren de las de la bacteria, las proteínas Cas lo reconocen como material hereditario extraño y lo escinden. Para que la bacteria responda al virus más rápido, la célula almacena fragmentos del ADN del patógeno de forma muy similar a como un antivirus de computadora mantiene una colección de firmas virales y las transmite a las próximas generaciones para que su Cas pueda frustrar futuros ataques.
En 2011-2013, equipos de diferentes laboratorios (Jennifer Doudna, Emmanuelle Charpentier y Feng Zhang en los Estados Unidos, y Virginijus iknys en Lituania) independientemente unos de otros, adaptaron el sistema CRISPR/Cas a la tarea de introducir cambios arbitrarios en secuencias de ADN en seres humanos. y células animales, lo que hace que la edición genómica sea mucho más fácil y eficiente. Los elementos centrales del sistema son el ARN guía, que «marca el lugar», y la proteína Cas9, que corta el ADN en esa posición. Luego, la célula «repara la herida», pero los cambios en el código genético ya se han realizado.
El problema es que la orientación del ARN guía no siempre es precisa y puede inducir a error a Cas9. Transformar la tecnología CRISPR/Cas en una herramienta práctica de alta precisión es muy importante, especialmente cuando se trata de intervenciones médicas.
Los investigadores de Skoltech dirigidos por Konstantin Severinov han utilizado aprendizaje profundo, procesos gaussianos y otros métodos para hacer que la selección de los ARN guía óptimos sea más precisa. El equipo produjo un conjunto de redes neuronales, es decir, modelos matemáticos entrenables implementados como multiplicación secuencial de matrices grandes conjuntos de números con una estructura interna compleja. Una red neuronal puede aprender porque tiene «memoria» en forma de números que se modifican de una manera particular cada vez que el sistema completa un cálculo en el modo de entrenamiento. El equipo entrenó los modelos en diferentes conjuntos de datos que contenían decenas de miles de ARN guía validados experimentalmente que habían mostrado un rendimiento de alta precisión en células humanas y animales.
Los investigadores propusieron un algoritmo que estima la probabilidad de división del ADN para un ARN guía dado. Las puntuaciones resultantes pueden dirigir el diseño experimental para cualquier aplicación basada en CRISPR/Cas. El equipo usó sus redes neuronales para crear un conjunto de ARN guía para realizar cambios precisos en los genes del cromosoma humano 22. Esto ha sido posible gracias a la alta precisión de la predicción de la frecuencia de división y a la función de estimación de la incertidumbre de la predicción, que ninguno de los métodos anteriores proporcionaba.
«Nuestros hallazgos se pueden usar para una variedad de CRISPR/Cas- aplicaciones basadas en tecnología, como el tratamiento de trastornos genéticos, tecnologías agrícolas y experimentos de investigación básica», comentó Skoltech Ph.D. estudiante Bogdan Kirillov, uno de los creadores del nuevo método y el primer autor del estudio.
Explore más
Nuevos hallazgos sobre el vínculo entre la edición de genes CRISPR y las células cancerosas mutadas Más información: Bogdan Kirillov et al, Evaluación interpretable y consciente de la incertidumbre de la especificidad de Cas9gRNA y Cas12agRNA para Objetivos totalmente coincidentes y parcialmente no coincidentes con Deep Kernel Learning, Nucleic Acids Research (2021). DOI: 10.1093/nar/gkab1065 Información de la revista: Nucleic Acids Research
Proporcionado por el Instituto Skolkovo de Ciencia y Tecnología Cita: Nueva red neuronal para una edición de ADN más precisa ( 2021, 30 de diciembre) obtenido el 29 de agosto de 2022 de https://medicalxpress.com/news/2021-12-neural-network-accurate-dna.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.