Los científicos utilizan la biología cuántica y la inteligencia artificial para mejorar

Los científicos del Laboratorio Nacional de Oak Ridge utilizaron su experiencia en biología cuántica, inteligencia artificial y bioingeniería para mejorar el funcionamiento de las herramientas de edición del genoma CRISPR Cas9 en organismos como microbios que pueden modificarse para producir combustibles y productos químicos renovables.

CRISPR es una poderosa herramienta de bioingeniería, que se utiliza para modificar el código genético para mejorar el rendimiento de un organismo o corregir mutaciones. La herramienta CRISPR Cas9 se basa en un único ARN guía que dirige a la enzima Cas9 para que se una y escinda el sitio objetivo correspondiente en el genoma. Los modelos existentes para predecir computacionalmente ARN guía efectivos para herramientas CRISPR se construyeron a partir de datos de solo unas pocas especies modelo, con una eficiencia débil e inconsistente cuando se aplicaron a microbios.

“Muchas de las herramientas CRISPR se han desarrollado para células de mamíferos, moscas de la fruta u otras especies modelo. Pocos se han dirigido a microbios cuyas estructuras y tamaños cromosómicos son muy diferentes”, afirmó Carrie Eckert, líder del grupo de Biología Sintética del ORNL. “Habíamos observado que los modelos para diseñar la maquinaria CRISPR Cas9 se comportan de manera diferente cuando se trabaja con microbios, y esta investigación valida lo que sabíamos anecdóticamente”.

Para mejorar el modelado y el diseño del ARN guía, los científicos del ORNL buscaron comprender mejor lo que sucede en el nivel más básico en los núcleos celulares, donde se almacena el material genético. Recurrieron a la biología cuántica, un campo que une la biología molecular y la química cuántica e investiga los efectos que la estructura electrónica puede tener sobre las propiedades químicas y las interacciones de los nucleótidos, las moléculas que forman los componentes básicos del ADN y el ARN.

La forma en que se distribuyen los electrones en la molécula influye en la reactividad y la estabilidad conformacional, incluida la probabilidad de que el complejo de ARN guía-enzima Cas9 se una efectivamente al ADN del microbio, dijo Erica Prates, bióloga de sistemas computacionales en ORNL.

La mejor guía a través de un bosque de decisiones.

Los científicos construyeron un modelo de inteligencia artificial explicable llamado bosque aleatorio iterativo. Entrenaron el modelo en un conjunto de datos de alrededor de 50.000 ARN guía dirigidos al genoma de E. coli bacterias y al mismo tiempo tener en cuenta las propiedades químicas cuánticas, en un enfoque descrito en la revista Investigación de ácidos nucleicos.

El modelo reveló características clave de los nucleótidos que pueden permitir la selección de mejores ARN guía. “El modelo nos ayudó a identificar pistas sobre los mecanismos moleculares que sustentan la eficiencia de nuestros ARN guía”, dijo Prates, “proporcionándonos una rica biblioteca de información molecular que puede ayudarnos a mejorar la tecnología CRISPR”.

Los investigadores de ORNL validaron el modelo de IA explicable mediante la realización de experimentos de corte CRISPR Cas9 en E. coli con un nutrido grupo de guías seleccionados por el modelo.

El uso de IA explicable brindó a los científicos una comprensión de los mecanismos biológicos que impulsaron los resultados, en lugar de un modelo de aprendizaje profundo basado en un algoritmo de “caja negra” que carece de interpretabilidad, dijo Jaclyn Noshay, ex bióloga de sistemas computacionales de ORNL y primera autora del artículo. .

“Queríamos mejorar nuestra comprensión de las reglas de diseño de guías para una eficiencia de corte óptima con un enfoque en especies microbianas dado el conocimiento de la incompatibilidad de los modelos entrenados en diferentes [biological] reinos”, dijo Noshay.

El modelo de IA explicable, con sus miles de funciones y su naturaleza iterativa, se entrenó utilizando la supercomputadora Summit en Oak Ridge Leadership Computer Facility de ORNL, u OLCF, una instalación para usuarios de la Oficina de Ciencias del DOE.

Eckert dijo que su equipo de biología sintética planea trabajar con colegas de ciencia computacional en ORNL para tomar lo que han aprendido con el nuevo modelo microbiano CRISPR Cas9 y mejorarlo aún más utilizando datos de experimentos de laboratorio o una variedad de especies microbianas.

Mejores herramientas CRISPR Cas9 para cada especie

Tener en cuenta las propiedades cuánticas abre la puerta a mejoras en la guía Cas9 para cada especie. “Este artículo incluso tiene implicaciones a escala humana”, dijo Eckert. “Si estás analizando cualquier tipo de desarrollo de fármacos, por ejemplo, en el que se utiliza CRISPR para apuntar a una región específica del genoma, debes tener el modelo más preciso para predecir esas guías”.

El perfeccionamiento de los modelos CRISPR Cas9 ofrece a los científicos un proceso de mayor rendimiento para vincular genotipo con fenotipo, o genes con rasgos físicos, un campo conocido como genómica funcional. La investigación tiene implicaciones para el trabajo del ORNL. Centro de Innovación en Bioenergía (CBI), por ejemplo, para mejorar las plantas de materia prima para bioenergía y la fermentación bacteriana de biomasa.

“Estamos mejorando enormemente nuestras predicciones del ARN guía con esta investigación”, dijo Eckert. “Cuanto mejor comprendamos los procesos biológicos en juego y más datos podamos incorporar a nuestras predicciones, mejores serán nuestros objetivos, mejorando la precisión y la velocidad de nuestra investigación”.

“Uno de los principales objetivos de nuestra investigación es mejorar la capacidad de modificar de forma predictiva el ADN de más organismos utilizando herramientas CRISPR. Este estudio representa un avance emocionante hacia… la comprensión de cómo podemos evitar cometer costosos ‘errores tipográficos’ en el código genético de un organismo”, dijo Paul Abraham de ORNL, un químico bioanalítico que dirige el Programa de Ciencias Genómicas del DOE. Área de enfoque de ciencias de diseño e ingeniería de ecosistemas seguros, o SEED SFA, que apoyó la investigación CRISPR. “Estoy ansioso por saber cuánto más pueden mejorar estas predicciones a medida que generamos datos de entrenamiento adicionales y continuamos aprovechando modelos de IA explicables”.

Los coautores de la publicación incluyeron a William Alexander, Dawn Klingeman, Erica Prates, Carrie Eckert, Stephan Irle y Daniel Jacobson de ORNL; Tyler Walker, Jonathan Romero y Angelica Walker del Centro Bredesen de Investigación Interdisciplinaria y Educación de Posgrado de la Universidad de Tennessee, Knoxville; y Jaclyn Noshay y David Kainer, quienes anteriormente trabajaron en ORNL y ahora en Bayer y la Universidad de Queensland, respectivamente.

El financiamiento para el proyecto fue proporcionado por SEED SFA y CBI, ambos parte del Programa de Investigación Biológica y Ambiental de la Oficina de Ciencias del DOE, por el programa de Investigación y Desarrollo Dirigido por Laboratorio de ORNL y por los recursos informáticos de alto rendimiento de OLCF y Compute. y Data Environment for Science, ambos también apoyados por la Oficina de Ciencias.

UT-Battelle administra ORNL para la Oficina de Ciencias del DOE, el mayor patrocinador de la investigación básica en ciencias físicas en los Estados Unidos. La Oficina de Ciencias está trabajando para abordar algunos de los desafíos más apremiantes de nuestro tiempo. Para mayor información por favor visite energía.gov/ciencia.