Znanstvenici su razvili novi pristup strojnom učenju koji poboljšava predikciju učinkovitosti CRISPR interferencije (CRISPRi) za određene gene. CRISPRi je alat za uređivanje gena koji blokira izražavanje gena bez izmjene DNA sekvence. Iako se široko koristi za utišavanje izražavanja gena kod bakterija, pravila za dizajn CRISPRi eksperimenata su loše definirana.
Da bi se suočili s tim izazovom, istraživači su koristili integraciju podataka i umjetnu inteligenciju (AI) kako bi trenirali model strojnog učenja. Tim je koristio višestruke genomsko-široke CRISPRi esencijalnosti testove kako bi poboljšao predikciju efikasnosti vodič RNA u CRISPRi sistemu.
Njihovi rezultati ukazuju da karakteristike specifične za gene značajno utječu na smanjenje vodič RNA u genomsko-širokim testovima. Nadalje, kombinacija podataka iz više CRISPRi testova značajno poboljšava točnost modela predikcije i pruža pouzdanije procjene učinkovitosti vodič RNA. Ova studija poboljšava razumijevanje učinkovitosti vodič RNA i pruža smjernice za razvoj preciznih strategija za utišavanje gena pomoću CRISPRi metode.
Pod vodstvom Larsa Barquista, doktora znanosti i vođe istraživačke grupe na Institutu Würzburg Helmholtz za istraživanje infekcija temeljenih na RNA (HIRI) i vanrednim profesorom na Sveučilištu Würzburg, istraživači su razvili model regresije slučajne šume s mješovitim efektima koji pruža preciznije predikcije efikasnosti vodič RNA. Autori studije su validirali svoj pristup provodeći nezavisni test usmjeren na esencijalne bakterijske gene, što je pokazalo superiornost njihovih predikcija u odnosu na postojeće metode.
Studija je također istaknula iznenađujući nalaz da karakteristike povezane s izražavanjem gena imaju veći utjecaj na smanjenje CRISPRi u esencijalnosti testovima od same vodič RNA. Ovaj uvid dovodi u pitanje pretpostavljenu primarnu ulogu vodič RNA u učinkovitosti CRISPRi metode.
Integracija podataka iz više eksperimenata ključna je za izgradnju preciznijih modela predikcije, prevladavajući nedostatak podataka kao glavno ograničenje za točnost. Rezultati ove studije postavljaju temelje za razvoj poboljšanih alata za manipulaciju izražavanjem bakterijskih gena, što dalje pridonosi razumijevanju patogena i pomaže u razvoju ciljanih terapeutskih intervencija.
Ova studija, naslovljena “Improved prediction of bacterial CRISPRi guide efficiency from depletion screens through mixed-effect machine learning and data integration”, objavljena je u časopisu Genome Biology.