Naukowcy opracowali nowatorskie podejście uczenia maszynowego, które poprawia przewidywanie skuteczności interferencji CRISPR (CRISPRi) dla konkretnych genów. CRISPRi to narzędzie do edycji genów, które blokuje ekspresję genów bez zmiany sekwencji DNA. Pomimo szerokiego zastosowania w celu wyciszania ekspresji genów u bakterii, zasady projektowania eksperymentów CRISPRi pozostawały słabo zdefiniowane.
Aby poradzić sobie z tym wyzwaniem, badacze wykorzystali integrację danych i sztuczną inteligencję (AI), aby wytrenować model uczenia maszynowego. Zespół użył kilku genomowych badań niezbędności CRISPRi, aby poprawić przewidywanie efektywności RNA przewodnika w systemie CRISPRi.
Ich wyniki wskazują, że charakterystyki specyficzne dla genów znacząco wpływają na wyczerpywanie RNA przewodnika w badaniach genomowych. Ponadto, łączenie danych z kilku badań CRISPRi znacznie poprawia dokładność modeli przewidywań i zapewnia bardziej niezawodne oszacowania efektywności RNA przewodników. Poprzez poprawę zrozumienia efektywności RNA przewodników, ta praca informuje o opracowywaniu precyzyjnych strategii wyciszania genów przy użyciu CRISPRi.
Pod kierownictwem dr. Larsa Barquista, lidera grupy badawczej w Würzburg Helmholtz Institute for RNA-based Infection Research (HIRI) oraz profesora juniora na Uniwersytecie Würzburg, badacze opracowali model regresji lasów losowych z efektem mieszanych czynników, który daje bardziej dokładne przewidywania efektywności RNA przewodników. Autorzy badania potwierdzili skuteczność swojego podejścia, przeprowadzając niezależne badanie ukierunkowane na niezbędne geny bakterii, które wykazało przewagę ich przewidywań nad istniejącymi metodami.
Badanie wykazało również zaskakujące odkrycie, że charakterystyki związane z ekspresją genów mają większy wpływ na wyczerpywanie CRISPRi w badaniach dotyczących niezbędności niż sam RNA przewodnik. Ta wiedza kwestionuje dotychczas przyjmowaną główną rolę RNA przewodników w skuteczności CRISPRi.
Integracja danych z wielu eksperymentów była kluczowa przy budowaniu bardziej precyzyjnych modeli przewidywań, pokonując brak danych jako główną ograniczenie dokładności. Wyniki tego badania stanowią podstawę do opracowania doskonalszych narzędzi do manipulowania ekspresją genów bakterii, pogłębiając naszą wiedzę o patogenach i pomagając w rozwoju ukierunkowanych interwencji terapeutycznych.
To badanie, zatytułowane „Improved prediction of bacterial CRISPRi guide efficiency from depletion screens through mixed-effect machine learning and data integration,” zostało opublikowane w Genome Biology.
The source of the article is from the blog klikeri.rs