Cientistas desenvolveram um novo método de aprendizado de máquina que melhora a previsão da eficiência da interferência CRISPR (CRISPRi) para genes específicos. O CRISPRi é uma ferramenta de edição genética que bloqueia a expressão de genes sem modificar a sequência de DNA. Embora seja amplamente utilizado para silenciar a expressão de genes em bactérias, as regras de design para experimentos com CRISPRi têm permanecido mal definidas.
Para enfrentar esse desafio, os pesquisadores utilizaram integração de dados e inteligência artificial (IA) para treinar um modelo de aprendizado de máquina. A equipe utilizou várias telas de essencialidade do CRISPRi em todo o genoma para melhorar a previsão da eficiência do RNA guia no sistema CRISPRi.
Os resultados indicam que características específicas de genes influenciam significativamente a depleção do RNA guia nas telas de essencialidade em todo o genoma. Além disso, a combinação de dados de múltiplas telas de CRISPRi melhora substancialmente a precisão dos modelos de previsão e fornece estimativas mais confiáveis da eficiência do RNA guia. Ao melhorar a compreensão da eficiência do RNA guia, este estudo contribui para o desenvolvimento de estratégias precisas de silenciamento de genes usando CRISPRi.
Liderada por Lars Barquist, PhD, líder do grupo de pesquisa no Instituto Helmholtz de Pesquisa de Infecções baseadas em RNA em Würzburg (HIRI) e professor assistente na Universidade de Würzburg, os pesquisadores desenvolveram um modelo de regressão de floresta aleatória de efeito misto que gera previsões mais precisas da eficiência do RNA guia. Os autores do estudo validaram sua abordagem realizando uma tela independente visando genes essenciais bacterianos, o que demonstrou a superioridade de suas previsões em relação aos métodos existentes.
O estudo também destacou uma descoberta surpreendente de que características relacionadas à expressão de genes têm um impacto maior na depleção do CRISPRi nas telas de essencialidade do que o próprio RNA guia. Essa percepção desafia o papel primário previamente assumido do RNA guia na eficiência do CRISPRi.
A integração de dados de múltiplos experimentos foi fundamental para a construção de modelos de previsão mais precisos, superando a falta de dados como uma grande limitação para a precisão. As descobertas deste estudo estabelecem as bases para o desenvolvimento de ferramentas aprimoradas para manipular a expressão gênica bacteriana, aprofundando nossa compreensão de patógenos e auxiliando no desenvolvimento de intervenções terapêuticas direcionadas.
Este estudo, intitulado “Melhoria da previsão da eficiência do guia CRISPRi bacteriano a partir de telas de depleção por aprendizado de máquina de efeito misto e integração de dados”, foi publicado no periódico Genome Biology.
The source of the article is from the blog myshopsguide.com