محققان اخیرا یک مدل هوش مصنوعی به نام TIGER ایجاد کرده‌اند که قادر است فعالیت درون و خارج از هدف ابزارهای CRISPR را برای هدف‌گیری RNA پیش‌بینی کند.
به گزارش تکناک، این نوآوری که در یک مطالعه منتشر شده در مجله Nature Biotechnology به تفصیل شرح داده شده است، می‌تواند RNAهای راهنما را با دقت طراحی و فعالیت ژن را تعدیل کند و آماده پیشرفت در درمان‌های مبتنی بر CRISPR است.
با توجه به تحقیقات جدیدی که در تاریخ 3 جولای در مجله Nature Biotechnology منتشر شده است، قابلیت هوش مصنوعی به طور پیشرفته‌ای قادر است به فعالیت هدفمند و بی هدف ابزارهای CRISPR که از RNA به جای DNA هدف استفاده می‌کنند، پیش بینی کند.
مطالعه محققان، یک مدل یادگیری عمیق را با صفحه‌های CRISPR ترکیب می‌کند تا فعالیت ژن‌های انسانی را به روش‌های مختلف مانند تکان دادن کلید چراغ برای خاموش کردن کامل آنها یا با استفاده از یک دکمه دیمر برای کاهش اثربخشی فعالیت آنها، کنترل کند. این کنترل های ژنی دقیق می تواند برای توسعه درمان های جدید مبتنی بر CRISPR استفاده شوند.
CRISPR یک فناوری ویرایش ژن با کاربردهای فراوان در زیست پزشکی و فراتر از آن است که از درمان کم خونی سلول های داسی شکل گرفته تا مهندسی سبزیجات کاربرد دارد. این فناوری اغلب با هدف قرار دادن DNA با استفاده از آنزیمی به نام Cas9 کار می کند. در سال های اخیر، دانشمندان نوع دیگری از CRISPR را کشف کردند که در عوض، RNA را با استفاده از آنزیمی به نام Cas13 هدف قرار می دهد.
CRISPRهای هدف RNA را می توان در طیف وسیعی از کاربردها، از جمله ویرایش RNA، از بین بردن RNA برای جلوگیری از فعالیت یک ژن خاص و غربالگری با توان عملیاتی بالا برای تعیین کاندیدهای دارویی امیدوارکننده، استفاده کرد. محققان پلتفرمی را برای صفحه‌های CRISPR هدف‌گیری RNA با استفاده از آنزیم Cas13 ایجاد کردند تا مقررات RNA را بهتر درک کنند و عملکرد RNAهای غیر فعال را شناسایی کنند. از آنجایی که RNA ماده ژنتیکی اصلی در ویروس‌ها از جمله SARS-CoV-2 و آنفولانزا است، CRISPRهای هدف‌دار RNA نیز نویدبخش توسعه روش‌های جدید برای پیشگیری یا درمان عفونت‌های ویروسی هستند. همچنین در سلول های انسانی، زمانی که یک ژن فعال می شود، یکی از اولین مراحل ایجاد RNA از DNA موجود در ژنوم آن سلول است.
هدف اصلی مطالعه انجام شده در این مورد، به حداکثر رساندن فعالیت CRISPR های هدف RNA بر روی RNA مورد نظر و به حداقل رساندن فعالیت بر روی RNA های دیگر است که می تواند عوارض جانبی مضری برای سلول داشته باشد. فعالیت خارج از هدف شامل عدم تطابق بین RNA راهنما و RNA هدف و همچنین جهش‌های درج و حذف است. مطالعات قبلی روی CRISPR های هدف‌گیری شده RNA فقط بر روی فعالیت‌های هدف و عدم تطابق متمرکز بود. تاکنون پیش‌بینی فعالیت خارج از هدف، به ویژه جهش‌های درج و حذف، به خوبی مورد مطالعه قرار نگرفته است. در جمعیت های انسانی از هر پنج جهش، یک مورد درج یا حذف است، بنابراین چنین جهش هایی اهداف مهمی خارج از هدف برای طراحی CRISPR هستند.
محققان در مطالعه خود، مجموعه‌ای از غربالگری‌های CRISPR را با هدف قرار دادن RNA در سلول‌های انسانی انجام دادند. آنها فعالیت 200000 RNA راهنما را که ژن‌های ضروری را در سلول‌های انسانی هدف قرار می‌دهند، از جمله RNAهای راهنمای تطابق کامل و عدم تطابق، درج‌ها و حذف‌های خارج از هدف، اندازه‌گیری کردند.
محققان یک مدل یادگیری ماشینی که بر روی داده‌های صفحه‌های CRISPR آموزش داده شده بود را توسعه دادند. با مقایسه پیش‌بینی‌های ایجاد شده توسط مدل یادگیری عمیق و آزمایش‌های سلول‌های انسانی، این مدل هوش مصنوعی که TIGER نام داشت، توانست هم فعالیت درون هدف و هم فعالیت خارج از هدف را پیش‌بینی کند و از مدل‌های قبلی توسعه‌یافته برای طراحی راهنمای Cas13 روی هدف، بهتر عمل کرد و اولین ابزار را برای پیش‌بینی فعالیت هدف CRISPRهای هدف RNA، ارائه کرد.
یادگیری ماشینی و یادگیری عمیق قدرت خود را در ژنومیک نشان می‌دهند، زیرا می‌توانند از مجموعه داده‌های عظیمی که اکنون می‌توانند توسط آزمایش‌های پیشرفته مدرن تولید شوند، استفاده کنند. نکته مهم این است که محققان توانستند از یک نوع یادگیری ماشینی قابل تفسیر برای درک اینکه چرا این مدل پیش‌بینی می‌کند که یک راهنمای خاص به خوبی کار خواهد کرد، استفاده کنند.
محققان نشان دادند که پیش‌بینی‌های خارج از هدف TIGER را می‌توان برای تعدیل دقیق دوز ژن یعنی مقدار یک ژن خاص که فعال می‌شود، با فعال کردن مهار نسبی فعالیت ژن در سلول‌هایی با راهنمای عدم تطابق استفاده کرد. این مسئله ممکن است برای بیماری‌هایی مفید باشد که در آن نسخه‌های زیادی از یک ژن وجود دارد، مانند سندرم داون، اشکال خاصی از اسکیزوفرنی، بیماری شارکو ماری توث (اختلال عصبی ارثی)، یا در سرطان‌هایی که فعالیت نابجای ژن می‌تواند منجر به رشد کنترل نشده تومور شود.
این مدل یادگیری نه تنها می تواند به محققان بگوید چگونه یک RNA راهنما طراحی کنند که رونوشت را به طور کامل از بین ببرد، بلکه می تواند آن را تنظیم کند. به عنوان مثال، تولید تنها 70درصد از رونوشت یک ژن خاص توسط این هوش مصنوعی کاملا امکان پذیر است.
با ترکیب هوش مصنوعی با صفحه نمایش CRISPR هدف‌گیری RNA، محققان تصور می‌کنند که پیش‌بینی‌های TIGER به جلوگیری از فعالیت ناخواسته CRISPR خارج از هدف کمک می‌کند و باعث توسعه بیشتر نسل جدیدی از درمان‌های هدف‌گیری RNA می‌شود.
