В Китае ИИ обучат редактированию клеток для лечение генетических заболеваний

Китайские ученые из Тяньцзиньского института промышленной биотехнологии Китайской академии наук разработали автоматизированную платформу генетического редактирования, способную с высокой точностью прогнозировать эффективность редактирования.

Платформа, работающая на алгоритмах искусственного интеллекта, достаточно мощна, чтобы автоматически редактировать тысячи образцов клеток в течение недели. Новый метод повышает точность прогнозирования на 20% по сравнению с широко используемым инструментом прогнозирования BE-Hive, говорится в недавно опубликованной статье.

Это может помочь ускорить разработку и клиническое применение генетической терапии и исследований, заявили ученые, стоящие за платформой, в своей статье, опубликованной в рецензируемом журнале Nature Communications.

Однонуклеотидные вариации (SNV) в геноме человека, также известные как вариации последовательности ДНК, могут вызывать аномалии клеток и генетические заболевания. Не существует эффективного лечения некоторых редких заболеваний, вызванных такими клеточными мутациями, и длительное применение лекарств, используемых для их лечения, может даже поставить под угрозу жизнь пациента.

Новая технология «базового редактора» от исследователей под руководством профессоров Ван Мэн, Би Чанхао и Чжан Сюэли из Тяньцзиньского института может предложить решение. По словам разработчиков, базовые редакторы обеспечивают прямую необратимую коррекцию базовых мутаций и открывают многообещающее будущее для лечения генетических заболеваний, вызванных SNV.

Крупномасштабное создание моделей клеточных болезней для базового редактирования или изучения мутаций в настоящее время сильно зависит от ручных операций, которые включают введение SNV в клетки. Однако этот процесс трудоемок, дорог и подвержен ошибкам. По словам команды, платформа сможет выполнять полный процесс редактирования генома — от проектирования направляющей РНК (гРНК) до анализа результатов редактирования — с большей согласованностью и с меньшими затратами.

Это помогло бы преодолеть текущие трудности в редактировании клеток с использованием существующей технологии, сохранив при этом чистоту клеток, и провести автоматическое проектирование, изготовление и тестирование процесса редактирования в больших масштабах.

Команда также разработала модель обучения ИИ, основанную на информации о последовательности и крупномасштабном наборе данных редактирования, полученном платформой, для прогнозирования эффективности редактирования. В документе говорится, что новый метод повысил точность прогнозирования на 20% по сравнению с широко используемой моделью машинного обучения BE-Hive.