Forskeres algoritme gør CRISPR-genredigering mere præcis

Det var en nobelprisvindende revolution for videnskaben, da forskere skræddersyede CRISPR som en teknologi til at redigere gener i bakterie-, plante-, dyre- og menneskeceller. Potentialet for teknologien er enormt og strækker sig fra at kurere genetisk disponerede sygdomme til anvendelse i landbrug og industriel bioteknologi, men der er udfordringer i at anvende den.

En væsentlig udfordring er at udvælge et såkaldt gRNA-molekyle, der skal designes, så det guider CRISPR-Cas9 proteinet til det rigtige sted i DNA’et, hvor det klipper i forbindelse med genredigeringen.

”Der er typisk flere mulige gRNA’er, og de fungerer ikke alle lige effektivt, og derfor er udfordringen at udvælge netop de relativt få der virker med høj effektivitet, og det er netop det vores nye metode gør,” siger Yonglun Luo, lektor ved Institut for Biomedicin på Aarhus Universitet.

Den nye metode bygger på forskernes nye data og implementering af en algoritme, der giver en forudsigelse om, hvilken af de mulige gRNA’er der virker bedst.

”Ved at kombinere vores egne data med offentligt tilgængelige, samt at inkludere viden om det molekylære samspil og interaktioner mellem gRNA, DNA og CRISPR-Cas9 proteinet, er det lykkedes os at opnå en bedre metode,” siger Jan Gorodkin, professor på Institut for Veterinær og Husdyrvidenskab på Københavns Universitet.

Data, deep learning og molekylære interaktioner

Det er Jan Gorodkin’s forskningsgruppe med Giulia Corsi og Christian Anthon, der sammen med lektor Yonglun Luo’s forskningsgruppe i fællesskab er kommet frem til resultaterne. Hvor Luo’s gruppe har stået i spidsen for den eksperimentelle del af arbejdet, har Gorodkin’s gruppe stået i spidsen for computerdelen af arbejdet.

”I vores studie har vi kvantificeret effektiviteten af gRNA-molekyler for 10,000 forskellige steder på genomet. Arbejdet lykkedes med en massiv dataindsamling, der ikke i praksis ville kunne lade sig gøre med traditionelle metoder,” siger Yonglun Luo.

Forskernes udgangspunkt for at generere deres data, bygger på at få en virus til at udtrykke gRNA og et syntetisk mål i én celle ad gangen. Det syntetiske mål har nøjagtig samme DNA-sekvens som det tilsvarende mål inde i selve genomet. Dermed kan man bruge det syntetiske mål til at udregne gRNA’s effektivitet. Sammen med kolleger fra Lars Bolund Institute of Regenerative Medicine og Harvard Medical School lykkedes det forskerne ud fra dette princip at samle et stort ’bibliotek’ af celler og kunne generere data for mere end 10.000 forskellige steder i genomet.

Med dette datasæt af gRNA’er, hvor deres effektivitet, fra lav til høj, er kendt, har forskerne kunne konstruere en model som kan forudsige effektiviteten for gRNA’er, hvilket ikke er set før.

”For at træne en algoritme til at blive præcis har man brug for et rigtig stort datagrundlag. Med vores virusbibliotek har vi opnået data, der udgør det optimale udgangspunkt for at træne vores deep learning algoritme til at forudsige effektiviteten af gRNA til genredigering. Vores metode er mere præcis end de øvrige tilgængelige metoder,” siger Jan Gorodkin.

Studiet blev støttet af Innovationsfonden, Danmarks Frie Forskningsfond og EU’s Horizon 2020 program.

Læs hele studiet: ”Enhancing CRISPR-Cas9 gRNA efficiency prediction by data integration and deep learning” publiceret i Nature Communications.

 

 

Kontakt 

Professor Jan Gorodkin
Center for non-coding RNA in Technology and Health
Department of Veterinary and Animal Sciences
Faculty of Health and Medical Sciences
+45 2337 5667
gorodkin@sund.ku.dk

Lektor Yonglun Luo
Institut for Biomedicin
Aarhus University
+4522411944
alun@biomed.au.dk

 

Kommunikationskonsulent Mathias Traczyk
93 56 58 35
Mathias.traczyk@sund.ku.dk

Emner