La inteligencia artificial puede predecir la actividad dentro y fuera del objetivo de las herramientas CRISPR que se dirigen al ARN en lugar de al ADN, según una nueva investigación publicada en la revista ´Nature Biotechnology´.

El estudio, realizado por investigadores de la Universidad de Nueva York, Columbia Engineering y el Centro del Genoma de Nueva York (Estados Unidos), combina un modelo de aprendizaje profundo con pantallas CRISPR para controlar la expresión de genes humanos de diferentes maneras, como si se pulsara un interruptor de luz para apagarlos por completo o se utilizara un regulador de intensidad para reducir parcialmente su actividad. Estos controles precisos de los genes podrían utilizarse para desarrollar nuevas terapias basadas en CRISPR.

CRISPR es una tecnología de edición de genes con muchos usos en biomedicina y otros campos, desde el tratamiento de la anemia falciforme hasta la ingeniería de hojas de mostaza más sabrosas. Suele funcionar dirigiéndose al ADN mediante una enzima llamada Cas9. En los últimos años, los científicos han descubierto otro tipo de CRISPR que se dirige al ARN mediante una enzima llamada Cas13.

Las CRISPR dirigidas al ARN pueden utilizarse en una amplia gama de aplicaciones, como la edición de ARN, la destrucción de ARN para bloquear la expresión de un gen concreto y el cribado de alto rendimiento para determinar fármacos candidatos prometedores.

Los investigadores de la Universidad de Nueva York y del Centro del Genoma de Nueva York han creado ahora una plataforma de cribado CRISPR dirigido al ARN utilizando Cas13 para comprender mejor la regulación del ARN e identificar la función de los ARN no codificantes.

Dado que el ARN es el principal material genético de virus como el SARS-CoV-2 y la gripe, las CRISPR dirigidas al ARN también son prometedoras para desarrollar nuevos métodos de prevención o tratamiento de infecciones víricas. Además, en las células humanas, cuando se expresa un gen, uno de los primeros pasos es la creación de ARN a partir del ADN del genoma.

Un objetivo clave del estudio es maximizar la actividad de las CRISPR dirigidas al ARN en el ARN diana previsto y minimizar la actividad en otros ARN que podrían tener efectos secundarios perjudiciales para la célula. La actividad fuera de la diana incluye tanto los desajustes entre el ARN guía y el ARN diana como las mutaciones de inserción y deleción.

Los estudios anteriores sobre los CRISPR dirigidos al ARN se centraron únicamente en la actividad en la diana y en los desajustes; la predicción de la actividad fuera de la diana, en particular las mutaciones de inserción y deleción, no se ha estudiado bien.

En las poblaciones humanas, aproximadamente una de cada cinco mutaciones son inserciones o deleciones, por lo que se trata de tipos importantes de objetivos potenciales que deben tenerse en cuenta para el diseño de CRISPR.

"Al igual que las CRISPR dirigidas al ADN, como Cas9, prevemos que las CRISPR dirigidas al ARN, como Cas13, tendrán un impacto enorme en la biología molecular y las aplicaciones biomédicas en los próximos años", asegura Neville Sanjana, profesor asociado de biología en la NYU, profesor asociado de neurociencia y fisiología en la Facultad de Medicina Grossman de la NYU, miembro del núcleo docente del New York Genome Center y coautor principal del estudio.

"La predicción precisa de las guías y la identificación de los objetivos secundarios serán de inmenso valor para este campo de reciente desarrollo y para la terapéutica", añade.

En su estudio, Sanjana y sus colegas realizaron una serie de pruebas de detección de ARN objetivo CRISPR en células humanas. Midieron la actividad de 200.000 ARN guía dirigidos a genes esenciales en células humanas, incluidos tanto los ARN guía de "coincidencia perfecta" como los desajustes, inserciones y deleciones fuera del objetivo.

El laboratorio de Sanjana se asoció con el laboratorio del experto en aprendizaje automático David Knowles para diseñar un modelo de aprendizaje profundo al que denominaron TIGER (Targeted Inhibition of Gene Expression via guide RNA design, inhibición selectiva de la expresión génica mediante el diseño de ARN guía) que se entrenó con los datos de las pruebas CRISPR.

Comparando las predicciones generadas por el modelo de aprendizaje profundo y las pruebas de laboratorio en células humanas, TIGER fue capaz de predecir tanto la actividad dirigida como la no dirigida, superando los modelos anteriores desarrollados para el diseño de guías Cas13 dirigidas y proporcionando la primera herramienta para predecir la actividad no dirigida de los CRISPR dirigidos a ARN.

"El aprendizaje automático y el aprendizaje profundo están demostrando su fuerza en genómica porque pueden aprovechar los enormes conjuntos de datos que ahora pueden ser generados por experimentos modernos de alto rendimiento", explica Knowles, profesor asistente de ciencias de la computación y biología de sistemas en Columbia Engineering, miembro de la facultad principal en el New York Genome Center, y coautor principal del estudio.

Según indica, "es importante destacar que también hemos sido capaces de utilizar el "aprendizaje automático interpretable" para entender por qué el modelo predice que una guía específica funcionará bien".

"Nuestra investigación anterior demostró cómo diseñar guías Cas13 capaces de destruir un ARN concreto. Con TIGER, ahora podemos diseñar guías Cas13 que logran un equilibrio entre la destrucción del objetivo y la evitación de la actividad fuera del objetivo", añade Hans-Hermann (Harm) Wessels, coautor del estudio y científico sénior del New York Genome Center, que anteriormente fue becario posdoctoral en el laboratorio de Sanjana.

Los investigadores también demostraron que las predicciones fuera del objetivo de TIGER pueden utilizarse para modular con precisión la dosis génica --la cantidad de un gen concreto que se expresa-- permitiendo la inhibición parcial de la expresión génica en células con guías de desajuste.

Esto puede ser útil para enfermedades en las que hay demasiadas copias de un gen, como el síndrome de Down, ciertas formas de esquizofrenia, la enfermedad de Charcot-Marie-Tooth (un trastorno nervioso hereditario), o en cánceres en los que una expresión génica aberrante puede provocar un crecimiento tumoral descontrolado.

"Nuestro modelo de aprendizaje profundo puede indicarnos no solo cómo diseñar un ARN guía que elimine por completo una transcripción, sino también cómo ´afinarlo´, por ejemplo, haciendo que produzca solo el 70% de la transcripción de un gen específico", explica Andrew Stirn, estudiante de doctorado en Columbia Engineering y el New York Genome Center, y coautor del estudio.

Al combinar la inteligencia artificial con una pantalla CRISPR dirigida al ARN, los investigadores prevén que las predicciones de TIGER ayudarán a evitar la actividad no deseada de CRISPR fuera del objetivo y estimularán el desarrollo de una nueva generación de terapias dirigidas al ARN.

"A medida que recopilamos conjuntos de datos más amplios a partir de cribas CRISPR, las oportunidades de aplicar modelos sofisticados de aprendizaje automático aumentan rápidamente --subraya Sanjana--. Tenemos la suerte de contar con el laboratorio de David al lado del nuestro para facilitar esta maravillosa colaboración interdisciplinar. Y, con TIGER, podemos predecir objetivos no deseados y modular con precisión la dosificación de genes, lo que permite muchas aplicaciones nuevas e interesantes de las CRISPR dirigidas al ARN para la biomedicina".