یک نوکلئاز مصنوعی کارایی ویرایش ژن را افزایش می‌دهد

تحقیقات جدید نشان می‌دهد که یک نوکلئاز مصنوعی طراحی‌شده با استفاده از مدل‌های هوش مصنوعی می‌تواند کارایی ویرایش ژن را افزایش دهد و اثرات غیرهدف را کاهش دهد. این نتایج به رشد و توسعه روش‌های جدید در مهندسی ژنتیک کمک خواهد کرد.

🔬 پیشرفت‌ها در سیستم‌های CRISPR-Cas9

پیشرفت‌ها در سیستم‌های CRISPR-Cas9 به دانشمندان این امکان را داده است که ویرایش‌های دقیقی در ژن‌ها انجام دهند و مهندسی ژنتیک را متحول کنند. اما آنزیم‌های فعلی هنوز هم باعث اثرات غیرهدف می‌شوند و از این‌رو پژوهشگران به دنبال راه‌هایی برای افزایش کارایی این سیستم‌ها در روش‌های ویرایش ژن مؤثرتر هستند.

✂️ آنزیم‌های نوکلئاز و عملکرد آن‌ها

یکی از راه‌هایی که دانشمندان می‌توانند به این هدف برسند، طراحی مجدد نوکلئازها است. نوکلئازها آنزیم‌هایی هستند که مانند "قیچی‌های مولکولی" عمل کرده و به منظور ویرایش ژن، دی‌ان‌ای را برش می‌زنند. این آنزیم‌ها به RNAهایی وابسته‌اند که به مکان‌های خاصی روی دی‌ان‌ای هدف متصل می‌شوند و آنزیم‌ها را راهنمایی می‌کنند که برش‌ها را در کجا انجام دهند. با این حال، طبیعت چند دامنه‌ای نوکلئازها باعث می‌شود که دانشمندان نتوانند بدون اختلال در فعالیت آن‌ها، آن‌ها را تغییر دهند.

🤖 طراحی نوکلئاز مصنوعی

حالا، پژوهشگران به رهبری جنیفر دودنا از دانشگاه کالیفرنیا، برکلی، که در سال 2020 جایزه نوبل را به خاطر کارهای مرتبط با CRISPR دریافت کرد، از مدلی مبتنی بر هوش مصنوعی برای طراحی یک نوکلئاز مصنوعی با فعالیت غیرهدف کمتر استفاده کردند. این آنزیم نشان داد که فعالیتی مشابه یا حتی بهتر از همتای طبیعی خود دارد. کار آن‌ها در مجله Science منتشر شده و رویکردی برای ایجاد نوکلئازهای غیرطبیعی فراهم کرده است که دامنه مهندسی پروتئین‌ها را برای بهبود ابزارهای CRISPR-Cas9 موجود افزایش می‌دهد.

📊 مدل‌سازی معکوس و طبیعت نوکلئازها

برای طراحی یک نوکلئاز مصنوعی، دودنا و همکارانش به مدل‌سازی معکوس پروتئین روی آوردند که از هوش مصنوعی برای بازسازی توالی‌های پروتئین بر اساس ساختار سه‌بعدی مورد نظر استفاده می‌کند. با این رویکرد، پژوهشگران TnpB، یک خانواده از نوکلئازهای شبیه به CRISPR-Cas12a را طراحی جدید کردند. تحلیل‌های فیلوژنتیکی نشان داد که توالی‌های طراحی‌شده TnpB نامزد به شدت از توالی طبیعی (WT) متفاوت بود. اما این روند همچنین برخی جهش‌هایی را معرفی کرد که بر تعامل آنزیم با RNAهای هدایت‌کننده و دی‌ان‌ای هدف تأثیر می‌گذاشت.

🔍 بهبود تعاملات با RNA

برای جلوگیری از این امر، پژوهشگران مدل هوش مصنوعی را با محدودیت‌هایی در مورد موقعیت‌های ریشه‌های آمینو اسیدی مطابق با اطلاعات تکاملی ترکیب کردند. توالی‌های حاصل دارای جهش‌های کمتری در نواحی مهم اتصالی بودند که نشان‌دهنده بهبود سازگاری و احتمال بالاتر فعالیت ویرایش بود.

🌱 تست فعالیت در سلول‌های گیاهی و حیوانی

دودنا و همکارانش سپس پروتئین‌های نامزد TnpB واریانت کامل را تولید کردند و فعالیت آن‌ها را در سلول‌های باکتریایی آزمایش کردند. آن‌ها تعدادی از این واریانت‌ها با بالاترین عملکرد ویرایش را برای آزمایش‌های بیشتر در سلول‌های گیاهی و حیوانی انتخاب کردند.

🧬 کشف و تحلیل پروتئین‌ها

آزمایش‌های ویرایش ژن در سلول‌های حیوانی و گیاهی به پژوهشگران کمک کرد تا واریانت مصنوعی TnpB (SynTnpB) را با بالاترین کارایی ویرایش و کمترین اثرات غیرهدف شناسایی کنند. برای درک مکانیزم پشت این فعالیت بهبودیافته، دودنا و تیمش از میکروسکوپ الکترونی کریو استفاده کردند.

مقایسه ساختارهای WT TnpB و SynTnpB نشان داد که پروتئین مهندسی‌شده، پیوندهای الکترواستاتیک و هیدروژنی جدیدی ایجاد کرده است که در رابط RNA-دی‌ان‌ای هدایت‌کننده قرار دارد. این یافته‌ها نشان می‌دهد که رویکرد مبتنی بر مدل هوش مصنوعی و اطلاعات تکاملی می‌تواند به طراحی نوکلئازهای مدیریت‌شده با RNA بهتر کمک کند.