La edición de genes con IA innata produce resultados bajos en el Toargate

Se sabe que la inteligencia artificial (IA) permite una visión profunda del desarrollo del fármaco, identificando patrones y moléculas que de otra manera no se pueden notar. Ahora está listo para contribuir igualmente a la edición de genes. Algunas compañías están utilizando AI para desarrollar herramientas de edición de genes que son más específicas y más efectivas.

Los sistemas CRISPR como CRISPR-CAS9 revolucionaron la edición de genes, pero la reorganización genómica se está convirtiendo en una cuestión de verdadera terapia in vivo, y la edición infructuosa ha sido un problema a largo plazo que afecta a las generaciones posteriores de las células. También hay desafíos en la nucleis de los dedos de zinc y los efectos de los activadores de transcripción similares al núcleo (cuentos), lo que subraya la necesidad de mejora.

Sin embargo, utilizando un diseño racional para encontrar nuevos editores de genes, nada se separa de CRISPR-CAS9, Chelsea Trainsgrove, PhD, CEO de Neoclease y un enfoque de plataforma para su eficacia y especificidad límite de desarrollo.

La tecnología AI está surgiendo como una posible solución para aumentar la precisión de muchos tipos de editores de genes. Y además de la generosa IA, permite a los científicos mirar más allá de estar presentes en la naturaleza.

Editor hecho por geni

El modelo AI personalizado de Neoclease desarrolla editores específicos de genes en Silico. Finalmente, los principales candidatos pueden dirigir la edición de genes para los humanos in vivo, utilizando nucleis CRISPR, ZFNS, TALEN y otras nucleis de edición de genes.

"Estamos utilizando un modelo de IA común", dice Trengrove. "Es un modelo de lenguaje grande entrenado en millones de proteínas conocidas que cortan el ADN". Esa idea, dice, no es crear una enzima de Workhears que pueda hacer todo, sino adaptar a cada editor por un gen específico de interés.

Los trengroves explican que la neocleasa generativa de IA permite que una variable cree una red de conocimiento para comprender cómo se puede adaptar los editores y crear una calidad de alucinaciones como una secuencia novedosa. El objetivo, enfatiza, es generar editores adicionales que están "personalizados y ponderados en la dirección en que queremos empujarlos".

"Es casi como un chat para proteínas", comenta Trengrove. "Algunas alucinaciones colaborativas con algunos errores, nos aprovechamos de ellos ... como una herramienta de innovación para generar novelas y diseños de proteínas efectivos".

La producción de editores de genes potenciales es solo el primer paso. Se han generado decenas de miles de secuencias novedosas, que pueden optimizarse a características específicas: energía de unión fija, polaridad o grado de dominio, por ejemplo, las características se alimentan a través de una serie de publicaciones computacionales. Identifican las publicaciones de las cuales los editores son los más adecuados para proceder en la verificación in vitro en función de sus características y funcionalidad. De miles de núcleo, la compañía ha construido en silico, se actualiza alrededor de 7,000.

Algunos de estos editores son aproximadamente la mitad del sistema CRISPR-CAS9, señala Trengrve. Estos incluyen el Liu, PhD, el Director de Tecnología y el pequeño núcleo desarrollado por el cofundador de Neoclease y un término de tenencia de ciencias farmacéuticas en Texas. Según el Traingrove, Liu "ha demostrado que algunos de sus editores cortos tienen grietas, energía y eficacia comparables en el vitro, y los efectos extravagantes se han reducido a seis veces".

Estos pequeños editores se pueden empacar en vectores o vehículos similares unidos al Adeno para alcanzar los tejidos en todo el cuerpo. "En realidad estamos apuntando al cerebro para la enfermedad de Parkinson", dice Traingrove.

Actualmente, la mayoría de las pruebas se realizan en silico, solo una verificación in vitro. Neoclease planeó llevar a estos editores a los modelos de mouse y pez cebra a mediados de 2025, y la compañía espera que los nuevos estudios con capacidad de fármacos de la investigación comiencen en 2026. Trangov dice que la compañía también está "trabajando en un pequeño acuerdo con una compañía farmacéutica. Evalúa miles de núcleo en estos vitro".

Tecnología similar a un crispe

En 2017, el CEO de Wayne Dentor, MD, 123Genetix, fue pionero en el desarrollo de células madre humanas artificiales y organoides para la investigación médica. Este trabajo desarrolló simulación ehumanoides para ensayos de drogas virtuales. "Para producir un tipo específico de célula, tuve que cambiar la composición genética de la célula", se llama abolladura. "Lo hice para crear una representación simbólica de un gen y luego agregándolo o eliminándolo". El sistema AI evolucionó para hacerlo, Deepneau, CRISPR-CAS9 imita enzimas.

Deepneau se basa en una base de datos sabia. Actúa como un editor de lecciones para genes para permitir prototipos rápidos y sondas de calidad. Está completamente desarrollado y ya está en uso como un complemento para la edición del gen CRISPR-CAS9.

La ventaja de la edición del gen AI-Saksham es la singularidad. Los efectos fuera del objetivo se evitan para que se pueda identificar cualquier diferencia cuando los resultados virtuales se comparan con los usos de CRISPR-CAS9 y, tal vez, al menos o eliminados.

En lugar de los algoritmos de trenes en datos y resultados, DeepNeu utiliza un proceso de aprendizaje inteligente orientado a la salud. Como el dentter indicó recientemente Biorxiv Preprint (doi: 10.1101/2022.06.18.49679), Wise Learning "Conecte la simulación de mapa cognitivo difuso con datos de muchos expertos y un sistema general de toma de decisiones". Dijo que el proceso de aprendizaje inteligente "también debería detectar los algoritmos de enseñanza disponibles, incluidos los métodos de aprendizaje profundo cuando estén disponibles". Esencialmente, la enseñanza inteligente utiliza un enfoque inseguro (no entrenado) basado en experiencias. Según lo decente, la tecnología AI que involucra un aprendizaje inteligente puede simular la idea humana más de cerca.

Enduro Genetics aumenta € 12 millones para expandir su plataforma de bioprodeucción

Las aplicaciones de DeepNeu han obtenido una matriz muy grande de relaciones y peso ", dice el denter. "La información básica incluye la relación gen -genn y de la proteína génica". Hay alrededor de 65 millones de neuronas en la relación genética de 123genetix.

La pasión de lo decente es encontrar un tratamiento efectivo para enfermedades raras, y están orgullosos de que Deepneau se haya utilizado para muchos estudios de enfermedades raras. Indica que el acceso de Deepneau ha sido libre de atuendos de enfermedades raras, y en la actualidad "está" trayendo a muchos socios farmacéuticos interesados ​​en usar la tecnología a bordo ".

Esta disminución, 123Genetix planeó lanzar una versión de Ahumanoids, incluida una segunda mirada seria. Esta junta permite que el sistema AI considere si ha dado la respuesta correcta a la pregunta antes de presentar el resultado. Si los resultados se reducen, AI re -hace esfuerzos posteriores.

DANTER también es válido para un sistema de IA, que está diseñado para usar emociones falsas para tomar decisiones morales, en particular, la decisión de adaptarse al principio de "primero no hacer daño" del juramento hipocrático. Las notas decentes de que el sistema no es consciente de sí mismo.

Mejora de los dedos de zinc

Marcus Nois, PhD, nuevo cofundador de Gall TBG TX y profesor asistente de bioquímica y farmacología molecular en la Universidad de Nueva York Langon Health, desarrolló un editor de genes A-S) para ZFNS con Philip Kim, PhD, Philip Kim, Ph.D. Profesor de Genética Molecular y Profesor de Ciencias de la Computación en la Universidad de Toronto. Está listo para el editor de genes, ZFDesign, uso comercial.

Desde que publicó ZFDesign en 2023, Noyes y su equipo han aumentado la precisión del editor. "La primera versión del modelo fue entrenada para comprender cómo diseñar una variedad de ZFS, pero realmente no sabía cuáles de los miles de diseños para cada objetivo serían los más distintivos", noys. "Necesitamos enseñar al modelo que se dirige a las secuencias y qué proteína proporcionará la actividad más precisa del genoma".

La última recurrencia de ZFDesign implica varias mejoras. "Agregamos más datos de interfaz para mejorar nuestra comprensión de la compatibilidad", detalla el ruido. "También examinamos la singularidad de cientos de ZFN para entrenar el modelo". Como resultado de esta tarea, ZFDesign puede identificar las opciones más precisas y, por lo tanto, reducir la salida. "También hemos modificado el modelo para que todo ZFN pueda expresarse constantemente en la matriz, en lugar de dejar los escondites entre las parejas", Noys. "Reduce la modularidad en el diseño". Él dice que se espera que publique el modelo de actualización en 2025.

El aspecto más notable de ZFDesign, dice Noyes, la capacidad del editor de genes para comprender si las tendencias sobre las enmiendas en un ZFN pueden generalizarse para los últimos diseños: “En el pasado, usted es una matriz de ZFN diseñada puede hacer preguntas sobre la enmienda de. Está activada o activada en la actividad, pero no estaba realmente claro si las tendencias eran normales o solo específicas de esa proteína, como necesitaría diseñar, válida y probar muchas matrices. Por el contrario, ZFDesign permite un diseño simple de cualquier número de proteínas para las secuencias objetivo en cualquier número, lo que conduce a una confirmación del proceso trivial. ,

Qué tan bien funciona este modelo depende de la función y los requisitos precisos. Con respecto a la activación y la supresión, áreas para las cuales tienen la mayor cantidad de datos. "En general, alrededor del 80% de los objetivos de diseño producirán cambios en la expresión génica", dice Noyes.

Alrededor del 30% de los diseños tienen más de cinco veces activación y más del 70% de supresión cuando se prueba por reactivos transitorios. La precisión de los diseños altamente funcionales parece alta. Sin embargo, Noyce advierte: "Hemos probado la actividad fuera del objetivo para solo 20 construcciones diseñadas solo con nuevos modelos". Alrededor de la mitad sin adaptación ha mostrado al menos la actividad fuera del objetivo. Y según las noyas, se obtienen mejores resultados con optimización: “Por lo general, podemos desarrollar un candidato para cualquier gen objetivo con una resolución de objetivos únicos. ... Si diseñamos 10, esperamos que 8 haga algo, 3 serán realmente buenos y esos 3 deben tener una actividad limitada fuera del objetivo. ,

ZFDesign ahora se está utilizando en la comunidad de investigación. "Un científico probó tres activistas en cardiomiocitos, y dos hicieron un gran trabajo", informan Noyes. “Otro grupo creó un conjunto casi completo de investigación precisa que une cada uno de los centrómeros humanos, lo que les permite ser marcados en células vivas. Sin embargo, otro grupo encontró cuatro representantes poderosos en las neuronas de la pantalla de 12 candidatos.

“Estamos descubriendo que la cantidad de actividad fuera del objetivo a menudo se asocia con el sistema. Por ejemplo, activación, supresión, etiquetado y todas las picaduras que existen varios régimen de intimidad óptimo. En el futuro, esperamos que nuestro modelo sea suficiente para que los usuarios solo necesiten probar algunos diseños, y que nadie tenga un ajuste de afinidad directa para que coincida con el mecanismo de adaptación. ,

equipo adicional

Muchas otras compañías están haciendo equipos que respaldan el uso de IA para la edición de genes. En octubre, Shape Theraputics publicó dos preimpresiones. Existe una amplia forma en que guía el ARN para que se ajuste al virus asociado con Adeno. El otro discutió cómo el sistema de agudas, que se basa en la tecnología Deprade de la compañía, permite que la guía terapéutica exprese ARN dentro de las células.

En la primavera anterior, PraFullait anunció que su código abierto, editor de genes con sede en AI, OpenCRISPR -1 editó con éxito el genoma humano. La compañía dijo que el editor de genes "produce millones de crisprs diversos, como las proteínas que no están en la naturaleza".

Las herramientas de IA para la edición de genes están ayudando a los científicos a hacer una edición más precisa, lo que reduce el efecto fuera del objetivo para muchas tecnologías de edición de genes. En última instancia, puede ayudar a que la edición de genes sea más accesible.