Le tecnologie di modifica del genoma offrono grandi opportunità per il trattamento delle malattie genetiche. Metodi come le forbici geniche CRISPR/Cas9 ampiamente utilizzate affrontano direttamente la causa della malattia nel DNA. Le forbici vengono utilizzate in laboratorio per apportare modifiche mirate al materiale genetico in linee cellulari e organismi modello e per studiare i processi biologici.
Previsione dell’efficienza di editing ottimale e della purezza del prodotto mediante il deep learning
Un ulteriore sviluppo di questo classico metodo CRISPR/Cas9 è chiamato prime editing. A differenza delle forbici genetiche convenzionali, che creano una rottura in entrambi i filamenti della molecola del DNA, il prime editing taglia e ripara il DNA solo su un singolo filamento. Il prime editing guide RNA (pegRNA) mira precisamente al sito rilevante nel genoma e fornisce la nuova informazione genetica, che viene poi trascritta da un “enzima di traduzione” e incorporata nel DNA.
Trovare le opzioni di riparazione del DNA più efficienti
Il prime editing promette di essere un metodo efficace per riparare le mutazioni che causano malattie nei genomi dei pazienti. Tuttavia, quando si tratta di applicarlo con successo, è importante ridurre al minimo gli effetti collaterali indesiderati come errori nella correzione del DNA o alterazione del DNA in altre parti del genoma. Secondo gli studi iniziali, il prime editing porta a un numero significativamente inferiore di modifiche indesiderate rispetto agli approcci CRISPR/Cas9 convenzionali.
Tuttavia, attualmente i ricercatori devono ancora dedicare molto tempo all’ottimizzazione del pegRNA per un bersaglio specifico nel genoma. “Ci sono oltre 200 possibilità di riparazione per mutazione. In teoria, dovremmo testare ogni singola opzione di progettazione ogni volta per trovare il pegRNA più efficiente e accurato”, afferma Gerald Schwank, professore presso l’Istituto di farmacologia e tossicologia dell’Università di Zurigo (UZH).
Analizzare un set di dati di grandi dimensioni con l’intelligenza artificiale
Schwank e il suo gruppo di ricerca avevano bisogno di trovare una soluzione più semplice. Insieme a Michael Krauthammer, professore UZH presso il Dipartimento di biomedicina quantitativa, e il suo team, hanno sviluppato un metodo in grado di prevedere l’efficienza dei pegRNA. Testando oltre 100.000 diversi pegRNA nelle cellule umane, sono stati in grado di generare un set completo di dati di prime editing. Ciò ha permesso loro di determinare quali proprietà di un pegRNA – come la lunghezza della sequenza del DNA, la sequenza dei blocchi costitutivi del DNA o la forma della molecola del DNA – influenzano positivamente o negativamente il processo di prime editing.
Successivamente, il team ha sviluppato un algoritmo basato sull’intelligenza artificiale per riconoscere i pattern nel pegRNA rilevanti per l’efficienza. Sulla base di questi modelli, lo strumento addestrato può prevedere sia l’efficacia che l’accuratezza dell’editing del genoma con un particolare pegRNA. “In altre parole, l’algoritmo può determinare il pegRNA più efficiente per correggere una particolare mutazione”, afferma Michael Krauthammer. Lo strumento è già stato testato con successo su cellule umane e di topo ed è liberamente disponibile per i ricercatori.
Obiettivo a lungo termine: riparare le malattie ereditarie
Sono ancora necessari ulteriori studi preclinici prima che il nuovo strumento di prime editing possa essere utilizzato negli esseri umani. Tuttavia, i ricercatori sono fiduciosi che nel prossimo futuro sarà possibile utilizzare il prime editing per riparare le mutazioni del DNA di malattie ereditarie comuni come l’anemia falciforme, la fibrosi cistica o le malattie metaboliche.
Lo strumento è accessibile ai ricercatori all’indirizzo https://pridict.it. Lo studio è stato sostenuto dal Programma prioritario di ricerca dell’Università di Zurigo Riproduzione umana ricaricata e dal Fondo nazionale svizzero per la ricerca scientifica.
