DNA και Τεχνητή Νοημοσύνη: Η νέα τεχνική που αλλάζει τη συνθετική βιολογία

Επιστήμονες ανέπτυξαν μια νέα τεχνική που θα μπορούσε να αλλάξει ριζικά τον τρόπο με τον οποίο σχεδιάζεται το DNA για θεραπευτικές και βιοτεχνολογικές εφαρμογές, φέρνοντας τη συνθετική βιολογία σε ένα εντελώς νέο επίπεδο.

Μέχρι σήμερα, το μεγάλο πρόβλημα στον τομέα ήταν ότι, παρόλο που οι ερευνητές μπορούν να «προγραμματίσουν» κύτταρα ώστε να συμπεριφέρονται με συγκεκριμένο τρόπο, ο εντοπισμός της σωστής αλληλουχίας DNA που προκαλεί αυτή τη συμπεριφορά είναι εξαιρετικά δύσκολος.

Όπως εξηγεί ο Caleb Bashor από το Πανεπιστήμιο Rice, υπάρχουν αμέτρητοι πιθανοί γενετικοί σχεδιασμοί για κάθε λειτουργία, γεγονός που καθιστά τη διαδικασία αντίστοιχη με την αναζήτηση «βελόνας στα άχυρα».

DNA και η τεχνική CLASSIC

Για να αντιμετωπιστεί αυτό το πρόβλημα, η ερευνητική ομάδα ανέπτυξε την τεχνική CLASSIC (Combining Long And Short range Sequencing to Investigate Genetic Complexity). Η μέθοδος αυτή επιτρέπει τη δημιουργία εκατοντάδων χιλιάδων έως και εκατομμυρίων διαφορετικών σχεδίων DNA ταυτόχρονα, κάτι που μέχρι πρότινος ήταν αδύνατο.

Στόχος της έρευνας είναι η χαρτογράφηση των αλληλουχιών DNA —γνωστών και ως γενετικά κυκλώματα— με τη συμπεριφορά που προκαλούν στα κύτταρα. Για τον σκοπό αυτό, οι επιστήμονες δημιούργησαν τεράστιες βιβλιοθήκες γενετικών κυκλωμάτων και κατέγραψαν πώς αυτά λειτουργούν μέσα σε ανθρώπινα κύτταρα.

Το κλειδί της επιτυχίας της CLASSIC βρίσκεται στον συνδυασμό δύο τεχνικών αλληλούχισης: της long-read, που καταγράφει μεγάλες αλληλουχίες DNA και αποτυπώνει ολόκληρα γενετικά κυκλώματα, και της short-read, η οποία είναι ταχύτερη και πιο ακριβής σε μικρότερες αλληλουχίες. Ο συνδυασμός τους επέτρεψε την ακριβή παρακολούθηση κάθε σχεδίου DNA.

Τα γενετικά κυκλώματα τοποθετήθηκαν σε ανθρώπινα κύτταρα που είχαν σχεδιαστεί να εκπέμπουν φως όταν ενεργοποιούνται συγκεκριμένα γονίδια. Όσο πιο έντονη η λάμψη, τόσο ισχυρότερη η γενετική δραστηριότητα, επιτρέποντας στους ερευνητές να συνδέσουν κάθε αλληλουχία DNA με συγκεκριμένα αποτελέσματα.

DNA και τεχνητή νοημοσύνη

Τα τεράστια σύνολα δεδομένων που προέκυψαν χρησιμοποιήθηκαν για την εκπαίδευση μοντέλων μηχανικής μάθησης. Τα μοντέλα αυτά μπορούν να προβλέπουν ποια σχέδια DNA είναι πιο πιθανό να επιτύχουν το επιθυμητό αποτέλεσμα, ακόμη και αν δεν έχουν δοκιμαστεί πειραματικά.

Τα πρώτα αποτελέσματα ήταν εντυπωσιακά: όλες οι προβλέψεις που συγκρίθηκαν με χειροκίνητα δοκιμασμένες αλληλουχίες αποδείχθηκαν απολύτως ακριβείς. Σύμφωνα με τους ερευνητές, αυτή η κλίμακα δεδομένων καθιστά για πρώτη φορά δυνατή την αξιόπιστη χρήση της τεχνητής νοημοσύνης στον σχεδιασμό γενετικών κυκλωμάτων.

Η μελέτη αποκάλυψε επίσης ότι συχνά υπάρχουν πολλαπλές αποτελεσματικές λύσεις DNA για την ίδια λειτουργία, γεγονός που προσφέρει μεγαλύτερη ευελιξία και ανθεκτικότητα στον σχεδιασμό βιολογικών συστημάτων. Η έρευνα δημοσιεύθηκε στο επιστημονικό περιοδικό Nature και αναμένεται να επιταχύνει την ανάπτυξη κυτταρικών θεραπειών και καινοτόμων εφαρμογών στη συνθετική βιολογία.