Cientistas transformaram o sistema de inteligência artificial de dobramento de proteínas AlphaFold em uma ferramenta de diagnóstico para melhorar a segurança da edição gênica CRISPR. Os pesquisadores alimentaram o sistema com modelos de uma sequência de DNA de destino, um RNA guia e a nuclease Cas9 — o núcleo do sistema CRISPR — para gerar estruturas tridimensionais que correspondem às observadas em experimentos laboratoriais.

As primeiras tentativas que também incluíam uma enzima projetada para modificar quimicamente as bases fizeram com que o AlphaFold colocasse mal uma das proteínas, levando a equipe a simplificar a entrada. Reduzir o modelo para apenas DNA, RNA e Cas9 produziu previsões confiáveis, confirmando que a nuclease sozinha dita a especificidade da sequência.

A comparação das estruturas geradas pelo AI para sites de DNA dentro e fora do alvo revelou um padrão surpreendente. Aproximadamente dois terços dos sites fora do alvo forçaram o Cas9 a adotar uma forma ligeiramente alterada, mas mais de 95% mudaram quais aminoácidos faziam contato com o RNA guia. Em muitos casos, a proteína manteve sua conformação global enquanto resíduos individuais se flexionavam para acomodar bases discordantes.

A métrica de "probabilidade de contato" integrada ao AlphaFold — que mede a probabilidade de que dois átomos estejam dentro de oito ângstroms — permitiu que a equipe quantificasse essas mudanças. Ao subtrair a mapa de contato de um site fora do alvo daquele de um site dentro do alvo, eles identificaram exatamente quais aminoácidos alteraram suas interações quando ocorreu uma discordância. Os pesquisadores denominaram esse fluxo de trabalho comparativo de "ContactSeek".

Visando os pontos críticos

O ContactSeek inicialmente produziu uma longa lista de resíduos que mudam, mas os cientistas se concentraram em clusters onde muitas mudanças convergiram, interpretando esses pontos críticos como regiões da proteína que se adaptam às discordâncias. Em seguida, eles projetaram variantes de Cas9 nas quais os aminoácidos identificados foram trocados por alternativas previstas para estabilizar o par de RNA-DNA correto.

Testes preliminares das enzimas redesenhadas mostraram redução na ligação a sequências fora do alvo enquanto preservavam a atividade nos sites pretendidos. A abordagem demonstra como a percepção estrutural impulsionada por IA pode orientar a engenharia de proteínas precisa, oferecendo um caminho em direção a ferramentas de edição gênica com menos edições não intencionais.

O trabalho destaca o papel cada vez mais importante dos modelos de aprendizado de máquina na biotecnologia, movendo-se além da previsão para o design ativo. À medida que as terapias CRISPR avançam em direção ao uso clínico, métodos como o ContactSeek podem se tornar essenciais para garantir que as intervenções de edição do genoma sejam tanto eficazes quanto seguras.

Este artigo foi escrito com a assistência de IA.
News Factory APP - notícias agênticas para impulsionar seu SEO e AEO.