idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instance:
Share on: 
01/11/2024 11:03

Bioinformatik: Forschende des HIRI entwickeln neuen maschinellen Lernansatz

Dr. Andreas Fischer Presse und Kommunikation
Helmholtz-Zentrum für Infektionsforschung

    Aktuelle Studie zeigt, wie Maschinenlernen, Datenintegration und KI zu besseren Strategien im Kampf gegen Krankheitserreger beitragen

    Um Viren, Bakterien und andere Pathogene zu bekämpfen, bietet die synthetische Biologie neue technologische Ansätze, deren Effizienz in Experimenten validiert wird. Forschende des Würzburger Helmholtz-Instituts für RNA-basierte Infektionsforschung und der Kooperative Helmholtz AI haben mithilfe von Datenintegration und Künstlicher Intelligenz (KI) einen maschinellen Lernansatz entwickelt, der die Wirksamkeit von CRISPR-Technologien präziser als bisher vorhersagen kann. Die Erkenntnisse wurden heute im Fachmagazin Genome Biology publiziert.

    Im Erbgut – der DNA – eines Organismus steckt der Bauplan für Proteine und damit für die Herstellung neuer Zellen. Molekularbiologische CRISPR-Technologien ermöglichen es, einzelne Gene gezielt zu verändern oder abzuschalten und die Proteinproduktion zu unterbinden. Die Idee dahinter ist, Krankheitserreger zu bekämpfen, genetische Erkrankungen zu heilen oder andere nützliche Effekte zu erzielen.

    Eines dieser molekularbiologischen Werkzeuge ist CRISPRi (von “CRISPR-Interferenz”). Dabei handelt es sich um ein biochemisches Verfahren, das es ermöglicht, Gene und die Genexpression zu blockieren, ohne dass dafür die DNA-Sequenz verändert werden muss. Wie bei dem als „Genschere“ bekannten CRISPR-Cas-System steuert bei dieser Methode eine Ribonukleinsäure (RNA), die als Leit-RNA dient, eine Nuklease (Cas). Im Gegensatz zur Genschere bindet die Nuklease bei CRISPRi jedoch nur an spezifische Stellen der DNA, ohne diese zu schneiden. Die Bindung bewirkt, dass das entsprechende Gen nicht abgelesen wird und damit inaktiv bleibt.

    Wie gut dieses Verfahren für ein bestimmtes Gen funktioniert, war bislang nur schwer vorherzusagen. Forschende vom Würzburger Helmholtz-Institut für RNA-basierte Infektionsforschung (HIRI) in Zusammenarbeit mit der Universität Würzburg und der Kooperative Helmholtz AI (Helmholtz Artificial Intelligence Cooperation Unit) haben jetzt mithilfe von Datenintegration und Künstlicher Intelligenz (KI) einen maschinellen Lernansatz entwickelt, um solche Vorhersagen in Zukunft zu verbessern.

    Der Ansatz

    CRISPRi-Screens sind ein höchst empfindliches Werkzeug, mit dem Forschende die Effekte einer reduzierten Genexpression untersuchen können. In ihrer Studie, die heute im Fachmagazin Genome Biology erschienen ist, haben die Wissenschaftler:innen Daten aus mehreren genomweiten CRISPRi-Screens zusammengeführt, um einen maschinellen Lernansatz zu trainieren. Ihr Ziel: bessere Vorhersagen darüber, wie wirksam die im CRISPRi-System zum Einsatz kommenden, künstlich entworfenen Leit-RNAs sind.

    „Genomweite Screens liefern leider nur indirekte Informationen über die Effizienz einer Leit-RNA. Deswegen haben wir eine neue maschinelle Lernmethode angewandt, die die Wirksamkeit der eingesetzten Leit-RNA getrennt vom Effekt des abgeschalteten Gens beleuchtet“, erläutert Lars Barquist. Der Computer-Biologe hat die Studie initiiert und leitet eine Bioinformatik-Forschungsgruppe am Würzburger Helmholtz-Institut, einem Standort des Braunschweiger Helmholtz-Zentrums für Infektionsforschung in Kooperation mit der Julius-Maximilians-Universität Würzburg.

    Mithilfe weiterer KI-Werkzeuge stellte das Team verständliche Designregeln für künftige CRISPRi-Experimente auf. Ein umfassendes, auf essenzielle bakterielle Gene gerichtetes Screening, das die Studienautoren unabhängig von ihren ursprünglichen Trainingsdaten durchführten, validierte schließlich den Ansatz und ergab präzisere Prognosen.
    „Die Ergebnisse haben gezeigt, dass unser Modell bisherige Methoden übertrifft und zuverlässigere Vorhersagen über die Leistung von CRISPRi bei der Ausrichtung auf bestimmte Gene liefert“, freut sich Yanying Yu, Doktorandin in der Arbeitsgruppe von Lars Barquist und Erstautorin der Studie.

    Besonders überraschte die Forschenden, dass nicht die Leit-RNA selbst der wichtigste Faktor dafür ist zu bestimmen, wie gut diese in CRISPRi-Screens verringert wird. „Gewisse genspezifische Merkmale, die mit der Genexpression zusammenhängen, haben hierbei offenbar einen größeren Einfluss, als bisher angenommen“, erklärt Yu.

    Zudem verdeutlicht die Studie, dass die Kombination von Informationen aus verschiedenen Datensätzen die Präzision von Vorhersagemodellen erheblich verbessert und eine zuverlässigere Einschätzung der Effizienz von Leit-RNAs ermöglicht. „Die Erweiterung unserer Trainingsdaten durch Zusammenführung mehrerer Experimente ist essenziell, um bessere Vorhersagemodelle zu schaffen. Vor unserer Studie war der Mangel an Daten ein limitierender Faktor für die Vorhersagegenauigkeit“, resümiert Juniorprofessor Barquist. Der jetzt veröffentlichte Ansatz wird künftig sowohl der Biotechnologie als auch der Grundlagenforschung dienen und dabei helfen, effektivere CRISPRi-Experimente zu planen. „Unsere Studie liefert eine Blaupause für die Entwicklung präziserer Instrumente, die die bakterielle Genexpression manipulieren und letztlich dazu beitragen, Krankheitserreger besser zu verstehen und zu bekämpfen“, so Barquist.

    Die Ergebnisse im Überblick:
    - Genmerkmale zählen: Die Eigenschaften der Zielgene haben einen erheblichen Einfluss auf die Verringerung der Leit-RNAs in genomweiten Screens.

    - Datenintegration verbessert Vorhersagen: Die Kombination von Daten aus mehreren CRISPRi-Screens verbessert die Genauigkeit von Vorhersagemodellen erheblich und ermöglicht zuverlässigere Einschätzungen der Effizienz von Leit-RNAs.

    - Bessere Gestaltung von CRISPRi-Experimenten: Die Studie bietet wertvolle Erkenntnisse für die Gestaltung effektiverer CRISPRi-Experimente, indem sie die Wirksamkeit von Leit-RNAs vorhersagt und so präzise Strategien zur Deaktivierung spezifischer Gene ermöglicht.

    Förderung:
    Die Studie wurde aus Mitteln des Bayerischen Staatsministeriums für Wissenschaft und Kunst durch das Forschungsnetzwerk bayresq.net gefördert.

    Diese Pressemitteilung finden Sie auch unter dem Link https://www.helmholtz-hzi.de/de/aktuelles/news/news-detail/article/complete/fors....

    Helmholtz-Institut für RNA-basierte Infektionsforschung:
    Das Helmholtz-Institut für RNA-basierte Infektionsforschung (HIRI) ist die weltweit erste Einrichtung ihrer Art, die die Forschung an Ribonukleinsäuren (RNA) mit der Infektionsbiologie vereint. Auf Basis neuer Erkenntnisse aus seinem starken Grundlagenforschungsprogramm will das Institut innovative therapeutische Ansätze entwickeln, um menschliche Infektionen besser diagnostizieren und behandeln zu können. Das HIRI ist ein Standort des Braunschweiger Helmholtz-Zentrums für Infektionsforschung (HZI) in Kooperation mit der Julius-Maximilians-Universität Würzburg (JMU) und befindet sich auf dem Würzburger Medizin-Campus. Weitere Informationen unter http://www.helmholtz-hiri.de.

    Helmholtz-Zentrum für Infektionsforschung:
    Wissenschaftler:innen am Helmholtz-Zentrum für Infektionsforschung (HZI) untersuchen in Braunschweig und an anderen Standorten in Deutschland bakterielle und virale Infektionen sowie die Abwehrmechanismen des Körpers. Sie verfügen über fundiertes Fachwissen in der Naturstoffforschung und deren Nutzung als wertvolle Quelle für neuartige Antiinfektiva. Als Mitglied der Helmholtz-Gemeinschaft und des Deutschen Zentrums für Infektionsforschung (DZIF) betreibt das HZI translationale Forschung, um die Grundlagen für die Entwicklung neuartiger Therapien und Impfstoffe gegen Infektionskrankheiten zu schaffen. http://www.helmholtz-hzi.de

    Medienkontakt:
    Dr. Britta Grigull
    Leiterin Kommunikation
    Helmholtz-Institut für RNA-basierte Infektionsforschung (HIRI)
    britta.grigull@helmholtz-hiri.de
    +49 (0)931 31 81801


    Original publication:

    Yu Y, Gawlitt S, Barros de Andrade e Sousa L, Medivan E, Piraud M, Beisel C, Barquist L:
    Improved prediction of bacterial CRISPRi guide efficiency from depletion screens through mixed-effect machine learning and data integration. Genome Biology (2024)
    DOI: 10.1186/s13059-023-03153-y
    https://doi.org/10.1186/s13059-023-03153-y


    Images

    Die an der Studie beteiligten HIRI-Wissenschaftler:innen; von links: Sandra Gawlitt, Lars Barquist, Chase Beisel, Yanying Yu.
    Die an der Studie beteiligten HIRI-Wissenschaftler:innen; von links: Sandra Gawlitt, Lars Barquist, ...
    Nik Schölzel
    HIRI/Nik Schölzel


    Criteria of this press release:
    Business and commerce, Journalists, Scientists and scholars, Students
    Biology, Chemistry, Information technology, Medicine
    transregional, national
    Research results
    German


     

    Die an der Studie beteiligten HIRI-Wissenschaftler:innen; von links: Sandra Gawlitt, Lars Barquist, Chase Beisel, Yanying Yu.


    For download

    x

    Help

    Search / advanced search of the idw archives
    Combination of search terms

    You can combine search terms with and, or and/or not, e.g. Philo not logy.

    Brackets

    You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).

    Phrases

    Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.

    Selection criteria

    You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).

    If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).