Descubrimiento de los clados CRISPR-Cas12a utilizando un gran modelo de lenguaje

Área de la Ciencia:

• La genómica
• Biología molecular
• La bioinformática

Sus antecedentes:

• Los sistemas CRISPR-Cas son herramientas poderosas en las ciencias de la vida, pero los metagenomas albergan un gran número de proteínas Cas no caracterizadas.
• Los métodos tradicionales para identificar las proteínas Cas se basan en alineaciones de secuencias, lo que limita el descubrimiento.
• La exploración de nuevas funciones de la proteína Cas es crucial para el avance de las tecnologías de edición de genes.

Objetivo del estudio:

• Aprovechar modelos de lenguaje a escala evolutiva (ESM) para identificar y caracterizar proteínas Cas desconocidas a partir de datos metagenómicos.
• Para predecir la actividad de trans-clivado de las proteínas Cas12a no caracterizadas mediante la integración de ESM con el aprendizaje automático.
• Explorar la diversidad estructural y funcional de los subtipos de proteínas Cas recién descubiertos.

Principales métodos:

• El uso de un modelo de lenguaje a escala evolutiva (ESM) entrenado en datos CRISPR-Cas para la identificación de proteínas Cas libres de alineación.
• Integración del aprendizaje automático con el ESM para predecir la actividad trans-clivado de Cas12a no caracterizado.
• Utilizando análisis estructurales y microscopía cryoelectrónica (CryoEM) para investigar las estructuras de proteínas y las interacciones de ARN.
• Clasificación de grupos de genes para explorar las funciones no documentadas de la proteína Cas.

Principales resultados:

• Identificación precisa de las proteínas Cas utilizando el ESM sin depender de las alineaciones de secuencias.
• Descubrimiento de 7 subtipos no documentados de Cas12a con loci CRISPR únicos y pliegues 3D distintos.
• Identificación de 8 subtipos de las proteínas Cas1, Cas2 y Cas4.
• Revelación de interacciones únicas de ARN y preferencias distintas de escisión de ADN (doble y simple cadena) con un amplio reconocimiento de PAM para nuevos subtipos de Cas12a.
• Desarrollo de una estrategia de detección específica para un SNP oncogénico utilizando un nuevo PAM Cas12a.

Conclusiones:

• Los modelos de lenguaje a escala evolutiva ofrecen un enfoque poderoso para descubrir y anotar funcionalmente las proteínas Cas no caracterizadas en los metagenomas.
• Los subtipos Cas12a descubiertos exhiben propiedades bioquímicas y características estructurales únicas, expandiendo el conjunto de herramientas CRISPR.
• Este trabajo demuestra el potencial de los métodos impulsados por la IA para acelerar la exploración de la diversidad microbiana y sus aplicaciones biotecnológicas.
• La estrategia de detección desarrollada destaca el potencial para el diagnóstico de enfermedades dirigidas utilizando nuevos sistemas CRISPR-Cas.