Diseño programable guiado por aprendizaje profundo de promotores de núcleos de Escherichia coli desde la arquitectura...

Área de la Ciencia:

• Biología sintética
• Biología computacional
• Biología molecular

Sus antecedentes:

• Los promotores centrales regulan la iniciación de la transcripción, pero son difíciles de predecir y diseñar.
• Los enfoques de IA existentes tienen una generalización limitada para la ingeniería de promotores.

Objetivo del estudio:

• Desarrollar una plataforma de circuito cerrado para la ingeniería de promotores centrales de extremo a extremo.
• Permitir una predicción precisa y una generación de novo de secuencias de promotores de núcleo bacteriano con potencias definidas.

Principales métodos:

• Diseño integrado de bibliotecas racionales, modelado predictivo (transformador) y optimización generativa (modelo de difusión).
• Utilizó la secuenciación inversa de mutación-código de barras para construir una gran biblioteca de promotores sintéticos (112,955 variantes).
• Estableció una plataforma modular, escalable y extensible para el diseño de promotores.

Principales resultados:

• El modelo Transformer logró una correlación de Pearson de 0,87 para predecir la fuerza del promotor.
• El sistema combinado demostró una correlación de diseño a medición de 0,95 y una alta precisión (R = 0,93) en todos los contextos.
• Los promotores diseñados mantuvieron los gradientes de fuerza previstos, mostrando una funcionalidad robusta.

Conclusiones:

• La plataforma desarrollada permite el diseño programable guiado por aprendizaje profundo de los promotores centrales de Escherichia coli.
• Esto facilita un control transcripcional preciso a través de secuencias de promotores diseñadas.
• La plataforma ofrece una solución escalable para aplicaciones de biología sintética.