Diseño de un editor de bases de adenina preciso y compacto asistido por un modelo de lenguaje de proteínas y ácidos...

Área de la Ciencia:

• Biotecnología
• Edición Génica
• Biología Molecular

Sus antecedentes:

• Los editores de bases de adenina (ABE) son cruciales para la terapia génica, pero las versiones eficientes existentes como ABE8e tienen limitaciones.
• ABE8e presenta eventos excesivos de edición de transeúntes y fuera de objetivo, y es de gran tamaño, lo que dificulta las aplicaciones clínicas.

Objetivo del estudio:

• Diseñar un editor de bases de adenina (ABE) mejorado con alta actividad, una ventana de edición reducida y un tamaño reducido.
• Superar las limitaciones de la tecnología ABE actual para mejorar las aplicaciones de terapia génica.

Principales métodos:

• Desarrollo de un Modelo de Lenguaje Pre-entrenado con Restricciones de Proteínas y Ácidos Nucleicos (PNLM) para el diseño de ABE.
• Ingeniería de la variante ABE8e más pequeña, PNLM-pcABE, con características de edición optimizadas.
• Evaluación de la actividad, la precisión de la ventana de edición y los efectos fuera de objetivo de PNLM-pcABE en células HEK293T.

Principales resultados:

• El PNLM-pcABE diseñado logró una reducción del tamaño del 27% en comparación con ABE8e.
• PNLM-pcABE demostró una alta actividad con una ventana de edición precisa de 3 nucleótidos y eventos fuera de objetivo mínimos.
• Se logró una mejora de hasta 133,5 veces en la precisión de la corrección de mutaciones patógenas en comparación con ABE8e.
• Generación exitosa de un modelo de ratón albino con las mutaciones de bases deseadas (eficiencia de ~100%) y una reducción significativa de la expresión de PCSK9 in vivo utilizando la administración de nanopartículas lipídicas (LNP).

Conclusiones:

• El novedoso PNLM-pcABE representa un avance significativo en la tecnología ABE, ofreciendo mayor precisión y menor tamaño.
• PNLM-pcABE muestra un gran potencial para aplicaciones precisas de terapia génica y modelado eficiente de enfermedades.
• Este enfoque impulsado por modelos de lenguaje ofrece una estrategia poderosa para diseñar herramientas de edición genética de próxima generación.