Científicos de Harvard, MIT y Yale desarrollaron un modelo de IA generativa capaz de diseñar ADN sintético para la activación de genes de forma selectiva.
Investigadores de Yale, MIT y Harvard, desarrollaron un nuevo método de inteligencia artificial (IA) generativa para diseñar elementos que cumplen tareas de regulación genética de manera selectiva, es decir que controlan con precisión cómo se activan o expresan los genes en las células. De esta forma, el nuevo avance del ADN sintético permite la activación de genes solo en tipos específicos de células en el cuerpo.
A study published in Nature, describe este nuevo método para diseñar y probar elementos reguladores del ADN que controlan cómo se expresan los genes en diferentes tipos de células. Los elementos reguladores cis (CREs, en inglés) son secuencias de ADN que determinan cuándo, dónde y cuánto se activan ciertos genes. Esto es importante porque ayuda a definir la identidad de diferentes tejidos y cómo responden a estímulos.
Sin embargo, para algunas aplicaciones médicas o biotecnológicas, puede ser necesario un CRE específico que no se encuentra de forma natural. Para resolver esto, los investigadores crearon la plataforma Optimización Computacional de la Actividad del ADN, o CODA, que usa IA generativa y técnicas avanzadas para diseñar secuencias de ADN sintético que puedan dirigir la expresión de genes en tipos de células específicos.
Para ello utilizaron modelos de redes neuronales profundas para predecir cómo funcionarían estos CREs en tres tipos de células y después, optimizaron estas secuencias por computadora y las probaron de manera masiva en laboratorios. Posteriormente, descubrieron que, en muchos casos, los elementos sintéticos eran en realidad más específicos para un tipo de célula determinado que cualquiera de las secuencias naturales.
Es decir, los resultados mostraron que estas secuencias sintéticas funcionan mejor que las naturales para activar genes de manera específica en ciertos tipos de células. El estudio también mostró que estas secuencias diseñadas por IA pueden reducir la activación no deseada en otros tipos de células.
“Si lo pensamos en términos de lenguaje, la gramática y la sintaxis de estos elementos son poco entendidas. Y por eso, tratamos de construir métodos de machine learning automático que pudieran aprender un código más complejo del que podríamos hacer por nuestra cuenta”, expresó el Dr. Steven Reilly, profesor adjunto de genética en Yale. “Es posible que la evolución nunca haya querido construir un gran impulsor para un fármaco contra el Alzheimer, pero eso no significa que no pueda existir”, añadió.
“Al aplicar el aprendizaje automático y la biología molecular a la lógica de cuándo y dónde funcionan los CRE, podemos aprovechar ese conocimiento utilizando la IA generativa para construir herramientas para modular la expresión genética de nuevas formas experimentales y, tal vez algún día, terapéuticas”, explicó el Dr. Pardis Sabeti, coautor principal del estudio y profesor en Harvard.
CODA fue entrenado con datos de elementos reguladores naturales y con datos de actividad de más de 775 mil elementos reguladores diferentes en células sanguíneas, hepáticas y cerebrales humanas cultivadas en el laboratorio. De esta forma, los elementos reguladores pueden determinar si un gen se activa o se desactiva y en qué medida.
El siguiente paso de los investigadores es utilizar diferentes tipos de células para desarrollar elementos reguladores específicos para más tipos de células. De igual manera, planean combinar elementos diseñados por IA con otras soluciones tecnológicas necesarias para la terapia génica, especialmente con enfermedades del cerebro, del metabolismo o la sangre.
