Des chercheurs de l’université de New York (NYU) affirment avoir développé un modèle d’intelligence artificielle [1] permettant de prédire l’activité de l’outil d’édition génétique CRISPR-Cas13, mais également ses effets hors-cibles (cf. Editer le génome : des conséquences imprévisibles ?). A la différence de CRISPR-Cas9 qui édite l’ADN de la cellule, CRISPR-Cas13 agit sur l’ARN (cf. Des ciseaux moléculaires pour cibler l’ARN). Leurs travaux ont été publiés dans la revue Nature Biotechnology [2].
Les scientifiques ont mesuré l’activité de 200 000 ARN guides Cas13, « visant les ARN non codants, les ARN viraux et les transcrits codants pour des protéines spécifiques ». Un modèle, nommé TIGER [3], a ensuite été « formé » sur ces données. En comparant les prévisions du modèle avec des « tests empiriques » sur des cellules humaines, les chercheurs ont constaté une « grande précision » du modèle. Il s’agit du premier capable de prédire les deux activités à la fois, affirment ses auteurs.
« Il est important de noter que nous avons également pu utiliser l’apprentissage automatique interprétable pour comprendre pourquoi le modèle prédit qu’un guide spécifique fonctionnera bien ou non », souligne David Knowles, professeur à l’Université de Columbia et coauteur de l’étude.
« Notre modèle d’apprentissage profond peut nous indiquer non seulement comment concevoir un ARN guide qui supprime complètement un transcrit, mais aussi comment le “régler”, par exemple en lui faisant produire seulement 70% du transcrit d’un gène spécifique », pointe quant à lui Andrew Stirn, doctorant au New York Genome Center, et coauteur de l’étude. Cela pourrait se révéler utile pour les pathologies dans lesquelles il y a « trop de copies d’un gène », comme la trisomie 21, certaines formes de schizophrénie, la maladie de Charcot-Marie-Tooth, ou dans les cancers où « l’expression aberrante d’un gène peut entraîner une croissance incontrôlée de la tumeur ».
[1] Deep learning
[2] Prediction of on-target and off-target activity of CRISPR–Cas13d guide RNAs using deep learning, Nature Biotechnology (2023). DOI: 10.1038/s41587-023-01830-8
[3] Targeted Inhibition of Gene Expression via guide RNA design
Sources : Phys.org, New York University (03/07/2023) ; Trust my science, Valisoa Rasolofo et J. Paiano (04/07/2023) – Photo : iStock
