AI携手量子化学，大幅提升基因编辑可预测性
AI携手量子化学，大幅提升基因编辑可预测性
造物引言
这篇文章讲述了研究人员通过可解释人工智能（XAI）方法，改善了CRISPR-Cas基因编辑技术的可预测性和可靠性。他们训练了一个名为迭代随机森林的XAI模型，识别出影响基因编辑效率的模式。同时，他们引入了量子化学性质，提高了对基因编辑位置的预测能力。
CRISPR-Cas 技术已被证明是分子生物学中的一股变革力量；然而，其有效性受到不同生物体基因组景观不可预测性的阻碍。CRISPR-Cas 技术是通过核酸酶 Cas 蛋白（如 Cas9）和引导 RNA（gRNA）的串联机制来实现的，gRNA能够精确指导 DNA 编辑的位置。然而，基因组结构的固有变异性成为了试图有效利用这项技术的科学家的重大挑战。
为了克服这一障碍，Oak Ridge国家实验室和Tennessee大学Knoxville分校的研究人员转向了一种新型应用——可解释人工智能（XAI）。他们的目标是阐明引导RNA设计、基因组特征和CRISPR工具活性之间的复杂关系。
他们在《核酸研究》杂志上发表的研究代表了提高CRISPR-Cas系统可预测性和可靠性的重要进展。通过利用公开可用的数据集，研究团队训练了一个名为迭代随机森林的XAI模型，用于识别影响CRISPR-Cas9介导的基因组编辑效率的模式。同时，他们还引入了一组新颖的量子化学性质，将量子力学规则应用于分子间相互作用的理解，从而改进了对CRISPR-Cas基因组编辑位置的预测。
研究结果表明，量子化学特征对不同生物体中RNA引导效率产生了深远影响，包括从人类到细菌基因组的各种生物体。此外，特定量子性质的重要性在不同物种之间存在差异，强调了分子结构与CRISPR-Cas活性之间微妙的相互作用。
这项研究的意义远远超出实验室范围。随着基因组编辑准备在农业、医学等各个领域引起重大变革，确保CRISPR-Cas工具的精确性和安全性至关重要。通过揭示控制CRISPR-Cas功能的基本机制，这项研究为非模式生物中更具洞察力和有效性的基因工程策略铺平了道路。