加速主編輯: 機器學習幫助設計給定遺傳缺陷的最佳修復方法

編輯基因的能力一直是科學家長期以來的目標，最近基因編輯技術的進步使它比以往任何時候都更加可行。 其中一種技術是素數編輯，它可以用來精確和高效地編輯DNA序列。 然而，爲給定遺傳缺陷設計最優素數編輯策略可能是一個耗時且具有挑戰性的過程。 這就是機器學習的作用所在。

請同時閱讀這篇文章: 科技日報-1713年第3頁-2023年科學、空間和技術新聞

最近發表在《自然通訊》雜誌上的一項研究中，加州大學伯克利分校的研究人員利用機器學習來加速主要的編輯過程。 研究人員開發了一種算法，利用機器學習預測給定遺傳缺陷的最佳素數編輯策略。 該算法是在一個數據庫中訓練出來的，該數據庫包含超過56，000個先前設計好的主編輯策略，能夠快速準確地預測給定遺傳缺陷的最佳修復方案。

Prime 編輯通過使用改進的 CRISPR-Cas9 系統來鎖定 DNA 鏈上的特定位置。 一旦定位成爲目標，一個主編輯蛋白就被用來用一個新的，期望的序列來取代目標DNA序列。 主編輯器蛋白包括切割DNA的核酸酶和執行所需編輯的酶。

雖然素數編輯在基因編輯領域具有改變局面的潛力，但針對給定遺傳缺陷設計最優素數編輯策略可能是一個複雜且耗時的過程。 因爲遺傳缺陷的位置、希望編輯的大小、主要編輯蛋白質的效率等需要考慮的因素很多。

爲了克服這些挑戰，研究人員開發了一種算法，利用機器學習來預測給定遺傳缺陷的最優素數編輯策略。 該算法基於一個深度神經網絡，該網絡是在一個超過56，000個先前設計的主要編輯策略的數據庫上訓練出來的。 神經網絡能夠學習不同素數編輯策略之間的基本模式和關係，從而能夠快速準確地預測針對給定遺傳缺陷的最佳策略。

爲了測試算法的有效性，研究人員用它設計了兩種遺傳缺陷的原始編輯策略，一種是植物物種，另一種是人類細胞系。 在這兩種情況下，該算法都能設計出高效的素數編輯策略，以實現所需的編輯。

利用機器學習來加速原始編輯過程，有可能大大加快基因療法和其他基因療法的開發。 通過快速準確地預測給定遺傳缺陷的最優素數編輯策略，研究人員可以集中精力開發和測試最有前途的策略。

除了在基因治療方面的潛在應用外，機器學習在素數編輯方面的應用也可能對合成生物學領域產生影響。 合成生物學家利用基因工程來設計和構建生物系統，而有效和精確地編輯基因的能力對於這一領域至關重要。

綜上所述，利用機器學習加速原位編輯是基因編輯領域的一個很有前途的發展。 通過快速準確地預測給定遺傳缺陷的最優素數編輯策略，研究人員可以集中精力開發和測試最有前途的策略。 這可能會對基因療法、合成生物學和其他依賴精確基因編輯的領域的發展產生影響。