Het is moeilijk het potentieel van biotechnologie te overschatten om enkele van de meest urgente uitdagingen van de 21e eeuw aan te pakken. Deze uitdagingen omvatten het voeden van een groeiende wereldbevolking, het verbeteren van de gezondheidszorg en toegang tot therapieën, en het verzachten van de gevolgen van klimaatverandering.

Gezien de "datarijke" aard van biologische experimenten en de sterke afhankelijkheid van dergelijke gegevens, is het geen wonder dat kunstmatige intelligentie (AI) een cruciale rol speelt bij het bevorderen van synthetische biologie door het ontwerpen, bouwen en optimaliseren van biologische systemen te vergemakkelijken. Enkele van de belangrijkste manieren waarop AI wordt gebruikt om synthetische biologie vooruit te helpen, zijn:

Op CRISPR gebaseerde genbewerking

Kunstmatige intelligentie speelt een belangrijke rol bij het verbeteren van genbewerking met behulp van CRISPR-Cas9-technologie. CRISPR-Cas9 is een krachtige tool voor het bewerken van genen waarmee onderzoekers nauwkeurige bewerkingen in het genoom kunnen uitvoeren door delen van de DNA-sequentie toe te voegen, te verwijderen of te wijzigen. Een van de uitdagingen in de CRISPR-Cas9-technologie is echter de voorspelling en minimalisering van off-target-effecten, dit zijn onbedoelde modificaties in DNA-sequenties die vergelijkbaar zijn met de beoogde doelsite.

AI kan dit probleem helpen aanpakken door enorme hoeveelheden genomische gegevens te analyseren om mogelijke off-target-effecten en hun waarschijnlijkheid te voorspellen, en zo onderzoekers te begeleiden naar nauwkeurigere en efficiëntere genbewerking. Machine learning-algoritmen kunnen worden getraind op grote datasets van genomische sequenties en CRISPR-Cas9-snijprofielen om off-target-effecten te voorspellen op basis van de overeenkomsten tussen de target- en off-target-sequenties, evenals andere factoren zoals de toegankelijkheid van chromatine.

Bovendien kan AI helpen bij het identificeren van optimale doelsites voor CRISPR-Cas9-bewerking door de genomische context, functionele annotaties en potentiële off-target sites te analyseren. Hierdoor kunnen onderzoekers doelsites selecteren met minimale off-target risico's en een hogere bewerkingsefficiëntie.

Een ander aspect waar AI kan bijdragen aan de CRISPR-Cas9-technologie is de optimalisatie van het ontwerp van gids-RNA (gRNA). Het gRNA is een cruciaal onderdeel van het CRISPR-Cas9-systeem, dat verantwoordelijk is voor het geleiden van het Cas9-nuclease naar de doel-DNA-sequentie. AI-algoritmen kunnen worden gebruikt om sequentiekenmerken te analyseren, de efficiëntie van gRNA-binding te voorspellen en optimale gRNA-sequenties voor een specifiek doelwit voor te stellen, waardoor de algehele efficiëntie en specificiteit van het bewerken van genen wordt verbeterd.

In deze context is een interessant bedrijf Synthego, een leverancier van CRISPR-oplossingen voor genoomengineering, die algoritmen voor machine learning gebruikt om optimale gids-RNA-ontwerpen (gRNA) te analyseren en te voorspellen, waarbij off-target-effecten worden geminimaliseerd en de bewerkingsefficiëntie wordt gemaximaliseerd.

Een ander bedrijf, opschrift is een technologiebedrijf voor genbewerking dat het Onyx-platform ontwikkelt, een volledig geautomatiseerd tafelmodel voor genbewerking met hoge doorvoer. Hun geavanceerde algoritmen en machine learning-modellen maken een snel ontwerp, optimalisatie en uitvoering van CRISPR-experimenten mogelijk, waardoor het proces wordt gestroomlijnd en de resultaten worden verbeterd.

Optimalisatie van de gensequentie

Optimalisatie van gensequenties maakt gebruik van AI-algoritmen, met name machine learning en deep learning-modellen, om grote hoeveelheden genetische gegevens te analyseren en de ideale gensequenties voor gerichte biologische functies te bepalen. Door dit te doen, kunnen onderzoekers synthetische genen ontwikkelen met verhoogde efficiëntie en stabiliteit. 

Een toonaangevend bedrijf op dit gebied is Bankieren, dat een cloudgebaseerd platform biedt voor biowetenschappelijk onderzoek, waarmee wetenschappers gensequenties kunnen ontwerpen, bewerken en simuleren met behulp van machine learning-algoritmen. Een ander voorbeeld is DNA2.0, nu bekend als ATUM, dat zijn gepatenteerde GeneGPS™-technologie gebruikt om genen te ontwerpen die zijn geoptimaliseerd voor expressie in elk gastheerorganisme. Twist Bioscience is ook toonaangevend op het gebied van gensequentie-optimalisatie, door gebruik te maken van op silicium gebaseerde DNA-synthese om geoptimaliseerde, hoogwaardige genen voor verschillende toepassingen te genereren.

Eiwit ontwerp

Eiwitontwerp en -engineering maken gebruik van AI om de structuur en functie van eiwitten te voorspellen op basis van hun aminozuursequenties, waardoor wetenschappers in staat worden gesteld om innovatieve eiwitten met specifieke kenmerken te creëren. Dit proces kan resulteren in de creatie van nieuwe enzymen, therapieën en biomaterialen.

Een belangrijke speler in dit domein is DeepMind, het bedrijf achter AlphaFold, een AI-systeem dat eiwitstructuren nauwkeurig voorspelt op basis van aminozuursequenties, wat een revolutie teweegbrengt in de voorspelling van eiwitstructuren. Rosetta door de Instituut voor eiwitontwerp is een ander krachtig rekenhulpmiddel voor het voorspellen en ontwerpen van eiwitstructuren, waarmee aangepaste eiwitten kunnen worden gemaakt. Aanvullend, Zymergen maakt gebruik van AI-gestuurde technieken om nieuwe eiwitten te ontwerpen en te engineeren, met toepassingen in sectoren zoals landbouw, gezondheidszorg en materiaalkunde. 

Ten slotte onthulde Meta, het bedrijf achter Facebook en Instagram, de ESM Metagenomic Atlas, die de structuren bevat van meer dan 600 miljoen vermeende eiwitten. Hoewel het Meta AI-algoritme, ESMFold, misschien niet zo nauwkeurig is als AlphaFold van DeepMind, heeft het een snellere verwerkingstijd. Deze verhoogde snelheid komt voort uit de voorspellingsmethode van de eiwitstructuur van het algoritme, die een taalmodel gebruikt dat is getraind op sequentiegegevens, of de volgorde van aminozuren in de lineaire ketens die eiwitten vormen.

Als resultaat van de versnelde verwerkingscapaciteit konden onderzoekers de 600 miljoen structuren voorspellen binnen een tijdsbestek van slechts 2 weken, gebruikmakend van een netwerk van ongeveer 2,000 grafische verwerkingseenheden.

Metabole pathway-engineering

Metabolic pathway engineering maakt gebruik van AI om metabolische routes te lokaliseren en te verbeteren voor het genereren van specifieke verbindingen, waaronder biobrandstoffen, farmaceutische producten en verschillende chemicaliën. Door het samenspel tussen genen, enzymen en metabolieten te onderzoeken, kunnen AI-algoritmen de meest effectieve routes voorspellen voor het synthetiseren van doelmoleculen.

Een baanbrekend bedrijf op dit gebied is Ginkgo Bioworks, dat AI-gestuurde technieken gebruikt om microben te ontwikkelen voor het produceren van waardevolle verbindingen met industriële toepassingen. Een ander opmerkelijk voorbeeld is opschrift, dat het Onyx™-platform biedt voor het ontwerpen en ontwikkelen van microbiële stammen om metabole routes te optimaliseren voor gerichte molecuulproductie. Aanvullend, Zymergen maakt gebruik van AI en automatisering om microben te ontwikkelen en metabolische routes te optimaliseren, met toepassingen in de landbouw, gezondheidszorg en materiaalkunde.

Geautomatiseerd experimentontwerp

AI kan helpen bij het optimaliseren van experimentele ontwerpen in synthetische biologie, door te voorspellen welke experimenten waarschijnlijk waardevolle resultaten zullen opleveren en door onderzoekers te begeleiden bij het nemen van beter geïnformeerde beslissingen.

Een leider op dit gebied is synthace, dat het Antha-platform biedt, cloudgebaseerde software voor het ontwerpen, simuleren en uitvoeren van biologische onderzoeksworkflows met behulp van machine learning-algoritmen. Een andere belangrijke speler is Arzeda, een bedrijf dat AI en computationeel eiwitontwerp gebruikt om op maat gemaakte genetische circuits te bouwen voor verschillende industriële toepassingen. 

TeslaGen implementeert de eerste oplossing die state-of-the-art AI-ondersteunde informatietechnologie voor biotechnologie bevat als een veilig bedrijfsbesturingssysteem. Aangedreven door de Synthetic Evolution® machine learning engine, standaardiseert, analyseert en integreert TeselaGen gegevens uit verschillende bronnen, en maakt ontwerpexperimenten met hoge doorvoer en hoge inhoud mogelijk. 

Om de zaken af ​​te ronden, heeft AI de kracht om significante veranderingen in de synthetische biologie teweeg te brengen, waardoor we enkele van de meest urgente problemen van vandaag kunnen aanpakken. Het is echter belangrijk om te onthouden dat deze samenwerking tussen disciplines zijn eigen uitdagingen met zich meebrengt. De gecompliceerde aard van biologische systemen, de beperkingen van de gegevens die we hebben, de strijd om modellen te valideren en de behoefte aan samenwerking tussen verschillende velden bieden allemaal hindernissen die moeten worden overwonnen.

Onderwerpen: Industry Trends   

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
• Bron: https://www.biopharmatrend.com/post/642-from-gene-editing-to-pathway-design-how-ai-is-transforming-synthetic-biology/