Crean la primera herramienta de software de código abierto para acelerar descubrimientos genéticos

Los cultivos de biocombustibles comercialmente viables son vitales para reducir las emisiones de gases de efecto invernadero, y una nueva herramienta desarrollada por el Centro de Innovación Avanzada de Bioenergía y Bioproductos (CABBI) debería acelerar su desarrollo y los avances de edición genética en general.

Los genomas de los cultivos se adaptan a través de generaciones de mejoramiento para optimizar rasgos específicos y, hasta hace poco, los mejoradores se limitaban a la selección de la diversidad natural.

La tecnología de edición de genes CRISPR/Cas9 puede cambiar esto, pero las herramientas de software necesarias para diseñar y evaluar experimentos CRISPR hasta ahora se han basado en las necesidades de edición en genomas de mamíferos, que no comparten las mismas características que los genomas de cultivos complejos.

CROPSR es la primera herramienta de software de código abierto para el diseño y la evaluación de todo el genoma de secuencias de ARN guía (ARNg) para experimentos CRISPR.

CROPSR fue creado por científicos de CABBI,

El enfoque de todo el genoma reduce significativamente el tiempo necesario para diseñar un experimento CRISPR, lo que reduce el desafío de trabajar con cultivos y acelera el diseño, la evaluación y la validación de la secuencia de ARNg.

“CROPSR proporciona a la comunidad científica nuevos métodos y un nuevo flujo de trabajo para realizar experimentos de eliminación de CRISPR/Cas9”, dijo el desarrollador Hans Müller Paul, biólogo molecular y Ph.D. estudiante con el coautor Matthew Hudson, profesor de Ciencias de Cultivos en la Universidad de Illinois Urbana-Champaign.

“Esperamos que el nuevo software acelere el descubrimiento y reduzca la cantidad de experimentos fallidos”.

Para satisfacer mejor las necesidades de los genetistas de cultivos, el equipo creó un software que elimina las restricciones impuestas por otros paquetes sobre el diseño y la evaluación de secuencias de gRNA, las guías utilizadas para localizar material genético objetivo.

Los miembros del equipo también desarrollaron un nuevo modelo de aprendizaje automático que no evitaría las guías para las regiones genómicas repetitivas que a menudo se encuentran en las plantas, un problema con las herramientas existentes.

El modelo de puntuación CROPSR proporcionó predicciones mucho más precisas, incluso en genomas que no son cultivos, dijeron los autores.

“El objetivo era incorporar características para hacer la vida más fácil para el científico”, dijo Müller Paul.

Muchos cultivos, en particular las materias primas bioenergéticas, tienen genomas poliploides muy complejos, con múltiples juegos de cromosomas.

Y algunas herramientas de software de edición de genes basadas en genomas diploides (como los de los humanos) tienen problemas con las peculiaridades de los genomas de cultivos.

“A veces puede tomar semanas o meses darse cuenta de que no tiene el resultado que esperaba”, dijo Müller Paul.

Por ejemplo, un rasgo puede estar regulado por una colección de genes, particularmente uno que involucre estrés en la planta donde los sistemas de respaldo son útiles.

Un científico podría diseñar un experimento para anular un gen y no darse cuenta de otro que realiza la misma función.

Es posible que el problema no se descubra hasta que la planta madure sin alterar el rasgo de ninguna manera.

Es un problema particular con los cultivos que requieren condiciones climáticas específicas para crecer, donde perder una temporada podría significar un retraso de un año.

El uso de un enfoque de todo el genoma permitió a los científicos adaptar CROPSR para el uso de las plantas al eliminar los sesgos incorporados que se encuentran en las herramientas de software existentes.

Debido a que se basan en genomas humanos o de ratones, donde las copias múltiples de genes son menos comunes, esas herramientas penalizan las secuencias de gRNA que golpean el genoma en más de una posición, para evitar causar mutaciones en lugares donde no están previstas.

Pero con los cultivos, el objetivo suele ser mutar más de una posición para eliminar todas las copias de un gen.

Anteriormente, los científicos a veces tenían que diseñar cuatro o cinco experimentos de mutación para eliminar cada gen individualmente, lo que requería más tiempo y esfuerzo.

CROPSR puede generar una base de datos de ARN guía CRISPR utilizables para un genoma de cultivo completo.

Ese proceso es computacionalmente intensivo y requiere mucho tiempo, por lo general requiere varios días, pero los investigadores solo tienen que hacerlo una vez para construir una base de datos que luego se puede usar para experimentos en curso.

Entonces, en lugar de buscar un gen objetivo a través de una base de datos en línea, luego usar las herramientas actuales para diseñar guías separadas para cinco ubicaciones diferentes y realizar múltiples rondas de experimentos, los científicos podrían buscar el gen en su propia base de datos y ver todas las guías disponibles.

CROPSR también indicaría otras ubicaciones para apuntar en el genoma.

Los investigadores podrían seleccionar una guía que abarque todos los genes, lo que haría mucho más fácil y rápido diseñar el experimento.

“Simplemente puede ingresar a la base de datos, obtener toda la información que necesita, estar listo para funcionar y comenzar a trabajar”, ​​dijo Müller Paul.

“Cuanto menos tiempo dedique a planificar sus experimentos, más tiempo podrá dedicar a realizar sus experimentos”.

Para los científicos de CABBI, que a menudo trabajan con genomas de plantas repetitivos, tener una herramienta de ARNg que les permita diseñar guías de funcionamiento con confianza “debería ser un paso adelante”, dijo.

Como su nombre lo indica, CROPSR se diseñó teniendo en cuenta los genomas de cultivos, pero es aplicable a cualquier tipo de genoma.

“CROPSR también se basa en genes humanos, ya que la disponibilidad de datos para genes de cultivos aún no está disponible“, dijo Müller Paul, “pero estamos buscando algunas colaboraciones con otros BRC para proporcionar una predicción más capaz basada en biofísica para ayudar a mitigar algunos de los problemas causados por la falta de datos”.

En el futuro, espera que los investigadores registren sus resultados fallidos junto con los éxitos para ayudar a generar los datos para entrenar un modelo específico de cultivo.

Si las colaboraciones funcionan, “podríamos estar viendo algunos avances muy interesantes en el entrenamiento de modelos de aprendizaje automático para aplicaciones CRISPR, y potencialmente también para otros modelos“.

Fuente: BMC Bioinformatics