Künstliche Intelligenz kann heute nicht mehr nur vorhersagen, wie sich Proteine räumlich falten. Sie beginnt auch damit, neue Proteine zu entwerfen. Forschende der University of California, Berkeley, haben diesen Ansatz nun auf RNA-gesteuerte Genscheren übertragen. Dabei entstanden synthetische Enzyme, die in bestimmten Tests genauso gut oder sogar besser arbeiteten als ihr natürliches Vorbild.
Die im Fachjournal Science veröffentlichte Arbeit zeigt, wie generative KI, Strukturbiologie, Evolutionsforschung und Hochdurchsatzexperimente miteinander kombiniert werden können. Das langfristige Ziel besteht darin, Genome-Editing-Werkzeuge nicht mehr ausschließlich in der Natur suchen zu müssen. Stattdessen könnten Forschende eines Tages Genscheren mit gezielt ausgewählten Eigenschaften konstruieren: kompakter, aktiver, stabiler oder besser an eine bestimmte medizinische beziehungsweise landwirtschaftliche Anwendung angepasst.
Was ist CRISPR eigentlich?
CRISPR-Cas-Systeme stammen ursprünglich aus Bakterien und Archaeen. Für diese Mikroorganismen bilden sie eine Art molekulares Immunsystem. Dringt ein Virus in eine Bakterienzelle ein, kann die Zelle kurze Abschnitte der viralen Erbinformation speichern. Bei einem erneuten Angriff nutzt sie daraus abgeleitete RNA-Moleküle, um das fremde Erbgut zu erkennen.
Eine sogenannte Cas-Nuklease wird durch eine Führungs-RNA zu einer passenden DNA-Sequenz geleitet. Dort bindet das Protein an die DNA und schneidet sie. Forschende können dieses System umprogrammieren, indem sie die Sequenz der Führungs-RNA verändern. Dadurch lässt sich bestimmen, an welcher Stelle im Genom die Nuklease aktiv werden soll.
Nach dem Schnitt greifen die natürlichen Reparaturmechanismen der Zelle ein. Je nach eingesetzter Methode können Gene ausgeschaltet, DNA-Sequenzen korrigiert oder neue genetische Informationen eingefügt werden. CRISPR ist daher nicht nur ein einzelnes Werkzeug, sondern eine technologische Plattform mit zahlreichen Varianten.
Warum werden neue Genscheren benötigt?
Die bekannte Cas9-Nuklease hat die Molekularbiologie revolutioniert. Trotzdem ist sie nicht für jede Aufgabe ideal. Verschiedene Anwendungen stellen unterschiedliche Anforderungen an ein Genome-Editing-System.
- Das Protein soll möglichst effizient zur gewünschten DNA-Sequenz gelangen.
- Es soll die Zielstelle zuverlässig erkennen und unerwünschte Schnitte vermeiden.
- Es muss unter den Bedingungen der jeweiligen Zelle stabil und aktiv bleiben.
- Für manche Transportverfahren darf das Protein nur eine begrenzte Größe besitzen.
- Einige Anwendungen benötigen andere Erkennungsmotive oder besondere Schnittmuster.
Bislang wurden neue Genscheren meist entdeckt, indem Forschende die Genome von Bakterien, Archaeen und deren mobilen genetischen Elementen durchsuchten. Ein interessantes natürliches Protein wird anschließend im Labor charakterisiert und durch gezielte Mutationen optimiert.
Dieser Ansatz war außerordentlich erfolgreich. Er bleibt jedoch darauf beschränkt, welche Moleküle die Evolution tatsächlich hervorgebracht hat. Die theoretisch mögliche Zahl unterschiedlicher Proteinsequenzen ist dagegen unvorstellbar groß. Nur ein winziger Teil dieses sogenannten Sequenzraums wurde im Verlauf der Evolution ausprobiert.
TnpB: Eine besonders kompakte molekulare Schere
Für ihre Studie wählte das Team um Petr Skopintsev, Isabel Esain-Garcia, Evan DeTurk und Jennifer Doudna das Protein TnpB als Ausgangspunkt. TnpB kommt in Verbindung mit mobilen genetischen Elementen vor und schneidet DNA mithilfe eines RNA-Moleküls.
Aus evolutionärer Sicht ist TnpB besonders interessant, weil es mit den Cas12-Nukleasen verwandt ist. Es kann als eine Art kompakter Vorläufer bestimmter CRISPR-Systeme betrachtet werden. Seine geringe Größe könnte für Anwendungen wichtig sein, bei denen nur wenig Platz für das genetische Bauprogramm eines Editors zur Verfügung steht.
Das ist beispielsweise bei bestimmten viralen Transportvehikeln relevant. Diese können genetische Informationen in Zellen einschleusen, besitzen jedoch nur eine begrenzte Verpackungskapazität. Ein kleiner Editor lässt mehr Raum für die Führungs-RNA, regulatorische Sequenzen oder zusätzliche therapeutische Komponenten.
Kompaktheit allein reicht allerdings nicht aus. Viele natürliche TnpB-Proteine sind in menschlichen oder pflanzlichen Zellen nicht automatisch besonders aktiv. Die Herausforderung besteht deshalb darin, kleine Proteine zu entwickeln, die gleichzeitig effizient, stabil und ausreichend spezifisch sind.
Warum das Design einer Genschere so schwierig ist
Eine RNA-gesteuerte Nuklease ist kein starres molekulares Messer. Sie ist eine dynamische Maschine, die während ihrer Arbeit mehrere räumliche Zustände durchläuft.
Zunächst muss das Protein die Führungs-RNA korrekt binden. Anschließend sucht der Komplex nach einer geeigneten DNA-Sequenz. Er erkennt ein kurzes benachbartes Motiv, öffnet die DNA-Doppelhelix und prüft, ob die Führungs-RNA zur Zielsequenz passt. Erst danach werden die katalytischen Bereiche so angeordnet, dass die DNA geschnitten werden kann.
Schon der Austausch einzelner Aminosäuren kann diese fein abgestimmte Abfolge beeinträchtigen. Eine veränderte Stelle kann beispielsweise:
- die Faltung des Proteins destabilisieren,
- die Bindung der Führungs-RNA schwächen,
- den Kontakt zur Ziel-DNA verändern,
- die Beweglichkeit einzelner Proteindomänen einschränken oder
- das katalytische Zentrum unbrauchbar machen.
Genau deshalb ist es wesentlich schwieriger, ein funktionsfähiges Enzym zu entwerfen, als lediglich ein Protein zu erzeugen, das eine bestimmte Form besitzt.
Die KI arbeitet gewissermaßen rückwärts
Das Forschungsteam verwendete ein sogenanntes Inverse-Folding-Modell. Ein klassisches Strukturvorhersagemodell erhält die Aminosäuresequenz eines Proteins und versucht daraus seine dreidimensionale Struktur abzuleiten. Beim inversen Falten wird die Aufgabe umgekehrt: Das Modell erhält eine gewünschte Proteinstruktur und schlägt Aminosäuresequenzen vor, die sich wahrscheinlich in diese Form falten.
Zum Einsatz kam das Modell ESM-IF1. Es kann für ein gegebenes Proteinrückgrat neue Sequenzen erzeugen. Ein solches Modell könnte theoretisch sehr weit von der natürlichen Ausgangssequenz abweichen. Bei komplexen Nukleasen wäre ein vollständig freies Design jedoch riskant, weil wichtige Bindungsstellen oder katalytische Bereiche zerstört werden könnten.
Die Forschenden kombinierten das KI-Modell deshalb mit Informationen aus der Evolution. Sie verglichen verwandte TnpB-Sequenzen und untersuchten, welche Aminosäuren über lange Zeiträume konserviert geblieben waren. Stark erhaltene Positionen sind häufig für die Faltung, die katalytische Aktivität oder den Kontakt mit RNA und DNA wichtig.
Zusätzlich berücksichtigte das Team sogenannte ko-evolutionäre Beziehungen. Wenn sich zwei Positionen in verwandten Proteinen häufig gemeinsam verändern, kann das darauf hindeuten, dass sie funktionell oder strukturell zusammenarbeiten. Solche Informationen helfen dabei, empfindliche Teile des Proteins zu erkennen.
Die KI durfte nicht alles verändern
Der entscheidende Punkt des Verfahrens war die Verbindung von Freiheit und Kontrolle. Das Modell konnte große Bereiche des Proteins neu gestalten. Positionen, die aufgrund der evolutionären Analyse als besonders wichtig erschienen, wurden dagegen geschützt oder nur eingeschränkt verändert.
Damit handelt es sich nicht um ein vollkommen voraussetzungsloses Design „aus dem Nichts“. Die KI erhielt ein strukturelles Gerüst und biologische Leitplanken. Innerhalb dieses Rahmens konnte sie jedoch Proteinsequenzen erkunden, die sich deutlich von bekannten natürlichen Varianten unterscheiden.
Dieser hybride Ansatz ist wahrscheinlich einer der wichtigsten Aspekte der Studie. Reine Sequenzmodelle erzeugen häufig Proteine, die ihren natürlichen Vorlagen sehr ähnlich bleiben. Ein völlig freies Design kann dagegen zu neuartigen, aber funktionslosen Molekülen führen. Struktur- und Evolutionsdaten bilden einen Mittelweg zwischen diesen beiden Extremen.
Rund 2.000 synthetische Proteine im Test
Computermodelle können in kurzer Zeit sehr viele Sequenzen vorschlagen. Ob ein Protein tatsächlich funktioniert, lässt sich aber weiterhin nur durch Experimente zuverlässig beantworten.
Im Verlauf der Studie untersuchte das Team ungefähr 2.000 KI-generierte TnpB-Varianten. Die Proteine wurden zunächst in einem Hochdurchsatzverfahren auf ihre Nuklease-Aktivität getestet. Fast jede vierte untersuchte Variante zeigte eine messbare Aktivität.
Für den Entwurf eines komplexen Enzyms ist diese Erfolgsquote bemerkenswert. Die KI musste nicht nur eine stabile Proteinstruktur erzeugen. Die entworfenen Moleküle mussten außerdem eine RNA binden, eine Zielsequenz erkennen, verschiedene räumliche Zustände durchlaufen und schließlich DNA schneiden.
Die aktiven synthetischen Varianten erhielten die Bezeichnung SynTnpB. Besonders vielversprechende Kandidaten wurden anschließend in unterschiedlichen biologischen Systemen genauer untersucht.
Aktivität in Bakterien, Pflanzen und menschlichen Zellen
Die Forschenden beschränkten ihre Tests nicht auf ein einzelnes Bakteriensystem. Ausgewählte SynTnpB-Varianten wurden auch in pflanzlichen und menschlichen Zellen geprüft.
Mehrere synthetische Proteine erreichten dabei eine ähnliche oder höhere Editierungsaktivität als das natürliche TnpB-Ausgangsprotein. Gleichzeitig konnten einige Varianten trotz umfangreicher Veränderungen ihre Fähigkeit behalten, zwischen passenden und unpassenden Zielsequenzen zu unterscheiden.
| Testsystem | Fragestellung | Ergebnis der Studie |
|---|---|---|
| Bakterielle Systeme | Sind die KI-entworfenen Proteine grundsätzlich aktive Nukleasen? | Ein erheblicher Anteil der erzeugten Varianten zeigte messbare Aktivität. |
| Menschliche Zellen | Können SynTnpBs auch Zielstellen in einem menschlichen Genom bearbeiten? | Mehrere Varianten erreichten eine vergleichbare oder verbesserte Aktivität gegenüber dem natürlichen Referenzprotein. |
| Pflanzenzellen | Lässt sich das Verfahren auch für pflanzliche Genome nutzen? | Ausgewählte Varianten waren auch in pflanzlichen Zellen als Genome-Editoren aktiv. |
Das bedeutet allerdings nicht, dass die neuen Proteine in jeder Situation leistungsfähiger als natürliche CRISPR-Systeme sind. Die Ergebnisse beziehen sich auf bestimmte Proteine, Zielsequenzen, Zelltypen und experimentelle Bedingungen. „Besser als die Natur“ wäre daher eine zu pauschale Zusammenfassung.
Wissenschaftlich angemessener ist die Aussage, dass einige KI-entworfene Varianten in den durchgeführten Tests das natürliche TnpB-Referenzprotein übertrafen. Ob daraus allgemein überlegene Genome-Editing-Werkzeuge entstehen, müssen weitere Untersuchungen zeigen.
Ein Blick auf die Atome: Was die Kryo-Elektronenmikroskopie zeigte
Die Forschenden wollten nicht nur feststellen, ob die synthetischen Proteine funktionieren. Sie wollten auch verstehen, warum sie funktionieren.
Dazu untersuchten sie eine besonders stark veränderte aktive Variante mithilfe der Kryo-Elektronenmikroskopie. Bei dieser Methode werden Molekülkomplexe sehr schnell eingefroren und aus zahlreichen zweidimensionalen Aufnahmen dreidimensionale Strukturen berechnet.
Nach Angaben des Teams handelt es sich um die erste experimentell bestimmte Struktur einer funktionsfähigen, durch KI entworfenen RNA-gesteuerten Nuklease. Die Aufnahmen zeigten, dass neu erzeugte Aminosäuren zusätzliche stabilisierende Kontakte an den Grenzflächen zwischen Protein, RNA und DNA bilden konnten.
Die KI hatte somit nicht bloß oberflächliche Bereiche des Proteins ausgetauscht. Einige der erzeugten Veränderungen beteiligten sich direkt an den molekularen Kontakten, die für die Arbeit des Editors entscheidend sind.
Außerdem konnten die Forschenden unterschiedliche Konformationszustände beobachten. Darunter befand sich ein zuvor bei TnpB nicht beschriebener Zustand, in dem der Komplex an das benachbarte Erkennungsmotiv der Ziel-DNA gebunden war. Die Struktur lieferte daher nicht nur Informationen über das KI-Design, sondern auch neue Erkenntnisse über die Arbeitsweise natürlicher TnpB-Proteine.
Warum diese Studie über CRISPR hinaus wichtig ist
Die Bedeutung der Arbeit liegt nicht allein in den erzeugten SynTnpB-Varianten. Noch wichtiger könnte die entwickelte Designstrategie sein.
Viele biologisch interessante Proteine sind dynamische Maschinen mit mehreren Domänen. Sie binden unterschiedliche Moleküle, verändern ihre Form und durchlaufen mehrere Reaktionsschritte. Beispiele sind Polymerasen, Reparaturenzyme, molekulare Motoren, Rezeptoren und RNA-bindende Proteine.
Die Studie zeigt, dass KI-Modelle möglicherweise auch solche komplexen Systeme entwerfen können, wenn sie mit ausreichend biologischem Wissen kombiniert werden. Strukturinformationen geben die räumliche Architektur vor. Evolutionsdaten markieren besonders empfindliche Bereiche. Hochdurchsatzexperimente liefern anschließend die notwendige Kontrolle in der realen Welt.
Diese Verbindung könnte einen allgemeinen Kreislauf des molekularen Designs ermöglichen:
- Ein KI-Modell erzeugt zahlreiche Kandidaten.
- Automatisierte Experimente messen deren Eigenschaften.
- Die experimentellen Daten fließen in die nächste Modellgeneration ein.
- Neue Kandidaten werden gezielter auf bestimmte Eigenschaften optimiert.
Proteinentwicklung würde damit zunehmend von einem langsamen Versuch-und-Irrtum-Verfahren zu einem planbareren Ingenieurprozess.
Welche Eigenschaften könnten künftig programmiert werden?
Das langfristige Ziel besteht nicht nur darin, die Schneideaktivität eines Proteins zu erhöhen. Unterschiedliche Anwendungen benötigen unterschiedliche Kombinationen von Eigenschaften.
1. Höhere Zielspezifität
Ein therapeutischer Editor sollte möglichst nur die vorgesehene DNA-Sequenz verändern. Schnitte an ähnlichen, aber unerwünschten Stellen werden als Off-Target-Effekte bezeichnet. KI-Modelle könnten künftig gezielt nach Proteinvarianten suchen, die kleine Abweichungen zwischen Führungs-RNA und DNA strenger erkennen.
2. Geringere Molekülgröße
Kompakte Editoren lassen sich leichter in bestimmte Transportvehikel integrieren. TnpB ist deshalb ein attraktiver Ausgangspunkt. Kleinere Systeme könnten insbesondere bei Gentherapien und bei der genetischen Veränderung von Pflanzen Vorteile besitzen.
3. Andere Erkennungsmotive
Viele RNA-gesteuerte Nukleasen benötigen neben ihrer eigentlichen Zielsequenz ein kurzes zusätzliches DNA-Motiv. Bei Cas-Proteinen wird es meist als PAM bezeichnet, bei TnpB als TAM. Die Abhängigkeit von solchen Motiven begrenzt, welche Stellen im Genom erreichbar sind. Neue Varianten könnten andere Motive erkennen und dadurch zusätzliche Zielregionen zugänglich machen.
4. Angepasste Temperaturstabilität
Ein Editor für menschliche Zellen muss bei anderen Temperaturen zuverlässig funktionieren als ein Protein für Kulturpflanzen, Bodenmikroorganismen oder industrielle Bioreaktoren. KI-Design könnte Proteine hervorbringen, die an den jeweiligen Temperaturbereich angepasst sind.
5. Kontrollierte Reaktionsgeschwindigkeit
Maximale Geschwindigkeit ist nicht immer die beste Eigenschaft. Für manche Anwendungen könnte eine langsamere, dafür besonders kontrollierte Bindung vorteilhaft sein. Andere Aufgaben benötigen möglichst schnelle Schnitte. Maßgeschneiderte Editoren könnten diese Unterschiede berücksichtigen.
Mögliche medizinische Anwendungen
Maßgeschneiderte RNA-gesteuerte Nukleasen könnten langfristig für die Behandlung genetischer Erkrankungen interessant werden. Denkbar wären Editoren, die speziell für eine krankheitsverursachende Mutation, einen bestimmten Zelltyp oder ein bestimmtes Transportverfahren optimiert werden.
Auch kompakte Basen- oder Prime-Editing-Systeme könnten profitieren. Dabei wird die Nuklease mit zusätzlichen Enzymkomponenten kombiniert, die einzelne DNA-Bausteine verändern oder präzise Sequenzkorrekturen ermöglichen. Je kleiner die eigentliche Nuklease ist, desto mehr Raum bleibt für solche Erweiterungen.
Von einer medizinischen Anwendung sind die SynTnpBs aus der aktuellen Studie jedoch noch weit entfernt. Die Experimente wurden in Zellkulturen durchgeführt. Vor einem therapeutischen Einsatz müssten unter anderem Sicherheit, Immunreaktionen, Langzeitfolgen, Off-Target-Veränderungen und die Verteilung im Körper untersucht werden.
Bedeutung für Pflanzenzüchtung und Landwirtschaft
Die Aktivität der synthetischen Editoren in Pflanzenzellen zeigt, dass der Ansatz nicht auf die Humanmedizin beschränkt ist. In der Pflanzenforschung könnten kompakte Nukleasen dabei helfen, Eigenschaften wie Krankheitsresistenz, Trockenheitstoleranz oder Nährstoffnutzung gezielter zu untersuchen.
Viele Nutzpflanzen sind genetisch schwieriger zu bearbeiten als häufig verwendete Modellorganismen. Unterschiedliche Pflanzenarten und Zelltypen reagieren zudem nicht gleich auf ein bestimmtes CRISPR-System. Eine größere Auswahl maßgeschneiderter Editoren könnte es ermöglichen, für jede Pflanzenart ein besser passendes Werkzeug auszuwählen.
Auch hier gilt jedoch: Die Studie demonstriert zunächst die grundsätzliche Funktionsfähigkeit. Sie belegt noch nicht, dass die neuen Enzyme bereits für den landwirtschaftlichen Einsatz optimiert sind.
Welche Grenzen bleiben bestehen?
Off-Target-Effekte
Eine hohe Aktivität kann mit einer erhöhten Wahrscheinlichkeit unerwünschter Veränderungen einhergehen. Jede Variante muss deshalb umfassend auf ihre Zielgenauigkeit untersucht werden. Dabei reichen einzelne Testsequenzen nicht aus. Notwendig sind genomweite Analysen in relevanten Zelltypen.
Transport in die Zielzellen
Auch das beste Enzym ist nutzlos, wenn es die benötigten Zellen nicht erreicht. Die Entwicklung geeigneter Lipidpartikel, Virusvektoren oder anderer Transportsysteme bleibt eine der zentralen Herausforderungen des Genome Editings.
Immunologische Reaktionen
Da viele natürliche CRISPR-Proteine aus Mikroorganismen stammen, kann das menschliche Immunsystem sie als fremd erkennen. Stark veränderte synthetische Proteine könnten vorhandene Immunreaktionen möglicherweise reduzieren – theoretisch aber auch neue Immunreaktionen auslösen.
Vorhersage und Wirklichkeit
KI-Modelle liefern Wahrscheinlichkeiten und Entwürfe, keine biologischen Gewissheiten. Die Tatsache, dass ein Protein am Computer stabil erscheint, beweist weder seine Aktivität noch seine Sicherheit. Aufwendige Laborprüfungen bleiben unverzichtbar.
Ethische und gesellschaftliche Fragen
Leistungsfähigere Genome-Editing-Werkzeuge erhöhen nicht nur den medizinischen Nutzen, sondern erweitern auch die technischen Eingriffsmöglichkeiten. Besonders Veränderungen der menschlichen Keimbahn, die an folgende Generationen weitergegeben würden, bleiben ethisch hochproblematisch und in vielen Ländern verboten oder streng reguliert.
Hat die KI eine neue Genschere „erfunden“?
Diese Formulierung wäre nur teilweise richtig. Das Modell entwickelte neue Aminosäuresequenzen, die in dieser Form nicht aus natürlichen Organismen übernommen wurden. Es arbeitete dabei jedoch auf der Grundlage einer bekannten TnpB-Struktur, natürlicher Sequenzvergleiche und von Menschen festgelegter Designregeln.
Die entscheidende wissenschaftliche Leistung entstand aus dem Zusammenspiel mehrerer Komponenten:
- menschlicher Auswahl einer geeigneten biologischen Ausgangsfrage,
- evolutionärer Analyse natürlicher Proteinfamilien,
- KI-gestützter Sequenzgenerierung,
- molekularbiologischer Hochdurchsatzprüfung,
- Tests in verschiedenen Zelltypen und
- Strukturanalyse durch Kryo-Elektronenmikroskopie.
Die KI war somit ein leistungsfähiges Designinstrument innerhalb eines menschlich geplanten Forschungsprozesses. Sie ersetzte weder die biologische Theorie noch die experimentelle Überprüfung.
Ein neuer Abschnitt in der Geschichte des Genome Editings
Die erste Phase der CRISPR-Forschung bestand vor allem darin, natürliche bakterielle Abwehrsysteme zu entdecken und für das Labor nutzbar zu machen. In einer zweiten Phase wurden diese Systeme durch klassische Proteinoptimierung, gerichtete Evolution und gezielte Mutationen verbessert.
Mit KI-gestütztem Proteindesign beginnt nun möglicherweise eine dritte Phase. Forschende suchen nicht mehr nur nach dem besten bereits existierenden Enzym. Sie versuchen, den möglichen Proteinraum systematisch zu erkunden und Moleküle zu erzeugen, die in der Natur nie entstanden sind.
Die Arbeit von Skopintsev und seinen Kolleginnen und Kollegen ist dabei kein Endpunkt. Sie ist ein Machbarkeitsnachweis: Komplexe, RNA-gesteuerte Nukleasen können mithilfe eines struktur- und evolutionsgeleiteten KI-Verfahrens so stark verändert werden, dass neue Sequenzen entstehen und die biologische Funktion trotzdem erhalten bleibt.
Fazit
Die Studie zeigt eindrucksvoll, wie Künstliche Intelligenz die Entwicklung neuer Genome-Editing-Werkzeuge beschleunigen könnte. Durch die Kombination eines Inverse-Folding-Modells mit evolutionären Leitplanken entstanden synthetische TnpB-Proteine, von denen ein überraschend großer Anteil tatsächlich als Nuklease funktionierte.
Einige Varianten erreichten in den untersuchten bakteriellen, pflanzlichen und menschlichen Zellsystemen eine vergleichbare oder höhere Aktivität als das natürliche Referenzprotein. Die Kryo-Elektronenmikroskopie zeigte zudem, dass KI-erzeugte Aminosäuren neue stabilisierende Kontakte mit RNA und DNA bilden können.
Noch handelt es sich um Grundlagenforschung. Die neuen Proteine sind weder fertige Medikamente noch allgemein überlegene CRISPR-Systeme. Dennoch eröffnet die Methode eine weitreichende Perspektive: Genscheren könnten künftig nicht mehr nur entdeckt und nachträglich verbessert, sondern von Anfang an für eine konkrete Aufgabe entworfen werden.
Damit wird KI zu einer Art molekularem Konstruktionswerkzeug. Sie hilft der Forschung, den gewaltigen Raum möglicher Proteinsequenzen zu erschließen – weit über jene Lösungen hinaus, die die natürliche Evolution bisher hervorgebracht hat.
Quellen und weiterführende Literatur
Wissenschaftliche Originalpublikation:
Petr Skopintsev, Isabel Esain-Garcia, Evan C. DeTurk et al.: „Structure and evolution-guided design of minimal RNA-guided nucleases“. Science, 2026. DOI: 10.1126/science.aed6123.
Institutionelle Darstellung:
Innovative Genomics Institute, University of California, Berkeley: „AI-Assisted Technique Allows Scientists to Design New, Functional Genome Editors Beyond What Can Be Found in Nature“, veröffentlicht am 16. Juli 2026.
Forschungsdaten und Programmcode:
SynTnpB-Code- und Datenarchiv der Forschungsgruppe mit Skripten zur TnpB-Suche, zur Erstellung evolutionärer Masken, zur Sequenzgenerierung mit ESM-IF1 und zur Auswertung der Aktivitätstests.
Keine Kommentare:
Kommentar veröffentlichen