在一项新的研究中，来自俄罗斯科学院、斯科尔科沃科学技术研究所和美国国家生物技术信息中心的研究人员提出一种新的神经网络架构，可用于评估为基因编辑实验选择向导RNA(gRNA)的效果。他们的方法将促进用流行的CRISPR/Cas技术进行更有效的DNA修饰，因此将有助于开发新的策略来构建转基因生物，并找到治疗严重遗传性疾病的方法。相关研究结果近期发表在Nucleic Acids Research期刊上，论文标题为“Uncertainty-aware and interpretable evaluation of Cas9–gRNA and Cas12a–gRNA specificity for fully matched and partially mismatched targets with Deep Kernel Learning”。

        基因组编辑，尤其是CRISPR/Cas方法，被广泛用于实验生物学的各个领域，以及农业和生物技术领域。

        CRISPR/Cas是细菌用来对抗病毒的众多武器之一。随着感染的发生，病毒的DNA进入细菌细胞中，由于病毒的序列与细菌的序列不同，Cas蛋白将它识别为外来的遗传物质并对它进行切割。为了让细菌更快地对病毒做出反应，细菌细胞储存了病毒DNA的片段---就像电脑杀毒软件保存一系列病毒特征---并将它们传递给下一代，以便它的Cas可以挫败病毒的进一步攻击。

        2011-2013年，来自不同实验室的团队(美国的Jennifer Doudna、Emmanuelle Charpentier和Feng Zhang，以及立陶宛的Virginijus Šikšnys)彼此独立地对CRISPR/Cas系统进行了改进，以完成让人类和动物细胞中的DNA序列发生任意变化的任务，使基因组编辑变得更加容易和高效。该系统的核心组分是靶向切割位点的gRNA以及在切割位点上切割DNA的Cas9蛋白。细胞然后“修补切割损伤”，但对遗传密码的改变已经实现。

        问题是，gRNA的定位并不总是精确的，可能会错误引导Cas9。将CRISPR/Cas技术转化为实用的高精度工具是非常重要的，特别是在涉及医学干预时。

        论文通讯作者、斯科尔科沃科学技术研究所的Konstantin Severinov博士及其团队利用深度学习、高斯过程和其他方法，使得更加准确地选择最佳的gRNA。他们构建出一套神经网络，即可训练的数学模型，作为矩阵的连续乘法来执行，其中矩阵是具有复杂内部结构的大型数字阵列。神经网络能够学习，因为它有数字形式的“记忆”，每次系统在训练模式下完成计算时，这些数字都会以特定方式改变。他们在不同的数据集上训练这些数学模型，这些数据集包含数以万计的经实验验证的在人类和动物细胞中显示出高准确性能的gRNA。

        这些作者提出了一种算法，该算法估计了在特定gRNA的存在下切割DNA的概率。由此产生的分数可以指导任何基于CRISPR/Cas的应用的实验设计。他们利用这些神经网络提出了一套用于对人类第22条染色体的基因进行精确改变的gRNA。这已经成为可能，这要归功于切割频率预测的高准确性和预测不确定性估计特征，而之前存在的方法都没有提供这种功能。

        论文第一作者、斯科尔科沃科学技术研究所博士生Bogdan Kirillov评论说，“我们的发现可以用于各种基于CRISPR/Cas的技术应用，如遗传病治疗、农业技术和基础研究实验。”