《Current Opinion in Structural Biology》:Deep learning and cryogenic electron microscopy modeling for gene editing dynamics
编辑推荐:
CRISPR-Cas系统结构解析与基因组编辑机制研究综合运用量子力学、深度学习及图神经网络技术,通过分子动力学模拟与冷冻电镜结构优化揭示动态构象群体,结合AI模型实现功能分类与通信路径预测,推动精准基因组编辑设计。
Chinmai Pindi|Giulia Palermo
加州大学河滨分校生物工程系,美国加利福尼亚州河滨市大学大道900号,邮编52512
低温电子显微镜(cryo-EM)数据建模和深度学习的进步正在重塑我们研究和设计基因编辑系统的能力。这两者的协同整合使得高分辨率的结构解析、构象景观的定量映射以及跨多种CRISPR–Cas架构的合理设计成为可能。通过将分子动力学与cryo-EM技术相结合,我们可以揭示具有功能意义的动态过程;而量子力学方法则能够解析低分辨率密度图中的模糊特征。新兴的深度学习框架(包括图神经网络)可以从大规模模拟中提取可解释的通信路径,并提供可广泛应用于生物分子系统的通用方法。这些进展推动该领域从静态结构分析走向动态、预测性和数据驱动的方法,以更好地理解和设计基因编辑系统。
章节摘录
利用量子力学解析低温电子显微镜图像的模型
量子力学方法通过提供DNA和RNA切割催化步骤的原子级见解,加深了我们对基因编辑系统的理解[20, 21, 22, 23]。除了阐明催化步骤外,量子力学和量子力学/分子力学(QM/MM)技术还被用于精炼和解释cryo-EM结构,从而增强了对基因编辑复合物的结构理解[16]。
一个典型的例子是对III-Dv型CRISPR–Cas效应器复合体的研究,这是一种多亚基复合体
人工智能驱动的模型
在这里,我们展示了如何使用AlphaFold2[18]——一种结合了蛋白质结构和多序列比对生物物理知识的人工智能方法——结合分子动力学模拟(MD模拟)来表征CRISPR相关转座子的结构和动态[14]。CASTs是一类新发现的生物系统,它们利用CRISPR-Cas蛋白与转座蛋白协同作用实现RNA引导的DNA插入[12,13]。这一发现为生物学研究开辟了新的方向
网络理论与人工智能的结合
基于图论的网络模型对于解析CRISPR-Cas系统中的复杂通信动态至关重要[30, ?31, 32, 33, 34]。我们展示了如何将这些模型与新兴的人工智能方法相结合,以揭示潜在的机制模式并实现预测性洞察。具体而言,我们利用这一框架对Cas13a蛋白变体进行分类,并表征蛋白质和RNA组分之间的功能通信路径。
Cas13a是一种
用于机制发现的神经网络
在这里,我们重点介绍了基于图表示的新兴神经网络架构,这些架构最近被用于解码CRISPR-Cas系统的生物物理原理,并显示出在扩展到多种复杂生物组装体方面的巨大潜力。基于图的机器学习模型(尤其是图神经网络GNNs[38])通过将原子、残基或结构域表示为通过边连接的节点,为分析生物分子系统提供了强大的框架
结论
本文概述了分子模拟、cryo-EM以及人工智能(特别是深度学习和基于图的神经网络)的进步如何共同揭示基因编辑系统的动态机制。从捕捉构象灵活性的分子动力学模拟,到对分子功能进行分类的人工智能模型,再到通过量子力学精炼增强的cryo-EM重建,我们现在能够以前所未有的精度解码复杂机制并设计基因编辑系统。
作者贡献
GP构思并撰写了这篇综述文章。CP参与了文章的撰写。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:CP和GP是加州大学河滨分校提交的专利申请的共同发明人。
致谢
国家卫生研究院(资助编号R01GM141329)、国家科学基金会(资助编号CHE-2144823)。GP还感谢Sloan基金会(资助编号FG-2023-20431)和Camille and Henry Dreyfus基金会(资助编号TC-24-063)的支持。