L'IA conçoit des commutateurs ARN pour la prise de décisions logiques dans les cellules
Des chercheurs mettent au point un commutateur NAND synthétique dans des cellules vivantes
Annonces
Une équipe de recherche interdisciplinaire composée de deux groupes de travail du Centre de biologie synthétique de l'Université technique de Darmstadt a mis au point le premier commutateur génétique à base d'ARN qui reproduit avec précision le comportement logique d'une porte NAND, l'un des principaux éléments constitutifs des circuits numériques. Les résultats ont été publiés dans la revue Nucleic Acids Research.
Les commutateurs numériques à ARN sont basés sur ce que l'on appelle des riboswitches : Il s'agit de séquences d'ARN qui peuvent réagir à certaines petites molécules ("ligands") (voir figure 1, à gauche et au centre). Faisant partie d'un ARNm, ils peuvent réguler sa traduction en une protéine. Lorsque le ligand se lie, la forme de l'ARN change, ce qui crée un obstacle pour le ribosome producteur de protéines.
Les riboswitches sont particulièrement intéressants parce qu'ils fonctionnent sans protéines supplémentaires, sont très petits (moins de 100 nucléotides), nécessitent peu d'énergie pour être produits et n'imposent donc qu'une charge métabolique minimale à la cellule. Cela en fait des outils idéaux pour la régulation synthétique des gènes. Daniel Kelvin, chercheur au Centre de biologie synthétique de l'Université technique de Darmstadt, a démontré que la liaison transparente de deux riboswitches permettait de créer des éléments de commutation génétique avec deux entrées différentes.
"Nous utilisons ces commutateurs à double entrée basés sur l'ARN pour mettre en œuvre des fonctions logiques dans les cellules vivantes, semblables à celles des ordinateurs. Pour ce faire, nous avons construit une combinaison de deux riboswitches qui fonctionne comme une porte NAND booléenne".
Dans la technologie numérique, une porte NAND n'émet un signal "off" que lorsque les deux entrées sont "on" - dans tous les autres cas, le signal reste "on". Appliqué à la biologie, cela signifie que l'expression des gènes n'est désactivée que lorsque les deux ligands se lient en même temps au riboswitch. Si l'un des deux ligands manque, le gène reste actif. Ce comportement est complexe et n'a pas encore été observé dans la nature. En outre, le nombre de variantes de séquences différentes croît de manière exponentielle avec la longueur de la séquence. La construction de ce riboswitch hybride NAND a donc constitué un défi majeur.
En combinant le criblage à haut débit en laboratoire et l'optimisation bayésienne, une méthode spéciale d'intelligence artificielle, une porte NAND a été redessinée à l'aide de modèles informatiques. Tout d'abord, un riboswitch hybride a été construit, qui présentait dans une certaine mesure un comportement similaire à celui d'une porte NAND, générant ainsi une bibliothèque de variantes d'ARN. Des milliers de variantes du riboswitch hybride ont été produites, en particulier dans le "module de communication" central qui relie les deux poches de liaison des molécules d'ARN. Ces variantes ont été testées par cytométrie de flux et leur comportement avec différentes combinaisons de ligands a été mesuré avec précision.
Erik Kubaczka, également chercheur au Centre de biologie synthétique, explique : "Un modèle d'apprentissage profond prédit ensuite quelles variantes d'ARN remplissent le mieux la fonction NAND (voir la figure 1 à droite). Notre algorithme d'optimisation, basé sur l'optimisation bayésienne, sélectionne ensuite spécifiquement de nouveaux candidats - et apprend à chaque expérience."
Il est important que la méthode propose plusieurs variantes de riboswitch en une seule étape afin que plusieurs expériences puissent être menées simultanément, ce qui augmente l'efficacité expérimentale. Pour ce faire, les chercheurs ont utilisé la méthode de Kriging Believer dans le cadre de l'optimisation bayésienne séquentielle. Au lieu d'attendre les données expérimentales pour la suggestion suivante après qu'une suggestion a été faite, les prédictions du modèle actuel sont intégrées dans la formation du modèle. La variante de riboswitch suivante est alors sélectionnée dans le contexte des variantes déjà choisies. L'approche de Kriging Believer garantit que les séquences trop similaires ne sont pas sélectionnées, ce qui permet au modèle d'apprendre efficacement.
Après avoir testé seulement 82 variantes, le système a trouvé plusieurs riboswitches hautement optimisés. Le meilleur candidat présentait une fonction NAND presque numérique : une séparation très nette entre les états "on" et "off".
Les cellules apprennent à prendre des décisions logiques
La mise au point d'un riboswitch NAND performant est considérée comme une étape importante, car toutes les fonctions logiques (telles que AND, OR, XOR et autres) peuvent être construites à partir de portes NAND.
Cela ouvre de nouvelles perspectives dans les cellules vivantes : les cellules peuvent apprendre à prendre des décisions logiques - par exemple, à ne produire un produit que lorsque certaines combinaisons de nutriments ou de molécules de signalisation sont présentes.
En outre, il est possible de produire des biocapteurs pour la médecine et l'environnement qui, par exemple, détectent certains états métaboliques, identifient des signatures de tumeurs ou signalent des toxines environnementales uniquement dans certaines combinaisons.
Avec le nouveau riboswitch hybride et l'approche de conception basée sur l'IA, l'équipe dirigée par le professeur Beatrix Süß (Centre de biologie synthétique, groupe de biologie synthétique de l'ARN) et le professeur Heinz Koeppl (Centre de biologie synthétique, groupe de systèmes auto-organisés) fournit une plateforme qui accélère considérablement la construction de circuits génétiques. À l'avenir, elle pourra être utilisée pour déployer des cellules de manière encore plus précise en tant qu'outils dans les domaines de la médecine, de la technologie environnementale ou de la biotechnologie industrielle.
Le projet démontre de manière impressionnante la convergence de la biologie et de l'intelligence artificielle - et comment l'apprentissage automatique aide à découvrir de nouveaux éléments fonctionnels d'ARN que la nature elle-même n'a jamais produits.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
