港大研结合人工智能与蛋白质工程技术 提升基因编辑效率

香港大学李嘉诚医学院研究团队发现更有效的 CRISPR-Cas9 变体，可应用于基因治疗。是项研究将人工智能中的“机器学习”应用于大型蛋白质筛选，从有限的蛋白变体实验数据，拓展出更庞大的虚拟数据作分析，令变体数据可增至原有的20倍，加快筛选的速度。团队将此方法成功地应用于改良多个Cas9蛋白，并设计出具有增强基因编辑效率的新金黄葡萄球菌Cas9（SaCas9）的变体。相关研究成果现已在国际科学期刊《自然-通讯》，并就此提交专利申请。

是项研究探索如何结合“机器学习”方法去进行多点突变的蛋白筛选，将结构导向的突变量据库中的实证数据，再以“机器学习”方法进行虚拟筛选，以准确识别稀有和性能更好的变体，以作进一步的深入验证。团队亦根据早前发表的Cas9变体筛选之数据作为测试机器学习的框架，印证机器学习只需凭借5%至20%的实验数据，即可识别性能最佳的变体。

挑选定点突变的位置均集中于Cas9蛋白内的间隔序列前体临近基序（PAM）相互作用（PI）结构域和WED结构域，因为这两个结构域靠近目标脱氧核糖核酸（DNA），及围绕带有PAM的DNA双链体的位置。研究团队将“机器学习”融合至高通量筛选平台，结合PI和WED结构域中的多点突变以设计活性更强的SaCas9蛋白。PAM对于Cas9的可编辑目标相当重要，透过减弱PAM与DNA之间的相互作用，从而减少PAM所带来的编辑限制，这样可以让Cas9编辑更广泛的基因目标，为了弥补与DNA之间被减弱的相互作用，需要同时于WED结构域加强与DNA的相互作用，以增强Cas9的编辑能力。

在筛选和随后的验证中，研究人员辨别新的变体，包括当中名为KKH-SaCas9-plus的变体，它在特定基因组位点的活性增强高达33%。而蛋白质建模分析亦预测新改良的变体，有机会增加在WED和PI结构域与带有PAM DNA双链之间的新相互作用，这亦可解释多点突变如何增强新变体的编辑效率。

结构导向设计一直主导著Cas9改良工程的领域，然而只探索少数位点、氨基酸残基突变和多位点的组合突变。是项研究发现在结合“机器学习”到多点组合突变的筛选研究中，有助将实验数据产出最大化，降低实验的筛选时间和成本，并从更多的变体中寻找到更高效的变体KKH-SaCas9-plus。领导是项研究的港大医学院生物医学学院助理教授黄兆麟表示，这方法将加速Cas9蛋白的改良，使基因组编辑技术得以更有效地应用于治疗遗传疾病。

星岛新闻集团庆回归25周年专题网站，请即浏览

---------------------------------------------

>>>立即浏览【移民百答】栏目：新移民抵埗攻略，老华侨也未必知道的事，移民、工作、居住、食玩买、交通、报税、银行、福利、生育、教育。

>>>即读【新移民专栏】：新移民第一身经验，与你分享当下年轻移民生活日常大小事，即读“新移民专栏”。