Обнаруженный в конце 1990-х годов, РНКи представляет собой естественный биологический механизм, в котором короткие молекулы РНК связываются и «мешают» сообщениям, посылаемым генами, которые содержат инструкции для производства белка. Такое вмешательство может помешать экспрессии гена. Помимо помощи в регулировании экспрессии генов, путь РНКи у многих видов, включая человека, защищает геном от паразитарных вирусов и транспозонов.
Используемая учеными с середины 2000-х годов, РНКи предоставила способ искусственно «подавить» экспрессию определенных генов. Предотвращая активацию гена или генов в модельном организме, таком как мышь, например, можно многое узнать, сделав вывод о функции гена. Технология на основе RNAi также оказалась чрезвычайно полезной в качестве инструмента для открытия лекарств.
В CSHL профессор HHMI Грегори Хэннон и его коллеги за последнее десятилетие сделали основополагающие открытия в выяснении механизма, посредством которого RNAi действует в природе.
Они также первыми разработали средства использования пути РНКи, создав обширные библиотеки малых молекул РНК – так называемых коротких шпилечных РНК или кшРНК. Это позволило исследователям во всем мире выборочно отключать определенные гены, например, во всех геномах человека и мыши.
В исследовании, опубликованном перед печатью 26 ноября в Molecular Cell, группа лаборатории Hannon под руководством исследователя Саймона Нотта сообщила о создании алгоритма, который позволяет исследователям идентифицировать shРНК, которые будут наиболее эффективны для отключения определенных генов. До этой работы детерминанты последовательности, ответственные за оптимизацию эффективности shRNA, были в значительной степени неизвестны. Таким образом, новое исследование обращается к важной технической проблеме использования РНКи для нокдауна генов. Новый алгоритм был обучен определять детерминанты последовательности и способен искать по каждому гену и различать целевые последовательности, которые будут производить наиболее эффективный нокдаун гена.
Разработка алгоритма, получившего название shERWOOD, была основана на массивной параллельной оценке эффективности около 250 000 различных shРНК. Фактически, компьютер был обучен делать очень точные прогнозы, изучая, что отличает мощные shРНК в этом наборе от менее эффективных.
После этого процесса обучения компьютер смог предсказать эффективность новых последовательностей.
«На основе этого результата мы разработали и сконструировали библиотеки shRNA следующего поколения, нацеленные на экзомы или набор генов, кодирующих белок, мышей и людей», – говорит доктор.
Knott.