Deep Learning für regulatorisches DNA-Design
2022
Chalmers University of Technology, Gothenburg, Schweden
Das Design synthetischer regulatorischer De-novo-DNA ist ein vielversprechender Weg zur Kontrolle der Genexpression in Biotechnologie und Medizin. Die Verwendung von Mutagenese erfordert typischerweise das Screening größer zufälliger DNA-Bibliotheken, was die Designs darauf beschränkt, lediglich einen kurzen Abschnitt des Promotors zu überspannen, und ihre Kontrolle der Genexpression einschränkt. Hier haben die Forscher den Prototyp einer Deep-Learning-Strategie entwickelt, die auf generative adverse Netzwerke (GAN) basiert, welche direkt aus Genom- und Transkriptomdaten lernen. Das ExpressionGAN-Tool kann die gesamte regulatorische Sequenz-Expressions-Landschaft auf genspezifische Weise durchlaufen und regulatorische DNA mit vordefinierten Ziel-mRNA-Levels erzeugen, die die gesamte Genregulationsstruktur umfassen, einschließlich kodierender und benachbarter nicht-kodierender Regionen.
Controlling gene expression with deep generative design of regulatory DNA
Jan Zrimec, Aleksej Zelezniak
Eingestellt am: 16.12.2022
[1] https://www.nature.com/articles/s41467-022-32818-8[2] https://www.drugtargetreview.com/news/106850/the-future-of-drug-development-ai-tailors-artificial-dna/?utm_source=Email+marketing&utm_medium=email&utm_campaign=DTR+-+Newsletter+49+-+Metabolon+-+08.12.2022&utm_term=The+future+of+drug+development%3a+AI+tailors+artificial+DNA&utm_content=https%3a%2f%2femails.drugtargetreview.com%2frussellpublishinglz%2f&gator_td=uHQv3oL3RMur7rpz9cGWyHw3BuSYScaMU3AecOpOuuvyM3yMCcvT02nWulG0%2bgLo7FYbL%2bPthq89omlY0wdfzOVCw2s5fOpOem%2bGIngIJG3LDe68KfB%2fh5xOVy0%2fFIt97AtD%2fiaQaFtUedQ2fy%2fp%2fP2x2hn2C5BKGCuS%2bcnpF%2bn2zOLWq81jND7P5SlXvNJvOmg2GzQHTjtzM7GYNL0iQY5QPuaRWp5jhKgNF9ZY%2bV4%3d
