En ny maskinlæringsalgoritme kan forudsige, hvordan gener reguleres i individuelle celler, et gennembrud, der kan føre til nye behandlinger for en række sygdomme.
Algoritmen, udviklet af forskere ved University of California, Berkeley, er i stand til at identificere de specifikke DNA-sekvenser, der styrer ekspressionen af gener. Denne information kan bruges til at udvikle lægemidler, der målretter mod disse sekvenser og enten tænder eller slukker for gener.
"Dette er et stort gennembrud i vores forståelse af, hvordan generne reguleres," siger studieleder Jonathan Weissman, professor i molekylær- og cellebiologi ved UC Berkeley. "Det har potentialet til at revolutionere den måde, vi behandler sygdomme på."
Algoritmen, kaldet scSLAM-seq, fungerer ved at analysere data fra enkeltcellet RNA-sekventering. Denne teknik gør det muligt for forskere at måle ekspressionen af gener i individuelle celler, snarere end i en bulk population af celler.
Ved at analysere dataene fra scSLAM-seq er algoritmen i stand til at identificere de DNA-sekvenser, der er forbundet med ekspressionen af specifikke gener. Disse sekvenser kaldes regulatoriske elementer.
Forskerne testede algoritmen på en række forskellige celletyper, herunder menneskelige embryonale stamceller, embryonale stamceller fra mus og menneskeinducerede pluripotente stamceller. Algoritmen var i stand til nøjagtigt at identificere de regulatoriske elementer for et stort antal gener i hver celletype.
Forskerne mener, at scSLAM-seq kunne bruges til at identificere de regulatoriske elementer for gener, der er involveret i en række forskellige sygdomme. Denne information kan derefter bruges til at udvikle lægemidler, der målretter mod disse sekvenser og enten tænder eller slukker for gener.
"Denne teknologi har potentialet til at revolutionere den måde, vi behandler sygdomme på," sagde Weissman. "Ved at målrette mod de regulerende elementer i gener, kunne vi udvikle nye lægemidler, der er mere effektive og har færre bivirkninger."
Undersøgelsen blev offentliggjort i tidsskriftet Nature Biotechnology.