AI designar DNA-switchar för att styra gener

Den 8 maj 2025 publicerade ett team vid Centre for Genomic Regulation i Barcelona en artikel i Cell som visar att ett artificiell intelligens-system kan designa korta, syntetiska regulatoriska DNA-sekvenser som fungerar som celltypsspecifika switchar inuti friska däggdjursceller. Mindre än ett år senare tillkännagav en separat grupp vid Rice University i Nature ett kompletterande framsteg – en experimentell plattform kallad CLASSIC som mappar miljontals kompletta genetiska kretsar till cellulära utfall och matar in dessa mätningar i maskininlärningsmodeller så att de kan förutsäga funktion över ett enormt otestat designutrymme. Tillsammans markerar dessa artiklar ett snabbt skifte: algoritmisk design av DNA-sekvenser rör sig från enklare testexempel till verkliga molekyler som på ett tillförlitligt sätt förändrar genaktivitet i levande celler, och industri- och policygrupper tävlar om att anpassa tillverkning och tillsyn därefter.

En ny klass av syntetiska enhancers

Artikeln i Cell från Barcelonagruppen beskriver en generativ AI tränad på omfattande mätningar av hur korta DNA-fragment – enhancers – påverkar genuttryck under blodcellsutveckling. Enhancers är icke-kodande DNA-sekvenser som rekryterar transkriptionsfaktorer och avgör när och var gener uttrycks. CRG-teamet syntetiserade mer än 64 000 varianter designade för att testa kombinationer och arrangemang av bindningsmotiv för dussintals transkriptionsfaktorer, och mätte sedan aktiviteten över flera stadier av hematopoies. Från dessa data lärde sig modellen designregler och föreslog sekvenser som aldrig existerat i naturen men som fungerade som avsett när de introducerades i primära blodprogenitorceller från mus: vissa fungerade som graderade reglage, andra uppvisade ett nästan binärt på/av-beteende, och många visade en slående celltypsspecifitet.

Massiva bibliotek och kartläggning av genetiska kretsar med CLASSIC

CLASSIC blottlade två praktiska lärdomar för designers. För det första är kretsar ofta inte problem med en enda lösning – många olika designer kan uppnå samma utfall – vilket ger ingenjörer flexibilitet att välja mellan robusthet, styrka och resurskostnad. För det andra presterar delar med medelstyrka ofta bättre än de mest extrema komponenterna; med andra ord har biologin sina egna Guldlock-zoner. Avgörande var att processen validerades genom att syntetisera och testa förutsagda designer: dussintals AI-valda kretsar matchade laboratoriets resultat, vilket visar att modeller kan generalisera bortom sina träningsset när dessa set är stora och noggrant uppmätta.

Från in silico-design till levande celler

Båda forskningslinjerna betonar en tätt kopplad design-build-test-loop. I Barcelona föreslår AI:n korta enhancersekvenser; forskarna syntetiserar dessa fragment på 250 baser, paketerar dem i leveransvektorer och för in dem i levande däggdjursceller för att läsa av aktiviteten i olika celltillstånd. I Houston och vid samarbetande laboratorier producerar CLASSIC-strategin bibliotek av kompletta kretsar, läser av utfall i tusentals eller miljontals celler och skickar tillbaka resultaten till en ML-modell som rekommenderar nästa omgång kandidater.

Det praktiska resultatet är snabbhet och kreativitet. Där klassisk genteknik krävde iterativ felsökning och expertintuition under månader, tillåter AI plus massivt parallell mätning team att utforska kombinatoriska utrymmen på skalor som tidigare var omöjliga. Det påskyndar upptäckten av funktionella DNA-switchar för terapeutiska promotorer, linjespecifika uttryckskassetter och mer komplexa logiska grindar i celler.

Tillverkning i AI-hastighet: cellfri syntes och leveranskedjor

Designen går snabbare än tillgången om syntes och produktion inte hinner med. Industrigrupper och vissa startups anpassar sig redan: arbetsflöden för cellfri DNA-syntes – som sätter ihop linjära IVT-färdiga mallar utan kloning i bakterier – eliminerar källor till kontaminering (endotoxiner, värd-DNA) och undviker rekombinationsproblem som gör långa homopolymerer, såsom kodade poly(A)-svansar, instabila i plasmider. Dessa fördelar är viktiga för AI-cykler eftersom modeller itererar snabbt och kräver många olika, skräddarsydda mallar med snäva tidsramar.

Cellfria mallar minskar också variationen i längden på poly(A)-svansar och sekvensintegritet, vilket förbättrar reproducerbarheten för in vitro-transkriptionsprodukter. När AI föreslår hundratals eller tusentals kandidatsekvenser blir en snabb, automationsvänlig leveranskedja som levererar syntes, QC och IVT-mallar en flaskhals – och det innebär att företag, kontraktstillverkare och akademiska faciliteter ställer om till cellfria metoder för att matcha beräkningstakten.

Tillämpningar, begränsningar och tidiga hinder

Men det finns reella begränsningar. Det regulatoriska genomet är enormt och kontextberoende: CRG-studien profilerade endast en delmängd av transkriptionsfaktorer och celltillstånd, och Rice CLASSIC-demonstrationerna utfördes i modellcellinjer som ett "proof of principle". Att översätta en sekvens som fungerar i en petriskål till en säker, hållbar och effektiv terapi i människor kommer att kräva omfattande preklinisk validering. Modeller generaliserar bäst när träningsdata återspeglar målkontexten; luckor i träningsseten förblir en betydande orsak till misslyckanden.

Risker, styrning och mänsklig tillsyn

Snabb design och billig syntes väcker frågor om säkerhet och styrning som det syntetbiologiska samfundet har brottats med i åratal. En översikt i npj Biomedical Innovations beskrev detta som ett konvergensproblem: AI sänker den tekniska tröskeln för komplex bioteknik medan automatiserade labb och billig syntes skalar upp kapacitet och distribution. Den kombinationen ökar både den nyttiga tillgängligheten och risken för dubbelanvändning.

Tre prioriteringar för styrning framträder i nyligen publicerade kommentarer och policydokument. För det första, förklarbarhet och granskningsmöjligheter för modeller och designprocesser: opaka ”black box”-rekommendationer är svårare att utvärdera för fel eller missbruk. För det andra, "människa-i-loopen"-kontroller vid beslutspunkter – att låta alla sekvenser avsedda att släppas ut i biologiska system genomgå expertgranskning och funktionella tester. För det tredje, åtgärder i leveranskedjan och standarder för sekvensscreening för att upptäcka designer som kan möjliggöra skadliga funktioner, även när de är helt nya. Nationella ansträngningar för att utöka screeningen av nukleinsyrasyntes vittnar om den politiska uppmärksamhet som dessa tekniker nu får.

Vetenskapen rör sig snabbt och för närvarande kombinerar den kloka vägen entusiasm för vad AI kan skapa med medvetna, transparenta metoder för att begränsa risker, dokumentera ursprung och bevara mänskligt omdöme där det betyder som mest.

Källor

• Cell (forskningsartikel om AI-designade syntetiska enhancers)
• Nature (forskningsartikel: CLASSIC-plattform för ultra-högkapacitetsmappning av genetiska kretsar)
• npj Biomedical Innovations (analys av konvergensen mellan AI och syntetisk biologi)
• Centre for Genomic Regulation (CRG), Barcelona
• Rice University Synthetic Biology Institute
• Pompeu Fabra University (UPF)