开云官方网址最新·AI成功改写人类DNA全球首个基因编辑器震撼开源！

　　就在刚刚，初创公司Profluent宣布，完全由AI设计的基因编辑器，已经成功编辑了人类细胞中的DNA。

　　就像ChatGPT能生成诗歌一样，Profluent这个全新的AI系统，可以让我们编辑自己DNA的微观机制生成蓝图。

　　在迄今最广泛的基于CRISPR的基因编辑系统数据集上，研究者训练了LLM。这些LLM产生的蛋白质，将几乎所有天然存在的CRISPR-Cas家族的多样性，扩大了4.8倍！

　　并且，基因编辑器在人类细胞中显示出了与SpCas9（一个示例基因编辑器）相当或更好的活性和特异性，同时距离超过400个突变。

　　Profluent联创Ali Madani表示，「尝试用AI设计的生物系统，编辑人类DNA是一次科学登月之旅」。

　　有网友表示，「是时候重新编程人类了吗？AI驱动的CRISPR技术进步，正挑战着基因伦理的边界」。

　　这项技术和驱动ChatGPT的方法是一样的，它在分析大量生物数据后，创造了新的基因编辑器，包括科学家已经用于编辑人类DNA的微观机制。

　　在以前，如果我们不幸得了镰状细胞性贫血和失明这样的遗传性疾病，往往束手无策，而现在，CRISPR技术可以直接让我们修改导致这些疾病的基因了！

　　CRISPR方法使用的是我们在自然界中发现的机制：从细菌中收集的生物材料，竟然神奇地赋予了这些微生物抵抗细菌的能力。

　　加州大学旧金山分校生物工程和治疗科学系教授兼系主任James Fraser介绍说，这些生物材料从未在地球上存在过，而Profluent的AI系统，正是从大自然中学习如何创造这些全新的东西。

　　如果这些技术继续发展，所产生的基因编辑器，或许会比我们人类经过数十亿年进化磨练的基因编辑器更灵活、更强大。

　　现在，Profluent表示正在开源OpenCRISPR-1编辑器，这也就意味着，个人、学术实验室和公司都能免费使用这些技术。

　　AI界常见的开源，可以加速新技术的产生。不过，对于生物实验室和制药公司来说，像OpenCRISPR-1这样的开源并不常见。

　　目前，蛋白质工程界想要复制功能性蛋白质，或者用「定向进化」来迭代修饰，通常还是需要从自然界中复制。

　　许多对人类有重大意义的蛋白质，都是我们偶然发现的，比如狗的胰岛素、酸奶设施中的Cas9和经常造成食物中毒的肉毒杆菌毒素。

　　大型生成蛋白质语言模型的作用，就是可以捕获使天然蛋白质发挥作用的基本蓝图。它们勾勒出一条捷径，可以绕过进化的随机过程，推动人类有意识地为特定目的设计蛋白质。

　　Cas9蛋白，是CRISPR-Cas9基因编辑系统的核心组成部分，它是一种RNA引导的核酸酶，可以搜索人类基因组中的所有30亿个核苷酸，并在一个特定位点进行切割。

　　这种核酸酶与单导RNA（sgRNA）复合在一起，sgRNA由一个在结构上与蛋白质相互作用的支架和一个间隔序列组成，后者可通过编程靶向基因组中的任何位点。

　　棘手的是，大多数Cas9蛋白的长度超过1000个氨基酸，整个设计空间包含20^1000种可能的序列，比起可观测宇宙中的原子数量，它都要高出几个数量级！

　　而且，由于这些蛋白质必须以精确的顺序协调许多相互作用，才能实现精确切割，因此即使是单个错位突变，也可能完全消除蛋白质的功能。

　　然而，AI系统却能很轻松地探索整个搜索空间，发现功能性的基因编辑器。而且，只需要花几个小时！

　　在具体实现过程中，研究人员对26TB组装的「基因组」和「元基因组」数据库系统进行挖掘，整理出超100万个CRISPR操纵子（operon）的数据集。

　　通过训练OpenCRISPR，AI从大规模序列和生物背景中学习，生成了自然界不存在的数百万种CRISPR样蛋白。

　　研究人员称，AI生成了自然界中已发现的「CRISPR-Cas家族」的4.8倍的蛋白质集群，完全实现了指数级扩展！

　　与原型基因编辑效应器SpCas9相比，几个生成的基因编辑器显示出，可比或改进的活性和特异性，同时在序列上相差400个突变。

　　生成蛋白质语言模型通常是在，大型涵盖多种系统发育和功能的天然蛋白序列的数据集上，进行预训练 。

　　然而，对于特定的应用，例如新型基因编辑器的生成，有必要将生成过程导向特定的感兴趣的蛋白家族子集。

　　他们搜索了26.2TB的组装微生物基因组和宏基因组，发现了1,246,163个CRISPR-Cas操纵子。

　　与CRISPRCasDB和CasPDB等精选数据库，以及世界上最大的蛋白质资源UniProt相比，最新创建的数据库显示出更大的多样性。

　　通过总结共性，研究人员发现了所有CRISPR-Cas蛋白的单一模型，能够生成跨家族的不同序列。

　　为了生成新型CRISPR-Cas蛋白，作者在CRISPR-Cas Atlas上微调了基于ProGen2的语言模型，由此平衡了蛋白家族的表示和序列簇大小。

　　其中一半是直接从模型生成的，另一半是由天然蛋白质N或C末端的最多50个残基提示，以引导向特定蛋白的生成。

　　为了评估其新颖性和多样性，作者使用MMseqs2对每个家族的生成序列和天然序列按70%的同一性进行了聚类。

　　对于天然蛋白质很少的家族，比如Cas13和Cas12a，生成序列的多样性分别增加了8.4倍和6.2倍。

　　另外，只需要极少的上下文，即提供50个或更少的残基，就能针对某一特定科引导序列生成与感兴趣的科保持一致。

　　为了生成类Cas9的新序列，研究人员从CRISPR-Cas图谱中采样，Cas9的N端或C端50个残基，对CRISPR-Cas模型进行了提示。

　　这里，作者使用了CRISPR-Cas Atlas中238917条Cas9序列，对另一个语言模型进行了微调。

　　这一模型生成可行的类Cas9序列的速度是CRISPR-Cas模型的2倍（54.2%），而且需要任何提示。

　　生成的可存活代（n=542,042）与同一性为40%的天然Cas9聚类在一起，并用作构建最大似然系统发育树的输入（图2a）。

　　新的系统发生群分布在整个树中，这表明该模型捕捉到了Cas9的全部多样性，并没有过度拟合任何特定系。

　　生成的序列与CRISPR-Cas图谱的差异很大，与任何自然序列的平均同一性只有56.8%（图2c）。

　　总体而言，生成的序列与同一蛋白质簇中天然蛋白质的长度密切匹配，皮尔逊相关性为0.97（图2d）。

　　此外，图2e显示了，天然Cas9、祖先序列重建和48个生成蛋白的靶上和脱靶的编辑效率。图2f展示了自然Cas9、祖先序列重。