Adenin-Baseltern (ABEs) bieten transformative Potenziale zur Behandlung genetischer Erkrankungen, jedoch bleiben schneller mehrfache Umlauf und Bystander-Bearbeitung ungelöste Hindernisse für eine sichere klinische Anwendung. Hier integrieren wir physikbasierte Simulationen mit Deep Learning, um die biophysikalische Grundlage der Aktivität und Spezifität von ABEs zu erhellen. Wir zeigen, dass die Dimerisierung der Deaminase-Domäne und einzigartige Verriegelungsinteraktionen mit Cas9 und DNA die Effizienz der DNA-Deaminierung entscheidend erhöhen. Um diese Mechanismen zu erfassen, kombinierten wir multi-μs Molekulardynamik mit durch Deep Learning gesteuertem erweiterten Sampling, wobei neuronale Netze langsame kollektive Variablen aus hochdimensionalen Trajektorien identifizierten, um konformationale Übergänge zu beschleunigen. Dieser Ansatz offenbarte den mechanistischen Unterschied zwischen konformationeller Auswahl und induzierter Passform bei der DNA-Bindung als Bestimmungsfaktoren der Deaminierungseffizienz. Diese physikalischen Erkenntnisse wurden anschließend in Denoising-Diffusionswahrscheinlichkeitsmodelle eingebettet, die durch MD-abgeleitete Merkmale eingeschränkt wurden, und ermöglichten die Gestaltung von Deaminierungseinheiten mit verbesserter katalytischer Aktivität und Spezifität. Insgesamt etabliert diese integrative Strategie, die molekulare Simulationen, durch Deep Learning gesteuertes erweitertes Sampling und generative Ansätze kombiniert, einen Fahrplan für physik-gestütztes maschinelles Lernen in der Genom-Editierung, mit direkten Auswirkungen auf die Entwicklung präziser Basaleditoren zur Behandlung einer Vielzahl genetischer Erkrankungen.
Vivo et al. (Sun) untersuchten diese Frage.