Die gerichtete Evolution von Biomolekülen ist ein iterativer Prozess. Obwohl Fortschritte in Sprachmodellen die Proteinevolution beschleunigt haben, bleibt die effektive Evolution von RNA eine Herausforderung. RNA-Aptamere, die aufgrund ihrer Bindungseigenschaften ausgewählt werden, bieten ein ideales System zur Bewältigung dieser Herausforderung, dennoch beruht die traditionelle Aptamersuche weiterhin auf arbeitsintensiven, mehrstufigen Screenings. Hier stellen wir GRAPE-LM (Generator von RNA-Aptameren, unterstützt durch aktivitätsgeführte Evolution und Sprachmodell) vor, ein generatives KI-Framework, das für die Evolution von RNA-Aptameren in einer Runde entwickelt wurde. GRAPE-LM integriert einen auf Transformern basierenden bedingten Autoencoder mit Nukleinsäure-Sprachmodellen und wird von CRISPR−Cas-basierten Aptamer-Screening-Daten aus intrazellulären Umgebungen geleitet. Wir validieren GRAPE-LM an drei unterschiedlichen Zielen: dem menschlichen T-Zell-Rezeptor CD3ε, der Rezeptorbindungsdomäne des SARS-CoV-2-Spike-Proteins und dem humanen onkogenen Transkriptionsfaktor c-Myc (ein intrazelluläres ungeordnetes Protein). GRAPE-LM, das nur mit einer einzelnen Runde von CRISPR−Cas-basiertem Screening informiert ist, erzielt erfolgreich RNA-Aptamere, die die Ergebnisse von mehreren Runden menschlicher Selektion und Optimierung übertreffen.
Zhang et al. (Fri,) haben diese Frage untersucht.