Die Gen-Editierung hat sich von einer Labor-Kuriosität zu einer klinischen Realität entwickelt. Therapien, die auf der CRISPR-Technologie basieren, erreichen Patienten, und die dahinterstehende Wissenschaft ist in den letzten zwei Jahrzehnten erheblich gereift. Dennoch besteht ein Problem seit Beginn fort: Diese Systeme editieren manchmal den falschen Teil des Genoms. Ein institutionenübergreifendes Forschungsteam in China hat nun Googles AlphaFold, ein KI-Tool zur Proteinfaltung, genutzt, um genau zu identifizieren, welche Teile eines Gen-Editierungs-Proteins für diese Fehler verantwortlich sind, und hat diese Teile anschließend neu gestaltet, um Fehler erheblich zu reduzieren.
Das Off-Target-Problem, das Gen-Editierung im großen Maßstab riskant macht
Um zu verstehen, warum dies wichtig ist, hilft ein Blick auf die grundlegende Architektur eines CRISPR-basierten Gen-Editierungssystems. Es gibt drei Kernkomponenten. Die erste ist eine Guide-RNA, eine kurze molekulare Sequenz, die so konzipiert ist, dass sie zu einem bestimmten DNA-Abschnitt im Genom passt. Die zweite ist ein Cas-Protein, am bekanntesten Cas9, das sich physikalisch sowohl an die Guide-RNA als auch an die Ziel-DNA bindet und die Spezifität der Interaktion durchsetzt. Die dritte ist ein Effektorprotein, das die DNA tatsächlich verändert, sobald der Komplex an Ort und Stelle ist.
Die Guide-RNA ist in der Regel etwa 18 Basen lang. Statisch gesehen sollte eine Sequenz dieser Länge nur einmal in rund 70 Milliarden Basen zufälliger DNA vorkommen, und das menschliche Genom umfasst nur etwa 3 Milliarden Basen. Auf dem Papier sollte das System präzise genug sein, um versehentliche Editierungen zu vermeiden. Die Komplikation besteht darin, dass Cas9 eine kleine Anzahl nicht übereinstimmender Basen tolerieren und sich dennoch an eine DNA-Sequenz binden kann. Das bedeutet, dass es sich gelegentlich an Stellen anlagert, die dem beabsichtigten Ziel ähnlich, aber nicht identisch sind, was Forscher als Off-Target-Effekte bezeichnen.
In einer Therapie ist dies keine theoretische Sorge. Behandlungen erfordern das Editieren einer großen Anzahl von Zellen, und selbst ein Fehler mit geringer Wahrscheinlichkeit wird, wiederholt über Millionen von Editierungsereignissen, statistisch unvermeidbar. Die Reduzierung dieser Fehlerrate ist nicht optional. Sie ist eine Voraussetzung für die sichere klinische Anwendung.
Wie AlphaFold die strukturellen Ursachen des Problems aufdeckte
Die Erkenntnis des Forschungsteams war struktureller Natur. Ein perfekt passender DNA-RNA-Hybrid hat eine spezifische dreidimensionale Form. Ein Hybrid mit einer oder mehreren nicht übereinstimmenden Basen weist eine leicht andere Form auf. Cas9 hat sich zwar entwickelt, um die korrekte Form zu erkennen, wurde durch die Evolution jedoch nicht daran gehindert, leicht abweichende Konformationen einzunehmen, die ihm die Interaktion mit den fehlerhaften Versionen ermöglichen.
Um herauszufinden, welche Teile von Cas9 für diese Flexibilität verantwortlich waren, erstellte das Team zunächst eine große Bibliothek bekannter Off-Target-Editierungsstellen. Sie nutzten ein modifiziertes CRISPR-System, um eine bestimmte DNA-Base, Adenin, in eine verwandte Chemikalie namens Inosin umzuwandeln, und isolierten und analysierten anschließend die resultierenden DNA-Fragmente. Sie wiederholten diesen Prozess mit 10 verschiedenen Guide-RNAs, um ein umfassendes Bild der Off-Target-Landschaft zu erhalten.
Anschließend speisten sie diese Daten in AlphaFold ein. Der vollständige Komplex erwies sich für die Software zunächst als zu kompliziert, um korrekt verarbeitet zu werden, wodurch ein Protein an der falschen Stelle platziert wurde. Das Team vereinfachte die Eingabe auf nur die DNA, die Guide-RNA und Cas9 selbst, woraufhin die Ergebnisse gut mit Strukturen übereinstimmten, die durch physikalische Experimente bestimmt wurden.
Beim Vergleich der AlphaFold-Ergebnisse für On-Target- und Off-Target-Stellen zeigten sich klare Muster. Etwa zwei Drittel der Off-Target-Stellen veranlassten Cas9 dazu, eine leicht veränderte Gesamtstruktur einzunehmen. Noch auffälliger war, dass bei über 95 Prozent von ihnen verändert wurde, welche Aminosäuren innerhalb von Cas9 Kontakt mit der RNA aufnahmen. Das Team entwickelte ein Analyse-Framework namens ContactSeek, das die integrierte Fähigkeit von AlphaFold nutzte, die „Kontaktwahrscheinlichkeit“ zu berechnen – im Wesentlichen die Wahrscheinlichkeit, dass sich zwei beliebige molekulare Komponenten innerhalb von acht Ångström zueinander befinden –, um genau zu kartieren, welche Aminosäuren ihr Verhalten an Off-Target-Stellen veränderten.
ContactSeek lieferte eine lange Liste von Kandidaten-Aminosäuren. Das Team konzentrierte sich auf Regionen, in denen sich diese Kandidaten häuften, was sie als Zeichen dafür interpretierten, dass sich diese Bereiche aktiv anpassten, um nicht übereinstimmende Basen aufzunehmen. Anschließend testeten sie 23 verschiedene Aminosäuresubstitutionen an 10 Schlüsselpositionen. Das Ergebnis war eine Cas9-Variante, die die normale Editierungsaktivität an den beabsichtigten Zielstellen beibehielt, während ihre Off-Target-Aktivität von 28 Prozent auf 5 Prozent sank. Der Ansatz funktionierte auch mit verschiedenen Guide-RNAs und mit einem verwandten System, das ein anderes Protein, Cas12, verwendet.
Warum eine Methode wichtiger ist als ein einzelnes Ergebnis
Andere Forschungsgruppen haben verbesserte Cas9-Varianten durch verschiedene Techniken entwickelt, darunter die gerichtete Evolution. Die neuen Varianten schnitten vergleichbar mit oder leicht besser ab als diese bestehenden Alternativen. Der bedeutendere Beitrag hierbei ist jedoch nicht ein einzelnes verbessertes Protein. Es ist die Methode selbst.
Bisherige Ansätze zur Verringerung von Off-Target-Effekten neigten dazu, breit verbesserte Cas9-Varianten hervorzubringen – Proteine, die in vielen Situationen generell vorsichtiger agieren. Der ContactSeek-Ansatz hingegen identifiziert Veränderungen, die spezifischer für eine bestimmte Kombination aus Guide-RNA und Fehlanpassung sein können. Dies eröffnet die Möglichkeit, Gen-Editierungssysteme zu entwickeln, die nicht nur für ein Zielgen, sondern für den genomischen Kontext eines spezifischen Patienten maßgeschneidert sind, wobei Off-Target-Risiken im Voraus kartiert und minimiert werden.
Die Forscher stellen außerdem fest, dass die durch diese Methode identifizierten Aminosäureveränderungen potenziell mit jenen kombiniert werden könnten, die bereits in zuvor entwickelten Cas9-Varianten vorhanden sind, obwohl diese Kombination in dieser Arbeit nicht getestet wurde.
Das ist es, was in der meisten Berichterstattung über KI in der Biologie übersehen wird. AlphaFold ist nicht einfach nur ein Werkzeug zur Vorhersage von Proteinstrukturen. Es wird zu einem analytischen Instrument, um zu verstehen, wie sich Proteine unter verschiedenen Bedingungen verhalten, und um die spezifischen molekularen Stellschrauben zu identifizieren, die dieses Verhalten steuern. In dieser Verschiebung – von der Beschreibung zur Diagnose zum Design – liegt der eigentliche wissenschaftliche Wert.
Kurz gesagt
Ein Forschungsteam hat AlphaFold genutzt, um zu kartieren, welche Teile des Cas9-Proteins Gen-Editierungsfehler ermöglichen, und hat diese Teile anschließend neu gestaltet, um die Off-Target-Editierungsaktivität von 28 Prozent auf 5 Prozent zu senken. Die Methode, die sie ContactSeek nennen, funktioniert über verschiedene Guide-RNAs und verschiedene Cas-Proteine hinweg. Ihre weitreichendere Bedeutung liegt nicht nur in einem sichereren Protein, sondern in einem allgemeinen Framework für die Entwicklung von Gen-Editierungssystemen mit bekannten, steuerbaren Fehlerprofilen – eine Fähigkeit, die sich als entscheidend erweisen könnte, wenn diese Therapien weiter in die klinische Anwendung rücken.
Basierend auf Berichten von Ars Technica.