A edição genética passou de uma curiosidade de laboratório para uma realidade clínica. Terapias baseadas na tecnologia CRISPR estão chegando aos pacientes, e a ciência por trás delas amadureceu consideravelmente ao longo das últimas duas décadas. No entanto, um problema persiste desde o início: estes sistemas às vezes editam a parte errada do genoma. Uma equipe de pesquisa trabalhando em múltiplas instituições na China usou agora o AlphaFold da Google, uma ferramenta de IA para dobramento de proteínas, para identificar exatamente quais partes de uma proteína de edição genética são responsáveis por esses erros e, em seguida, redesenhou essas partes para reduzir os equívocos substancialmente.
O Problema Off-Target que Torna a Edição Genética Arriscada em Grande Escala
Para entender por que isso é importante, ajuda compreender a arquitetura básica de um sistema de edição genética baseado em CRISPR. Existem três componentes principais. O primeiro é um RNA guia, uma sequência molecular curta projetada para corresponder a um trecho específico de DNA no genoma. O segundo é uma proteína Cas, mais famosamente a Cas9, que se conecta fisicamente tanto ao RNA guia quanto ao DNA-alvo e garante a especificidade da interação. O terceiro é uma proteína efetora que efetivamente modifica o DNA assim que o complexo está instalado.
O RNA guia costuma ter cerca de 18 bases de comprimento. Estatisticamente, uma sequência desse tamanho deveria aparecer apenas uma vez em cerca de 70 bilhões de bases de DNA aleatório, e o genoma humano tem apenas cerca de 3 bilhões de bases. Na teoria, o sistema deveria ser preciso o suficiente para evitar edições acidentais. A complicação é que a Cas9 pode tolerar um pequeno número de bases incompatíveis e ainda assim se ligar a uma sequência de DNA. Isso significa que ela ocasionalmente se fixa em locais que são semelhantes, mas não idênticos ao alvo pretendido, produzindo o que os pesquisadores chamam de efeitos off-target.
Em uma terapia, essa não é uma preocupação teórica. Os tratamentos exigem a edição de um grande número de células e, mesmo um erro de baixa probabilidade, repetido em milhões de eventos de edição, torna-se estatisticamente inevitável. Reduzir essa taxa de erro não é opcional. É um pré-requisito para o uso clínico seguro.
Como o AlphaFold Revelou as Raízes Estruturais do Problema
A percepção da equipe de pesquisa foi estrutural. Um híbrido de DNA-RNA perfeitamente correspondente possui uma forma tridimensional específica. Um híbrido com uma ou mais bases incompatíveis tem uma forma ligeiramente diferente. A Cas9 evoluiu para reconhecer a forma correta, mas a evolução não a impediu de adotar conformações ligeiramente diferentes que lhe permitem interagir com as versões incompatíveis.
Para descobrir quais partes da Cas9 eram responsáveis por essa flexibilidade, a equipe primeiro construiu uma grande biblioteca de locais de edição off-target conhecidos. Eles usaram um sistema CRISPR modificado para converter uma base de DNA específica, a adenina, em um composto químico relacionado chamado inosina, e depois isolaram e analisaram os fragmentos de DNA resultantes. Eles repetiram esse processo com 10 RNAs guia diferentes para obter um panorama amplo do cenário de off-targets.
Em seguida, eles inseriram esses dados no AlphaFold. O complexo completo inicialmente se mostrou complicado demais para o software processar corretamente, posicionando uma proteína no local errado. A equipe simplificou a entrada apenas para o DNA, o RNA guia e a própria Cas9, e os resultados se alinharam bem com as estruturas determinadas por meio de experimentos físicos.
Ao comparar os resultados do AlphaFold para locais on-target e off-target, padrões claros emergiram. Cerca de dois terços dos locais off-target fizeram com que a Cas9 adotasse uma estrutura geral ligeiramente diferente. Mais impressionante ainda, mais de 95% deles alteraram quais aminoácidos dentro da Cas9 entravam em contato com o RNA. A equipe construiu uma estrutura de análise chamada ContactSeek, que usou a capacidade integrada do AlphaFold de calcular a “probabilidade de contato” — essencialmente a probabilidade de que dois componentes moleculares quaisquer estejam a até oito Angstroms um do outro — para mapear exatamente quais aminoácidos mudavam seu comportamento em locais off-target.
O ContactSeek produziu uma longa lista de aminoácidos candidatos. A equipe se concentrou em regiões onde esses candidatos se agrupavam, interpretando o agrupamento como um sinal de que essas áreas estavam se adaptando ativamente para acomodar bases incompatíveis. Eles testaram então 23 substituições diferentes de aminoácidos em 10 posições-chave. O resultado foi uma variante da Cas9 que manteve a atividade de edição normal nos locais-alvo pretendidos, enquanto sua atividade off-target caiu de 28% para 5%. A abordagem também funcionou com diferentes RNAs guia e com um sistema relacionado que utiliza uma proteína diferente, a Cas12.
Por que um Método Importa Mais do que um Único Resultado
Outros grupos de pesquisa desenvolveram variantes aprimoradas da Cas9 por meio de técnicas diferentes, incluindo evolução dirigida. As novas variantes apresentaram desempenho comparável ou ligeiramente superior a essas alternativas existentes. No entanto, a contribuição mais significativa aqui não é uma única proteína aprimorada. É o próprio método.
Abordagens anteriores para reduzir os efeitos off-target tendiam a produzir variantes da Cas9 amplamente aprimoradas, proteínas que são geralmente mais cautelosas em diversas situações. A abordagem ContactSeek, por outro lado, identifica mudanças que podem ser mais específicas para uma combinação particular de RNA guia e incompatibilidade. Isso abre a possibilidade de projetar sistemas de edição genética personalizados não apenas para um gene-alvo, mas para o contexto genômico específico de um paciente, com os riscos de off-target mapeados e minimizados antecipadamente.
Os pesquisadores também observam que as alterações de aminoácidos identificadas por meio desse método poderiam potencialmente ser combinadas com as já presentes em variantes da Cas9 desenvolvidas anteriormente, embora essa combinação não tenha sido testada neste trabalho.
É isso que a maior parte da cobertura sobre IA na biologia deixa passar. O AlphaFold não é simplesmente uma ferramenta para prever formas de proteínas. Ele está se tornando um instrumento analítico para entender como as proteínas se comportam sob diferentes condições e para identificar as alavancas moleculares específicas que controlam esse comportamento. Essa mudança — da descrição para o diagnóstico e depois para o design — é onde reside o verdadeiro valor científico.
Em Resumo
Uma equipe de pesquisa usou o AlphaFold para mapear quais partes da proteína Cas9 permitem erros de edição genética e, em seguida, redesenhou essas partes para reduzir a atividade de edição off-target de 28% para 5%. O método, chamado por eles de ContactSeek, funciona em diferentes RNAs guia e diferentes proteínas Cas. Sua importância mais ampla não reside apenas em uma proteína mais segura, mas em uma estrutura geral para projetar sistemas de edição genética com perfis de erro conhecidos e controláveis — uma capacidade que pode se provar crítica à medida que essas terapias avançam no uso clínico.
Com base em reportagem de Ars Technica.