L'IA Riprogetta le Proteine dell'Editor Genico per Aumentare l'Efficienza del Prime Editing di Quasi 3 Volte

Il prime editing rappresenta una promessa enorme per la correzione delle malattie genetiche, riscrivendo con precisione le sequenze DNA senza creare rotture del doppio filamento. Tuttavia, l'ottimizzazione dei prime editor attraverso la tradizionale evoluzione di laboratorio ha raggiunto un limite: le mutazioni che migliorano l'attività enzimatica spesso destabilizzano la proteina e riducono la quantità di enzima funzionale prodotta all'interno delle cellule, compromettendo le prestazioni nel mondo reale.

I ricercatori del laboratorio di David Liu al Broad Institute hanno affrontato questo problema applicando la progettazione proteica guidata dall'intelligenza artificiale. Utilizzando ProteinMPNN, una rete neurale di inverse-folding informata dalla struttura, hanno riprogettato sistematicamente i domini della trascrittasi inversa (RT) di prime editor già evoluti. L'obiettivo era trovare sequenze aminoacidiche che si ripiegassero in modo stabile nella corretta struttura tridimensionale, preservando al contempo le regioni catalitiche essenziali per la funzione. Gli enzimi riprogettati presentavano tra 30 e 163 sostituzioni aminoacidiche rispetto ai loro predecessori evoluti.

I risultati sono stati notevoli. Le varianti RT riprogettate hanno mostrato una migliore stabilità di ripiegamento e un'espressione solubile aumentata, e hanno prodotto livelli intracellulari di proteine del prime editor fino a due volte superiori quando introdotte tramite somministrazione di mRNA. In molteplici tipi di cellule primarie umane e attraverso diverse modalità di somministrazione, i nuovi editor PE8 hanno costantemente superato le versioni precedenti.

Negli studi sui topi, i prime editor PE8 riprogettati hanno raggiunto efficienze di editing fino a 2,9 volte superiori rispetto agli editor PE6, PE7 e PEmax all'avanguardia — gli attuali punti di riferimento nel settore. Questo rappresenta un progresso significativo per le applicazioni di terapia genica in vivo.

L'implicazione più ampia è che la riprogettazione proteica guidata dall'IA può fungere da secondo livello generalizzabile sovrapposto all'evoluzione di laboratorio, recuperando le perdite di stabilità ed espressione che altrimenti limitano le prestazioni. Questa pipeline potrebbe accelerare lo sviluppo di editor genetici di nuova generazione per il trattamento delle malattie ereditarie. Le avvertenze includono dati pubblici limitati al di là dell'abstract e questioni irrisolte riguardanti la sicurezza a lungo termine e i profili di editing off-target.