W skrócie
- Naukowcy z Uniwersytetu Kalifornijskiego w San Diego wykorzystali sztuczną inteligencję do rozszyfrowania inicjatora, kluczowego przełącznika molekularnego w ludzkim DNA.
- Model uczenia maszynowego pozwala przewidywać wpływ mutacji w tym obszarze na rozwój nowotworów oraz wspiera projektowanie sekwencji potrzebnych do nowoczesnych terapii genowych.
- Analiza wykazała, że wzorzec inicjatora jest niemal identyczny u ludzi i muszek owocówek, co świadczy o jego biologicznym znaczeniu zachowanym przez 600 mln lat ewolucji.
- Więcej podobnych informacji znajdziesz na stronie głównej serwisu, otwiera się w nowym oknie
Sztuczna inteligencja odkodowała ważny element ludzkiego DNA
Naukowcy z Uniwersytetu Kalifornijskiego w San Diego użyli uczenia maszynowego (ang. machine learning) do precyzyjnego rozszyfrowania cyfrowego wzorca tzw. inicjatora (Inr). Jest to cząsteczkowy przełącznik umieszczony w miejscu, w którym rozpoczyna się odczytywanie genów w około 60 proc. skupionych ludzkich promotorów.
Wyniki badań opublikowano w czasopiśmie naukowym "Genes & Development". Odkrycie to daje badaczom narzędzie do przewidywania, czy konkretne mutacje DNA w tym punkcie zakłócą aktywację genów i przyczynią się do rozwoju chorób, w tym nowotworów.
Badania prowadzone pod kierunkiem Torrey Rhyne-Carrigg w laboratorium prof. Jamesa T. Kadonagi z Wydziału Biologii Molekularnej UCSD stanowią etap w wieloletnich pracach nad stworzeniem modelu sztucznej inteligencji obejmującego pełny ludzki kod ekspresji genów. Zespół wykorzystał w pracach zasoby obliczeniowe superkomputera Expanse.
Zobacz również:
Pół miliona wariantów posłużyło do wytrenowania algorytmu
Inicjator znajduje się w pozycji +1, czyli w miejscu, od którego rozpoczyna się kopiowanie instrukcji genu na RNA. Chociaż element ten odkryto dekady temu, jego dokładna sekwencja u ludzi nie była dotąd poznana na tyle precyzyjnie, by mógł służyć jako narzędzie predykcyjne. Wcześniejsze szacunki wskazywały na obecność inicjatora w około 40-49 proc. promotorów, jednak nowy model sztucznej inteligencji zwiększył ten wynik do około 60 proc. skupionych promotorów ludzkich.
W ramach eksperymentu naukowcy wygenerowali około 500 tys. różnych wariantów sekwencji DNA regionu inicjatora i zmierzyli aktywność transkrypcyjną każdego z nich. Dane te posłużyły do wytrenowania modelu opartego na regresji wektorów nośnych (SVR). Model ten pozwolił na przeanalizowanie interakcji między poszczególnymi literami DNA oraz na przeliczenie przewidywanej aktywności dla wszystkich 1.048.576 możliwych kombinacji sekwencji 10-nukleotydowej.
"Modelom sztucznej inteligencji udało się po raz pierwszy przedstawić silne prognozy dotyczące obecności lub braku inicjatora w ludzkich genach, co umożliwiło odkodowanie wzorca sekwencji zasad DNA inicjatora" - skomentował prof. James T. Kadonaga, jeden z autorów badania.
Inicjator steruje genami odpowiadającymi za rozwój nowotworów
Inicjator jest elementem charakterystycznym dla promotorów skupionych, które sterują genami rozwoju, sygnałowymi oraz tkankowo swoistymi - odpowiedzialnymi za różnicowanie komórek i rozwój nowotworów. W przeciwieństwie do nich promotory rozproszone zawiadują ogólnymi genami metabolizmu komórkowego. Badania potwierdzają, że regulacja na poziomie rozpoczęcia transkrypcji stanowi kluczowy element biologii nowotworów.
"Większym celem tej pracy jest krok naprzód w połączonym wykorzystaniu eksperymentów laboratoryjnych i sztucznej inteligencji do odczytania informacji zawartej w sekwencji zasad DNA u ludzi" - wyjaśnia prof. Kadonaga.
Wzorzec sekwencji przetrwał 600 mln lat ewolucji
Porównanie rozkodowanego ludzkiego wzorca inicjatora z sekwencją u muszki owocówki (łac. Drosophila melanogaster) wykazało, że oba wzorce są niemal identyczne. Jako że linie ewolucyjne ludzi i muszek owocowych rozdzieliły się około 600 mln lat temu, tak silne zachowanie sekwencji świadczy o jej dużym znaczeniu biologicznym i działaniu doboru naturalnego, który eliminuje nieprzydatne mutacje w tym obszarze.
Analiza wykazała również obecność nieznanego wcześniej "inicjatora specyficznego dla TATA", którego działanie zależy od obecności sekwencji TATA (obecnej w około 24 proc. promotorów). Nazywana jest ona również sekwencją Goldberga-Hognessa i stanowi niekodujący odcinek DNA występujący w rejonie promotora rdzeniowego. Składa się z powtarzających się par zasad tyminy (T) oraz adeniny (A) i pełni funkcję regulacyjną.
Badacze zaobserwowali także silną synergię między inicjatorem a rejonem DPR (ang. Downstream Promoter Region), a także odmienne właściwości motywu TCT u ludzi i u muszek.
Nowy model wspiera przewidywanie zmian w chorobach nowotworowych
Zrozumienie działania inicjatora umożliwia ilościowe ocenianie wpływu pojedynczych zmian w sekwencji DNA na poziom aktywacji genów. Jest to szczególnie istotne w analizie zmian związanych z chorobami nowotworowymi, gdzie mutacje w obszarach regulatorowych mogą prowadzić do zaburzeń wzrostu komórek.
Odkrycie to znajduje również zastosowanie w biologii syntetycznej przy projektowaniu sztucznych promotorów do terapii genowych. Model opisujący siłę inicjatora pozwala na precyzyjne planowanie sekwencji sterujących poziomem ekspresji wprowadzanych genów. Prace te uzupełniają się z rozwiązaniami takimi jak model DNA-Diffusion opracowany przez Broad Institute i Mass General Brigham w styczniu 2026 r., służący do generowania nowych elementów regulatorowych od podstaw.
"Ostatecznie w obrębie 6 mld zasad DNA w każdej z naszych komórek istnieje kod ekspresji genów, który określa, kiedy, gdzie i w jakim stopniu każdy z naszych genów powinien zostać włączony lub wyłączony. Gdybyśmy mieli model sztucznej inteligencji dla całego kodu ekspresji genów, bylibyśmy w stanie przewidzieć aktywność każdego z różnych wariantów genów u różnych ludzi" - wyjaśnia prof. Kadonaga.
"Nowy model AI dla inicjatora to mała, ale ważna część tego kodu ekspresji genów i jestem optymistą, że w niedalekiej przyszłości rozszerzymy nasze modele AI dla ludzkiego kodu ekspresji genów" - dodaje uczony.
Co dalej? Kolejnym celem zespołu z UCSD jest zbadanie około 30 proc. skupionych ludzkich promotorów, które wciąż nie posiadają zidentyfikowanych znanych elementów regulatorowych.
Źródła:
- Aguilera M. Researchers Use AI to Decode Key DNA Sequence in Gene Activation. UC San Diego Today (2026).
- Rhyne-Carrigg T. et al. Machine learning analysis of the human initiator region reveals key features of different types of core promoters. Genes & Development (2026). DOI: 10.1101/gad.353623.125
- Robinson M. AI Decodes DNA Switch That Starts 60 Percent of Human Genes; Mutations Now Assessable for Cancer. Tech Times (2026).
