Los cultivos de biocombustibles comercialmente viables son vitales para reducir las emisiones de gases de efecto invernadero y CROPSR, una nueva herramienta desarrollada por el Centro de Innovación Avanzada de Bioenergía y Bioproductos (CABBI), en Estados Unidos, contribuirá a acelerar su desarrollo, así como los avances de edición genética en general.
Los genomas de los cultivos se adaptan a través de generaciones de mejoramiento para optimizar rasgos específicos y, hasta hace poco, estas mejoras se limitaban a la selección de la diversidad natural.
La tecnología de edición de genes CRISPR/Cas9 puede cambiar esta situación, pero las herramientas de software necesarias para diseñar y evaluar experimentos CRISPR, hasta ahora, se han basado en las necesidades de edición en genomas de mamíferos, que no comparten las mismas características que los genomas de cultivos complejos.
CROPSR, la primera herramienta de software de código abierto para el diseño de todo el genoma y la evaluación de secuencias de ARN guía (ARNg) para experimentos CRISPR, ha sido creada por científicos de CABBI, un centro de investigación de Bioenergía (BRC) financiado por el Departamento de Energía.
El enfoque de todo el genoma reduce significativamente el tiempo necesario para diseñar un experimento CRISPR (Clustered Regularly Interspaced Short Palindromic Repeats), lo que reduce el desafío de trabajar con cultivos y acelera el diseño, la evaluación y la validación de la secuencia de ARNg, según el estudio que aparece en BMC Bioinformatics.
“CROPSR proporciona a la comunidad científica nuevos métodos y un nuevo flujo de trabajo para realizar experimentos de eliminación de CRISPR/Cas9”, según Hans Müller Paul, biólogo molecular quién, junto con Matthew Hudson, profesor de Ciencias de Cultivos en la Universidad de Illinois Urbana-Champaign, son los primeros autores de este estudio.
“Esperamos -añade- que el nuevo software acelere el descubrimiento y reduzca la cantidad de experimentos fallidos”.
Objetivo: reducir el número de experimentos fallidos
Para satisfacer mejor las necesidades de los genetistas de cultivos, el equipo creó un software que elimina las restricciones impuestas por otros paquetes sobre el diseño y la evaluación de secuencias de gRNA, las guías utilizadas para localizar material genético objetivo.
Los miembros del equipo también desarrollaron un nuevo modelo de aprendizaje automático que no evitaría las guías para las regiones genómicas repetitivas que a menudo se encuentran en las plantas, un problema con las herramientas existentes. “El modelo de puntuación CROPSR proporcionó predicciones mucho más precisas, incluso en genomas que no son cultivos”, aseguran los autores.
Muchos cultivos, en particular las materias primas bioenergéticas, tienen genomas poliploides muy complejos, con múltiples juegos de cromosomas. Y algunas herramientas de software de edición de genes basadas en genomas diploides (como los de los humanos) tienen problemas con las peculiaridades de los genomas de cultivos. “A veces pueden pasar semanas o meses hasta darnos cuenta de que no tiene el resultado que se esperaba”, apunta Müller Paul.
Por ejemplo, un rasgo puede estar regulado por una colección de genes, particularmente uno que involucre estrés en la planta donde los sistemas de respaldo son útiles. Un científico podría diseñar un experimento para anular un gen y no darse cuenta de otro que realiza la misma función.
Es posible que el problema no se descubra hasta que la planta madure sin alterar el rasgo de ninguna manera. Es un problema particular con los cultivos que requieren condiciones climáticas específicas para crecer, donde perder una temporada podría significar un retraso de un año.
El uso de un enfoque de todo el genoma permitió a los científicos adaptar CROPSR para el uso de las plantas al eliminar los sesgos incorporados que se encuentran en las herramientas de software existentes.
Ventajas de CROPSR
Debido a que se basan en genomas humanos o de ratón, donde las copias múltiples de genes son menos comunes, esas herramientas penalizan las secuencias de gRNA que golpean el genoma en más de una posición, para evitar causar mutaciones en lugares donde no están previstas. Pero con los cultivos, el objetivo suele ser mutar más de una posición para eliminar todas las copias de un gen.
Anteriormente, los científicos tenían que diseñar, en determinadas ocasiones, cuatro o cinco experimentos de mutación para eliminar cada gen individualmente, lo que requería más tiempo y esfuerzo.
CROPSR puede generar una base de datos de ARN guía CRISPR utilizables para un genoma de cultivo completo. Ese proceso es computacionalmente intensivo y requiere mucho tiempo, por lo general requiere varios días, pero los investigadores solo tienen que hacerlo una vez para construir una base de datos que luego se puede usar para experimentos en curso.
Entonces, en lugar de buscar un gen objetivo a través de una base de datos online, luego usar las herramientas actuales para diseñar guías separadas para cinco ubicaciones diferentes y realizar múltiples rondas de experimentos, los científicos podrían buscar el gen en su propia base de datos y ver todas las guías disponibles.
CROPSR, aplicable a cualquier tipo de genoma
CROPSR también indicaría otras localizaciones para apuntar en el genoma. Los investigadores podrían seleccionar una guía que abarque todos los genes, lo que haría mucho más fácil y rápido diseñar el experimento.
“Simplemente, puedes entrar en la base de datos, obtener toda la información que necesitas, estar listo para funcionar y comenzar a trabajar. Cuanto menos tiempo se dedique a planificar los experimentos, más tiempo se podrá dedicar a realizar esos experimentos”, asegura Müller Paul.
Para los científicos de CABBI, que a menudo trabajan con genomas de plantas repetitivos, tener una herramienta de ARNg que les permita diseñar guías de funcionamiento con confianza “debería ser un paso adelante”, continúa Müller.
Como su propio nombre indica, CROPSR se diseñó teniendo en cuenta los genomas de cultivos, pero es aplicable a cualquier tipo de genoma. «CROPSR también se basa en genes humanos, ya que la disponibilidad de datos para genes de cultivos aún no está disponible, pero estamos buscando algunas colaboraciones con otros BRC para proporcionar una predicción más capaz basada en biofísica para ayudar a mitigar algunos de los problemas causados por la falta de datos”, puntualiza Müller Paul.
En el futuro, se espera que los investigadores registren sus resultados fallidos junto con los éxitos para ayudar a generar los datos para entrenar un modelo específico de cultivo. Si las colaboraciones funcionan, se harían realidad algunos avances en el entrenamiento de modelos de aprendizaje automático para aplicaciones CRISPR y, potencialmente, también para otros modelos.
