KI entschlüsselt DNA-Initiator in 60 % menschlicher Gene
Forscher der University of California San Diego haben mithilfe künstlicher Intelligenz und Hochdurchsatz-Sequenzierung das Muster der DNA-Initiatorsequenz entschlüsselt, die für die Aktivierung von Genen entscheidend ist. Das Forschungsteam unter der Leitung von Professor James T. Kadonaga und der Graduierten Torrey Rhyne-Carrigg analysierte rund 500.000 Varianten dieser regulatorischen DNA-Region. Durch den Einsatz maschinellen Lernens entstand ein präzises KI-Modell, das die signifikanten Basensequenzmuster des Initiators erkennt. Die Ergebnisse zeigen, dass der Initiator in etwa 60 Prozent aller menschlichen Gene vorkommt und als kritischer Startpunkt für die Umwandlung genetischer Informationen in funktionelle Proteine dient. Die präzise Steuerung der Genexpression ist für die gesunde Entwicklung und Zellfunktion unerlässlich. Fehlfunktionen in diesem Regulationssystem können zu Zellschäden oder Erkrankungen wie Krebs führen. Das neu entwickelte KI-Modell ermöglicht es Wissenschaftlern erstmals, die Präsenz oder Abwesenheit des Initiators in menschlichen Genen zuverlässig vorherzusagen. Dies eröffnet neue Möglichkeiten, die Auswirkungen spezifischer DNA-Mutationen auf die Genregulation zu analysieren und gezielt synthetische Promotoren mit maßgeschneiderten Funktionen zu konstruieren. Die Studie wurde in der Fachzeitschrift Genes and Development veröffentlicht. Professor Kadonaga betont, dass die Verbindung aus experimenteller Labordatenanalyse und Algorithmen ein wesentlicher Schritt zur vollständigen Entzifferung des menschlichen Genexpressionscodes sei. Da jede menschliche Zelle etwa sechs Milliarden DNA-Basen enthält, die steuern, wann und wo Gene aktiviert werden, stellt dieses Modell einen fundamentalen Baustein dar. Die Forscher planen, die KI-Modelle in Zukunft auf das gesamte Genexpressionsnetzwerk auszudehnen, um genetische Varianten zwischen Individuen präzise vorhersagen und personalisierte therapeutische Strategien entwickeln zu können. Diese Arbeit markiert einen klaren Trend zur datengetriebenen Genomik, bei der künstliche Intelligenz traditionelle molekulargenetische Forschung beschleunigt und erweitert.
