Syntetická biologie hledá způsoby, jak navrhovat regulační DNA přesněji a s menším množstvím laboratorních pokusů. Náš článek v npj Systems Biology and Applications využívá neuronové sítě k hledání kontextově vhodných míst pro vložení vazebných míst transkripčních faktorů do promotorů. Výsledek propojuje návrh modelu strojového učení s biologickými omezeními a experimentálním ověřením.
Návrh syntetických promotorů je stále pracný laboratorní proces a výpočetní metody mohou pomoci zúžit prostor experimentů. Článek zkoumá, zda se neuronový model dokáže naučit kontext sekvence natolik, aby navrhl místo pro vložení vazebného místa transkripčního faktoru bez porušení původní logiky promotoru.
Práce vznikla z dlouhodobé spolupráce s laboratoří Daniela Georgieva na Západočeské univerzitě. Můj příspěvek propojuje metody strojového učení s biologickým návrhovým problémem a rozšiřuje aplikovanou AI za hranice řeči a jazykových technologií.
Autoři
Lukáš Kuhajda, Tomáš Honzík, Jan Švec, Daniel Georgiev
Abstrakt
Gene regulation through promoter engineering is a cornerstone of synthetic biology, enabling precise control over transcriptional networks. However, experimental approaches remain labor-intensive. While artificial neural networks (ANNs) have improved regulatory element prediction, tools for promoter–transcription factor binding site (TFBS) recombination are still lacking. We present an ANN framework for context-aware design of synthetic promoters in Saccharomyces cerevisiae. The model predicts optimal TFBS insertion sites and the extent of promoter rewriting needed for successful integration. Applying this, we screened 6,011 native yeast promoters for compatibility with the TetR TFBS, generating a ranked list of high-confidence promoter–TFBS pairs. Experimental validation showed that model-designed promoters achieved repression rates up to 98.4%, without prior experimental characterization or tuning. We further rewired the yeast transcriptional network by introducing glucose-dependent regulation of an essential gene via Mig1 TFBS insertion. These results establish a scalable, predictive method for engineering regulatory sequences and reprogramming transcriptional logic.