Machine learning na predição de eficiência de sgRNAs no CRISPR/Cas9
✅ CERTO. Modelos de machine learning que integram dados genômicos, transcriptômicos e epigenômicos são, de fato, amplamente utilizados para prever a eficiência de sgRNAs na edição genética via CRISPR/Cas9. Essa é uma aplicação consolidada da bioinformática moderna, que combina múltiplas camadas de dados ômicos para melhorar a precisão das predições.
A edição genética por CRISPR/Cas9 depende da escolha de um RNA guia (sgRNA) que direcione a enzima Cas9 para o local correto do genoma. A eficiência desse processo varia conforme a sequência do sgRNA e o contexto genômico, o que torna a predição computacional uma ferramenta essencial. Modelos de machine learning, como redes neurais e métodos de ensemble, são treinados com grandes conjuntos de dados experimentais que incluem:
Dados genômicos: sequência do DNA alvo e características do sgRNA (composição de bases, estrutura secundária).
Dados transcriptômicos: níveis de expressão gênica, que influenciam a acessibilidade da cromatina e a atividade transcricional.
Dados epigenômicos: marcas de cromatina (metilação do DNA, modificações de histonas), que afetam a acessibilidade do DNA à Cas9.
A integração dessas informações permite que os modelos aprendam padrões complexos que determinam a eficiência do sgRNA, superando abordagens baseadas apenas em regras simples de sequência. Essa é uma área ativa de pesquisa, com ferramentas como DeepCRISPR, CRISPRpred e outras, que demonstram a viabilidade e a importância dessa abordagem.
A afirmativa está em total conformidade com o estado da arte da bioinformática aplicada à edição genética. Não há qualquer ressalva que a torne incorreta.
Gabarito: letra C (CERTO).