Pular para o conteúdo principal

Questão de Biologia — Moléculas, células e tecidos — CESPE / CEBRASPE 2025

BiologiaMoléculas, células e tecidos
Código
ce200980
Banca
CESPE / CEBRASPE
Órgão
EMBRAPA
Ano
2025
Nível
Superior
Cargo
Pesquisador – Área: Ciências Biológicas – Subárea: Biologia Avançada

        Um pesquisador está investigando o uso de ferramentas de bioinformática para otimizar a edição genética via CRISPR/Cas9 em células humanas. Ele utiliza dados transcriptômicos (RNA-seq) e simulações de dinâmica molecular para prever off-targets. Além disso, o pesquisador aplica algoritmos de machine learning para modelar a eficiência de guias de RNA (sgRNAs).

Tendo em vista a situação hipotética apresentada, julgue o item subsequente.Modelos de machine learning que integram dados genômicos, transcriptômicos e epigenômicos são usados para prever eficiência de sgRNAs.
  1. CCerto
  2. EErrado
Revelar gabarito e comentário

GabaritoC — Certo

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

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).

Link permanente: /questoes/ce200980