機械学習法を用いた独自の配列設計
- GenixTalk™配列設計のイメージ
-
( 設計の流れ )
1） ターゲット遺伝子の配列について、1塩基ずつずらしながら21塩基の候補配列を作ります。 2） 各候補配列について、独自のアルゴリズムによりKD（ノックダウン）活性スコアを予測し、さらに各種パラメーターを考慮して候補配列を選びます。 3） 最後に、BLAST検索で特異性の低い候補配列を除きます。
* ･･･予測アルゴリズムは、Teramotoらの方法（FEBS Letters 579(2005) 2878-2882）を含め、3種類の機械学習法を組み合わせ、さらにTm値、GC%、G/CおよびA/Uの連続等を考慮した独自の設計方法です。データフィードバックにより学習データが増えることで、さらに予測精度が向上します。
- GenixTalk™配列設計の特異的な抑制効果
-
(A)
RAW264.7細胞において、ターゲット遺伝子（TLR4）に対してGenixTalk™で設計したsiRNAをトランスフェクションし、2日後に抑制効果を定量的RT-PCRで測定しました。TLR4 mRNA量はMock（siRNAを除いて同じ処理を施した）細胞での発現量に比べて20%に抑制されており、同時にタンパク質発現も抑制されていることが確認されました。
(B)
上記のRAW264.7細胞からRNAを調製し、Mock細胞とTLR4ノックダウン細胞の遺伝子発現を約22,000遺伝子を搭載したDNAマイクロアレイで比較すると、ターゲット遺伝子であるTLR4の発現量は2分の1以下に抑制されていました。
この時、2倍以上変動した遺伝子はTLR4を含めてわずか7個でした。（同様にして未処理細胞とMock細胞で比較すると2倍以上変動した遺伝子は11個でした。）GenixTalk™で設計したsiRNA配列はターゲット遺伝子を特異的に抑制し、グルーバルな遺伝子発現にはほとんど影響しませんでした。