Perquè un gen s'expressi cal que la maquinària cel·lular sàpiga exactament on començar a llegir-lo dins la llarga cadena d'ADN. Aquest punt de partida el marca una regió molt curta anomenada iniciador, però el seu patró concret ha resultat especialment difícil de descriure amb precisió: variar només unes poques bases pot activar-lo o desactivar-lo, i la seqüència no segueix una regla simple que un investigador pugui llegir a ull nu.
Un equip liderat pel professor James T. Kadonaga i l'investigadora predoctoral Torrey Rhyne-Carrigg, del Departament de Biologia Molecular de la Universitat de Califòrnia a San Diego, ha abordat el problema combinant seqüenciació d'ADN d'alt rendiment amb aprenentatge automàtic. Van generar i mesurar experimentalment l'activitat d'unes 500.000 versions diferents de l'iniciador i, amb aquestes dades, van entrenar un model capaç de predir amb fiabilitat si una seqüència concreta funciona com a iniciador o no. El treball, publicat a la revista revisada per parells Genes & Development, conclou que aquesta regió és present en aproximadament el 60% dels gens humans, i el model ha permès identificar-hi, a més, una variant específica associada a promotors de tipus TATA.
Saber llegir aquest codi obre la porta a predir com una mutació concreta en aquesta regió pot alterar l'activitat d'un gen —inclosos gens relacionats amb el càncer, apunta l'equip— i a dissenyar promotors sintètics amb una activitat ajustada a mida per a usos terapèutics o d'investigació. Kadonaga ho resumeix com «un pas endavant en l'ús combinat de l'experimentació de laboratori i la IA per desxifrar la informació que hi ha inscrita a la seqüència de bases de l'ADN humà».
El treball es limita, de moment, a una sola peça del complex sistema que regula l'expressió gènica, i el pas de la predicció a aplicacions clíniques reals —diagnòstic de mutacions o teràpies basades en promotors dissenyats— encara requereix anys de validació addicional. La investigació ha comptat amb finançament de la National Science Foundation i els Instituts Nacionals de Salut dels Estats Units, i ha fet servir el superordinador Expanse del San Diego Supercomputer Center per processar el volum de dades generat.