打破領域瓶頸！張鋒再發Science

　　微生物系統是包括CRISPR在內的許多生物技術的基礎，但是序列數據庫的指數級增長使得很難找到以前未識別的系統。

　　2023年11月23日，博德研究所張鋒及美國國立衛生研究院Eugene V. Koonin共同通訊在Science 在線發表題為“Uncovering the functional diversity of rare CRISPR-Cas systems with deep terascale clustering”的研究論文，該研究開發了基于位置敏感哈希的快速聚類(FLSHclust)算法，該算法在線性時間內對大量數據集進行深度聚類。

　　該研究將FLSHclust納入CRISPR發現管道，并鑒定了188個以前未報道的CRISPR相關基因模塊，揭示了許多與適應性免疫相關的其他生化功能。該研究通過實驗表征了三種含HNH核酸酶的CRISPR系統，包括第一種具有特定干擾機制的IV型系統，并對它們進行了基因組編輯。該研究還鑒定并表征了一種候選的VII型系統，顯示了它對RNA的作用。這項工作為利用CRISPR和更廣泛地探索微生物蛋白質的巨大功能多樣性開辟了新的途徑。

　　酶和天然生化系統的發現推進了分子進化研究，揭示了生物過程，為分子技術的發展提供了一個起點。在過去的幾十年里，通過對快速增長的核酸和蛋白質序列數據庫的系統挖掘，發現了種類繁多的蛋白質家族和功能系統。這些工作中有許多使用蛋白質聚類來對大型數據集中的相似序列進行分組。然后，這些算法的輸出可用于蛋白質序列的深度學習、三維(3D)蛋白質結構預測和基因組挖掘。后者的一個主要例子是發現了以前未知的CRISPR系統，它導致了變革性生物技術和治療方法的發展。

　　CRISPR系統是微生物RNA引導的適應性免疫系統。它們由CRISPR陣列組成，該陣列編碼產生向導的CRISPR RNA (crRNA)；一個適應模塊，將新的間隔器集成到CRISPR陣列中；以及干擾模塊，該干擾模塊由由crRNA引導的效應組件組成，該效應組件隨后被切割到匹配的靶標。CRISPR效應物可以是1類CRISPR系統中的Cas蛋白復合物(例如Cascade)，也可以是2類CRISPR系統中的單、多結構域蛋白(例如Cas9、Cas12或Cas13)。CRISPR系統固有的模塊化和可編程性已經被用來開發一套RNA引導的分子技術，從Cas9介導的基因組編輯開始。

FLSHclust的設計與實現（圖源自Science ）

　　這個工具箱已經通過計算搜索得到擴展，發現了許多CRISPR系統。然而，現有的方法依賴于具有二次運行時間的算法，例如對所有比較和蛋白質聚類，這對于挖掘包含數十億蛋白質的指數增長數據集來說很快變得不切實際。線性縮放聚類方法，如LinClust，可以解決其中的一些問題，但是產生的高度相似序列的小聚類限制了研究深層進化關系的能力。蛋白質結構域譜，如PFAM，可以用來識別廣泛豐富的關聯，但它們將遠程同源物分組，這導致虛假的關聯而缺失罕見的關聯。

發現數百個罕見的以前未被發現的CRISPR系統，具有敏感的，可擴展的CRISPR關聯管道（圖源自Science ）

　　為了解決這些限制并利用已知蛋白質結構和功能多樣性的爆炸性增長，該研究開發了快速基于位置敏感哈希的聚類(FLSHclust)(發音為“flash clust”)，這是一種線性縮放的并行深度聚類算法，O(N logN)。FLSHclust可以處理數十億個蛋白質，能夠對龐大的、指數級增長的序列數據庫進行有效分析。該研究應用FLSHclust來鑒定以前未被鑒定的CRISPR系統，包括候選的VII型CRISPR系統，生成RNA引導蛋白目錄，擴展我們對這些系統的生物學和進化的理解，并為開發新的生物技術提供起點。