Matematyka metody CRISPR/Cas

1. Wprowadzenie i motywacja

Metoda CRISPR/Cas zrewolucjonizowała inżynierię genetyczną, jednak jej skuteczność, precyzja i bezpieczeństwo nie mogą być analizowane wyłącznie jakościowo. Konieczne jest matematyczne ujęcie procesu edycji genomu, które pozwala formalnie opisać dopasowanie sekwencji, dynamikę reakcji enzymatycznych, losowość mutacji oraz optymalizację projektowania RNA przewodnie.

Z punktu widzenia matematyki genom można traktować jako obiekt dyskretny — ciąg znaków nad skończonym alfabetem:
$\Sigma={A,C,G,T}$
$G\in\Sigma^N$
Edycja genomu polega wówczas na zastosowaniu operatorów transformujących ciągi, przy czym wybór miejsca cięcia zależy od problemu dopasowania wzorca (guide RNA) do fragmentów DNA.

Motywacją do modelowania matematycznego jest również fakt, że proces CRISPR/Cas nie jest deterministyczny. Nawet przy idealnym dopasowaniu sekwencji występują zdarzenia losowe: błędy wiązania, naprawa DNA różnymi szlakami oraz mutacje poza celem. W naturalny sposób prowadzi to do opisu probabilistycznego:
$P(\text{edycja})\in[0,1]$

Matematyka umożliwia także sformułowanie problemu projektowania CRISPR jako zadania optymalizacyjnego: maksymalizacji skuteczności edycji przy jednoczesnej minimalizacji ryzyka efektów ubocznych. W najprostszym ujęciu przyjmuje to postać problemu minimaksowego lub wielokryterialnego:
$\max_r\big(P_{\text{on}}(r)-\lambda P_{\text{off}}(r)\big)$

Wprowadzenie aparatu matematycznego do analizy CRISPR/Cas pozwala zatem przejść od opisów biologicznych do precyzyjnych, ilościowych modeli, które mogą być analizowane, symulowane i optymalizowane. Stanowi to fundament dalszych sekcji, w których edycja genomu będzie traktowana jako obiekt formalny podlegający prawom algebry, probabilistyki i analizy matematycznej.

2. Abstrakcyjny model genomu

W matematycznym ujęciu metod CRISPR/Cas genom traktowany jest jako obiekt dyskretny, który można formalnie modelować za pomocą struktur kombinatorycznych i algebraicznych. Podstawowym założeniem jest identyfikacja genomu z ciągiem symboli nad skończonym alfabetem nukleotydów:
$\Sigma={A,C,G,T},\qquad G=(g_1,\dots,g_N)\in\Sigma^N$ .

Każda pozycja genomu odpowiada indeksowi $i\in{1,\dots,N}$ , a fragment DNA jest podciągiem
$G[i:j]=(g_i,\dots,g_j)$ .
Takie ujęcie pozwala stosować narzędzia teorii słów, teorii informacji oraz algorytmiki sekwencyjnej.

Z matematycznego punktu widzenia operacje biologiczne odpowiadają operatorom działającym na ciągach. Mutacja punktowa jest lokalnym przekształceniem:
$M_i(G)=G'$ ,
gdzie $g_i'\ne g_i$ , natomiast insercje i delecje zmieniają długość ciągu:
$|G'|=|G|\pm k$ .

Strukturę genomu można również opisywać w sposób probabilistyczny, traktując $G$ jako realizację zmiennej losowej o rozkładzie:
$P(G)=\prod_{i=1}^N P(g_i)$ .
Ujęcie to jest szczególnie użyteczne przy analizie losowości mutacji oraz rozkładu sekwencji potencjalnych miejsc docelowych.

W kontekście CRISPR istotna jest przestrzeń wszystkich możliwych sekwencji długości $k$ , której moc wynosi:
$|\Sigma^k|=4^k$ .
Rozmiar tej przestrzeni uzasadnia konieczność matematycznej redukcji problemu poprzez narzucenie warunków biologicznych, takich jak motyw PAM.

Abstrakcyjny model genomu stanowi zatem fundament formalny, na którym opiera się dalsza analiza dopasowania sekwencji, probabilistyki cięcia oraz optymalizacji edycji genomu metodą CRISPR/Cas.

3. Przewodnie RNA jako problem dopasowania

W matematycznym ujęciu metody CRISPR/Cas przewodnie RNA (gRNA) modelowany jest jako skończony wzorzec sekwencyjny, który musi zostać dopasowany do fragmentu genomu. Formalnie guide RNA jest ciągiem
$r=(r_1,\dots,r_k)\in\Sigma^k$ ,
gdzie $k$ oznacza długość sekwencji prowadzącej.

Dopasowanie gRNA do genomu $G\in\Sigma^N$ polega na przeszukiwaniu wszystkich podciągów $G[i:i+k]$ i ocenie ich zgodności z wzorcem $r$ . Naturalną miarą niezgodności jest odległość Hamminga:
$d_H(r,G[i:i+k])=\sum_{j=1}^k \mathbf 1_{r_j\ne g_{i+j-1}}$ .

Na jej podstawie definiuje się funkcję dopasowania:
$s(r,G[i:i+k])=k-d_H(r,G[i:i+k])$ ,
która osiąga maksimum przy idealnym komplementarnym wiązaniu. Problem wyboru miejsca cięcia sprowadza się więc do zagadnienia optymalizacji dyskretnej:
$\max_i s(r,G[i:i+k])$ .

Z biologicznego punktu widzenia dopasowanie nie jest binarne. Niewielka liczba niedopasowań może nadal prowadzić do wiązania i cięcia DNA, co matematycznie oznacza istnienie progu tolerancji:
$d_H(r,G[i:i+k])\le d_{\max}$ .

Problem dopasowania gRNA do genomu jest zatem klasycznym zagadnieniem z teorii algorytmów i kombinatoryki słów, wzbogaconym o biologiczne ograniczenia. Jego formalizacja matematyczna umożliwia systematyczną analizę miejsc docelowych, ocenę ryzyka wiązań poza celem oraz dalsze probabilistyczne modelowanie skuteczności metody CRISPR/Cas.

4. Warunek PAM i filtracja przestrzeni

Kluczowym ograniczeniem biologicznym metody CRISPR/Cas jest obecność motywu PAM (protospacer adjacent motif), bez którego kompleks Cas–RNA nie jest w stanie rozpoznać i przeciąć DNA. Matematycznie warunek PAM pełni rolę filtru, który drastycznie redukuje przestrzeń potencjalnych miejsc docelowych.

Dla nukleazy Cas9 najczęściej rozważany motyw PAM ma postać
$\text{PAM}=\text{NGG}$ ,
gdzie $N\in\Sigma$ jest dowolnym nukleotydem. Oznacza to, że pozycja $i$ w genomie $G$ może być celem edycji tylko wtedy, gdy spełniony jest warunek:
$G[i+k:i+k+2]\in{\text{AGG},\text{CGG},\text{GGG},\text{TGG}}$ .

Zbiór wszystkich indeksów spełniających warunek PAM definiuje się jako:
$\mathcal P={i\in{1,\dots,N-k}:G\in\text{PAM}}$ .
W efekcie problem dopasowania gRNA nie jest rozwiązywany na całej przestrzeni $N$ , lecz jedynie na podzbiorze $\mathcal P$ .

Z probabilistycznego punktu widzenia, przy założeniu niezależnego i jednorodnego rozkładu nukleotydów, oczekiwana liczność zbioru $\mathcal P$ wynosi:
$\mathbb E|\mathcal P|\approx N/16$ .
Filtracja PAM redukuje więc złożoność obliczeniową problemu dopasowania o rząd wielkości.

Matematycznie warunek PAM można interpretować jako operator projekcji
$\Pi_{\text{PAM}}:\Sigma^N\to\Sigma^{\mathcal P}$ ,
który ogranicza dalszą analizę wyłącznie do biologicznie dopuszczalnych pozycji. Takie ujęcie jest kluczowe dla efektywnego projektowania sekwencji gRNA oraz analizy ryzyka efektów poza celem w metodzie CRISPR/Cas.

5. Model probabilistyczny wiązania

Proces wiązania kompleksu Cas–gRNA z docelowym fragmentem DNA nie ma charakteru deterministycznego, nawet przy spełnieniu warunku PAM i wysokiej zgodności sekwencji. Z tego względu w matematycznym opisie metody CRISPR/Cas kluczową rolę odgrywa model probabilistyczny.

Niech $r\in\Sigma^k$ oznacza sekwencję guide RNA, a $G[i:i+k]$ fragment genomu spełniający warunek PAM. Stopień niezgodności opisuje odległość Hamminga
$d=d_H(r,G[i:i+k])$ .
Prawdopodobieństwo skutecznego wiązania i cięcia modeluje się jako funkcję malejącą względem $d$ :
$P(\text{ciecie}\mid d)=e^{-\alpha d}$ ,
gdzie $\alpha>0$ jest parametrem czułości kompleksu Cas na niedopasowania sekwencji.

Model ten odzwierciedla fakt, że pojedyncze niedopasowania mogą być tolerowane, natomiast ich kumulacja prowadzi do wykładniczego spadku skuteczności edycji. Całkowite prawdopodobieństwo cięcia w genomie można zapisać jako sumę po wszystkich dopuszczalnych pozycjach:
$P_{\text{tot}}=\sum_{i\in\mathcal P} e^{-\alpha d_i}$ .

Wiązanie można również opisać w języku zmiennych losowych. Dla każdej pozycji $i$ definiuje się zmienną Bernoulliego:
$X_i\sim\mathrm{Bernoulli}(e^{-\alpha d_i})$ ,
gdzie $X_i=1$ oznacza wystąpienie cięcia. Takie ujęcie umożliwia analizę rozkładu liczby cięć oraz wariancji procesu edycji.

Model probabilistyczny wiązania stanowi podstawę ilościowej analizy ryzyka efektów poza celem oraz optymalizacji projektowania gRNA. Łączy on kombinatoryczną strukturę sekwencji z narzędziami probabilistyki, dostarczając kluczowego elementu matematycznego opisu metody CRISPR/Cas.

6. Kinetyka reakcji enzymatycznej

Po skutecznym wiązaniu kompleksu Cas–gRNA z docelowym fragmentem DNA następuje etap enzymatyczny prowadzący do pęknięcia dwuniciowego. Na poziomie matematycznym proces ten opisuje się za pomocą kinetyki reakcji enzymatycznych, która modeluje zależność szybkości cięcia od stężenia substratu i parametrów katalitycznych.

Niech $[E]$ oznacza stężenie kompleksu Cas–gRNA, $[S]$ stężenie docelowego DNA, a $[ES]$ stężenie kompleksu pośredniego. Klasyczny schemat reakcji ma postać:
$E+S\rightleftharpoons ES\to E+P$ .

Przy założeniu stanu stacjonarnego szybkość reakcji opisana jest równaniem Michaëlisa–Mentena:
$v=\frac{V_{\max}[S]}{K_M+[S]}$ ,
gdzie $V_{\max}$ jest maksymalną szybkością cięcia, a $K_M$ stałą Michaëlisa charakterystyczną dla danej nukleazy i sekwencji docelowej.

W kontekście CRISPR parametr $K_M$ zależy od jakości dopasowania sekwencji oraz warunku PAM. Można go modelować jako funkcję liczby niedopasowań:
$K_M(d)=K_0 e^{\beta d}$ ,
co formalizuje spadek efektywności katalitycznej przy rosnącej liczbie błędów dopasowania.

Kinetykę reakcji można również opisać równaniami różniczkowymi:
$\dot{[ES]}=k_1[E][S]-(k_{-1}+k_2)[ES]$ ,
$v=k_2[ES]$ .
Taki opis umożliwia analizę dynamiki czasowej procesu edycji oraz wpływu stężenia reagentów na skuteczność CRISPR/Cas.

Matematyczne modele kinetyczne łączą probabilistyczne wiązanie sekwencji z czasową ewolucją reakcji enzymatycznej, dostarczając pełniejszego obrazu ilościowego procesu edycji genomu.

7. Pęknięcie dwuniciowe jako operator

W matematycznym opisie metody CRISPR/Cas akt pęknięcia dwuniciowego DNA (DSB) można traktować jako operator działający na abstrakcyjnym obiekcie, jakim jest genom. Takie ujęcie pozwala formalnie oddzielić etap rozpoznania i wiązania od samego aktu cięcia oraz późniejszych procesów naprawczych.

Niech genom będzie ciągiem
$G=(g_1,\dots,g_N)\in\Sigma^N$ .
Pęknięcie w pozycji $i$ definiuje operator cięcia
$C_i:\Sigma^N\to\Sigma^{i-1}\times\Sigma^{N-i+1}$ ,
dany przez rozkład:
$C_i(G)=(G_L,G_R)$ ,
gdzie
$G_L=(g_1,\dots,g_{i-1})$ ,
$G_R=(g_{i+1},\dots,g_N)$ .

Operator $C_i$ jest lokalny, gdyż jego działanie zależy wyłącznie od informacji w otoczeniu miejsca cięcia. W sensie algebraicznym nie jest on odwracalny, ponieważ informacja o nukleotydzie $g_i$ zostaje utracona:
$C_i(G)=C_i(G')\ \text{dla}\ G\ne G'$ .

W ujęciu probabilistycznym pęknięcie można traktować jako operator losowy:
$C(G)=C_i(G)\ \text{z prawdopodobienstwem}\ P_i$ .
Rozkład ${P_i}$ wynika bezpośrednio z modelu wiązania i kinetyki reakcji enzymatycznej.

Takie operatorowe spojrzenie umożliwia kompozycję procesu CRISPR/Cas z kolejnymi etapami biologicznymi. Cały proces edycji można zapisać formalnie jako złożenie operatorów:
$G\xrightarrow{C} (G_L,G_R)\xrightarrow{R} G'$ ,
gdzie $R$ jest operatorem naprawy DNA.

Modelowanie pęknięcia dwuniciowego jako operatora stanowi kluczowy krok w matematycznej abstrakcji CRISPR/Cas, pozwalając analizować edycję genomu jako sekwencję dobrze zdefiniowanych transformacji matematycznych.

8. Modele naprawy DNA

Po pęknięciu dwuniciowym DNA kluczową rolę odgrywają mechanizmy naprawy, które decydują o ostatecznym wyniku edycji genomu. W matematycznym ujęciu procesy te modeluje się jako losowe lub deterministyczne operatory transformujące parę fragmentów powstałych po cięciu.

Niech
$C_i(G)=(G_L,G_R)$
oznacza wynik pęknięcia w pozycji $i$ . Najczęściej rozważane są dwa mechanizmy naprawy: NHEJ (non-homologous end joining) oraz HDR (homology-directed repair).

W przypadku NHEJ naprawa ma charakter stochastyczny i może prowadzić do insercji lub delecji nukleotydów. Matematycznie opisuje się ją jako zmienną losową:
$G'\sim \mathcal R_{\text{NHEJ}}(G_L,G_R)$ ,
gdzie rozkład prawdopodobieństwa kontrolowany jest parametrem losowości $\sigma$ . Oczekiwana długość zmodyfikowanego genomu spełnia:
$\mathbb E|G'|=|G|+\mathbb E\Delta$ ,
przy czym $\Delta$ może przyjmować wartości dodatnie lub ujemne.

Mechanizm HDR ma charakter bardziej deterministyczny i wymaga dostarczenia sekwencji matrycowej $T\in\Sigma^m$ . W tym przypadku genom po naprawie dany jest przez operator:
$G'=G_L\oplus T\oplus G_R$ ,
gdzie $\oplus$ oznacza konkatenację ciągów. Proces ten można traktować jako kontrolowaną transformację algebraiczną.

Całkowity model naprawy uwzględnia oba mechanizmy jako losowy wybór ścieżki:
$G'=\arg\max_{X\in{\mathrm{NHEJ},\mathrm{HDR}}} P(X)$

Modele naprawy DNA pozwalają ilościowo analizować rozkład możliwych wyników edycji, częstość mutacji oraz precyzję metody CRISPR/Cas. Stanowią one kluczowe ogniwo łączące operator pęknięcia dwuniciowego z obserwowalnym efektem genetycznym.

9. Analiza błędów i mutacji off-target

Jednym z kluczowych problemów metody CRISPR/Cas jest występowanie cięć poza celem (off-target), czyli modyfikacji genomu w miejscach niezamierzonych. Matematyczna analiza tych błędów opiera się na połączeniu modelu dopasowania sekwencji, warunku PAM oraz probabilistycznego opisu wiązania.

Niech $\mathcal P$ oznacza zbiór pozycji spełniających warunek PAM, a $d_i=d_H(r,G[i:i+k])$ liczbę niedopasowań dla pozycji $i$ . Prawdopodobieństwo cięcia w tej pozycji dane jest przez:
$P_i=e^{-\alpha d_i}$ .

Całkowite ryzyko efektów off-target definiuje się jako sumę prawdopodobieństw dla wszystkich pozycji niebędących celem zamierzonym $i^*$ :
$P_{\text{off}}=\sum_{i\in\mathcal P,\ i\ne i^*} e^{-\alpha d_i}$ .
Wielkość ta stanowi podstawową miarę bezpieczeństwa projektu gRNA.

W ujęciu stochastycznym liczba niepożądanych cięć jest zmienną losową:
$N_{\text{off}}=\sum_{i\ne i^*} X_i$ ,
gdzie $X_i\sim\mathrm{Bernoulli}(P_i)$ . Jej wartość oczekiwana spełnia:
$\mathbb E[N_{\text{off}}]=P_{\text{off}}$ ,
a wariancja pozwala ocenić zmienność efektów edycji pomiędzy komórkami.

Analiza błędów może być również prowadzona w kategoriach teorii informacji. Jeśli ${p_j}$ oznacza rozkład częstości różnych mutacji, to miarą niepewności wyników edycji jest entropia:
$H=-\sum_j p_j\log p_j$ .
Wysoka entropia wskazuje na dużą różnorodność mutacji off-target, a niska — na precyzyjną i przewidywalną edycję.

Matematyczna analiza mutacji off-target umożliwia porównywanie różnych sekwencji gRNA, ocenę kompromisu między skutecznością a bezpieczeństwem oraz stanowi podstawę algorytmów optymalizacyjnych, których celem jest minimalizacja niepożądanych modyfikacji genomu.

10. Optymalizacja projektowania guide RNA

Projektowanie sekwencji guide RNA (gRNA) można sformułować jako zadanie optymalizacji matematycznej, w którym celem jest jednoczesne zwiększenie skuteczności edycji w miejscu docelowym oraz minimalizacja ryzyka mutacji off-target. Problem ten ma charakter wielokryterialny i naturalnie wpisuje się w ramy optymalizacji dyskretnej i probabilistycznej.

Niech $r\in\Sigma^k$ oznacza kandydacką sekwencję gRNA, a $i^*$ pozycję docelową. Skuteczność edycji w miejscu zamierzonym modeluje się jako:
$P_{\text{on}}(r)=e^{-\alpha d_{i^*}}$ ,
gdzie $d_{i^*}$ jest odległością Hamminga względem celu. Jednocześnie ryzyko efektów ubocznych opisuje się wielkością:
$P_{\text{off}}(r)=\sum_{i\ne i^*} e^{-\alpha d_i}$ .

Najprostsze sformułowanie problemu optymalizacji przyjmuje postać funkcji celu z parametrem kompromisu:
$\max_{r\in\Sigma^k}\big(P_{\text{on}}(r)-\lambda P_{\text{off}}(r)\big)$ ,
gdzie $\lambda>0$ kontroluje wagę bezpieczeństwa względem skuteczności.

Alternatywnie problem można zapisać jako zadanie z ograniczeniami:
$\max_r P_{\text{on}}(r)\ \text{s.t.}\ P_{\text{off}}(r)\le\varepsilon$ .
Takie ujęcie jest szczególnie użyteczne w zastosowaniach klinicznych, gdzie poziom ryzyka musi mieścić się poniżej zadanego progu.

Z matematycznego punktu widzenia przestrzeń poszukiwań ma rozmiar $4^k$ , co czyni przeszukiwanie pełne nierealistycznym dla typowych długości gRNA. Stosuje się więc heurystyki, algorytmy zachłanne oraz metody stochastyczne, które aproksymują rozwiązanie optymalne.

Optymalizacja projektowania gRNA stanowi kluczowe miejsce styku matematyki z praktyką biologiczną: to właśnie formalne kryteria optymalności umożliwiają przejście od intuicyjnego do systematycznego i bezpiecznego projektowania edycji genomu metodą CRISPR/Cas.

11. Dynamika populacyjna komórek

Skuteczność metody CRISPR/Cas oceniana jest nie tylko na poziomie pojedynczej komórki, lecz również w skali populacji komórek, w której proces edycji zachodzi równolegle i z różną efektywnością. Matematyczne modele dynamiki populacyjnej pozwalają opisać rozkład komórek zmodyfikowanych i niemodyfikowanych w czasie.

Niech $x(t)\in[0,1]$ oznacza frakcję komórek, w których edycja genomu zakończyła się sukcesem. Najprostszy model deterministyczny ma postać równania logistycznego z członem strat:
$\dot x=p,x(1-x)-\mu x$ ,
gdzie $p$ jest efektywnym tempem edycji, a $\mu$ współczynnikiem eliminacji komórek uszkodzonych lub niezdolnych do proliferacji.

Parametr $p$ zależy bezpośrednio od skuteczności gRNA i kinetyki reakcji enzymatycznej:
$p\propto P_{\text{on}}V_{\max}$ .
W stanie stacjonarnym frakcja komórek zmodyfikowanych spełnia:
$x^*=1-\mu/p$ ,
o ile $p>\mu$ .

W bardziej realistycznym ujęciu dynamika ma charakter stochastyczny, gdyż każda komórka podlega losowym zdarzeniom edycji. Proces można modelować jako łańcuch Markowa z dwoma stanami:
$0\to1\ \text{z prawdopodobienstwem }p$ ,
$1\to0\ \text{z prawdopodobienstwem }\mu$ .
Rozkład liczby zmodyfikowanych komórek w populacji opisuje wówczas proces Bernoulliego lub Poissona.

Dynamika populacyjna jest szczególnie istotna w kontekście terapii genowych, gdzie celem nie jest jednorazowa edycja, lecz osiągnięcie stabilnej frakcji komórek o pożądanym genotypie. Matematyczne modele umożliwiają przewidywanie skuteczności zabiegu, czasu potrzebnego do stabilizacji populacji oraz wpływu parametrów biologicznych na końcowy wynik edycji genomu.

12. Informacyjne miary skuteczności

Ocenę skuteczności metody CRISPR/Cas można prowadzić nie tylko poprzez średnią efektywność edycji, lecz również za pomocą miar informacyjnych, które ilościowo opisują niepewność i różnorodność wyników genetycznych. Takie podejście łączy teorię informacji z probabilistycznymi modelami edycji genomu.

Niech ${p_j}$ oznacza rozkład prawdopodobieństwa możliwych wariantów sekwencji powstałych po naprawie DNA. Podstawową miarą niepewności jest entropia Shannona:
$H=-\sum_j p_j\log p_j$ .
Niska wartość entropii oznacza, że proces edycji prowadzi do jednorodnego i przewidywalnego wyniku, natomiast wysoka entropia wskazuje na dużą zmienność mutacji.

Skuteczność edycji można również mierzyć poprzez zysk informacyjny względem genomu wyjściowego. Jeśli $p$ i $q$ są rozkładami przed i po edycji, to naturalną miarą różnicy jest dywergencja Kullbacka–Leiblera:
$D(p|q)=\sum_j p_j\log(p_j/q_j)$ .
Wysoka wartość $D$ wskazuje na znaczącą, ale potencjalnie ryzykowną ingerencję w genom.

W kontekście projektowania gRNA użyteczna jest również entropia warunkowa, opisująca niepewność wyniku przy zadanej sekwencji prowadzącej:
$H(\text{wynik}\mid r)$ .
Minimalizacja tej wielkości prowadzi do projektów o wysokiej precyzji i powtarzalności.

Miary informacyjne umożliwiają porównywanie różnych strategii edycji w sposób niezależny od szczegółów biologicznych. Stanowią one abstrakcyjne, lecz potężne narzędzie oceny jakości procesu CRISPR/Cas, uzupełniając klasyczne miary skuteczności i bezpieczeństwa o ilościowy opis przewidywalności wyników.

13. Modele stochastyczne i symulacje

Ze względu na losowy charakter wiązania, cięcia i naprawy DNA, metoda CRISPR/Cas wymaga opisu w kategoriach procesów stochastycznych. Modele te umożliwiają nie tylko analizę teoretyczną, lecz także numeryczne symulacje przewidujące rozkład możliwych wyników edycji genomu.

Naturalnym formalizmem są łańcuchy Markowa, w których stan odpowiada określonej sekwencji genomu. Niech ${G_1,\dots,G_M}$ będzie zbiorem możliwych wariantów sekwencji. Macierz przejścia ma postać:
$P_{ij}=P(G_i\to G_j)$ ,
gdzie prawdopodobieństwa wynikają z modeli wiązania, kinetyki enzymatycznej oraz naprawy DNA. Ewolucja rozkładu stanów spełnia równanie:
$\pi_{t+1}=\pi_t P$ .

W prostszym ujęciu proces edycji pojedynczej komórki można traktować jako proces Bernoulliego:
$X\sim\mathrm{Bernoulli}(p)$ ,
gdzie $p=P_{\text{on}}$ jest prawdopodobieństwem skutecznej edycji. Dla populacji $n$ komórek liczba edycji ma rozkład dwumianowy:
$X_n\sim\mathrm{Binomial}(n,p)$ .

Symulacje Monte Carlo polegają na wielokrotnym losowaniu trajektorii procesu:
$G_0\to G_1\to\cdots\to G_T$ ,
co pozwala estymować rozkłady końcowych wariantów genomu, wartości oczekiwane skuteczności oraz częstość mutacji off-target.

Modele stochastyczne i symulacje są szczególnie użyteczne w sytuacjach, gdzie analityczne obliczenia są niemożliwe ze względu na złożoność przestrzeni sekwencji. Dostarczają one praktycznego narzędzia do testowania projektów gRNA oraz oceny ryzyka edycji genomu metodą CRISPR/Cas przed przeprowadzeniem eksperymentów biologicznych.

14. Ograniczenia modeli matematycznych

Mimo dużej użyteczności matematyczne modele metody CRISPR/Cas posiadają istotne ograniczenia, wynikające zarówno z przyjętych założeń formalnych, jak i złożoności rzeczywistych procesów biologicznych. Świadomość tych ograniczeń jest kluczowa dla poprawnej interpretacji wyników modelowania.

Po pierwsze, wiele modeli opiera się na założeniu niezależności zdarzeń, podczas gdy w rzeczywistych komórkach procesy wiązania, cięcia i naprawy są silnie skorelowane. Matematycznie oznacza to, że często zachodzi:
$P(A\cap B)\ne P(A)P(B)$ .

Po drugie, abstrakcyjny model genomu jako jednorodnego ciągu znaków ignoruje strukturę chromatyny, dostępność fizyczną DNA oraz lokalne modyfikacje epigenetyczne. W konsekwencji parametry takie jak $\alpha$ czy $K_M$ nie są stałe w całym genomie, lecz zależą od kontekstu:
$\alpha=\alpha(i),\qquad K_M=K_M(i)$ .

Kolejnym ograniczeniem jest uproszczony opis naprawy DNA. Modele często redukują procesy NHEJ i HDR do kilku parametrów losowych, podczas gdy w rzeczywistości istnieje wiele konkurencyjnych szlaków naprawczych. Formalnie oznacza to, że rozkład wyników jest znacznie bardziej złożony niż przyjmowany:
$P(G')=\sum_k P(G'\mid R_k)P(R_k)$ .

Ograniczenia dotyczą również skali czasowej i przestrzennej. Modele populacyjne zakładają jednorodność populacji komórek, pomijając heterogeniczność biologiczną. W praktyce prowadzi to do rozbieżności między przewidywaniami a obserwacjami empirycznymi.

Z matematycznego punktu widzenia modele CRISPR/Cas należy traktować jako aproksymacje, które dostarczają wglądu jakościowego i ilościowego, lecz nie stanowią dokładnego odwzorowania rzeczywistości biologicznej. Ich wartość polega na porządkowaniu zjawisk i wskazywaniu zależności, a nie na bezwzględnej predykcji pojedynczych zdarzeń.

15. Podsumowanie oraz aspekt moralny metody CRISPR/Cas

Matematyczne ujęcie metody CRISPR/Cas pozwala traktować edycję genomu jako ściśle zdefiniowany proces formalny: od kombinatorycznego dopasowania sekwencji, przez probabilistyczne modele wiązania i kinetykę enzymatyczną, aż po stochastyczne mechanizmy naprawy DNA i dynamikę populacyjną komórek. Dzięki aparatom algebry dyskretnej, probabilistyki, teorii informacji i optymalizacji możliwe jest ilościowe porównywanie skuteczności, precyzji i ryzyka edycji genomu:
$\text{CRISPR}=\text{dopasowanie}+\text{losowosc}+\text{optymalizacja}$ .

Jednocześnie formalizacja matematyczna ujawnia fundamentalną cechę tej technologii: nieusuwalną niepewność. Nawet przy optymalnie zaprojektowanym gRNA rozkład wyników edycji ma charakter losowy, co można zapisać jako:
$G'\sim P(G'\mid r)$ .
Oznacza to, że każda ingerencja w genom obarczona jest ryzykiem niezamierzonych konsekwencji.

Z tego faktu wynika wymiar moralny metody CRISPR/Cas. Matematyka pokazuje granice kontroli nad procesem biologicznym i wymusza refleksję normatywną: jeśli nie można zagwarantować jednoznacznego wyniku, to odpowiedzialność etyczna nie może być redukowana wyłącznie do intencji projektanta. W języku formalnym decyzja o edycji genomu przypomina wybór strategii pod ryzykiem:
$\max_r \mathbb E[u(G')]\ \text{przy niezerowym } \mathrm{Var}(u(G'))$ .

Szczególne kontrowersje moralne dotyczą edycji linii zarodkowej, gdzie skutki modyfikacji są dziedziczne. Matematycznie oznacza to propagację błędu w czasie:
$\mathrm{Var}_{n+1}\ge \mathrm{Var}_n$ .
Z etycznego punktu widzenia nawet małe prawdopodobieństwo mutacji off-target może być nieakceptowalne, jeśli konsekwencje są nieodwracalne.

Matematyczne modele CRISPR/Cas wspierają więc nie tylko rozwój technologii, lecz także odpowiedzialne podejmowanie decyzji. Umożliwiają one ilościowe formułowanie norm bezpieczeństwa, progów ryzyka i zasad ostrożności, które stanowią formalny odpowiednik klasycznych zasad bioetyki.

Podsumowując, metoda CRISPR/Cas jest przykładem technologii, w której matematyka pełni podwójną rolę: narzędzia optymalizacji i zarazem języka ujawniającego granice kontroli. To właśnie te granice stanowią fundament refleksji moralnej nad dopuszczalnością i zakresem ingerencji w genom człowieka i innych organizmów.

16. Bibliografia

J. Doudna, E. Charpentier, The New Frontier of Genome Engineering, Science.
T. Cover, J. Thomas, Elements of Information Theory, Wiley.
L. Edelstein-Keshet, Mathematical Models in Biology, SIAM.
S. Boyd, L. Vandenberghe, Convex Optimization, Cambridge UP.
https://pl.wikipedia.org/wiki/CRISPR
https://en.wikipedia.org/wiki/CRISPR_gene_editing

OtagowanoCRISPR/Cas, filtracja, genom, kinetyka, mutacja, PAM, problem dopasowania, reakcja enzymatyczna, wiązania