Predicción de las eficiencias para diversos sistemas de edición de primos en múltiples tipos de células

Área de la Ciencia:

• Biología molecular
• La bioinformática
• Ingeniería genómica

Sus antecedentes:

• La edición primaria es una poderosa tecnología de edición de genes.
• Las aplicaciones actuales están limitadas por eficiencias variables y la necesidad de una optimización extensa.
• La identificación de los ARN guía de edición primaria óptimos (pegRNA) y los editores primarios (PE) requiere muchos recursos.

Objetivo del estudio:

• Evaluar sistemáticamente las eficiencias de edición de primos en un gran conjunto de datos.
• Desarrollar modelos computacionales predictivos para la eficiencia de la edición principal.
• Para identificar los determinantes clave de la eficiencia de la edición principal.

Principales métodos:

• Se evaluaron 338,996 pares de secuencias pegRNA/objetivo para la eficiencia de edición de primos.
• Desarrolló modelos computacionales DeepPrime y DeepPrime-FT para predecir la eficiencia.
• Eficiencias perfiladas en objetivos no coincidentes y modelos predictivos desarrollados.

Principales resultados:

• Factores sistemáticamente determinados que influyen en la eficiencia de la edición principal.
• DeepPrime y DeepPrime-FT predicen eficiencias para 8 sistemas de edición de primos en 7 tipos de celdas para ediciones de hasta 3 pares de bases.
• Desarrolló modelos para predecir la eficiencia de edición en objetivos no coincidentes.

Conclusiones:

• Los modelos computacionales mejoran significativamente la predicción de las eficiencias de edición primaria.
• Estos modelos acelerarán la optimización y aplicación de la tecnología de edición principal.
• Una mejor comprensión de los determinantes de la edición principal facilita un uso más amplio en la investigación y la terapéutica.