ターゲットライブラリ分析と機械学習によるベース編集結果の決定因子

科学分野:

• 遺伝学とゲノミクス
• バイオテクノロジー
• バイオ情報学

背景:

• ベースエディタは標的の点変異に不可欠ですが,その編集決定因子は不明のままです.
• シーケンス・アクティビティの関係を理解することは,ベース編集ツールを最適化するための鍵です.
• 哺乳類の細胞システムは,遺伝子編集の結果を特徴付けるための堅固なプラットフォームを提供します.

研究 の 目的:

• サイトシンとアデニン塩基エディター (CBEとABE) のシーケンス活動関係を特徴付ける.
• ベース編集の成果と効率化のための予測型機械学習モデル (BE-Hive) を開発する.
• 改良された機能を備えた新しいベースエディタを設計する.

主な方法:

• 哺乳類の細胞に統合された38,538の標的にわたる11の塩基エディターに関する全ゲノムの特徴化.
• 実験ベース編集データを用いた機械学習モデル (BE-Hive) のトレーニング
• 傍観者の編集を含む編集結果のシリコ予測と実験的検証.

主要な成果:

• BE-Hiveは塩基編集の遺伝子型結果 (R ≈ 0.9) と効率 (R ≈ 0.7) を正確に予測する.
• 高精度で3,388の疾患に関連した単一ヌクレオチド変異 (SNV) を正しました.
• 174の病原性転移SNVの修正を可能にするC-to-GおよびC-to-A編集のための新しい決定因子を特定した.
• 新しいCBEの変種を設計し, 調整された編集機能を備えた.

結論:

• BE-Hiveはベース編集の予測性と精度を大幅に向上させます.
• この研究は,改変を含む,以前は難解な目標へのベース編集の範囲を拡大します.
• 新しいベースエディタのバリエーションは,改善された編集性能と制御を提供し,治療用途の道を開きます.