预测多种细胞类型的多种原始编辑系统的效率
Goosang Yu1, Hui Kwon Kim2, Jinman Park1
1Department of Pharmacology, Yonsei University College of Medicine, Seoul 03722, Republic of Korea; Graduate School of Medical Science, Brain Korea 21 Plus Project for Medical Sciences, Yonsei University College of Medicine, Seoul 03722, Republic of Korea.
Cell
|April 29, 2023
概括
这项研究开发了DeepPrime和DeepPrime-FT计算模型,以预测主要编辑效率. 这些工具通过识别最佳的原始编辑指导RNA (pegRNA) 和原始编辑器 (PE) 来加速原始编辑应用程序.
科学领域:
- 分子生物学
- 生物信息学
- 基因组工程
背景情况:
- 这是一种强大的基因编辑技术.
- 目前的应用受到可变效率和广泛优化需求的限制.
- 识别最佳的编辑指导RNA (pegRNA) 和主要编辑器 (PE) 是资源密集的.
研究的目的:
- 系统地评估大数据集中的原始编辑效率.
- 开发用于原始编辑效率的预测计算模型.
- 确定主要编辑效率的决定因素.
主要方法:
- 评估了338,996个基RNA/目标序列对,以提高编辑效率.
- 开发了DeepPrime和DeepPrime-FT计算模型来预测效率.
- 对目标不匹配的效率进行分析,并开发预测模型.
主要成果:
- 系统地确定影响主要编辑效率的因素.
- DeepPrime 和 DeepPrime-FT 预测了 7 种细胞类型中的 8 种原始编辑系统的效率,用于编辑最多 3 个基数对.
- 开发模型来预测不同目标的编辑效率.
结论:
- 计算模型显著提高了编辑效率的预测.
- 这些模型将加速原始编辑技术的优化和应用.
- 对主要编辑决定因素的更好理解有助于在研究和治疗中更广泛地使用.


